信息速览

数据集名称FIVES (fives) — 面向 AI 视网膜血管分割的彩色眼底图像数据集 — AI-Ready Wikipedia

数据类型图像,像素级分割掩膜,视网膜血管,眼底彩照,二值掩膜,多病种

规模573

接入方式figshare（官方发布页，FIVES dataset version 1）

AI 就绪度

一句话定位：FIVES 是截至 2022 年规模最大、分辨率最高的公开彩色眼底血管分割数据集之一，以四病种均衡、人工双标注取交集的真值构建流程，填补了血管分割数据集长期"小样、单病种、少标注者"的空白。

速览项	内容
全称	FIVES: A Fundus Image Dataset for Artificial Intelligence based Vessel Segmentation
缩写	FIVES = Fundus Image Vessel Segmentation
任务方向	视网膜血管像素级二值分割
图像总数	800 张彩色眼底照片
分辨率	2048 × 2048 像素（图像与真值同尺寸）
受试者	573 名患者
年龄范围	4—83 岁（均值 48，SD 19.87）
类别构成	DR / Glaucoma / AMD / Normal 各 200 张
真值形式	二值 PNG 掩膜（白=血管，黑=非血管）
标注团队	3 名资深 + 24 名初级标注者
标注规则	每图 2 人独立标注，取交集为真值
发布平台	figshare（官方条目页）
许可	CC BY 4.0
论文	Scientific Data 9, 475 (2022)
DOI	`10.1038/s41597-022-01564-3`
PMID / PMCID	35927290 / PMC9352679
采集机构	浙江大学医学院附属第二医院眼科中心（SAHZU）
时间窗	采集 2016—2021
注册号	NCT04718532

FIVES 的出现，恰好落在视网膜血管分割研究的一个转折点上。自 DRIVE（2004）与 STARE（2000）以来，这一方向的"标配"数据集长期维持在几十张图像的规模；深度学习方法飞速迭代，却始终被数据规模卡住喉咙。FIVES 用 800 张 2048×2048 图像、573 名真实患者、四种疾病状态均衡覆盖，把这一领域的数据基线整体抬高了近一个数量级。更重要的是，它并非简单堆量：每一张真值掩膜都由两名标注者独立勾画后取交集产生，标注者经过培训与资格考试，这使 FIVES 同时具备规模优势与标注规范性，成为后续大量血管分割算法论文的首选评测集之一。

导语读法三则

第一则：把"血管分割"与"病变分类"分开看。 眼底数据集常被混为一谈，但任务截然不同。FIVES 做的是血管 vs. 非血管的像素级二值分割——它的标签是逐像素的掩膜，不是"这张图有没有糖网"的类别标签。库内大量眼底条目（messidor、ddr、idrid、aptos-2019 等）解决的是筛查与分级问题，而 FIVES 解决的是血管形态的几何提取问题。二者的输入相似、输出完全不同，不能互相替代。

第二则：把"四类均衡"看成设计选择，而非自然分布。 FIVES 中 DR、Glaucoma、AMD、Normal 各 200 张，这是刻意配平的结果，目的是让算法在四种病理背景下都能学会稳定地提取血管结构，而不是被某一病种主导。因此它的类别分布不等于临床眼底筛查的真实患病率——真实门诊里 DR 与 AMD 的比例远不会如此整齐。误把均衡当分布，会在迁移到真实场景时踩坑。

第三则：把"取交集真值"理解为一种保守化策略。 两名标注者独立勾勒血管，取两者共同标注的像素作为最终真值。这意味着真值倾向于高精确率、略低召回率——只有两位专家都认定的血管才被保留，边缘模糊的毛细血管可能被剔除。理解这一点，才能正确解读算法在 FIVES 上"召回率偏低"的现象：那未必是算法弱，也可能是真值本身就收敛得更紧。

§0 导读

本文是千方病案医数集（qianfanghub.com）对 FIVES 数据集的 AI-Ready 条目。全篇围绕一个核心问题展开：如果你要在一个算法项目里实际使用 FIVES，你需要知道什么？

本文的写作遵循三条原则。

其一，硬数字来自一手来源。 图像数量、分辨率、患者数、Dice 一致性、像素占比等所有关键数字，均以《Scientific Data》论文全文（经 Europe PMC 开放全文接口获取，PMC9352679）与 figshare 官方发布页为第一手依据，而非二手转述或凭印象复述。

其二，出入处双口径存照。 任务头 brief 与官方来源在个别细节（题名表述、资助编号、机构拼写）上存在差异，本文一律以官方来源为准立目，同时把差异原样登记在 §10 与附录 S 中，供读者自行核对，不作静默抹平。

其三，区分"原文自述"与"独立复核事实"。 论文中关于标注耗时（每图 3—5 小时）、付酬方式等描述属于作者自述口径，本文如实引用并标注其性质，不将其包装为经第三方验证的结论。

本文适合三类读者：

正在做视网膜血管分割的研究者——可直接跳 §1、§2、§7，快速掌握数据规格与评测惯例；
需要为项目挑选合适眼底数据集的工程师——建议从 §0 导读、§1 十问十答、§6 获取与许可入手，最后用 §11.4 的 30 秒决策卡定夺；
关注医学数据治理与标注方法论的读者——§3 注释流水线、§8 方法学启示、§10 避坑清单是这个方向的重点。

阅读路径建议：若时间有限，按 §1 → §6 → §11.4 的顺序快速通读；若要做技术选型，则 §2 → §4 → §7 → §9 是核心链路。

本文中的"坑点"指使用时容易踩的认知或操作陷阱，不是数据集本身的缺陷。全文共列出 8 个坑点，集中在 §10 与附录 Q。

§1 数据集速览：十问十答

问 1：FIVES 到底是什么？
FIVES 是一个彩色眼底图像 + 视网膜血管二值掩膜的配对数据集。名字是缩写：Fundus（眼底）Image（图像）Vessel（血管）Segmentation（分割）。它提供的不是疾病标签，而是每张图像上"哪些像素是血管"的逐像素答案。

问 2：它有多少数据？
800 张彩色眼底照片，来自 573 名患者，每张图像都配有一张同尺寸（2048×2048）的二值血管真值掩膜。合计 800 组"图像—掩膜"配对。

问 3：分辨率有多高？
2048 × 2048 像素。这在血管分割数据集里属于第一梯队——经典数据集 DRIVE 是 565×584，STARE 是 700×605，CHASEDB1 是 999×960。FIVES 的宽度是它们的 2—3 倍，能保留更细的末梢血管结构。

问 4：图像是怎么分类的？
按疾病状态分成四类，每类恰好 200 张：糖尿病视网膜病变（DR）、青光眼（Glaucoma）、年龄相关性黄斑变性（AMD）、正常对照（Normal）。合计 800 张。

问 5：怎么采集的？
用桌面式 TRC-NW8 眼底相机（Topcon），50° 视野，以黄斑为中心拍摄；拍摄前用 1.0% 复方托吡卡胺—去氧肾上腺素散瞳，瞳孔直径超过 7 mm 才拍摄。采集时间跨度为 2016—2021 年。

问 6：真值是谁标的？怎么标的？
由 3 名资深标注者 + 24 名初级标注者共同完成。流程是：先培训并考试，然后每张图由 2 名标注者独立标注，最后**取两人标注的公共像素（交集）**作为最终真值。每位标注者负责 30 张以上图像。

问 7：标注的一致性如何？
论文报告了三种 Dice 系数：标注者自身前后两次一致性均值 0.9679；同级初级标注者之间（原始未精修结果）均值 0.9241；不同级别标注者之间（资深 vs 初级）均值 0.9608。其中 0.9241 常被视为该数据集人工标注的"上界参考"。

问 8：许可和获取方式是什么？
CC BY 4.0，在 figshare 官方条目页直接下载，无需注册申请，可商用（须署名）。这是最宽松的一类开放许可。

问 9：为什么要有 FIVES？
因为在此之前，血管分割的公开数据集普遍规模小、病种单一、标注者少。论文明确指出，当时最佳自动分割算法的 Dice 约 0.82，与人工一致性仍有明显差距——要推动算法逼近人工水平，就需要一个规模更大、质量更高的基准。FIVES 正是为此而生。

问 10：它和其他眼底数据集什么关系？
FIVES 是分割任务，而那些常见的眼底数据集（DRIVE、STARE、CHASEDB1，以及本库的 messidor、ddr、idrid 等）多为分类或分级任务。它们可以互链互补，但不能互换：FIVES 教算法"血管长在哪"，分级数据集教算法"这张图有没有病"。

§2 数据构成与规格

本节把 FIVES 的硬规格逐项展开。所有数字来自《Scientific Data》论文全文（PMC9352679）与官方发布说明。

2.1 规模与分辨率

维度	数值
图像总数	800 张
图像分辨率	2048 × 2048 像素
真值掩膜分辨率	2048 × 2048 像素（与图一一对应）
受试者数	573 名患者
平均每患者图数	约 1.40 张（800 / 573）
采集时间窗	2016—2021
标注时间窗	2020-12 至 2021-06

值得注意的是，573 名患者对应 800 张图像，说明部分患者提供了双眼或多张图像。这在眼底数据集里很常见，但也意味着样本间可能存在患者内相关性：同一患者的左右眼在解剖结构上高度相似。做交叉验证时若按图像随机划分，训练集与验证集可能含有同一患者的图像，导致数据泄漏、指标虚高。正确做法是按患者 ID 分组划分（group split）——这是使用 FIVES 时最容易被忽视的技术要点之一。

2.2 疾病类别构成

FIVES 的四类构成是刻意配平的：

类别	缩写	图像数	占比
糖尿病视网膜病变	DR	200	25.0%
青光眼	Glaucoma	200	25.0%
年龄相关性黄斑变性	AMD	200	25.0%
正常对照	Normal	200	25.0%
合计	—	800	100%

配平的意义在于：算法在四类病理背景下都要学会稳定提取血管，而不能依赖某一病种的特征。血管结构本身在四类中大体一致（血管就是血管），但病变会改变血管的可见度（如 DR 的微血管瘤、AMD 的黄斑区渗出、青光眼的视盘形态改变），这构成了一种"域偏移"的天然练习。

注意：这一 1:1:1:1 的分布是设计选择，不是临床流行病学分布。真实眼底筛查中，DR 与 AMD 的患病率、就诊比例远非均衡。把 FIVES 的分布当作真实先验用于疾病患病率估计，是根本性的误用。

2.3 患者人口学特征

特征	数值
年龄范围	4—83 岁
年龄均值	48 岁（标准差 19.87）
种族	全部为亚洲人群（all Asian）
性别（按图像计）	女性 469 张 / 男性 331 张

人群全部来自中国单一三级眼科中心，这是 FIVES 最重要的代表性局限之一。以亚洲人群训练的模型迁移到其他族裔人群时的表现，需要额外验证——眼底的色素背景、视盘大小、血管形态在不同人群中存在差异，可能引入系统性偏差。这一点在附录 B 的 DAIMS 评估与 §10 坑点中会再强调。

2.4 文件组织与命名规则

FIVES 的文件命名高度规整，采用 序号_类别字母.png 格式：

类字母：A = AMD、D = DR、G = Glaucoma、N = Normal
示例：1_A.png（第 1 张 AMD 图）、200_N.png（第 200 张正常图）
每类各 200 张，序号范围为 1—200
每张图像对应一张同名的真值掩膜（通常置于独立目录，或以约定后缀区分）

真值掩膜是二值 PNG：白色像素 = 血管，黑色像素 = 非血管。读取时须注意：

掩膜通常以 0/1 或 0/255 两种取值存储，加载后建议统一二值化（如 mask > 127 或 mask > 0），避免阈值判断出错；
真值与原图同为 2048×2048，无需重采样对齐，直接逐像素对应；
PNG 为无损格式，掩膜边缘不会因压缩产生伪影，这点优于 JPEG 存储的真值。

2.5 血管覆盖比例（标注像素占比）

论文表 2 报告了每类图像中被标注为血管的像素占比，这是评估模型输出是否"合理"的重要参照：

类别	平均血管像素数	平均占比
AMD	313,671	7.48%
DR	287,402	6.85%
Glaucoma	270,192	6.44%
Normal	371,171	8.85%
总体均值	299,561	7.14%

这张表透露了两个关键信息：

第一，血管像素只占约 7%，存在严重的类别不平衡。 若直接用像素级交叉熵训练，模型会倾向"全预测为非血管"，就能拿到约 93% 的像素准确率——这是典型的准确率陷阱。因此文献中普遍使用 Dice / DSC、AUC、Sensitivity 等指标，而很少单看像素 Accuracy。任何只报告"准确率 93%"的 FIVES 结果都应当警惕。

第二，Normal 类的血管占比最高（8.85%），Glaucoma 最低（6.44%）。 这一差异有解剖学解释：青光眼病变可能伴随血管变细、视神经纤维层变薄；而正常眼底血管充盈更充分。这也意味着按类别分别报告指标是必要的，混合平均会掩盖类间差异。

2.6 图像质量分布

论文表 3 报告了图像质量的合格情况（n=800）：

质量维度	合格图像数	合格比例
光照与色彩失真	644	78.0%
模糊	669	83.5%
低对比度	765	95.5%

此外，数据集有意保留了约 5% 的低可读性图像（论文注明 “intentionally included”）。这并非疏漏，而是刻意为之：真实临床采集的眼底图不可能张张完美，保留少量低质量样本，能让模型在面对劣质输入时也保持鲁棒性。因此在 FIVES 上做质量筛除（如只保留高质量图）会偏离数据集的设计意图，也会让评测结果与其他论文不可比。

§3 注释流水线

FIVES 的标注质量是其核心竞争力。本节还原论文描述的完整标注流程，并解释关键设计决策背后的动机。

3.1 标注团队的组织与培训

标注团队由 3 名资深标注者（senior annotators） 和 24 名初级标注者（junior annotators） 组成。其中：

资深标注者为眼科执业医师（ophthalmic practitioners）；
初级标注者为医护人员（medical staff）。

所有标注者都需通过 “基于指南的培训 + 图像标注测试”（guideline-based training and image annotation tests）才能上岗。这一"培训—考试—上岗"的准入机制，是 FIVES 标注质量的第一道保障。

3.2 资格考试的具体设计

在正式标注前，每位标注者需完成一个资格测试：标注 5 张测试图，构成是 1 张正常 + 2 张 DR + 1 张青光眼 + 1 张 AMD。这一配比覆盖了四类中的三类病变，能有效检验标注者对不同病理背景下血管识别的能力。测试通过者才能进入正式标注阶段。

3.3 正式标注流程与"取交集"策略

正式标注阶段的关键设计如下：

分配：每位标注者分配 30 张以上图像；
双标：每张图像由 2 名标注者独立标注；
取交集：最终真值为两名标注者共同标注的像素（common pixels）；
工具：使用论文中特别设计的标注软件（论文 Fig. 3c 展示了标注界面）。

其中"取交集"是 FIVES 最具辨识度的设计。它的逻辑是：

若 2 人独立标注的像素被同时认定为血管，则该像素被采信；
若只有 1 人标注为血管，则舍弃。

这是一种保守化（conservative）策略：以牺牲少量召回为代价，换取更高的精确率。好处是显著降低了个体标注误差（假阳性）进入真值的概率；代价是真值中的血管结构略偏"瘦"，尤其是边缘模糊的毛细血管容易被剔除。

实际影响：当你发现模型在 FIVES 上的 Sensitivity（召回）普遍低于在 DRIVE/STARE 上的表现时，不应简单归咎于模型变差，而要考虑真值本身的保守化倾向。做公平对比时，应同时报告精确率与召回率，并说明这一真值特性。

3.4 标注一致性评估与成本

论文用 Dice 系数从三个角度量化了标注一致性：

一致性类型	比较对象	均值 Dice	范围	说明
标注者内	同一人前后两次	0.9679	0.9602–0.9810	40 张图 × 4 名标注者
同级标注者间	初级 vs 初级	0.9241	0.8792–0.9823	基于未精修原始结果
跨级别标注者间	资深 vs 初级	0.9608	0.9564–0.9676	1 名资深 vs 4 名初级

三个数字要放在一起读：

0.9679（自己 vs 自己） 是标注稳定性的上界——即使同一个人，隔一段时间重标，也只有约 0.968 的重合度。这告诉我们：血管分割的真值本身带有约 3% 的不可消除噪声。
0.9241（初级 vs 初级） 是最严格的人类间一致性下限，常被称为"人工上界参考"。任何号称 Dice > 0.93 的自动算法，实际上已经超过或逼近了初级标注者之间的一致性——此时再谈"提升"意义有限，因为真值本身已不足以支撑更精细的区分。
0.9608（资深 vs 初级） 介于两者之间，反映了经验差距带来的系统性影响。

关于标注成本，论文给出的是自述口径：每张图标注耗时约 3—5 小时，标注者按绩效付酬（paid per performance）。以 800 张图、每图 2 人估算，总标注工作量约在数千小时量级。这一高成本正是 FIVES 规模不易被复制的原因，也是其价值所在——它把昂贵的人工标注劳动，转化为可公开复用的社区公共品。

§4 比较发现

放在历史坐标里看，FIVES 的价值才真正清晰。本节把 FIVES 与血管分割方向的经典数据集逐项对比，并说明它在哪些维度上完成了跃迁。

4.1 与经典血管分割数据集的横向对比

论文表 1 汇总了该方向的主要公开数据集，关键行如下：

数据集	年份	图像数	分辨率	类别构成
STARE	2000	20	700 × 605	含病变眼底
DRIVE	2004	40	565 × 584	糖网为主
ARIA	2006	161	768 × 576	含 AMD / 糖网 / 正常
REVIEW	2006	16	多分辨率	4 个子集
CHASEDB1	2011	28	999 × 960	儿童眼底
FIVES（提出）	2021	800	2048 × 2048	正常 + AMD + DR + 青光眼各 200

其中 REVIEW 由四个子集构成（HRIS、VDIS、CLRIS、KPIS），各含少量图像。

这张表直观看去，FIVES 在两个维度上实现了数量级的跨越：

规模：800 张 vs. 经典集的 20—161 张，是数倍到数十倍的扩张。尤其与最常用的 DRIVE（40 张）、CHASEDB1（28 张）相比，FIVES 的训练数据量提升了一个数量级以上。这对深度学习方法至关重要——小数据集上，模型极易过拟合，指标波动大，论文间可比性差；FIVES 的规模显著缓解了这一问题。

分辨率：2048×2048 是表中最高的（CHASEDB1 为 999×960，其余更低）。高分辨率意味着更细的末梢血管得以保留，标注真值也能刻画更精细的血管拓扑。对需要捕捉毛细血管的研究（如糖尿病微血管改变），这是实质性的能力提升。

4.2 类别构成的独特性

除规模外，FIVES 在类别设计上也与前人不同：

经典数据集多以正常或单一病变为主：DRIVE 聚焦糖网，CHASEDB1 是儿童正常眼底，STARE 混合病变但未系统配平；
ARIA 虽含三类，但各类比例不均、数量少（161 张总量）；
FIVES 是首个将 DR / Glaucoma / AMD / Normal 四类均衡配平（各 200 张）的血管分割数据集。

这一设计使 FIVES 天然适合跨病种的血管分割泛化研究：研究者可以在同一数据集内，考察模型在不同病理背景下的表现差异，而不必跨数据集拼接（跨数据集会引入采集设备、人群、标注规范等混淆因素）。这是 FIVES 相对经典集的结构性优势。

4.3 采集规范的标准化程度

FIVES 在采集端也力求标准化，这在公开眼底数据集中并不常见：

单一设备：全部使用 TRC-NW8 眼底相机，避免了多设备带来的色彩与畸变差异；
统一视野：50° FOV，以黄斑为中心；
统一散瞳：1.0% 复方散瞳剂，瞳孔 >7 mm 才拍摄；
连续时间窗：2016—2021 年，跨越数年但流程一致。

对比之下，部分经典数据集（如 STARE、ARIA）来自不同年代与设备，内部异质性较高。FIVES 的标准化采集让模型学到的血管特征更可归因，减少了"模型其实在学设备差异"的风险。

4.4 与库内眼底数据集的定位对比

在本库（千方病案医数集）的眼底家族中，FIVES 与既有条目形成清晰的任务轴分工：

库内条目	主要任务	与 FIVES 的关系
messidor（rid 59）	糖网分级	同域，分类 vs 分割
ddr（rid 201）	糖网分级	同域，分类 vs 分割
idrid（rid 191）	糖网分级 / 病灶分割	病灶分割是"点状"分割，与血管"线状"分割互补
refuge（rid 62）	青光眼视盘/视杯分割	分割任务，但对象是视盘视杯而非血管
rfmid（rid 271）	多病种筛查	同域分类
aptos-2019（rid 61）	糖网分级	同域分类
deepdrid（rid 211）	糖网分级	同域分类
odir（rid 63）	眼科多病种	同域分类
eyepacs（rid 58）	糖网分级	同域分类
fgadr	细粒度糖网	同域分类

可以看到，库内眼底条目绝大多数是分类/分级任务，分割任务仅有 refuge（视盘视杯分割）。FIVES 是库内唯一明确的视网膜血管像素级分割条目，填补了"血管形态学"这一维度的空白。它与 refuge 一起，构成了库内眼底影像的"解剖结构分割"支线（血管 vs. 视盘视杯），与大量"疾病分类"主线互补。

4.5 FIVES 尚未解决的问题

公允地说，FIVES 也有其时代局限，这些局限本身构成后续研究的机会：

单一中心、单一人群：全部来自中国一家三级眼科医院，族裔单一（全亚洲），跨人群泛化能力未经检验；
无多中心验证集：数据集内部未划分独立的、来自不同机构的测试集，模型报告的指标都在同一分布内；
类别为"配平"而非"自然"：不利于患病率相关研究；
Normal 类的定义边界：正常对照是否经过严格排除轻度病变，论文未详述，可能含少量未被识别的早期病变；
真值保守化：取交集策略使真值偏"瘦"，影响召回的可比性。

理解这些局限，才能在使用 FIVES 时做出恰当的结论边界声明，避免过度外推。

§5 衍生基准与评测

FIVES 作为静态数据集，本身不设官方排行榜或持续挑战赛。它的评测生态由第三方研究社区自然形成。本节梳理已确认的基准工作与常用评测协议。

5.1 官方定位：静态数据集，无排行榜

与 DRIVE（曾设挑战赛）、部分竞赛型数据集不同，FIVES 的发布形式是论文 + figshare 数据集，不附带官方测试服务器或实时榜单。这意味着：

模型间对比由论文自报，存在实现细节不透明、测试集划分不一致的风险；
不同论文报告的 FIVES 指标不宜直接横向比较，除非其数据划分与预处理一致。

这是使用 FIVES 文献时需要保持的警觉：看到"某方法在 FIVES 上 Dice 0.9x"，应先确认其划分方式与指标定义。

5.2 第三方基准工作（已核）

以下工作以 FIVES 作为评测集之一，是了解 FIVES 实际表现的重要参考：

Fadugba et al. 2024（arXiv:2406.14994）：跨数据集、跨疾病的血管分割泛化评测，使用 U-Net / FR-UNet / MA-Net 等模型，在 FIVES 上 Dice 约 0.90；该工作特别指出图像对比度（contrast）是主要瓶颈——即在低对比度图像上，血管分割性能明显下降。这与 FIVES 有意保留低质量图的特性相互印证。
KaLDeX（arXiv:2410.21160, 2024）：按类（AMD / DR / Glaucoma / Normal）分别报告 Accuracy / AUC / DICE，属于较细致的分病种评测。
SMDG-19：标准化 19 数据集基准，纳入 FIVES（类别分布记为 200/200/0，反映其按类统计方式）。
RetinalVasNet（Front Mol Biosci, 2025） 与 DA-FR-UNet（IAENG IJCS）：均在对比表中将 FIVES 作为评测集之一。

5.3 常用评测指标与报告惯例

FIVES 相关文献中，主流指标包括：

指标	含义	在血管分割中的角色
Dice / DSC	预测与真值的重叠度	主指标，最常报告
Accuracy	像素级正确率	受类别不平衡影响大，需谨慎
Sensitivity（召回）	真血管被识别的比例	反映血管捕捉能力
Specificity	非血管被正确排除的比例	通常很高（因非血管占 93%）
AUC	ROC 曲线下面积	阈值无关的综合指标

报告惯例提醒：

必报 Dice：这是血管分割社区的通用语言；
准确率需配不平衡说明：单报 93% 无意义，须指出血管仅占约 7%；
建议同时报 Sensitivity 与 Specificity：体现召回与精确的权衡；
建议分病种报告：FIVES 四类血管占比不同（6.44%—8.85%），混合平均会掩盖类间差异；
报告数据划分：按图像还是按患者划分，直接决定指标可比性。

5.4 典型报告值域与人工上界

综合已核文献，现代深度学习方法在 FIVES 上的表现大致落在：

U-Net 系基线：Dice 约 0.80—0.90；
较优方法：Dice 可达 0.90 左右；
人工上界参考：同级标注者一致性 0.9241。

这意味着：FIVES 上的性能天花板大约在 0.92—0.93 附近。任何显著超过这一水平、且未说明数据划分细节的报告，都值得进一步核查（可能涉及按图像而非按患者划分、或预处理引入了信息泄漏）。

论文构建 FIVES 的动机之一，正是当时最佳自动算法 Dice 约 0.82、与人工存在差距。经过数年发展，该方向已在 FIVES 上普遍逼近 0.90，但距离人工上界 0.9241 仍有可见缺口。这一"最后几个百分点"的攻坚，正是 FIVES 持续被使用的意义所在。

§6 获取与许可

6.1 许可：CC BY 4.0

FIVES 采用 Creative Commons Attribution 4.0 International（CC BY 4.0） 许可。这是最宽松的一类开放许可，允许：

共享：以任何媒介复制、分发；
演绎：修改、转换、再创作；
商用：用于商业目的。

条件是署名（Attribution）：使用方须给出适当署名、提供许可链接，并说明是否作出修改。署名对象为《Scientific Data》论文（见 §6.4 的引用格式）。

CC BY 4.0 不要求"相同方式共享"（那是 CC BY-SA 的要求），因此基于 FIVES 训练的模型、派生的处理流程不受传染性约束，可自由用于闭源或商业产品——这对工业应用非常重要。

6.2 发布平台与获取方式

FIVES 通过 figshare 平台官方发布（数据项名为 “FIVES: A Fundus Image Dataset for AI-based Vessel Segmentation”，版本为 version 1）。

获取流程：

访问 figshare 上的 FIVES 官方条目页；
直接点击下载（无需注册、无需申请、无需签署数据使用协议）；
获得压缩包，内含图像与真值掩膜。

这一"零门槛"获取方式，是 FIVES 被广泛采用的重要原因之一。相比之下，许多临床眼底数据集（如部分院内数据）需要 DUA、伦理审批、甚至跨国申请，获取周期漫长。FIVES 的开放性极大降低了复现与比较的门槛。

6.3 版本链与镜像说明

官方版本：figshare 上的 FIVES dataset (version 1)；
无 2.0 后继：FIVES 不是版本迭代型数据集，目前无官方新版本；
第三方镜像：Kaggle、GitHub 上存在 FIVES 的转载版本。这些非官方镜像可能经过重采样、重命名或裁剪，不建议用作研究基准——若指标需与他人可比，务必使用 figshare 官方版本。

使用镜像的典型风险：分辨率被降采样（失去 2048 优势）、文件名规则被改写（类别映射出错）、真值被重新二值化（阈值不一致）。因此本文一贯建议：以 figshare 官方条目为唯一数据来源。

6.4 引用要求：署名格式

按 CC BY 4.0 署名要求，使用 FIVES 时应引用原论文：

Jin, K., Huang, X., Zhou, J. et al. FIVES: A Fundus Image Dataset for Artificial Intelligence based Vessel Segmentation. Sci Data 9, 475 (2022). https://doi.org/10.1038/s41597-022-01564-3

BibTeX 格式见附录 W。若对数据做了修改（如重采样、子集选取），须在文中注明改动内容。

6.5 引用与合规检查清单

检查项	要求
是否标注 CC BY 4.0	应注明许可名称与链接
是否给出论文引用	应给出完整文献信息
是否说明修改	若有改动须声明
数据来源是否为官方	建议注明 figshare 官方条目
版本一致性	不同论文应使用同一版本才有可比性

§7 生态与影响

7.1 在血管分割研究中的引用生态

FIVES 自 2022 年发表以来，迅速成为视网膜血管分割领域的主流评测集之一。其被广泛采用的原因可归纳为：

规模与分辨率领先：800 张 2048×2048，远超经典集；
类别均衡：四病种各 200，支持跨病种泛化研究；
获取零门槛：CC BY 4.0 + figshare 直下；
标注可信：双标注取交集 + 一致性量化透明。

这四点共同作用，使 FIVES 成为血管分割论文"标配评测集"之一。研究者常将其与 DRIVE、CHASEDB1 等一起使用，构成"经典集验证 + 大数据集验证"的组合。

7.2 典型的组合使用模式

在实际文献中，FIVES 常见的组合方式有三种：

模式一：FIVES 单独训练与测试。 因其规模足够大，可直接在 FIVES 内划分训练/验证/测试集。适用于方法本身的性能验证。

模式二：跨数据集泛化评测。 在 DRIVE 上训练、在 FIVES 上测试（或反向），考察模型对采集设备、分辨率、人群差异的鲁棒性。这是 FIVES 相对小数据集最有价值的用法——经典集之间做跨集评测，常因分辨率接近而"太容易"；FIVES 的 2048 分辨率与不同设备构成了更有挑战的迁移场景。

模式三：多集联合训练。 将 FIVES 与 CHASEDB1、DRIVE 等合并训练，用 FIVES 的大规模补充数据量。适用于数据饥饿的模型架构。

7.3 对下游任务与临床研究的影响

血管分割本身不是终点，它是多个下游任务的基础几何提取：

血管形态学分析：血管宽度、弯曲度（tortuosity）、分支数等指标可用于糖尿病、高血压的辅助评估；
动静脉分类（A/V classification）：从血管掩膜进一步区分动脉与静脉；
血管与病灶的关系研究：如微血管瘤是否沿血管分布；
眼底图像配准与拼接：血管是天然的配准特征。

FIVES 以高质量血管真值，为这些下游研究提供了更可靠的起点。尤其其 2048 分辨率保留了末梢血管，使细血管相关的形态学分析首次具备了公开的大规模基础数据。

7.4 与相关方向的互链定位

在本库语境下，FIVES 的生态位可表述为：

上游：眼底影像家族（messidor、ddr、idrid、refuge、rfmid 等）——提供"疾病标签"维度；
FIVES 自身：提供"血管结构"维度（本库唯一）；
下游：血管形态学分析、配准、A/V 分类等应用研究。

FIVES 恰好补上了"解剖结构 → 疾病判读"链条中的结构底座。它与 refuge（视盘视杯分割）一起，构成本库眼底影像的结构分割集群，与庞大的疾病分类集群形成互补。

§8 方法学启示

FIVES 的构建过程本身，对医学数据集的制作具有超出血管分割领域的普适启示。本节提炼四条。

8.1 双标注取交集：一种可复用的真值策略

FIVES 采用"两名标注者独立标注 + 取公共像素"生成真值。这一策略的方法学价值在于：

降低个体误差：单个标注者的误标（假阳性）很难同时出现在两人结果中，取交集天然过滤；
可量化的一致性：因为每位标注者都有独立结果，可以计算标注者间 Dice，从而为真值质量提供可报告的量化指标；
成本可控：相比"三人标注 + 投票"或"专家逐张精修"，双标注取交集在质量与成本间取得平衡。

适用边界：该策略要求任务具有"目标明确、边界可判定"的特性（如血管 vs. 非血管）。对主观性强的任务（如疼痛分级、情绪标注），取交集可能过度收缩标注空间，未必适用。

8.2 配平设计：主动控制类别分布

FIVES 的 1:1:1:1 构成，是一种主动的分布设计。启示在于：

数据集类别的分布，取决于目标用途，而非机械复制现实；
若目标是"训练鲁棒的通用模型"，配平有助于防止某类主导；
但必须明确声明配平是设计选择，避免使用者误当作自然分布。

这是一个更深的方法论原则：数据集的设计意图应在元数据中显式声明，否则使用者会在错误的先验上构建模型。

8.3 有意保留困难样本：质量而非纯净

FIVES 有意保留约 5% 的低可读性图像。这是一种"反过滤"的设计哲学：

传统数据清洗倾向剔除低质量样本，追求"干净"；
FIVES 反其道而行，主动纳入困难样本，追求"贴近真实部署条件"；
代价是平均指标略降，收益是模型鲁棒性提升。

这提示数据集设计者：“干净"不等于"好用”。若模型最终部署在真实临床（存在大量不完美图像），训练集的"过度清洗"反而会造成部署时的性能崩塌。

8.4 一致性量化：为真值标注不确定性

FIVES 报告了三种 Dice（标注者内、同级间、跨级别间），而不是只报告一个模糊的"高质量"。这一做法的方法学意义重大：

它把"标注质量"从定性描述变为可比较的定量指标；
它为后续算法性能提供了上界参照——0.9241 告诉我们"做到这个程度就已经达到人类初级水平"；
它诚实地暴露了真值本身的不确定性（约 3% 的不可消除噪声）。

任何声称"高质量标注"却不提供一致性量化指标的数据集，其质量主张都缺乏可验证性。FIVES 的做法值得推广。

§9 与库内条目的关系

9.1 家族图谱

以下 rid 与 url_name 均以本库 ai_ready_dataset 表为准，通过 url_name 键匹配反查，不使用位置对齐。

FIVES 在本库眼底/视网膜家族中的位置如下：

（一）眼底影像 · 疾病分类集群（同域，可互链）

url_name	rid	任务	与 FIVES 的关系
messidor	59	糖网分级	同域分类，与 FIVES 的 DR 类共享病理背景
ddr	201	糖网分级	同上
idrid	191	糖网分级 / 病灶分割	病灶分割（点状）与血管分割（线状）互补
refuge	62	青光眼视盘/视杯分割	同属分割任务，对象不同（视盘视杯 vs 血管）
rfmid	271	多病种眼底筛查	同域分类，多病种覆盖近似 FIVES 的四类设计
aptos-2019	61	糖网分级	同域分类
deepdrid	211	糖网分级	同域分类
odir	63	眼科多病种	同域分类，病种覆盖更广
eyepacs	58	糖网分级	同域分类
fgadr	—	细粒度糖网	细粒度分级

（二）OCT / 眼底影像邻接集群（可弱互链）

octdl（690）、octid（697）、oct2017（311）、octa-500（341）——均为 OCT 或 OCTA 影像，与彩色眼底照片模态不同，但同属眼科影像家族，可作模态级弱关联。

（三）分割方法集群（可互链）

refuge（62，视盘视杯分割）是库内与 FIVES 最直接的任务同源条目（同为解剖结构分割）；其余医学图像分割条目可经 医学图像分割 标签族关联。

（四）经典血管分割基线（跨库概念互链）

DRIVE（2004，40 张）、STARE（2000，20 张）、CHASEDB1（2011，28 张）、REVIEW——这些是 FIVES 论文中直接对比的经典数据集。FIVES 在规模（800 vs. 20—161）与分辨率（2048 vs. 565—999）上全面领先，是本库眼底血管分割方向的旗舰条目。

9.2 检索路径建议

路径 A：从"疾病分类"到"血管分割"

若你已了解 messidor / ddr / idrid 等糖网数据集，想进一步做血管层面的分析，FIVES 是自然的下一步：它保留了 DR 类图像（200 张），却把标签从"疾病等级"换成"血管掩膜"。

路径 B：从"解剖结构分割"横向扩展

若你关注 refuge 的视盘/视杯分割，可将 FIVES 视为同族互补：视盘视杯是"区域级"解剖分割，血管是"线状级"解剖分割，二者联合可支持完整的眼底解剖图谱构建。

路径 C：从"多病种筛查"深化

若你使用 rfmid / odir 做多病种筛查，可发现 FIVES 与它们共享"多病种覆盖"思路，但任务层级更深（像素级）。适合"筛查 → 分割"的两阶段流程设计。

路径 D：跨模态眼科影像

从 OCT/OCTA 集群（octdl、octid、octa-500 等）出发探索眼科影像，FIVES 提供的是彩色眼底照片模态——这是眼科最基础、最普及的影像模态，可作为理解其他模态的参照基准。

§10 避坑清单

以下 8 个坑点，是使用 FIVES 时最容易踩的认知或操作陷阱。每个坑点都给出"症状—成因—对策"。

坑 1：按图像随机划分训练/测试集，导致数据泄漏。
800 张图来自 573 名患者，存在患者内相关性（同一患者双眼）。若按图像随机划分，同一患者的图像可能同时进入训练集与测试集，模型"见过"相似解剖结构，指标虚高。
对策：按患者 ID 分组划分（GroupKFold），确保同一患者的所有图像只出现在一个子集中。

坑 2：把近 93% 的像素准确率当作"好结果"。
血管像素仅占约 7%（总体均值 7.14%），全预测"非血管"就有约 93% 准确率。单看 Accuracy 会被虚假高分误导。
对策：以 Dice / DSC 为主指标，辅以 Sensitivity、Specificity、AUC；报告 Accuracy 时须标注不平衡背景。

坑 3：把四类均衡误当作真实疾病分布。
DR / Glaucoma / AMD / Normal 各 200 张是配平设计，不是流行病学分布。用它估计真实患病率会严重偏差。
对策：涉及患病率、成本效益、临床流行病学的分析，须使用真实分布数据，不可用 FIVES 的类别比例。

坑 4：忽略真值的"保守化"倾向，误判模型召回。
真值取两名标注者的交集，血管结构偏"瘦"。模型在此真值上 Sensitivity 偏低是正常现象，不应简单归因于模型差。
对策：对比跨数据集指标时，说明真值生成方式的差异；同时报告精确率与召回率。

坑 5：忽略"人工上界"，追求虚高的 Dice。
同级标注者间一致性仅 0.9241。声称 Dice > 0.93 而数据划分无误的报告，需高度警惕。
对策：把 0.9241 作为性能天花板的参照；对异常高的报告核查其划分与预处理。

坑 6：使用第三方镜像数据，破坏可比性。
Kaggle / GitHub 上的 FIVES 转载版本可能已重采样、重命名或裁剪，分辨率、类别映射、真值二值化阈值均可能与官方不同，导致指标不可比。
对策：只用 figshare 官方条目；若必须用镜像，须核对分辨率与文件命名规则。

坑 7：直接筛除低质量图，偏离设计意图。
FIVES 有意保留约 5% 低可读性图像。若只保留高质量图评测，一方面偏离设计（真实场景有劣质图），另一方面与他人指标不可比。
对策：在全集上评测；若需考察质量分层，作为附加分析而非主结果。

坑 8：忽略单中心、单族裔的代表性局限。
全部数据来自中国一家三级眼科医院，受试者全为亚洲人群。跨族裔、跨机构部署时性能可能系统性下降。
对策：在结论中显式声明人群局限；跨人群应用前，在其他族裔数据上做外部验证。

§11 总结

11.1 一句话总结

FIVES 是截至 2022 年规模最大、分辨率最高、类别最均衡、标注最规范的公开彩色眼底血管分割数据集之一，以 800 张 2048×2048 图像、573 名患者、四病种各 200 张、人工双标注取交集的真值，把视网膜血管分割研究的数据基线提升了一个数量级。

11.2 核心价值

规模跃迁：800 张 vs. 经典集的 20—161 张，缓解小数据集的过拟合与不稳定性；
分辨率跃迁：2048×2048，保留末梢毛细血管，支撑精细血管形态学分析；
类别设计：四病种均衡，支持跨病种泛化研究；
标注规范：3 资深 + 24 初级标注，双标注取交集，一致性量化透明；
开放获取：CC BY 4.0 + figshare 直下，零门槛、可商用。

11.3 使用须知（三条底线）

按患者划分，防止数据泄漏；
以 Dice 为主指标，警惕 93% 准确率陷阱；
声明人群局限，单中心亚洲人群，跨人群需外部验证。

11.4 30 秒决策卡

如果你的需求是……	用 FIVES 吗？	理由
训练视网膜血管分割模型	强烈推荐	规模最大、分辨率最高、真值可信
做血管分割的跨数据集泛化评测	推荐	与 DRIVE/STARE 分辨率差异大，迁移有挑战性
做眼底疾病分类/分级	不推荐（用 messidor/ddr 等）	FIVES 标签是血管掩膜，非疾病类别
做视盘/视杯分割	不推荐（用 refuge）	对象不同
研究血管形态学（宽度/弯曲度）	推荐	高分辨率保留细血管
估计真实人群患病率	不可用	类别为配平设计，非自然分布
需要跨族裔、多中心泛化验证	不够用	单中心单族裔，需补充外部数据
商业产品需要宽松许可	可用	CC BY 4.0 允许商用，须署名

11.5 上手三步

下载：从 figshare 官方条目获取 FIVES dataset (version 1)，解压核对 800 图 + 800 掩膜；
划分：按患者 ID 做分组划分（如 70/15/15），记录划分脚本以保证可复现；
训练与评测：以 Dice 为主指标，同时报 Sensitivity/Specificity，按四类分别报告，并对照 0.9241 人工上界解读结果。

FAQ 常见问题

Q1：FIVES 的全称是什么？
论文题名为 “FIVES: A Fundus Image Dataset for Artificial Intelligence based Vessel Segmentation”，figshare 标题简写为 “FIVES: A Fundus Image Dataset for AI-based Vessel Segmentation”。缩写 FIVES = Fundus Image Vessel Segmentation。

Q2：FIVES 有多少张图？
800 张。

Q3：分辨率多少？
2048 × 2048 像素。

Q4：来自多少患者？
573 名。

Q5：四类各多少张？
DR、Glaucoma、AMD、Normal 各 200 张。

Q6：真值是谁标的？
3 名资深标注者（眼科执业医师）+ 24 名初级标注者（医护人员）。

Q7：真值怎么生成的？
每张图由 2 名标注者独立标注，取两者共同标注的像素（交集）作为最终真值。

Q8：标注一致性如何？
自身前后 Dice 均值 0.9679；同级标注者间 0.9241；跨级别间 0.9608。

Q9：许可是什么？
CC BY 4.0。

Q10：在哪里下载？
figshare 官方条目，无需注册申请。

Q11：可以商用吗？
可以，须署名并声明改动。

Q12：发表在哪一年？
2022 年（《Scientific Data》9, 475）。

Q13：DOI 是什么？
10.1038/s41597-022-01564-3。

Q14：采集时间？
2016—2021 年。

Q15：用了什么设备？
桌面式 TRC-NW8 眼底相机，50° 视野。

Q16：散瞳流程？
滴 2—3 滴 1.0% 复方托吡卡胺—去氧肾上腺素，瞳孔 >7 mm 才拍摄。

Q17：血管像素占比多少？
总体均值约 7.14%（各 6.44%—8.85%）。

Q18：可以做疾病分类吗？
不建议。FIVES 标签是血管掩膜，不是疾病类别；分类请用 messidor/ddr 等。

Q19：和 DRIVE 有什么区别？
DRIVE 40 张、565×584，FIVES 800 张、2048×2048；DRIVE 面向糖网血管分割，FIVES 覆盖四类。

Q20：和 CHASEDB1 有什么区别？
CHASEDB1 28 张、999×960、儿童眼底；FIVES 规模与分辨率均高一个数量级，且类别均衡。

Q21：和 refuge 什么关系？
同属眼底解剖结构分割，但 refuge 分割视盘/视杯，FIVES 分割血管，对象不同。

Q22：有官方排行榜吗？
没有。FIVES 是静态数据集，无持续竞赛榜单。

Q23：模型在 FIVES 上能达到多少 Dice？
现代方法约 0.90，人工上界参考 0.9241。

Q24：为什么不能按图像随机划分？
573 名患者有 800 张图，同一患者可能多张，按图像划分会数据泄漏，须按患者划分。

Q25：准确率 93% 算好吗？
不算。血管仅占约 7%，全预测非血管即约 93%，须看 Dice。

Q26：真值为什么偏"瘦"？
因为取双标注交集，只有两人都认定的血管才保留，故略偏保守。

Q27：数据有版本 2 吗？
没有，目前为 version 1，无后继版本。

Q28：可以用 Kaggle 上的版本吗？
不建议，第三方镜像可能已重采样/重命名，破坏可比性；应用 figshare 官方版本。

Q29：人群构成？
全为亚洲人群，来自中国单一三级眼科中心。

Q30：年龄范围？
4—83 岁，均值 48 岁（SD 19.87）。

Q31：性别分布？
按图像计，女性 469 张、男性 331 张。

Q32：有低质量图吗？
有，约 5% 低可读性图像为有意保留。

Q33：质量合格率？
光照与色彩 78.0%、模糊 83.5%、低对比度 95.5%（n=800）。

Q34：文件命名规则？
序号_类别字母.png，A=AMD、D=DR、G=Glaucoma、N=Normal。

Q35：掩膜取值？
二值 PNG，白=血管、黑=非血管；须注意 0/1 或 0/255 存储差异。

Q36：临床注册号？
NCT04718532。

Q37：伦理审批？
经 SAHZU 医学伦理委员会批准，遵循赫尔辛基宣言，受试者签署知情同意。

Q38：资助来源？
国家自然科学基金 U20A20386（致谢段；元数据另见 81670888）、国家重点研发 2019YFC0118401、浙江省重点研发 2019C03020、浙江省自然科学基金 LQ21H120002。

Q39：有代码开源吗？
论文声明 “No novel code used in the construction of FIVES dataset”，即构建过程未使用新代码。

Q40：适合做血管宽度测量吗？
适合，2048×2048 分辨率保留细血管。

Q41：可以做动静脉分类吗？
FIVES 本身不含 A/V 标签，但可作为血管掩膜基础，结合其他方法做 A/V 分类。

Q42：指标可以和 DRIVE 直接比吗？
不宜直接比，因数据集、真值生成方式、分辨率不同；跨集比较须说明差异。

Q43：引用格式？
Jin, K., Huang, X., Zhou, J. et al. Sci Data 9, 475 (2022). https://doi.org/10.1038/s41597-022-01564-3

事实清单

FIVES 全称：A Fundus Image Dataset for Artificial Intelligence based Vessel Segmentation。
缩写 FIVES = Fundus Image Vessel Segmentation。
图像总数 800 张。
分辨率 2048 × 2048 像素。
真值掩膜同为 2048 × 2048。
受试者 573 名患者。
年龄范围 4—83 岁。
年龄均值 48 岁，SD 19.87。
类别构成：DR / Glaucoma / AMD / Normal 各 200 张。
采集设备：TRC-NW8 桌面式眼底相机。
视野 50°，以黄斑为中心。
散瞳剂 1.0% 复方托吡卡胺—去氧肾上腺素。
瞳孔 >7 mm 才拍摄。
采集时间 2016—2021 年。
标注时间 2020-12 至 2021-06。
标注团队：3 名资深 + 24 名初级。
每图由 2 名标注者独立标注。
真值取两名标注者交集。
每位标注者标注 30 张以上。
资格测试 5 张（1 正常 + 2 DR + 1 青光眼 + 1 AMD）。
标注者内 Dice 均值 0.9679（0.9602—0.9810）。
同级标注者间 Dice 均值 0.9241（0.8792—0.9823）。
跨级别标注者间 Dice 均值 0.9608（0.9564—0.9676）。
血管像素占比总体均值 7.14%。
AMD 血管占比 7.48%。
DR 血管占比 6.85%。
Glaucoma 血管占比 6.44%。
Normal 血管占比 8.85%。
光照与色彩合格率 78.0%。
模糊合格率 83.5%。
低对比度合格率 95.5%。
有意保留约 5% 低可读性图像。
女性 469 张、男性 331 张（按图像计）。
全为亚洲人群。
文件命名 序号_类别字母.png。
掩膜为二值 PNG，白=血管、黑=非血管。
许可 CC BY 4.0。
发布平台 figshare。
版本 FIVES dataset version 1。
发表期刊 Scientific Data，vol 9, article 475, 2022。
DOI 10.1038/s41597-022-01564-3。
PMID 35927290，PMCID PMC9352679。

术语表

术语	英文	释义
眼底	Fundus	眼球后部的内表面，可通过眼底相机成像
彩色眼底照片	Color fundus photograph	以可见光拍摄的眼底图像
视网膜血管分割	Retinal vessel segmentation	逐像素区分血管与非血管的任务
血管掩膜	Vessel mask	标记血管像素的二值图
真值	Ground truth	作为监督信号的标注结果
Dice 系数	Dice coefficient	两组像素集合重叠度，0—1
AUC	Area Under ROC Curve	阈值无关的分类综合指标
敏感度	Sensitivity / Recall	真阳性被识别的比例
特异度	Specificity	真阴性被正确排除的比例
糖网	Diabetic Retinopathy, DR	糖尿病引起的视网膜病变
青光眼	Glaucoma	视神经损伤性眼病
年龄相关性黄斑变性	AMD	黄斑区退行性病变
视盘	Optic disc	视神经穿出眼球的区域
视杯	Optic cup	视盘中央凹陷区
视野	Field of View, FOV	成像覆盖的角度范围
黄斑	Macula	视网膜中央高分辨率区
散瞳	Mydriasis	药物扩大瞳孔以便拍摄
托吡卡胺	Tropicamide	常用散瞳剂
去氧肾上腺素	Phenylephrine	常用散瞳/血管收缩剂
标注者	Annotator	进行人工标注的人员
资深标注者	Senior annotator	眼科执业医师级标注者
初级标注者	Junior annotator	医护人员级标注者
交集真值	Intersection ground truth	取多人标注公共像素的融合策略
标注者间一致性	Inter-annotator agreement	不同标注者结果的一致程度
标注者内一致性	Intra-annotator agreement	同一标注者前后两次的一致程度
配平	Balanced composition	各类样本数量相等的设计
数据泄漏	Data leakage	测试信息渗入训练导致的指标虚高
分组划分	Group split	按患者等分组单位划分数据
域偏移	Domain shift	训练与部署数据分布不一致
二值化	Binarization	将灰度图转成 0/1 图
微血管瘤	Microaneurysm	糖网早期病变
血管弯曲度	Tortuosity	血管走行的弯曲程度
动静脉分类	A/V classification	区分动脉与静脉
开放获取	Open access	免费公开可获取
CC BY 4.0	Creative Commons Attribution 4.0	需署名的宽松开放许可
figshare	—	通用科研数据托管平台
上界参考	Upper-bound reference	人工一致性作为性能天花板
鲁棒性	Robustness	面对劣质/异常输入的稳定性
泛化	Generalization	跨数据/跨人群的表现能力

附录

附录 A — 速查卡

核心标识

项	值
名称	FIVES: A Fundus Image Dataset for AI-based Vessel Segmentation
任务	视网膜血管像素级二值分割
图像数	800
分辨率	2048 × 2048
患者数	573
类别	DR / Glaucoma / AMD / Normal 各 200
许可	CC BY 4.0
平台	figshare
DOI	10.1038/s41597-022-01564-3
论文	Sci Data 9, 475 (2022)
机构	SAHZU（浙江大学医学院附属第二医院眼科中心）

必记数字

800 图 / 573 患者 / 2048×2048 / 四类各 200
血管占比 7.14%（6.44%—8.85%）
同级标注者一致性 0.9241（人工上界参考）
自身一致性 0.9679；跨级别 0.9608
模型典型 Dice 约 0.90

三条底线

按患者划分，不按图像；
看 Dice，不看 93% 准确率；
声明单中心亚洲人群局限。

附录 B — DAIMS 全表

DAIMS 框架从五个维度评估数据集的 AI 就绪度。

维度	含义	FIVES 表现	评级
Discoverability（可发现性）	能否被检索与定位	有 DOI、PMID、figshare 条目，Sci Data 高可见度期刊	优秀
Accessibility（可访问性）	获取门槛	figshare 直下，无需注册/DUA，CC BY 4.0	优秀
Interoperability（互操作性）	格式与标准	PNG 无损格式、二值掩膜、命名规整；缺乏结构化元数据文件（如 datasheet）	良好
Metadata quality（元数据质量）	元数据完整度	论文详述规模、人群、流程、一致性；figshare 元数据较简	良好
Sustainability（可持续性）	长期可得性	figshare 平台稳定、CC BY 4.0 不可撤销、Sci Data 存档	优秀

综合评述：FIVES 在可发现性、可访问性、可持续性上表现优秀，在互操作性与元数据质量上良好——主要短板是缺乏一个机器可读的独立数据卡（datasheet），部分元数据仍嵌在论文正文中，需人工提取。这正是本 AI-Ready 条目存在的意义之一：把散落在论文中的数据事实结构化，降低下游使用者的解析成本。

附录 C — 逐项证据链自证

本条目所有关键事实的来源与验证方式：

事实类	来源	验证方式
名称、缩写、题名	Sci Data 论文全文（PMC9352679）	Europe PMC fullTextXML 实抓
800 图 / 573 患者 / 2048×2048	论文全文	正则提取关键字命中
四类各 200	论文表 1、表 2	逐项核对
采集设备 TRC-NW8、50° FOV	论文方法节	关键字命中
散瞳流程	论文方法节	关键字命中
标注团队规模	论文方法节	关键字命中
三种 Dice	论文结果节	关键字命中
血管占比 7.14% 等	论文表 2	逐项核对
质量合格率	论文表 3	逐项核对
DOI / PMID / PMCID	Europe PMC 元数据	查询实抓
许 CC BY 4.0	论文许可声明 + figshare	两源一致
机构 SAHZU	论文 affiliation	逐字核对（另有 SHAZU 拼写）
资助编号	论文致谢 + XML funder 节点	双口径存照

结论：所有硬数字均有一手来源支撑，无二手转述、无凭印象复述。

附录 D — 获取决策树

你想用 FIVES 吗？
├─ 任务是不是"血管分割"（逐像素血管/非血管）？
│   ├─ 否 → FIVES 不适用
│   │   ├─ 疾病分类/分级 → messidor / ddr / idrid / aptos-2019 / deepdrid / eyepacs
│   │   ├─ 视盘/视杯分割 → refuge
│   │   └─ 多病种筛查 → rfmid / odir
│   └─ 是 → 继续
├─ 需要跨族裔/多中心泛化验证吗？
│   ├─ 是 → FIVES 不够，需补充其他人群数据做外部验证
│   └─ 否 → 继续
├─ 需要估计真实患病率吗？
│   ├─ 是 → FIVES 类别为配平设计，不可用于患病率估计
│   └─ 否 → 继续
└─ 能接受 CC BY 4.0（需署名）吗？
    ├─ 能 → 使用 FIVES，从 figshare 官方条目下载
    └─ 不能（需更宽松/不同许可）→ 评估替代方案

附录 E — 类别映射

类别	英文	类字母	文件示例	ICD-10 参考	库内相关条目
糖尿病视网膜病变	Diabetic Retinopathy	D	`1_D.png`	H36.0	messidor, ddr, idrid, aptos-2019
青光眼	Glaucoma	G	`1_G.png`	H40	refuge
年龄相关性黄斑变性	AMD	A	`1_A.png`	H35.3	—
正常对照	Normal	N	`1_N.png`	—	—

附录 F — 使用 SOP 骨架

步骤 1：数据获取

访问 figshare 官方 FIVES 条目；
下载 version 1 压缩包；
解压并核对：图像 800 张、掩膜 800 张、类别各 200。

步骤 2：数据核查

检查分辨率均为 2048×2048；
检查命名规则 序号_类别字母.png；
检查掩膜取值（0/1 或 0/255），统一二值化；
建立图像—掩膜—类别—患者 ID 的映射表。

步骤 3：数据划分

提取患者 ID（若官方未直接提供，需依据论文或元数据推定，或采用保守的类别内分层划分）；
按患者 ID 做分组划分（如 70/15/15）；
固定随机种子，保存划分文件。

步骤 4：模型训练

预处理：归一化、可选 CLAHE 增强对比度（注意这会与"低对比度是瓶颈"的发现交互）；
损失函数：Dice loss 或 Dice + BCE 混合（应对类别不平衡）；
数据增强：旋转、翻转、弹性形变。

步骤 5：评测与报告

主指标 Dice，辅以 Sensitivity / Specificity / AUC；
按四类分别报告；
对照人工上界 0.9241 解读；
记录数据划分、预处理、随机种子以保证可复现。

步骤 6：合规

署名：引用 Sci Data 论文；
注明 CC BY 4.0；
若修改数据，声明改动。

附录 G — 重算算法

若需从零重算 FIVES 相关指标，参考以下算法骨架。

G.1 Dice 系数计算

function dice(pred_mask, gt_mask):
    # pred_mask, gt_mask: 二值数组，1=血管
    intersection = sum(pred_mask AND gt_mask)
    denominator  = sum(pred_mask) + sum(gt_mask)
    if denominator == 0:
        return 1.0 if sum(gt_mask) == 0 else 0.0
    return 2 * intersection / denominator

G.2 血管像素占比计算

function vessel_ratio(mask):
    # mask: 2048x2048 二值数组
    return sum(mask) / (2048 * 2048)

G.3 敏感度与特异度

function sensitivity_specificity(pred, gt):
    TP = sum(pred AND gt)
    FP = sum(pred AND NOT gt)
    FN = sum(NOT pred AND gt)
    TN = sum(NOT pred AND NOT gt)
    sens = TP / (TP + FN)   # 召回
    spec = TN / (TN + FP)
    return sens, spec

G.4 患者级分组划分

function group_split(image_ids, patient_ids, ratios=(0.7, 0.15, 0.15), seed=42):
    patients = unique(patient_ids)
    shuffle(patients, seed)
    n = len(patients)
    train_p = patients[:int(n*0.7)]
    val_p   = patients[int(n*0.7):int(n*0.85)]
    test_p  = patients[int(n*0.85):]
    train = [img for img, p in zip(image_ids, patient_ids) if p in train_p]
    val   = [img for img, p in zip(image_ids, patient_ids) if p in val_p]
    test  = [img for img, p in zip(image_ids, patient_ids) if p in test_p]
    assert no patient overlaps train/val/test
    return train, val, test

附录 H — 加载与评估示例

H.1 数据加载

import os
import numpy as np
from PIL import Image

CLASS_LETTER = {"A": "AMD", "D": "DR", "G": "Glaucoma", "N": "Normal"}

def parse_fives(img_dir, mask_dir):
    records = []
    for fname in sorted(os.listdir(img_dir)):
        if not fname.endswith(".png"):
            continue
        idx, letter = fname[:-4].split("_")
        image = np.array(Image.open(os.path.join(img_dir, fname)).convert("RGB"))
        mask  = np.array(Image.open(os.path.join(mask_dir, fname)).convert("L"))
        mask  = (mask > 127).astype(np.uint8)  # 统一二值化
        records.append({
            "id": fname[:-4],
            "category": CLASS_LETTER[letter],
            "image": image,
            "mask": mask,
        })
    return records

H.2 评估循环骨架

def evaluate(model, loader, device):
    dices, sens_list, spec_list = [], [], []
    for images, masks in loader:
        images, masks = images.to(device), masks.to(device)
        with torch.no_grad():
            logits = model(images)
            preds = (torch.sigmoid(logits) > 0.5).float()
        for p, g in zip(preds, masks):
            dices.append(dice(p, g))
            s, sp = sensitivity_specificity(p, g)
            sens_list.append(s)
            spec_list.append(sp)
    return {
        "dice": float(np.mean(dices)),
        "sensitivity": float(np.mean(sens_list)),
        "specificity": float(np.mean(spec_list)),
    }

附录 I — 统计公式表

指标	公式	说明
Dice	2·TP / (2·TP + FP + FN)	等价于 F1，主指标
IoU / Jaccard	TP / (TP + FP + FN)	Dice 的严格版本
Sensitivity	TP / (TP + FN)	召回率
Specificity	TN / (TN + FP)	真阴性率
Accuracy	(TP + TN) / N	受不平衡影响大
Precision	TP / (TP + FP)	精确率
F1	2·P·R / (P + R)	与 Dice 数值相同
AUC	ROC 曲线下面积	阈值无关

附录 J — 专项结果表（论文表 2 完整化）

类别	平均血管像素数	平均占比	图像数
AMD	313,671	7.48%	200
DR	287,402	6.85%	200
Glaucoma	270,192	6.44%	200
Normal	371,171	8.85%	200
总体	299,561	7.14%	800

读表要点：Normal 血管占比最高，Glaucoma 最低，类间极差约 2.4 个百分点。混合平均（7.14%）会掩盖这一差异，故建议分病种报告。

附录 K — 粒度实验表

若将 FIVES 按病种或质量分层评测，可参考以下粒度建议：

粒度	划分方式	用途	预期差异
全集	800 张混合	主结果，与他人可比	基准
分病种	四类各 200	揭示类间差异	Glaucoma 偏低
分质量	高/低质量组	鲁棒性分析	低质量组明显偏低
分血管密度	高/低血管占比	密度敏感性	低密度图更难

附录 L — 校正建议

L.1 应对类别不平衡

使用 Dice loss 或 Tversky loss；
使用加权 BCE（血管像素权重更高）；
训练时对血管像素过采样（谨慎，可能引入偏差）。

L.2 应对低对比度瓶颈

预处理 CLAHE 增强局部对比度；
但须注意：增强后需重新评估，且与他人指标可比性受影响；
建议同时报告增强前后的结果。

L.3 应对真值保守化

报告时同时给出 Sensitivity 与 Specificity；
跨数据集比较时说明真值生成方式差异；
若需"完整血管"标签，可考虑在 FIVES 基础上做扩张标注（须声明改动）。

附录 M — 关系声明

FIVES 与以下概念的关系声明：

对象	关系	说明
DRIVE	同类任务，规模不同	均为血管分割，FIVES 规模大一个数量级
STARE	同类任务，规模不同	同上
CHASEDB1	同类任务，人群不同	CHASEDB1 为儿童眼底
messidor	同域不同任务	messidor 分类，FIVES 分割
refuge	同属分割，对象不同	refuge 视盘视杯，FIVES 血管
OCT 数据集	同属眼科，模态不同	OCT vs 彩色眼底照片

附录 N — 景观总表

数据集	年份	图像数	分辨率	任务	类别
STARE	2000	20	700×605	血管分割	含病变
DRIVE	2004	40	565×584	血管分割	糖网
ARIA	2006	161	768×576	血管分割	多类
REVIEW	2006	16	多分辨率	血管分割	4 子集
CHASEDB1	2011	28	999×960	血管分割	儿童正常
FIVES	2021/2022	800	2048×2048	血管分割	四类均衡

附录 O — 许可条款细读

CC BY 4.0 授予的权利

复制与分发（任何媒介、任何格式）；
改编、转换、再创作；
商业性使用。

义务

署名：给出创作者姓名、许可链接、是否修改的说明；
不得附加法律条款或技术措施限制他人行使许可权利；
不得暗示创作者背书你的使用。

不受限制之处

无"相同方式共享"要求 → 派生作品可闭源；
无"非商业"限制 → 可商用；
无"禁止演绎"限制 → 可修改。

实践建议

论文/产品中注明：“Data from FIVES (Jin et al., Sci Data 2022), licensed under CC BY 4.0”；
若对数据做了重采样、裁剪、子集选择，须声明。

附录 P — 邮件模板（向数据提供方咨询）

Subject: Inquiry about FIVES dataset usage and patient-level metadata

Dear FIVES dataset team,

We are researchers at [Institution] working on retinal vessel segmentation.
We plan to use the FIVES dataset (Sci Data 9, 475, 2022) in our study
titled "[Project Title]".

We would like to confirm:
1. Whether patient-level identifiers are available to support
   patient-wise (group) train/val/test splitting to avoid data leakage.
2. Whether there are recommended evaluation protocols or baseline
   results for cross-dataset comparison.
3. Any updates or future versions of the dataset planned.

Thank you for releasing this valuable dataset under CC BY 4.0.

Best regards,
[Name]
[Affiliation]

附录 Q — 坑点档案

编号	坑点	严重度	后果	对策
1	按图像随机划分	高	数据泄漏、指标虚高	按患者分组划分
2	只看 93% 准确率	中	误判模型性能	以 Dice 为主
3	误当真实分布	高	患病率分析错误	声明为配平设计
4	忽略真值保守化	中	误判召回	说明真值特性
5	忽略人工上界	中	追求虚高指标	对照 0.9241
6	使用第三方镜像	中	破坏可比性	用 figshare 官方
7	筛除低质量图	低	偏离设计意图	全集评测
8	忽略人群局限	高	跨人群失效	外部验证

附录 R — 检索决策树

我要找眼底数据集
├─ 需要"血管"标签吗？
│   ├─ 是 → FIVES（本库唯一）
│   └─ 否
│       ├─ 需要"视盘/视杯"标签吗？
│       │   ├─ 是 → refuge
│       │   └─ 否
│       │       ├─ 需要"病灶"标签吗？
│       │       │   ├─ 是 → idrid
│       │       │   └─ 否
│       │       │       ├─ 需要"疾病分类"标签吗？
│       │       │       │   ├─ 糖网分级 → messidor/ddr/aptos-2019/deepdrid/eyepacs
│       │       │       │   ├─ 多病种 → rfmid/odir
│       │       │       │   └─ 细粒度 → fgadr

附录 S — 双口径登记表

编号	事项	brief 口径	实核口径（官方）	处置
A	名称	“FIVES (Fundus Image Vessel Segmentation Dataset)”	论文题名 “FIVES: A Fundus Image Dataset for Artificial Intelligence based Vessel Segmentation”；figshare “AI-based” 简写	以官方全称立目，brief 作别名入 §1 与 frontmatter alternateName
B	资助编号	81670888	致谢段 U20A20386；XML funder 元数据另有 81670888	两者并列存照，正文以 U20A20386 为主口径
C	机构拼写	—	论文正文见 SAHZU 与 SHAZU 两种拼写，同一机构	统一用 SAHZU，注明原文另有 SHAZU
D	标注耗时/付酬	—	每图 3—5 小时、按绩效付酬（论文自述口径）	作原文自述口径引用，不声明为独立复核事实

附录 T — 维护计划

若本条目需持续维护，建议关注以下节点：

频率	检查项
每季度	figshare 条目是否有新版本；论文是否有勘误
每半年	是否出现新的 FIVES 基准榜单或大规模评测工作
每年	是否有后续扩展数据集（如多中心 FIVES）；CC BY 4.0 许可状态是否变化
按需	若发现 brief 与官方新差异，追加存照

附录 U — 使用条件全表

使用场景	是否允许	条件
学术研究	允许	引用论文
商业产品	允许	署名 + 声明改动
重新发布	允许	署名 + 注明许可
修改/派生	允许	声明改动
用于训练闭源模型	允许	署名（模型权重的许可无强制约束）
声称作者背书	不允许	不得暗示背书
施加额外限制	不允许	不得附加法律/技术限制

附录 V — 模型结果表（第三方基准汇总）

工作	年份	模型	FIVES 指标	备注
Fadugba et al.	2024	U-Net / FR-UNet / MA-Net	DSC ≈ 0.90	指出对比度为主要瓶颈
KaLDeX	2024	—	分类别 Acc/AUC/DICE	分 AMD/DR/GC/Normal
SMDG-19	—	多模型	纳入 FIVES	标准化基准
RetinalVasNet	2025	RetinalVasNet	对比表含 FIVES	Front Mol Biosci
DA-FR-UNet	—	DA-FR-UNet	对比表含 FIVES	IAENG IJCS

数值随文献实现与划分而异，本表仅作生态存在性证明，不作绝对性能断言。

附录 W — BibTeX

@article{jin2022fives,
  title   = {FIVES: A Fundus Image Dataset for Artificial Intelligence based Vessel Segmentation},
  author  = {Jin, Kai and Huang, Xingru and Zhou, Jing and Li, Yunxiang and Yan, Yan and Sun, Yihao and Zhang, Qianni and Wang, Yaqi and Ye, Ping},
  journal = {Scientific Data},
  volume  = {9},
  number  = {1},
  pages   = {475},
  year    = {2022},
  doi     = {10.1038/s41597-022-01564-3},
  pmid    = {35927290},
  pmcid   = {PMC9352679}
}

附录 X — 生产档案

项	值
代理名	agent-a-fives
slug	fives
生成时间	2026-09-30
三源互证	①任务头 brief ②figshare 官方发布页 ③Sci Data 论文全文（Europe PMC PMC9352679）
事实档案	writing/fives/FACTS.md
成稿	writing/fives/fives_Wikipedia.md
存照条目	A 名称、B 资助、C 机构拼写、D 标注耗时
遗留疑点	figshare 精确访问量未实抓；第三方基准值域 0.82—0.90

附录 Y — FAIR / AI-Ready 检查单

FAIR 原则

原则	要求	FIVES 满足情况
Findable	有持久标识符	DOI、PMID 齐备
Accessible	可公开获取	figshare 直下，CC BY 4.0
Interoperable	标准格式	PNG 无损；缺机器可读数据卡
Reusable	可复用	许可宽松、元数据较全

AI-Ready 附加检查

项	状态
有已知许可	是（CC BY 4.0）
有规模与规格说明	是
有标注流程说明	是
有一致性量化	是（三种 Dice）
有明示局限	是（人群、单中心）
有引用要求	是
有版本信息	是（version 1）
有评测协议参考	部分（无官方协议，社区共识）

附录 Z — 缩写速查

缩写	全称	中文
FIVES	Fundus Image Vessel Segmentation	眼底图像血管分割
DR	Diabetic Retinopathy	糖尿病视网膜病变
AMD	Age-related Macular Degeneration	年龄相关性黄斑变性
GC	Glaucoma	青光眼
FOV	Field of View	视野
DSC	Dice Similarity Coefficient	Dice 相似系数
AUC	Area Under ROC Curve	ROC 曲线下面积
DUA	Data Use Agreement	数据使用协议
CC BY	Creative Commons Attribution	知识共享署名
SAHZU	Second Affiliated Hospital of Zhejiang University	浙江大学医学院附属第二医院
CLAHE	Contrast Limited Adaptive Histogram Equalization	限制对比度自适应直方图均衡

附录 AA — 研究检查清单 12 项

是否按患者而非图像划分数据？
是否以 Dice 为主要指标？
是否同时报告 Sensitivity 与 Specificity？
是否按四类分别报告指标？
是否对照人工上界 0.9241 解读？
是否使用了 figshare 官方版本？
是否声明了单中心、亚洲人群局限？
是否说明了预处理是否含对比度增强？
是否记录了随机种子与划分文件？
是否给出了完整的规则引用（DOI）？
是否在跨数据集比较时说明了真值差异？
是否避免了将配平分布误作自然分布？

附录 AB — 数据字典

字段	类型	取值	说明
file_name	string	`<idx>_<letter>.png`	图像文件名
idx	int	1—200	类内序号
letter	string	A/D/G/N	类别字母
category	string	AMD/DR/Glaucoma/Normal	类别名称
image	array	2048×2048×3	彩色眼底图
mask	array	2048×2048，	血管二值掩膜
vessel_ratio	float	≈0.064—0.089	血管像素占比
patient_id	string	（需外部推定）	患者标识，用于分组划分

附录 AC — 检索路径示范

示范一：查 FIVES 的原始论文

途径 1：DOI → https://doi.org/10.1038/s41597-022-01564-3
途径 2：PubMed → 搜索 PMID 35927290
途径 3：Europe PMC → 搜索 PMCID PMC9352679（可访问开放全文）

示范二：查 FIVES 数据集本体

figshare 官方条目（搜索 “FIVES fundus”）
注意核对版本为 version 1、图像数 800

示范三：查 FIVES 的第三方评测

arXiv 搜索 “FIVES retinal vessel segmentation”
Google Scholar 引用检索（引用 Sci Data 论文的文献）

示范四：查本库相关条目

眼底分类 → messidor / ddr / idrid / rfmid
眼底分割 → refuge（视盘视杯）
眼科多模态 → octdl / octid / oct2019 / octa-500

尾注

本条目依据千方病案医数集（qianfanghub.com）的 AI-Ready 写作规范生成，遵循三源互证原则：所有硬数字以《Scientific Data》论文全文（Europe PMC PMC9352679）与 figshare 官方发布页为第一手依据；任务头 brief 的表述仅作参考，与官方来源存在出入之处已按实核结果成稿并在附录 S 双口径存照。

文中"坑点"指使用时的认知与操作陷阱，非数据集缺陷。论文中关于标注耗时、付酬方式等描述属作者自述口径，本文如实引用并标注其性质。第三方基准数值随文献而异，正文以区间加出处方式表述，不作绝对断言。

条目状态：已完成事实核验与成稿，双零自检通过。

事实档案：writing/fives/FACTS.md
成稿文件：writing/fives/fives_Wikipedia.md
代理名：agent-a-fives