信息速览
INFOBOX — G1020 一屏速览
维度 内容 本质 青光眼检测公开彩色眼底（CFP）基准数据集（非挑战赛、单机构单源） 论文 IJCNN 2020（2020-07-19，Glasgow，IEEE）｜arXiv:2006.09158（2020-05-28） 团队 TU Kaiserslautern + DFKI（德国）；临床采集方 Wolfgang Neumeier 眼科诊所 规模 1,020 张眼底图 / 432 患者（724 健康 + 296 青光眼） 采集 德国 Kaiserslautern 私人诊所，2005-2017，45° 视野，散瞳后拍摄 规格 .JPG，裁黑边后 1944×2108 至 2426×3007 像素；无视盘/黄斑居中约束 任务 青光眼二分类 + 视盘/视杯分割 + 视盘边界框检测 标注 labelme 标注 OD/OC 边界与边界框 → 25 年经验眼科医生核验；含 vCDR 与 ISNT 四象限 baseline Mask R-CNN（OD IoU 0.885/OC 0.736）；Inception-v3 分类全类 F1 0.608 特色 无采集约束、贴近真实筛查——性能显著低于受控数据集，以「难」著称 获取 Kaggle（ arnavjain1/glaucoma-datasets，注册下载）许可 原论文未明示｜Kaggle 镜像 CC BY-NC 4.0｜EyeDataHub CC BY 4.0（口径冲突） 库内互链 REFUGE(62)、MESSIDOR(59)、ODIR(63)、RFMiD(271)、JustRAIGS(746)、FIVES(741)
G1020 是青光眼 AI 领域一本"故意不修边幅"的图册：它不像多数眼底数据集那样把视盘摆到正中、把不合格的图像剔除，而是把一家德国私人眼科诊所 2005 到 2017 年间拍下的 1,020 张真实眼底照片原样收进来——视盘可能歪在角落，可能带着镜头反光，可能因为白内障而模糊。正因如此，当研究者把在"精心整理"数据集上表现近乎完美的模型搬到 G1020 上时，性能会明显塌方（原论文 Inception-v3 全类 F1 仅 0.608）。这个反差让 G1020 成为检验青光眼筛查模型"能否上临床"的一块试金石，也让它成为引用逾 160 次的通用基准。
它解决的，是青光眼 AI 研究长期以来的一个隐性危机：benchmark 过拟合。当整个领域都在少数几个"干净"数据集上刷分，模型学到的可能不是青光眼的病理特征，而是那些数据集的采集习惯——一旦换到真实筛查场景，性能便原形毕露。G1020 用刻意保留的真实噪点，把这个危机显式化、可量化了。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——注意走 Kaggle 注册下载，许可口径有冲突，商用前务必核实（坑 5）。
- 关心数据质量与标注：直奔 §4 数据构成与 §5 任务标注——"无约束采集"与"OC 不可见"两节是理解本数据集的关键。
- 做分割/分类基准：直奔 §7 评估与基准——Mask R-CNN 分割表与 Inception-v3 分类表可直接对标；注意原论文的分类性能刻意偏低，是真实场景的信号。
§0 导读：这个数据集解决什么问题
青光眼是全球第二大致盲眼病，2020 年影响约 8,000 万人，预计 2040 年将达 1.118 亿；它早期无症状、晚期不可逆，因此大规模筛查是降低致盲率的唯一现实路径。彩色眼底照相（Color Fundus Photography, CFP）是其中最廉价、最普及的成像手段，也自然成为 AI 辅助诊断（Computer-Aided Diagnosis, CAD）落地筛查的首选载体。
问题在于：在此之前，公开的青光眼眼底数据集普遍又小又"干净"——往往只有几百张，且采集时施加了严格约束（强制居中视盘或黄斑、剔除含伪影图像）。在一个被这样"精修"过的数据集上训练出来的模型，在实验室里可以近乎完美，但一到真实筛查环境（视盘偏移、光照不均、白内障遮挡、镜头反光）就会失效。G1020 的核心贡献，正是用一个刻意不加约束、贴近日常眼科实践的大规模数据集，把这个落差摆到台面上。
论文在引言里把这层逻辑讲得很直白：如果为了追求数据集"干净"而剔除不符合严格纳入标准的图像，得到的 CAD 系统可能"在受控的实验室环境里表现优异，却在实际筛查或临床工作流中失败"（论文原文语义）。G1020 因此反其道而行——保留真实临床中一切"不完美"，让基准分数反映真实难度。
G1020 的回答分三层。第一层是数据：1,020 张高分辨率彩色眼底图，来自 432 名患者，其中 724 张健康、296 张青光眼，采集期覆盖 2005-2017 年，横跨十余年的真实临床实践。第二层是标注：不仅给出青光眼二分类标签，还提供完整的视盘（Optic Disc, OD）/视杯（Optic Cup, OC）分割多边形、视盘边界框、垂直杯盘比（vertical Cup-to-Disc Ratio, vCDR）以及用于检验 ISNT 规则的四个象限神经视网膜边缘（neuroretinal rim）宽度——一次性覆盖分类、分割、检测三类任务。第三层是反例价值：论文用主成分分析（PCA）可视化证明，在 G1020 上训练的分类器把健康和青光眼映射到高度重叠的潜在空间，而在同期 ORIGA 数据集上两类却清晰可分；这把"数据集难度差异"从传闻变成了可量化的证据。
§0 读法三则：
- 本条目是"数据集 + 基准论文"二合一：本体是 1,020 张带标注眼底图，副产品是一套极具说服力的"受控数据集 vs 真实数据集性能落差"论证（§7）。
- 全文硬数字以一手论文（arXiv:2006.09158 / DFKI 官方 PDF / Bajwa 博士论文）为准；与第三方目录（EyeDataHub 的 697/323、某 MDPI 论文的 580/237）的冲突已在坑 3 逐条存照。
- 检索时若看到"G1020 来自印度 Sankara Nethralaya"的说法是错误的——一手来源明确图像采集于德国 Kaiserslautern（坑 2），Sankara Nethralaya 是另一些印度眼底数据集的来源机构。
0.1 为什么青光眼适合用眼底图做 AI
理解 G1020 的价值，先要理解青光眼与眼底图的关系。青光眼的核心病理是视网膜神经节细胞及其轴突的进行性丢失，这一过程在眼底上留下两类可见痕迹：
- 视盘的形态学改变：视神经乳头（Optic Nerve Head, ONH）中心凹陷区域——视杯（OC）——相对视盘（OD）逐步扩大，即杯盘比（CDR）升高；视盘边缘（neuroretinal rim）变窄，尤其易首发于下方象限。
- 视网膜神经纤维层（RNFL）变薄：伴随视杯扩大的神经纤维层丢失。
这两类改变都可以在彩色眼底图上被观察到，且视盘区域是眼底图上对比度最高、最易定量的结构之一。因此，从眼底图自动测量 CDR、分割视盘视杯，成为青光眼 AI 最直接的建模路径。G1020 恰好把这条路径所需的全部监督信号——分割掩码、CDR、边缘宽度——都标注齐了。
0.2 数据"干净"的代价
数据集越"干净"，模型越容易过拟合到数据的采集特征而非疾病特征。这在青光眼领域有具体的表现形式：
- 如果所有训练图像的视盘都在画面正中，模型可能学会"找到最亮最圆的区域"而非"判断杯盘比是否异常"；一旦测试图像视盘偏移，模型立即失效；
- 如果剔除了所有模糊、反光、低对比度图像，模型从未见过真实筛查中大量存在的劣质图像，部署时无法应对；
- 如果所有图像来自同一台设备、同一批人群，模型可能记住设备的光学特征或人群的色素特征。
G1020 的"无约束"设计正是对这三条的一一回应：不居中、不剔除、并明确承认单中心的局限（后一条是它的短板，见 §10.4）。它用"受控数据集上的高分不等于真实场景可用"这一命题，参与了青光眼 AI 从"刷榜"到"可信"的范式转变。
0.3 本条目在千方病案医数集里的定位
在千方病案的 AI-Ready Wikipedia 体系中，G1020 属于"经典基准型"条目：数据规模中等、标注质量高、任务覆盖广、学术引用密集。它与库内其他眼底条目的关系是"互补而非替代"——MESSIDOR/IDRiD/DDR/DeepDRiD 主打糖尿病视网膜病变分级，ODIR/RFMiD 主打多病种分类，REFUGE/JustRAIGS 主打青光眼但任务口径不同，而 G1020 以"视盘视杯分割 + 青光眼二分类 + 真实场景难度"三位一体占据独特生态位（详见 §9.4 互链点）。
§1 数据集速览：十问十答
Q1：G1020 的"1,020"具体是什么结构？
1,020 张高分辨率彩色眼底照片，来自 432 名患者。其中 724 张来自 322 名健康者的眼睛，296 张来自 110 名青光眼患者。没有一位患者的图像同时出现在健康类和青光眼类里（患者级不混类），这一点对构建无泄漏的训练/测试划分很重要。
Q2：图像从哪来、怎么拍的？
全部采集于德国 Kaiserslautern 的一家私人眼科诊所，时间跨度为 2005 到 2017 年，采用 45° 视野（Field of View, FOV），在散瞳后拍摄。因为是回顾性采集且已完全匿名，论文声明无需患者知情同意。
Q3：图像规格是什么？
原始发布版裁掉了黑色背景、只保留眼底区域，因此尺寸不统一，介于 1944×2108 到 2426×3007 像素之间，格式为 .JPG。这种"高分辨率但不规则"的形态本身就是它贴近真实场景的体现。
Q4：为什么说它"无采集约束"？
多数眼底数据集要求视盘或黄斑居中、剔除含伪影图像。G1020 故意不设这些约束，视盘在画面中的分布远比 ORIGA 分散（论文用密度图对比证明）。好处是贴近真实筛查，代价是分割算法的后处理难度大增——这正是论文想强调的挑战。
Q5：标注里都有什么？
一位专家用 labelme（MIT 开发的开源标注工具）圈出视盘和视杯边界，并画出视盘边界框；这些标注再由一位拥有 25 年以上经验的资深眼科医生核验、按需修正，最终以 JSON 形式逐图保存。此外还有逐患者的青光眼临床诊断，以及由 OD/OC 标注推导出的 vCDR 和 ISNT 四象限神经视网膜边缘宽度。
Q6：vCDR 和 ISNT 是什么、为什么要标注？
vCDR（垂直杯盘比）是视杯垂直直径与视盘垂直直径之比，是青光眼视神经损害的核心量化指标，数值越大越可疑。ISNT 规则描述健康眼中神经视网膜边缘宽度应满足"下方 > 上方 > 鼻侧 > 颞侧"的顺序，青光眼常破坏这一顺序。两者都是临床判断青光眼的直接依据，把它们标注进数据集，使得模型学到的中间量与临床推理链条对齐。
Q7：有"看不见视杯"的情况吗？
有，且数量不小：60 张青光眼图像和 170 张健康图像的视杯不可见。论文说明，这些图像的诊断是依靠其他临床评估和检查手段做出的，而非单靠眼底图。这对分割任务是一个不可忽视的边界情况（坑 6）。
Q8：原论文的 baseline 是什么、成绩如何？
分割用 Mask R-CNN（ResNet-50 backbone，ImageNet 预训练，视盘与视杯分别建模）：在 G1020 内部 80/20 划分下，视盘平均 IoU 0.8852、视杯（IoU>0.4）0.7276。分类用 Inception-v3：G1020 上全类 F1 仅 0.6080，远低于同期 ORIGA 上的 0.8164。这个低分不是失败，而是论文想要的证据。
Q9：我现在能拿到什么、怎么拿？
主体通过 Kaggle 官方镜像（arnavjain1/glaucoma-datasets）注册下载，该镜像聚合了 ORIGA、REFUGE、G1020 三个来源，并额外提供裁剪到视盘/视杯区域的版本和去血管版本。许可口径存在冲突（Kaggle 标 CC BY-NC 4.0，EyeDataHub 标 CC BY 4.0），见 §6 与坑 5。
Q10：它和 REFUGE、JustRAIGS 有什么区别？
REFUGE 是 MICCAI 2018 青光眼挑战赛（1,200 图，含官方训练/验证/测试三划分），G1020 不是挑战赛、单机构单源。JustRAIGS 做的是多标签"转诊判断"（是否需转诊至青光眼专科），而 G1020 做的是青光眼二分类 + 视盘/视杯分割——任务结构与标签粒度都不同，两者不是别名、不撞库（坑 1）。
Q11：为什么它的分类 baseline 分数这么低？
三个原因叠加：其一，无采集约束使图像构图高度异质；其二，青光眼类内部异质性大（不同分期、不同亚型）；其三，真实临床图像中存在大量干扰因素。论文用 PCA 可视化证明，疾病信号在特征空间中的可分性远低于受控数据集。低分是"真实难度"的直接读数（坑 4）。
Q12：它适合做什么、不适合做什么？
适合：青光眼分割/分类方法的基准对照、鲁棒性验证、数据质量与真实分布的讨论。不适合：作为唯一训练集做临床部署（单中心、患者级样本少）、需要视杯完整标注的任务（约 230 图无视杯）、需要多病种标签的任务（仅青光眼为主）。
§2 数据集身份卡：一张表看懂 G1020
| 属性 | 内容 |
|---|---|
| 官方名称 | G1020: A Benchmark Retinal Fundus Image Dataset for Computer-Aided Glaucoma Detection |
| 常用简称 | G1020（“G”=Glaucoma，“1020”=图像张数） |
| 数据类型 | 彩色眼底照相（Color Fundus Photography, CFP）二维图像 |
| 任务类型 | 青光眼二分类 / 视盘视杯分割 / 视盘边界框检测 |
| 图像张数 | 1,020 张 |
| 患者数 | 432 名（每人 1-12 张） |
| 类别分布 | 724 健康 + 296 青光眼（患者级：322 健康 + 110 青光眼） |
| 采集机构 | 德国 Kaiserslautern 私人眼科诊所（Wolfgang Neumeier） |
| 采集时间 | 2005-2017 年 |
| 成像参数 | 45° 视野，散瞳后拍摄，.JPG 格式 |
| 图像尺寸 | 1944×2108 至 2426×3007 像素（裁黑边后） |
| 标注内容 | OD/OC 多边形 + OD 边界框 + 临床诊断 + vCDR + ISNT 四象限 |
| 标注工具 | labelme（开源） |
| 标注核验 | 资深眼科医生（>25 年经验） |
| 无约束特例 | 60 青光眼 + 170 健康图无可见视杯 |
| 论文出处 | IJCNN 2020（IEEE）；arXiv:2006.09158 |
| 作者机构 | TU Kaiserslautern + DFKI（德国）；NUST（巴基斯坦） |
| 获取渠道 | Kaggle（arnavjain1/glaucoma-datasets，注册下载） |
| 许可 | 原论文未明示；Kaggle 镜像 CC BY-NC 4.0；EyeDataHub CC BY 4.0（冲突） |
| 引用量 | Google Scholar 约 167 次（2026-09-30 抓取） |
| 语言/地域 | 英文标注，德国人群 |
2.1 身份辨识三要点
使用或引用 G1020 时，最关键的三条身份信息是：
- 它是什么：一个数据集，不是一个挑战赛、不是一个模型。G1020 本身不含排行榜，也不含官方提交系统；论文报告的 baseline 是作者自测，不是竞赛成绩。
- 它来自哪里：德国 Kaiserslautern（不是印度、不是新加坡）。这条信息直接关系到对数据偏倚（人群、设备、机构）的评估。
- 它做什么：青光眼（不是糖尿病视网膜病变、不是多病种）。虽然图像里必然也包含其他眼底结构，数据集的标签体系是围绕青光眼构建的。
2.2 命名规范与检索陷阱
- 正名："G1020"是唯一通用简称；论文标题"G1020: A Benchmark Retinal Fundus Image Dataset for Computer-Aided Glaucoma Detection"是官方全称。
- 检索陷阱：搜索"G1020"时，结果里会混入大量在 G1020 上评测过的论文（如各种分割/分类方法），这些论文不是数据集本身；也可能混入 G1020 的姊妹数据集（ORIGA、REFUGE 等）。检索者应优先定位 arXiv:2006.09158 与 Kaggle 镜像页。
- 易混名字：不要把"G1020"与"AIROGS"“LAG”“GAMMA”"REFUGE"等其他青光眼数据集混淆（详见坑 1）；也不要把 G1020 与图像张数相近的"1,000 张级"数据集（如 JSIEC-1000）混为一谈。
2.3 G1020 的一句话定位
把 G1020 与其他眼底数据集对比，可以用一句话概括它的独特生态位：
它不是一个"更好"的数据集，而是一个"更难"的数据集——它的价值恰恰在于这种难。
多数数据集论文的卖点是"更大、更全、更干净"，而 G1020 论文的卖点是"更真实、更难、更能暴露模型脆弱性"。理解这一点，是读懂本条目后续所有内容的前提。
2.4 与库内条目的定位差异
| 库内条目 | 主打任务 | 与 G1020 的关系 |
|---|---|---|
| messidor(59) | 糖尿病视网膜病变分级 | 眼底不同疾病，常并列作为"眼底 AI"综述对象 |
| ddr(201) / idrid(191) / deepdrid(211) | 糖网分级 | 疾病不同，图像模态相同 |
| eyepacs(58) | 糖网大规模筛查 | 大规模对照，非青光眼 |
| odir(63) / rfmid(271) | 多病种眼底分类 | 标签体系可互补 |
| refuge(62) | 青光眼挑战赛 | 最直接同类对照（任务重叠） |
| justraigs(746) | 青光眼转诊判断 | 同类疾病、不同任务（转诊 vs 分割分类） |
| fives(741) | 眼底血管分割 + 青光眼分类 | 任务部分重叠，模态相同 |
§2.5 术语表（术语首现英文对照）
为方便检索与跨语言阅读，本条目涉及的核心术语汇总如下：
| 中文 | 英文 / 缩写 | 说明 |
|---|---|---|
| 彩色眼底照相 | Color Fundus Photography, CFP | 用眼底相机拍摄的视网膜彩色图像 |
| 视盘 / 视乳头 | Optic Disc, OD / Optic Nerve Head, ONH | 视网膜上视神经轴突汇聚的圆形区域 |
| 视杯 | Optic Cup, OC | 视盘中央颜色较浅的凹陷区域 |
| 杯盘比 | Cup-to-Disc Ratio, CDR | 视杯与视盘尺寸之比，青光眼核心指标 |
| 垂直杯盘比 | vertical CDR, vCDR | 垂直方向的 CDR，较水平方向更敏感 |
| 神经视网膜边缘 | Neuroretinal Rim | 视盘边缘的神经组织带，青光眼时变窄 |
| ISNT 规则 | ISNT Rule | 边缘宽度下方>上方>鼻侧>颞侧的正常顺序 |
| 计算机辅助诊断 | Computer-Aided Diagnosis, CAD | 用算法辅助医生诊断 |
| 感兴趣区 | Region of Interest, ROI | 图像中关注的目标区域 |
| 交并比 | Intersection over Union, IoU | 分割/检测的评价指标 |
| 戴斯系数 | Dice Similarity Coefficient, DSC | 分割重叠度指标 |
| 非极大值抑制 | Non-Maximum Suppression, NMS | 去除冗余检测框的方法 |
| 主成分分析 | Principal Component Analysis, PCA | 降维与可视化方法 |
| 视野 | Field of View, FOV | 相机成像覆盖的角度范围 |
| 散瞳 | Mydriasis / Dilation | 用药扩大瞳孔以便拍摄 |
| 视网膜神经纤维层 | Retinal Nerve Fiber Layer, RNFL | 青光眼损害的目标层 |
| 视神经乳头 | Optic Nerve Head, ONH | 即视盘 |
| 青光眼 | Glaucoma | 以视神经损害为特征的不可逆致盲眼病 |
2.6 为什么"青光眼"与"糖网"数据集不能混用
青光眼与糖尿病视网膜病变（DR）都是眼底 AI 的热门方向，但二者在图上的关键征象完全不同：
- 青光眼的关键征象集中在视盘（杯盘比、边缘宽度、ISNT），病变是"结构性的、缓慢的"；
- 糖尿病视网膜病变的关键征象散布在整个视网膜（微血管瘤、出血、渗出、新生血管），病变是"弥漫性的、与血糖相关的"。
因此，青光眼专用数据集（如 G1020）的标注天然围绕视盘展开，而糖网数据集（如 MESSIDOR、IDRiD）的标注围绕病灶展开。把 G1020 当作糖网数据集用，或用糖网模型直接测 G1020 的青光眼任务，都会因任务错配而失败。这也是库内条目按疾病与任务双维度区分的原因。
§2.7 青光眼流行病学背景
理解 G1020 的临床价值，需要先了解青光眼的疾病负担：
| 指标 | 数值 | 来源 |
|---|---|---|
| 2020 年全球患者数 | 约 8,000 万 | 青光眼流行病学综述 |
| 2040 年预测患者数 | 约 1.118 亿 | 同上 |
| 全球致盲原因排名 | 第二 | WHO 口径 |
| 开角型青光眼患者数 | 约 5,750 万 | 同上 |
| 早期症状 | 多无症状 | 临床共识 |
| 病程可逆性 | 不可逆 | 临床共识 |
三个关键临床事实：
- 不可逆：青光眼造成的视神经损害无法恢复，只能通过早期发现延缓进展——这决定了筛查的巨大价值。
- 无症状：早期青光眼多无明显症状，患者往往在视野严重受损时才发现——这决定了"被动就诊"模式的失效。
- 可延缓：通过降眼压等治疗可显著延缓进展——这决定了"早期发现"能切实改变结局。
这三点共同构成了青光眼 AI 筛查的临床必要性：必须主动、大规模地筛查，才能在有意义的时间窗口内发现问题。而眼底照相因其廉价、普及、无创，成为大规模筛查的首选工具。G1020 正是为这一场景提供算法训练与评测的基准。
2.7.1 青光眼的两大类型
| 类型 | 英文 | 特点 | 与眼底图的关系 |
|---|---|---|---|
| 开角型 | Open-Angle Glaucoma | 房角开放但引流不畅，最常见 | 视盘渐进性改变 |
| 闭角型 | Angle-Closure Glaucoma | 房角狭窄或关闭，急性可致剧痛 | 视盘突发性损害 |
| 继发性 | Secondary Glaucoma | 由其他眼病或外伤引起 | 依病因而定 |
G1020 未按青光眼亚型细分，其标签是"青光眼 vs 健康"的二分类。这意味着数据集不区分开角/闭角，使用者在做亚型研究时需注意这一粒度限制（§9 遗留疑点 7 相关）。
2.7.2 与其他筛查手段的对比
| 筛查手段 | 成本 | 普及度 | 能否自动判读 |
|---|---|---|---|
| 眼底照相（CFP） | 低 | 高 | 能（本文方向） |
| 光学相干断层扫描（OCT） | 高 | 中 | 能 |
| 视野检查（VFT） | 中 | 中 | 部分 |
| 眼压测量（Tonmetry） | 低 | 高 | 部分 |
| 房角镜检查 | 中 | 低 | 难 |
眼底照相之所以成为 AI 筛查的首选，是因为它在成本、普及度与可自动判读三者间取得了最佳平衡。G1020 为这一路径提供了高质量的监督数据。
§2.8 数据集命名与编号规律
G1020 的命名"G1020"遵循一个直观的规律：疾病首字母 + 图像数量。
- G = Glaucoma（青光眼）
- 1020 = 图像张数
这一命名法在眼底数据集中并非孤例，类似的还有"G1020"的姊妹命名逻辑（如"EyePACS"按来源命名、"REFUGE"按挑战赛主题命名）。理解命名规律有助于快速识别数据集的疾病归属与规模量级。
与近似命名的辨析：
| 名称 | 实际含义 | 易混点 |
|---|---|---|
| G1020 | 青光眼 1,020 图 | — |
| JSIEC-1000 | 眼底多病种 1,000 图 | 都是"千张级"，但来源与任务不同 |
| EyePACS | 糖网大规模筛查 | 按机构命名，非青光眼专用 |
| DDR | 糖网数据集 | 缩写，非青光眼 |
| ORIGA | 新加坡青光眼数据集 | 同疾病，不同来源 |
§3 机构与人物：谁做了 G1020
G1020 是一支典型的"德国学术 + 临床"合作团队的产物，六位作者的机构分工清晰：数据来自诊所、算力与算法来自大学和国家级 AI 研究中心。理解这支团队，有助于理解数据集为什么长成"真实但不完美"的样子。
3.1 六位作者逐个看
| 作者 | 机构 | 角色 | ORCID |
|---|---|---|---|
| Muhammad Naseer Bajwa | TU Kaiserslautern + DFKI | 第一作者，数据集主导者 | 0000-0002-4821-1056 |
| Gur Amrit Pal Singh | TU Kaiserslautern + DFKI | 合著者，算法实验 | 0000-0002-6458-9315 |
| Wolfgang Neumeier | Kaiserslautern 眼科诊所 | 临床采集方 | — |
| Muhammad Imran Malik | NUST + National Center of AI, Islamabad | 合著者，国际合作 | 0000-0002-8079-5119 |
| Andreas Dengel | TU Kaiserslautern + DFKI | 合著者，资深指导 | 0000-0002-6100-8255 |
| Sheraz Ahmed | DFKI Smart Data and Knowledge Services | 合著者，数据与知识服务 | 0000-0002-4239-6520 |
核心团队：
- Muhammad Naseer Bajwa（第一作者）—— 德国凯泽斯劳滕工业大学（Technische Universität Kaiserslautern）与德国人工智能研究中心（DFKI, German Research Center for Artificial Intelligence），ORCID 0000-0002-4821-1056。他是 G1020 的主导者，其博士论文中专门设有"G1020 数据集的构建"（Curation of G1020 Dataset）一节，是除论文外最详细的一手来源。
- Gur Amrit Pal Singh —— 同属 TU Kaiserslautern 与 DFKI，ORCID 0000-0002-6458-9315。
- Wolfgang Neumeier —— Kaiserslautern 眼科诊所（Opthalmology Clinic），G1020 全部图像的临床采集方，联系邮箱 dr.neumeier-kl@web.de。他是把"真实临床实践"带进数据集的临床端点。
- Muhammad Imran Malik —— 巴基斯坦国立科技大学（NUST, National University of Science and Technology）与国家人工智能中心（National Center for Artificial Intelligence, Islamabad），ORCID 0000-0002-8079-5119。
- Andreas Dengel —— TU Kaiserslautern 与 DFKI，ORCID 0000-0002-6100-8255。
- Sheraz Ahmed —— DFKI 智能数据与知识服务部门（Smart Data and Knowledge Services），ORCID 0000-0002-4239-6520。
3.2 机构地图
数据与标注在德国西南部的 Kaiserslautern（凯泽斯劳滕）完成——一座以工业与信息科学著称的大学城，TU Kaiserslautern 与 DFKI 均坐落于此；算法与实验在 TU Kaiserslautern 与 DFKI 展开；巴基斯坦 NUST 与 National Center for Artificial Intelligence 提供了国际合作维度的学术支持。这套"德国数据 + 德国算法 + 巴基斯坦学术"的组合，是欧洲医疗 AI 研究中常见的跨境协作形态。
DFKI（德国人工智能研究中心）是欧洲最大的 AI 研究机构之一，其 Smart Data and Knowledge Services 部门长期从事医疗数据与知识工程，为 G1020 提供了数据治理与标注规范的方法论支撑。
3.3 一处必须澄清的来源地误解
任务头 brief 曾描述 G1020"来自印度 Sankara Nethralaya"。这与其一手来源直接冲突。三处独立一手证据——DFKI 官方论文 PDF、Bajwa 的博士论文（kluedo.ub.rptu.de，§2.3.1）以及后续独立综述（MDPI Diagnostics 2024）——一致确认图像采集于德国 Kaiserslautern 的私人临床诊所，与印度 Sankara Nethralaya 无关。
Sankara Nethralaya 是印度金奈的一家知名眼科机构，常作为 DRISHTI-GS 等印度眼底数据集的背景出现，容易被误挂到 G1020 头上。此外，作者 M. I. Malik 的机构是巴基斯坦 NUST，也非印度——这些都说明"印度来源"的说法站不住脚。本条目按实核结果写德国（坑 2）。
3.4 时间线
| 时间 | 事件 |
|---|---|
| 2005-2017 | 图像在德国 Kaiserslautern 私人诊所采集 |
| 2019 | Bajwa 等发表 ORIGA 分类前作（论文中作为对照 SOTA 引用） |
| 2020-05-28 | arXiv:2006.09158 预印本 v1 提交 |
| 2020-07-19 | IJCNN 2020 正式发表（Glasgow，IEEE） |
| 2020+ | G1020 成为青光眼分割/分类通用基准，引用持续增长 |
| 2022+ | 下游衍生（SMDG、MM-Retinal-Reason、LMOD+ 等）将其纳入构成源 |
§3.5 作者团队的研究脉络
从文献脉络看，G1020 作者团队的研究呈现清晰的主线：
前作（2019）：Bajwa 等在 ORIGA 数据集上做青光眼分类，报告 AUC 约 0.874。这一工作让团队意识到——在受控数据集上的好成绩，可能无法迁移到真实场景。
本作（2020）：团队转而构建一个"真实场景"数据集 G1020，并刻意用它来暴露 ORIGA 上模型的脆弱性。这是研究思路的一次关键转向：从"做更好的分类器"转向"做更真实的评测基准"。
后续影响：G1020 被大量后续工作引用，成为青光眼分割/分类的常规对照集；团队的研究思路（重视真实场景评测）也影响了后来的数据集设计理念。
这条脉络说明：G1020 不是孤立的数据集贡献，而是一系列研究问题的自然产物——团队先发现"受控数据集的分数不可信"，再动手构建一个能证伪它的数据集。理解这一动机，才能真正理解 G1020 为什么"故意不干净"。
3.5.1 作者背景与专长的互补
| 作者 | 专长 | 对 G1020 的贡献 |
|---|---|---|
| Bajwa | 医学影像 AI、博士研究 | 数据集设计、论文主笔 |
| Singh | 计算机视觉、深度学习 | 算法实验 |
| Neumeier | 临床眼科 | 数据采集、临床诊断 |
| Malik | 模式识别、AI | 方法指导 |
| Dengel | AI 资深研究 | 学术指导 |
| Ahmed | 数据与知识工程 | 数据治理、标注规范 |
这种"临床 + 算法 + 数据工程"的三角配置，是高质量医学数据集项目的典型团队结构——临床方保证数据的真实与可信，算法方保证任务的适配，数据工程方保证流程的规范。
§4 数据构成的硬数字
4.1 规模与分布
G1020 的核心数字在一手论文、DFKI 官方 PDF 与多篇独立二次文献中高度一致，是本条目可信度最高的一组事实：
| 指标 | 数值 | 说明 |
|---|---|---|
| 图像总数 | 1,020 | 高分辨率彩色眼底图 |
| 患者总数 | 432 | 每人最少 1 张、最多 12 张 |
| 健康图像 | 724 | 来自 322 名患者 |
| 青光眼图像 | 296 | 来自 110 名患者 |
| 类别比 | 约 2.4 : 1 | 健康 : 青光眼 |
| 患者级不混类 | 是 | 无任何患者图像横跨两类 |
患者级不混类这一点值得单独强调：论文明确"没有任何患者的图像同时属于健康和青光眼类别"。这意味着以患者为单位划分训练/测试集时不会产生标签泄漏——对建设可信基准至关重要，也解释了为什么后续研究常把 G1020 当作需要做患者级划分的规范数据集。
患者-图像对应关系的意义：296 张青光眼图只来自 110 名患者，平均每名青光眼患者贡献约 2.7 张图；724 张健康图来自 322 名患者，平均每人约 2.2 张。这说明患者级样本量（尤其是青光眼类 110 人）才是真正的信息上限——即便图像有 1,020 张，有效独立样本数接近 432，这对深度学习而言偏小（§10.4 局限）。
4.2 采集条件
- 时间跨度：2005 至 2017 年，约十二年。这赋予数据集天然的时间多样性，但也意味着成像设备与技术可能在此期间发生迭代（论文未披露具体影响）。
- 地理与机构：德国 Kaiserslautern 私人临床诊所，单中心。
- 成像参数：45° 视野（FOV），散瞳（dilation drops）后拍摄。
- 伦理：回顾性采集、完全匿名化，随机分配唯一患者标识符，论文声明无需知情同意。
"真实临床"的具体含义：论文反复强调数据"符合日常眼科的标准实践"（conforming to standard practices in routine ophthalmology）。这体现在：采集对象是诊所日常接诊的真实患者（非招募的实验志愿者）；采集流程是常规眼底照相（非专门的实验协议）；图像未经二次筛选美化。这三点共同构成 G1020"真实味"的来源。
4.3 图像规格与"无约束"设计
- 裁切策略：最终发布版裁去黑色背景，只保留眼底（fundus）区域，因此尺寸在 1944×2108 到 2426×3007 像素之间浮动。
- 格式：.JPG。
- 关键设计——无采集约束：论文刻意不施加"视盘居中""黄斑居中"等常见约束。作为对比，论文给出了 G1020 与 ORIGA 的视盘密度图（Figure 1）：G1020 的视盘分布覆盖明显更广的空间区域，“使任何分割算法的后处理显著更具挑战性”（论文原文语义）。这一设计选择是 G1020 区别于同代数据集的核心特征。
高分辨率的意义：视盘与视杯的边界在低分辨率图像上会因像素化而模糊，CDR 测量的精度随分辨率提升而改善。G1020 的 200 万至 700 万像素级图像，为精细分割提供了足够的空间细节，也使其适合作为高分辨率图像分割算法的测试床。
4.4 类别分布的显著边界情况
- 60 张青光眼图像的视杯不可见；
- 170 张健康图像同样没有可见视杯。
也就是说，在 1,020 张图像中，可能有近 230 张不携带有效的视杯分割信息。这些图像的诊断依据是"其他临床评估与检查手段"，而非单纯眼底判读。对分割任务而言，这部分样本要么被排除、要么以空标签形式保留，会直接影响模型关于"视杯应该多大"的先验分布（坑 6）。
为什么会出现无可见视杯：视杯是视盘中央颜色较浅的凹陷区域，其可见性受多种因素影响——视盘本身的解剖形态、屈光介质（角膜、晶状体）的透明度、图像对比度、是否存在白内障等。在真实临床中，尤其中老年人群中，无视杯或视杯边界不清的眼底图相当常见，这正是 G1020"真实"的又一体现。
4.5 数字口径冲突（存照）
一手论文的数字（1,020 / 432 / 724 / 296）与部分第三方目录存在明显出入：
| 来源 | 健康 | 青光眼 | 患者数 | 备注 |
|---|---|---|---|---|
| 一手论文（准） | 724 | 296 | 432 | 论文原文 |
| EyeDataHub 目录 | 697 | 323 | 未给 | 来源标注为 arXiv |
| MDPI ApplSci 14:4588 | 580 | 237 | 未给 | 且分辨率写 3004×2423 |
本条目以一手论文为准，另两处口径作为存照（§9 与坑 3）。冲突可能源于不同镜像版本的筛选差异（Kaggle 镜像提供了 cropped 等衍生视图，可能被误当作全集统计）或二次文献的转录错误。
4.6 与其他公开青光眼数据集的规模对比
| 数据集 | 图像数 | 患者/受试数 | 类别结构 | 采集地 |
|---|---|---|---|---|
| DRISHTI-GS | 101 | — | 70 青光眼 / 31 健康 | 印度 |
| RIM-ONE（v3） | 169 | — | 正常/早/中/晚/高眼压 | 西班牙 |
| ORIGA-light | 650 | — | 482 健康 / 168 青光眼 | 新加坡 |
| G1020 | 1,020 | 432 | 724 健康 / 296 青光眼 | 德国 |
| REFUGE | 1,200 | — | 训练/验证/测试各 400 | 多来源 |
| LAG | 5,824 | — | 阴性/疑似 | 中国 |
| AIROGS | >100,000 | — | 不可转诊/可转诊 | 荷兰 |
从表中可见，G1020 的规模处在 ORIGA（650）与 LAG（5,824）之间，但它是少有的明确披露患者级划分与疾病分布的中等规模青光眼数据集。规模不是它的卖点，"真实采集 + 多维标注"才是。
4.7 数据文件的组织形式（据 Kaggle 镜像）
Kaggle 聚合镜像 arnavjain1/glaucoma-datasets 中与 G1020 相关的部分组织如下：
| 目录 / 文件 | 内容 | 文件数 |
|---|---|---|
| Images | 原图 | 2,040 |
| Images_Square | 方图版本 | 1,020 |
| Masks | 掩码 | 1,020 |
| Masks_Square | 方形掩码 | 1,020 |
| NerveRemoved_Images | 去除血管/神经的版本 | 1,020 |
| G1020.csv | 元数据表 | 1 个文件（18.04 kB） |
| Images_Cropped / Masks_Cropped | 裁剪到视盘视杯区域 | 各 20 个文件 |
注意 Images 为 2,040（约两倍于 1,020），这与镜像同时纳入 ORIGA、REFUGE 有关——下载后需按 G1020.csv 与目录结构仔细区分来源，避免把其他数据集的图误当 G1020（坑 8）。
§4.8 数据质量与标注工艺的深入讨论
4.8.1 "无约束"带来的三类质量挑战
论文反复强调 G1020 的"无约束采集"，这在实践中转化为三类具体的图像质量挑战：
（一）视盘不居中
多数眼底数据集要求视盘位于画面中央或特定象限。G1020 不设此约束，视盘可能出现在画面任何位置，甚至靠近边缘。对分割算法而言，这意味着模型不能依赖"视盘总在中心"的强先验；对目标检测算法而言，这要求检测器在整幅高分辨率图像上搜索，计算成本更高。论文用密度图证明 G1020 的视盘分布确实比 ORIGA 更分散。
（二）成像质量参差
真实临床中，眼底图会因白内障、散瞳不充分、患者配合度、镜头反光、睫毛遮挡等因素而质量不一。G1020 保留这些"不完美"，使模型必须在劣质图像上也能工作。这与"剔除所有低质量图"的数据集形成鲜明对比。
（三）疾病与共病混杂
真实患者可能同时患有多种眼病（如青光眼合并白内障、青光眼合并糖网）。G1020 的图像来自真实临床，因此必然包含这类混杂因素。这既是挑战（干扰信号），也是价值（贴近真实人群）。
4.8.2 标注工艺的层级
G1020 的标注工艺可以拆解为四个层级，层层递进：
| 层级 | 内容 | 技术手段 |
|---|---|---|
| L1 边界标注 | OD/OC 多边形边界 | labelme 手工绘制 |
| L2 框标注 | OD 边界框 | labelme 矩形工具 |
| L3 派生量 | vCDR、ISNT 四象限宽度 | 从 L1 几何计算 |
| L4 诊断标签 | 青光眼临床诊断 | 临床判读 |
四层标注的递进关系很重要：L3 是从 L1 自动派生的（几何计算），而非独立标注——这意味着 L1 的标注误差会直接传导到 vCDR 与 ISNT；而 L4 是独立的临床判断，不完全依赖 L1 的几何精度。理解这一点，有助于解释为什么 vCDR/ISNT 的可靠性高度依赖分割标注质量。
4.8.3 与"金标准"概念的关系
在青光眼诊断中，"金标准"通常指综合多种检查（眼压、视野、OCT、视盘照片）后的临床诊断，而非单一图像判读。G1020 的 L4 诊断标签由临床提供，因此可视为接近金标准的参考。但要注意：
- 青光眼诊断本身存在临床不确定性（尤其早期青光眼）；
- 单中心诊断标准可能与多中心研究（如 AIROGS）的判读标准不同；
- 因此 G1020 的标签虽经资深医生核验，仍属"单中心金标准"，跨机构可比性需谨慎对待。
4.8.4 数据偏倚的四个维度
评估 G1020 是否适合某研究，需从四个偏倚维度审视：
| 偏倚维度 | G1020 状况 | 潜在影响 |
|---|---|---|
| 地理/人群 | 单一德国诊所 | 跨种族泛化未验证 |
| 机构/设备 | 单中心、设备型号未披露 | 跨设备泛化未验证 |
| 时间 | 2005-2017 | 成像技术进步可能引入漂移 |
| 疾病谱 | 青光眼 + 健康，共病混杂 | 多病种任务需额外标注 |
4.8.5 图像格式与存储的实际考量
G1020 以 .JPG 格式存储，这在深度学习时代有利有弊：
- 利：JPG 体积小，便于分发（相比无损格式）；解码速度快，适合大规模训练。
- 弊：JPG 是有损压缩，可能在高频细节（如视杯边界）引入块状伪影，对精细分割任务有潜在影响。
对于追求极致分割精度的研究，需注意 JPG 压缩对边界标注一致性的影响；论文未讨论压缩质量参数对标注的影响，这也是一个遗留疑点（§9）。
4.8.6 采集时间跨度的技术含义
2005-2017 的十二年采集期，跨越了眼底相机技术的重要演进（从胶片/早期数字化到高清数字化）。虽然论文未披露设备更替细节，但从"技术史"角度可以推断：
- 早期图像可能分辨率较低、噪声较高；
- 后期图像质量可能更好、色彩更准；
- 这种时间异质性可能成为模型学习的隐藏变量（模型可能"记住"某些年份的成像特征）。
论文未做时间分层分析，这是一个开放的研究问题。
§4.9 数据规模在深度学习语境下的再评估
4.9.1 1,020 张够不够
在 ImageNet 时代（百万级）与医学影像通常的"千张级"语境下，1,020 张属于中等偏小。判断"够不够"要看任务：
| 任务 | 1,020 张是否足够 | 理由 |
|---|---|---|
| 视盘分割 | 基本够 | 视盘结构一致、迁移学习有效 |
| 视杯分割 | 偏紧 | 视杯变异大、约 230 张无视杯 |
| 青光眼二分类 | 偏紧 | 类间差异细微、需大量样本 |
| 端到端无预训练 | 不够 | 数据量远低于从零训练需求 |
关键结论：G1020 适合作为微调（fine-tuning）与评测数据，不适合作为从零训练的唯一数据。实践中，研究者常用大规模预训练模型（ImageNet 或眼底专用预训练）在 G1020 上微调。
4.9.2 患者级样本量的影响
1,020 张图对应仅 432 名患者，青光眼类更只有 110 名。这对模型评估的影响是：
- 置信区间宽：110 个独立青光眼样本，评估指标的置信区间很宽，小差异可能不显著；
- 过拟合风险：患者级划分后训练集更小，过拟合风险上升；
- 统计分析谨慎：做患者级统计检验时，需注意样本量对检验效能的影响。
4.9.3 与后续大规模青光眼数据集的对比
| 数据集 | 规模 | 患者/受试 | 相对 G1020 |
|---|---|---|---|
| G1020 | 1,020 | 432 | 基准 |
| LAG | 5,824 | — | 约 5.7 倍 |
| AIROGS | >100,000 | — | 约 100 倍 |
后续数据集的规模远超 G1020，但 G1020 的历史地位并未因此动摇——因为它验证的是"真实场景评测"这一方法论，而非单纯的规模竞赛。规模可以后发超越，方法论的首创价值则是独特的。
§5 任务与标注：一次覆盖分类、分割、检测
5.1 三项并行任务
G1020 的设计目标是"一个数据集同时支撑青光眼筛查的三类建模任务"：
- 青光眼二分类（Classification） —— 输入一张眼底图，输出健康 / 青光眼标签。
- 视盘/视杯分割（Segmentation） —— 输出视盘（OD）与视杯（OC）的像素级区域掩码。
- 视盘边界框检测（Localization / Detection） —— 输出视盘所在边界框坐标，可用于定位与裁剪。
这种"一次标注、多任务复用"的思路，使 G1020 在 2020 年后成为青光眼研究方向论文最常引用的对照数据集之一。
5.2 标注内容逐项拆解
| 标注项 | 形式 | 用途 |
|---|---|---|
| 视盘 OD 边界 | 多边形（polygon） | 分割任务、CDR 计算分母 |
| 视杯 OC 边界 | 多边形（polygon） | 分割任务、CDR 计算分子 |
| 视盘边界框 | 矩形（bounding box） | 目标检测、ROI 裁剪 |
| 青光眼诊断 | 患者级类别标签 | 二分类任务 |
| 其他眼病诊断 | 患者级临床描述 | 多病种分析 |
| vCDR | 数值（由 OD/OC 推导） | 青光眼量化指标 |
| ISNT 四象限边缘宽度 | 四象限数值（下/上/鼻/颞） | ISNT 规则检验 |
5.3 标注工具与流程
- 工具：labelme —— 麻省理工学院（MIT）开发的开源图像标注工具，支持多边形与矩形标注，输出 JSON。
- 流程：一位专家用 labelme 圈出 OD 和 OC 的边界，同时标出视盘边界框；这些手工标注随后由一位拥有 25 年以上临床经验的老资历眼科医生核验，并在必要时修正。
- 产出：每张图像对应一个 JSON 注释文件；论文明确"图像在训练集和测试集中的名称随数据集一同提供"，便于复现论文的划分。
这条"专家标注 → 资深医生核验"的两级流程，与多数由单一标注者或众包完成的眼底数据集相比，标注质量的把关层级更高。值得说明的是，论文只提到一位专家标注、一位资深医生核验——这意味着标注者间一致性（inter-annotator agreement）并未被测量，这是标注质量的一个已知局限（§9 遗留疑点）。
5.4 vCDR：从几何标注到临床指标
垂直杯盘比（vertical Cup-to-Disc Ratio, vCDR） 定义为视杯垂直直径与视盘垂直直径之比：
vCDR = 视杯垂直直径 / 视盘垂直直径
临床意义：正常眼的 CDR 通常在 0.3 以下且双眼对称，青光眼因视神经纤维层逐渐丢失、视杯相对扩大，CDR 会升高（常以 0.5-0.6 为警戒线，需结合其他检查）。G1020 从 OD/OC 多边形标注直接计算 vCDR，使研究者既能训练端到端的分类模型，也能研究"先分割再算 CDR"的可解释管线。
为什么强调"垂直"：视杯的水平与垂直扩展在青光眼中并不对称，垂直方向的变化往往更早、更显著，因此 vCDR 通常比水平 CDR 更敏感。G1020 明确标注 vCDR 而非笼统的 CDR，体现了对临床惯例的遵循。
5.5 ISNT 规则：四象限边缘宽度
ISNT 规则描述健康眼视盘神经视网膜边缘（neuroretinal rim）宽度的典型顺序：
Inferior（下方） > Superior（上方） > Nasal（鼻侧） > Temporal（颞侧）
G1020 标注了四个象限各自的边缘宽度，使研究者能够检验图像是否遵循 ISNT 规则。青光眼视神经损害常首先打破这一顺序（例如下方边缘变窄），因此 ISNT 破坏是青光眼的一个形态学信号。把 ISNT 数值纳入标注，意味着 G1020 不仅提供"是什么病"的答案，还提供"为什么这样判断"的中间形态学证据。
ISNT 规则的临床局限：该规则并非青光眼的绝对判据——部分健康人不完全遵循 ISNT，部分青光眼早期也不破坏该规则。G1020 提供四象限数值而非"是否遵循"的二元标签，正是为了保留这种模糊性供研究者自行建模。
5.6 标注的边界情况：无可见视杯
如 §4.4 所述，60 张青光眼图像与 170 张健康图像没有可见视杯。这对标注与建模有直接后果：
- 分割任务：这部分图像的 OC 标注无从谈起，只能给空区域或不参与损失计算；
- CDR 计算：OC 不可见意味着 vCDR 无法从图像直接测出，论文说明这些病例的诊断依赖其他临床手段；
- 分类任务：这部分图像仍是有效的分类样本——即使看不到视杯，资深医生也能结合其他眼底征象与临床信息作出青光眼判断。
这一边界情况是 G1020"真实味"的又一处体现：真实临床中本就有相当比例的眼底图看不到清晰视杯。
5.7 标注质量与标签体系的可信度
综合来看，G1020 的标注可信度来自三个层面：
| 层面 | 具体保障 |
|---|---|
| 标注主体 | 专家手工多边形标注（非自动生成） |
| 核验层级 | 25 年经验资深眼科医生逐张核验 |
| 诊断依据 | 结合临床评估（非仅凭图像） |
其局限则在于：
| 局限 | 说明 |
|---|---|
| 单一标注者 | 未做标注者间一致性测量 |
| 无不确定性标注 | 标签为确定性二元，未编码诊断置信度 |
| 无视杯样本 | 约 230 图 OC 标注缺失 |
| 单中心诊断标准 | 诊断遵循单中心实践，跨机构可比性未验证 |
§5.8 从标注到建模：三类任务的数据流
把 G1020 的标注转化为训练数据，三条任务路径的数据流如下：
（一）青光眼二分类路径
眼底图 (.JPG) → 预处理（缩放/裁剪/增强） → CNN 分类器 → 健康/青光眼
标签来源：L4 临床诊断
（二）视盘/视杯分割路径
眼底图 (.JPG) + OD/OC 多边形 JSON → 掩码栅格化 → 分割网络 (U-Net/Mask R-CNN) → 预测掩码
标签来源：L1 边界标注
评估：IoU / Dice / F1
（三）视盘检测路径
眼底图 (.JPG) + OD 边界框 → 检测网络 (Faster R-CNN/Mask R-CNN) → 预测框
标签来源：L2 框标注
评估：IoU / mAP
（四）可解释路径（分割→CDR→分类）
眼底图 → 分割 OD/OC → 计算 vCDR/ISNT → 阈值或机器学习分类
标签来源：L1 + L3
优势：中间量可解释、可对齐临床推理
第四条路径是 G1020 的独特价值所在——因为数据集同时提供了分割标注与派生量（vCDR、ISNT），研究者可以构建"先测几何、再下诊断"的可解释管线，而非只能做黑箱端到端分类。
5.8.1 三类任务的难度梯度
| 任务 | 难度 | 原因 |
|---|---|---|
| 视盘分割 | 低 | 视盘边界清晰、对比度高 |
| 视盘检测 | 低 | 仅需定位，不需像素级精度 |
| 青光眼分类 | 高 | 类间可分性低（论文 PCA 已证） |
| 视杯分割 | 高 | 视杯边界模糊、部分图像无视杯 |
这个难度梯度解释了为什么原论文中分割（尤其视盘）成绩很高，而分类成绩很低——不是模型不行，而是任务本身的先天难度差异。
§5.9 标注成本与数据集工程的启示
5.9.1 标注一个视盘要多少工夫
视盘/视杯的分割标注是精细的像素级工作。以 G1020 为例，每张图需要：
- 定位视盘（在高分辨率图中搜索）；
- 沿视盘边界绘制多边形（约 30-60 个顶点）；
- 沿视杯边界绘制多边形（视杯边界模糊时尤其耗时）；
- 绘制视盘边界框；
- 由资深医生核验、修正。
按业内经验，一张图的 OD/OC 精细标注约需 5-15 分钟专家时间；1,020 张图即 85-255 小时专家时间。G1020 用"专家初标 + 资深医生核验"的流程，在质量与成本间取得平衡。
5.9.2 与标注流水线式数据集的对比
| 模式 | 代表 | 成本 | 质量 |
|---|---|---|---|
| 单一专家手标 | G1020 | 高 | 高（但有单标注者风险） |
| 多专家标注 | DRISHTI-GS（多专家） | 极高 | 最高（可算一致性） |
| 学生标注 + 专家核验 | PANDA-PLUS | 中 | 高 |
| 众包标注 | 部分大规模数据集 | 低 | 参差 |
G1020 属于"单一专家手标"模式——质量高，但未做标注者间一致性测量。这是它与 DRISHTI-GS（多位专家，可算一致性）的主要差别，也是本研究记录的局限之一。
5.9.3 数据集工程的三条经验
G1020 的构建过程为医学数据集工程提供了三条可借鉴的经验：
- 临床方深度参与：数据来自真实诊所、诊断由临床医生提供，是数据集可信度的根基；
- 派生量自动计算：vCDR、ISNT 从标注几何自动派生，避免了重复人工标注，也保证了内部一致性；
- 刻意保留真实分布：不剔除"不完美"样本，使数据集更贴近部署场景。
§6 获取与许可：版本链与口径冲突
6.1 获取渠道
G1020 的主获取渠道是 Kaggle 镜像 arnavjain1/glaucoma-datasets。这是一个聚合镜像，同时包含 ORIGA、REFUGE、G1020 三个来源的眼底图与 OD/OC 掩码。其目录结构与体量如下：
| 目录 / 文件 | 内容 | 文件数 |
|---|---|---|
| Images | 原图 | 2,040 |
| Images_Square | 方图版本 | 1,020 |
| Masks | 掩码 | 1,020 |
| Masks_Square | 方形掩码 | 1,020 |
| NerveRemoved_Images | 去除血管/神经的版本 | 1,020 |
| G1020.csv | 元数据表 | 1 个文件（18.04 kB） |
| Images_Cropped / Masks_Cropped | 裁剪到视盘视杯区域 | 各 20 个文件 |
镜像整体约 10.07 GB（Data Explorer 口径），共约 21.6k 个文件（含 ORIGA 与 REFUGE 部分）。获取存在注册门槛（registration）：使用者需拥有 Kaggle 账号并接受数据集条款，并非纯公开直链。截至抓取时点，该镜像的 Kaggle 页面显示约 68.4K 浏览、23.6K 下载，是 G1020 的主要分发入口。
6.2 许可：一处必须存照的冲突
G1020 的许可状态是本研究核验中最需要谨慎对待的一环，存在明确的多口径冲突：
| 来源 | 许可标注 | 性质 |
|---|---|---|
| 原论文（IJCNN 2020 / arXiv） | 未明示许可 | 数据集的原始发布方未声明许可 |
| Kaggle 官方镜像 | CC BY-NC 4.0（Attribution-NonCommercial 4.0 International） | 建议署名 + 禁止商业使用 |
| EyeDataHub 目录 | CC BY 4.0 | 无 NC 条款，允许商业使用 |
三处口径并不一致：最严格的理解是无明示许可（默认保留所有权利）；Kaggle 镜像明确加了 NC 条款（禁止商业）；而 EyeDataHub 记为无 NC 的 CC BY 4.0。这种冲突在有历史的数据集上并不罕见——原始发布方未写许可，后续镜像各自补齐或推断，导致口径分裂。
使用建议：任何研究者（尤其是涉及商业用途的）在下载与使用前，必须以当前官方源的最新条款为准，不能依赖本条目或任何第三方目录的转述。本条目仅作事实存照，不构成法律意见（坑 5）。
6.3 版本链与衍生谱系
G1020 自 2020 年发布以来形成了一条清晰的衍生谱系：
- 原始版（2020）：1,020 张图 + OD/OC/边界框标注 + JSON + 论文给定的训练/测试划分名单。
- Kaggle 聚合镜像（后续）：把 G1020 与 ORIGA、REFUGE 合并，增加 Images_Cropped / Masks_Cropped（裁剪版）与 NerveRemoved_Images（去血管版）等衍生视图；版本迭代至 v4（10.07 GB）。
- 下游衍生数据集/基准：EyeDataHub 目录记录了若干来源支持的血缘关系——SMDG（Standardized Multi-Channel Dataset for Glaucoma，19 源标准化青光眼数据）把 G1020 列为构成源之一；MM-Retinal-Reason 把 G1020 列为 CFP 来源之一；LMOD+ 项目把 G1020 列为九个组成数据集之一。
谱系阅读提示：当看到"某数据集包含 G1020"时，要区分是原始发布还是衍生重打包——衍生版本可能改变了图像尺寸、裁剪范围或标签格式，引用时应回溯到原始论文与官方镜像（坑 8）。
6.4 其他访问方式
除 Kaggle 外，部分中文数据社区（如和鲸社区 heywhale，体量约 5.5 GB）也镜像了同一聚合包（标注来源为 arXiv）。这些二次镜像的许可与内容完整性无法保证与官方一致，检索者应以 Kaggle 官方镜像或论文作者公布的信息为准。
6.5 训练/测试划分
论文提供了两种评估划分：
- G1020 内部 80/20 随机划分：训练用随机 80% 图像，测试用剩余 20%；论文称图像名称随数据集一同提供。
- 跨域划分：用 ORIGA 全部图像训练，在 G1020 全部图像上测试（用于评估泛化能力）。
复现提示：论文的"随机 80/20"划分名单需从下载包中获取才能完全复现；若自行随机划分，由于同一患者可能有多张图，应按患者划分以避免泄漏——这一点在论文中未明确其为患者级划分，使用者需自行判断（§9 遗留疑点 6）。
§6.6 获取决策树
面对"我要用 G1020"的需求，建议按以下决策树操作：
需要 G1020 数据？
├─ 是学术研究（非商业）
│ ├─ 只需图像 + 标签 → Kaggle 镜像下载（注册）
│ └─ 需复现论文划分 → 下载后核对 G1020.csv 中的划分名单
└─ 是商业用途
├─ 必须先确认许可（原论文未明示 = 默认不可商用）
├─ 联系 Kaggle 镜像页确认 CC BY-NC 4.0 是否适用于你的场景
└─ 如无法确认 → 不要使用，或寻求作者/机构明确授权
核心风险提示：许可口径冲突（坑 5）是 G1020 最大的使用风险。与 REFUGE（明确挑战赛条款）、MESSIDOR（沿用原始发布条款）等相比，G1020 的"三处口径不一"在库内眼底条目中较为突出。
6.6.1 下载后的验收清单
从 Kaggle 镜像下载后，建议按以下清单验收：
| 验收项 | 期望 | 异常处理 |
|---|---|---|
| 图像总数 | G1020 子集 1,020 张 | 按 G1020.csv 过滤，剔除 ORIGA/REFUGE |
| 掩码配对 | 每张图有对应掩码 | 检查 Masks 目录与 Images 是否一一对应 |
| 标签分布 | 724 健康 / 296 青光眼 | 与 G1020.csv 统计核对 |
| JSON 完整性 | 每张图有 OD/OC JSON | 检查是否有缺失或空标注 |
| 无视杯样本 | 约 230 张 | 确认这部分样本的标注形式 |
| 图像尺寸 | 1944×2108 至 2426×3007 | 若不符，可能是衍生裁剪版 |
6.6.2 与原始发布对照的注意事项
Kaggle 镜像是"聚合 + 加工"的二次发布，包含 Images_Square、NerveRemoved_Images 等衍生版本。若某研究声称"使用 G1020 原始数据"，却用了裁剪版或去血管版，其结果的可比性会受损。因此：
- 复现性研究：坚持用原始 Images + Masks；
- 方法创新研究：可以用衍生版本，但须在方法学中明确说明，并与原始口径区分。
6.6.3 训练集/测试集的划分建议
综合论文做法与患者级不混类的事实，建议：
| 场景 | 推荐划分 | 理由 |
|---|---|---|
| 复现论文 | 用论文提供的 80/20 名单 | 可比性 |
| 新方法评测 | 患者级 5 折交叉验证 | 避免泄漏、统计更稳 |
| 跨域测试 | 训练 ORIGA / 测试 G1020 | 论文口径，评估泛化 |
| 快速原型 | 随机 80/20（图像级） | 快，但结果可能虚高 |
警示：图像级随机划分会因"同患者多图"造成泄漏，得到的成绩不可信（坑 7）。发表结果建议采用患者级划分。
§6.7 许可问题对研究可复现性的影响
许可口径冲突不仅是法务问题，也直接影响研究的可复现性：
| 影响面 | 具体表现 |
|---|---|
| 数据再分发 | 若许可不明，研究者无法合规地再分发数据，限制复现 |
| 商业转化 | 若商业使用受限，产业界的跟进受阻 |
| 长期存档 | 若来源页变化，未来研究者可能无法获取数据 |
建议：数据集发布者应在发布时明确、单一地声明许可，并把许可声明与数据一同存档。G1020 的历史教训——“原论文未声明、后续镜像各写各的”——正是这一建议的反面教材。
6.7.1 合规使用的三步核实法
对 G1020 这类许可口径有分歧的数据集，建议采用"三步核实法"：
- 查原始声明：先看原论文与其官方页是否声明许可（G1020 未声明）；
- 查当前分发源：看你实际下载的镜像页当前的许可标注（Kaggle 标 CC BY-NC 4.0）；
- 取交集原则：若多处口径不一，按**交集（最严格）**处理，除非能获得明确的额外授权。
三步核实法能最大限度降低合规风险，代价是可能在部分场景下"过度保守"——但对研究用途而言，保守通常是安全的。
§7 评估与基准：原论文的 baseline 与后续对标
7.1 分割基准：Mask R-CNN
论文采用 Mask R-CNN（以 ImageNet 预训练的 ResNet-50 为卷积骨干），对视盘和视杯分别训练独立模型。评估采用两种划分：
(A) G1020 内部随机 80% 训练 / 20% 测试：
| 目标 | 判据 | 平均 IoU | Precision | Recall | F1 |
|---|---|---|---|---|---|
| Optic Disc | IoU>0.4 | 0.8852 | 0.9951 | 0.9951 | 0.9951 |
| Optic Disc | IoU>0.5 | 0.8852 | 0.9951 | 0.9951 | 0.9951 |
| Optic Disc | IoU>0.6 | 0.8852 | 0.9951 | 0.9951 | 0.9951 |
| Optic Cup | IoU>0.4 | 0.7276 | 0.9810 | 0.9810 | 0.9810 |
| Optic Cup | IoU>0.5 | 0.7364 | 0.9494 | 0.9494 | 0.9494 |
| Optic Cup | IoU>0.6 | 0.7645 | 0.8228 | 0.8228 | 0.8228 |
视盘在三档判据下数值完全相同，原因是：整个测试集中只有 1 张图的 IoU 低至 0.2689（低于三档阈值），次低值为 0.6429（高于三档阈值），因此 Precision/Recall/F1 在三档下同值。
(B) ORIGA 全部训练 / G1020 全部测试（跨域泛化）：
| 目标 | 判据 | 平均 IoU | Precision | Recall | F1 |
|---|---|---|---|---|---|
| Optic Disc | IoU>0.4 | 0.8641 | 0.9920 | 0.9774 | 0.9847 |
| Optic Disc | IoU>0.5 | 0.8665 | 0.9861 | 0.9716 | 0.9786 |
| Optic Disc | IoU>0.6 | 0.8719 | 0.9692 | 0.9549 | 0.9620 |
| Optic Cup | IoU>0.4 | 0.6496 | 0.9071 | 0.9014 | 0.9042 |
| Optic Cup | IoU>0.5 | 0.6809 | 0.7812 | 0.7762 | 0.7787 |
| Optic Cup | IoU>0.6 | 0.7256 | 0.5489 | 0.5752 | 0.5770 |
跨域结果清晰显示：从 ORIGA 迁移到 G1020 时，视杯分割的退化远大于视盘——IoU>0.6 判据下视杯 F1 从域内的 0.8228 骤降到 0.5770。这正是 G1020"更真实、更难"的直接量化证据。
方法细节：论文对分割结果施加非极大值抑制（Non-Maximum Suppression, NMS），只保留概率得分最高的轮廓；若预测对象与真值的 IoU 低于判据，则同时计为一个假阴性（FN，真对象未检出）和一个假阳性（FP，检出了错误对象）。
7.2 分类基准：Inception-v3
论文用 Inception-v3 做青光眼二分类，并在 ORIGA 上做对照。结果（Table III 口径）：
| 方法 | 数据集 | 类别 | Precision | Recall | F1 |
|---|---|---|---|---|---|
| Inception-v3 | ORIGA | Healthy | 0.8578±0.0383 | 0.9170±0.0208 | 0.8861±0.0252 |
| Inception-v3 | ORIGA | Glaucoma | 0.6947±0.0869 | 0.5581±0.1408 | 0.6157±0.1165 |
| Inception-v3 | ORIGA | Total | 0.8157±0.0486 | 0.8246±0.0419 | 0.8164±0.0476 |
| Inception-v3 | G1020 | Healthy | 0.7150±0.1053 | 0.8183±0.0289 | 0.7587±0.0619 |
| Inception-v3 | G1020 | Glaucoma | 0.2894±0.0834 | 0.1920±0.0637 | 0.2219±0.0513 |
| Inception-v3 | G1020 | Total | 0.6055±0.0940 | 0.6344±0.0722 | 0.6080±0.0988 |
读表要点：
- G1020 上青光眼类的 F1 仅 0.2219，意味着模型对青光眼病例的识别能力很弱——大量青光眼被漏判为健康。
- 全类 F1 从 ORIGA 的 0.8164 跌到 G1020 的 0.6080，落差约 0.21。
- 分类性能的"低"是数据集难度的真实反映，而非论文方法拙劣——论文同时展示了 PCA 可视化证据（见 §7.4）。
- 标准差值得注意：G1020 青光眼类 Recall 仅 0.1920±0.0637，说明模型在多数折上几乎无法召回青光眼——这不是随机波动，而是系统性困难。
7.3 与同期 SOTA 的对照
论文把自身基线与其他方法在 ORIGA 上的成绩做了比较：Bajwa 等 2019 年方法的 AUC 为 0.874，Fu 等方法的 AUC 为 0.851。论文指出，在网络能够达到"与 SOTA 有竞争力"的 ORIGA 上表现良好，但一放到 G1020 上就"遭遇严重的性能退化"（serious performance degradation）——这构成论文的核心论证。
论文还报告了 6 折 G1020 与 5 折 ORIGA 的 ROC/AUC 曲线（Figure 5 口径）：网络在 ORIGA 上能达到与 SOTA 有竞争力的 AUC，但在 G1020 上"严重退化"。两套交叉验证的折数不同，也提示两数据集规模差异对评估稳定性的影响。
7.4 PCA 可视化：难度差异的直观证据
论文取 Inception 模型最后一层卷积特征，做主成分分析（Principal Component Analysis, PCA），把图像嵌入投影到二维平面：
- ORIGA：青光眼图像（蓝点）与健康图像（红点）基本可分离；
- G1020：两类在潜在表征中大幅重叠。
这张图把"G1020 更难"从统计数字变成了可视化的几何事实，是论文最有说服力的一张图。它传递的核心信息是：G1020 上的困难不是模型容量不足，而是数据本身的类间可分性就低——这恰恰是真实场景的特征。
7.5 后续研究在 G1020 上的成绩
G1020 发布后成为青光眼研究论文的常规评测对象，大量方法报告了远高于 baseline 的成绩：
| 方法 / 来源 | 关键指标 |
|---|---|
| Shoukat 等 2023（Diagnostics 13:1738，ResNet-50，灰度通道 + 增广） | Accuracy 98.48% / Sensitivity 99.30% / Specificity 96.52% / AUC 97% / F1 98% |
| PRCV2024 某方法 | 视盘 Dice 92.74 / IoU 86.75；视杯 Dice 79.06 / IoU 65.11 |
| U-Net（作为对照） | 视盘 Dice 90.53 / IoU 82.47；视杯 Dice 75.86 / IoU 60.75 |
| TMUNet（作为对照） | 视盘 Dice 92.68 / IoU 86.36；视杯 Dice 79.14 / IoU 65.48 |
| Glauco-Net 2026（AIMS） | AUC-ROC 0.984 / Accuracy 96.1% / 分割 IoU 0.894 |
重要提醒：不同论文报告的"G1020 分类准确率"差异极大（原论文 Inception-v3 全类 F1 0.608 vs 后续论文 accuracy 98%+）。这一巨大落差的根源通常是数据划分方式不同（是否患者级划分、是否单类划分、是否使用了与训练集同源的患者图像）以及预处理差异（是否灰度化、是否增广、是否裁剪到视盘区）。因此横向比较不同论文的 G1020 指标时，必须核对其实验协议，不能只看数字（坑 7）。
7.6 基准使用的建议协议
基于以上观察，使用 G1020 做基准评测时建议遵循：
- 明确划分层级：优先做患者级划分，并在论文中声明；
- 区分任务口径：分类与分割分开报告，不要混用 accuracy 与 IoU/F1；
- 注明预处理：是否灰度、是否裁剪、是否增广，都需透明披露；
- 报告多指标：至少同时报告一个整体指标（AUC 或 F1）与一个临床相关指标（sensitivity/specificity）；
- 保留难度认知：把 G1020 与受控数据集的结果并列展示，凸显跨场景泛化差异。
§7.7 评测指标的深入解读
7.7.1 为什么 IoU 判据要设三档
论文对分割采用 IoU>0.4 / 0.5 / 0.6 三档判据，这是目标检测领域的惯例（类似 COCO 的 AP@[.5:.95]）。三档的意义在于：
- IoU>0.4（宽松）：只要求大致定位正确，适合筛查场景（先找到视盘再说）；
- IoU>0.5（标准）：业界通用的"正确"门槛；
- IoU>0.6（严格）：要求边界贴合精准，适合需要精确 CDR 计算的场景。
对青光眼应用而言，视杯分割的严格判据（IoU>0.6）尤为重要——因为 CDR 是视杯直径与视盘直径之比，视杯边界的微小偏差会直接放大到 CDR 数值上。
7.7.2 分割成绩的"天花板"解读
| 目标 | IoU>0.4 | IoU>0.6 | 落差 |
|---|---|---|---|
| 视盘（域内） | 0.8852 | 0.8852 | 0 |
| 视杯（域内） | 0.7276 | 0.7645 | +0.037 |
| 视盘（跨域） | 0.8641 | 0.8719 | +0.008 |
| 视杯（跨域） | 0.6496 | 0.7256 | +0.076 |
一个反直觉的现象：视杯的平均 IoU 在更严格的判据下反而略高。这是因为"平均 IoU"这个指标本身不随判据改变（判据只影响哪些算对/错），表中的"平均 IoU"是不同判据下"被判定为正确"的样本的平均值——判据越严，只有更准的样本被纳入平均，因此平均值可能反而上升。理解这一点，才能正确读表。
7.7.3 分类指标的选择
论文主要报告 Precision / Recall / F1，未报告 AUC（正文提到 ROC 曲线但以折数展示）。对青光眼筛查而言：
- Recall（灵敏度）最关键：筛查的目标是"不漏诊"，漏掉一个青光眼患者代价极高；
- Precision（精确率）次之：误报会导致不必要的转诊，但代价低于漏诊；
- F1：二者的调和平均，适合综合比较。
原论文在 G1020 上青光眼类 Recall 仅 0.1920——意味着约 80% 的青光眼被漏诊。这个数字触目惊心，恰恰凸显了 G1020 作为"难基准"的警示价值：在受控数据集上看起来可用的模型，在真实场景下可能漏诊绝大多数病例。
7.7.4 后续高分的"水分"辨析
后续论文报告的 G1020 分类成绩动辄 95%+，与原论文的 60.8% 形成鸿沟。辨析其"水分"来源：
| 可能的"提分"手段 | 是否合理 | 说明 |
|---|---|---|
| 灰度化预处理 | 合理 | 去除色彩偏差，聚焦结构 |
| 数据增广 | 合理 | 提升泛化，但需患者级划分配合 |
| 裁剪到视盘区 | 部分合理 | 简化任务，但改变了任务定义 |
| 图像级划分 | 不合理 | 同患者多图泄漏，成绩虚高 |
| 单类选样 | 需声明 | 只挑易分样本会高估性能 |
因此，看到某论文报告 G1020 上 98% 准确率时，第一反应应是"它的划分与预处理是否严谨"，而非"它比原论文强 37 个百分点"。
§7.8 从原论文 baseline 到现代方法的演进
7.8.1 分割方法的演进
G1020 发布时（2020），分割主流是 Mask R-CNN（实例分割）；此后方法不断演进：
| 时期 | 代表方法 | 特点 |
|---|---|---|
| 2020 | Mask R-CNN | 实例分割，双阶段 |
| 2020+ | U-Net 变体 | 语义分割，编码-解码 |
| 2022+ | Transformer 分割 | 全局注意力 |
| 2023+ | 扩散模型分割 | 生成式，边界精细 |
| 2024+ | 基础模型微调 | SAM 等大模型适配 |
原论文的 Mask R-CNN baseline 是当时的标准做法，后续方法普遍报告更高的 IoU，但需注意协议差异（坑 7）。
7.8.2 分类方法的演进
| 时期 | 代表方法 | G1020 上典型成绩 |
|---|---|---|
| 2020 | Inception-v3（原论文） | 全类 F1 0.608 |
| 2020+ | ResNet-50 + 增广 | accuracy 90%+ |
| 2023 | ResNet-50 + 灰度 | accuracy 98.48% |
| 2024+ | 基础模型 / 集成 | 更高，但协议差异大 |
成绩的跃升，部分来自方法进步，部分来自预处理与划分差异。严谨的对比应在相同协议下进行。
§8 坑点清单（Pitfalls）：使用 G1020 前必须知道的八件事
坑 1：G1020 与 REFUGE / JustRAIGS 极易混淆，但绝不是别名
G1020 常与同代的青光眼数据集并列出现在同一张实验表里，最容易被误当成别名或版本关系：
- REFUGE（库内 rid 62）：MICCAI 2018 青光眼挑战赛数据集，1,200 张图，含官方训练/验证/测试三划分。G1020 不是挑战赛、单中心单源。二者任务重叠（都做视盘视杯分割 + 青光眼分类），但本体独立、不是同一数据集的别名。
- JustRAIGS（库内 rid 746）：做的是多标签"转诊判断"（referable glaucoma grading），标签结构与 G1020 的"青光眼二分类 + 视盘视杯分割"完全不同。任务是转诊决策 vs 分割+分类，来源机构也不同，非别名。
- 判断口径：只要看到"G1020"这个名字，它指的永远是那 1,020 张来自德国诊所的眼底图，不会因为出现在别的挑战赛或论文里而改变身份。查重时以数据集官方名称而非论文标题匹配。
坑 2：G1020 的图像采集地是德国，不是印度 Sankara Nethralaya
任务头 brief 曾把 G1020 描述为"来自印度 Sankara Nethralaya"，这与一手来源直接冲突。三处独立一手证据一致确认：
- DFKI 官方论文 PDF：图像"collected at a private clinical practice in Kaiserslautern, Germany between 2005 and 2017"；
- Bajwa 博士论文（kluedo.ub.rptu.de，§2.3.1）：同样写明德国 Kaiserslautern；
- MDPI Diagnostics 2024 独立综述：再次确认"collected from 2005 to 2017…private clinical practice in Germany, specifically in Kaiserslautern"。
Sankara Nethralaya 是印度金奈的知名眼科研究机构，常作为印度眼底数据集（如 DRISHTI-GS 相关脉络）的背景出现，因此容易被错误挂到 G1020 头上。本条目按实核结果写德国 Kaiserslautern。此外，作者 M. I. Malik 的机构是巴基斯坦 NUST，也非印度——这些都说明"印度来源"的说法站不住脚。
坑 3：类别分布存在多套数字，必须以一手论文为准
关于 G1020 的健康/青光眼图像数量，至少存在三套互不相同的说法：
| 来源 | 健康 | 青光眼 | 患者数 |
|---|---|---|---|
| 一手论文（准） | 724 | 296 | 432 |
| EyeDataHub 目录 | 697 | 323 | 未给 |
| MDPI ApplSci 14:4588 | 580 | 237 | 未给 |
差异可能来自不同镜像版本的筛选、或二次文献转录错误。任何引用 G1020 分布数据的研究都应以一手论文的 724 / 296 / 432 为准；本条目在正文采用一手数字，并在 §9 将另两套口径完整存照。与之配套的另两处尺寸口径冲突（一手 1944×2108 至 2426×3007 vs MDPI 的 3004×2423）同样需要存照。
坑 4：G1020 的"低 baseline"不是缺陷，而是设计目标
初次接触 G1020 的研究者常被原论文的低分类分数困惑：Inception-v3 在 G1020 上全类 F1 仅 0.6080，青光眼类 F1 仅 0.2219。这不是论文方法差，而是数据集刻意难的结果——无采集约束（视盘不居中）、图像质量参差、真实临床混杂。因此：
- 不要在论文里把"G1020 分数低"当作方法失败的证据；
- 反过来，在 G1020 上达到高分反而更能说明方法的鲁棒性；
- 引用原论文基线时，务必注明这是"无约束采集条件下的真实难度基线"，而非最优化性能上限。
坑 5：许可口径三处冲突，商用前必须自行核实
G1020 的许可状态是本研究核验中最需要谨慎的一环：
- 原论文未明示许可（最严格理解 = 默认保留所有权利）；
- Kaggle 官方镜像标 CC BY-NC 4.0（禁止商业使用）；
- EyeDataHub 记为 CC BY 4.0（允许商业使用）。
三者互相矛盾，且没有一方能覆盖全部争议。任何涉及商业用途或再分发的研究，必须在下载前查看当前官方源的最新条款，并保留证据链。本条目仅作存照，不构成法律意见。切勿因为某个第三方目录写了 CC BY 4.0 就默认可以自由商用。
坑 6：约 230 张图像没有可见视杯，会污染分割训练分布
在 1,020 张图中，60 张青光眼 + 170 张健康图像的视杯不可见。这对分割任务是一个严重的边界情况：
- 若把无 OC 图像也纳入训练并给"空掩码"，模型会学到"有时视杯为零面积"的病态先验；
- 若直接剔除，则训练集规模与类别平衡都会变化，且剔除了大量青光眼阳性样本；
- 论文说明这些图像的诊断依赖其他临床手段，因此它们作为分类样本仍然有效，只是不适合作为 OC 分割样本。
处理建议：分类任务可用全部 1,020 张；OC 分割任务应显式过滤无可见视杯的样本，或在论文中明确其处理策略。
坑 7：横向比较 G1020 指标时，协议差异可能比方法差异更大
同样在 G1020 上，不同论文报告的分类准确率从 60% 到 98% 不等，跨度惊人。这不是模型能力的真实鸿沟，更多是实验协议差异造成：
- 是否患者级划分：G1020 同一患者有多张图（1-12 张），若随机按图划分，同一患者的图可能同时进训练和测试，造成泄漏、虚高成绩；按患者划分才可信。
- 是否单类划分 vs 全部类别：只挑健康与青光眼两类，还是纳入其他眼病。
- 预处理差异：灰度化、裁剪到视盘区、数据增广都会显著改变成绩。
- 报告口径：accuracy / AUC / F1 / sensitivity / specificity 各不相同，不可混用。
因此对标时务必核对实验协议，不能只看数字大小。
坑 8：Kaggle 镜像是聚合包且含衍生视图，与原始发布不逐字节一致
Kaggle 镜像 arnavjain1/glaucoma-datasets 是一个聚合包，同时装入 ORIGA、REFUGE、G1020 三个来源，并增加了原数据集没有的衍生视图：
- Images_Cropped / Masks_Cropped：裁剪到视盘/视杯区域；
- NerveRemoved_Images：去除血管/神经的版本；
- 还有 Images_Square / Masks_Square 等方形版本。
这意味着：(1) 镜像里"G1020 的图片"可能已被修改（裁剪、去血管），不再等同原始发布；(2) 下载后需要按 G1020.csv 与目录名仔细区分来源与视图，避免把 ORIGA 或 REFUGE 的图误当 G1020；(3) 若追求与论文可复现的一致性，应以论文给定的划分名单与原始规格为准。镜像与原始发布的逐字节一致性未经核实（§9 遗留疑点 2）。
§8.9 坑点的组织逻辑
八个坑点可归为四类：
| 类别 | 坑点 | 核心 |
|---|---|---|
| 身份辨识 | 坑 1、坑 2 | 别认错数据集、别认错来源地 |
| 数字口径 | 坑 3 | 分布数字以一手为准 |
| 使用预期 | 坑 4、坑 6、坑 7 | 低分是特性、无视杯要处理、协议要透明 |
| 法务/数据 | 坑 5、坑 8 | 许可要核实、镜像要甄别 |
这四类覆盖了研究者使用 G1020 时最常见的翻车场景。建议在正式使用前，把坑 1、坑 3、坑 5 三条先过一遍（身份、数字、许可），这三条一旦搞错，后续所有工作都可能建在流沙上。
8.9.1 补充坑 9：不要把"图像张数"当作"独立样本数"
G1020 有 1,020 张图，但只有 432 名患者。若把 1,020 当作独立样本数去做统计推断或信度估计，会高估数据的有效信息量。真正决定模型泛化上界的是患者数（尤其青光眼类仅 110 人），而非图像数。这是数据集使用中最隐蔽、也最常见的方法学错误之一。
8.9.2 补充坑 10：警惕"在 G1020 上 SOTA"的表述
由于 G1020 没有官方排行榜，“在 G1020 上 SOTA"是自封的，其可比性完全取决于实验协议是否与他人一致。严谨的表述应是"在某协议下（患者级划分、某预处理）达到某指标”，而非笼统的"SOTA"。检索者看到"SOTA on G1020"时应追问协议细节。
§8.10 一份可直接使用的检查清单
研究者在使用 G1020 前后，可对照以下清单逐项确认：
使用前
- [ ] 已确认 G1020 采集自德国（非印度）
- [ ] 已核实数据分布以一手论文为准（724/296/432）
- [ ] 已确认许可口径（默认按 CC BY-NC 4.0 保守处理）
- [ ] 已明确采用的任务（分类/分割/检测）
数据准备
- [ ] 已按 G1020.csv 过滤出 G1020 子集（剔除 ORIGA/REFUGE）
- [ ] 已确认用的是原始 Images（非裁剪版/去血管版）
- [ ] 已过滤或妥善处理约 230 张无视杯样本（若做 OC 分割）
- [ ] 已按患者级划分训练/测试集
实验与报告
- [ ] 已声明划分协议（患者级 / 图像级）
- [ ] 已声明预处理（灰度/裁剪/增广）
- [ ] 已同时报告整体指标与临床相关指标
- [ ] 未使用"G1020 SOTA"等无协议限定的表述
发布与再分发
- [ ] 已按所选许可合规使用与分发
- [ ] 已保留许可证据链
§9 存照与待核
9.1 双口径/多口径冲突逐条存照
（A）来源地冲突
| 口径 | 内容 | 处理 |
|---|---|---|
| 任务头 brief | “来自印度 Sankara Nethralaya” | 证伪，见坑 2 |
| 一手论文（DFKI PDF + 博士论文 + 独立综述，三源） | 德国 Kaiserslautern 私人诊所 | 采信，正文按德国写 |
（B）类别分布冲突
| 口径 | 健康 | 青光眼 | 患者数 |
|---|---|---|---|
| 一手论文（准） | 724 | 296 | 432 |
| EyeDataHub | 697 | 323 | 未给 |
| MDPI ApplSci 14:4588 | 580 | 237 | 未给 |
正文采用 724 / 296 / 432；另两套存照。
（C）图像尺寸冲突
| 口径 | 尺寸范围 |
|---|---|
| 一手论文（准） | 1944×2108 至 2426×3007 |
| MDPI ApplSci 14:4588 | 3004×2423 |
正文采用一手论文区间。
（D）许可冲突
| 口径 | 许可 |
|---|---|
| 原论文 | 未明示 |
| Kaggle 镜像 | CC BY-NC 4.0 |
| EyeDataHub | CC BY 4.0 |
正文三处并列存照，提示以当前官方源为准（坑 5）。
（E）无可见视杯数量
| 口径 | 数值 |
|---|---|
| 一手论文 | 60 张青光眼 + 170 张健康 |
仅一手一方给出，无冲突，但作为关键边界情况单独记录。
9.2 遗留疑点（查不到 / 待核）
- vCDR 与 ISNT 的具体数值分布缺失：原论文说明已计算 vCDR 与 ISNT 四象限边缘宽度，但未给出这些数值的统计分布表（均值、中位数、范围）。这些数据随 JSON 提供，需下载后自行统计。
- Kaggle 镜像与原始发布的一致性未核：镜像增加了 cropped / NerveRemoved 等衍生视图，是否与作者原始发布逐字节一致，本研究未做校验。
- 采集设备型号未披露：原论文仅写"45° 视野、散瞳后拍摄"，未给出眼底相机的具体型号与厂商。
- 无可见视杯图像的分割标注处理方式未明说：论文未说明对 60 张青光眼 + 170 张健康无 OC 图像，其 JSON 标注是空值、缺失还是特殊标记。
- 采集设备随时间的迭代影响未评估：2005-2017 横跨十二年，设备与成像条件的漂移对数据一致性的影响，论文未讨论。
- 训练/测试划分的具体名单需下载后核对：论文称"随数据集提供图像名称"，但未在论文正文列出，需从下载包中获取；且未明确划分是按图像还是按患者。
- 其他眼病诊断的类别体系未详述：论文提到提供"青光眼及任何其他眼病"的临床诊断，但未系统列出其他眼病的种类与分布。
- 标注者间一致性未测：论文仅提及一位标注专家与一位核验医生，未报告任何标注者间一致性指标。
9.3 核验证据链（三源互证）
| 硬数字 | 来源 1 | 来源 2 | 来源 3 |
|---|---|---|---|
| 1,020 张图 / 432 患者 | 论文 arXiv:2006.09158 | DFKI 官方 PDF | MDPI Diagnostics 2024 |
| 724 健康 / 296 青光眼 | 论文原文 | DFKI 官方 PDF | 多篇独立二次文献 |
| 德国 Kaiserslautern 2005-2017 | DFKI 官方 PDF | Bajwa 博士论文 §2.3.1 | MDPI Diagnostics 2024 |
| 1944×2108 至 2426×3007 | 论文原文 | Bajwa 博士论文 | MDPI Healthcare 10:2345 |
| 45° FOV 散瞳 | 论文原文 | Bajwa 博士论文 | MDPI Diagnostics 2024 |
| Mask R-CNN 分割 baseline | 论文 Table I | ar5iv 镜像 | IEEE IJCNN 论文 PDF |
| Inception-v3 分类 baseline | 论文 Table III | arxiv-vanity 镜像 | — |
| 60 青光眼 + 170 健康无视杯 | 论文原文 | ar5iv 镜像 | Missouri 镜像 PDF |
9.4 生态互链点（库内条目 + rid）
| 库内条目 | rid | 与 G1020 的关系 |
|---|---|---|
| refuge | 62 | 同代青光眼挑战赛，任务重叠，最直接对照 |
| messidor | 59 | 糖尿病视网膜病变眼底，青光眼之外的常见眼底基准 |
| odir | 63 | 多病种眼底分类（含青光眼） |
| rfmid | 271 | 多病种眼底分类（含青光眼） |
| justraigs | 746 | 青光眼转诊判断，任务边界需区分（坑 1） |
| fives | 741 | 眼底血管分割 + 青光眼分类 |
| idrid | 191 | 糖尿病视网膜病变眼底分级 |
| ddr | 201 | 糖尿病视网膜病变眼底分级 |
| deepdrid | 211 | 糖尿病视网膜病变眼底分级（大规模） |
| eyepacs | 58 | 糖尿病视网膜病变大规模眼底筛查 |
上游/类比数据集（库外）：ORIGA-light、DRISHTI-GS、RIM-ONE、ACRIMA、PAPILA、LAG、AIROGS、GAMMA、SMDG。
下游衍生（库外）：SMDG（19 源标准化青光眼数据）、MM-Retinal-Reason、LMOD+。
§10 生态、影响与扩展阅读
10.1 学术影响
G1020 自 2020 年发表以来，Google Scholar 引用量约 167 次（2026-09-30 抓取），逐年分布为：2021 年 4 次、2022 年 6 次、2023 年 37 次、2024 年 40 次、2025 年 65 次、2026 年 14 次（未完）。引用在 2023 年后明显加速，反映出青光眼 AI 研究在深度学习基础设施成熟后的爆发，以及 G1020 作为"难基准"的持续被选用。
它在文献中承担的角色主要有三：
- 分割基准：视盘/视杯分割方法的常规对照集，与 REFUGE、DRISHTI-GS、ORIGA 并列。
- 分类基准：青光眼二分类的"真实场景"测试集，尤其用于证明方法的跨域鲁棒性。
- 数据集难度讨论的样本：被反复引用来论证"受控数据集 vs 真实数据集"的性能落差问题。
10.2 在青光眼数据集谱系中的位置
G1020 处于青光眼公开眼底数据集从"小而精"向"大而杂"过渡的关键节点：
| 数据集 | 年份 | 规模 | 特点 |
|---|---|---|---|
| RIM-ONE | 2011 起 | 169 图（v3） | 西班牙，分正常/早期/中度/晚期 |
| DRISHTI-GS | 2014 | 101 图 | 印度，专家多标注，视盘居中 |
| ORIGA-light | 2010 | 650 图 | 新加坡，482 健康/168 青光眼 |
| G1020 | 2020 | 1,020 图 | 德国，无采集约束，真实场景 |
| REFUGE | 2018 | 1,200 图 | 挑战赛，三划分 |
| LAG | 2020s | 5,824 图 | 中国，大规模注意力青光眼 |
| AIROGS | 2022 | >100,000 图 | 荷兰，最大规模青光眼筛查挑战赛 |
G1020 的历史意义在于：它在 ORIGA（650 图）与 AIROGS（十万级）之间，用"1,020 图 + 真实采集"的组合，率先把数据中心问题（data-centric）——数据质量与真实分布——摆上了青光眼 AI 研究的台面。
10.3 与其他眼底任务的交叉
G1020 虽然是青光眼专用，但其眼底图与标注也可用于更广的任务：
- 多病种眼底分类：与 ODIR、RFMiD 的标签体系可以互补，用于构建青光眼 + 糖网 + 其他眼病的联合模型；
- 视神经乳头（ONH）分析：OD/OC 分割标注使其适合 ONH 形态学研究；
- 血管分割的干扰研究：Kaggle 镜像的 NerveRemoved_Images 版本可用于研究血管对视盘分割的干扰。
10.4 临床落地价值与局限
价值：G1020 的"无约束采集"设计直指临床筛查的真实痛点——真实世界中的眼底图不会为算法的方便而摆正。在 G1020 上表现稳健的模型，理论上更接近可部署状态。
局限：
- 单中心、单种族：全部图像来自德国一家诊所，人群与设备的同质性限制了跨中心/跨种族泛化能力的评估；
- 样本量有限：1,020 图在深度学习时代属中等偏小，且青光眼类仅 296 图来自 110 患者，患者级样本量尤小；
- 类别不平衡：健康 : 青光眼约 2.4:1，直接训练会偏向健康类；
- 年份跨度过大：2005-2017 的设备与成像条件漂移未评估。
因此，G1020 更适合作为鲁棒性验证集与方法对照基准，而非唯一的训练数据来源。真实的临床部署通常需要更大规模、更多中心的数据支撑。
10.5 扩展阅读路径
- 想复现原论文：读 arXiv:2006.09158 全文（含 Table I 分割、Table III 分类、Figure 4 PCA）；
- 想了解数据集构建细节：读 Bajwa 博士论文（kluedo.ub.rptu.de）§2.3 “Curation of G1020 Dataset”；
- 想看后续方法：追踪引用 G1020 的论文（Cite 167），尤其是 2023 年后的分割/分类工作；
- 想下载数据：Kaggle
arnavjain1/glaucoma-datasets（注意许可口径冲突）； - 想横向比较青光眼数据集：参考 “A Catalog of Public Glaucoma Datasets for Machine Learning Applications”（ICISDM 2023）与 Public Glaucoma Dataset Catalog（GitHub）。
10.6 一句话总结
G1020 的价值不在"干净"，而在"真实"——它用 432 名患者的 1,020 张未经修饰的眼底图，为青光眼 AI 提供了一块拒绝粉饰的试金石，并用原论文那组"ORIGA 上 F1 0.82、G1020 上 F1 0.61"的落差，把这个道理钉进了文献里。
§10.7 DAIMS 评估表
DAIMS（Dataset AI-readiness Maturity & Suitability）—— 从数据可用性、标注质量、任务适配、获取门槛、许可清晰度等维度评估数据集的"AI 就绪度"。
| 维度 | 评分 | 说明 |
|---|---|---|
| Data Volume（数据体量） | ★★★☆☆ | 1,020 图，深度学习时代属中等；青光眼类仅 296 图（110 患者），患者级偏小 |
| Annotation Quality（标注质量） | ★★★★★ | 专家标注 + 25 年经验眼科医生核验；含 OD/OC 多边形、边界框、vCDR、ISNT 四象限，标注维度丰富 |
| Integrity（数据完整性） | ★★★★☆ | 患者级不混类，无标签泄漏；但约 230 图无可见视杯，OC 标注不完整 |
| Modality & Tasks（模态与任务） | ★★★★★ | 单模态（CFP）但覆盖分类/分割/检测三类任务，适配面广 |
| Suitability（场景适配） | ★★★★★ | 无采集约束、贴近真实临床，是少有的"真实难度"基准；跨中心泛化未验证 |
| Accessibility（获取便利性） | ★★★☆☆ | Kaggle 注册下载（非纯公开直链）；部分镜像版本需筛选 |
| Licensing Clarity（许可清晰度） | ★★☆☆☆ | 原论文未明示，Kaggle 标 CC BY-NC 4.0、EyeDataHub 标 CC BY 4.0，三处冲突——最大短板 |
| Reproducibility（可复现性） | ★★★★☆ | 论文提供训练/测试划分名单与完整 baseline；但划分名单需下载后核对 |
综合就绪度：★★★★☆（4.0 / 5）
评语：G1020 在标注质量与场景适配两个维度表现突出，是青光眼研究中"真实场景基准"的标杆；其短板集中在许可清晰度（三处口径冲突，商用需格外谨慎）与获取门槛（注册下载）。对学术研究者而言是极佳的基准选择；对产品化团队而言，许可问题是必须先解决的前置风险。
§10.8 附录：G1020 关键事实速查表
| 类别 | 事实 | 数值 / 内容 |
|---|---|---|
| 身份 | 官方全称 | G1020: A Benchmark Retinal Fundus Image Dataset for Computer-Aided Glaucoma Detection |
| 身份 | 论文出处 | IJCNN 2020（IEEE），arXiv:2006.09158 |
| 规模 | 图像总数 | 1,020 |
| 规模 | 患者总数 | 432 |
| 规模 | 健康 / 青光眼 | 724 / 296 |
| 规模 | 健康 / 青光眼患者 | 322 / 110 |
| 采集 | 地点 | 德国 Kaiserslautern 私人眼科诊所 |
| 采集 | 时间 | 2005-2017 |
| 采集 | 参数 | 45° FOV，散瞳，.JPG |
| 规格 | 尺寸 | 1944×2108 至 2426×3007 px |
| 标注 | 工具 | labelme |
| 标注 | 核验 | >25 年经验眼科医生 |
| 标注 | 内容 | OD/OC 多边形 + OD 边框 + vCDR + ISNT 四象限 |
| 边界 | 无视杯图像 | 60 青光眼 + 170 健康 |
| 基准 | 分割 | Mask R-CNN：OD IoU 0.8852 / OC IoU 0.7276（IoU>0.4） |
| 基准 | 分类 | Inception-v3：G1020 全类 F1 0.6080 vs ORIGA 0.8164 |
| 获取 | 主渠道 | Kaggle arnavjain1/glaucoma-datasets（注册） |
| 许可 | 冲突 | 原论文未明示 / Kaggle CC BY-NC 4.0 / EyeDataHub CC BY 4.0 |
| 影响 | 引用量 | Google Scholar 约 167（2026-09-30） |
| 互链 | 库内条目 | refuge(62)、messidor(59)、odir(63)、rfmid(271)、justraigs(746)、fives(741)、idrid(191)、ddr(201)、deepdrid(211)、eyepacs(58) |
本条目由千方病案医数集 AI-Ready Wikipedia 项目编写，事实以三源互证为准，口径冲突处均已存照。抓取与核验时点：2026-09-30。
§10.9 数据的可复现性讨论
10.9.1 复现原论文需要哪些材料
要完整复现 G1020 论文的 baseline，需要：
| 材料 | 来源 | 是否公开 |
|---|---|---|
| 1,020 张眼底图 | Kaggle 镜像 | 是（注册后） |
| OD/OC 分割标注 | 随数据发布的 JSON | 是 |
| 训练/测试划分名单 | 随数据发布 | 论文称提供，需下载核对 |
| Mask R-CNN 实现 | 开源（Detectron 等） | 是 |
| Inception-v3 权重 | ImageNet 预训练 | 是 |
| 预处理细节 | 论文正文 | 部分（未完整披露） |
主要的复现障碍在于：论文对预处理细节（如是否缩放、是否色彩归一化）披露不完整，以及划分名单需要从下载包中提取。这些细节的缺失，是不同论文在 G1020 上成绩差异大的原因之一。
10.9.2 复现的常见失败点
| 失败点 | 症状 | 排查方向 |
|---|---|---|
| 图掩码不对应 | 分割结果奇差 | 检查 Images 与 Masks 命名对应 |
| 混入其他数据集 | 样本数与预期不符 | 按 G1020.csv 过滤 |
| 用了衍生版本 | 与论文无可比性 | 确认用的是原始 Images |
| 患者泄漏 | 成绩虚高 | 检查是否患者级划分 |
| 类别标签反了 | 指标异常 | 核对 CSV 中标签编码 |
§10.10 对青光眼 AI 领域的启示
G1020 的十年生命周期，给青光眼 AI 研究留下了几点启示：
- 数据集的难度本身就是一种贡献：一个"难"的数据集，其学术价值可能高于一个"大"的数据集，因为它更快地暴露了方法的局限。
- 真实场景与受控场景的鸿沟是系统性的：不是靠更好的模型就能弥合，而需要更好的数据采集与评估协议。
- 许可与获取的规范性是数据集的长期生命线：G1020 的许可口径冲突，至今仍是使用者的困扰——这提示数据集发布时应明确、单一地声明许可。
- 标注的多维性延长了数据集的生命：G1020 之所以长年被引用，部分因为它同时支持分类、分割、检测多任务，而非只做一件事。
§10.11 与其他青光眼数据集的联合使用
G1020 常与其他数据集联合使用以扩大训练规模或验证泛化性：
| 组合 | 目的 | 注意 |
|---|---|---|
| G1020 + ORIGA | 跨域训练/测试 | 两数据集分布差异大，是论文的对照设定 |
| G1020 + REFUGE | 扩大训练集 | 两数据集采集条件不同，需域适配 |
| G1020 + DRISHTI-GS | 分割训练 | 规模互补，但标注标准需对齐 |
| G1020 + RIM-ONE | 分类训练 | 类别定义需统一 |
| G1020 + SMDG | 标准化整合 | SMDG 已将 G1020 纳入构成源 |
联合使用的陷阱：不同数据集的视盘标注标准、图像尺寸、色彩分布各不相同，直接混合训练可能引入域偏移，反而降低性能。建议联合使用时做域适配或分域评估。
§10.12 结语
G1020 是一个"小而不凡"的数据集：以 1,020 张图的规模，在青光眼 AI 领域占据了一个独特的位置——它是"真实场景基准"的早期标杆，也是"用坏基线论证数据价值"的经典范例。对研究者而言，正确使用它的前提是三件事：认清它的身份（德国来源、非挑战赛）、尊重它的难度（低分是特性）、核实它的许可（口径冲突）。做到了这三点，G1020 就是一把可靠的手术刀；忽略了任何一点，它也可能变成埋在实验里的地雷。
本条目事实以 arXiv:2006.09158、DFKI 官方 PDF、Bajwa 博士论文为主干，辅以多篇独立二次文献三源互证；所有口径冲突处均已存照，遗留疑点已列明。核验时点：2026-09-30。
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：
- origa-light — 共享标签：眼科影像 / 医学图像分割 / 图像分类 / 评测基准 / 青光眼
- riga — 共享标签：眼科影像 / 医学图像分割 / 图像分类 / 评测基准 / 青光眼
- papila — 共享标签：眼科影像 / 医学图像分割 / 图像分类 / 青光眼
- drions-db — 共享标签：眼科影像 / 医学图像分割 / 评测基准 / 青光眼
- justraigs — 共享标签：眼科影像 / 图像分类 / 评测基准 / 青光眼
- acrima — 共享标签：眼科影像 / 图像分类 / 评测基准 / 青光眼
- refuge2 — 共享标签：眼科影像 / 医学图像分割 / 图像分类 / 青光眼
- refuge — 共享标签：眼科影像 / 医学图像分割 / 青光眼
- oimhs — 共享标签：眼科影像 / 医学图像分割 / 图像分类
- drive — 共享标签：眼科影像 / 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。
