信息速览
FetReg — 胎儿镜胎盘血管分割与配准 AI-Ready Wikipedia
INFOBOX
| 字段 | 内容 |
|---|---|
| 数据集名称 | FetReg（FetReg2021） |
| 英文全称 | Fetoscopic Placental Vessel Segmentation and Registration Challenge Dataset（官方仓储名：FetReg: Largescale Multi-centre Fetoscopy Placenta Dataset） |
| 别名/简称 | FetReg2021；FetReg challenge dataset |
| 疾病分类 | ICD-11 JA8A.0（双胎输血综合征 Twin-to-twin transfusion syndrome） |
| SNOMED CT | 13404009（Twin-to-twin transfusion syndrome） |
| 数据模态 | 体内胎儿镜白光手术视频帧（RGB 图像）+ 像素级语义掩膜 |
| AI 任务类型 | 语义分割（4 类胎盘场景）、视频帧配准/图像拼接（mosaicking） |
| 样本总数 | 24 例手术；2,718 张像素级标注帧 + 24 段未标注视频片段共 9,616 帧（合计 12,354 帧） |
| 数据大小 | 约 3.44 GB（官方 ZIP，含 MD5 校验） |
| 数据格式 | PNG（RGB 帧）+ PNG（单通道 mode L 掩膜，值域 {0, 1, 2, 3}） |
| 许可证 | CC BY-NC-SA 4.0（署名-非商业性使用-相同方式共享） |
| 访问级别 | 开放（无需注册，官方仓储直接下载） |
| DUO 标签 | NCU（非商业使用；由 CC BY-NC-SA 4.0 的 NC 条款对应） |
| 语言 | 英语（文档、标注类别与元数据） |
| 首发日期 | 2021-06（随 MICCAI 2021 EndoVis FetReg 挑战发布） |
| 最后更新 | 2025-11-05（UCL 研究数据仓储正式版 v1） |
| 发布机构 | University College London（UCL）等 8 家机构联盟 |
| 官方主页 | UCL Research Data Repository — FetReg |
| 下载地址 | FetReg2021_dataset.zip（约 3.44 GB） |
| DOI | 10.5522/04/30417166.v1 |
| 引用次数 | 28+（Semantic Scholar，截至 2026-09；arXiv 2021 数据论文 20 次 + MedIA 2024 挑战论文 8 次） |
| AI 就绪度评分 | ⭐⭐⭐⭐（4/5）— 有官方按视频的 train/test 划分与标准 PNG 格式；扣分项：官方未提供 DataLoader 级预处理脚本，小血管标注完整性存在学术争议（详见 §7.2） |
| 页面状态 | published |
§0 E-E-A-T 审核声明
- 医学审核者：千方病案医学编辑部交叉审核：§2 医学背景（TTTS 病理生理、ICD-11/SNOMED CT 双映射、胎儿镜激光光凝术临床流程）、§7 偏倚分析。
- 数据工程审核者：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
- 审核日期：2026-09-05
医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。
技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。
数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。FetReg 以 CC BY-NC-SA 4.0 许可开放下载：允许署名后的非商业使用与再共享，但衍生数据集必须继续以相同许可发布；使用数据发表学术成果时，官方要求同时引用 MedIA 2024 挑战发现论文与 arXiv 2021 数据描述论文。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。
§1 数据集概览
§1.0 📌 30 秒速览
这是什么？ FetReg2021 是医学影像领域首个大规模、多中心的胎儿镜胎盘场景公开数据集。它来自 MICCAI 2021 内镜视觉挑战赛（EndoVis）旗下的"Fetoscopic Placental Vessel Segmentation and Registration"挑战：24 例真实双胎输血综合征（TTTS）胎儿镜激光手术的 2,718 帧图像被逐像素标注为背景、胎盘血管、胎儿、消融器械 4 类，另有 24 段未标注视频片段共 9,616 帧专门用于帧间配准与视频拼接研究。
为什么重要？ 在 FetReg 出现之前，胎儿镜场景理解研究只能依赖几百帧规模的单中心小数据集（例如 483 帧的 6 例手术），算法的泛化能力无从谈起。FetReg 首次把两家欧洲胎儿医学中心、跨设备与跨光照条件的术中视频整合为统一基准，并公开了官方划分与挑战基线（分割聚合 mIoU 0.6763，配准 5 帧 SSIM 0.9348），让"手术视野扩展、血管导航增强"这条临床主线第一次有了可量化竞赛的公共赛道。
我能用它做什么？ 训练与评测胎盘血管语义分割模型（服务术中血管识别与决策支持）；开发长序列无漂移视频拼接算法（扩展胎儿镜约 30° 的狭窄视野）；研究跨中心域偏移与类不平衡问题；以及在遵守 CC BY-NC-SA 4.0 的前提下开展手术数据科学教学与复现实验。
§1.1 技术摘要
FetReg 数据集的构建流程为：在伦敦大学学院医院（UCLH，英国）与热那亚 Giannina Gaslini 医院（IGG，意大利）两家胎儿医学中心前瞻性采集 TTTS 胎儿镜激光光凝术的体内视频；按手术例为单位截取短片段（分割任务标注片段与未标注长片段平均 411 帧）；由 4 名研究员与 1 支具备临床背景的商业标注团队分层完成 4 类像素级标注，再经 2 名研究员校验、2 名胎儿医学专家签核；最终以单通道 PNG 掩膜（值域 {0, 1, 2, 3}）与 RGB 帧配对发布。官方按视频划分训练/测试（分割 18 例 2,060 帧/6 例 658 帧），测试集在挑战评审期间保持不可见。数据于 2021 年 6 月随 MICCAI 2021 EndoVis FetReg 挑战首次发布（Bano et al., 2021, arXiv:2106.05923），完整版本于 2025-11-05 以 v1 正式落地 UCL 研究数据仓储（DOI 10.5522/04/30417166.v1）。
§1.2 战略价值
维度一：临床稀缺场景的"从零到一"基准。 TTTS 是单绒毛膜双胎妊娠的严重并发症，影响约 10%–15% 的单绒毛膜双羊膜囊妊娠，若不治疗死亡率高达约 90%；胎儿镜激光光凝是首选治疗，但其手术视野狭窄、羊水浑浊、光照多变，术者需要 AI 辅助来扩展视野并识别血管吻合支。TTTS 的低发病率使系统性数据采集极为困难，FetReg 用"跨中心联盟 + 挑战赛众筹"的方式首次把该场景推过了基准可用性的门槛（Bano et al., 2024, Medical Image Analysis）。
维度二：双任务设计的研究杠杆。 同一份数据同时服务语义分割与帧间配准两个任务：分割掩膜既是血管识别的直接监督信号，也是基于分割引导的配准/拼接方法的中间表示。这使 FetReg 成为研究"分割-配准联合优化"“无真值配准评估”"长视频无漂移拼接"等前沿问题的天然实验床， challenge 中也首次系统性对比了 7 支队伍在这两个任务上的表现与失效模式。
§1.3 同类数据集横向对比
| 数据集 | 发布年份 | 规模 | 模态 | 标注 | 差异化特征 |
|---|---|---|---|---|---|
| FetReg2021（本条目） | 2021 | 24 例手术；2,718 标注帧 + 9,616 未标注帧 | 体内胎儿镜视频帧 | 4 类像素级（背景/血管/胎儿/器械） | 首个大规模多中心 TTTS 基准；双任务（分割+配准）；CC BY-NC-SA 4.0 |
| Bano et al. 2020 胎盘数据集 | 2020 | 6 例手术；483 帧 | 体内胎儿镜视频帧 | 血管二类像素级 | FetReg 前身，首个公开胎儿镜胎盘数据集 |
| IFM 分割数据集（Casella et al.） | 2020 | 6 例手术；900 帧 | 体内胎儿镜视频帧 | 胎儿间膜（IFM）二类像素级 | 面向术中早期定位参考结构，发布于 Zenodo |
| TTTSNet 重标注集（Płotka et al.） | 2024 | 18 例训练序列重标注 + 24 例外测序列（2,348 帧） | 体内胎儿镜视频帧 | 仅血管类（vessel-only） | 独立团队重标注，指出原版掩膜小血管遗漏；CC BY 4.0 |
| EndoVis 系列挑战数据（MICCAI） | 2015 起 | 各子挑战数十例至数百段 | 腹腔镜/机器人手术视频 | 器械分割/阶段识别等 | 同一挑战生态，任务与器官不同 |
读表要点：FetReg 是唯一同时具备多中心、双任务、含未标注长片段三项的胎儿镜数据集。Bano 2020 与 IFM 数据集可作为"方法预研→正式基准"的阶梯使用；TTTSNet 重标注则与原版掩膜构成"真值敏感性"对照，两者是互补而非竞争关系。若研究目标是跨模态/跨场景迁移，EndoVis 系列提供同生态的腹腔镜域，可作为域差距适中的中间迁移站。
§1.4 版本时间轴
| 时间 | 事件 | 说明 |
|---|---|---|
| 2021-06 | arXiv 数据描述论文与挑战数据首发 | arXiv:2106.05923；同期获《Computer Vision News》2021 年 6 月刊"本月挑战"报道 |
| 2021-09 | MICCAI 2021 EndoVis 现场评测 | 7 支队伍在 6 例不可见测试手术上完成分割与配准双任务评比 |
| 2022-06 | 挑战发现论文预印本 | arXiv:2206.12512；部分文献按预印本年份误称"FetReg2022" |
| 2024-02 | MedIA 正式发表挑战发现论文 | Medical Image Analysis, 92, 103066，含完整文献综述与基准分析 |
| 2025-11-05 | UCL RDR 完整版 v1 正式发布 | DOI 10.5522/04/30417166.v1；完整口径 2,718 标注帧 + 9,616 未标注帧，附官方 README 与 MD5 |
时间轴的使用提醒：文献检索时极易被"FetReg2021/FetReg2022"两个年份标签干扰——挑战与数据首发均为 2021 年，"2022"只是发现论文预印本的提交年份；引用数据集本体时，权威锚点是 UCL RDR 的 DOI（2025 归档 v1），而非任何一篇文章的年份。
§1.5 典型应用场景
- 术中胎盘血管语义分割：训练 U-Net/nnU-Net/Transformer 类分割网络，为术者实时高亮血管网络，服务吻合支识别与光凝决策支持。TTTSNet 已在该数据上验证实时可行性（172 帧/秒 @ A100），证明"分割结果进手术室"的技术链路成立；新算法在官方 6 例盲测上的表现直接对应临床可用性参考。
- 无漂移视频拼接（mosaicking）：利用未标注长片段（平均 411 帧）研究帧间配准与全景图扩展，突破胎儿镜单一狭窄视野的约束。挑战的官方分析明确指出非平面场景与弱纹理场景是当前方法的两大失效区，是直接可切入的研究缝隙。
- 跨中心域泛化研究：UCLHor（伦敦）与 IGG（热那亚）两中心各 12 例的均衡构成，天然构成域偏移实验设定；leave-one-center-out 协议可以量化模型对设备、光照与操作习惯变化的敏感度。
- 类不平衡与稀有结构分割教学：胎儿（1.46% 像素）与消融器械（1.35% 像素）是极稀缺类别，且在多数帧中完全缺席——这是讲授损失函数设计（逆频率加权、Focal 变体）、评价指标审视（空类指标膨胀）与分层评估的优质案例。
- 无真值配准评估方法学：配准任务不提供几何真值，挑战采用的 5 帧 SSIM 代理协议以及"基线/SANO 各有胜场"的定性结论，是研究"无参考质量评估""代理指标失效模式"的现成素材。
- 手术数据科学教学与复现训练：数据规模适中（约 3.44 GB）、格式标准（PNG 配对）、许可清晰（CC BY-NC-SA 4.0），配合本条目的加载代码与坑点清单，可作为研究生课程"从下载到基准复现"的完整实训项目。
§2 医学背景
§2.1 ICD-11 编码映射
| 数据集标注类别/场景 | ICD-11 编码 | ICD-11 中文名 | 备注 |
|---|---|---|---|
| 双胎输血综合征（核心疾病） | JA8A.0 | 双胎输血综合征（Twin-to-twin transfusion syndrome） | Orphanet ORPHA:95431 收录映射；ICD-10 对应 O43.0（胎盘输血综合征）/P02.3 |
| 胎盘血管吻合支（消融对象） | 无独立编码 | 归属 JA8A.0 病理生理 | 吻合支是 TTTS 的解剖学成因，非独立疾病实体 |
| 单绒毛膜多胎妊娠（背景状态） | JA80 | 单绒毛膜双胎妊娠 | TTTS 的发生前提 |
来源：Orphanet ORPHA:95431（ICD-11: JA8A.0；ICD-10: O43.0、P02.3）。编码映射供数据编目参考，临床编码请以当地编码规则为准。做数据编目时还应注意：ICD-10-CM 将 TTTS 细分至 O43.02（Fetus-to-fetus placental transfusion syndrome）并按孕期拆分子码，而 ICD-11 的 JA8A.0 为单一码目，两套体系的粒度不同，跨库映射时不得按码位对齐。
§2.1b SNOMED CT 映射
| 术语 | SNOMED CT 码 | 英文全称 | 说明 |
|---|---|---|---|
| 双胎输血综合征 | 13404009 | Twin-to-twin transfusion syndrome | MalaCards 与 Disease Ontology（DOID:13576）双重收录 |
| 胎儿间膜（术中定位参考） | 无通用独立概念码 | Inter-fetus membrane | 属术中解剖学操作概念，未见标准术语独立收录 |
| 胎儿镜检查 | 41878008 | Fetoscopy（检查操作概念族） | 术式在 SNOMED CT 操作/检查层级下收录，具体细目以本国临床扩展为准 |
来源：MalaCards TTTS 词条、Disease Ontology DOID:13576。胎儿镜相关操作概念存在层级差异，落地前请核对当前版 SNOMED CT。
§2.2 疾病简介与流行病学
双胎输血综合征（TTTS）发生于单绒毛膜双羊膜囊双胎妊娠：两个胎儿通过共享胎盘中的血管吻合支（anastomoses）形成不平衡的慢性血液转运，供血胎（donor）出现贫血、生长受限与羊水过少，受血胎（recipient）出现血容量过高、心功能不全与羊水过多。从病理生理看，绝大多数 TTTS 源于胎盘深部的动静脉吻合支：血液经动脉端流入吻合支、由静脉端单向回流至受血胎，而表浅的动动脉/静静脉吻合支本可提供双向代偿，其缺如使失衡持续累积，最终导致供血胎低血容量性休克与受血胎高容量性心衰（Bano et al., 2021）。
流行病学关键数字（Bano et al., 2021）：
- TTTS 影响约 10%–15% 的单绒毛膜双羊膜囊妊娠，通常在孕 16–26 周间显现；
- 若不治疗，报告死亡率约 90%；2004 年的随机对照试验证实胎儿镜激光消融优于系列羊水减量术，且脑室周围白质软化等神经系统并发症发生率更低；
- 实施激光治疗后，双胎总体生存率约 63%，至少一胎生存率可达 76%。
临床严重程度通常按 Quintero 分期（I–IV 期）评估：I 期为供血胎膀胱可见、血流动力学尚未失代偿；II 期为供血胎膀胱不可见；III 期出现多普勒血流异常（脐动脉舒张末期血流缺失/反向、静脉导管反流等）；IV 期出现任一胎儿水肿；V 期为任一胎儿死亡。分期越高，围产结局越差，也是多数胎儿医学中心决定是否积极行激光治疗的分层依据。FetReg 数据对应的手术贯穿上述各期的治疗窗口，术中视野同时覆盖正常胎盘表面与已凝固/待凝固的吻合支。
§2.3 临床任务定义
FetReg 服务的是 TTTS 胎儿镜激光光凝术（fetoscopic laser photocoagulation, FLP）中的术中场景理解任务，而非诊断分级。标准手术流程可概括为：在超声定位下经皮置入胎儿镜套管 → 在羊膜腔内寻找胎儿间膜以完成定位定向 → 系统性探查胎盘表面的血管吻合支 → 逐一激光凝固所有病理性吻合支（选择性或连续性消融策略）→ 复查确认无残留吻合支后撤镜。
- 手术目标：在胎儿镜直视下找到胎盘表面的病理性血管吻合支并用激光逐个凝固，从而中断双胎间异常输血；
- 手术痛点：视野约数十度且狭窄、胎儿镜机动性差、羊水浑浊与悬浮颗粒、光源强度变化、胎盘位置异常，这些因素导致手术时间延长与吻合支消融不完全，进而造成持续性 TTTS（Bano et al., 2021）；
- AI 任务对应：① 胎盘血管/胎儿/器械的语义分割——提供术中上下文感知与决策支持；② 帧间配准与视频拼接——把连续视野拼成大幅胎盘表面全景图，扩展有效视野并辅助导航。两者都直接作用于"找全吻合支、缩短手术时间"这一临床核心指标。
§2.4 患者人群构成
| 维度 | 构成 | 来源与说明 |
|---|---|---|
| 疾病 | 双胎输血综合征（TTTS），需行胎儿镜激光光凝术 | Bano et al., 2024 |
| 手术例数 | 24 例体内手术（中心 I：12 例；中心 II：12 例） | 两中心均衡分布 |
| 中心 | 英国伦敦 UCLH 胎儿医学单元（UCLHor）；意大利热那亚 Giannina Gaslini 医院（IGG） | 伦敦中心 12 例 + 热那亚中心 12 例 |
| 孕周 | 未逐例公开；TTTS 治疗窗口通常在孕 16–26 周前后 | 官方未发布逐例人口学表 |
| 年龄/性别/种族 | 数据为术中宫内视频帧，不含母亲或胎儿个体人口学元数据 | 官方仓储未提供该粒度信息 |
| 伦理 | 患者签署书面知情同意，同意手术视频用于研究；发布经 UCL 数据保护合规确认 | TTTSNet 论文与 UCL RDR 发布协议 |
人群表的关键提醒：FetReg 是"以手术为单位"的数据集，其分析单位是手术例而非患者人口学单元——所有 24 例都指向同一类临床人群（需行 FLP 的 TTTS 双胎妊娠母亲及其胎儿），不存在健康对照或多疾病分组。做人群亚组分析时，可用变量只有中心（2 值）、视频与帧序；任何涉及年龄、种族、孕周的亚组声明都超出了数据的承载能力。
§2.5 临床价值定位
对术者而言，分割模型高亮的血管网络直接降低"漏找吻合支"的风险，配准拼接的全景图则把约数十度的狭窄视野扩展为可回看的大幅胎盘地图，两者都指向同一临床终点：缩短手术时间、提高消融完全性、降低持续性 TTTS 复发率。对研究者而言，FetReg 把这一高价值但低资源场景从"各自持有私有数据、结果不可比"推进到"公共基准 + 不可见测试集"的可竞赛形态，是手术数据科学中稀缺病种数据共享的样板工程。
再往下游看，该数据集支撑的技术栈具有清晰的三段式转化路径：短期（分割）——术中血管增强显示，仅需显示级临床验证；中期（配准拼接）——胎盘全景图与残余吻合支回查，需与术者工作流整合验证；长期（场景理解）——与手术阶段识别、事件检测结合，形成术中小助手。MedIA 2024 综述对上述每一环都有系统性文献梳理，可作为转化路线图的起点。对 dataset 开发者而言，其"挑战赛众筹 + 不可见盲测 + 完整版延迟公开"的三段式发布节奏，也是稀缺病种数据集运营的可复制模板。
§2.6 金标准对照
| 属性 | FetReg 的金标准 | 说明 |
|---|---|---|
| 划分方式 | 按手术视频划分：分割任务 18 例训练 / 6 例测试 | 测试集在挑战期间对参赛者不可见 |
| 标注方式 | 人工像素级语义标注（单通道 PNG 掩膜） | 4 类：background / vessel / fetus / tool |
| 标注者 | 4 名研究员 + 1 支具临床背景的商业标注团队（17 视频），2 名研究员校验 | 最终由 2 名胎儿医学专家签核 |
| 一致性 | 每帧单人标注，无可计算的 inter-rater agreement | 分层流水线收敛为单一掩膜集合 |
| 标注性质 | 挑战评审期视为 gold standard | 后续独立团队对其小血管完整性提出修正（见 §7.2） |
与多数医疗 AI 数据集的金标准实践对照：FetReg 的"专家签核 + 盲测评审"双保险属于较高规格，但其"无重复标注"与后续"被独立修正"两点，恰好演示了当代医学影像基准的共同演化路径——金标准不再是一次性冻结的产物，而是随下游证据持续修订的版本化资产。使用者应把自己的实验结果锚定到具体真值版本，而非笼统的"FetReg 真值"。
§3 数据集规格
§3.0 版本抉择矩阵
| 你的需求 | 推荐版本 | 大小 | 理由 |
|---|---|---|---|
| 复现挑战基准/发表对照实验 | UCL RDR 官方 ZIP（v1） | 约 3.44 GB | 官方唯一完整包，含全部 2,718 标注帧 + 9,616 未标注帧与 README、MD5 |
| 快速搭建 PyTorch/Parquet 管线 | HuggingFace MedOtter/FetReg 镜像 | 与源数据逐字节一致 | 按视频组织的目录转为 Parquet 容器，逐字节复制无重编码，附带详细数据卡 |
| 只研究血管类、可接受独立标注 | TTTSNet 重标注（vessel-only） | 见其发布页 | 独立修正小血管遗漏，CC BY 4.0，但不可与原掩膜混用作真值 |
| 仅做教学演示 | 官方 ZIP 中任选单视频子目录 | 数十 MB 级 | 单视频目录即含帧+掩膜配对，解压后可独立运行 |
矩阵使用提示：无论选择哪个版本，实验记录中都应写明"来源渠道 + 掩膜版本 + 下载日期"，因为社区镜像与 TTTSNet 重标注的掩膜语义并不等价；三个版本的图像字节两两一致（镜像逐字节复制），差异全部在容器与标注层。
§3.1 模态详情
- 体内胎儿镜白光视频帧：来自 TTTS 激光光凝术的术中录像，覆盖胎盘表面、血管网络、胎儿肢体与消融器械交互等场景；
- 帧已预裁剪为正方形视野：沿胎儿镜光学视野裁剪，分辨率在 271–720 px 之间逐帧不一（HuggingFace 数据卡）；官方未随包发布视野（FOV）掩膜；
- 像素级语义掩膜：单通道 PNG（mode L），像素值域 {0, 1, 2, 3}，对应 4 个语义类别。
术中成像的典型退化因素及其对算法的影响：
| 退化因素 | 表现 | 对算法的影响 |
|---|---|---|
| 羊水浑浊 | 悬浮颗粒、雾状低对比 | 血管边界模糊，分割假阴性增加；配准特征点漂移 |
| 光照变化 | 光源强度与角度突变 | 同一血管跨帧外观不一致，强度配准失效 |
| 术式伪影 | 激光指示点、光纤/套管条带、反光斑 | 易被误分为血管或器械 |
| 视野受限 | 单帧仅见胎盘局部 | 需配准拼接才能建立全局血管地图 |
| 器械遮挡 | 套管与光纤占据画面 | 血管不完整，标注边界主观性强 |
§3.2 按子集样本数
| 子集 | 视频数 | 帧数 | 标注 | 官方用途 |
|---|---|---|---|---|
| 分割·train | 18 | 2,060 | 4 类像素掩膜 | 分割任务训练 |
| 分割·test | 6 | 658 | 4 类像素掩膜（挑战期不可见） | 分割任务评测 |
| 配准·train（未标注） | 18 | 7,411 | 无 | 配准/拼接方法开发 |
| 配准·test（未标注） | 6 | 2,225 | 无（无几何真值） | 配准任务代理指标评测 |
| 合计 | 24 | 12,354 | 2,718 张掩膜 | — |
拆分数字经 HuggingFace MedOtter/FetReg 数据卡核对，与挑战论文口径（2,060 + 658 = 2,718 标注帧）一致；24 段未标注片段共 9,616 帧与 UCL RDR 官方描述一致。
两点补充：其一，挑战论文描述训练侧短片段"平均长度 411 帧"，与拆分表数字自洽（7,411/18 ≈ 411）；其二，分割任务的 2,060 帧标注图像与 18 段未标注片段来自同一批 18 例训练手术，即同一手术的帧可能同时出现在"有掩膜"与"无掩膜"两个用途中，选择使用时需按任务路由而非按手术路由。
§3.3 数据格式
| 内容 | 格式 | 关键属性 |
|---|---|---|
| 视频帧 | PNG（RGB） | 预裁剪正方形，271–720 px |
| 语义掩膜 | PNG（单通道 mode L） | 值域 {0, 1, 2, 3}，与帧同名配对 |
| 官方整包 | ZIP（application/zip） | 约 3.44 GB，MD5 4d4592f58421a14e16fd8a6cb4c6c2ee |
| 官方说明 | 纯文本 README | Readme_FetReg2021.txt，含引用要求 |
| 社区镜像 | Parquet（HuggingFace Datasets） | 逐字节复制图像与掩膜，仅改容器并附元数据列 |
格式选择对工程的影响：PNG 无损保证掩膜值域不被压缩破坏（若遇到有损格式转存的衍生版本应弃用）；mode L 单通道使掩膜读入后无需降维，但需注意某些图像库会自动把 L 模式转为 P 模式调色板，读取时应显式断言 img.mode == "L"；社区镜像改用 Parquet 后单文件可流式读取，适合云端训练，但不再保留"按视频目录"的文件系统语义，做视频级分组时需依赖其元数据列。
§3.4 存储大小
UCL RDR 官方压缩包 FetReg2021_dataset.zip 为 3,442,719,949 字节（约 3.44 GB），另附 5,835 字节的 README 文本文件；两项合计约 3.44 GB（Figshare API 元数据）。解压后体积会因 PNG 逐文件存储而略增，建议预留 8–10 GB 磁盘空间。全量 uint8 载入内存约 4.3 GB，32 GB 内存的个人工作站即可完成全数据集级统计实验，无需云端集群。
§3.5 标注方式
人工像素级语义标注。每帧产出一幅与原图同尺寸的单通道掩膜：像素值 0–3 分别写入 4 个语义类别。标注对象包括胎盘血管网络（主体类别）、胎儿部分、消融器械以及其余背景区域。官方摘要明确标注类别为 “vessels, tool, fetus and background”（Bano et al., 2024）。
4 个语义类别的定义与标注含义：
| 类别 | 覆盖内容 | 标注含义 | 临床作用 |
|---|---|---|---|
| background | 羊水、胎盘表面非血管组织、悬浮颗粒等 | 除其余三类之外的一切像素 | 提供场景上下文，防止过度分割 |
| placental vessel | 胎盘表面血管网络（动脉/静脉/吻合支） | 核心目标类，血管主干与可辨识分支 | 术中血管地图、吻合支定位先验 |
| fetus | 胎儿肢体、躯干等可见部分 | 胎儿组织占据的像素 | 提示消融禁区，防止误伤 |
| ablation tool | 消融光纤/器械可见部分 | 器械占据的像素 | 器械跟踪、术者操作上下文 |
§3.6 标注者资质与一致性
标注采用分层流水线（HuggingFace 数据卡）：
- 初标：4 名研究员标注 7 个视频；1 支具备临床背景的商业标注团队标注 17 个视频；
- 校验：2 名研究员复核全部掩膜；
- 签核：2 名胎儿医学专家（UCLH/Gaslini 临床团队）最终确认。
需要注意：每帧仅由单一标注链路产出，不存在可计算的标注者间一致性（inter-rater agreement）；研究员团队与商业团队分别负责 7 与 17 个视频，两类标注者之间的系统差亦未被官方量化。后续独立研究（TTTSNet 团队）重标注后指出原掩膜"遗漏小胎盘血管、较大血管标注不完整"，该争议详见 §7.2。对使用者而言，上述三点共同意味着：该掩膜应视为"专家签核的强基线真值"，血管召回类研究必须附真值敏感性分析。
§3.7 采集周期
官方仓储与两篇论文均未逐例公布视频采集的起止日期，仅说明数据来自挑战发布前于 UCLH 与 IGG 两家中心完成的 24 例 TTTS 手术；数据于 2021 年 6 月首次随挑战公开，2025-11-05 在 UCL RDR 以 v1 版本正式归档。因官方未提供采集时间戳字段，本条目不虚构具体时间范围，时间相关信息请以官方 README 为准。对时间敏感的研究（如设备代际分析），只能以帧内伪影与分辨率聚类做间接推断，或联系作者团队获取授权粒度的采集记录。
§3.8 地域覆盖
- 英国伦敦：University College London Hospital 胎儿医学单元（Elizabeth Garrett Anderson Wing），数据卡中以中心 I / UCLHor 标识，贡献 12 例；
- 意大利热那亚：Istituto “Giannina Gaslini” 儿童医院胎儿与围产医学部，以中心 II / IGG 标识，贡献 12 例。
两中心各占 12 例的均衡构成是数据集"多中心"属性的核心，也为跨中心域泛化实验提供了天然的分组变量。
§3.9 设备规格
官方公开材料确认数据为体内胎儿镜白光成像（术中视频录制并抽帧），但未在公开论文或仓储页逐例披露胎儿镜型号、视场角、分辨率传感器参数等设备元数据。可从数据本身确认的成像特征：帧已沿光学视野预裁剪为正方形、尺寸 271–720 px 不等；画面存在光纤伪影、激光指示点与羊水悬浮颗粒等 FLP 术式特有退化（TTTSNet 论文为此设计了针对性增强）。从方法学文献可以补充的背景是：TTTS 胎儿镜普遍使用小口径硬性纤维镜，其图像常呈现桶形畸变、边缘暗角与光纤束网格纹理，为该数据设计去畸变或增强方案时应纳入考量，但 FetReg 发布包本身未附带畸变标定参数。设备级元数据缺失被本条目 DAIMS 评估记为缺口（见 §7.7 第 11 项）。
§3.10 深度溯源链
患者（TTTS 双胎妊娠，书面知情同意）→ 手术（UCLH/Gaslini 胎儿镜激光光凝术，体内视频录制）→ 视频（按手术例抽样短片段，平均 411 帧）→ 帧（预裁剪正方形 PNG，271–720 px）→ 掩膜（分层人工像素标注：研究员+商业团队→校验→2 名胎儿医学专家签核）→ 发布（MICCAI 2021 EndoVis 挑战首发 → UCL RDR v1 归档，DOI 10.5522/04/30417166.v1）。
机构与资助溯源：数据集由 8 家机构联合产出——UCL WEISS 与计算机系（算法与数据工程）、UCLH 胎儿医学单元（伦敦侧手术与临床签核）、Istituto Giannina Gaslini（热那亚侧手术）、Istituto Italiano di Tecnologia（先进机器人）、Politecnico di Milano 与 Scuola Superiore Sant’Anna（生物机器人与工程）、University Hospital Leuven（胎儿手术协作）、UCL EGA 妇女健康研究所（妇女健康研究）。资助链：Wellcome/EPSRC 资助的 WEISS 中心（203145Z/16/Z）、Wellcome（WT101957）、NIHR（NS/A000027/1）、Horizon 2020 FET Open（863146）及多项 EPSRC 基金；挑战运营获 NVIDIA、Medtronic、E4 Computing 赞助。每一步溯源均有公开文献或仓储元数据可查，构成完整的可审计链条。
§4 数据结构
§4.0 目录树
数据解压后按"视频为目录、帧+掩膜配对"组织（视频 ID 为 Video001–Video025，缺 Video021；以下为依据官方 README 与社区镜像数据卡还原的典型布局，具体目录名请以压缩包内 Readme_FetReg2021.txt 为准）：
FetReg2021_dataset/
├── Readme_FetReg2021.txt # 官方说明：引用要求、许可与结构说明
├── train/ # 分割任务训练侧（12,354 帧中的标注部分）
│ ├── Video001/
│ │ ├── images/ # RGB 帧（PNG，271-720 px 正方形）
│ │ └── masks/ # 语义掩膜（PNG mode L，值域 {0,1,2,3}）
│ ├── Video002/
│ ├── ...
│ └── Video025/ # 含中心 I（UCLHor）与中心 II（IGG）各若干例
├── test/ # 分割任务测试侧（挑战期不可见的 6 例 658 帧）
│ └── VideoXXX/
│ ├── images/
│ └── masks/
└── unlabeled/ # 配准任务片段（24 段，9,616 帧，无掩膜）
├── train/
│ └── VideoXXX/ # 18 段，7,411 帧
└── test/
└── VideoXXX/ # 6 段，2,225 帧
§4.1 DAIMS 字段字典
| 字段名 | 类型 | 说明 | 示例值 | AI 用途 | 观测误差/注意点 | 信息性缺失编码 | 取值范围 |
|---|---|---|---|---|---|---|---|
| video_id | 字符串 | 手术视频唯一标识，目录名 | Video003 |
视频级分组、跨中心分层 | 缺 Video021，ID 不连续 | 无 | Video001–Video025 |
| frame_index | 整数 | 帧在片段内的序号，文件名携带 | 0, 57, 410 |
时序建模、配准对 | 不同视频帧数不一（平均约 411 帧/片段） | 无 | 0 起，逐视频递增 |
| image | PNG RGB | 预裁剪正方形胎儿镜帧 | 271×271 … 720×720 |
分割/配准输入 | 含光纤伪影、激光点、悬浮颗粒 | 无 | 271–720 px |
| mask | PNG mode L | 像素级语义标签图 | 0=background 等四值图 |
分割监督、分割引导配准 | 单人标注；小血管完整性有学术争议 | 类缺席帧不产该值 | |
| center | 字符串 | 采集中心（依视频归属） | UCLHor / IGG |
域泛化、leave-one-center-out | 官方包未附独立元数据表，需按 README 对应 | 无 | 2 个中心 |
| split | 字符串 | 官方划分 | train / test |
复现挑战基准 | 配准侧 test 无标签 | 无 | 2 值 |
| task | 字符串 | 语义归属 | segmentation / registration |
双任务路由 | 标注帧同时可服务配准研究 | 无 | 2 值 |
| resolution | 整数对 | 帧宽高（宽=高） | (512, 512) |
批处理与缩放策略 | 尺寸逐帧不一，禁止按单一尺寸硬编码 | 无 | 271–720 px |
字段字典使用说明：本表为机器可读 schema 缺失情况下的重建版本——字段名以目录/文件名语义与官方 README 文字综合还原；
center与split两列在官方包中没有独立元数据文件，需按视频 ID 对照 README 归属。以本表为基础可一键生成 CSV/JSON 侧表，与帧目录 join 后即得到完整的"一行一帧"宽表。
§4.2 标签分布
| 类别 | 像素占比 | 出现帧数（共 2,718） | 备注 |
|---|---|---|---|
| background | 88.18% | 2,718（全部帧） | 羊水、胎盘表面非血管区等 |
| placental vessel | 9.01% | 2,691 | 分割任务主目标类 |
| fetus | 1.46% | 376 | 稀缺类；Video012 完全无 fetus |
| ablation tool | 1.35% | 901 | 稀缺类，多在器械入镜帧 |
分布数字与帧数统计来自 HuggingFace MedOtter/FetReg 数据卡对官方掩膜的逐像素统计。四类中 vessel 是临床核心目标，但其像素占比不足一成，且 fetus/tool 两类合计不足 3%——这是该数据集最重要的统计事实。
从机器学习视角解读该分布：有效前景占比约 11.8%（vessel+fetus+tool），意味着朴素训练下模型会强烈偏向背景预测；vessel 在 2,691/2,718 帧（99.0%）中出现，属于"高频稀疏"类——几乎每帧都有但像素稀薄，适合用边界敏感的损失；fetus（13.8% 帧）与 tool（33.1% 帧）属于"低频断续"类——大量整帧空类，指标设计必须与训练损失设计解耦考虑。若把"帧出现率"与"像素占比"混在一个指标里，会同时误判两类问题的严重程度。
§4.3 关键统计
- 视频与帧：24 段视频、12,354 帧；分割侧 2,718 帧全部带掩膜，配准侧 9,616 帧无标注；
- 分辨率：271–720 px 的正方形帧，需动态缩放或按批 group-by-size；
- 类覆盖：fetus 仅 376/2,718 帧（13.8%），tool 仅 901/2,718 帧（33.1%），意味着多数帧这三类为空；
- 中心均衡：UCLHor 与 IGG 各 12 例，训练/测试两侧均含两中心数据；
- 标注覆盖率：掩膜帧占全部帧的 22.0%（2,718/12,354），其余为配准任务的未标注帧——同一批手术、两种监督密度，是半监督/自监督研究的天然组合；
- 包体密度：约 3.44 GB 对应 12,354 帧 + 2,718 掩膜，平均每帧约 0.25 MB，个人工作站全量载入内存（uint8 约 4.3 GB）亦可行。
§4.4 数据层级
患者（TTTS 双胎妊娠）
└── 手术（24 例 fetoscopic laser photocoagulation）
└── 视频（24 段抽样片段，Video001–Video025，缺 Video021）
└── 帧（12,354 帧：2,718 标注 + 9,616 未标注）
└── 像素（4 类语义掩膜 {0,1,2,3}）
层级含义：同一手术视频内的帧高度相关（相邻帧近乎相同画面），任何"按帧随机划分"都会把近乎相同的画面同时塞进训练与测试集——这是 §5.3 泄漏讨论的核心。层级还决定了合法的分组变量优先级：患者 = 手术 = 视频（一对一），因此"按视频分组"同时满足了患者级与手术级隔离；反之，任何更低层级的分组（按帧段、按时间窗）都无法保证独立性。做元分析或跨数据集合并时，"手术例数"才是有效样本量的正确计量单位，而非帧数。
§4.5 缺失值与信息性缺失
| 情形 | 编码/表现 | 正确解读 |
|---|---|---|
| 帧中不存在 fetus | 掩膜全帧无值 2 | 类缺失是真实的解剖学缺席（该帧视野内确无胎儿部分），不是标注遗漏；但 Video012 全程无 fetus 属极端情形，评估该类时需按帧分组报告 |
| 帧中不存在 tool | 掩膜全帧无值 3 | 器械未入镜/已撤出，同为真实缺席 |
| 未标注视频片段 | unlabeled/ 目录无掩膜文件 |
设计如此：配准任务不提供掩膜，更不提供几何真值（无单应矩阵、无深度） |
| 视频号跳号 | 无 Video021 | ID 非连续属发布管理结果，非数据缺失 |
| 分辨率不一 | 271–720 px | 原始视野异构所致，预处理需统一处理而非默认统一尺寸 |
| 设备/孕周等元数据 | 官方包无独立元数据表 | 需从论文与 README 文字中还原；禁止在下游自行编造填充 |
与表格数据集不同，图像数据集的"缺失"主要体现为结构性缺席而非空单元格：本数据集不存在单帧标注残缺（每张标注帧都有完整掩膜），所有"缺失感"都来自任务设计（配准侧无标签）与解剖学事实（类缺席）。这意味着缺失值插补完全不适用，而"按分组统计类覆盖率"应成为每个分析流程的第一步。
§5 划分与使用建议
§5.1 官方划分
官方以手术视频为单位划分：分割任务 18 例（2,060 帧）训练、6 例（658 帧）测试；配准任务 18 段训练、6 段测试（测试侧无任何标注）。挑战评审期测试集不可见，7 支队伍在盲测集上提交结果（Bano et al., 2024）。复现挑战数字时必须严格沿用该划分与逐视频聚合口径。
划分的一个隐含优点是两侧都覆盖两中心（UCLHor 与 IGG 在 18/6 中均有分布），因此官方口径测得的成绩已含跨中心成分；这也意味着把测试视频再按中心拆开分析时，每侧样本极小（合计 6 例），结论只能作为定性线索而非统计断言。
§5.2 社区惯例与推荐策略
- 复现基准：直接使用官方 train/test，掩膜值域与聚合方式对齐挑战协议；论文写作时显式声明"官方 6 例盲测划分 + 视频级聚合"；
- 模型选择：在 18 例训练视频内部做按视频分组的 K 折交叉验证（如 6 折，每折约 3 例），禁止在帧层级切分；每折内若需验证集，再从折外视频抽 2–3 例，不要从折内抽帧；
- 跨中心验证：以 center（UCLHor/IGG）为分组变量做 leave-one-center-out，量化域偏移；该协议在 24 例规模下每次仅 12 例训练，结果方差大，建议与官方划分结果并列报告而非替代；
- 半监督扩展：9,616 帧未标注片段与 2,718 帧标注帧同源同分布，可用于伪标签/一致性正则实验，但未标注帧的验证必须仍按视频隔离；
- 小类研究：对 fetus/tool 类可按"是否含该类帧"做分层抽样，同时报告按帧与按像素两种聚合。
§5.3 泄漏风险（重点）
- 视频内帧间泄漏：胎儿镜视频相邻帧近乎静止，帧级随机划分会让测试帧的"孪生画面"出现在训练集，分割 mIoU 可虚高十个百分点以上——唯一正确做法是按视频（即按手术）划分；
- 患者级关联：同一患者仅对应一次手术，按视频划分即等价于按患者划分，无二次拆分需求；
- 增强泄漏：对训练帧做增强时切勿跨 split 共享统计量（如全局均值/方差应仅在训练侧计算）；
- 归一化泄漏：对整包 PNG 做全局直方图均衡或颜色归一化前，先按视频分组锁定参数，否则测试视频的风格信息会渗入训练侧；
- 重标注混用：TTTSNet 重标注与原版掩膜不可在同一次实验中分别充当训练与测试真值，否则等于"用答案的另一个版本考试"；
- 半监督泄漏：用未标注片段做自监督预训练时，若其视频与验证/测试视频同例同源，预训练特征也会"见过测试场景"——配准侧 train/test 与分割侧的划分需对齐核查。
§5.4 交叉验证建议
18 例训练视频规模下，推荐 6 折按视频分组 CV（每折 3 例，两中心分层），以折间均值±标准差报告类级 mIoU；对类级不稳定的小类（fetus/tool），建议同时输出"类可见帧子集"上的条件指标，避免空类稀释。折间方差本身就是重要信号：方差大说明模型对具体手术组合敏感，应优先增加数据增强与正则而非加宽网络。若算力受限，可退而求其次做 3 次重复的留出实验（每次随机换盲测侧 2 例），但结果强度弱于全量 6 折。
§5.5 外部验证建议
最强外部验证先例是 TTTSNet（Płotka et al., 2024）：在 FetReg 2,060 帧上训练，另建 6 中心、24 例手术、2,348 帧的多中心外部测试集评估。新方法建议至少对齐该协议之一：① 官方 6 例盲测视频；② 跨中心 leave-one-center-out；③ 独立中心采集的外部序列，并在论文中明确分割掩膜版本（原版/重标注）。若开展前瞻临床评估，还应记录设备型号与术者信息，补齐 FetReg 本身缺失的设备元数据维度。
§6 AI 就绪指南
§6.0 云端快速启动
官方整包约 3.44 GB，在 Colab/Kaggle 上可直接下载解压（无需任何注册或令牌）：
# Colab/Kaggle 快速启动：下载官方 ZIP 并校验 MD5（约 3.44 GB）
import subprocess, hashlib, pathlib
ZIP_URL = "https://ndownloader.figshare.com/files/58954894"
ZIP_MD5 = "4d4592f58421a14e16fd8a6cb4c6c2ee" # 官方 Figshare 元数据提供的校验值
zip_path = pathlib.Path("FetReg2021_dataset.zip")
if not zip_path.exists():
subprocess.run(["wget", "-q", ZIP_URL, "-O", str(zip_path)], check=True)
def md5sum(p: pathlib.Path, chunk: int = 1 << 22) -> str:
h = hashlib.md5()
with open(p, "rb") as f:
while blk := f.read(chunk):
h.update(blk)
return h.hexdigest()
assert md5sum(zip_path) == ZIP_MD5, "MD5 mismatch: re-download required"
subprocess.run(["unzip", "-q", str(zip_path), "-d", "fetreg_root"], check=True)
云端注意事项：官方 ZIP 由 Figshare CDN 分发，Colab 免费档下载约 3.44 GB 通常在 2–5 分钟内完成；Kaggle 环境建议把解压后的目录挂到 /kaggle/working 之外的持久化路径，避免每会话重复下载；若带宽受限，可先只解压单视频子目录（unzip FetReg2021_dataset.zip "FetReg2021_dataset/train/Video001/*"）跑通流程，再全量解压。
§6.1 快速上手
代码约定（务必先读注释）：data_root 指解压目录 fetreg_root；官方包按"视频目录 → images/masks 子目录"组织，视频 ID 为 Video001–Video025（缺 Video021）；最小可用子集是任意单个视频目录（帧+掩膜配对齐全，数十 MB）。以下代码扫描全部标注帧并统计类分布：
# data_root 需指向解压后的根目录；目录名以包内 Readme_FetReg2021.txt 为准，
# 若实际层级不同，仅需调整下面 _iter_pairs() 中的 glob 模式即可。
from pathlib import Path
import numpy as np
from PIL import Image
def _iter_pairs(data_root: str):
"""产出 (image_path, mask_path, video_id)。官方为逐视频目录、images/masks 配对。"""
root = Path(data_root)
for mask_path in sorted(root.rglob("*.png")):
if "mask" in mask_path.parent.name.lower(): # 掩膜目录
img_path = mask_path.parent.parent / "images" / mask_path.name
if img_path.exists():
yield img_path, mask_path, mask_path.parent.parent.name
def quick_probe(data_root: str):
counts = np.zeros(4, dtype=np.int64) # 值域 {0,1,2,3}
sizes = []
n = 0
for img_p, mask_p, vid in _iter_pairs(data_root):
mask = np.array(Image.open(mask_p))
counts += np.bincount(mask.ravel(), minlength=4)[:4]
sizes.append(Image.open(img_p).size)
n += 1
print(f"frames={n}, pixel share={np.round(counts / counts.sum() * 100, 2)}")
print(f"resolution span: {min(s[0] for s in sizes)}-{max(s[0] for s in sizes)} px")
quick_probe("fetreg_root") # 预期：frames=2,718，vessel≈9%，fetus/tool 各≈1.4%
§6.2 数据获取
| 渠道 | 内容 | 大小 | 访问方式 | 备注 |
|---|---|---|---|---|
| UCL RDR（官方） | FetReg2021_dataset.zip + README | 约 3.44 GB | 无需注册，页面直接下载 | DOI 10.5522/04/30417166.v1，附 MD5 |
| Figshare ndownloader | 同官方 ZIP 的直链 | 约 3.44 GB | HTTP 直链 | 适合脚本化 wget/curl |
| HuggingFace MedOtter/FetReg | Parquet 容器社区镜像 | 与源逐字节一致 | datasets.load_dataset |
附详细数据卡与类统计 |
| TTTSNet 重标注 | 18 训练序列 vessel-only 修正掩膜 | 见仓库 | GitHub 公开 | CC BY 4.0，与原掩膜非同一标注 |
# 命令行获取（脚本化）
wget -c https://ndownloader.figshare.com/files/58954894 -O FetReg2021_dataset.zip
md5sum FetReg2021_dataset.zip # 期望：4d4592f58421a14e16fd8a6cb4c6c2ee
unzip -q FetReg2021_dataset.zip -d fetreg_root
获取流程要点：官方渠道无需注册、无需申请、无需签署协议，下载即受 CC BY-NC-SA 4.0 约束——这在该级别的医疗手术数据中相当难得（对比 PhysioNet 类凭证化访问）。唯一要执行的"流程"是引用义务：论文或报告中使用数据时同时引用 MedIA 2024 与 arXiv 2021 两篇论文。若下载中断，wget -c 支持断点续传，完成后务必以 MD5 验证完整性再解压。
§6.3 预处理全流程
三个关键决策：掩膜缩放必须用最近邻插值（双线性会制造 0–3 之间的非法灰度值）；分辨率异构（271–720 px）需统一到模型输入尺寸并保留原始尺寸用于还原评估；类不平衡（vessel 9%、fetus/tool 各约 1.4%）建议用类加权损失而非过采样（过采样会放大相邻帧冗余）。
在这三个决策之前，还应有一道合法性体检：下载解压后立即验证掩膜值域、配对完整性与包体一致性，任何非法值都意味着拿错了文件或解压损坏：
# 解压后的完整性体检：值域、配对、规模三道闸
import numpy as np
from pathlib import Path
from PIL import Image
def sanity_check(data_root: str, expect_labeled: int = 2718):
root = Path(data_root)
pairs, bad_values, bad_mode = 0, [], []
for mask_path in root.rglob("*.png"):
if "mask" not in mask_path.parent.name.lower():
continue
m = Image.open(mask_path)
if m.mode != "L": # 闸 1：掩膜必须是单通道 L 模式
bad_mode.append(str(mask_path))
u = np.unique(np.array(m))
if not np.isin(u, [0, 1, 2, 3]).all(): # 闸 2：值域只能有 {0,1,2,3}
bad_values.append(str(mask_path))
pairs += 1
assert pairs == expect_labeled, f"mask count {pairs} != {expect_labeled}" # 闸 3：规模
assert not bad_mode and not bad_values, f"mode={bad_mode[:3]} value={bad_values[:3]}"
print(f"sanity OK: {pairs} labeled pairs")
sanity_check("fetreg_root") # 预期输出：sanity OK: 2718 labeled pairs
体检通过后，进入标准的"格式转换→清洗→标准化→增强"四步：格式转换即 §6.1 的张量化（图像双线性、掩膜最近邻）；清洗在本数据集上工作量很小（无损坏帧报告，重点是剔除无法配对的孤立文件）；标准化建议使用 ImageNet 均值方差或训练侧实算统计量，不要跨 split 计算；增强策略见 §6.6 的安全/危险清单。
import numpy as np
import torch
import torch.nn.functional as F
from PIL import Image
IMAGE_SIZE = 512 # 统一输入尺寸；掩膜同步缩放
def load_pair(img_path, mask_path):
img = Image.open(img_path).convert("RGB")
mask = Image.open(mask_path) # mode L，值域 {0,1,2,3}
return img, mask
def resize_pair(img, mask, size=IMAGE_SIZE):
img = img.resize((size, size), Image.BILINEAR) # 图像：双线性
mask = mask.resize((size, size), Image.NEAREST) # 掩膜：必须最近邻！
return img, mask
def to_tensor(img, mask):
x = torch.from_numpy(np.array(img)).permute(2, 0, 1).float() / 255.0
y = torch.from_numpy(np.array(mask)).long() # 保持 {0,1,2,3} 整型
return x, y
# 类频率加权（在训练侧统计，切勿混入测试视频）
def class_weights(masks_iter, n_classes=4):
freq = torch.zeros(n_classes, dtype=torch.float64)
for m in masks_iter:
freq += torch.bincount(m.ravel().long(), minlength=n_classes).double()
freq /= freq.sum()
w = 1.0 / (freq + 1e-6) # 逆频率权重
return (w / w.sum() * n_classes).float() # 归一化便于稳定训练
§6.4 PyTorch DataLoader 完整实现
<details>
<summary>点击展开完整 Dataset + DataLoader 代码（约 70 行）</summary>
# 目录结构预期：data_root/<split>/<VideoXXX>/images/*.png 与 masks/*.png 一一同名配对；
# data_root 拼接关系：每个样本路径 = data_root / split / video_id / 子目录 / 文件名；
# 最小可用子集：任取一个视频目录即可跑通本类。
from pathlib import Path
import numpy as np
import torch
from torch.utils.data import Dataset, DataLoader
from PIL import Image
class FetRegSegDataset(Dataset):
"""FetReg 分割任务数据集：按视频目录组织，帧+掩膜同名配对。"""
def __init__(self, data_root: str, split: str = "train",
image_size: int = 512, augment: bool = False):
self.root = Path(data_root) / split
self.image_size = image_size
self.augment = augment
self.samples = [] # [(img_path, mask_path, video_id)]
for vid_dir in sorted(p for p in self.root.iterdir() if p.is_dir()):
img_dir, mask_dir = vid_dir / "images", vid_dir / "masks"
for img_path in sorted(img_dir.glob("*.png")):
mask_path = mask_dir / img_path.name
if mask_path.exists():
self.samples.append((img_path, mask_path, vid_dir.name))
def __len__(self):
return len(self.samples)
def _augment(self, img_t: torch.Tensor, msk_t: torch.Tensor):
if torch.rand(1).item() < 0.5:
img_t = torch.flip(img_t, dims=[-1]) # 水平翻转（图像+掩膜同步）
msk_t = torch.flip(msk_t, dims=[-1])
if torch.rand(1).item() < 0.5: # 亮度/对比度抖动（模拟光照变化）
img_t = img_t * (0.8 + 0.4 * torch.rand(1).item())
return img_t, msk_t
def __getitem__(self, idx):
img_p, mask_p, vid = self.samples[idx]
img = Image.open(img_p).convert("RGB")
mask = Image.open(mask_p) # mode L
img = img.resize((self.image_size,) * 2, Image.BILINEAR)
mask = mask.resize((self.image_size,) * 2, Image.NEAREST) # 掩膜最近邻
img_t = torch.from_numpy(np.array(img)).permute(2, 0, 1).float() / 255.0
msk_t = torch.from_numpy(np.array(mask)).long()
if self.augment:
img_t, msk_t = self._augment(img_t, msk_t)
return {"image": img_t, "mask": msk_t, "video_id": vid, "index": idx}
# 实例化：split ∈ {"train", "test"}；num_workers 按机器调整
train_set = FetRegSegDataset("fetreg_root", split="train", augment=True)
train_loader = DataLoader(train_set, batch_size=8, shuffle=True,
num_workers=4, pin_memory=True, drop_last=True)
batch = next(iter(train_loader))
print(batch["image"].shape, batch["mask"].shape, batch["mask"].unique())
# 预期：torch.Size([8, 3, 512, 512]) torch.Size([8, 512, 512]) tensor([0,1,2,3])
</details>
§6.5 坑点 8 个
⚠️ 坑点 1：帧级随机划分造成视频内泄漏（分类：数据泄漏）
问题：胎儿镜视频相邻帧近乎静止，若在帧层级随机划分 train/val/test，测试帧的"孪生画面"早已在训练集中出现过，模型只需记忆即可得高分，所有指标严重虚高。
症状：随机帧级划分的 mIoU 远高于官方视频级划分的复现结果；验证损失波动极小；换到跨视频场景指标断崖式下跌。
解决：
- 简单方法：始终按视频目录聚合划分（官方即 18/6 视频划分），任何自定义 split 用
set(video_ids)做分组断言；- 进阶方法：训练内部调参用按视频分组的 K 折 CV，每折以中心（UCLHor/IGG）分层：
from sklearn.model_selection import GroupKFold vids = [f"Video{i:03d}" for i in range(1, 26) if i != 21] groups = [c for v, c in zip(vids, center_of(vids))] # 中心标签做分层 gkf = GroupKFold(n_splits=6) # 按视频分组，禁止帧级切分
- SOTA 方法：直接采用官方盲测 6 例做终评，并附加 leave-one-center-out 报告跨中心指标（TTTSNet 采用了 6 中心外部集的更严格版本）。
参考：Bano et al., 2024, MedIA；HuggingFace MedOtter/FetReg 数据卡
⚠️ 坑点 2：类不平衡下"正确空类"的指标膨胀（分类：评估误用）
问题：fetus 与 tool 各只占约 1.4% 像素、且仅在少数帧出现（fetus 376/2,718 帧、tool 901/2,718 帧）。若在全部帧上不加区分地求类级 IoU，"全图预测为背景"就能在大量空类帧上白拿满分。
症状：fetus/tool 的类级 IoU 高得反常；把指标换成"仅在该类可见帧上计算"后数值骤降；不同论文间同类指标不可比。
解决：
- 简单方法：类级 IoU 分两条口径报告——全帧聚合（与挑战可比）与类可见帧条件聚合（反映真实能力）；
- 进阶方法：视频级聚合（先逐视频求 IoU 再平均），与挑战协议对齐，同时用宏平均防止背景主导：
def per_video_miou(preds_by_video): ious = {vid: class_ious(p, g) for vid, (p, g) in preds_by_video.items()} per_class = torch.stack([torch.tensor(v) for v in ious.values()]).mean(0) return per_class, per_class[1:].mean() # 排除背景的宏平均
- SOTA 方法：仿 TTTSNet 拆出"细小血管子集"专项指标（tiny vessel mIoU），直接度量小结构召回而非被占比稀释的均值。
参考：Płotka et al., 2024, MedIA（TTTSNet）
⚠️ 坑点 3：掩膜值域 {0,1,2,3} 与类名映射凭猜测写死（分类：标签理解）
问题：掩膜是单通道 PNG、值域 {0,1,2,3}，但不少下游代码按"直觉顺序"或从其他数据集复制的 colormap 写类映射，导致 vessel/tool/fetus 互相错位，损失权重与可视化全部失真。
症状：可视化掩膜颜色与论文图示对不上；加权损失里"最稀缺类"拿到的不是最小权重；用 colormap 反色后血管被标成器械。
解决：
- 简单方法：训练前用官方 README/发布说明核对 0–3 与 background/vessel/fetus/tool 的对应关系，并打印
np.unique(mask)与频次自查；- 进阶方法：以逐像素频次交叉验证映射合理性（vessel ≈ 9% 像素、fetus ≈ 1.46%、tool ≈ 1.35%，若映射正确频次应与官方统计同数量级）；
- SOTA 方法：把映射与 colormap 集中到单一配置常量并在 DataLoader 中做断言校验，任何映射变更只需改一处。
参考：UCL RDR 官方 README（Readme_FetReg2021.txt）
⚠️ 坑点 4：原版掩膜小血管遗漏——跨标注体系比较失真（分类：偏倚陷阱）
问题：TTTSNet 团队（Płotka 等）重新标注了 FetReg 的 18 个训练手术序列，明确指出原掩膜"遗漏小胎盘血管、较大血管标注不完整"。把原版掩膜当完美真值去评价以"血管召回"为核心的方法，会系统性错罚真正能找到细血管的模型。
症状：高召回模型 vessel IoU 反而低于保守模型；换用重标注后模型排名变化；两套真值上的指标差异远超随机波动。
解决：
- 简单方法：选定一套掩膜（原版或 TTTSNet 重标注）并全文固定，论文中显式声明版本；
- 进阶方法：做真值敏感性分析——同一模型分别在两套掩膜上评估，报告指标漂移；
- SOTA 方法：对血管类增加基于距离容差的边界指标（如容差 Hamming/边界 F 值），弱化单像素级标注差异的影响。
参考：Płotka et al., 2024, MedIA（TTTSNet）；HuggingFace 数据卡的标注争议章节
⚠️ 坑点 5：两中心域偏移——混合评测掩盖泛化短板（分类：偏倚陷阱）
问题：数据来自 UCLHor（伦敦）与 IGG（热那亚）两中心，设备、光照与操作习惯存在系统性差异。只报告混合测试集均值时，中心内的高分可以掩盖另一中心的失效，挑战中"没有任何一支队伍在全部 6 个测试视频上领先"正是该现象的官方证据。
症状：整体 mIoU 尚可但逐视频指标方差巨大；模型在某一中心视频上系统性失效（如光照暗、羊水浑浊序列）；跨中心训练与单中心训练差异远超预期。
解决：
- 简单方法：所有评测按中心分列报告（两列 mIoU + 逐视频明细）；
- 进阶方法：leave-one-center-out 协议——用 12 例中心 A 训练、12 例中心 B 测试并轮换，量化域偏移幅度；
- SOTA 方法：引入域自适应/域泛化组件（风格扰动、中心留出元学习），并以跨中心增量作为消融证据；预处理阶段仿 TTTSNet 模拟激光点、羊水颗粒、光纤伪影等术式退化增强鲁棒性。
参考：Bano et al., 2024, MedIA；Płotka et al., 2024, MedIA
⚠️ 坑点 6：配准任务没有真值——SSIM 代理协议易被误读（分类：评估误用）
问题：任务 2（帧配准/拼接）不提供任何几何真值（无单应矩阵、无掩膜辅助），挑战采用"平均 5 帧 SSIM"作为代理指标。SSIM 衡量的是拼接图的视觉一致性而非几何正确性，某些平滑或近似恒定的映射可获得虚高分数。
症状：拼接图肉眼明显漂移但 SSIM 依旧很高；"基线更好 vs SANO 平面场景更好"这类结论与主观质量评估冲突；不同论文的 SSIM 完全不可比。
解决：
- 简单方法：SSIM 之外补充血管掩膜引导的一致性检查（分割网络对拼接图的预测稳定度）；
- 进阶方法：对有血管结构的帧对，用检测的关键点/血管分叉点估算几何一致性代理（如特征重投影误差），并与 SSIM 交叉验证；
- SOTA 方法：在合成序列（对已有帧施加已知单应扰动）上标定算法的真实几何误差，再在 FetReg 实拍数据上只报 SSIM 相对排序。
参考：Bano et al., 2024, MedIA；Bano et al., 2021, arXiv:2106.05923
⚠️ 坑点 7：预裁剪方形视野 + 271–720 px 异构分辨率的插值陷阱（分类：预处理陷阱）
问题：所有帧已沿胎儿镜视野预裁剪为正方形但分辨率不一（271–720 px），且官方不附带视野（FOV）掩膜。把掩膜随图像一起用双线性插值缩放会在 0–3 之间生成非法标签；忽略尺寸异构按固定 batch 形状硬堆张量会直接报错；把小图暴力上采样则会进一步模糊细血管。
症状：训练报expected scalar type Long或 batch 堆叠维度错误；掩膜可视化出现"中间灰度"；小分辨率序列的血管类 IoU 异常偏低。
解决：
- 简单方法：统一缩放到固定尺寸（如 512×512），图像双线性、掩膜最近邻，并保留原始尺寸用于还原评估；
- 进阶方法：按尺寸分桶组 batch（group-by-size sampler），减少小图的过度上采样；评估阶段先还原到原始分辨率再算指标；
- SOTA 方法：多尺度训练（随机从 {271, 384, 512, 720} 抽取目标尺寸），并以细血管子集指标监控上采样损失。
参考：HuggingFace MedOtter/FetReg 数据卡（FOV 与分辨率说明）
⚠️ 坑点 8：CC BY-NC-SA 许可传染与官方链接失效（分类：工程陷阱）
问题：数据集为 CC BY-NC-SA 4.0——非商业 + 相同方式共享。把它与其他许可数据混训并发布衍生数据集时，若混入了更严格/更宽松许可却以"原样"发布，或用于商业产品，都会构成许可违约。同时，早年论文与 Synapse 页面引用的 WEISS 开放数据页、fetreg2021.grand-challenge.org 等旧链接已失效或重定向，按论文链接找数据会一无所获。
症状：下载 404 或跳转到 UCL Hawkes Institute 旧页；团队把含 FetReg 帧的衍生数据集标成 MIT/CC BY 发布；公司项目直接调用数据被法务叫停。
解决：
- 简单方法：一切下载走现行权威入口——UCL RDR（DOI 10.5522/04/30417166.v1）与 Figshare ndownloader 直链，旧链接一律视为失效；
- 进阶方法：发布任何衍生数据/模型时保留 CC BY-NC-SA 4.0 并附官方引用（MedIA 2024 + arXiv 2021 双引用是官方明确要求）；
- SOTA 方法：在组织内部建立数据许可台账，把 NC（非商业）与 SA（相同方式共享）作为下游模型的继承约束写入发布流水线检查项。
参考：CC BY-NC-SA 4.0 许可全文；UCL RDR 官方页
§6.6 数据增强建议
| 类别 | 具体操作 | 依据/风险说明 |
|---|---|---|
| ✅ 安全 | 亮度/对比度抖动、轻微色温扰动 | 模拟"光照变化"这一官方声明的核心手术退化 |
| ✅ 安全 | 高斯模糊/轻度散焦 | 模拟羊水浑浊导致的可见性下降 |
| ✅ 安全 | 模拟术式伪影（激光指示点、羊水悬浮颗粒、光纤/套管条带） | TTTSNet 已验证此类合成增强显著提升泛化（Płotka et al., 2024） |
| ✅ 安全 | 水平翻转（图像与掩膜同步） | 胎盘场景无手性约束 |
| ❌ 危险 | 掩膜使用双线性/面积插值 | 会在 {0,1,2,3} 间产生非法标签，训练即崩坏 |
| ❌ 危险 | 大角度旋转/剪切（插值扭曲血管拓扑） | 细血管宽度仅数像素，几何形变直接改变标注语义 |
| ❌ 危险 | 弹性形变 | 同上，且破坏血管连续性先验 |
| ❌ 危险 | 帧级过采样式重平衡 | 相邻帧高度冗余，过采样放大泄漏风险；应改用类加权损失 |
增强强度经验值：本数据集术式伪影丰富，模拟类增强（激光点/颗粒/光纤条带）建议在训练前期以 30%–50% 概率施加，后期衰减；颜色类增强幅度控制在 ±20% 内即可覆盖两中心光照差异，过强的颜色扰动反而会让低对比血管特征失真。任何增强都应在 DataLoader 内逐样本应用，绝不允许对全数据集离线增强后存储（会同时引入泄漏与存储膨胀）。
§6.7 模型推荐
| 模型 | 任务适配 | 参考性能 | 适用建议 |
|---|---|---|---|
| U-Net / nnU-Net | 分割 | 挑战官方基线族即 U-Net 系；聚合 mIoU 0.6763 | 首选基线，小数据友好 |
| TransUNet / Swin-UNet 变体 | 分割 | VM-SwinUNet 报告优于既有 SOTA（2025） | 需要全局上下文时 |
| TTTSNet（通道注意力 + 多尺度融合） | 实时分割 | vessel mIoU 78.26%，172 FPS @ A100 | 追求实时与细血管召回 |
| 分割引导的强度配准（mask-prior RAFT/光流） | 配准/拼接 | 挑战基线 5 帧 SSIM 0.9348 | 分割图作为配准先验 |
| 学习型形变场（VoxelMorph 风格 2D 化） | 配准/拼接 | 挑战中学习型方法对弱纹理场景易失效 | 需注意同质视野失效模式 |
选型顺序建议：分割从 U-Net 基线起步 → 确认数据管线无误后升级注意力/Transformer 架构 → 最后对照 TTTSNet 的实时化工程；配准则建议先实现传统强度配准摸清失效场景，再引入学习型组件，两条路线都要在官方盲测集上留证。
§6.8 硬件需求
| 场景 | GPU 显存 | 说明 |
|---|---|---|
| 512×512、batch 8 训练 U-Net 系 | ≥ 8 GB | 单卡 3090/4090 即可完整复现基线量级 |
| Transformer 系（Swin-UNet 等） | ≥ 16 GB | 注意力显存开销随分辨率平方增长 |
| 实时推理复现（TTTSNet 量级） | ≥ 8 GB + TensorRT 可选 | 论文基准：172 FPS @ A100、152 FPS @ Clara AGX |
| 配准/拼接长序列 | ≥ 16 GB | 需缓存多帧特征与内存平面 |
显存估算是按 512×512 输入与主流架构给出的保守值；若改用 720×720 原生尺寸训练，显存需求约翻倍，建议优先采用 512×512 + 多尺度增强的组合而非全尺寸训练——官方分辨率本就异构，全尺寸并不能带来对应的精度收益。
§6.9 评估指标代码
import torch
CONF = 4 # 类别数
def confusion(pred: torch.Tensor, gt: torch.Tensor):
"""pred/gt: [H,W] long，值域 {0,1,2,3}。返回 4x4 混淆矩阵。"""
idx = gt * CONF + pred
return torch.bincount(idx.ravel(), minlength=CONF * CONF).reshape(CONF, CONF).float()
def class_iou_from_cm(cm: torch.Tensor):
inter = cm.diag()
union = cm.sum(0) + cm.sum(1) - cm.diag()
return inter / union.clamp(min=1) # [4]，空类为 0
def evaluate_split(preds, gts, video_ids):
"""与挑战协议对齐：先逐视频聚合混淆矩阵，再求类级 IoU 与宏平均。
preds/gts: list of [H,W] long；video_ids: list[str] 用于分组聚合。"""
cm_by_video = {}
for p, g, v in zip(preds, gts, video_ids):
cm_by_video[v] = cm_by_video.get(v, torch.zeros(CONF, CONF)) + confusion(p, g)
cm = torch.stack(list(cm_by_video.values())).sum(0) # 视频级聚合后求和
iou = class_iou_from_cm(cm)
return {"class_iou": iou.tolist(),
"vessel_iou": iou[1].item(),
"agg_miou": iou[1:].mean().item()} # 挑战口径：含背景的聚合见论文表
def msssim_like_5frame(mosaic: torch.Tensor, ref: torch.Tensor) -> float:
"""配准任务代理指标的简化实现：对拼接图与参考视图计算 SSIM（灰度域）。
mosaic/ref: [1,3,H,W] float 0-1。注意：SSIM 是无真值代理指标，仅具排序意义。"""
import torch.nn.functional as F
def _gray(x):
w = torch.tensor([0.299, 0.587, 0.114]).view(1, 3, 1, 1)
return (x * w).sum(1, keepdim=True)
g1, g2 = _gray(mosaic), _gray(ref)
mu1 = F.avg_pool2d(g1, 7, 1, 3); mu2 = F.avg_pool2d(g2, 7, 1, 3)
s1 = F.avg_pool2d(g1 * g1, 7, 1, 3) - mu1 ** 2
s2 = F.avg_pool2d(g2 * g2, 7, 1, 3) - mu2 ** 2
s12 = F.avg_pool2d(g1 * g2, 7, 1, 3) - mu1 * mu2
C1, C2 = 0.01 ** 2, 0.03 ** 2
ssim_map = ((2 * mu1 * mu2 + C1) * (2 * s12 + C2)) / ((mu1 ** 2 + mu2 ** 2 + C1) * (s1 + s2 + C2))
return ssim_map.mean().item()
评估实现要点：分割侧先逐视频聚合混淆矩阵再求类 IoU（与挑战口径一致）；配准侧 SSIM 只对含血管结构的帧对计算才有意义，纯背景帧会稀释差异——这与坑点 6 的结论一致，建议同时输出血管可见帧子集的 SSIM。
§6.10 MLOps 笔记
- 数据版本化：以官方 ZIP 的 MD5（
4d4592f…）作为数据指纹写入 DVC/Git-LFS 元数据；区分"原版掩膜"与"TTTSNet 重标注"两套真值分支； - 口径冻结：把"视频级划分 + 类级 IoU 双口径（全帧/条件）"写进评估配置，禁止实验中途切换；
- 许可门禁：CI 中加入许可检查——任何含 FetReg 派生数据的发布物必须携带 CC BY-NC-SA 4.0 与双引用声明；
- 旧链接监控：官方链接历史上发生过迁移（WEISS → UCL RDR），在数据管线中保留镜像源（HuggingFace 社区镜像）作灾备；
- 实验追踪：按
视频 ID → 中心维度打标，使逐视频指标可在看板中按中心下钻，及早发现域偏移回归； - 复现包结构：建议团队仓库按
configs/（口径与真值版本）+ data_md5.txt（数据指纹）+ eval/（双口径指标实现）三件套组织，新人入职当天即可复现基线； - 发布检查：对外发布衍生权重或数据前，跑一遍"许可-引用-真值版本"三项核对，任一项缺失即阻断发布流程。
§7 质量评估与局限性
§7.1 已知偏倚与质量问题
| 类型 | 描述 | 严重程度 | 缓解措施 |
|---|---|---|---|
| 类不平衡 | vessel 9.01%、fetus 1.46%、tool 1.35%，多数帧空类 | 高 | 类加权损失；条件指标分口径报告 |
| 标注完整性 | 独立重标注指出原掩膜遗漏小血管、大血管标注不完整 | 中高 | 采用 TTTSNet 重标注做敏感性分析 |
| 单标注者 | 每帧单人标注，无 inter-rater agreement | 中 | 关键类（vessel）可用重标注集交叉校准 |
| 中心域偏移 | 两中心设备/协议差异；无队伍在全部测试视频领先 | 高 | leave-one-center-out；逐中心报告 |
| 设备元数据缺失 | 胎儿镜型号/参数未逐例公开 | 中 | 以图像特征聚类近似分组 |
| 时序冗余 | 相邻帧近乎重复，有效独立样本少于帧数 | 中 | 按视频划分；评估按视频聚合 |
这些偏倚并非彼此独立：类不平衡放大了单标注者的风险（稀缺类的错误标注占比更高），时序冗余又放大了中心域偏移的统计假象（冗余帧让某中心"有效样本"虚高）。因此缓解措施必须组合使用——仅做类加权而不做视频级划分，或仅做跨中心验证而不做真值敏感性分析，都会留下单项盲区。§7.7 的 DAIMS 表按单项给出了状态，实际项目中应把上表六行视为一个整体风险面来管理。
§7.2 标注质量深度剖析
标注流水线（研究员初标 → 商业团队并行标注 → 研究员校验 → 2 名胎儿医学专家签核）保证了临床方向上的权威性，但也带来三个结构性事实：其一，每帧单人标注，一致性无从量化；其二，4 名研究员与商业团队分别负责 7 与 17 个视频，两类标注者之间的系统差同样未被量化；其三，TTTSNet 团队的独立重标注（18 个训练序列，vessel-only，CC BY 4.0）给出了"遗漏小血管、大血管不完整"的外部复核结论（Płotka et al., 2024、HuggingFace 数据卡）。
把三方面合起来看，可以给出该掩膜质量的合理画像：粗血管网络与器械/胎儿轮廓可信（专家签核、视觉显著、歧义低），细血管与血管末梢存在系统性欠标注（TTTSNet 重标注的动机正是实时分割中细血管召回），类间边界在小结构交叠区（器械旁血管、胎儿边缘血管）主观性最强。使用者应把原版掩膜视为"经过专家签核的强基线真值"而非无误差金标准：血管召回类研究尤其要附真值敏感性分析；器械/胎儿类研究受标注误差影响相对小，可优先在原版掩膜上开展。
§7.3 泛化性评估
| 部署场景 | 失效风险 | 证据 |
|---|---|---|
| 两中心之外的第三中心 | 高：设备/协议漂移未被数据覆盖 | 官方仅含 UCLH 与 IGG；TTTSNet 为此构建 6 中心外部集 |
| 弱纹理/均质视野的配准 | 高：学习型光流方法在无血管区域失效 | MedIA 2024 明确报告该失效模式 |
| 羊水严重浑浊帧 | 中：低对比度血管分割变差 | 综述指出交叉熵/DSC 系方法对低对比血管欠佳 |
| 非平面/曲面胎盘拼接 | 中：平面单应假设失效 | 挑战定性分析：baseline 在非平面场景优于 SANO |
| 极小血管（宽度 ≤ 数像素） | 高：原掩膜即存在遗漏 | TTTSNet 重标注动机；tiny vessel 指标仅 73.35% |
| 长时段连续拼接 | 中：误差累积导致漂移 | 官方将"长视频无漂移拼接"列为挑战核心动机 |
| 设备代际更替后的实时部署 | 中：帧统计与分辨率分布变化 | 官方 271–720 px 异构与两中心设备差异均为先验证据 |
§7.4 伦理与合规
- 知情同意：患者签署书面知情同意，同意将手术视频用于研究（据 MedIA 2024/TTTSNet 论文的伦理声明），数据使用符合《赫尔辛基宣言》；
- 去标识化：发布物为宫内视野帧与语义掩膜，不含面部、姓名、日期等直接标识；UCL 仓储发布流程包含数据保护合规确认（Figshare 元数据含"不含可识别个人信息"的发布人确认项）；
- 许可：CC BY-NC-SA 4.0——允许署名后的非商业使用与相同方式共享；官方要求学术产出同时引用 MedIA 2024 与 arXiv 2021 两篇论文；
- 临床研究框架：TTTSNet 论文明确其外部测试数据"按赫尔辛基宣言伦理标准匿名化"，这一先例为后续基于 FetReg 的临床研究提供了可参照的伦理声明模板；
- 双重用途：无。数据不包含可武器化或隐私敏感内容，主要风险是许可违约而非隐私。
需要特别提示的伦理边界：该数据集的对象是胎儿与手术场景而非母亲身份信息，但这不意味着可以放松管理——视频帧可能携带医疗机构可辨识信息（设备界面、术者习惯），二次分发时应保留官方包的原始完整性，不做选择性裁剪后冒充"新数据集"发布。
§7.5 公平性
数据全部来自两个欧洲中心，未公布母亲或胎儿的种族、社会经济等人口学分布；不同肤色/解剖特征人群的代表性无法从公开材料评估。跨人群泛化属于该数据集的已知盲区，任何向其他地区临床环境迁移的尝试都应按"外部验证"对待（见 §5.5、§7.8）。此外，TTTS 本身在单绒毛膜妊娠中的发生率与就诊可及性存在地区差异，数据集的"欧洲双中心"构成是全球胎儿手术资源分布的一个缩影——用它训练的模型若直接投向医疗资源分布迥异的地区，将同时面临图像统计与临床实践的双重域差。
§7.6 数据漂移
两类漂移需主动监控：其一，采集域漂移——胎儿镜设备代际更新、光照协议变化会改变图像统计，建议在部署管线中对输入帧做亮度/模糊度/伪影密度统计监控；其二，标注口径漂移——原版掩膜与重标注并存，团队内必须显式声明当前使用的真值版本，防止不同成员混用导致指标不可比。实操上推荐三个低成本检查：① 按 video_id 绘制亮度均值控制图，跨中心/跨时段离群视频一目了然；② 对分割模型的 per-video IoU 做季度回顾，某视频指标持续走低往往先于人工察觉的设备变更；③ 把"真值版本号"写进实验 run 的元数据字段，让任何指标都可追溯到具体掩膜分支。
§7.7 DAIMS 24 项检查表
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 宽格式 | ✅ | 图像数据集天然宽格式：每帧一条记录，字段完备可平铺 |
| 2 | 唯一标识 | ✅ | video_id + frame_index 组合唯一；视频 ID 全局唯一 |
| 3 | 特殊字符 | ✅ | 文件名与目录名均为 ASCII，无空格/Unicode 陷阱 |
| 4 | 重复行 | ⚠️ | 无技术重复，但相邻帧视觉冗余极高，有效样本量远小于帧数 |
| 5 | 缺失编码 | ✅ | 掩膜像素值域 {0,1,2,3} 语义明确，无"以 0 充当缺失"的混淆（0=background） |
| 6 | 标签标识 | ✅ | 标签即掩膜像素值，类别与值域官方文档明确 |
| 7 | 罕见类分组 | ⚠️ | fetus/tool 极稀缺且部分视频整段缺席（Video012 无 fetus），需条件分组评估 |
| 8 | 偏倚评估 | ⚠️ | 单标注者、重标注争议、类不平衡均有记录但官方未提供量化偏差分析 |
| 9 | 数据字典 | ⚠️ | 官方 README 提供文字说明，但无机器可读的字段级 schema/JSON 字典 |
| 10 | 信息性缺失解释 | ✅ | 类缺席帧=真实解剖缺席、配准侧无标签=任务设计，语义均清晰可解释 |
| 11 | 设备记录 | ❌ | 胎儿镜型号/视场角/传感器参数未逐例公开 |
| 12 | 共线性 | ✅ | 图像模态不存在表格共线性问题；四类互斥且完备 |
| 13 | 编码映射 | ⚠️ | {0,1,2,3}→类名映射需从官方 README/代码确认，公开摘要未逐字给出 |
| 14 | 时间戳处理 | ✅ | 帧序号天然保序（视频时序），无乱序/时区/格式清洗负担 |
| 15 | 划分建议 | ✅ | 官方按视频 18/6 划分明确且可复现 |
| 16 | 泄漏讨论 | ✅ | 视频内帧间泄漏在官方协议与社区数据卡中均有明确共识 |
| 17 | 标签分布 | ✅ | 像素级分布（88.18/9.01/1.46/1.35%）可由掩膜完整复现 |
| 18 | 测量偏倚 | ⚠️ | 两中心设备与标注团队构成不同，系统差未被官方量化 |
| 19 | 外部验证建议 | ✅ | TTTSNet 已示范 6 中心 24 例外测协议 |
| 20 | 版本记录 | ⚠️ | 挑战口径（2,060+658）与完整口径（2,718+9,616）并存；RDR v1 为唯一正式版本但历史引用年份混乱（"FetReg2022"假象） |
| 21 | 预处理脚本 | ❌ | 官方未提供 DataLoader/预处理脚本；社区镜像与本文 §6 部分弥补 |
| 22 | 合规要求 | ✅ | CC BY-NC-SA 4.0 清晰；知情同意与发布合规有据可查 |
| 23 | 多模态对齐 | ✅ | 帧与掩膜同名逐像素配对，天然对齐 |
| 24 | 去标识化 | ✅ | 宫内视野无直接标识；UCL 发布流程含合规确认 |
DAIMS 评分：18.5 / 24（✅ 15 项、⚠️ 7 项、❌ 2 项）
评分解读：该评分处于"高质量研究基准"区间——数据的标识、对齐、划分与合规等结构化维度（✅ 密集区）达到公开数据集的模范水准；失分集中在文档工程（无机器可读字典、无预处理脚本、无设备元数据）与标注可信度的外部复核缺口（单标注者 + 小血管遗漏争议）两类，这两类恰是小团队快速上手与严苛临床宣称的分水岭。
对你意味着什么：① 若你的目标是复现/对标挑战基准，数据可直接开工，无需清洗（第 1/2/5/6/14/15/16/23 项全绿）；② 动手第一天就把"真值版本 + 视频级划分 + 双口径指标"三件事写进实验配置，避开 ⚠️ 项的全部已知雷区；③ 若宣称"细血管分割能力"，必须引入重标注真值或容差指标，因为原掩膜在结构上无法支撑该宣称（第 8/18 项 + §7.2）；④ 需要设备级元数据或机器可读 schema 的自动化管线，要预留自行补元数据的工作量（第 11/21 项）。
§7.8 外部验证矩阵
| 外部数据集/场景 | 来源机构 | 评估任务 | 性能指标 | 相对内部变化 | 关键发现 |
|---|---|---|---|---|---|
| TTTSNet 外部多中心测试集（24 例手术、2,348 帧、6 个欧洲中心） | TTTSNet 团队（含 SanoScience） | 血管语义分割 | vessel mIoU 78.26%（全部血管）、73.35%（细小血管子集） | 论文报告相对既有 SOTA 显著提升；未披露逐项内部/外部对照数字 | 多中心外部评估可行且必要；细血管仍是短板 |
| FetReg2021 挑战盲测（6 例、658 帧） | 7 支参赛队伍 + 官方基线 | 分割 + 配准双任务 | 基线聚合 mIoU 0.6763；配准 5 帧 SSIM 0.9348 | 未见任何队伍全胜 6 个测试视频 | 跨视频泛化差异显著，单均值掩盖失效 |
| 挑战盲测（6 例、658 帧） | 7 支参赛队伍 + 官方基线 | 分割 + 配准双任务 | 基线聚合 mIoU 0.6763；配准 5 帧 SSIM 0.9348 | 未见任何队伍全胜 6 个测试视频 | 跨视频泛化差异显著，单均值掩盖失效 |
只录有同行评审支撑的结果（Bano et al., 2024, MedIA；Płotka et al., 2024, MedIA）。
矩阵的空白处同样是信息：该数据集尚缺跨大洲、跨设备品牌的前瞻性外部验证记录，也尚无配准任务的几何真值验证研究——这两块空白既是使用者的诚实在引用时的注意点，也是领域内尚未被占住的研究位置。
§8 基准性能与生态
§8.1 官方挑战排行榜
FetReg2021 挑战共 7 支队伍参赛，全部在 6 例不可见测试手术（658 帧）上评测（Bano et al., 2024, MedIA）。下表仅列公开材料中核实到的成绩行；完整 7 队明细请查 MedIA 2024 论文结果表：
| 排名 | 模型/队伍 | 性能 | 年份 | 关键技术 | 完整引用 | 代码 |
|---|---|---|---|---|---|---|
| 1（聚合） | 官方基线（Challenge baseline） | 聚合 mIoU 0.6763；vessel 类 mIoU 0.5817（两项均全场最佳） | 2021 | U-Net 系语义分割基线 | Bano et al., 2024, Medical Image Analysis, 92, 103066. DOI 10.1016/j.media.2023.103066 | 未公开 |
| 类最佳：tool | 队伍 RREB | tool mIoU 0.6335 | 2021 | 参赛分割方案 | Bano et al., 2024, Medical Image Analysis, 92, 103066. DOI 10.1016/j.media.2023.103066 | 未公开 |
| 类最佳：fetus | 队伍 RREB | fetus mIoU 0.5178 | 2021 | 参赛分割方案 | Bano et al., 2024, Medical Image Analysis, 92, 103066. DOI 10.1016/j.media.2023.103066 | 未公开 |
| 1（配准） | 官方基线 | 平均 5 帧 SSIM 0.9348（优于队伍 SANO） | 2021 | 分割引导配准基线 | Bano et al., 2024, Medical Image Analysis, 92, 103066. DOI 10.1016/j.media.2023.103066 | 未公开 |
| 2（配准） | 队伍 SANO | SSIM 次于基线；平面场景定性更优 | 2021 | 参赛配准方案 | Bano et al., 2024, Medical Image Analysis, 92, 103066. DOI 10.1016/j.media.2023.103066 | SanoScience（后续工作） |
数值不可直接比较的原因：① 挑战协议按视频聚合，与全局像素聚合数值不同；② 不同论文使用的真值版本（原版/TTTSNet 重标注）与测试集不同；③ 配准任务的 5 帧 SSIM 是无真值代理，仅具排序意义；④ 挑战成绩基于 2021 年提交，与后续方法不在同一测试协议下。
对排行榜的另一点解读：基线在两个任务上都拿下聚合第一，并不意味着基线方法"未被超越"——参赛队的价值在于类级突破（RREB 的 tool/fetus）与场景级洞察（SANO 的平面场景定性优势），这些信息在聚合数字中不可见。该数据集的排行榜文化因此更接近"多指标 + 逐视频"的质性基准，而非单一榜首制。
§8.2 SOTA 总结与选型建议
- 分割主线：挑战基线（U-Net 系）至今在聚合口径上仍是强参考；追求实时部署与细血管召回选 TTTSNet（mIoU 78.26%、172 FPS @ A100、代码开源）；追求架构创新对照可看 VM-SwinUNet（注意力 + 专家混合）；
- 配准主线：无真值环境下，强度基线（SSIM 0.9348）依旧是稳健默认；学习型方法需警惕同质纹理失效；平面/非平面场景的表现分化提示混合策略（先判定场景几何再路由算法）是可行方向；
- 选型建议：新方法研究先复现 U-Net 基线与挑战口径，再在重标注真值上验证血管召回增益，最后补充跨中心协议；若目标是临床实时系统，TTTSNet 的工程路线（通道注意力 + 伪影模拟增强 + TensorRT 化）是当前性价比最高的参照系；
- 读数提醒：78.26%（TTTSNet）与 0.6763（挑战基线）两个数字不可直接比较——真值版本、测试集、聚合口径三者皆不同，引用任何一方时必须连同其协议一起引用。
§8.3 评测协议
分割：测试集 6 例 658 帧盲测；指标为类级 IoU 与聚合 mIoU，按视频聚合；参赛期测试掩膜不可见，赛后随完整包公开。配准：6 段测试片段，以"平均 5 帧 SSIM"为代理指标（无几何真值），逐帧配准后拼图与参考视图比对。复现时必须固定：视频级划分、真值版本、聚合口径三项。挑战的官方定性分析还提供了两条被数字掩盖的信息——队伍 SANO 在平面场景的配准定性更优、基线在非平面场景更稳；没有任何队伍在全部 6 个测试视频上领先。这意味着"单指标冠军"在该数据集上没有意义，逐视频报告应成为社区默认。
§8.4 相关数据集
| 数据集 | 与 FetReg 的关系 | 获取 |
|---|---|---|
| Bano et al. 2020 胎盘数据集（483 帧，6 例） | FetReg 的直接前身，首个公开胎儿镜胎盘数据集 | 见 MedIA 2024 综述引用 |
| IFM 分割数据集（900 帧，6 例，Zenodo） | 同生态的胎儿间膜分割基准 | Zenodo（见 MedIA 2024 综述） |
| TTTSNet 重标注（vessel-only，CC BY 4.0） | 对 FetReg 18 训练序列的独立修正标注 + 6 中心外测集 | GitHub SanoScience/TTTSNet |
| EndoVis 系列挑战数据（MICCAI） | 同一挑战母生态，腹腔镜/机器人场景 | endovis.grand-challenge.org |
组合使用建议：方法预研用 Bano 2020 小数据集快速迭代，正式评测切 FetReg 官方划分；研究标注噪声与细血管召回时挂接 TTTSNet 重标注分支；需要机器人手术域知识迁移时，EndoVis 器械分割子挑战数据是距离适中的迁移源。四者按"预研→基准→真值审查→跨域"串联，即可覆盖该方向的完整实验矩阵。
§8.5 关键论文 Top 5
- Bano, S., Casella, A., Vasconcelos, F., Moccia, S., Attilakos, G., Wimalasundera, R., David, A. L., Paladini, D., Deprest, J., De Momi, E., Mattos, L. S., Stoyanov, D. (2021). FetReg: Placental Vessel Segmentation and Registration in Fetoscopy Challenge Dataset. arXiv:2106.05923. DOI 10.48550/arXiv.2106.05923 —— 数据集描述论文：任务定义、指标与基线设计。
- Bano, S., Casella, A., Vasconcelos, F., et al. (2024). Placental vessel segmentation and registration in fetoscopy: Literature review and MICCAI FetReg2021 challenge findings. Medical Image Analysis, 92, 103066. DOI 10.1016/j.media.2023.103066 —— 挑战发现论文：7 队成绩、失效模式与领域综述，官方要求优先引用。
- Płotka, S., et al. (2024). Real-time placental vessel segmentation in fetoscopic laser surgery for Twin-to-Twin Transfusion Syndrome. Medical Image Analysis（TTTSNet）. ScienceDirect —— 实时 SOTA 与独立重标注，附带 6 中心外部测试协议。
- VM-SwinUNet 团队 (2025). VM-SwinUNet: Attention-Guided Deep Placental Vessel Network with Mixture-of-Experts for Medical Image Segmentation. Biomedical Signal Processing and Control. ScienceDirect —— 血管感知注意力 + 混合专家应对类不平衡的最新架构探索。
- Ronneberger, O., Fischer, P., Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI 2015. —— FetReg 官方基线所属的 U-Net 方法族源头。
阅读顺序建议：先读 #2（MedIA 2024，一站式掌握协议与全景）→ #1（arXiv 2021，看数据设计初衷）→ 按研究任务选读 #3（分割/实时）或配准相关章节 → #4–#5 作为方法学脉络的补充。五篇合计覆盖"数据—基准—方法—架构"四个层面，可直接作为课题入门的必读清单。
§8.6 社区活跃度
- 挑战侧：7 支队伍参赛；获《Computer Vision News》2021 年 6 月"本月挑战"专题报道（RSIP Vision）；挑战页现托管于 Synapse；
- 学术侧：官方两篇论文合计被引 28+ 次（Semantic Scholar，截至 2026-09：arXiv 2021 论文 20 次、MedIA 2024 论文 8 次）；TTTSNet、VM-SwinUNet 等后续工作持续产出，形成"分割—配准—实时化"的完整方法谱系；
- 工程侧：官方数据迁移至 UCL RDR 后访问稳定（Figshare 基础设施、附 MD5）；社区 Parquet 镜像（HuggingFace MedOtter/FetReg）提供开箱即用的 Datasets 加载路径与详尽格式说明；TTTSNet 代码开源（GitHub）构成可复现的最小方法生态；
- 维护状态：数据集本体为冻结版（v1），官方不发布增量更新；使用中的实际问题（链接迁移、格式解读）主要由社区镜像数据卡与本文档承接。
§8.7 生态快照
| 资源 | 类型 | 链接 | 活跃度（截至 2026-09） | 推荐理由 |
|---|---|---|---|---|
| UCL RDR 官方仓储 | 权威数据源 | rdr.ucl.ac.uk — FetReg | 2025-11-05 归档 v1，开放下载 | 唯一官方完整包，MD5 可校验 |
| MedIA 2024 挑战论文 | 权威文档 | doi.org/10.1016/j.media.2023.103066 | Open Access（PMC 有全文镜像） | 协议、成绩与综述的一站式来源 |
| SanoScience/TTTSNet | 开源代码 | github.com/SanoScience/TTTSNet | 随 MedIA 论文发布 | 实时分割参考实现 + 重标注入口 |
| HuggingFace MedOtter/FetReg | 社区镜像 | huggingface.co/datasets/MedOtter/FetReg | 数据卡详尽 | Parquet 快速加载与逐字节保真 |
| Synapse 挑战页 | 挑战存档 | synapse.org — syn25313156 | 挑战期文档存留 | 挑战规则与官方说明的历史档案 |
| NLM Dataset Catalog | 编目记录 | datasetcatalog.nlm.nih.gov | NIH 官方编目 | 跨库元数据核对（资助号、许可） |
生态总体判断：该数据集的"官方层"（UCL RDR + MedIA 论文）稳定且开放获取，“社区层”（HF 镜像 + TTTSNet 代码）补齐了工程易用性，两者组合后 AI 就绪度显著高于其 DAIMS 文档项得分——使用者真正缺的不是工具，而是把工具与官方口径正确对齐的知识，这正是本条目 §5–§7 的价值所在。
§9 相关资源与引用
§9.1 官方资源清单
- 官方数据仓储（首选入口）：UCL Research Data Repository — FetReg: Largescale Multi-centre Fetoscopy Placenta Dataset（DOI 10.5522/04/30417166.v1）
- 官方下载直链：FetReg2021_dataset.zip（约 3.44 GB） 与 Readme_FetReg2021.txt
- 挑战存档：Synapse — FetReg2021；EndoVis 母生态：endovis.grand-challenge.org
- 数据描述论文：arXiv:2106.05923；挑战发现论文：arXiv:2206.12512 / MedIA 2024 正式版（PMC 全文镜像）
- 社区镜像：HuggingFace MedOtter/FetReg；后续 SOTA 代码：SanoScience/TTTSNet
- 编目与元数据：NLM Dataset Catalog；B2Find 记录；Figshare API
- 媒体报道：Computer Vision News 2021-06"本月挑战"
资源使用优先级建议：拿数据走官方仓储（UCL RDR → Figshare 直链），读协议走 MedIA 2024 论文，查挑战历史走 Synapse 页，快速实验走 HuggingFace 镜像；各资源承担单一职责，交叉核对元数据时以 UCL RDR 页面与 Figshare API 为准（两者同源，DOI 一致）。
§9.2 BibTeX 引用块
@article{bano2024fetreg,
title = {Placental vessel segmentation and registration in fetoscopy:
Literature review and MICCAI FetReg2021 challenge findings},
author = {Bano, Sophia and Casella, Alessandro and Vasconcelos, Francisco and
Qayyum, Abdul and Benzinou, Abdesslam and Mazher, Moona and
Meriaudeau, Fabrice and Lena, Chiara and Cintorrino, Ilaria Anita and
De Paolis, Gaia Romana and Biagioli, Jessica and Grechishnikova, Daria and
Jiao, Jing and Bai, Bizhe and Qiao, Yanyan and Bhattarai, Binod and
Gaire, Rebati Raman and Subedi, Ronast and Vazquez, Eduard and
P{\l}otka, Szymon and Lisowska, Aneta and Sitek, Arkadiusz and
Attilakos, George and Wimalasundera, Ruwan and David, Anna L. and
Paladini, Dario and Deprest, Jan and De Momi, Elena and
Mattos, Leonardo S. and Moccia, Sara and Stoyanov, Danail},
journal = {Medical Image Analysis},
volume = {92},
pages = {103066},
year = {2024},
doi = {10.1016/j.media.2023.103066}
}
@article{bano2021fetreg,
title = {FetReg: Placental Vessel Segmentation and Registration in
Fetoscopy Challenge Dataset},
author = {Bano, Sophia and Casella, Alessandro and Vasconcelos, Francisco and
Moccia, Sara and Attilakos, George and Wimalasundera, Ruwan and
David, Anna L. and Paladini, Dario and Deprest, Jan and
De Momi, Elena and Mattos, Leonardo S. and Stoyanov, Danail},
journal = {arXiv preprint arXiv:2106.05923},
year = {2021},
doi = {10.48550/arXiv.2106.05923}
}
@article{plotka2024tttsnet,
title = {Real-time placental vessel segmentation in fetoscopic laser surgery
for Twin-to-Twin Transfusion Syndrome},
author = {P{\l}otka, Szymon and others},
journal = {Medical Image Analysis},
year = {2024},
note = {TTTSNet; code: github.com/SanoScience/TTTSNet}
}
@dataset{fetreg2021dataset,
title = {FetReg: Largescale Multi-centre Fetoscopy Placenta Dataset},
author = {Bano, Sophia and Casella, Alessandro and Vasconcelos, Francisco and
Moccia, Sara and Attilakos, George and C. Wimalasundera, Ruwan and
David, Anna L. and Paladini, Dario and Deprest, Jan and
De Momi, Elena and Mattos, Leonardo S. and Stoyanov, Danail},
publisher = {University College London},
year = {2025},
doi = {10.5522/04/30417166.v1},
url = {https://rdr.ucl.ac.uk/articles/dataset/_b_FetReg_Largescale_Multi-centre_Fetoscopy_Placenta_Dataset_b_/30417166}
}
§9.3 引用指南
官方 README 明确要求：任何使用本数据集的学术发表或研究报告，须同时引用 MedIA 2024 挑战发现论文（bano2024fetreg）与 arXiv 2021 数据描述论文（bano2021fetreg）。使用 TTTSNet 重标注时请另行引用其论文（plotka2024tttsnet）。引用数据本身时可采用数据集条目（fetreg2021dataset）。发布衍生数据集时，请保留 CC BY-NC-SA 4.0 许可并在说明中链接本数据集 DOI。若研究同时涉及原版与重标注两套掩膜，请在方法学部分以对照表形式声明各自的引用与版本号，避免读者混淆真值口径。
§10 AI 使用声明卡
§10.1 使用的 AI 模型列表
| 模型 | 用途 |
|---|---|
| 大语言模型（代码助手） | 辅助起草 §6 代码示例骨架、表格整理与文本润色 |
本条目写作过程仅使用上述单一 AI 模型，未调用图像生成模型处理任何临床影像（封面图为按文字提示生成的抽象插画，不含真实患者内容）。
§10.2 AI 参与范围
AI 参与了初稿起草、代码骨架生成、结构化表格整理与语言润色；所有事实性内容（规模数字、许可、基准成绩、坑点来源）均经 AI 辅助检索并由人工核对原始来源（见 §10.3）后写入；医学与数据工程判断由编辑部人工完成。
具体而言：§2 的疾病机制与分期表述由编辑部对照原论文与标准临床知识逐句审订；§3–§4 的全部数字直接取自官方仓储元数据与数据卡统计，AI 仅做格式化；§6 代码经编辑部逐行走查（重点核验掩膜最近邻插值、视频分组划分、MD5 校验三处易错点）；§7 的偏倚评级（严重程度列）为编辑部人工判断，AI 输出仅作参考底稿。
§10.3 输入来源列表
- Bano, S., et al. (2021). FetReg: Placental Vessel Segmentation and Registration in Fetoscopy Challenge Dataset. arXiv:2106.05923. https://arxiv.org/abs/2106.05923
- Bano, S., Casella, A., Vasconcelos, F., et al. (2024). Placental vessel segmentation and registration in fetoscopy: Literature review and MICCAI FetReg2021 challenge findings. Medical Image Analysis, 92, 103066. https://doi.org/10.1016/j.media.2023.103066
- Bano, S., et al. (2025). FetReg: Largescale Multi-centre Fetoscopy Placenta Dataset. University College London. Dataset. https://doi.org/10.5522/04/30417166.v1
- UCL Research Data Repository — FetReg 数据页（官方描述与引用要求）. https://rdr.ucl.ac.uk/articles/dataset/_b_FetReg_Largescale_Multi-centre_Fetoscopy_Placenta_Dataset_b_/30417166
- Figshare API 元数据记录（文件清单、字节数、MD5、许可、资助、发布日期）. https://api.figshare.com/v2/articles/30417166
- B2Find — FetReg 目录记录（EUDAT）. https://b2find.eudat.eu/dataset/dc8c9ddd-99c0-5af8-a08d-47ce3bc977ed
- NLM Dataset Catalog — FetReg 编目记录（NIH）. https://datasetcatalog.nlm.nih.gov/dataset?q=0002383932
- MedOtter/FetReg — HuggingFace 社区镜像与数据卡（逐帧统计、标注流水线、TTTSNet 重标注说明）. https://huggingface.co/datasets/MedOtter/FetReg
- Płotka, S., et al. (2024). Real-time placental vessel segmentation in fetoscopic laser surgery for TTTS. Medical Image Analysis. https://www.sciencedirect.com/science/article/pii/S136184152400255X
- SanoScience/TTTSNet — GitHub 仓库（TTTSNet 开源代码）. https://github.com/SanoScience/TTTSNet
- Synapse — FetReg2021 挑战页（syn25313156）. https://www.synapse.org/#!Synapse:syn25313156/wiki/609152
- PubMed Central — MedIA 2024 论文全文镜像（PMC11162867）. https://pmc.ncbi.nlm.nih.gov/articles/PMC11162867
- Orphanet ORPHA:95431 — TTTS 疾病编目（ICD-11 JA8A.0、ICD-10 O43.0/P02.3）. https://identifiers.org/orphanet:95431
- MalaCards — TTTS 标识符聚合（SNOMED CT 13404009）. https://www.malacards.org/card/twin_to_twin_transfusion_syndrome
- Computer Vision News 2021-06 — Challenge of the Month（RSIP Vision）. https://www.rsipvision.com/ComputerVisionNews-2021June/22/
- VM-SwinUNet (2025). Biomedical Signal Processing and Control. https://www.sciencedirect.com/science/article/abs/pii/S1746809425007815
- arXiv PDF 全文（v2，机构列表与流行病学数字）. https://arxiv.org/pdf/2106.05923v2.pdf
§10.4 人工校验记录
| 内容模块 | 审核者 | 审核方式 | 审核状态 |
|---|---|---|---|
| §1 概览与 §2 医学背景 | 千方病案医学编辑部 | 对照 Orphanet/MalaCards/原论文逐数字核对 | ✅ 已通过 |
| §3 规格与 §4 数据结构 | 千方病案医学编辑部 | 对照 UCL RDR 页面、Figshare API 与 HuggingFace 数据卡核对 | ✅ 已通过 |
| §5 划分与 §6 AI 就绪指南（含 8 坑点） | 千方病案医学编辑部 | 代码逻辑走查；坑点逐条溯源至论文/数据卡 | ✅ 已通过 |
| §7 质量评估（含 DAIMS 24 项） | 千方病案医学编辑部 | 逐项对照官方材料与同行评审文献 | ✅ 已通过 |
| §8 基准与 §9 引用 | 千方病案医学编辑部 | 与 MedIA 2024 摘要及 Semantic Scholar 引用数核对 | ✅ 已通过 |
| §10 声明卡与 INFOBOX | 千方病案医学编辑部 | 逐字段与官方元数据及来源列表核对 | ✅ 已通过 |
§10.5 AI 生成章节标注
以下章节由 AI 辅助生成并经人工校验：§1.1 技术摘要、§1.2 战略价值、§2.5 临床价值定位、§3.7 采集周期、§5.2–§5.5、§6.1–§6.4 与 §6.9 代码、§6.10 MLOps 笔记、§7.6 数据漂移、§8.2 SOTA 总结。其余章节为 AI 起草 + 人工逐条事实核改。人工核改遵循两条原则：数字必须有 §10.3 列表中的来源支撑，无法核实的表述一律删除而非改写。
§10.6 最后人工审核日期
2026-09-05（与 §0 审核声明一致）
页面状态：published（全部内容已完成审核并发布）
交付物清单：本条目正文与同目录 FACTS.md 事实底稿，共 2 个文件。
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：
- kvasir-instrument — 共享标签：医学影像 / 手术视频 / 医学图像分割
- cadis — 共享标签：医学影像 / 手术视频 / 医学图像分割
- autoimplant — 共享标签：医学影像 / 手术视频 / 医学图像分割
- pengwin — 共享标签：医学影像 / 手术视频 / 医学图像分割
- ctpelvic1k — 共享标签：医学影像 / 手术视频 / 医学图像分割
- endovis-challenges — 共享标签：医学影像 / 手术视频 / 医学图像分割
- cholecseg8k — 共享标签：医学影像 / 手术视频 / 医学图像分割
- autolaparo — 共享标签：医学影像 / 手术视频 / 医学图像分割
- endoscapes — 共享标签：医学影像 / 手术视频 / 医学图像分割
- kvasir-hyperkvasir — 共享标签：医学影像 / 手术视频 / 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。
