EAD2019：内窥镜伪影检测与分割挑战赛

EAD2019（Endoscopy Artefact Detection Challenge 2019）是 2019 年 IEEE 国际生物医学成像研讨会（ISBI）的卫星挑战赛，任务是让算法在内窥镜视频帧中找出七类成像伪影，并给出边界框或像素掩码。数据来自近 125 段多中心内窥镜视频，训练与泛化任务合计 2,192 帧，其中 475 帧另有像素掩码；29 支队伍来自 9 个国家，参加了检测、分割与样本外泛化三个子任务。

内窥镜画面几乎不可能干净：镜面高光、气泡、残留液体、运动模糊、器械边缘始终在场。这些非组织元素既会遮住病变，也会让自动化的图像质量评分失真——而质量评分正是结肠镜质控中区分操作水平的关键环节。EAD2019 把这类问题从「工程洁癖」变成了可公开评测的任务：给伪影定类、定位、描边，让下游知道哪一块画面不值得相信。

适合用它的人有三类：做内窥镜质控与图像质量评估的算法团队，可以把 7 类伪影作为质量分数的输入；做实时提示系统的开发者，应优先看框检测子任务的评估口径；做分割的研究者，则要注意只有五类伪影带像素掩码，模糊与对比度两类不在其中。下载之前先确认论文版本，规模数字在不同版本里并不一致。

§1 它是什么：一场为「非组织元素」办的挑战赛

1.1 定义与定位

EAD2019 的名字可以拆成三层。Endoscopy 指检查部位，涵盖食管、胃、结肠、子宫与膀胱等中空器官；Artefact 指成像过程中产生的、不属于组织本身的视觉成分；Detection 指任务形式——在整帧图像中给出伪影的位置与类别。挑战赛由牛津大学工程科学系与大数据研究所的研究者牵头组织，与 ISBI 2019 同期举办，最终结果在当年的 workshop 上公布。

它的定位不是病变检出，也不是器官识别。论文把伪影检测称为临床内窥镜定量分析的前置任务：只有当画面中哪些区域可信、哪些区域被伪影污染这件事被明确标注出来，后续的黏膜分析、病灶测量、自动报告才有可能做得准。这一定位决定了数据集的组织方式——按伪影类型建类，而不是按疾病建类。

与常见的内窥镜数据集相比，它的差别在标注对象。HyperKvasir、Kvasir-SEG 这一类数据集标的是息肉、出血、解剖标志等有临床意义的发现；EAD2019 标的是妨碍观察的成分。两者并非互斥，同一帧图像里既有息肉也有反光，只是各自回答不同的问题。

这一取向在数据组织上有直接影响。按疾病建类的数据集，类别数往往很少、类间界限由病理定义；按伪影建类的数据集，类别数更多、类间界限由成像物理与临床经验共同约定。后者更容易在不同医院之间迁移，因为伪影的成因（反光、气泡、器械入画）不随人群或病种改变，而病灶的形态分布会。

1.2 为什么内镜质控需要伪影检测

要理解这份数据的动机，得先理解内窥镜质控的难点在哪里。

结肠镜是结直肠癌筛查的核心手段，但它的检出率在不同操作者之间差异明显。业界长期关注的两个可控因素是退镜时间与肠道准备质量：退镜过快会漏掉视野边缘的小病灶，准备不足会让残留液体与粪渣遮住黏膜。这两条都不是设备问题，而是操作与流程问题，因此成为质控体系的主要抓手。

自动化质控的设想是：用计算机视觉自动测量退镜速度、评估画面清洁度、统计视野完整度，从而给每一次检查打一个可比较的分数。这条路线的第一步就是判断画面里有什么不属于组织的成分。如果算法无法区分气泡与息肉、无法识别大片反光，它给出的清洁度分数就会被误判主导——把一段被反光污染的清晰视野判成脏，或者把一段充满薄层泡沫的视野判成干净。

因此伪影检测不是质控系统的附加功能，而是它的前置条件。EAD2019 的价值在于把这个前置条件变成了一个独立的、可公开比较的问题，让不同团队在同一个标注体系下讨论「什么算干扰、干扰到什么程度」。

1.3 七个类别的取舍

七类分别是：镜面高光（specularity）、饱和度（saturation）、广义伪影（artefact）、模糊（blur）、对比度（contrast）、气泡（bubble）、器械（instrument）。这套分类来自专家内镜医师的判断，论文的出发点是覆盖全球范围内最常见的伪影类型，而非穷举所有可能的成像缺陷。

七类之间有清晰的内在分类逻辑，也有明显的灰区：

类别	物理成因	对观察的影响	是否进入分割任务
镜面高光 specularity	黏膜表面湿润反光	局部过曝，下方组织信息丢失	是
饱和度 saturation	传感器或照明导致的像素饱和	大片区域失去层次	是
广义伪影 artefact	残留液体、血渍、碎屑等	颜色与质地异常，易与病变混淆	是
模糊 blur	镜头移动、失焦	边缘不清，细节不可辨	否
对比度 contrast	照明不足或过强	整体灰阶压缩	否
气泡 bubble	腔道内泡沫	遮挡视野，边缘折射	是
器械 instrument	内镜附件或器械入画	遮挡组织，边缘高对比	是

「artefact」这一类值得单独说明。它不是一个物理成因单一的类别，而是把残留液体、血渍、碎屑等难以归入其余六类的成分打包在一起。论文的讨论部分明确指出，这一类在泛化测试中表现最差——尽管它的标注量在七类中排第二。这说明类内的外观变异已经大到无法用统一的视觉模式概括。

模糊与对比度被排除在分割任务之外，原因在数据侧：这两类伪影的边界本身就是弥散的。模糊区域与清晰区域之间是渐变过渡，没有可以逐像素勾画的轮廓，强行标注只会制造标注者之间的分歧。分类任务可以接受这种模糊性，分割任务不能。

1.4 三个子任务

挑战赛拆成三个互相关联的子任务：

检测（detection）。输入整帧图像，输出若干边界框，每个框带类别标签与置信度。目标是把七类伪影找全并分类。评估用平均精度均值（mAP），正样本匹配的判据是预测框与参考框的交并比（IoU）不低于 0.25。

分割（segmentation）。输入整帧图像，输出五类伪影各自的二值掩码。目标是把伪影的精确形状描出来。评估用交并比与 Dice 系数，并以 F1、F2 的组合构成最终分数。

样本外泛化（out-of-sample generalization）。方法在本数据集上训练完之后，直接用于第六家机构采集的图像。这批图像的成像模态与采集协议都可能不同，但伪影类别集合一致。该子任务检验的不是「能不能学会」，而是「换一台设备、换一个中心之后还灵不灵」。

三个子任务的参赛规模并不相同：29 支队伍中，23 支提交了检测结果，16 支提交了分割结果，19 支提交了泛化结果。其中 15 支队伍同时提交了泛化结果并通过了检测分数的有效性检查。这个数字差本身就是一条信息——分割比检测难，愿意做的人更少。

1.5 分数是怎么算的

三个子任务各自有一套分数公式，理解这些公式才能读懂榜单。

检测的最终分数由两项加权而成：平均精度均值占六成，平均交并比占四成。平均交并比衡量的是命中框与参考框的贴合程度，即使在同一个 IoU 阈值下全部命中，不同的贴合度也会拉开差距。权重设置偏向平均精度均值，意图是促使方法把各类伪影尽量找全，而不是只在容易的类别上刷高贴合度。

组织方另外设了一道有效性检查：提交结果的平均交并比与平均精度均值之比必须落在 0.7 到 1.3 之间。这道检查的目的是抑制通过训练过程中的早停或晚停刻意抬高单一指标的行为——把阈值调紧可以提高平均交并比，把阈值调松可以提高平均精度均值，两者失去平衡就说明模型的实际工作点被人工操控过。

分割的分数公式更复杂，由三部分加权：F1 与 Jaccard 各占一半后再乘 0.75，F2 单独乘 0.25。F2 对召回的偏好强于 F1，赋予它四分之一的权重，等于在整体上引入适度的召回偏好。这样设计的原因是伪影分割的主要风险是漏标——漏掉一片反光的后果，比多标一片正常黏膜更严重。

泛化的分数不是绝对性能，而是排名组合。先按各类计算泛化集与常规测试集之间的平均精度均值偏差，偏差超过该类别基准值百分之十的部分才计入惩罚；再按偏差排名与泛化集平均精度均值排名，以三分之一和三分之二的权重合成最终分数。这一设计把「泛化得好」定义为两件事同时成立：绝对性能不能低，与常规测试的落差不能大。

1.6 版本与时间线

时间	事件	规模口径
2019 年初	arXiv 预印本 v1（1905.03209）发布	2,147 帧
2019 年上半年	ISBI 2019 卫星挑战赛开赛，训练集分两批释放	—
2019 年上半年	提交窗口三个月，测试图像在赛前一个月下发	—
2019 年 4 月	workshop 公布最终结果	—
2019 年 9 月至 2020 年 2 月	收稿、修回、接收、在线发表	终版规模

训练集分两批释放是赛事设计的一部分。第一批提供检测子任务的标注，第二批在补充检测标注的同时提供分割子任务的标注。分批的意义在于让参赛者可以用第一批训练、第二批测试，自行检查检测方法的样本外表现；这也是泛化子任务的思想来源。

最终版本的规模比预印本多出 45 帧。论文没有解释这一差异，最可能的原因是第二次释放训练标注时补齐了部分帧，但这属于推断，未经作者确认。引用时应以正式发表版为准。

§2 数据构成：规格、划分与字段

2.1 硬数字总表

项目	数值	字段可靠性
训练集帧数（检测与泛化共用）	见 §1 导语	论文正文明确陈述
框标注覆盖类别	7 类全覆盖	论文正文明确陈述
分割子集帧数	475	论文正文明确陈述
分割类别数	5 类（排除模糊、对比度）	论文正文明确陈述
测试集帧数	检测 195 / 分割 122 / 泛化 51	论文正文明确陈述
来源视频段数	近 125 段	原文措辞为 nearly，属约数
数据来源机构	5 家（检测与分割）+ 1 家（泛化）	论文正文明确陈述
帧频、患者数	未披露	正文与摘要均无
逐类样本量	未在正文给出	仅存在补充材料图表中

这张表里唯一带约数的是视频段数。论文的原话是近 125 段内窥镜视频，没有给出精确值与各机构的分摊。这意味着无法从公开信息推算单帧的平均抽取间隔，也无法判断训练集在六家机构之间是否均衡。

逐类样本量是一项常见需求，但正文没有提供。补充材料中有各伪影类别的分布图，正文只在讨论中提到广义伪影类的标注量位列第二。若研究需要按类别分层抽样，必须以补充材料为准，不能凭经验估计。

2.2 三家划分的构成

数据按用途切成三块，互相不重叠：

划分	规模	内容	可见性
训练集	全部训练帧	7 类边界框与类别标签	公开下载
训练集分割子集	475 帧	5 类二值掩码	公开下载
测试集	195 + 122 + 51 帧	三类任务各自的参考标注	仅图像公开，标注不公开
泛化集	第六家机构图像	仅用于泛化子任务评估	仅图像公开

分割子集是训练集的子集，不是独立划分。论文的表述是「其中 475 帧另有掩码标注」，因此分割任务可用的图像就是这 475 帧，检测任务可用的是全部训练帧。若把 475 当成独立扩充，会高估分割任务的数据量。

泛化集来自第六家机构，其图像既不在训练集也不在常规测试集中。这一点是泛化子任务成立的前提：一旦该机构的图像混进训练，泛化分数就失去意义。

2.3 标注规则：允许重叠

EAD2019 采用了一条与常规图像数据集相反的规则：同一空间位置允许同时标注多个类别。例如一块区域既可以是气泡，也可以是镜面高光；一处反光覆盖的黏膜既被标为高光，也可以被标为广义伪影。

这条规则的出发点很实际。内窥镜伪影不是互斥的现象——气泡表面会反光，器械边缘会有饱和像素。如果强行要求每个位置只能有一个标签，标注者就必须在两种都成立的描述之间做选择，而这个选择没有客观依据。

规则的代价在统计上：各类别的标注框数量之和大于标注实例总数，按类别求平均的 mAP 与按实例求平均的 mAP 会得到不同数值。做跨数据集对比时必须注意这一点——多数病灶检测数据集要求类别互斥，两者的类别频率不可直接比较。

2.4 字段与目录约定

公开下载的训练数据至少包含以下几类内容：

内容	形式	用途
帧图像	单帧图像文件	模型输入
框标注	类别、置信度、左上与右下坐标的文本记录	检测任务训练与评估
分割掩码	每类一张二值掩码	分割任务训练与评估
评估工具	开源的配套软件	本地复算指标
提交模板	文本格式的预测文件模板	参赛与对标

论文对提交格式有明确描述：检测与泛化的提交是文本文件，内含预测类别、置信度与预测框坐标；分割的提交是二值掩码，每类一张。这套格式至今仍是复现当年排名的唯一合法接口——任何自定义格式的预测都需要先转成这套格式才能与官方分数对话。

2.5 与官方页面数字的出入

官方挑战赛页面给出的是约数：训练集约 2000 帧、测试集约 500 帧、泛化集约 200 帧。三组约数与论文终版对不上，尤其测试集差距较大——论文的测试帧数是 195、122、51，三项相加为 368，而官方约数把三类合并称为约 500。

两份材料的口径差异不影响数据使用，但影响引用。写方法学部分时若引用官方页面的约数，会与论文正文的精确值冲突；审稿人核对时通常以正式发表版为准。建议一律引用终版论文的数字，并在需要时说明官方页面为约数。

2.6 多机构构成及其含义

论文列出的五家检测与分割数据来源机构分布在西欧与东欧：牛津的约翰拉德克利夫医院、南锡的肿瘤研究所、巴黎布洛涅-比扬古的安布罗斯·帕雷医院、洛桑的沃州大学医院、莫斯科的博特金临床城市医院。泛化集来自第六家——帕多瓦的威尼托肿瘤研究所。

机构分布在两个方向上拉开了差异。地理上跨越英、法、瑞士、俄罗斯、意大利五国，光照色温与设备品牌随之变化；机构类型上既有大学附属综合医院，也有专科肿瘤中心，检查人群的病种构成不同。论文对数据集的描述用了四个「多」：多器官、多模态、多患者、多种族，其中多模态与多机构是同义的——不同机构的设备与成像方式不同，合起来构成模态多样性。

这一构成对使用者的实际意义是：在该数据上训练的模型天然见过较大的域变化，泛化到新机构时的落差可能小于在单一中心数据上训练的模型。但它也意味着类别分布不是均匀的——不同机构的常见伪影类型不同，若某类伪影在五家机构中只占很小的比例，模型在该类上的表现会被整体分数掩盖。

2.7 未公开的构成信息

以下几项在公开材料中找不到，需要明确记录，以免使用者误以为可以推算：

帧与视频、患者的对应关系。论文只说帧抽取自近 125 段视频，没有给出每段视频抽取多少帧、哪些帧来自同一患者。这直接影响数据划分的合法性。

各类伪影的样本量。论文只在补充材料给出分布图，正文仅提及广义伪影类的标注量排第二。做类别平衡采样时必须查补充材料，不能凭印象。

图像规格。分辨率、色彩空间、是否经过压缩都未在正文说明。这批图像来自不同厂商的设备，规格很可能不统一，下游预处理需要自行统计。

标注工具与流程细节。论文提到专家内镜医师参与类别定义，临床合作方参与标注质量的分析验证，但标注界面、复核轮次、争议解决方式都没有展开。这使标注一致性无法从公开材料评估。

§3 怎么拿到：许可、获取与复现

3.1 下载路径

训练数据托管在 Mendeley Data，标识符为 10.17632/c7fjbxcgj9，公开下载。同一份数据在论文的 Data availability 一节写的是 .2 版本，挑战赛页面登记的则是 .1 版本。两个版本号指向同一数据集的先后两次发布，实际取用时以页面上可下载的版本为准。

配套工具站提供数据准备脚本与评估代码。这些工具的用途有两个：把原始标注转换成可直接训练的格式，以及在本地用隐藏测试集的预测文件复算官方指标。没有这套工具，本地结果与榜单结果之间无法建立对应关系。

3.2 测试集的处理

测试图像只公布图像本身，参考标注不公开。这一设计与多数挑战赛一致，目的是防止参赛者在测试集上做针对性调参。代价是任何第三方都无法独立复算官方榜单——想验证某篇论文报告的分数，只能有自己的划分方案。

可行的替代做法是自行从训练集切分验证集，按同一套指标计算。需要注意两件事：正样本匹配阈值必须是 IoU 不低于 0.25，否则 mAP 与官方口径不可比；分割分数要按官方的加权公式计算，而不是简单取 Dice 均值。

3.3 许可与合规

数据在 Mendeley Data 上公开，论文本身为 Sci Rep 的开放获取文章。使用时至少应做到两件事：引用数据 DOI 与论文 DOI，说明所用版本。若基于该数据训练模型并对外发布，应按数据页面的许可条款处理二次分发，不建议直接把原始帧打包进模型的权重仓库。

涉及患者图像的使用还需遵守所在机构的伦理与数据治理流程。论文本身已声明数据经合作机构提供并用于研究，但下游研究者若将图像用于教学或公开发布，仍需自行判断是否越界。

3.5 复现当年的榜单有多难

严格复现 EAD2019 的官方排名在技术上不可能，原因只有一条：参考标注不掌握在第三方手里。但这不妨碍做「同口径比较」，条件是三件事都对齐。

第一件是数据版本。Mendeley Data 上存在先后两次发布，两次的帧数可能不同。若用旧版本训练、却拿新版本的数字做对照，误差会混进模型表现里。

第二件是指标实现。检测的 IoU 阈值、分割的加权公式、泛化的偏差计算，三处都有官方定义，但官方脚本之外的自实现常有细节出入，例如 IoU 在对角坐标上的取整方式、mAP 在类别缺失时的处理。差异看似微小，落到小数点后两位就足以改变排名。

第三件是划分方式。官方测试集不可得，任何本地比较都必须自建验证集。若划分方式与对照论文不同，两者的绝对分数不可直接比较，只能比较同一划分内的相对排序。

实践中更稳妥的做法是不与官方榜单对话，而是建立自己的基线：用同一份训练数据、同一套划分、同一套指标，训练两三个已有方法，把结果作为后续工作的参照。这条路放弃了对榜单的可比性，换来的是内部一致——对方法研究而言，后者通常更有用。

论文本身提供了一个可供对照的线索：组织方训练了自行搭建的检测基线，用预训练的权重初始化，参赛方法与之比较来判断是否超出已有技术水平。这条基线思路可以直接借鉴。

3.4 最小可运行流程

一次完整的本地复现大体分五步：

1. 下载训练帧与标注，确认版本号；
2. 用配套工具把框标注转换为训练框架所需的格式；
3. 按自定比例切分训练/验证，验证集不参与调参之外的任何用途；
4. 训练检测模型，按 IoU ≥0.25 计算 mAP；
5. 用官方脚本或自行实现的计算器复算分数，并与论文报告的区间对照。

分割任务另走一条线：只取 475 帧带掩码的子集，按五类分别训练或做多类输出，用交并比与 Dice 评估。由于只有五类有掩码，第七类器械与第四类模糊、第五类对比度不参与分割训练。

§4 质量与已知问题

4.1 数据本身的可靠性评估

从模型可用性角度，EAD2019 的强项与弱项都很明确。

强项有三条。第一，跨机构、跨器官、跨设备：五家机构的图像混合，避免了单一中心的光照与设备特征主导数据分布。第二，类别定义来自临床专家而非工程直觉，七类覆盖了实际工作中最常见的干扰成分。第三，训练集分批释放，天然支持方法学上的样本外检验设计。

弱项同样有三条。第一，规模有限：两千余帧对于七类多标签检测任务并不宽裕，逐类摊薄后每类可用样本更少。论文讨论也承认，要在这个任务上有效训练，每类伪影需要相当规模的样本。第二，掩码子集覆盖率低：475 帧只占训练集的两成多，且只覆盖五类。第三，隐藏测试集无法复算，第三方验证只能依赖自建划分，结论的可比性受限。

4.2 假设、支持与反对

论文对方法表现给出了若干解释性假设。把假设、支持证据与反向证据并列，能看清哪些结论稳、哪些只是推测：

假设	支持证据	反对或保留
检测性能受伪影类别规模与空间重叠支配，与训练数据总量关系较弱	结果图显示各类表现随类别大小与重叠程度变化	未做控制变量的消融，类别大小与训练量在本数据中高度共线
单一的 IoU 匹配阈值对大伪影与小伪影不公平	阈值统一为 0.25，小目标的框轻微偏移即掉出匹配	论文未给出多阈值对照的量化结果，仅作为讨论提出
分割的提升主要来自假阳性减少，假阴性几乎不变	表中精度上升而召回变化很小	召回不变也可能源于标注者分歧，而非模型能力上限
广义伪影类最难泛化	该类标注量排第二，泛化表现却最差	类内成因混杂（液体、血渍、碎屑），难以判断是外观变异还是定义问题

第三行值得展开。分割的召回几乎不随方法改进而上升，论文的解释是存在一批被所有方法一致漏掉的区域，可能与标注者之间的分歧有关。如果这块区域本身在标注者内部就不一致，那么模型再怎么训练也无法命中，指标的天花板就由标注质量决定而非模型能力决定。这一解释无法用现有数据证伪，属于推断。

4.3 结论强度分级

按证据线数量分级，这篇数据论文的核心结论大致如下：

结论	强度	理由
七类伪影的跨机构分布真实存在，可被标注	A	数据构成、标注流程、多机构来源三条线互证
现有深度学习方法在检测上普遍优于传统基线	A	论文设置了自研基线与参赛方法对照
广义伪影类的泛化能力显著弱于其他类别	B	有泛化分数支持，但类内异质性使归因存疑
单一 IoU 阈值抑制了检测指标的表达力	C	属讨论中的解释性判断，无独立实验
分割性能瓶颈在标注分歧而非模型容量	D	推断，无直接证据

4.4 已知的覆盖缺口

有几个维度在数据中完全缺失，使用时必须自行补充或明确声明局限：

• 患者级标识。帧与患者之间的对应关系未在公开材料中说明，无法做患者级分组划分。若按帧随机切分，同一患者的相邻帧可能同时落入训练与验证，导致验证分数虚高。
• 采集元数据。设备型号、光源参数、帧率、机构归属等元信息未随帧公开，无法分析设备差异对伪影表现的影响。
• 时间信息。帧在视频中的位置未公开，无法利用时序连续性，也无法评估方法在连续帧上的稳定性。
• 病变标注。数据不标病变，因此不能直接用于评估伪影对病灶检出的干扰程度——这需要用外部病灶数据集做配对实验。

4.5 标注分歧的处理方式

伪影标注最难的地方，不是「有没有」，而是「到哪里为止」。一块镜面高光有明确的中心，边缘却是渐变的；气泡有轮廓，但薄膜与液体反光混在一起时，勾到哪里算气泡、勾到哪里算高光，不同标注者有不同判断。

EAD2019 对这个问题采取了两条对策，都写在评价体系里而不是数据说明里。第一条是多标签共存：既然边界难以裁决，就允许同一位置同时属于多个类别，把裁决权从标注阶段推迟到评估阶段。第二条是匹配阈值宽松：检测的正样本匹配只要 IoU 达到 0.25 就算命中，相当于承认标注框本身存在四分之一级别的位移。

这两条对策合起来降低了标注熵，但也带来了指标解释的困难。IoU 阈值放得越松，mAP 越容易饱和——不同方法之间的差距会被压缩。分割任务的分数公式同样做了平滑：最终分数并不是单一的交并比或 Dice，而是把 F1、Jaccard、F2 三者加权组合，其中 F2 的权重占四分之一，整体上偏向召回而非精确。

理解这一点，才能理解论文讨论里那个看似悲观的判断：分割的提升主要来自假阳性减少，召回几乎不动。如果存在一批被所有方法一致漏掉的区域，最可能的原因就是这些区域的边界在标注者之间本身就没有共识。模型学到的是一堆互相冲突的参考答案的平均值，自然无法稳定命中。

4.6 与临床使用之间的距离

论文在结果之后单列了一段临床相关性分析，评估的三个维度是准确度、预测一致性（用各类指标的标准差除以均值衡量）与计算效率。这段分析值得单独一提，因为它把一个常被忽略的问题摆到了台面上：在数据集上分数高的方法，未必在临床上可用。

一致性这条尤其关键。一个方法在多数类别上表现不错、在某一类上突然崩掉，平均分数可能仍然体面，但临床使用时会出现明显的行为不稳定——同样的伪影，有时提示有时不提示。论文把「跨各类标准差低」作为方法有意义的条件之一，等于承认稳定性与平均性能同等重要。

计算效率这条则直接关系到双任务的取舍。检测方法中，采用单阶段网络的方案推理时间最短，多网络集成的方案精度更高但更慢。这个取舍在离线场景无所谓，在实时提示场景则可能直接决定能否落地。

§5 能做什么：三类任务的落地方式

5.1 内窥镜质控与图像质量评分

这是最直接的用途。内窥镜质控的核心指标之一是画面质量：如果一帧图像里气泡、反光、模糊占据了大半，那么后续的病灶观察就不可靠。EAD2019 的七类标注提供了一个可训练的代理指标——用检测模型输出各类伪影的框，再聚合成质量分数。

聚合方式有多种，各有取舍。按伪影覆盖面积占比加权是最简单的做法，但会低估小面积高影响的情况，例如恰好盖住息肉的一小块反光。按类别加权更贴近临床，代价是需要为七类设定权重，而权重的合法性无法从数据本身推出，只能来自专家共识或下游任务的表现。

这条路径的价值在于把「质量差」这个模糊判断变成可分解的七个分量。质控报告可以说清一帧图像差在气泡还是差在模糊，而不是笼统给一个分数。这一点与结肠镜质控的实际需要是吻合的：清洁度不足与操作手法不稳是两类不同的问题，前者靠冲洗与消泡解决，后者靠培训和节奏提示解决，混在一个分数里就无法指导改进。

具体到结肠镜场景，检查质量的两大公认影响因素是退镜时间与肠道准备程度。前者是时间维度的操作指标，后者直接对应画面中的残留液体、气泡与粪渣——正落在 EAD2019 的广义伪影、气泡两类的语义范围内。把这两类的检测结果按时间轴汇总，可以得到一条「视野可信度随时间变化」的曲线，用来区分两种不同的低质量：一种是全程都差（准备不足），一种是局部突发（冲洗或抽吸的瞬间）。

需要说明的是，这一层应用是把 EAD2019 的类别语义迁移到质控场景，论文本身并没有做这样的验证。数据集中没有肠道准备评分，也没有退镜时间记录，因此任何质量分数与临床结局之间的关联都只能靠外部研究建立，不能从这份数据直接读出。

5.2 给下游任务提供「不可信区域」信号

伪影检测更本质的用途，是给后续分析提供区域级的不确定性标记。病灶检出模型在反光区域上的输出天然不可靠，但这些区域往往不会在模型的置信度上体现出来——模型对着一片过曝像素依然可以给出高置信度的预测。

把伪影检测作为前置模块，可以在推理阶段屏蔽或降权这些区域。屏蔽的做法更保守，降权的做法更平滑，选择取决于下游对漏检与误报的容忍度。若下游是筛查场景、不能漏，就不宜直接屏蔽，而应把伪影标记作为额外通道输入给病灶模型，让模型自己学怎么权衡。

这条路径的代价是误差传播。伪影检测漏检一块区域，下游就会把该区域当作可信；伪影检测误检，下游就会白白丢弃有效信息。因此伪影模块的召回率比精确率更关键——宁可多标，不可漏标。

这里要区分两种「不可信」，处理方式不同。一种是被伪影覆盖、图像信息已经丢失的区域，例如过曝的高光核心，任何后处理都无法恢复其中的组织纹理，只能标记为盲区。另一种是信息仍在、只是受到干扰的区域，例如轻度反光或薄层泡沫下的黏膜，这类区域经过增强或去伪影仍有可用的信息。把两类混为一谈，要么过度丢弃有效视野，要么让模型对着盲区硬猜。

这一区分也解释了为什么伪影检测不能简单地做成「去伪影」的前处理。去伪影的生成模型会填补被遮挡的区域，生成的内容看起来合理但并非真实观测，用在筛查流程里有制造虚假证据的风险。相比之下，只标记不修改的做法更保守，也更容易在临床流程里被接受。

5.3 伪影与病灶的边界

伪影检测与病灶检测不是同一件事，但两者的边界在实际画面上大量重叠，这一点值得单独展开。

一块镜面高光可能正好落在息肉表面，此时高光既遮住了病灶的一部分，也改变了病灶的亮度与质地特征。一个训练在干净图像上的息肉检测模型，遇到这类画面时会给出低置信度或错误定位，而它的错误原因不是「不认识息肉」，而是「输入被污染」。一处暗红色的不规则区域，可能是血渍残留，也可能是血管性病变的早期表现——两者的颜色与形状都相近，单帧图像难以区分。

这种重叠带来两个后果。第一，伪影检测的输出不能只做二值判断，最好能表达「这块区域的判断依据不可靠到什么程度」，才能被下游正确使用。第二，病灶数据集上的性能报告如果不控制伪影分布，跨研究之间的比较会失真——一个模型在高质量图像上表现好，可能只是它的训练集恰好干净。

EAD2019 提供了测量这种污染的工具，但没有提供病灶标注，因此无法在同一批图像上同时评估两类任务。要做这类配对研究，需要把 EAD2019 的伪影类别与外部病灶数据集做图像级联配，或者用 EAD2019 训练伪影检测器、再迁移到带病灶标注的内窥镜数据上。论文没有做这件事，这是它留下的一个明确的研究缺口。

5.4 双任务的分工：实时提示与离线标注

为什么同一批数据要同时做框检测和像素分割？答案在两种使用场景的时间预算上。

维度	框检测	像素分割
输出	边界框与类别	逐像素掩码
计算成本	低，单阶段检测器即可实时	高，需逐像素解码
评估口径	mAP（IoU ≥0.25 匹配）	IoU、Dice、F1/F2 组合
典型场景	术中或检查中的实时提示	离线回顾、数据集清洗、标注辅助
对边界的要求	粗定位即可	边界必须贴合

检测的松口径不是妥协，而是与场景匹配。实时提示只需要告诉医生「左下方有反光，注意一下」，框的精确度到像素级没有额外价值，反而拖慢推理。分割的严口径对应另一类需求：给一批录像做离线质控，需要知道伪影的精确像素占比，才能算出可信视野的比例。

两种口径不能互相替代。用分割模型代替检测做实时提示，成本不可接受；用检测框的面积近似伪影面积，会系统性高估——框内包含大量未被伪影覆盖的组织像素。

5.5 样本外泛化的实用意义

泛化子任务回答的是一个临床上很实际的问题：在一个中心训练的质控模型，换到另一家医院还能不能用。内窥镜图像的分布受设备光谱、照明强度、医师操作习惯影响极大，跨中心失效是常态而非例外。

EAD2019 的泛化设计有一个细节值得注意：第六家机构的图像只用于测试，不参与训练。这意味着泛化分数衡量的是纯粹的域偏移，而不是通过微调获得的适应能力。若要做域适应研究，需要自行把该机构图像划出一部分作为无标注目标域。

论文的泛化结果里有一个反直觉的发现：广义伪影类尽管标注量排第二，泛化表现却最差。这提示泛化能力不取决于训练样本量，而取决于类内视觉模式的稳定性。

5.6 不适合用来做什么

有几种常见误用需要点明。不能用它评估病灶检出性能——数据不标注病变，也没有病灶的参考框。不能用它直接推演临床结局——伪影与漏诊之间的关系需要独立的临床研究。不能把它当作通用的图像质量模型训练集——七类伪影是内窥镜特有的，换到皮肤镜或眼底图像上，类别定义不成立。

§6 常见误读与引用陷阱

常见说法	实际口径	证据位置
训练集有 2,147 帧	终版比预印本多 45 帧，2,147 是预印本数字	论文正文与 arXiv v1 对照
测试集约 500 帧	论文给出的三个测试集分别是 195、122、51 帧	论文正文
训练帧都有像素掩码	只有 475 帧有掩码，且仅覆盖五类	论文正文
七类伪影都做分割	分割只做五类，模糊与对比度被排除	论文正文
有 31 支队伍参赛	论文记载 29 支队伍、9 个国家	论文正文
各类别标注互斥	同一位置允许多个类别标签叠加	论文正文
泛化集来自同一批机构	泛化集来自第六家机构，不在训练与测试中出现	论文正文
mAP 按常规 IoU 0.5 计算	正样本匹配阈值为 IoU ≥0.25	论文正文
只有检测和分割两个任务	另有样本外泛化子任务	论文正文

技术陷阱：类别计数不能直接相加。由于允许同一位置多标签，各类别的实例数之和大于唯一标注实例数。若用这个和去估算「平均每类多少样本」，会得到偏高的结果。

技术陷阱：测试集无法复算。隐藏测试集的参考标注不公开，任何声称复算了官方榜单分数的说法都需要检查其数据来源。可行的做法是自建划分并明确说明，而不是暗示与原榜单等价。

技术陷阱：帧级随机划分会高估性能。数据未提供患者标识与帧的时间位置，若直接按帧随机切分，同一段视频的相邻帧可能同时出现在训练与验证两侧，验证分数会明显偏高。稳妥做法是按来源机构分组切分，代价是各组样本量不一。

技术陷阱：检测框面积不等于伪影面积。框是矩形，伪影是不规则形状。用框面积估算伪影占比会系统性高估，尤其在细长的器械边缘上偏差最大。需要面积时应用掩码，或明确标注这是上界估计。

技术陷阱：类名 artefact 不是兜底类。广义伪影类有明确的构成（残留液体、血渍、碎屑等），不是「其他」的别名。把它当作剩余类别处理，会导致类内异质性进一步加剧，泛化表现更差。

技术陷阱：DOI 版本号。Mendeley Data 上存在 .1 与 .2 两个版本口径，论文的 Data availability 写 .2，挑战赛页面登记 .1。引用时应写明所用版本，避免审稿人核对时对不上。

技术陷阱：分数权重与召回偏好。检测的最终分数是 0.6·mAP 加 0.4·IoU，权重偏向召回。只报告 mAP 而不提权重，会让读者误以为排名完全由 mAP 决定。分割的分数同样是加权组合而非单一指标。

§7 在生态中的位置

7.1 与消化道内镜数据集的谱系关系

EAD2019 处在消化道内镜数据谱系的一个特殊位置：它不标疾病，只标妨碍观察的成分。这一位置使它与多数同类数据集形成互补而非竞争。

数据集	标注对象	与 EAD2019 的关系
HyperKvasir	消化道解剖标志与病变分类	同样来自多中心，但标注目标是发现
Kvasir-SEG	息肉像素掩码	分割任务形式相近，标注对象不同
Kvasir-Instrument	内镜器械像素掩码	与 EAD2019 的器械类直接对应
Kvasir-Capsule	胶囊内镜图像与异常	模态不同，含质量相关类别
GastroVision	内镜图像的检测与分类	标注体系不同，覆盖范围更广
EndoVis 系列	手术与内镜的器械、场景理解	器械类标注的思想来源之一

这种互补关系在流水线设计上有实际意义：先用伪影检测标出不可信区域，再用病灶检测找息肉，两步串联的效果通常好于直接用病灶检测硬扛受污染的画面。

7.2 与图像质量评估研究的关联

医学图像质量评估长期缺少带细粒度标注的公开数据。多数质量数据集只给一个总体分数，无法定位问题来源。EAD2019 的七类框标注与五类掩码，提供了从「这帧图不好」下沉到「哪一块不好、为什么不好」的能力。

这一能力对质量评估方法研究有直接价值：可以把七类伪影作为质量分数的可解释分量，检验各类伪影对下游任务的影响权重。论文本身没有做这项分析，但它留下的标注结构支持后续研究。

7.3 库内相关条目

若要在本库内扩展到相关主题，可参考以下条目：

• hyperkvasir（rid=693）：消化道内镜的病变分类与检测集合；
• kvasir-seg（rid=112）：息肉像素级分割；
• kvasir-instrument（rid=213）：内镜器械分割，对应器械类；
• kvasir-capsule（rid=123）：胶囊内镜，含图像质量相关标注；
• gastrovision（rid=203）：内镜图像检测与分类；
• endovis-challenges（rid=79）：内镜与手术场景理解挑战赛合集；
• polypdb（rid=779）、cvc-colondb（rid=142）、ldpolypvideo（rid=163）：息肉检出评测；
• wcebleedgen（rid=795）：胶囊内镜出血检测，与伪影和病灶的边界问题相关；
• gastroendonet（rid=780）、real-colon（rid=778）：内镜检测与真实结肠镜数据。

§8 总结

适用：需要在内窥镜图像中定位非组织元素的研究；构建图像质量分数或质控指标的项目；研究跨机构域偏移与样本外泛化的团队；需要框架级与像素级双口径标注做方法对比的工作。

不适用：病灶检出与分类的评测；需要患者级分组或时序信息的研究；大样本预训练；需要复算官方榜单分数的复现研究。

三句话概括：EAD2019 把内窥镜里挥之不去的七类干扰成分变成了可标注、可评测的任务；它的双任务设计对应实时提示与离线标注两种真实场景，评估口径的松紧差异是刻意的；使用它的主要约束不在数据质量，而在规模有限、掩码覆盖不全、测试集不可复算这三条。

§9 引用与复现要点

引用这份数据时，建议同时给出三个标识：数据集 DOI（Mendeley Data）、数据论文 DOI（Sci Rep 10:2748）、预印本编号（arXiv:1905.03209），并写明所用数据版本。若引用规模数字，用终版论文的数值；若引用赛事组织信息，可引挑战赛页面。

复现时最低应报告以下内容，否则分数无法与已有结果对齐：检测的正样本匹配阈值、分割的分数计算公式、训练/验证划分方式、是否使用了第六家机构的图像做任何形式的适应。这四项里前两项有官方定义，后两项由使用者自定，也是最容易被省略的部分。

§10 DAIMS 评估

DAIMS 是数据管理成熟度的评估框架，此处按六个维度对 EAD2019 做一次结构性评估，评的是公开材料的完备程度，不是数据科学价值的排序。

维度	评估	说明
数据完整性	中	三划分齐全、七类覆盖，但患者标识、时序位置与采集元数据缺失
可访问性	高	Mendeley Data 公开下载，无需申请；测试图像同样可取
可互操作性	中	框标注与掩码为通用形式，但缺少统一的元数据描述文件
可复用性	中高	类别定义清晰，配套工具齐备；掩码子集覆盖有限
可追溯性	高	数据 DOI、论文 DOI、预印本、挑战赛页面四条线可查
文档完备度	中	任务与指标说明充分，逐类样本量与机构分摊留白

这张评估里最值得注意的是「可追溯性」与「文档完备度」的落差。四条标识线都在，但文档对数据构成的描述粒度不够细——逐类样本量、机构分摊、患者数这些做分层分析必需的信息，正文都没有给出。

附录 A：关键数字速查

项目	数值
训练帧	见 §1 导语
掩码子集	475 帧 / 5 类
测试帧（检测/分割/泛化）	195 / 122 / 51
来源视频	近 125 段
来源机构	5 + 1
参赛队伍	29 队 / 9 国
提交数（检测/分割/泛化）	23 / 16 / 19
检测匹配阈值	IoU ≥ 0.25
检测分数	0.6·mAP + 0.4·IoU
分割分数	0.75·[0.5·(F1+J)] + 0.25·F2

附录 B：缩写表

缩写	全称	中文
EAD	Endoscopy Artefact Detection	内窥镜伪影检测
ISBI	IEEE International Symposium on Biomedical Imaging	IEEE 国际生物医学成像研讨会
mAP	mean Average Precision	平均精度均值
IoU	Intersection over Union	交并比
DSC	Dice Similarity Coefficient	Dice 相似系数
DAIMS	Data Management Maturity Assessment	数据管理成熟度评估

附录 C：一页检查清单

使用前对照以下条目，可避免多数常见错误：

1. 确认引用的是终版论文的规模数字，而非预印本或官网约数；
2. 分清完整训练集与 475 帧的分割子集；
3. 记住分割只有五类，模糊与对比度不在其中；
4. 检测指标按 IoU ≥0.25 计算，不要套用常规 0.5；
5. 划分验证集时避免同一视频的相邻帧跨界；
6. 不要声称复算了官方榜单，除非有隐藏测试标注；
7. 引用时写明数据版本号；
8. 使用框面积估算伪影占比时，明确这是上界估计。

编辑说明

核验时间：2026-10-18。核验方式：Sci Rep 终版全文（PMC7026422，DOI 10.1038/s41598-020-59413-5）本地比对；arXiv:1905.03209 v1 数字对照；Mendeley Data 数据页 DOI 登记核对；库内 slug 查重与 DB 比对；dedup_gate 单条复核（唯一命中为本次派发的池内状态 dispatched，非撞库）。

规模三口径存照（正文采用主口径）：

口径	训练帧	测试帧	分割标注
Sci Rep 终版（主）	见 §1 导语	195 / 122 / 51	475
官方挑战赛页面（约数）	约 2000	约 500	未单列
arXiv v1	2,147	未单列	未单列

参与者人数存照：论文原文为 29 teams from 9 countries and 4 continents；候选池与早期稿件中出现的 31 名参与者数字在论文中无对应表述，判为池内数据错误，正文按 29 队、9 国书写。

标注者人数存照：核验过程中出现两种表述——一处记为 3 名标注者，另一处记为 2 名博士后。两说未有定论，正文不含具体人数，仅表述为专家内镜医师参与类别定义与标注复核。

DOI 版本存照：Mendeley Data 上存在 10.17632/c7fjbxcgj9.1（候选池登记）与 10.17632/c7fjbxcgj9.2（论文 Data availability）两个口径，正文采用 .1 并注明存在 .2。

未覆盖内容：逐类伪影样本量、机构分摊比例、患者总数、帧频与采集元数据，论文正文均未披露，正文不推算、不估计。

版本日志：v1 2026-10-18 首稿。

下次复核建议：若 Mendeley Data 发布新版本或 arXiv 更新，重新核对规模数字与 DOI 版本。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• phakir — 共享标签：医学影像 / 内窥镜影像 / 目标检测 / 医学图像分割 / 挑战赛数据集
• giana — 共享标签：医学影像 / 内窥镜影像 / 医学图像分割 / 挑战赛数据集
• surgtoolloc-2022 — 共享标签：医学影像 / 内窥镜影像 / 目标检测 / 挑战赛数据集
• surgvu-2026 — 共享标签：医学影像 / 内窥镜影像 / 目标检测 / 挑战赛数据集
• etis-larib — 共享标签：医学影像 / 内窥镜影像 / 医学图像分割
• heart-lung-segmentations-data — 共享标签：医学影像 / 目标检测 / 医学图像分割
• dfuc-2024 — 共享标签：医学影像 / 目标检测 / 医学图像分割 / 挑战赛数据集
• lndb — 共享标签：医学影像 / 目标检测 / 医学图像分割 / 挑战赛数据集
• polypdb — 共享标签：医学影像 / 内窥镜影像 / 目标检测 / 医学图像分割
• glenda — 共享标签：医学影像 / 内窥镜影像 / 目标检测 / 医学图像分割

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。