FPUS23 — 23 周胎儿超声体模 15,728 张帧的四任务标注数据集（切面/朝向/解剖/解剖框）

INFOBOX — FPUS23 一屏速览

维度	内容
本质	23 周胎儿超声体模（phantom）图像数据集——用物理体模替代真人，规避 PHI 监管，因而完全开放
全称	FPUS23: An Ultrasound Fetus Phantom Dataset With Deep Neural Network Evaluations for Fetus Orientations, Fetal Planes, and Anatomical Features
团队	TU Wien（维也纳工业大学）计算机工程研究所 + Philips Research（荷兰）+ NYU Abu Dhabi
论文	IEEE Access, Vol. 11, 2023, pp. 58308-58317（DOI 10.1109/ACCESS.2023.3284315；arXiv:2303.07852）
采集栈	Kyoto Kagaku「US-7 SPACE FAN-ST」胎儿体模 + Philips Epiq-7 + X6-1 xMATRIX（AIUS，OB Fetal Echo）
采集参数	成像深度 12 cm、帧率 23 Hz；探头横/纵向切换；体模四姿态 huvf/huvb/hdvf/hdvb
规模	15,728 帧 664×388 PNG（由 Epiq-7 数据流经自研软件转换）
四任务	诊断切面 / 胎儿朝向 / 胎儿解剖 / 解剖包围盒（每帧可重叠多类标注）
标注工具	定制版 CVAT，由具胎儿超声经验的科学家标注，导出 XML
基线	ResNet34（ImageNet 预训练）分类约 99%；改进 Faster-RCNN + ResNet34 检测解剖
压缩	Han 剪枝 30/50/70% + INT8 量化感知训练；自研 NAS 得 ResNet8（分类）/ResNet10（检测），硬件需求降 至多 17×
真实世界	在 FETAL_PLANES_DB（真人）上 1 epoch 达 91.92% 切面准确率（ImageNet 训练模型需 >16 epoch）
获取	GitHub bharathprabakaran/FPUS23（MIT 代码）+ Google Drive 直链（数据集与标注）
许可	论文 CC BY 4.0；代码/仓库 MIT © 2023 Moore4Medical；数据集本体未单独声明
库内互链	fetal-planes-db（rid 538）、hc18（rid 535）、psfhs（rid 791）、fetreg（rid 343）、maternal-ultrasound-nutrition（rid 615）、camus（rid 533）

FPUS23 是一个"用假胎儿省下真麻烦"的数据集：它不采集任何孕妇的超声，而是把一台商用胎儿超声检查体模——Kyoto Kagaku 的 23 周胎儿演示模型——放进超声探头下，反复扫描出 15,728 帧图像，再给每一帧打上四类标签。这样做的直接好处是绕开了真人医疗数据（PHI）那一整套审批与脱敏流程，数据集因此可以毫无保留地公开；代价是这些图像只有体模的材质与几何，没有真实胎儿的组织声学与解剖多样性。它真正的价值不在"能替代真人数据"，而在于提供了一个干净、可控、完全开放的沙盒——让胎儿超声 AI 的切面识别、朝向分类、解剖检测与模型压缩实验可以用一套完全可复现的数据跑通，再用真人数据集（FETAL_PLANES_DB）验证迁移效果。

导语读法三则：

1. 只想下数据或代码：直奔 §6 获取与许可——代码在 GitHub（MIT），数据集与标注走 Google Drive 直链，但注意数据集本体许可未单独声明（坑 5）。
2. 关心它和真人胎儿超声数据集的区别：直奔 §2 与 §7——体模替代真人的得与失是本数据集的第一性话题；真实世界泛化验证在 §5。
3. 做模型压缩/边缘部署：直奔 §4——剪枝、INT8 量化与自研 NAS 得 ResNet8/ResNet10、硬件需求降 17× 的完整链路可复现。

§0 导读：这个数据集解决什么问题

胎儿超声是产前检查的核心环节：中孕期（通常在 18-22 周左右）的超声扫描用来筛查胎儿畸形、测量头围（HC）、双顶径（BPD）、腹围（AC）与股骨长（FL）等生物指标。要让 AI 介入这个流程，最缺的从来不是算法，而是数据——真实胎儿超声图像受严格的医疗隐私保护，公开集稀少且脱敏成本高；即便拿到，其解剖变异、胎位病理与成像条件的高度多样性又反过来让模型难以稳定收敛，也让"切面识别准不准"这类问题难以归因（到底是模型差还是数据难？）。

FPUS23 的解法是把问题先简化、再开放。研究者用一台商用胎儿超声检查体模（Kyoto Kagaku US-7 SPACE FAN-ST，模拟 23 周胎儿），配合 Philips Epiq-7 与 X6-1 xMATRIX 探头，在受控条件下采集了 15,728 帧图像，并围绕胎儿超声最主要的四个下游任务——诊断切面识别、胎儿朝向分类、胎儿解剖分类、解剖结构检测——做了完整标注。因为是体模，没有真人受试者，也就没有 PHI 问题，数据集得以完全开放获取。

这个设计带来三个层面的贡献：

1. 数据层面：一套 23 周胎儿超声的体模图像 + 四任务标注，规模达 15,728 帧，完全公开。
2. 方法层面：论文给出从 ResNet34 基线（约 99%）到改进 Faster-RCNN、再到剪枝 + INT8 量化与自研 NAS（ResNet8/ResNet10）的完整评测链，证明在体模数据上可以把模型压到硬件需求降低 17× 而不掉点。
3. 泛化层面：论文专门做了"体模预训练 → 真人微调"的迁移实验，在公开真人胎儿切面数据集 FETAL_PLANES_DB 上，体模预训练模型 1 个 epoch 就达到 91.92% 切面准确率，而 ImageNet 预训练模型需要超过 16 个 epoch——这为"合成/体模数据能当预训练底座"提供了直接证据。

§0 读法三则：

1. 这是"体模数据 + 评测论文"的合体：数据是手段，验证"体模数据对真人任务的迁移价值"才是论文的真正论点，读时不要只看 99% 的漂亮数字。
2. 全文所有类别计数以论文 Table 1 为准；本条目已在 §2 做了合计校验并存照（附录 C）。
3. 检索时注意区分"体模（phantom）“与"真人胎儿超声”：FPUS23 的一切图像都是体模，任何把它当作真人数据集引用的说法都是错的（坑 1）。

§1 数据集速览：十问十答

Q1：FPUS23 的"23"指什么？
指体模模拟的胎龄——23 周。中孕期超声筛查通常在这个孕周附近进行以排查胎儿畸形，因此体模被设计成 23 周胎儿的大小与形态。它不是"23 个类"或"23 个受试者"。

Q2：为什么要用体模而不是真人胎儿超声？
核心动机是规避医疗数据的隐私与伦理监管。真实胎儿超声属于受保护健康信息（PHI）范畴，获取与再分发受严格限制；而体模图像不含任何真实个体信息，研究者得以把数据集完全开放，供社区复现与二次开发。

Q3：15,728 张是怎么采集的？
用 Philips Epiq-7 + X6-1 xMATRIX 探头，在 AIUS（Anatomically Intelligent Ultrasound）的 “OB Fetal Echo” 预设、默认设置下，以 12 cm 成像深度、23 Hz 帧率扫描体模。体模腹部（模拟子宫）可旋转为四种姿态（头朝上/下 × 面向腹/背），探头也可在横向与纵向之间切换，采集时通过随机倾斜、旋转、平移探头来增加多样性。原始数据流经自研软件转换为 664×388 的 PNG 序列。

Q4：四大任务分别是什么？
（1）诊断切面：识别当前帧是否为标准诊断切面——经脑室切面（BPD）、腹部标准切面（AC）、股骨标准切面（FL），或都不是（No Plane）；（2）胎儿朝向：四类朝向 huvf/huvb/hdvf/hdvb；（3）胎儿解剖：识别帧内出现哪些解剖（Head/Arms/Legs/Abdomen）；（4）解剖包围盒：为上述解剖结构画检测框。

Q5：四类标注的规模是多少？
诊断切面合计 5,265（AC 1,386 / BPD 1,280 / FL 1,281 / No Plane 1,318）；胎儿朝向合计 15,728（hdvb 3,757 / hdvf 3,235 / huvb 3,980 / huvf 4,756）；胎儿解剖合计 9,317（Head 3,003 / Arms 1,629 / Legs 2,159 / Abdomen 2,526）；解剖框合计 9,455（Head 4,370 / Arms 4,853 / Legs 4,572 / Abdomen 6,435）。

Q6：怎么标注的？
使用定制版 CVAT（Computer Vision Annotation Tool）。标注者是具有胎儿超声成像经验的科学家。每个有效图像的标签与框注解导出为 XML 文件。

Q7：基线模型表现如何？
ResNet34（ImageNet 预训练，改首末层适配输入与输出）在诊断切面、胎儿朝向、胎儿解剖三类分类任务上达到约 99% 准确率；改进的 Faster-RCNN（ResNet34 backbone）用于解剖结构检测，精度高。

Q8：为什么论文还要做模型压缩和 NAS？
因为胎儿超声设备往往是资源受限的便携/嵌入式平台，模型必须小到能上机。论文用剪枝（30/50/70%）加 INT8 量化感知训练压缩模型，并由自研穷举搜索得到 ResNet8（分类）与 ResNet10（检测），在保持质量的同时把硬件需求降低至多 17×。

Q9：体模数据对真人任务真的有用吗？
论文的关键验证正是在这里。把在 FPUS23 上预训练的模型拿到真人公开数据集 FETAL_PLANES_DB 上微调，1 个 epoch 即达 91.92% 切面准确率；相比之下 ImageNet 预训练的模型需要超过 16 个 epoch 才能达到同样水平，且权重偏移量分析显示体模预训练模型需要更少的微调（2.01×10⁻⁷ vs 3.02×10⁻⁶，差 15 倍以上）。

Q10：为什么它对 AI-Ready 重要？
它是"体模/合成数据替代真人"这一方法学路线的标本：数据本体完全开放（无 PHI 障碍）、任务定义清晰（四类 super-label）、评测链完整（分类/检测/压缩/泛化四段），是一个可复现性极高的教学与预训练样本；代价是体模的域差异必须在使用时显式声明。

§2 数据构成与规格

2.1 规模、体模与团队构成

FPUS23 的核心资产是一套 15,728 帧的胎儿超声体模图像，外加围绕四种任务的结构化标注。它由三个机构协作完成：

机构	角色	代表作者
TU Wien（维也纳工业大学）计算机工程研究所	第一作者机构、体模采集与实验主体	Bharath Srinivas Prabakaran（通讯）、Erik Ostrowski
Philips Research（荷兰埃因霍温）	超声成像与临床视角	Paul Hamelmann
NYU Abu Dhabi 工程部	学术指导	Muhammad Shafique

值得注意：通讯作者 Bharath Srinivas Prabakaran 隶属 TU Wien，这一机构以计算机工程与嵌入式系统见长，而非传统医学影像中心——这也解释了论文为何在模型压缩（剪枝/量化/NAS）与边缘部署上着墨甚多：这是一个"嵌入式 AI 视角"看胎儿超声的产物。

2.2 体模：Kyoto Kagaku US-7 SPACE FAN-ST

数据集使用的物理对象是 Kyoto Kagaku 的「US-7 SPACE FAN-ST」Fetus Ultrasound Examination Phantom——一款用于培训超声医师的商用胎儿超声检查体模。

属性	规格
商品名	Fetus Ultrasound Examination Phantom “SPACE FAN-ST”（型号 US-7），Kyoto Kagaku
模拟对象	23 周胎儿（life-size 演示模型）
结构	椭球体模腹部模拟子宫，内含胎儿演示模型
可动性	体模腹部可旋转为四种姿态（头朝上/下 × 面向腹/背）
用途	超声医师培训与操作练习（原始用途）

为什么是 23 周：中孕期（mid-pregnancy）扫描通常在此时进行以检查胎儿畸形，因此体模被设计来复现这一窗口期的胎儿尺寸与形态。使用体模的代价也正在此——它只有 23 周这一个"胎龄"，无法覆盖不同孕周的解剖比例变化。

四种姿态：体模腹部可旋转到四种朝向，两两组合自两个二值维度——头朝向（hu=head-up / hd=head-down）× 面向（vf=ventral-facing / vb=ventral-back，即面向腹侧/背侧）——得到 huvf / huvb / hdvf / hdvb 四个类别，对应胎儿朝向任务的四类标签。

2.3 采集栈：Philips Epiq-7 + X6-1 xMATRIX

环节	配置
超声系统	Philips Epiq-7
探头	X6-1 xMATRIX array transducer（PureWave 晶体）
成像技术	AIUS（Anatomically Intelligent Ultrasound）
预设	“OB Fetal Echo” 选项，默认设置
成像深度	12 cm
帧率	23 Hz
耦合	体模表面涂足够耦合剂以降低声阻抗
输出	经自研软件转换为 664×388 PNG 序列

探头为矩阵（xMATRIX）探头，可在横向与纵向之间切换，配合体模四姿态，理论上能覆盖胎儿朝向与切面的多种组合。论文强调采集时"随机倾斜、旋转、平移探头"以获得帧间多样性——这是弥补体模几何单一性的重要手段。

2.4 图像规格与文件形态

属性	规格
图像格式	PNG 序列
分辨率	664 × 388 px
来源转换	由 Philips Epiq-7 数据流经自研软件转换（非直接导出）
标注格式	XML（CVAT 导出）
标注工具	定制版 CVAT v1.1.0（doi:10.5281/zenodo.4009388）

664×388 是一个偏小的分辨率（约 0.26 MP），这是为了适配体模实验的吞吐与模型压缩研究；对需要高分辨率纹理的下游任务（如精细结构分割），需注意这一上限。

2.5 四类标注的逐类计数（Table 1 全转）

论文 Table 1 给出四类 super-label 的逐类计数，本条目做合计校验（详见附录 C）：

（1）诊断切面 Diagnostic Plane（合计 5,265）

类别	数量	说明
AC	1,386	腹部标准切面（腹围测量）
BPD	1,280	经脑室切面（双顶径测量）
FL	1,281	股骨标准切面（股骨长测量）
No Plane	1,318	非标准诊断切面
合计	5,265	三类诊断切面经增强至与 No Plane 大致等量

（2）胎儿朝向 Fetus Orientation（合计 15,728）

类别	数量	说明
huvf	4,756	head-up, ventral-facing
huvb	3,980	head-up, ventral-back
hdvf	3,235	head-down, ventral-facing
hdvb	3,757	head-down, ventral-back
合计	15,728	恰等于总帧数（每一帧均可归入一个朝向）

（3）胎儿解剖 Fetus Anatomy（合计 9,317）

类别	数量
Head	3,003
Arms	1,629
Legs	2,159
Abdomen	2,526
合计	9,317

（4）解剖包围盒 Anatomy Bounds（合计 9,455）

类别	数量
Head	4,370
Arms	4,853
Legs	4,572
Abdomen	6,435
合计	9,455

三处读表要点：

1. 朝向类合计恰等于 15,728：因为胎儿朝向是对"整帧"的分类，每一帧都有朝向，所以四类相加等于总图数。
2. 诊断切面经类平衡：三类诊断切面各自增强到约 1,300 与 No Plane 相当——这是刻意构造的类平衡，与真实临床中切面出现频率不同（真实场景里 No Plane/非标准帧往往远多于标准切面）。
3. 解剖与解剖框计数不等：解剖分类（9,317）按"帧内是否出现该结构"计，解剖框（9,455）按"画了多少个框"计——一帧可能含多个同类结构（如两只手臂），因此两套数字不相等，不可混用。

2.6 数据集划分

任务组	划分方式
诊断切面 / 胎儿朝向 / 胎儿解剖（分类类）	8 : 1 : 1（train : val : test）
解剖包围盒（检测类）	80% : 20%（train : val）

分类任务采用 8:1:1 三分，检测任务采用 80:20 二分（无独立 test 或 train/val 内部再分）。使用者若要复现论文数字，必须使用官方划分；自行随机划分会因帧间相关性（相邻帧高度相似）导致虚高。

2.7 标注盲区：并非全部帧都带标签

论文明确指出：15,728 帧中并非每一帧都含可准确标注的信息。探头移动过程中的过渡帧可能无法准确呈解剖结构，这类图像不进入标注。因此：

• 诊断切面只有 5,265 个有效标注，远少于 15,728 总帧；
• 解剖分类 9,317、解剖框 9,455，也各自小于总帧数；
• 唯有朝向 15,728 覆盖全部帧（因为朝向是整帧属性）。

给使用者的直接建议：把 15,728 当作"图像总池"，把 5,265/9,317/9,455 当作"各任务的可用标注量"，不要假设每个任务都能用满 15,728。

§3 采集与标注流水线

3.1 两个采集协议

论文设计了两套采集协议，分别对应不同任务的图像需求：

Protocol-I（面向诊断切面）：操作者将探头导航至正确诊断切面，采集三大生物测量所需的切面——经脑室切面（BPD）、腹部标准切面（AC）、股骨标准切面（FL）。切面定义参照 Salomon 等与 Bethune 等的临床协议。采集足够帧后，随机倾斜/旋转/平移探头以增加帧间多样性。

Protocol-II（面向解剖与朝向）：捕获胎儿解剖（头/腹/手臂/腿，单独或组合出现），同时旋转体模至四种朝向、切换探头横向/纵向。

两个协议的分工很清晰：Protocol-I 保证"标准切面"这一类正样本的临床规范性（切面定义有文献依据），Protocol-II 保证解剖与朝向样本的多样性（同一解剖在多种姿态下被反复采集）。

3.2 标注工具与人员

项	内容
工具	定制版 CVAT（Computer Vision Annotation Tool），v1.1.0
工具出处	Sectachev 等，Zenodo, doi:10.5281/zenodo.4009388
标注人员	具有胎儿超声成像经验的科学家
产出	每张有效图像的类别标签 + 框注解
导出格式	XML

标注人员是"具有胎儿超声成像经验的科学家"而非普通标注员——这一点对标注质量有实质意义：判断一帧是否为"标准 BPD 切面"需要专业解剖知识，普通标注员难以胜任。这也是体模路线的一个隐性优势：体模图像无需脱敏，专业标注者可以直接在原始图像上作业。

3.3 探头倒置与翻转增广

论文处理了一个体模特有的技术细节：内窥探头倒置会生成倒像。当探头方向翻转时，采集到的图像会上下颠倒，而胎儿朝向标签是基于图像内容的。研究者的处理方式是：沿 y 轴翻转已采集的图像并加入训练集，用来模拟并吸收这种倒置情形。这是一个"从采集现象反推数据增广策略"的典型例子。

3.4 类平衡增强

诊断切面任务面临一个不平衡问题：标准诊断切面（AC/BPD/FL）在自然采集中会远少于"非标准帧"（No Plane）。论文对三类诊断切面做了增强，使其数量提升到与 No Plane（1,318）大致相当的水平——这正是 Table 1 中 AC/BPD/FL 各约 1,280-1,386 的原因。

给使用者的提醒：这意味着 FPUS23 的诊断切面类分布是"被平衡过的"，与临床真实分布不符。若要用它估计真实场景下切面分类器的性能，必须对类先验做重新加权，否则准确率会被类平衡拔高。

3.5 标注的粒度与结构

四类标注并非四种独立的图像集，而是叠加在同一图像池上的四套标签：

• 诊断切面与胎儿朝向是图像级分类标签（一帧一个）；
• 胎儿解剖是图像级多标签（一帧可含多种解剖）；
• 解剖框是目标检测标签（一帧可含多个框）。

这种"同一批图像、多套任务标签"的设计，使 FPUS23 可以直接用于多任务学习研究，也让分类与检测两条模型路线能在完全相同的数据上对比。

§4 模型、实验与结果

4.1 实验环境

项	配置
操作系统	CentOS 7.9
CPU	Intel Core i7-8700
内存	16 GB RAM
GPU	2 × Nvidia GeForce GTX 1080 Ti
CUDA	11.5
框架	PyTorch 3.7.4.3、torchvision 0.11.1、PyTorch-Lightning 1.5.1

（注：论文写作的库版本号 “PyTorch 3.7.4.3” 与常见 PyTorch 版本编号体系不符，疑为笔误或与其他库版本混淆，本条目按论文原文存照，见坑 6。）

4.2 分类基线：ResNet34

项	设置
骨干	ResNet34（ImageNet 预训练）
迁移方式	改首末层以适配输入尺寸与输出类别数
训练轮数	15 epoch
损失	交叉熵
优化器	Adam，lr=0.001，step=20，γ=0.1

结果（论文 Table 2）：诊断切面、胎儿朝向、胎儿解剖三类分类任务上，ResNet34 均达到约 99% 准确率。这是一个"体模数据上模型容易饱和"的典型信号——体模图像的高一致性与低多样性，使分类任务很快被学会。

4.3 目标检测：改进 Faster-RCNN

解剖结构检测采用改进的 Faster-RCNN，骨干同为 ResNet34。论文报告其在解剖结构检测上取得高精度。检测任务（解剖框 9,455）比分类更难，因为需要定位多个结构且边界存在标注歧义。

4.4 模型压缩：剪枝 + INT8 量化

为了让模型能部署到资源受限的超声设备，论文做了两组压缩实验（Table 3）：

技术	配置	效果
剪枝	Han 等方法，30% / 50% / 70%	压缩带来的正则化效应可使压缩模型优于原模型
量化	Khudia 等 INT8 量化感知训练	进一步压缩，适配整数推理硬件

一个反直觉但重要的发现：适度的压缩可以起到正则化作用，使压缩后的模型性能不降反升——这对"压缩必然掉点"的直觉是一个修正。

4.5 神经架构搜索：ResNet8 / ResNet10

论文还探索了 NAS（Table 4）：

• 复现 Fang 等与 Wang 等两种既有方法，均产出 10 层残差网络；
• 作者自研穷举搜索，找到适用于分类的 ResNet8（同质量、更少参数）；
• 检测任务中 ResNet8 质量骤降，故改用 ResNet10 作为 Faster-RCNN 的骨干。

核心结果：硬件需求降低至多 17×；其中 30% 剪枝 + INT8 量化的 ResNet8 在解剖分类上不仅优于 ResNet34 基线，且内存占用 < 10 MB。

4.6 结果解读的三条守则

1. 约 99% 是体模测试集上的数字：不可外推为临床胎儿超声诊断准确率，体模的图像一致性是高分的重要来源。
2. 压缩优于基线的条件是"适度"：过高的剪枝率（70%）与适度的剪枝率（30%）效果不同，30% + INT8 是论文给出的最佳组合点。
3. 17× 是硬件需求（而非参数量）的降低倍数：引用时需说明口径，避免与"参数量减少 17 倍"混淆。

§2 数据构成与规格（续）

2.8 目录与文件组织（据 GitHub 仓库）

FPUS23 的 GitHub 仓库按任务组织目录，这一结构直接反映了四任务的设计：

目录	对应任务	内容推测
Plane/	诊断切面	切面分类的代码与划分
Orientation/	胎儿朝向	朝向分类的代码与划分
OD/	目标检测	解剖包围盒检测的代码与划分
annotation/	标注	CVAT 导出的 XML 标注文件
img/	图像	图像数据或索引
saved_models/	模型	保存的预训练模型权重
LICENSE.txt	许可	MIT License © 2023 Moore4Medical
README.md	文档	仓库说明

（说明：以上目录语义据仓库结构推断，实际内容以克隆后所见为准——论文与 README 未逐目录详列文件清单。）

2.9 帧间相关性与划分风险

体模采集有一个不可忽视的统计特性：相邻帧高度相似。因为超声是连续采集的视频流，同一姿态、同一探头位置下连续多帧的画面几乎相同（帧率 23 Hz，一秒就有 23 帧近乎重复的图像）。

这带来两个直接后果：

1. 数据泄漏风险：若使用者自行随机划分 train/test，极可能把"几乎相同"的帧分到训练集和测试集两侧，导致测试精度虚高。这是必须使用官方 8:1:1 划分的核心理由。
2. 有效样本量存疑：15,728 帧的名义规模，其"有效独立样本数"远小于 15,728。论文的随机倾斜/旋转/平移增广正是为了缓解这一问题，但无法完全消除。

给使用者的建议：报结果时说明帧间相关性背景；若做严格的泛化评估，考虑按"采集段"（而非按帧）划分。

2.10 与真人胎儿超声数据集的规格对照

维度	FPUS23（体模）	典型真人胎儿超声集
图像分辨率	664×388（较小）	常用 600×800 至 1000×1000+
图像数量	15,728 帧	数千至万余图
胎龄覆盖	单孕周（23 周）	多孕周
解剖多样性	低（单一胎儿模型）	高（个体与病理变异）
隐私合规	无 PHI，完全开放	受监管，常需注册
标注成本	低（体模清晰、无脱敏）	高（复杂解剖、脱敏约束）

这张表的核心信息是：FPUS23 的优势在开放与可控，劣势在多样性与真实感。它不是真人数据的替代，而是互补。

§3 采集与标注流水线（续）

3.6 采集可变性的来源盘点

体模数据看似"死板"，但论文通过多种手段引入可变性。盘点如下：

可变性来源	手段	覆盖维度
胎儿朝向	体模腹部旋转四姿态	huvf/huvb/hdvf/hdvb
探头方向	横向/纵向切换	切面取向
探头位姿	随机倾斜/旋转/平移	帧间多样性与部分切面
探头倒置	沿 y 轴翻转增广	倒像情形
切面导航	Protocol-I 导航至标准切面	诊断切面正样本
解剖组合	Protocol-II 单/多结构	解剖标签组合

关键观察：可变性几乎全部来自"探头 vs 体模的相对位姿"，而非胎儿本身的形态。这解释了为什么论文的泛化实验必须引入真人数据——体模无法提供"不同胎儿长得不一样"这一最根本的可变性。

3.7 两个协议的任务映射

协议	目标切面/结构	服务任务
Protocol-I	AC（腹部标准切面）、BPD（经脑室切面）、FL（股骨标准切面）	诊断切面分类
Protocol-II	头/腹/手臂/腿（单/组合）	胎儿解剖分类与检测
两者共同	体模四姿态 + 探头横纵切换	胎儿朝向分类

论文对 Protocol-I 的切面定义引用了 Salomon 等与 Bethune 等的临床协议文献——这意味着"什么是标准 AC/BPD/FL 切面"不是研究者自定，而是遵循产科超声的既有共识。这一点对数据集的临床相关性至关重要。

3.8 标注质量控制

论文对标注质量的保障体现在三处：

1. 标注者资质：具有胎儿超声成像经验的科学家，而非普通标注员。
2. 切面定义有据：Protocol-I 的切面定义参照临床文献。
3. 盲区显式声明：明确说明过渡帧不含可标注信息、不进入标注。

相比许多"标注即事实"的数据集，FPUS23 在文档层面把"哪些帧不标、为什么"讲清楚了，这是元数据完整性的体现。

3.9 与库内标注流水线的对照

库内多数高成本医学标注条目（如病理、放射）采用多专家委员会或"学生+专家终审"的流水线（参见 panda-plus 等）。FPUS23 的标注成本低得多——因为体模图像无需脱敏、结构清晰，少量专业标注者即可完成。这是体模路线在标注经济学上的又一优势：不是"标得更准"，而是"标得更省"。

§4 模型、实验与结果（续）

4.7 实验设计矩阵

论文的实验可以整理成一个四段式矩阵：

阶段	目标	方法	结论
① 基线	建立性能上限	ResNet34 分类 + Faster-RCNN 检测	分类约 99%，检测高精度
② 压缩	适配边缘部署	剪枝 30/50/70% + INT8	适度压缩优于原模型
③ NAS	自动化最优架构	复现两法 + 自研穷举	ResNet8/ResNet10，硬件降 17×
④ 泛化	验证迁移价值	体模预训练 → 真人微调	收敛快 1 数量级

四段合起来回答了一个完整的问题链：体模上能训到什么水平 → 能否变小 → 能否自动化变小 → 变小后能否迁移到真人。

4.8 剪枝率的敏感性

论文测试了 30%/50%/70% 三档剪枝率。虽然论文报告"压缩的正则化效应可使压缩模型优于原模型"，但剪枝率并非越高越好——70% 属于激进压缩，其效果与 30% 不同。论文给出的最佳实用组合是 30% 剪枝 + INT8 量化（配合 ResNet8）。这提示：压缩存在一个甜点区，需要实验确定，不能线性外推"越压越好"。

4.9 NAS 的两种既有方法与自研穷举

方法	来源	产出	局限
既有法 A	Fang 等	10 层残差网	未针对本任务细分
既有法 B	Wang 等	10 层残差网	同上
自研穷举搜索	本文	ResNet8（分类）/ ResNet10（检测）	搜索空间需人工界定

自研穷举搜索的价值在于任务定制：分类任务用 ResNet8 就够，检测任务因 ResNet8 质量骤降而必须用 ResNet10。这说明"最优架构依赖任务"，单靠通用 NAS 方法未必能找到任务最优解。

4.10 结果的可复现性提示

复现论文数字需要留意：

1. 库版本号笔误（坑 6）——自行选用兼容的 PyTorch/torchvision/PyTorch-Lightning 版本。
2. 硬件——论文用 2×GTX 1080 Ti；小模型训练对硬件要求不高，一般单卡可复现。
3. 划分——务必使用官方划分，避免帧间泄漏（§2.9）。
4. 随机种子——论文未详述种子设置，允许一定波动。

4.11 主要实验结果总表

实验	指标	结果（论文口径）
分类基线（ResNet34）	准确率	约 99%（三类任务）
检测（Faster-RCNN + ResNet34）	检测精度	高精度（Table 2 口径）
压缩（30% 剪枝 + INT8，ResNet8）	分类性能	优于 ResNet34 基线
压缩（ResNet8 内存）	内存占用	< 10 MB
NAS（ResNet8/ResNet10）	硬件需求	降低至多 17×
泛化（体模预训练 → 真人）	切面准确率	91.92%（1 epoch）
泛化对照（ImageNet → 真人）	达到同准确率	需 > 16 epoch
微调量（体模 vs ImageNet）	权重差平方和	2.01e-7 vs 3.02e-6（>15×）
小样本（40% 子集）	准确率	体模 92% vs ImageNet 88%

§5 真实世界泛化：体模预训练能否迁移到真人

这是整篇论文最有分量的实验——如果体模数据只能训练出"在体模上好看"的模型，那它的价值就有限。论文用真人公开数据集正面回答了迁移问题。

5.1 验证数据集：FETAL_PLANES_DB

项	内容
数据集	FETAL_PLANES_DB（Burgos-Artizzu 等，Scientific Reports 2020）
论文引用	编号 [15]
性质	真人胎儿超声标准切面分类数据集
规模	12,400+ 图像，1,792 患者，6 类解剖切面
库内对应	fetal-planes-db（rid 538）

选择 FETAL_PLANES_DB 作为验证集是自然的选择：它是公开的真人胎儿切面数据集，任务（切面分类）与 FPUS23 的诊断切面任务同源，因此可以直接考察"体模训练的特征能否迁移到真人图像"。

5.2 两组对比模型

模型	预训练来源	含义
Model-1	FPUS23 体模预训练 → 真人数据再训练/微调	检验体模数据作为预训练底座的迁移价值
Model-2	直接在真人数据训练	无体模先验的对照组

5.3 收敛速度：关键差异

指标	FPUS23 预训练模型	直接/ImageNet 训练模型
达到 91.92% 切面准确率所需 epoch	1 个 epoch	> 16 个 epoch

体模预训练模型在校准到真人数据之后，仅 1 个 epoch 就达到 91.92% 的切面检测准确率；而从头或从 ImageNet 训练的模型需要超过 16 个 epoch 才能达到同样的准确率。收敛速度差了一个数量级以上，这是体模预训练价值的直接证据。

5.4 微调量分析：权重偏移

论文用权重差的平方和度量"从预训练模型到微调后模型的改动量"：

预训练来源	权重差平方和	含义
FPUS23 体模	2.01 × 10⁻⁷	需要更少的微调
ImageNet	3.02 × 10⁻⁶	需要更多的微调
倍数	> 15×	体模预训练的改动量比 ImageNet 小 15 倍以上

权重偏移越小，说明预训练特征与目标任务越接近——体模超声特征比 ImageNet 自然图像特征更接近真人胎儿超声特征，这是可以预期的（同模态），但论文用数字把它量化了出来。

5.5 无微调下的直接预测

Table 5 显示：不做任何微调、直接用 FPUS23 训练模型去预测真人图像时，其准确率高于 ImageNet 训练模型——即体模预训练模型在零样本迁移上也占优。

5.6 小样本训练

论文还做了数据量实验：仅用真人数据集 40% 的子集训练时：

模型	准确率
FPUS23 预训练	92%（达到基线水平）
ImageNet 预训练	88%

在数据受限场景下，体模预训练的模型更能用小样本保住性能——这对真实临床中标注数据稀缺的现实有直接意义。

5.7 失败模式（Fig 5）

论文没有回避体模迁移的失败案例（Fig 5）：

• 抽象伪影被误判为解剖：探头导航过程中产生的抽象伪影（图 5c）被模型误判为解剖结构；
• 解剖边界高/低估：解剖结构的边界被系统性地高估或低估（图 5d）。

这些失败模式恰恰源于体模与真人的域差异——体模没有真人的组织声学异质性，因此面对真人图像中的声影、混响等真实伪影时容易出错。

5.8 泛化实验的意义与边界

意义：论文用一组完整的对比（收敛速度、权重偏移、零样本、小样本四个维度）证明，体模数据可以作为胎儿超声 AI 的有效预训练底座，降低对真人标注数据的依赖。

边界：验证只在一个外部数据集（FETAL_PLANES_DB）的切面分类任务上完成；论文未给出 FETAL_PLANES_DB 的 6 类切面与 FPUS23 的 3 类诊断切面之间的映射细则，也未验证朝向与检测任务的跨域迁移。因此"体模预训练有效"这一结论的适用范围应保守陈述。

§6 获取、许可与版本链

6.1 官方落脚点

资产	获取入口
论文	IEEE Access, Vol. 11 (2023), pp. 58308-58317；DOI 10.1109/ACCESS.2023.3284315；预印本 arXiv:2303.07852
数据集与标注	Google Drive 直链：https://drive.google.com/file/d/1LL-r2hNiP6C190UBSE4v1FFCF3OQT9N3/view?usp=sharing
代码/预训练模型/标注	GitHub：https://github.com/bharathprabakaran/FPUS23

6.2 GitHub 仓库结构

仓库（bharathprabakaran/FPUS23）包含以下目录：

目录/文件	内容
OD/	目标检测（Object Detection）相关
Orientation/	胎儿朝向任务
Plane/	诊断切面任务
annotation/	标注文件
img/	图像
saved_models/	保存的预训练模型
LICENSE.txt	MIT License
README.md	说明文档

6.3 三层许可口径

FPUS23 的许可需要分三层读，这是本条目最重要的合规提示：

层	许可	依据
论文	CC BY 4.0	IEEE Access 开放获取
代码与仓库	MIT License, Copyright © 2023 Moore4Medical	GitHub LICENSE.txt
数据集本体	未单独声明——论文称 “openly accessible”，仓库 MIT 主要覆盖代码	README/LICENSE 未逐项声明数据集本体

关键提醒（坑 5）：数据集本体的许可并未在仓库中单独逐项声明。GitHub 仓库的 MIT License 的 Copyright 归 Moore4Medical（项目资助方），其覆盖范围从文本看主要针对代码。使用者若对数据集本体做再分发，应：

1. 按"论文 CC BY 4.0 + 仓库 MIT"的宽松口径理解；
2. 但因本体未单独声明，商业再分发前建议向通讯作者确认。

6.4 资助与开放获取

论文的开放获取由多方资助支持：

• Moore4Medical 项目（ECSEL Joint Undertaking，Grant H2020-ECSEL-2019-IA-876190）；
• TU Wien 信息学院 × UAS Technikum Wien 的 Doctoral College Resilient Embedded Systems；
• TU Wien Bibliothek Open Access Funding Programme。

Moore4Medical 是仓库 MIT License 的署名方，说明代码是在该项目框架下产出并选择 MIT 开放的。

6.5 版本与时间线

事件	日期
arXiv v1 提交	2023-03-14
Received（投稿）	2023-05-16
Accepted（录用）	2023-06-04
Published（在线发表）	2023-06-08
Current version	2023-06-15
arXiv v2 修订	2023-06-07

6.6 README 的模型说明

GitHub README 说明：模型源码（含训练版本）将在论文被接受后于最终版本提供。使用者下载仓库时，应核对 saved_models/ 目录实际包含的权重是否已是最新——这是"论文承诺"与"仓库实际"之间需要下载验证的一处（附录 C 待核）。

6.7 AI-Ready 评估：体模路线带来的得与失

维度	影响
得	无 PHI 障碍 → 数据本体可完全开放；任务定义清晰 → 开箱即用；评测链完整 → 可复现
失	体模域差异 → 泛化边界有限；数据集本体许可未单独声明 → 合规需自行确认；单设备单孕周 → 覆盖窄

§7 生态与影响

7.1 它填补了什么空白

在 FPUS23 出现前，胎儿超声 AI 的公开数据生态主要由真人数据集构成（如 HC18 头围、FETAL_PLANES_DB 切面），它们规模受隐私限制、获取常需注册，且解剖多样性带来的标注难度高。FPUS23 用体模开辟了另一条路径：完全开放、任务完备、可用于预训练与研究基线搭建。它不是要替代真人数据集，而是提供了一个干净的起点。

7.2 与相邻数据集的定位差异

数据集	性质	核心任务	与 FPUS23 的关系
fetal-planes-db（rid 538）	真人	标准切面分类（6 类）	FPUS23 的外部验证集；真人 vs 体模的对照
hc18（rid 535）	真人	胎儿头围测量（头椭圆分割）	同为胎儿超声生物测量，任务不同
psfhs（rid 791）	真人	分娩超声耻骨联合-胎头分割	分娩场景，非中孕期筛查
fetreg（rid 343）	真人（胎儿镜）	胎盘血管分割与配准	胎儿镜场景，非腹部超声
maternal-ultrasound-nutrition（rid 615）	真人	母体脂肪超声与营养	母体而非胎儿
camus（rid 533）	真人	心脏超声多结构分割	超声分割方法论近邻

7.3 体模/合成数据路线的生态位

FPUS23 属于超声领域的"体模/合成数据"路线。这条路线在库内的近邻是 camus（合成超声）、以及各领域的合成数据条目。它的独特之处在于：用物理体模（而非算法仿真）产生数据，因此保留了真实超声系统的成像链路（真实探头、真实声学、真实波束形成），只去掉了真人这一变量。相比纯算法仿真的合成数据，FPUS23 的"真实感"更高；相比真人数据，它的可控性与开放性更高。

7.4 可能催生的下游方向

1. 胎儿超声基础模型预训练：论文的迁移实验为"体模数据做预训练底座"提供了证据，后续可能出现更多体模预训练 + 真人微调的工作。
2. 边缘部署研究：17× 硬件压缩 + < 10 MB 的模型，为便携超声 AI 提供了可参考的压缩配方。
3. 多任务学习：四类任务共享同一图像池，适合研究任务间的表征共享。
4. 域适应研究：体模 → 真人的迁移天然是一个域适应问题，论文的失败模式（伪影误判）为后续域适应方法提供了靶点。

7.5 需要克制的地方

不应把 FPUS23 的 99% 当作"胎儿超声 AI 已解决"的证据；也不应把体模数据当作真人数据的等价替代。它的正确用法是：作为可控的研究沙盒与预训练起点，并与真人数据集（fetal-planes-db 等）配合使用。

§8 方法学启示

8.1 体模替代真人：一条被低估的开放数据路径

FPUS23 展示了"物理体模"作为数据开放策略的价值：它把"隐私合规"这一最大的开放障碍从根上去掉，代价是接受域差异。对于任何受隐私限制而难以开放数据集的医学影像子领域（不仅是胎儿超声），体模/仿体路线都值得考虑——尤其是当目标任务是"结构识别"而非"疾病诊断"时，体模的几何保真可能已足够。

8.2 类平衡是设计选择，需显式声明

诊断切面三类被增强到与非诊断类等量，这是一个刻意的类平衡设计。它的好处是训练稳定，代价是偏离临床先验。方法学教训：任何对数据分布的加工（增强、重采样）都应在元数据中显式声明，让下游使用者知道他们拿到的是"构造分布"而非"自然分布"。

8.3 用"权重偏移量"量化预训练价值

论文用权重差平方和（FPUS23 模型 2.01×10⁻⁷ vs ImageNet 模型 3.02×10⁻⁶）来量化预训练模型的迁移难度，这是一个精巧的评测视角：不看最终精度，而看"离目标有多近"。这种方法可以直接迁移到其他"预训练底座对比"的研究中。

8.4 压缩即正则：一个反直觉的发现

适度压缩（30% 剪枝 + INT8）后模型不仅不掉点反而优于原模型，说明压缩引入了有效的正则化。对边缘部署研究的启示：模型压缩不应被默认视为"精度换效率"的零和权衡，适度压缩可能同时改善两者。

8.5 与库内条目的方法学呼应

• 与 camus（rid 533）：同为超声、同涉及合成/受控数据路线（CAMUS 亦含合成数据讨论），可对照"体模 vs 算法仿真"两条合成路线的异同。
• 与 fetreg（rid 343）：胎儿镜领域同样面临真实数据稀缺，体模/仿体思路可迁移。
• 与 fetal-planes-db（rid 538）：本数据集的外部验证对象，二者构成"体模预训练 + 真人微调"的完整闭环。

§5 真实世界泛化（续）

5.9 迁移实验的四维度小结

维度	体模预训练模型	ImageNet/直接训练模型
收敛速度	1 epoch 达 91.92%	需 > 16 epoch
权重偏移（微调量）	2.01×10⁻⁷	3.02×10⁻⁶
零样本直接预测	较高	较低
小样本（40% 子集）	92%	88%

四个维度同向：体模预训练一致优于 ImageNet 预训练。这种"多指标一致"比单点精度更有说服力。

5.10 为什么体模预训练有效：机理解释

体模预训练效果优于 ImageNet，其机理并不神秘：

1. 模态接近：体模图像与真人胎儿超声都是超声图像，共享灰度纹理、斑点噪声、探头几何等底层特征，而 ImageNet 是自然彩色照片——底层分布差异大。
2. 几何接近：体模胎儿与真人胎儿在解剖布局上高度相似（头/躯干/四肢的空间关系），即使材质不同。
3. 任务接近：切面识别依赖的"解剖结构相对位置"在体模与真人之间基本一致。

因此，体模预训练提供的是一个同模态、同解剖、低多样性的先验，比通用自然图像先验更接近目标域。这也解释了为何权重偏移量小——起点离目标近。

5.11 泛化实验的局限与诚实边界

必须诚实陈述的边界：

• 单外部集：只在 FETAL_PLANES_DB 上验证，样本代表性有限。
• 单任务：只验证切面分类，朝向与检测任务未做跨域。
• 映射未公开：FETAL_PLANES_DB 6 类切面 ↔ FPUS23 3 类诊断切面的对应关系论文未给出，影响严格复现。
• 未做多设备：真人也仅一个数据集、可能单设备。

结论的正确表述：论文证明的是"在切面分类任务、在 FETAL_PLANES_DB 上，体模预训练优于 ImageNet 预训练"，而非"体模预训练普遍优于一切"。使用者引用时应保留这层限定。

§6 获取、许可与版本链（续）

6.8 三处入口的可靠性评估

入口	稳定性	风险
IEEE Access（论文）	高（DOI 持久）	无
arXiv:2303.07852（预印本）	高	版本可能与正式版有差异
GitHub 仓库（代码/模型）	中高	依赖个人账号，可能被删/改名
Google Drive 直链（数据）	中低	单文件分享、长期稳定性弱；可能失效或权限变更

给使用者的建议：优先从 GitHub 获取代码与模型；数据下载后本地留存一份，不要依赖 Google Drive 直链的长期可用性。

6.9 与带 DOI 归档的差距

相比 Zenodo/Figshare/PhysioNet 等带持久 DOI 的归档，FPUS23 的数据托管在 Google Drive 上，缺少：

• 持久标识符（DOI）；
• 版本记录；
• 引用计数与下载统计。

这客观上降低了它的**可持续性（DAIMS 的 S）**评分。若后续作者将数据迁移到带 DOI 的平台，其 AI-Ready 综合评级会提升。

6.10 引用规范建议

引用 FPUS23 时，按资产分层引用：

资产	引用方式
论文	Prabakaran, Hamelmann, Ostrowski, Shafique. “FPUS23: An Ultrasound Fetus Phantom Dataset…”, IEEE Access, 11 (2023) 58308-58317. DOI 10.1109/ACCESS.2023.3284315
数据集	引用同一论文 + GitHub 仓库链接
代码	引用 GitHub 仓库 + MIT License © 2023 Moore4Medical

§7 生态与影响（续）

7.6 体模数据路线的历史脉络

用体模做医学影像研究并非新事物——超声、放射、核医学领域长期用体模做设备校准与操作培训。FPUS23 的贡献是把这一传统数据化、开放化、AI 化：把体模从"培训工具"变成"可训练的公开数据集"，并配以完整的深度学习评测。这条路线可被其他子领域借鉴。

7.7 对胎儿超声 AI 生态的潜在影响

影响面	具体表现
预训练资源	提供了一个无 PHI 障碍的胎儿超声预训练底座
基准建设	四类任务 + 官方划分，可作方法对比基准
边缘部署	17× 压缩配方为便携超声 AI 提供参考
域适应研究	体模→真人的迁移问题清晰、可量化
数据开放范式	展示"体模替代真人"的合规与开放优势

7.8 与超声基础模型趋势的关系

近年医学影像出现"基础模型"趋势（大规模预训练 + 下游微调）。胎儿超声领域公开大模型稀缺，一个重要原因就是数据难开放。FPUS23 的体模路线为破解这一困局提供了一条思路：先用体模数据预训练，再用少量真人数据微调——论文的迁移实验正是这一思路的可行性验证。

7.9 未被覆盖的场景

FPUS23 不覆盖的场景包括：多孕周、多胎、病理胎位、多设备/多厂商、三维/四维超声、彩色多普勒、M 型超声等。使用者若需这些场景，必须转向真人数据集。

§8 方法学启示（续）

8.6 体模路线的适用判据

何时适合用体模替代真人？可参考以下判据：

判据	适合体模	不适合体模
目标任务	结构识别、切面定位、预训练	疾病诊断、病理分型
关键变量	几何/位置关系	组织声学/病理纹理
数据用途	研究沙盒、边缘部署验证	临床验证、真实分布估计
多样性需求	低（受控实验）	高（泛化评估）

8.7 评测链完整性作为数据集竞争力

FPUS23 的竞争力不只在于数据本身，更在于它附带了一条从基线到压缩到 NAS 到泛化的完整评测链。这与库内许多"只给数据、不给实验"的数据集形成对比。方法学启示：一个数据集的影响力往往取决于它把"怎么用"讲得多清楚——论文的 Table 2-5 本身就是使用说明书。

8.8 类平衡与真实分布的张力

§2.5 提到诊断切面被平衡化。这一处理在训练上合理（避免类别不均衡），但在评估上埋了雷。方法学启示：训练时可以有意识地平衡，但评估报告必须同时提供"平衡分布"与"估计的真实分布"两套口径，否则性能数字无法解释。

8.9 与库内合成数据方法学的呼应

库内 camus（rid 533）亦涉及超声合成数据。两条路线对比：camus 侧偏"算法仿真"，FPUS23 侧偏"物理体模"。物理体模的优势是保留了真实成像链路（真实探头、真实声学），劣势是几何多样性受限。二者可作为"合成数据生成"课程的两类案例。

8.10 从"设备校准体模"到"AI 训练体模"的范式转换

传统体模用于校准设备、培训操作者，其使用者是人。FPUS23 把体模的"使用者"从人扩展到了模型——同一台体模，既训练超声医师，也训练 AI。这一范式转换的方法学意义在于：体模的可获取性与标准性，恰好契合了 AI 训练数据对"可复现、可开放"的需求。未来可能出现更多"为 AI 而设计"的专用体模。

§9 与库内条目的关系（续）

9.5 互链落地建议

建议在本条目与以下库内条目之间建立互链：

互链方向	建议锚文本
fpus23 → fetal-planes-db	“FPUS23 的外部验证集”
fpus23 → hc18	“另一胎儿超声生物测量基准（头围）”
fpus23 → psfhs	“分娩超声胎儿头分割”
fpus23 → fetreg	“胎儿镜胎盘血管分割”
fpus23 → camus	“超声合成/受控数据方法学近邻”
fetal-planes-db → fpus23	“体模预训练来源”

9.6 检索面覆盖分析

现有胎儿超声条目多以"单任务 + 单数据集"呈现（头围、切面、胎盘、耻骨联合）。FPUS23 的独特性在于它是多任务、体模、且带完整评测链的条目。它的加入使库内"胎儿超声"检索面从"真人单任务集合"扩展到了包含"体模多任务 + 预训练底座"的完整光谱。

9.7 与超声通用条目的关系

条目	rid	关系类型
camus	533	方法论（合成/受控数据）
echonet-dynamic	526	模态（超声）
bus	539	模态（超声）
tn3k	822	任务（超声分割/检测）
udiat	757	任务（超声检测/分类）
ddti	536	任务（超声分割）

9.8 术语桥梁细化

术语	共享条目
切面（plane）	fetal-planes-db、hc18
头围/双顶径/腹围/股骨长	hc18、fetal-planes-db
包围盒/目标检测	udiat、tn3k、ddti
剪枝/量化/NAS	库内模型压缩类条目
域适应/合成数据	camus

§9 与库内条目的关系

9.1 家族图谱：胎儿与产前超声

FPUS23 直接嵌入本库的"胎儿/产前超声"家族，主要互链对象如下：

库内条目	rid	与本条目的关系
fetal-planes-db	538	最近的亲属——本数据集的外部验证对象；体模预训练 → 真人微调的闭环另一极
hc18	535	胎儿头围超声测量基准（头椭圆分割）；同为中孕期胎儿超声
psfhs	791	分娩超声耻骨联合-胎头分割；同为胎儿超声但场景为分娩
fetreg	343	胎儿镜胎盘血管分割与配准；胎儿领域但模态不同
maternal-ultrasound-nutrition	615	母体脂肪超声；同超声、同孕期但对象为母体

9.2 超声方法论近邻

库内条目	rid	关系
camus	533	心脏超声多结构分割金标准；合成/受控数据路线近邻
echonet-dynamic	526	心脏超声视频心功能；超声分类/分割方法论参照
bus	539	乳腺超声；通用超声条目
tn3k	822	甲状腺结节超声分割；超声分割任务近邻
udiat	757	乳腺 B 型超声病灶检测与分类；超声分类/检测任务近邻
ddti	536	甲状腺结节超声分割开放库

9.3 检索路径建议

• 找胎儿超声数据集：从 fetal-planes-db（538）→ hc18（535）→ psfhs（791）→ fpus23（本条）→ fetreg（343）构成"产前/胎儿超声"的完整检索面。
• 找体模/合成数据：从 fpus23 → camus（533）→ 其他合成数据条目。
• 找超声模型压缩/边缘部署：目前库内以本条目的压缩实验最完整（剪枝/INT8/NAS），可作为方法学参照点。
• 找超声分类+检测多任务：fpus23 是少数同时提供分类与检测标注的超声数据集。

9.4 术语桥梁

fpus23 涉及的"切面（plane）""头围/双顶径/腹围/股骨长"等术语，与 hc18、fetal-planes-db 共享；"包围盒（bounding box）"与 udiat、tn3k 等检测/分割条目共享；"剪枝/量化/NAS"与库内其他模型压缩研究共享。

§10 避坑清单：使用 FPUS23 前必须知道的八个坑

坑 1：FPUS23 是体模（phantom）数据，不是真人胎儿超声。所有 15,728 帧图像都来自 Kyoto Kagaku US-7 塑料/树脂体模的 23 周胎儿模型，不含任何真实胎儿或孕妇的图像。把 FPUS23 当作真人数据集引用、或用它的 99% 准确率宣称"胎儿超声 AI 临床可用"，都是错误的。

坑 2：约 99% 是体模测试集数字，不可外推。ResNet34 在体模上的三类分类约 99% 准确率，反映的是体模图像的高一致性与低多样性，不是临床诊断准确率。真正有泛化意义的是 §5 的 FETAL_PLANES_DB 实验（91.92%）。

坑 3："15,728"是图像总数，不是每个任务的标注数。四类标注各覆盖一部分帧：诊断切面 5,265、胎儿解剖 9,317、解剖框 9,455，只有胎儿朝向覆盖全部 15,728。检索者不要把 15,728 当作"每任务可用样本量"。

坑 4：类平衡是人为构造的。诊断切面的三类（AC/BPD/FL）经增强至与 No Plane 等量，偏离临床真实分布。用 FPUS23 估计真实场景性能时须重新加权类先验。

坑 5：数据集本体许可未单独声明（本条目最重要的合规坑）。GitHub 仓库的 MIT License（Copyright © 2023 Moore4Medical）从文本看主要覆盖代码；数据集本体许可论文只说 “openly accessible”，未单独逐项声明。商业再分发前应向通讯作者确认。

坑 6：论文中的库版本号疑为笔误。论文写 “PyTorch 3.7.4.3 与 PyTorch-Lightning 1.5.1”——PyTorch 并不存在 3.7.4.3 这一版本编号（常见为 1.x/2.x）。复现实验时不要照抄这个版本号，应自行选用兼容版本。本条目按论文原文存照。

坑 7：体模只有 23 周、四姿态、单孕周。朝向标注只有四种刚性旋转（hu/hd × vf/vb），解剖比例只有 23 周这一种；任何"覆盖不同孕周/连续胎位"的假设都不成立。

坑 8：跨域验证只覆盖切面任务，且映射细则未给出。论文的真人泛化实验只在 FETAL_PLANES_DB 的切面分类上做，且未给出 FETAL_PLANES_DB 的 6 类切面与 FPUS23 的 3 类诊断切面的映射细则。把"体模预训练有效"推广到朝向/检测任务时缺乏直接证据。

§11 总结

11.1 三句话总结

1. FPUS23 是用物理体模（Kyoto Kagaku US-7 的 23 周胎儿模型）替代真人、从而完全开放的胎儿超声数据集，15,728 帧，含诊断切面/胎儿朝向/胎儿解剖/解剖框四类标注。
2. 它的方法学主体是一条完整的评测链：ResNet34 基线约 99% → 改进 Faster-RCNN 检测 → 剪枝+INT8 → 自研 NAS（ResNet8/ResNet10，硬件需求降 17×），并证明体模预训练在真人数据集上收敛快一个数量级。
3. 它的正确用法是"可控沙盒 + 预训练起点"，与真人数据集（fetal-planes-db 等）配合使用；把体模数字当临床结论是最大的误用。

11.2 适合谁

• 胎儿超声 AI 研究者：需要一个完全开放、任务完备的起点与基线。
• 模型压缩/边缘部署研究者：17× 压缩 + <10 MB 模型的完整配方可直接借鉴。
• 域适应研究者：体模→真人的迁移与失败模式（伪影误判）是现成的域适应靶点。
• 数据集工程研究者：体模替代真人这条路径的样板案例。
• 超声基础模型预训练者：论文的权重偏移量实验为"体模预训练"提供了证据。

11.3 不适合谁

• 需要真人胎儿超声数据做临床验证的项目（体模域差异是硬约束）。
• 需要多孕周/连续胎位覆盖的研究（体模只有 23 周 + 四姿态）。
• 需要高分辨率纹理的精细结构分割（图像仅 664×388）。
• 需要覆盖不同超声设备/厂商泛化的项目（单设备单预设）。

11.4 30 秒决策卡

你的情况	行动
要立刻下数据跑通	GitHub bharathprabakaran/FPUS23（代码）+ Google Drive 直链（数据与标注）
要做胎儿超声预训练	用 FPUS23 预训练，再用真人集（fetal-planes-db）微调，参考 §5 实验设计
要做边缘部署	参考 §4.4-§4.5：30% 剪枝 + INT8 量化 + ResNet8，硬件降 17×
要估计临床性能	不要用体模上的 99%；参考 §5.3 的 FETAL_PLANES_DB 数字，并对类先验加权（坑 4）
要商业再分发数据	先读坑 5——数据集本体许可未单独声明，建议联系通讯作者确认
要引用本数据集	论文：IEEE Access 11 (2023) 58308-58317，DOI 10.1109/ACCESS.2023.3284315

FAQ（高频问答 20 问）

A. 基础认知

Q1：FPUS23 的"23"是什么？
体模模拟的胎龄——23 周。中孕期超声筛查通常在此孕周附近进行。不是"23 个类"或"23 个受试者"。

Q2：它是真人数据吗？
不是。全部图像来自 Kyoto Kagaku US-7 胎儿超声检查体模（塑料/树脂材质的 23 周胎儿演示模型），无任何真实个体。

Q3：为什么用体模？
为规避真人医疗数据（PHI）的隐私与伦理监管，使数据集可以完全开放。代价是失去真人的组织声学与解剖多样性。

Q4：谁做的？
TU Wien（维也纳工业大学）计算机工程研究所 + Philips Research（荷兰）+ NYU Abu Dhabi；通讯作者 Bharath Srinivas Prabakaran。

Q5：发表在哪？
IEEE Access, Vol. 11, 2023, pp. 58308-58317；DOI 10.1109/ACCESS.2023.3284315；预印本 arXiv:2303.07852。

B. 数据与获取

Q6：规模多大？
15,728 帧 664×388 的 PNG 图像。

Q7：怎么获取？
代码/模型/标注：GitHub bharathprabakaran/FPUS23；数据集与标注：论文/仓库给出的 Google Drive 直链。

Q8：许可是什么？
论文 CC BY 4.0；代码/仓库 MIT License © 2023 Moore4Medical；数据集本体未单独声明（见坑 5）。

Q9：采集设备是什么？
Philips Epiq-7 超声系统 + X6-1 xMATRIX 探头，AIUS 的 OB Fetal Echo 预设，12 cm 深度、23 Hz 帧率。

Q10：图像分辨率为什么这么小？
664×388 由 Epiq-7 数据流经自研软件转换而来，偏小是为了适配吞吐与压缩研究；高分辨纹理任务需注意这一上限。

C. 任务与标注

Q11：有哪几类任务？
四类：诊断切面（AC/BPD/FL/No Plane）、胎儿朝向（huvf/huvb/hdvf/hdvb）、胎儿解剖（Head/Arms/Legs/Abdomen）、解剖包围盒。

Q12：标注规模各是多少？
诊断切面 5,265；胎儿朝向 15,728；胎儿解剖 9,317；解剖框 9,455。

Q13：用什么工具标注？
定制版 CVAT，由具有胎儿超声成像经验的科学家标注，导出 XML。

Q14：为什么不是所有帧都有标注？
探头移动过程中的过渡帧可能无法准确呈解剖结构，因此不进入标注。只有朝向覆盖全部 15,728 帧。

Q15：诊断切面类为什么看起来数量均衡？
三类诊断切面（AC/BPD/FL）经增强至与非诊断类（No Plane）等量，是刻意构造的类平衡（见坑 4）。

D. 结果与泛化

Q16：基线精度是多少？
ResNet34 在诊断切面/胎儿朝向/胎儿解剖三类分类上约 99% 准确率。

Q17：模型压缩做了什么？
Han 剪枝 30/50/70% + INT8 量化感知训练；自研 NAS 得 ResNet8（分类）/ResNet10（检测），硬件需求降至多 17×，30% 剪枝+INT8 的 ResNet8 内存 <10 MB。

Q18：体模数据对真人任务有用吗？
有用。在真人 FETAL_PLANES_DB 上，体模预训练模型 1 epoch 达 91.92% 切面准确率（ImageNet 训练模型需 >16 epoch）；权重偏移量小 15 倍以上。

Q19：有什么已知失败模式？
探头导航的抽象伪影被误判为解剖；解剖边界被系统性高/低估（见 §5.7）。

Q20：它适合做临床诊断吗？
不适合。它是体模数据，性能数字不可外推为临床诊断准确性；正确用法是研究沙盒与预训练起点。

事实清单（硬事实 32 条）

1. 全称：FPUS23: An Ultrasound Fetus Phantom Dataset With Deep Neural Network Evaluations for Fetus Orientations, Fetal Planes, and Anatomical Features。
2. 发表：IEEE Access, Vol. 11, 2023, pp. 58308-58317；DOI 10.1109/ACCESS.2023.3284315。
3. 预印本：arXiv:2303.07852（v1 2023-03-14；v2 2023-06-07）。
4. 时间线：Received 2023-05-16 → Accepted 2023-06-04 → Published 2023-06-08 → Current version 2023-06-15。
5. 论文 license：CC BY 4.0（IEEE Access 开放获取）。
6. 代码/仓库 license：MIT License, Copyright © 2023 Moore4Medical。
7. 团队：TU Wien 计算机工程研究所 + Philips Research（荷兰）+ NYU Abu Dhabi。
8. 通讯作者：Bharath Srinivas Prabakaran（TU Wien，bharath.prabakaran@tuwien.ac.at）。
9. 其他作者：Paul Hamelmann（Philips Research）、Erik Ostrowski（TU Wien）、Muhammad Shafique（NYU Abu Dhabi）。
10. 资助：Moore4Medical（ECSEL JU，Grant H2020-ECSEL-2019-IA-876190）+ TU Wien Doctoral College Resilient Embedded Systems + TU Wien Bibliothek Open Access Funding。
11. 体模：Kyoto Kagaku「US-7 SPACE FAN-ST」Fetus Ultrasound Examination Phantom（23 周胎儿模型）。
12. 采集系统：Philips Epiq-7 + X6-1 xMATRIX 探头。
13. 成像技术：AIUS（Anatomically Intelligent Ultrasound），预设 “OB Fetal Echo”，默认设置。
14. 采集参数：成像深度 12 cm、帧率 23 Hz。
15. 体模四姿态：huvf/huvb/hdvf/hdvb（hu/hd × vf/vb）。
16. 图像规格：664×388 PNG 序列，由 Epiq-7 数据流经自研软件转换。
17. 标注工具：定制版 CVAT（v1.1.0，doi:10.5281/zenodo.4009388），导出 XML。
18. 标注人员：具有胎儿超声成像经验的科学家。
19. 总帧数：15,728。
20. 诊断切面计数：AC 1,386 / BPD 1,280 / FL 1,281 / No Plane 1,318，合计 5,265。
21. 胎儿朝向计数：hdvb 3,757 / hdvf 3,235 / huvb 3,980 / huvf 4,756，合计 15,728。
22. 胎儿解剖计数：Head 3,003 / Arms 1,629 / Legs 2,159 / Abdomen 2,526，合计 9,317。
23. 解剖框计数：Head 4,370 / Arms 4,853 / Legs 4,572 / Abdomen 6,435，合计 9,455。
24. 划分：分类任务 8:1:1（train/val/test）；解剖框 80%:20%（train/val）。
25. 两个采集协议：Protocol-I（诊断切面，切面定义参照 Salomon 等与 Bethune 等）+ Protocol-II（解剖与朝向，体模旋转 + 探头横纵切换）。
26. 基线：ResNet34（ImageNet 预训练，改首末层），15 epoch，交叉熵损失，Adam lr=0.001/step=20/γ=0.1。
27. 基线结果：三类分类任务约 99% 准确率（Table 2）。
28. 检测：改进 Faster-RCNN + ResNet34 backbone。
29. 压缩：Han 剪枝 30/50/70% + Khudia 等 INT8 量化感知训练；适度压缩可起正则化作用。
30. NAS：复现 Fang/Wang 两法均产 10 层残差网；自研穷举搜索得 ResNet8（分类）与 ResNet10（检测）；硬件需求降至多 17×；30% 剪枝+INT8 的 ResNet8 解剖分类优于 ResNet34 且内存 <10 MB。
31. 真实世界验证：FETAL_PLANES_DB（Burgos-Artizzu 等 2020，12,400+ 图/1,792 患者/6 类切面）；体模预训练 1 epoch 达 91.92%；ImageNet 模型需 >16 epoch；权重差平方和 2.01×10⁻⁷ vs 3.02×10⁻⁶（差 >15×）；40% 子集下 92% vs 88%。
32. 失败模式（Fig 5）：探头导航抽象伪影误判为解剖；解剖边界高/低估。

术语表（24 条）

术语	释义
phantom（体模）	用于替代真人进行成像实验的物理仿体；本文为 Kyoto Kagaku US-7 胎儿超声体模
SPACE FAN-ST	Kyoto Kagaku 胎儿超声检查体模的型号名
AIUS	Anatomically Intelligent Ultrasound，Philips 的超声成像技术
xMATRIX	Philips 的矩阵阵列探头技术（本文用 X6-1）
OB Fetal Echo	Philips 超声中面向产科胎儿心脏/超声检查的预设选项
诊断切面（diagnostic plane）	用于临床测量的标准超声切面；本文为 AC/BPD/FL 三类 + No Plane
AC	Abdominal Circumference，腹围（腹部标准切面测量）
BPD	Biparietal Diameter，双顶径（经脑室切面测量）
FL	Femur Length，股骨长（股骨标准切面测量）
胎儿朝向（fetus orientation）	胎儿相对探头的空间取向；本文四类 huvf/huvb/hdvf/hdvb
hu / hd	head-up / head-down，头朝上 / 头朝下
vf / vb	ventral-facing / ventral-back，面向腹侧 / 面向背侧
super-label	四类任务标签的统称（切面/朝向/解剖/解剖框）
anatomy bounds	解剖结构的检测包围盒标注
包围盒（bounding box）	目标检测中圈定对象的矩形框
CVAT	Computer Vision Annotation Tool，开源图像标注工具
XML 标注	CVAT 导出的标注格式
ResNet34	34 层残差网络，本文分类与检测基线骨干
ResNet8 / ResNet10	本文自研 NAS 得到的 8 层 / 10 层残差网络
NAS	Neural Architecture Search，神经架构搜索
剪枝（pruning）	移除网络中不重要权重/通道以压缩模型（Han 等方法）
INT8 量化	将权重/激活从浮点转为 8 位整数以适配硬件（Khudia 等，量化感知训练）
Faster-RCNN	两阶段目标检测框架，本文用于解剖检测
FETAL_PLANES_DB	真人胎儿标准切面分类公开数据集，本文外部验证集

附录

附录 A：条目信息速查卡

项	值
slug	fpus23
官方全称	FPUS23: An Ultrasound Fetus Phantom Dataset With Deep Neural Network Evaluations for Fetus Orientations, Fetal Planes, and Anatomical Features
论文	IEEE Access 11 (2023) 58308-58317（DOI 10.1109/ACCESS.2023.3284315；arXiv:2303.07852）
团队	TU Wien + Philips Research + NYU Abu Dhabi
体模	Kyoto Kagaku US-7 SPACE FAN-ST（23 周胎儿）
采集	Philips Epiq-7 + X6-1 xMATRIX（AIUS，OB Fetal Echo；12 cm / 23 Hz）
规模	15,728 帧 664×388 PNG
四任务	诊断切面 5,265 / 胎儿朝向 15,728 / 胎儿解剖 9,317 / 解剖框 9,455
许可	论文 CC BY 4.0 / 代码 MIT © Moore4Medical / 数据本体未单独声明
category_tags	医学影像、图像分类、目标检测、医学图像分割、评测基准、儿科
抓取时点	2026-10-07
库内互链	fetal-planes-db(538)/hc18(535)/psfhs(791)/fetreg(343)/maternal-ultrasound-nutrition(615)/camus(533)

附录 B：DAIMS 评估全表

维度	等级	说明
Discoverability（可发现性）	✅ 高	IEEE Access 开放获取（DOI 可解析）+ arXiv 预印本 + GitHub 仓库三处可检索；标题中的任务关键词（fetus orientations/planes/anatomy）清晰
Accessibility（可访问性）	✅ 高	代码/模型/标注 GitHub 公开克隆；数据集与标注经 Google Drive 直链；无 PHI 障碍（体模）是最大加分项；减分项为数据集本体许可未单独声明
Interoperability（可互操作性）	⚠️ 中	图像为通用 PNG、标注为 XML（CVAT）、模型为 PyTorch；格式通用但无统一 manifest 或数据字典；664×388 非标准分辨率
Metadata（元数据）	✅ 高	论文 Table 1 给出逐类计数、Table 2-5 给出实验、Protocol-I/II 给出采集细节；README 说明仓库结构；减分项为论文库版本号笔误（坑 6）与数据集本体许可缺声明（坑 5）
Sustainability（可持续性）	⚠️ 中	依托 GitHub 与 Google Drive；Google Drive 直链为单文件分享，长期稳定性弱于 Zenodo/Figshare 等带 DOI 的归档；论文与 arXiv 稳定
AI-Ready 综合	✅ 中高	数据与代码均可达、无 PHI 障碍、任务定义完整、文档充分；主要减分项为数据集本体许可未单独声明与托管平台可持续性

附录 C：逐项证据链自证与合计校验

关键事实	来源	位置/状态
15,728 帧 664×388	论文正文 + Table 1 朝向合计	一致
采集栈（Epiq-7/X6-1/AIUS/12cm/23Hz）	论文 §Methods	一致
诊断切面 5,265	Table 1 四类相加 1,386+1,280+1,281+1,318	校验通过
胎儿朝向 15,728	Table 1 四类相加 3,757+3,235+3,980+4,756	校验通过（= 总帧数）
胎儿解剖 9,317	Table 1 四类相加 3,003+1,629+2,159+2,526	校验通过
解剖框 9,455	Table 1 四类相加 4,370+4,853+4,572+6,435	校验通过
ResNet34 约 99%	论文 Table 2	一致
17× 硬件降低	论文 Table 4	一致
91.92% / >16 epoch	论文 §真实世界泛化	一致
权重偏移 2.01e-7 vs 3.02e-6	论文微调量分析	一致
数据集本体许可	论文 “openly accessible” + GitHub LICENSE.txt	待核：本体未单独声明
DOI 抽取文本	论文 PDF 首行 “10.1 109/…”	多余空格系 PDF 换行，正确 DOI 为 10.1109/ACCESS.2023.3284315

附录 D：数据获取决策树

你的需求	路径
要代码/预训练模型	GitHub bharathprabakaran/FPUS23（MIT，克隆即用）
要图像+标注	论文/仓库给出的 Google Drive 直链下载
要复现论文数字	使用官方 8:1:1 与 80:20 划分，勿自行随机划分
要商业再分发	先联系通讯作者确认数据集本体许可（坑 5）
要真人数据配合	搭配 fetal-planes-db（rid 538）做泛化验证

附录 E：四任务标注使用规范

任务	任务类型	可用标注量	注意事项
诊断切面	图像级分类（4 类）	5,265	类平衡已构造，估计真实性能需加权
胎儿朝向	图像级分类（4 类）	15,728	覆盖全部帧；仅 4 种离散取向
胎儿解剖	图像级多标签（4 类）	9,317	一帧可含多种解剖
解剖包围盒	目标检测（4 类）	9,455	一帧可含多个框；框数与分类数不等

附录 F：体模预训练 → 真人微调 SOP（基于 §5）

1. 在 FPUS23 上按论文设置训练分类模型（ResNet34，15 epoch，Adam lr=0.001）。
2. 取出骨干权重，作为真人体面分类任务的初始化。
3. 在真人数据集（如 FETAL_PLANES_DB）上微调，记录每 epoch 的准确率曲线。
4. 与 ImageNet 初始化的对照组对比：观察达到目标准确率所需 epoch 数（论文口径：体模 1 epoch vs ImageNet >16 epoch）。
5. 计算权重偏移量（预训练权重与微调后权重之差的平方和），量化迁移难度。

附录 G：模型压缩配方（基于 §4.4-§4.5）

组件	设置	预期
剪枝	Han 等，30%（配合 INT8）	正则化效应，性能不降反升
量化	Khudia 等 INT8 量化感知训练	适配整数推理硬件
架构	NAS 搜得的 ResNet8（分类）/ResNet10（检测）	分类用 ResNet8；检测因 ResNet8 掉点改 ResNet10
综合	30% 剪枝 + INT8 + ResNet8	解剖分类优于 ResNet34 且内存 <10 MB；硬件需求降至多 17×

附录 H：统计与评测守则（读论文数字前必读）

1. 约 99% 是体模测试集数字——不要外推为临床准确率（坑 2）。
2. 17× 是硬件需求降低倍数，非参数量倍数——引用时说明口径。
3. 91.92% 是单个 epoch 的成绩，来自体模预训练 + 真人微调——这是本文最有泛化意义的数字。
4. 权重偏移量 15× 是"迁移难度"指标，不是精度指标——常被误读。
5. 体模四姿态是离散枚举——不要假设连续胎位分布（坑 7）。

附录 I：与库内 fetal-planes-db（rid 538）的关系声明

FPUS23 与 fetal-planes-db 构成"体模 ↔ 真人"的对偶：

维度	FPUS23	FETAL_PLANES_DB
数据来源	Kyoto Kagaku US-7 体模	真人胎儿超声
规模	15,728 帧	12,400+ 图 / 1,792 患者
切面任务	3 类（AC/BPD/FL）+ No Plane	6 类解剖切面
获取	公开直链（无 PHI 障碍）	按其原数据集口径
关系	论文用 FETAL_PLANES_DB 验证体模预训练的迁移价值	FPUS23 的外部验证基准

引用规范：图像与标注引 FPUS23（IEEE Access 2023）；泛化实验的外部数据引 FETAL_PLANES_DB（Burgos-Artizzu 等，Sci Rep 2020）。

附录 J：双口径登记表

项	口径 A	口径 B	条目采用
DOI 文本	论文 PDF 抽取首行 “10.1 109/…”（含空格）	标准 DOI 10.1109/ACCESS.2023.3284315	标准 DOI（末者）
数据集许可	论文 “openly accessible”（未指明许可）	GitHub MIT © Moore4Medical（覆盖代码）	双口径并列，注明本体未单独声明
库版本号	论文 “PyTorch 3.7.4.3”	PyTorch 实际版本体系（1.x/2.x）	按论文原文存照，标注疑笔误
切片/帧	论文用 “images/frames” 混用	本文统一表述为"帧"	帧（朝向任务为整帧属性）

附录 K：维护计划与触发点

触发条件	应更新内容
GitHub 仓库更新（模型/数据）	刷新 saved_models 内容、commit 时点
Google Drive 直链失效	更新获取入口，寻找镜像或作者新链接
论文被修订（版本记录）	复核时间线与版本号笔误
数据集本体许可被单独声明	更新 §6.3 与坑 5
库内新增胎儿超声条目	补 §9.1 家族图谱行与互链
FETAL_PLANES_DB 条目更新	复核附录 I 对照表

附录 L：缩写速查

缩写	全称
FPUS23	Fetus Phantom Ultrasound dataset, 23 weeks
PHI	Protected Health Information（受保护健康信息）
AC	Abdominal Circumference（腹围）
BPD	Biparietal Diameter（双顶径）
FL	Femur Length（股骨长）
HC	Head Circumference（头围）
hu/hd	head-up / head-down
vf/vb	ventral-facing / ventral-back
AIUS	Anatomically Intelligent Ultrasound
CVAT	Computer Vision Annotation Tool
NAS	Neural Architecture Search
R-CNN	Region-based Convolutional Neural Network
INT8	8 位整数量化
DAIMS	Discoverability / Accessibility / Interoperability / Metadata / Sustainability
ECSEL	Electronic Components and Systems for European Leadership
TU Wien	Technische Universität Wien（维也纳工业大学）

附录 M：检索路径示范（关键词组合与查询式）

目标	推荐查询式	预期命中
论文	“FPUS23” AND (“fetus phantom” OR “ultrasound”)	IEEE Access / arXiv:2303.07852
数据集与代码	github bharathprabakaran FPUS23	GitHub 仓库
体模商品	“SPACE FAN-ST” OR “US-7” Kyoto Kagaku fetus phantom	厂商页
同类真人竞品	FETAL_PLANES_DB / HC18 + fetal ultrasound plane	附录 I 对照
方法学近邻	ultrasound model compression pruning quantization NAS	论文 Table 3/4 谱系
反例（勿用）	“FPUS23” 作为 23 个类/23 例的表述	无意义（坑 1 相关）

附录 N：基于本数据集的研究检查清单（12 项）

1. 体模声明：任何使用 FPUS23 的研究必须声明其为体模数据、非真人，且性能不可外推为临床。
2. 许可核对：确认用途符合"论文 CC BY 4.0 + 仓库 MIT"，商业再分发前联系通讯作者确认本体许可。
3. 任务对齐：明确你的任务属于四类中的哪类，并使用对应的标注量与划分。
4. 划分使用：与论文数字对比时使用官方 8:1:1 / 80:20 划分。
5. 类先验：用诊断切面任务估计真实场景性能时，对类平衡做重新加权。
6. 标注量核对：不要假设 15,728 全部可用；按任务取 5,265/15,728/9,317/9,455。
7. 朝向局限：朝向仅 4 种离散取向，勿假设连续胎位。
8. 分辨率意识：664×388 对精细结构任务可能不足，需评估是否上采样或改用真人高分辨数据。
9. 压缩口径：引用 17× 时说明是硬件需求降低倍数。
10. 泛化边界：跨域结论仅在切面任务、单外部集上得到验证，推广需谨慎。
11. 版本存照：注意论文库版本号笔误，复现时自行选用兼容版本。
12. 互链配合：体模预训练 + 真人微调时，搭配 fetal-planes-db（rid 538）等真人条目。

附录 O：体模 vs 真人数据路线对照

维度	体模（FPUS23 路线）	真人（FETAL_PLANES_DB 路线）
隐私合规	无 PHI 障碍，可完全开放	受 PHI 监管，获取常需注册
解剖多样性	低（单一 23 周模型 + 四姿态）	高（真实解剖变异与病理）
组织声学	简单（体模材质均匀）	复杂（异质组织、声影、混响）
可控性	高（可重复采集同一场景）	低（依赖临床偶遇）
标注难度	低（体模图像清晰、无隐私顾虑）	高（解剖复杂、脱敏约束）
最佳用途	预训练底座、方法学研究、边缘部署	临床验证、真实分布评估

附录 P：坑点档案（与 §10 对照）

坑号	主题	一句话记忆
坑 1	体模非真人	全部图像来自体模，不可当真人数据引用
坑 2	99% 不可外推	是体模测试集数字，非临床准确率
坑 3	15,728 非每任务样本量	各任务标注量不同（5,265/15,728/9,317/9,455）
坑 4	类平衡是构造的	诊断切面三类被增强至等量，偏离真实先验
坑 5	本体许可未单独声明	仓库 MIT 主要覆盖代码，商业再分发需确认
坑 6	库版本号笔误	“PyTorch 3.7.4.3” 疑为笔误，勿照抄
坑 7	单孕周四姿态	只有 23 周 + 四种离散取向
坑 8	泛化验证范围窄	仅切面任务、单外部集，映射细则未给出

附录 Q：四类任务标注文件名与标签编码建议

任务	建议标签编码	说明
诊断切面	AC=0, BPD=1, FL=2, NoPlane=3	图像级单标签
胎儿朝向	huvf=0, huvb=1, hdvf=2, hdvb=3	图像级单标签（覆盖全帧）
胎儿解剖	Head/Arms/Legs/Abdomen（multi-hot）	图像级多标签
解剖框	Head/Arms/Legs/Abdomen（框坐标）	目标检测，一帧可多框

（说明：以上编码为本条目为便于工程使用给出的建议，非论文官方编码；实际以仓库 XML 中的原始标签名为准。）

附录 R：论文 Table 结构速查

表	内容
Table 1	四类 super-label 逐类计数（本条目 §2.5 全转）
Table 2	分类与检测基线结果（ResNet34 / Faster-RCNN）
Table 3	模型压缩结果（剪枝 30/50/70% + INT8）
Table 4	NAS 结果（ResNet8/ResNet10，硬件需求 17×）
Table 5	无微调直接预测对比（体模 vs ImageNet）
Fig 5	失败模式示意（伪影误判、边界高/低估）

附录 S：双口径与原始文档缺陷登记

项	现象	处置
DOI 排版	PDF 抽取首行 “10.1 109/…” 含空格	按标准 DOI 10.1109/ACCESS.2023.3284315
库版本号	“PyTorch 3.7.4.3” 不符版本体系	按原文存照 + 标注疑笔误（坑 6）
数据集许可	论文"openly accessible" vs 仓库 MIT	双口径并列 + 标注本体未单独声明（坑 5）
images/frames 混用	论文措辞不统一	本条目统一表述为"帧"
切面类映射	FPUS23 3 类 vs FETAL_PLANES_DB 6 类	论文未给映射细则（坑 8）

附录 T：AI-Ready 检查单（FAIR 视角）

原则	评估
Findable（可发现）	✅ IEEE Access + arXiv + GitHub 三处可检索，DOI 可解析
Accessible（可访问）	✅ 无 PHI 障碍，代码克隆 + 数据直链；⚠️ Google Drive 长期稳定性
Interoperable（可互操作）	⚠️ PNG + XML + PyTorch 通用格式，但无统一 manifest/数据字典
Reusable（可重用）	✅ 任务定义完整、评测链完整；⚠️ 数据集本体许可未单独声明、体模域差异需声明

附录 U：基于本数据集的研究模板（4 类课题）

课题类型	起点章节	关键提示
胎儿超声预训练	§5 + 附录 F	体模预训练 + 真人微调，报告收敛曲线
边缘部署	§4.4-§4.5 + 附录 G	30% 剪枝 + INT8 + ResNet8；报硬件需求口径
域适应	§5.7 + §7.4	靶点为伪影误判与边界偏差
多任务学习	§2.5 + §3.5	四任务共享图像池，研究表征共享

附录 V：体模与真人流程的术语对照

概念	体模语境（FPUS23）	真人语境
采集对象	塑料/树脂体模	孕妇腹中胎儿
朝向来源	体模腹部旋转	胎儿自然胎位
组织声学	均匀、简化	异质、含声影/混响
隐私	无 PHI	受保护健康信息
多样性	低	高
最佳用途	预训练/研究/部署验证	临床验证/真实分布评估

附录 W：引文规范（BibTeX 参考）

@article{prabakaran2023fpus23,
  title   = {FPUS23: An Ultrasound Fetus Phantom Dataset With Deep Neural Network
             Evaluations for Fetus Orientations, Fetal Planes, and Anatomical Features},
  author  = {Prabakaran, Bharath Srinivas and Hamelmann, Paul and Ostrowski, Erik
             and Shafique, Muhammad},
  journal = {IEEE Access},
  volume  = {11},
  pages   = {58308--58317},
  year    = {2023},
  doi     = {10.1109/ACCESS.2023.3284315}
}

附录 X：本条目生产档案

项	值
条目 slug	fpus23
生产代理	agent-c-fpus23
生产日期	2026-10-07
主要来源	IEEE Access 论文 + arXiv 预印本 + GitHub 仓库 README/LICENSE
章节体系	frontmatter + INFOBOX + §0-§11 + FAQ + 事实清单 + 术语表 + 附录 A-X + 尾注
互链条目	fetal-planes-db(538)/hc18(535)/psfhs(791)/fetreg(343)/maternal-ultrasound-nutrition(615)/camus(533)

附录 Y：常见误用整句纠正

错误表述	正确表述
“FPUS23 是真人胎儿超声数据集”	“FPUS23 是胎儿超声体模（phantom）数据集”
“FPUS23 达到 99% 临床准确率”	“FPUS23 在体模测试集上分类约 99%，非临床准确率”
“FPUS23 有 15,728 个标注样本”	“FPUS23 有 15,728 帧图像，各任务标注量不同（5,265/15,728/9,317/9,455）”
“FPUS23 参数量减少 17 倍”	“FPUS23 的 NAS 模型使硬件需求降低至多 17 倍”
“FPUS23 可用于临床诊断”	“FPUS23 适合研究沙盒与预训练起点，不建议直接临床诊断”

附录 Z：一句话电梯陈述（供快速引用）

FPUS23 是一个用 23 周胎儿超声体模（Kyoto Kagaku US-7）采集 15,728 帧、含诊断切面/胎儿朝向/胎儿解剖/解剖框四任务标注、并附 ResNet34 基线约 99% + 剪枝/INT8/NAS 硬件降 17× + 真人数据集迁移验证的完全开放胎儿超声数据集。

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-07，抓取与核验时点见附录 A。事实陈述以论文（IEEE Access 11 (2023) 58308-58317，DOI 10.1109/ACCESS.2023.3284315 / arXiv:2303.07852）与 GitHub 仓库（bharathprabakaran/FPUS23，MIT License）为源；论文 PDF 抽取文本中的 DOI 空格、“PyTorch 3.7.4.3” 版本号、数据集本体许可未单独声明等原始文档细节已在坑点与附录 J 存照。条目与库内 fetal-planes-db（rid 538）、hc18（rid 535）、psfhs（rid 791）、fetreg（rid 343）、maternal-ultrasound-nutrition（rid 615）、camus（rid 533） 等条目互链，构成胎儿/产前超声与超声方法学家族的完整检索面。后续维护触发点见附录 K。

---

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：

• umid — 共享标签：医学影像 / 图像分类 / 目标检测 / 医学图像分割 / 评测基准
• acusim — 共享标签：医学影像 / 图像分类 / 目标检测 / 医学图像分割 / 评测基准
• body-acupoint-images — 共享标签：医学影像 / 图像分类 / 目标检测 / 医学图像分割 / 评测基准
• focus-fetal — 共享标签：医学影像 / 目标检测 / 医学图像分割 / 评测基准 / 儿科
• fetal-abdominal — 共享标签：医学影像 / 目标检测 / 医学图像分割 / 评测基准
• tn3k — 共享标签：医学影像 / 图像分类 / 医学图像分割 / 评测基准
• pfus1 — 共享标签：医学影像 / 图像分类 / 医学图像分割 / 评测基准
• vindr-pcxr — 共享标签：医学影像 / 图像分类 / 目标检测 / 儿科
• hyperkvasir — 共享标签：医学影像 / 图像分类 / 医学图像分割 / 评测基准
• prostate158 — 共享标签：医学影像 / 目标检测 / 医学图像分割 / 评测基准

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。