GIRAFE — 声带高速视频内镜声门分割与辅助播放评估数据集

INFOBOX — GIRAFE 一屏速览

维度	内容
本质	声带高速视频内镜（HSV）声门裂像素级分割数据仓库 + 辅助播放 + 分割基准（非挑战赛）
团队	马德里理工大学 UPM（ETSIT）+ LaTIM/INSERM（布雷斯特）+ 帕特雷大学；通讯 Juan I. Godino-Llorente
论文	Data in Brief. 2025;59:111376（doi:10.1016/j.dib.2025.111376；PMC11872128）；预印本 arXiv:2412.15054
数据	65 段 HSV 序列（4,000 fps，256×256 px，彩色，每段 502 帧，共 32,630 帧），50 位患者
队列	30 女 / 20 男；均值 55.65 ± 19.35 岁；15 健康 + 26 障碍 + 24 未知
手工标注	38/65 段（每患者一个完整声门周期，共 760 帧）；专家描摹 + 耳鼻喉医师验证
任务	声门裂（glottal gap）语义分割；辅助播放（FP）合成与评估
辅助播放	GAW（声门面积波形）/ GVG（声门振动图）/ PVG（声带振动图）/ DKG（数字动态喉镜图）
基线	InP、Loh（图像处理）+ UNet、SwinUnetV2（深度学习）；DICE/Jaccard/Recall/Precision
对照	BAGLS 是唯一同类公开集（640 段，以灰度为主）；GIRAFE 全彩
获取	Zenodo 10.5281/zenodo.13773163（标 Restricted）；代码 GitHub
许可	CC BY-NC 4.0（数据集与论文同）
库内互链	slam-3d-endoscopic(82)、kvasir-seg(112)、cholecseg8k(233)、saarbrucken-voice-db(452)

GIRAFE 是一份"给声带高速视频装上一把像素级尺子"的数据集。声带每秒振动上百次，普通喉镜录像根本拍不清，必须用每秒 4,000 帧的高速视频内镜（High-Speed Videoendoscopy, HSV）才能逐帧剖开一个完整振动周期。但高速视频的代价是数据量惊人、硬件昂贵，且公开可用的标注数据长期稀缺——研究者在做声门裂自动分割时，几乎只能依赖 BAGLS 一份灰度数据集。GIRAFE 用 65 段彩色序列、38 段专家手工像素级掩码（760 帧）、四类辅助播放和四套分割基线，把这块拼图补成了彩色。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——注意 Zenodo 页面标 Restricted、许可为 CC BY-NC 4.0，商用前务必核对。
2. 关心标注规模与质量：直奔 §4 与 §9 存照——65 段录像 vs 38 段手工标注的口径差是本文第一课。
3. 做声门分割建模：直奔 §5 基线与 §2 规格——四套基线 + 760 帧划分可直接对标。

§0 导读：这个数据集解决什么问题

声带（vocal folds）的振动是发声的物理起点。要诊断嗓音障碍、评估声门闭合、量化粘膜波，临床上需要用内窥镜拍摄声带的振动过程，再从影像里提取"声门裂"（glottal gap，两片声带之间张开的区域）随时间的变化。问题在于：声带的振动频率在人声范围内可达百赫兹量级，常规视频帧率（25-30 fps）会严重欠采样、根本抓不到一个完整周期的形态变化。于是有了高速视频内镜（HSV）——采样率可达 4,000 fps，能逐帧还原振动细节。

HSV 的代价同样明确：数据量巨大、硬件昂贵、需要专门的后处理。为了把海量帧压缩成"人眼可读"的表征，研究者发展出一类辅助播放（Facilitative Playbacks, FP）：把整个振动周期折叠成单张图或波形，例如声门面积波形（GAW）、声门振动图（GVG）、声带振动图（PVG）、数字动态喉镜图（DKG）。这些 FP 的合成通常依赖先前的声门裂自动或半自动分割——分割不准，FP 就是歪的。

于是赛道清晰了：谁能让声门裂分割更准，谁就能让整套 FP 分析更可信。但这条赛道长期被"标注数据稀缺"卡住脖子。原因论文列了三条：专家级标注成本高、流程复杂，HSV 设备昂贵，可用公开数据集极少。GIRAFE 的定位就诞生于此——它是一个专为声门裂语义分割、分析与 FP 快速评估设计的数据仓库，把 65 段彩色 HSV 序列、专家手工掩码、四类 FP 输出和四套分割基线打包公开，同时补上 BAGLS 缺失的一环：全彩录制。

§0 读法三则：

1. 这个条目是"数据仓库+方法论文+基线基准"三合一：本体是 65 段 HSV + 38 段手工掩码，衍生物是四类 FP 与四套分割基线，副产品是一套可复制的评估范式。
2. 全文的核心口径差是"65 段录像 vs 38 段手工标注"——摘要与方法的措辞不一致，本条目按方法节硬事实写并在坑点存照（坑 1）。
3. 检索时若只认 “BAGLS” 会漏掉本集，两者是互补关系：BAGLS 规模大但以灰度为主，GIRAFE 规模小但全彩且带 FP——别把它们当竞争同一名额。

§1 数据集速览：十问十答

Q1：GIRAFE 到底是什么，是挑战赛吗？
不是挑战赛。GIRAFE 是一个公开数据仓库，含声带高速视频内镜序列、声门裂手工分割掩码、四类辅助播放输出和四套自动分割基线。名字里的 Evaluation 指"对辅助播放与分割方法做评估"，不是"办比赛"。

Q2："GIRAFE"这个缩写展开是什么？
官方源存在双口径：Data in Brief 论文与 GitHub 写作 Glottal Imaging Repository for Advanced Segmentation, Analysis, and Facilitative Playbacks Evaluation（声门影像仓库）；HAL 等检索页写作 Glottal Imaging Dataset for…。两者指同一对象（同一 DOI）。

Q3：数据规模多大？
65 段 HSV 录制、来自 50 位患者；每段 502 帧，合计 32,630 帧；4,000 fps，256×256 px，彩色。压缩到分析可用的是 760 张 PNG 图像（来自其中 38 段的手工标注帧）。

Q4：手工标注覆盖多少？
方法节明确：38 段（out of the 65） 被手工分割，每患者覆盖一个完整声门周期，共 760 帧。注意摘要写的是"全部手工标注"，与方法的 38/65 不一致——本条目以方法节为准（坑 1）。

Q5：谁标、怎么保证质量？
一位声门分割专家完成手工描摹，随后由一位耳鼻喉科（otolaryngology）医师验证。但论文未报告标注者间一致性（inter-annotator agreement），这是"单专家金标准"的固有风险（坑 4）。

Q6：队列构成如何？
50 位患者：30 女（60%）/ 20 男（40%）；均值 55.65 ± 19.35 岁，范围 25-101 岁。健康状态分层：15 段健康对照 + 26 段确诊障碍 + 24 段健康未知。

Q7：辅助播放（FP）有哪些？
四类：GAW（声门面积波形）、GVG（声门振动图）、PVG（声带振动图）、DKG（数字动态喉镜图）。它们把振动周期压缩成可读表征，用于评价周期性、幅度、粘膜波、声门闭合、闭相时长与振动对称性。

Q8：有哪些基线方法？
四套：两套经典图像处理 InP 与 Loh，两套深度学习 UNet 与 SwinUnetV2（MONAI + TIMM 实现）。评估用 DICE、Jaccard、Recall、Precision 四个指标。

Q9：我现在能拿到吗？
可以在 Zenodo（DOI 10.5281/zenodo.13773163）找到记录，但页面标注为 Restricted（文件受限，需登录查看访问权限）；论文写"Freely available under CC BY-NC 4.0"。代码在 GitHub（论文声明 BYO-UPM/GIRAFE，实际可达 Andrade-Miranda/GIRAFE）。

Q10：为什么它对 AI-Ready 重要？
它是"医学视频分割 + 辅助播放"这一小众但临床关键的细分领域里，少数公开且全彩的标注数据集；同时它自带一张"纪律清单"——单专家标注、覆盖度口径分歧、获取受限，都是 AI-Ready 质检的典型样本。

1.1 三个数字必须分清

初学者最容易被 GIRAFE 的一组数字绕晕。它们是三个层次、三种含义，绝不能混用：

数字	含义	你在什么时候引用它
65	录像（采集）总数	描述数据仓库体量
38	手工标注的录像数	描述监督信号覆盖
760	手工标注的帧数	描述可训练/可评测规模

最危险的误用是把 65 当作"可训练样本数"。真相是：只有 38 段（约 58.5%）有手工真值，而这 38 段又被抽稀成 760 帧。深度分割模型面对的真正监督信号是 760 帧——对训练一个从头学起的网络而言，这个量偏小；这也是论文选择 200 epochs 小批次训练的原因之一。

1.2 与 BAGLS 的一句话关系

如果只记一句：BAGLS 大而偏灰度，GIRAFE 小而全彩且带辅助播放。两者是声门分割赛道的互补双雄，不是替代关系。做研究时最理想的姿势是"在 GIRAFE 上开发+在 BAGLS 上验证泛化"，反之亦可——跨数据集迁移才是检验分割鲁棒性的真考场。

1.3 一张图看懂数据流

临床采集（4,000 fps 彩色 HSV）
    ↓
65 段录像（32,630 帧）
    ↓ 专家手工描摹（38 段）
    ↓
760 帧手工声门掩码 ──→ 训练/评测分割模型（InP/Loh/UNet/SwinUnetV2）
    ↓                        ↓
自动分割（全序列）       DICE/Jaccard/Recall/Precision
    ↓
辅助播放合成（GAW/GVG/PVG/DKG）
    ↓
临床可读表征（周期/幅度/粘膜波/对称性）

这条链的每一环都对应一个可研究的子问题：分割准不准（评测）、分割误差如何传导（FP 质量）、FP 如何辅助诊断（临床）。

§2 数据构成与规格

2.1 规模、来源与队列构成

GIRAFE 包含 65 段声带高速视频内镜（HSV）录制，来自 50 位患者队列。全部影像由马德里 Gregorio Marañón 综合大学医院（Hospital General Universitario Gregorio Marañón）耳鼻喉科专科医师于 2013-2015 年采集。

维度	规格
录像总数	65 段 HSV 序列
患者总数	50 位
性别构成	30 女（60%）/ 20 男（40%）
年龄	均值 55.65 ± 19.35 岁，范围 25-101 岁
健康状态	15 段健康对照 / 26 段确诊障碍 / 24 段未知
每段帧数	502 帧
总帧数	32,630 帧
采样率	4,000 fps
空间分辨率	256×256 px
色彩	彩色（全彩，区别于 BAGLS 以灰度为主）
采集期	2013-2015
母语	西班牙语（native Spanish speakers）

健康状态三分的意义：15 段健康对照提供"正常振动"基线，26 段确诊障碍覆盖从功能性到器质性的嗓音问题，24 段健康未知则来自临床信息不全的病例。论文在数据可用性说明中坦承这第三类"健康状态信息不可得"——这意味着队列不是干净的二分类，做"正常 vs 异常"分类研究时必须显式处理这 24 段未知样本，不能默认把它们归入任一桶。

西班牙语母语的代表性卖点：论文把"受试者说西班牙语"列为数据集的贡献之一，理由是语言特异性会影响发声特征，而现有数据集人群中西班牙语者代表性不足。这既是一个加分项（填补人群缺口），也是一个外推约束（跨语言泛化需谨慎）。

2.2 采集设备与影像规格

属性	规格
摄像系统	WOLF® HRES ENDOCAM 5562
内镜	硬性内镜，70° 视角
光源	WOLF AUTO LP 5132
采样率	4,000 fps
分辨率	256×256 px
色彩	彩色
摄像距离	摄像头部与声带距离随录制可变（真实临床条件）

4,000 fps 是理解一切的钥匙：声带振动周期在正常发声下约为几毫秒量级，4,000 fps 意味着每个周期被采样数十帧，足以还原开合过程与粘膜波。代价是每段 502 帧 × 65 段 = 32,630 帧的数据量，对存储与逐帧处理都是负担——这正是辅助播放（把周期折叠成单图）存在的理由。

论文特别强调录制的多样性挑战：光照、对比度差异明显，声门存在部分遮挡，摄像机有横向位移。这些不是缺陷而是刻意的鲁棒性设计——"真实临床条件下的变异"让分割算法不能靠理想成像过关。

2.3 文件格式与目录组织

GIRAFE 的数据交付是多格式拼装：

内容	格式
原始 HSV 录像	AVI（未压缩）
760 帧图像 + 对应手工掩码	PNG
声门分割与 FP 结果（含手工）	PKL（Python pickle）
逐患者元数据	JSON + XLSX
DL 模型默认数据划分	JSON

PKL 格式是双刃剑：对 Python 生态无缝（直接反序列化即可拿到分割结果数组），但对其他语言或长期归档不友好——它不是跨语言的通用交换格式，检索者若在非 Python 管线中工作需先转换。

2.4 与 BAGLS 的规模对照

GIRAFE 论文把 BAGLS 认作"认知范围内唯一其他公开"的同类声门分割数据集，并做了对照：

维度	BAGLS	GIRAFE
录像数	640 段	65 段
健康/障碍分层	380 健康 / 262 障碍 / 50 未知	15 健康 / 26 障碍 / 24 未知
性别	432 女 / 177 男 / 31 未标注	30 女 / 20 男
采样率	1,000-10,000 Hz	4,000 fps
分辨率	256×120 至 512×512 px	256×256 px
色彩	618 灰度 / 22 RGB	全彩
内镜	刚性（70°/90°）+ 柔性鼻内镜（两直径）	刚性 70°
光源	三套	单套（WOLF AUTO LP 5132）

读法：BAGLS 在规模与设备多样性上占优（640 vs 65、五台相机三套光源），GIRAFE 在色彩与辅助播放配套上补位。论文的关键论点是：BAGLS 绝大多数是灰度，灰度会削弱分割精度并掩盖息肉、囊肿、结节等细微病变的视觉线索；GIRAFE 全彩，理论上能提升分割准确率与病变识别能力。两者不是替代关系，而是"大规模灰度"与"小型彩色+分析工具"的互补（坑 6：BAGLS 计数口径内部不完全闭合，见 §9）。

2.5 数据词条结构

GIRAFE 的词条以"患者唯一 ID + 录像 ID"为键组织。每段录像关联：原始 AVI 视频、JSON 元数据（性别/年龄/健康状态）、手工与自动分割结果（PKL）、FP 输出（PKL）、以及该录像在 DL 划分中的归属（JSON）。760 张 PNG 是"可训练"层的实体化——它们是 38 段被手工标注录像中各取一个完整声门周期后的帧级产物。

§3 采集与标注流水线

3.1 三层角色

层级	角色	职责
采集	Gregorio Marañón 医院耳鼻喉科专科医师	执行 HSV 录制、临床数据收集，是唯一直接接触患者的人
标注	声门分割专家	逐帧手工描摹声门裂语义分割掩码
验证	耳鼻喉科医师	对专家手工分割做独立验证

与 PANDA-PLUS 那种"学生劳动+专家终审"的规模化流水线不同，GIRAFE 走的是小规模高权威路线：一位专家手工描摹、一位耳鼻喉医师验证。好处是标注来源高度可信、流程简洁；代价是规模受限（只能覆盖 38 段）且没有多标注者可用于计算一致性。

3.2 标注范围与金标准

论文方法节的原话是硬事实来源：

“An expert in glottis segmentation performed the manual delineations for the dataset, which were subsequently verified by an otolaryngologist. Manual segmentation was conducted on 38 out of the 65 videos, encompassing a complete glottal cycle per patient and resulting in 760 segmented frames.”

拆解三点：

1. 覆盖 38/65 段——不是全部。摘要的"All of them were manually annotated"是对覆盖度的过度概括（坑 1）。
2. 每患者一个完整声门周期——不是全序列逐帧。一个周期被采样成约 20 帧（760 帧 ÷ 38 段 ≈ 20 帧/段）。
3. 760 帧是可训练金标准的实体，也是所有基线评估的真值来源。

3.3 匿名化与伦理

伦理审批由 Gregorio Marañón 医院伦理审查委员会批准（编号 11/2015），遵循西班牙伦理审查法（Spanish Ethical Review Act）。所有参与者填写问卷并签署书面知情同意，知情其退出权利。匿名化措施：每位患者分配唯一 ID，与医院临床病历号分离；研究方访问的数据不含个人信息。临床数据由执行操作的专科医师采集，只有该医师直接接触患者——这一设计从流程上切断了患者身份与研究数据的通路。

知情同意的措辞在论文中也有明确交代：参与者"完全知情其权利，包括随时退出研究"。对医学数据集的合规性核查而言，这三点（伦理批号、书面同意、退出权告知）是标配，GIRAFE 三项齐备。

3.3.1 采集协议的可复现要素

GIRAFE 论文的规格表（Specifications Table）把采集协议拆成了可复现的要素，收录如下：

要素	取值
受控参数	性别、年龄、健康状态
摄像系统	WOLF® HRES ENDOCAM 5562（高速摄像机）
内镜	硬性，70° 视角
光源	WOLF AUTO LP 5132
采样率	4,000 fps
分辨率	256×256 px
色彩	彩色
发声任务	持续元音，部分含起音段
地点	Universidad Politécnica de Madrid / 马德里
国家	西班牙

"受控参数"一栏说明采样时对性别、年龄、健康状态做了分层控制——这保证了队列的多样性（30 女/20 男、跨 25-101 岁、健康与病理混合），而非随机采集的偶然构成。

3.4 基线训练与划分

论文用 38 段手工分割做 DL 基线训练，划分如下：

划分	段数	帧数（每段 20 帧）
训练	30	600
验证	4	80
测试	4	80
合计	38	760

训练配置：UNet 与 SwinUnetV2 各训练 200 epochs，batch size 16，Adam 优化器，Dice loss，学习率 2×10⁻⁴，weight decay 1×10⁻⁵。测试集仅 4 段录像、每段 20 帧——这是理解基线分数解读边界的要点：80 帧的测试量在统计上偏小，单帧波动即可影响指标，因此论文的 DICE 箱线图（图 7）按患者分列、而非只报全集均值，是合理做法。

3.5 标注成本与规模的长期张力

GIRAFE 的 38 段/760 帧不是偶然，而是"专家手工标注"与"高速视频帧数爆炸"两个现实的交点。设想全序列标注：65 段 × 502 帧 = 32,630 帧，即便是熟练专家也需数月全职投入，且边际信息量递减（相邻帧的声门形态高度相似）。GIRAFE 用"每患者一个周期"把标注量压到 760 帧（约 2.3% 的帧），换来了可负担的成本与集中覆盖动态关键帧的信息密度。

这个张力的通用教训是：高帧率视频数据集的"规模"必须按"标注单元"而非"帧"来报。当有人说"GIRAFE 有 32,630 帧"时，那描述的是采集量；说"760 帧"才是标注量。两者混用会严重高估可用监督信号。

3.6 采集的临床真实性设计

论文把"光照/对比度差异、声门部分遮挡、摄像机横向位移、摄像距离可变"列为数据集的特性而非缺陷。这一选择的临床逻辑是：真实喉镜检查环境远非理想，分割算法若只在成像完美的样本上训练，部署到临床就会崩。把这些变异保留在数据集里，等于给算法预设了一个"野生环境"压力测试。对使用者的含义：不要试图用强预处理"清洗"掉这些变异——它们是数据集刻意的鲁棒性来源。

3.7 匿名化的技术路径

GIRAFE 的匿名化采用"唯一 ID 与病历号分离"的方案：每位患者被分配一个与研究数据绑定的唯一 ID，该 ID 与医院临床病历号之间没有映射关系保存在发布数据中。同时，临床采集由执行操作的专科医师完成，该医师是唯一直接接触患者的人；研究方访问的数据不含个人信息。这套设计把"可识别性"切断在采集环节，是医学影像数据集的常规且稳健的匿名化实践——它不依赖事后的模糊化处理，而是从数据流的一开始就隔绝身份信息。

§4 标注范围口径解剖：65 段录像与 38 段金标准

4.1 为什么 65 会缩水成 38

理解 GIRAFE 的第一道坎，是分清"录像数"与"手工标注数"两个完全不同的量。

• 65 段 = 采集并公开的 HSV 录像总数（32,630 帧的载体）。
• 38 段 = 其中被专家手工描摹声门裂掩码的段数（760 帧的载体）。

论文摘要写 “All of them were manually annotated by an expert”，读起来像是 65 段全标；但方法节明确 “Manual segmentation was conducted on 38 out of the 65 videos”。两句话不兼容。以方法节为准，手工金标准只覆盖约 58.5% 的录像。独立解读源（pith.science 的论文速读）也点出这一"overstate manual-annotation coverage"问题，建议使用者核对发布元数据。

4.2 三种"规模"要分开报

引用 GIRAFE 时至少有三个数字，必须说清用哪个：

口径	数字	含义	适用场景
录像总数	65 段 / 32,630 帧	采集公开的 HSV 原始量	描述数据仓库体量
手工标注段	38 段	有专家金标准的录像数	描述监督信号覆盖
手工标注帧	760 帧	可训练金标准帧数	描述训练/评测规模

最常见的误用是把 32,630 帧当作"标注量"——实际标注只有 760 帧，占比约 2.3%。这个落差是 HSV 数据集的通病：高速录像帧数爆炸，但手工标注成本随帧数线性上升，于是标注只能以"每患者一个周期"的方式抽稀。

4.3 单专家金标准的风险

GIRAFE 的手工掩码来自一位声门分割专家，经一位耳鼻喉医师验证。论文未报告标注者间一致性（inter-annotator agreement）。这意味着：

1. 基线分数（DICE 等）衡量的是"模型与这位专家描摹风格的接近程度"，不是"与共识真值的接近程度"。
2. 若这位专家的描摹存在系统性偏差，偏差会等量传导到所有基线与所有后继使用者。
3. 独立复核建议（pith.science）：请两位以上独立专家对 760 帧的随机子集重标并计算 inter-annotator DICE——若一致性低，则该集作为金标准的效力被削弱。

这不是 GIRAFE 独有的问题，而是所有"单专家标注"医学数据集的共同软肋。条目在 §9 与坑点中存照，供选型者权衡。

4.4 "一个完整声门周期"的含义

论文规定手工标注覆盖"每个被标注患者的一个完整声门周期（complete glottal cycle）“。一个声门周期指声带从张开到闭合再张开的完整过程——连续约 20 帧（760 ÷ 38）。这个设计的意图是：分割算法最需要理解的是"开合动态"的形态变化，而一个周期恰好涵盖开相、闭相与过渡态的代表帧。其局限同样明显：它不给全序列真值，因此不适合做"逐帧全覆盖分割"的监督训练，更适合做"周期内代表性帧的分割评估”。

给使用者的映射：若你要训练全序列分割模型 → 760 帧不够，需自行扩标或半监督；若你要评测分割算法在典型帧上的精度 → 760 帧是理想基准；若你要做 FP 合成 → 需先用自动分割铺满全序列，手工帧作校准锚点。

4.5 口径差为何会发生

把 65 写成"全部手工标注"，最可能的成因是摘要写作的概括惯性：论文的主体贡献是"提供了带手工分割的 HSV 数据仓库"，摘要为了句子简洁，把"数据集手工标注了（一部分）“压缩成了"全部手工标注”。这在论文写作中并不罕见，但对数据集使用者是实质性的误导——它直接影响"这批数据能支撑多大规模的训练"的判断。

对检索者的操作建议：凡是数据集论文的摘要与"Methods/Data description"节出现规模不一致，一律以方法/数据节为准。摘要是"卖点陈述"，方法节是"事实陈述"，后者更接近可复现真相。

4.6 760 帧的组成结构

760 帧按论文划分可拆为：

子集	段数	帧数	占比
训练	30	600	78.9%
验证	4	80	10.5%
测试	4	80	10.5%
合计	38	760	100%

值得注意的是：训练/验证/测试的划分是按段（患者） 而非按帧随机打乱。这是医学影像数据集的正确做法——同一段录像的相邻帧高度相关，若按帧随机划分，训练集与测试集会出现"同一患者的不同帧"泄漏，导致测试分数虚高。按患者划分切断了这种泄漏，测试分数更接近真实泛化能力。

§5 基线方法与辅助播放：GIRAFE 的评估面

5.1 四套分割基线

GIRAFE 为声门裂分割提供四套预置基线，覆盖"经典图像处理"与"深度学习"两代方法：

方法	类型	说明
InP	图像处理	经典声门分割技术（论文引用 [16]）
Loh	图像处理	经典声门分割技术（论文引用 [15]）
UNet	深度学习	MONAI 实现，GIRAFE 训练
SwinUnetV2	深度学习	TIMM 实现，GIRAFE 训练

两套经典方法是"历史参照系"——它们代表了 GIRAFE 出现之前该领域的常用手段；两套 DL 方法是"现代基准"——用 GIRAFE 的 760 帧训练后在测试集上评估。四者并列，构成了一个从传统到前沿的完整对照面。

值得玩味的是，论文提出四套基线并非为了证明"深度学习更强"，而是为了给社区一个稳定的参照坐标系。小样本医学分割场景下，"经典方法是否仍够用"是一个开放问题——GIRAFE 把答案留给使用者在标准指标下自行测定。

5.2 评估指标

四个指标（Table 3 汇总，图 7 用箱线图逐患者展示）：

指标	含义	方向
DICE	Dice 系数，分割区域与真值区域的重叠度	越高越好
Jaccard	Jaccard 指数（IoU），交集/并集	越高越好
Recall	召回率，真值中被正确分割的比例	越高越好
Precision	精确率，预测中被正确分割的比例	越高越好

DICE 与 Jaccard 是分割任务的标准重叠指标，Recall/Precision 则揭示分割是"保守漏切"还是"激进过切"。论文在 Table 3 中以红色标最优、蓝色标次优，帮助读者快速定位方法的相对优劣。

四指标的组合逻辑值得展开：DICE 与 Jaccard 是"整体重叠度"，对漏切与过切都敏感但方向不明；Recall 与 Precision 把误差拆成两个方向——Recall 低说明"该切的没切到"（欠分割，可能漏掉声门区域），Precision 低说明"不该切的切了"（过分割，把非声门区域误判）。临床上这两种错误的后果不同：欠分割会低估声门面积、扭曲 FP 波形，过分割会污染面积测量。因此四指标同报，才能判断一个方法的误差偏好。

关于具体数值：抓取时点可在正文文本中抽取到 Table 3 的表题与指标定义，但四方法 × 四指标的具体数值以表格图像形态呈现，未能从纯文本中稳定抽出。本条目不臆造数字，仅作定性与方法论描述（遗留疑点见 §9）。

5.3 四类辅助播放（FP）

辅助播放是把振动周期"折叠"成可读表征的技术，GIRAFE 打包了四类：

简称	全称	形态
GAW	glottal area waveform（声门面积波形）	声门面积随时间变化的曲线
GVG	glottovibrogram（声门振动图）	声门开合的时空二维图
PVG	phonovibrogram（声带振动图）	声带轮廓振动模式图
DKG	digital kymogram（数字动态喉镜图）	沿声带轴线的时空切片

FP 的临床价值在论文中被反复强调：它们是评估发声周期性、振动幅度、粘膜波（mucosal wave, MW）、声门闭合特征、闭相时长、振动对称性以及识别非振动瞬间的核心工具。而 FP 的合成本身依赖声门裂分割——分割质量直接决定 FP 质量。这就把"分割评估"和"FP 评估"绑在了同一根链条上：GIRAFE 既提供分割真值，也提供 FP 输出，让研究者能端到端评估"分割误差如何传导到 FP 表征"。

5.4 工作流总览

GIRAFE 论文给出的完整工作流（Fig. 2）可概括为：

患者（不同年龄/性别/健康状态，Gregorio Marañón 医院招募）
  → HSV 采集（4,000 fps，彩色，WOLF 系统）
  → 手工/自动/半自动声门分割
  → 训练两个深度网络做验证
  → 分割结果与专家手工标注高度一致
  → 合成辅助播放（GAW/GVG/PVG/DKG）
  → 打包发布（AVI + PNG + PKL + JSON/XLSX）

这条流水线的每个环节都可复现：采集协议、分割方法、训练配置（200 epochs、Adam、Dice loss）、评估指标都在论文中明示，代码在 GitHub 公开。

§6 获取与许可：许可明确、交付受限

6.1 三层资产、三种入口

资产	入口	许可	门槛
数据集本体（65 段 HSV + 760 帧 + FP）	Zenodo 10.5281/zenodo.13773163（记录 v2）	CC BY-NC 4.0	页面标 Restricted（文件受限，需登录查看权限）
论文	doi:10.1016/j.dib.2025.111376（Data in Brief，开放获取）	CC BY-NC 4.0	无
代码	GitHub（论文声明 BYO-UPM/GIRAFE；实际可达 Andrade-Miranda/GIRAFE）	README 自述 MIT	无（公开仓库）

6.2 许可：一处难得的一致

与 PANDA-PLUS 那种"四资产四许可"的混乱不同，GIRAFE 的许可高度统一：数据集与论文同为 CC BY-NC 4.0。CC BY-NC 4.0 意味着"署名 + 非商业"——任何署名即可的研究用途（含修改、再分发）都允许，但商用被明确禁止。对 AI-Ready 光谱而言，这比"请求制/注册墙"友好得多，但比"CC BY-4.0"保守一档。

CC BY-NC 4.0 的四项权利与三项限制可以拆解为：

项	含义
授权：署名（BY）	使用须标注来源与作者
授权：非商业（NC）	不得用于商业目的
允许	复制、分发、改编、混合
禁止	商业性使用
附加	非商业前提下允许再分发与演绎

关键提醒：CC BY-NC 的"NC"边界在实践中常有争议（研究与商业研究的界限、模型权重是否属于衍生物等）。对数据集使用而言最安全的读法是：任何可能产生商业收益的用途都应先排除 GIRAFE 数据。

6.2.1 代码许可与数据许可的分离

GIRAFE 有一个容易被忽视的许可细节：代码许可与数据许可不同。GitHub 仓库 README 自述 MIT License（宽松，允许商用），而数据集与论文是 CC BY-NC 4.0（禁商用）。这意味着：

• 你可以把 GIRAFE 的训练/评估/FP 合成代码用于商业项目（受 MIT 约束）。
• 但你不能把 GIRAFE 的数据用于商业项目（受 CC BY-NC 约束）。
• 用 GIRAFE 数据训练出的模型，其许可属性处于灰色地带——通常认为模型权重继承了数据的许可约束，商用需谨慎。

这条"代码宽松、数据保守"的分离在医学数据集中并不罕见，检索者须分而治之。

6.3 获取态的张力：Freely available vs Restricted

一处必须存照的张力：

• 论文正文写数据集 “Freely available under Creative Commons Attribution Non-Commercial 4.0 International (CC BY NC 4.0)”——读起来是"自由可用"。
• Zenodo 记录页却标记为 Restricted（“The record is publicly accessible, but files are restricted. Log in to check if you have access”）——即元数据公开、文件需授权。

两者合并的正确读法是：许可条款是 CC BY-NC 4.0（一旦获得即按此使用），但 Zenodo 的交付层加了访问控制——想下载文件可能需登录或向作者申请授权。规划依赖此数据时，不能假设"点开即下"，应把"获取授权"当作前置步骤（坑 3）。

6.4 AI-Ready 评估

以库内 AI-Ready 检查单过一遍：

• 机器可读元数据：论文开放获取 + Zenodo 记录 + GitHub README——良好。
• 公开直链：Zenodo 记录公开，但文件层 Restricted——中等；非"注册墙"，但非"直链可下"。
• 许可明确性：CC BY-NC 4.0 清晰无歧义——优于均值，但非商业限制会挡掉商用管线。
• 可复现性：代码公开 + 训练配置完整 + 预置划分——高。
• 文档自洽：存在 65/38 覆盖度口径分歧、Zenodo DOI 双记、GitHub repo 名双记——需检索者自行对齐。

综合：AI-Ready 等级"中上"——许可清晰、代码可复现是其强项；文件层受限与非商业许可是主要扣分项；文档的口径小瑕疵需使用者留意。

6.5 与库内可获取性光谱的对照

库内数据集已形成一条可获取性光谱（注册墙→请求制→Zenodo 直链→AWS Registry→公开直链）。GIRAFE 的位置：

档位	库内参照	本条目对应
注册墙（最严）	少量临床数据（需审批）	—
请求制	掩码 upon request 型	—
受限托管	—	GIRAFE 数据集（Zenodo Restricted）
平台直链	Zenodo/HF 直链型	论文与 GitHub 代码（公开）
完全公开	HF 直链型	—

GIRAFE 的独特之处在于它落在一个库内少见的档位——"元数据公开 + 文件受限"的托管态。它既不是"完全公开"，也不是"需要审批的请求制"，而是一种"记录可见、下载受限"的中间形态。对按"能否立刻下载"过滤条目的检索者，GIRAFE 会因文件受限而落在"需确认授权"这一档；对按"许可条款是否清晰"过滤的检索者，它又因 CC BY-NC 4.0 的明确性而落在"优"档。两种过滤口径下它的归属不同——这正是"受限托管"档的库内价值。

6.6 商用管线的替代路径

由于 CC BY-NC 4.0 明确禁商用，计划将声门分割用于商业产品的团队应提前规划替代：

1. 换数据源：寻找 CC BY 或更宽松许可的同类数据（BAGLS 需单独核对其当前许可）。
2. 自行采集：按 GIRAFE 论文公开的采集协议（4,000 fps、70° 硬性内镜、持续元音）自建数据集。
3. 代码层面复用：GIRAFE 的 GitHub 代码自述 MIT，训练/评估脚本可在商用项目中复用（注意：代码许可宽松不代表数据许可宽松）。
4. 仅作方法学参考：把 GIRAFE 当作"如何构建声门分割基准"的方法论范本，而非训练数据来源。

§7 生态与影响：声门分割赛道的一枚彩色补丁

7.1 领域背景：为什么公开数据集这么少

论文在动机部分给出了一个清晰的"稀缺链条"：声门裂自动分割是合成高质量辅助播放的前提，而推进这条研究线需要大规模手工标注数据作金标准，但——

1. 专家标注成本高且复杂：声门分割需要喉科影像专业知识，非专家无法胜任。
2. HSV 设备昂贵：高速摄像与配套内镜/光源门槛高，能产生数据的中心有限。
3. 公开数据稀缺：据作者所知，此前的公开同类数据集仅有 BAGLS 一个。

这三条解释了 GIRAFE 存在的意义——它不是"又一个数据集"，而是在一个几乎空白的赛道上补位。

7.2 GIRAFE 的差异化定位

面对已有但以灰度为主的 BAGLS，GIRAFE 选择三个差异化方向：

1. 全彩录制：论文核心论点是灰度会削弱分割精度、掩盖细微病变线索（息肉、囊肿、结节）。全彩理论上提升分割准确率与病变识别。
2. 配套 FP：不止给分割真值，还给出 GAW/GVG/PVG/DKG 四类辅助播放输出，让评估能延伸到临床可读表征。
3. 人群代表性：西班牙语母语者人群，填补现有多为其他语种人群的缺口。

这三点的共同逻辑是"不比规模，比维度"——GIRAFE 承认在 65 vs 640 的量级上不敌 BAGLS，转而从色彩、分析工具、人群三个维度另辟空间。

7.3 已被研究采用的证据

论文明确写到 “This data set has already supported several studies”——GIRAFE 在正式发表前就已被多篇工作采用，这从侧面证明它填补的空白是真实需求。数据集、代码、论文三者时间线交错：Zenodo 数据 v2 于 2024-09-17 发布，arXiv 预印本 2024-12-19，Data in Brief 正式论文 2025-02-08 在线。

7.4 对下游的影响

• 分割算法研究者：获得一个带预置划分、带四套基线的彩色评测集，可直接对标。
• FP 合成研究者：获得"分割→FP"的端到端链路，可量化分割误差对 FP 表征的传导。
• 嗓音临床研究：获得带健康分层的 HSV 集合，可研究健康/病理振动模式差异（需处理 24 段未知样本）。

7.5 时间线：数据先于论文

GIRAFE 的发布时间线值得单独留意，因为它透露出一个"数据先行"的策略：

时间	事件
2013-2015	临床采集（Gregorio Marañón 医院）
2024-07~09	GitHub 仓库建立，代码陆续提交
2024-09-17	Zenodo 数据集 v2 发布
2024-12-19	arXiv 预印本 v1（18 页 8 图）
2025-01~02	Data in Brief 审稿（Received→Accepted）
2025-02-08	Data in Brief 正式在线
2025-04	Collection date（期刊卷期归属）
2025-07-22	HAL 记录（v1）

从采集到正式论文跨越约十年，从数据发布到论文仅约五个月。这说明 GIRAFE 是先以数据仓库形式服务社区（“已支持多项研究”），后在 Data in Brief 上做正式描述论文——这是数据期刊（data journal）的典型发布节奏，也意味着数据可能在被"正式记载"前就已被引用。

7.6 为什么"数据期刊"很重要

Data in Brief 是典型的 data journal，专门发表数据集描述论文而非方法创新。这类期刊的价值在于：把"数据集本身"当作可引用的学术产出，给数据的构建者一个正式署名入口。GIRAFE 选择 Data in Brief 而非传统的医学影像方法期刊，正反映了它的定位——贡献是数据与基准，不是算法突破。对检索者的含义：读 Data in Brief 论文时，不要期待 SOTA 方法，而应关注数据结构、标注协议与基线定义。

§8 方法学启示：三条可迁移的经验

8.1 "每患者一个周期"的抽稀标注策略

面对 HSV 的帧数爆炸，GIRAFE 选择"每患者标一个完整声门周期"（约 20 帧）而非全序列。这是一个成本-信息量的折中：一个周期涵盖开相、闭相与过渡态，信息密度最高，而全序列标注的成本不可承受。这条策略可迁移到任何"高帧率视频+手工标注"场景——标注的单元不是帧，而是"动力学事件"。

8.2 辅助播放作为评估的第二维度

GIRAFE 的独特之处在于它不把评估停在 DICE/Jaccard 上，而是提供 FP 输出让研究者评估"像素级分割误差如何影响临床可读表征"。这是一个可迁移的方法论：当你的数据服务一个下游分析工具时，把该工具的产物也纳入评估面，而非只报中间指标。

8.3 多方法基线的分层设计

四套基线跨越"经典图像处理（InP/Loh）"与"现代深度学习（UNet/SwinUnetV2）“两代。这种分层设计的价值在于：它不假设 DL 一定赢，而是让使用者看到"在只有 760 帧训练数据的小样本场景下，经典方法是否仍有竞争力”。小样本医学分割领域，这类对照往往比单一 SOTA 数字更有启发。

8.4 彩色的假设需要跨数据集验证

GIRAFE 的核心论点是"全彩优于灰度"，但这个论点在论文中更多是设计动机而非实验结论——论文并未提供"同一批数据彩色 vs 灰度"的受控对比。因此"彩色提升分割精度"目前是一个待验证的假设。可迁移的教训：数据集的差异化卖点若未被自身实验直接检验，引用时应表述为"设计上预期"，而非"已证实的优势"。真正要落实该假设，需要 GIRAFE×BAGLS 的跨数据集迁移实验（见附录 Y 第 5 条）。

§9 与库内条目的关系

9.1 家族图谱

• slam-3d-endoscopic（rid 82）：3D 内窥镜 SLAM 影像——与 GIRAFE 同属"内窥镜视频影像"大类；前者解决术中定位导航，后者解决声门分割，共同构成内窥镜影像 AI 的两条支线。
• kvasir-seg（rid 112）：胃肠内窥镜分割数据集——医学内窥镜语义分割的方法论近亲，可作跨解剖部位的分割方法对照。
• cholecseg8k（rid 233）：腹腔镜手术视频语义分割——"医学视频逐帧分割"的同族任务，评估范式可互参。
• saarbrucken-voice-db（rid 452）：嗓音/语音数据库——与 GIRAFE 共享"嗓音病理"应用域，一个从声学信号入手，一个从内窥镜影像入手。
• bridge2ai-voice（rid 66）：大规模语音数据集——Voice AI 方向，与 GIRAFE 在"语音/嗓音"母题上互补。
• ua-speech（rid 473）：语音/言语数据集——语音信号方向对照。
• parkinsons-voice-uci（rid 444）：帕金森嗓音特征数据——嗓音病理分类的经典基准，与 GIRAFE 的"健康/病理"分层同属临床嗓音分析。
• 库外对照：BAGLS——声门分割唯一同类公开数据集，库内未收录，但作为 GIRAFE 最重要的外部对照在 §2.4 详述。

9.2 检索路径建议

• 检索词组合：“GIRAFE” + “glottal gap segmentation” + “high-speed videoendoscopy”；勿只搜 “glottal dataset”（会大量命中 BAGLS）。
• 若目标是直接可用数据：Zenodo 10.5281/zenodo.13773163（注意 Restricted）→ GitHub Andrade-Miranda/GIRAFE 取代码。
• 若目标是引用声门分割基准：引论文 Data in Brief 2025;59:111376（PMC11872128）。
• 若想找同类对照：BAGLS（640 段，灰度）是必读参照，勿与 GIRAFE 混为一谈。

9.3 一个"小而全"条目的库内定位

库内已有大量"大而广"的数据集（PANDA、MIMIC 系、基因组学大队列），GIRAFE 代表另一类物种：亚专科、小规模、但分析链路完整。它的库内价值不在体量，而在于它示范了一种数据结构——"原始高速视频 + 抽稀专家帧 + 下游分析工具输出 + 多代基线"四件套打包。检索者若在做"高帧率医学视频 + 手工标注"的方法选型，GIRAFE 是一个可复制的模板。

9.4 与"医学视频分割"母题的连接

把 GIRAFE 放进库内医学视频分割的坐标里，它落在"内镜影像 + 逐帧语义分割"象限：

数据集	解剖部位	影像模态	分割对象
kvasir-seg（112）	胃肠	内镜	息肉
cholecseg8k（233）	腹腔	腹腔镜	手术器械/组织
slam-3d-endoscopic（82）	泛内窥镜	3D 内镜	定位/重建
GIRAFE	喉/声带	高速视频内镜	声门裂

四者的共同挑战是"内镜视野下的像素级标注稀缺"，GIRAFE 的特殊性在于时间维度——它不是静态图像分割，而是 4,000 fps 下的周期动力学分割。

9.5 与"嗓音/语音"家族的连接

库内已有多条嗓音/语音方向条目，它们与 GIRAFE 的关系可类比为"同一临床问题的不同传感通道"：

条目	传感通道	分析对象
saarbrucken-voice-db（452）	声学	语音信号特征
parkinsons-voice-uci（444）	声学	病理嗓音特征
ua-speech（473）	声学	言语信号
bridge2ai-voice（66）	声学	大规模语音
GIRAFE	光学（内窥镜）	声带振动影像

声学研究测量的是"发声的产物"（声音），GIRAFE 测量的是"发声的机制"（声带如何振动）。两者互补：一个病理嗓音的声学异常，其根源往往就在声带振动的影像异常里。GIRAFE 提供了从"声学表型"回溯"影像机制"的可能。

9.6 一条跨条目研究路径示范

把库内条目串成一条研究链：

1. 数据层面：用 GIRAFE 训练声门分割模型（kvasir-seg/cholecseg8k 的方法论可迁移）。
2. 表征层面：用分割结果合成 GAW/GVG/PVG/DKG，得到临床可读的振动表征。
3. 病理层面：把振动表征与 parkinsons-voice-uci（444）、saarbrucken-voice-db（452）的声学特征对齐，研究"影像异常↔声学异常"的对应。
4. 人群层面：用 bridge2ai-voice（66）的大规模语音数据检验模型跨人群泛化。

这条链条展示了"影像—声学—人群"三层如何由 GIRAFE 作为影像端锚点串联起来。

§10 避坑清单：八个已踩过的坑

坑 1：手工标注覆盖度 65 vs 38。摘要写"全部 65 段手工标注"，方法节写"38 out of the 65 videos（760 帧）"。以方法节为准，手工金标准只覆盖约 58.5% 录像。引用时务必报 38/760，不要报 65。

坑 2：名称缩写双口径。Data in Brief/GitHub 写 Glottal Imaging Repository；HAL 等检索页写 Glottal Imaging Dataset。同一对象、不同展开，检索时两种写法都要试。

坑 3：获取态张力——Freely available vs Restricted。论文写 “Freely available under CC BY-NC 4.0”，Zenodo 记录却标 Restricted（文件受限、需登录查看权限）。许可条款与交付控制是两回事：许可允许 CC BY-NC 使用，但下载可能要授权。别假设"点开即下"。

坑 4：单专家标注、无一致性报告。手工掩码来自一位专家 + 一位耳鼻喉医师验证，论文未报 inter-annotator agreement。基线分数衡量的是"与这位专家风格的一致度"，不是共识真值；用前应意识到系统性偏差风险。

坑 5：GitHub repo 名双口径。论文数据可用性声明写 BYO-UPM/GIRAFE，但检索命中的实际仓库是 Andrade-Miranda/GIRAFE（README 自述 MIT）。以实际可达仓库为准，两个名字都记。

坑 6：BAGLS 计数内部不完全闭合。论文写 BAGLS 640 段 = 380 健康 + 262 障碍（= 642 ≠ 640）+ 50 未知。数字相加不严丝合缝，引用 BAGLS 数字时按论文原口径并加注，勿自行"修正"。

坑 7：Zenodo DOI 双口径。主 DOI 为 10.5281/zenodo.13773163（v2）；OpenAIRE 检索页另挂 10.5281/zenodo.3366147。以 13773163 为准，3366147 疑为概念 DOI/早期记录。

坑 8：PKL 格式的跨语言障碍。分割结果存为 Python pickle（PKL），对 Python 生态无缝，但非通用交换格式。非 Python 管线需先转换，长期归档也需留意格式依赖。

§11 总结

11.1 三句话总结

1. GIRAFE 为声带高速视频内镜（4,000 fps）提供了 65 段彩色序列、38 段手工声门裂分割掩码（760 帧）与四类辅助播放，是灰度 BAGLS 之外少见的彩色声门分割公开集。
2. 它的核心价值在于"彩色 + FP 配套 + 人群代表性"三个维度的差异化，而非规模——65 vs 640 的体量差决定了它走"精而全"而非"大而广"的路线。
3. 它的主要使用约束是：手工标注仅覆盖 38/65 段、单专家无一致性报告、Zenodo 交付层受限、许可为非商业 CC BY-NC 4.0。

11.2 适合谁

• 声门裂分割算法开发者：需要彩色标注基准与预置划分。
• 辅助播放（FP）合成研究者：需要"分割→FP"端到端链路。
• 嗓音临床研究者：需要带健康分层的 HSV 集合。
• 医学视频分割方法研究者：需要小样本分割的经典 vs DL 对照。

11.3 不适合谁

• 需要超大规模标注集的团队（760 帧对深度学习而言偏小）。
• 需要全序列逐帧真值的项目（只覆盖每患者一个周期）。
• 商用管线（CC BY-NC 4.0 禁商用）。
• 需要标注者间一致性证据的研究（论文未报告）。

11.4 30 秒决策卡

你的情况	行动
要立刻跑通声门分割	Zenodo 10.5281/zenodo.13773163（注意 Restricted）+ GitHub 代码
要训练全序列分割模型	760 帧不够 → 半监督/自扩标，手工帧作锚点
要做 FP 分析	直接用 GAW/GVG/PVG/DKG 输出，量化分割误差传导
要商用	本集 CC BY-NC 禁商用 → 换 CC BY 数据集或自行采集
要引用	论文 Data in Brief 2025;59:111376（PMC11872128）；报 38 段/760 帧而非 65

FAQ（高频问答 30 问）

A. 基础认知

Q1：GIRAFE 是挑战赛吗？
不是。它是公开数据仓库+方法论文，含声门分割真值、FP 输出与分割基线，没有 leaderboard。

Q2：名字里的 Evaluation 指什么？
指对"辅助播放合成与声门分割方法"做评估，即论文提供的评估范式，不是办比赛。

Q3："GIRAFE"缩写展开？
双口径：Glottal Imaging Repository（Data in Brief/GitHub）或 Glottal Imaging Dataset（HAL）。同一对象。

Q4：谁做的？
马德里理工大学 UPM 电信学院（ETSIT）+ LaTIM/INSERM（布雷斯特）+ 帕特雷大学。一作 Gustavo Andrade-Miranda，通讯 Juan I. Godino-Llorente。

Q5：发表在哪？
Data in Brief 2025;59:111376（doi:10.1016/j.dib.2025.111376；PMC11872128）；预印本 arXiv:2412.15054。

Q6：数据集规模一句话？
65 段 4,000 fps 彩色 HSV（50 位患者，32,630 帧）+ 38 段手工声门分割（760 帧）。

Q7：和 BAGLS 什么关系？
唯一同类公开数据集，互为补充：BAGLS 规模大（640 段）但以灰度为主，GIRAFE 小（65 段）但全彩且带 FP。

Q8：最大卖点？
全彩录制 + 四类辅助播放 + 西班牙语人群代表性，从三个维度补 BAGLS 的空白。

Q9：最大局限？
手工标注只覆盖 38/65 段、单专家无一致性报告、获取受限、非商业许可。

Q10：开源吗？
数据在 Zenodo（Restricted），代码在 GitHub（MIT），论文 CC BY-NC 4.0 开放获取。

B. 数据与获取

Q11：65 段怎么来的？
2013-2015 年由 Gregorio Marañón 医院耳鼻喉科在临床中采集，用 WOLF 高速摄像系统。

Q12：为什么每段是 502 帧？
论文规定每段序列 502 帧，65 段合计 32,630 帧，采样率 4,000 fps，分辨率 256×256 px。

Q13：手工标注覆盖多少？
38 of the 65 段，每患者一个完整声门周期，共 760 帧（方法节口径，与摘要不一致）。

Q14：数据怎么下载？
Zenodo 10.5281/zenodo.13773163，但记录标 Restricted——可能需登录/向作者申请授权。

Q15：代码在哪？
论文声明 BYO-UPM/GIRAFE；实际可达 Andrade-Miranda/GIRAFE（含 DL_code/Matlab_code）。

Q16：文件格式是什么？
AVI（原始视频）、PNG（760 帧+掩码）、PKL（分割/FP 结果）、JSON/XLSX（元数据）。

Q17：能用它商用吗？
不能。CC BY-NC 4.0 明确禁商用；商用需另寻 CC BY 数据或自行采集。

Q18：为什么文件受限？
Zenodo 记录标 Restricted（公开但文件受限）。论文的 “Freely available” 指许可条款，不代表无需授权即可下载。

C. 标注与质量

Q19：谁标的？
一位声门分割专家描摹，一位耳鼻喉科医师验证。

Q20：有一致性数据吗？
没有。论文未报告 inter-annotator agreement——这是单专家金标准的固有局限。

Q21："一个完整声门周期"什么意思？
声带从张开到闭合再张开的完整过程，约 20 帧；每被标注患者取一个周期。

Q22：760 帧够训练吗？
对深度分割偏小。论文用 30 段训练（600 帧）、4 段验证、4 段测试，属小样本场景。

Q23：测试集多大？
4 段录像 × 每段 20 帧 = 80 帧，统计上偏小，单帧波动即影响指标。

Q24：健康状态标签可靠吗？
15 健康 + 26 障碍明确，24 段健康未知——做分类研究须显式处理未知样本。

D. 基线与辅助播放

Q25：哪些基线方法？
InP、Loh（经典图像处理）+ UNet、SwinUnetV2（深度学习）。

Q26：用哪些指标评估？
DICE、Jaccard、Recall、Precision。

Q27：基线具体分数是多少？
论文 Table 3 汇总，但表格为图像形态，抓取时点未能抽取具体数值（遗留疑点），本条目不臆造。

Q28：辅助播放有哪四类？
GAW（声门面积波形）、GVG（声门振动图）、PVG（声带振动图）、DKG（数字动态喉镜图）。

Q29：FP 有什么用？
评估发声周期性、幅度、粘膜波、声门闭合、闭相时长、振动对称性与非振动瞬间。

Q30：为什么 FP 依赖分割？
FP 合成通常基于声门分割结果——分割误差会直接传导到 FP 表征。

E. 工程与复现

Q31：训练配置是什么？
200 epochs，batch size 16，Adam，Dice loss，lr 2×10⁻⁴，weight decay 1×10⁻⁵。

Q32：DL 用什么框架？
UNet 与 SwinUnetV2，分别基于 MONAI 与 TIMM。

Q33：数据划分是预置的吗？
是，JSON 格式随数据集发布，DL 模型默认使用该划分。

Q34：PKL 怎么读？
Python pickle 直接反序列化；非 Python 管线需先转格式。

Q35：能加进自己的对照表吗？
可以——代码与预置划分公开，可在标准指标下评测新方法。

Q36：FP 能自己合成吗？
可以——GitHub 提供 .mat 文件与 Matlab 脚本生成 playbacks 与轨迹图。

F. 生产与库内

Q37：本条目为什么叫 girafe？
取数据集官方缩写的 slug 形式，全小写、无连字符。

Q38：与库内 slam-3d-endoscopic 什么关系？
同属内窥镜视频影像：前者 3D 定位导航，后者声门分割，两条支线。

Q39：与库内嗓音类条目什么关系？
saarbrucken-voice-db(452)、parkinsons-voice-uci(444) 从声学信号入手，GIRAFE 从内窥镜影像入手，共同构成嗓音分析面。

Q40：后续会更新什么？
优先级最高的是"覆盖度口径澄清"（作者若修订摘要）与"Table 3 数值补齐"。

G. 临床应用与延伸

Q41：GIRAFE 能直接用于临床诊断吗？
不能。它是研究性数据集，提供分割真值与算法基线；临床诊断需要经过监管审批的医疗器械，GIRAFE 只是训练/评测这类器械的原料。

Q42：声门分割临床上用来做什么？
用于合成辅助播放（GAW/GVG/PVG/DKG），进而评估振动周期性、对称性、粘膜波等——这些是功能性嗓音障碍（如声带麻痹、沟状声带）评估的关键指标。

Q43：为什么声带振动要 4,000 fps？
人声基频可达数百赫兹，一个振动周期仅几毫秒；4,000 fps 意味着每周期采样数十帧，足以还原开合与粘膜波的动态。普通 30 fps 视频会严重混叠。

Q44：粘膜波（MW）是什么，为什么重要？
粘膜波是声带黏膜表面的波动，是声带柔顺性的体现。病理（如瘢痕、癌变）会使粘膜波减弱或消失。它极难从常规视频观察，是 HSV 的核心临床价值之一。

Q45：西班牙语人群为什么是卖点？
论文指出语言特异性会影响发声特征，而现有数据集人群以其他语种为主，西班牙语者代表性不足。GIRAFE 补上这一缺口，提升模型的跨语言泛化评估能力。

Q46：健康未知的 24 段怎么处理？
不可默认归入"健康"或"障碍"。正确做法是：做二分类研究时将其剔除或单独成类；做无监督/自监督研究时可保留但标注其标签缺失。

Q47：GIRAFE 和频闪镜（stroboscopy）数据有什么区别？
频闪镜通过同步闪光"拼"出振动表象，依赖发声周期性假设；HSV 逐帧记录真实过程，不依赖该假设，因此对不规则振动（病理常见）更可靠。

Q48：能用 GIRAFE 做基础模型预训练吗？
可以，但 760 帧规模偏小，更适合作为下游微调或评测集，而非从零预训练。可考虑先用大规模内窥镜数据预训练，再用 GIRAFE 微调/评测。

Q49：分割模型的关键难点在哪？
论文强调的难点是成像变异——光照/对比度差异、声门部分遮挡、摄像机横向位移、摄像距离可变。这些真实临床条件下的扰动是模型泛化的主要挑战。

Q50：如果只能记住一句关于 GIRAFE 的话？
它是声门分割赛道上 BAGLS 之外少见的全彩 + 带辅助播放数据集，用 65 段高速视频与 760 帧专家标注，把"分割→辅助播放→临床分析"的链路完整打包。

事实清单（硬事实 40 条）

1. GIRAFE 全称 Glottal Imaging Repository / Dataset for Advanced Segmentation, Analysis, and Facilitative Playbacks Evaluation（缩写展开双口径）。
2. 含 65 段声带高速视频内镜（HSV）录制，来自 50 位患者。
3. 性别构成：30 女（60%）/ 20 男（40%）。
4. 年龄：均值 55.65 ± 19.35 岁，范围 25-101 岁。
5. 健康分层：15 段健康对照 / 26 段确诊障碍 / 24 段健康未知。
6. 每段 502 帧，合计 32,630 帧。
7. 采样率 4,000 fps，分辨率 256×256 px，彩色。
8. 采集设备：WOLF® HRES ENDOCAM 5562 + 70° 硬性内镜 + WOLF AUTO LP 5132 光源。
9. 采集期 2013-2015，地点 Gregorio Marañón 医院耳鼻喉科。
10. 患者均为西班牙语母语者。
11. 手工标注覆盖 38 of the 65 段（摘要称 65 段全部，方法节纠正）。
12. 每被标注患者覆盖一个完整声门周期，共 760 帧。
13. 手工标注由一位声门分割专家完成，一位耳鼻喉医师验证。
14. 论文未报告标注者间一致性（inter-annotator agreement）。
15. 伦理审批：Gregorio Marañón 医院伦理委员会，编号 11/2015。
16. 每位患者分配唯一 ID，与病历号分离实现匿名化。
17. 所有参与者签署书面知情同意。
18. 文件格式：AVI（视频）+ PNG（760 帧+掩码）+ PKL（结果）+ JSON/XLSX（元数据）。
19. 论文：Data in Brief 2025;59:111376，doi:10.1016/j.dib.2025.111376。
20. PMCID PMC11872128；PMID 40027255。
21. 论文时间线：Received 2025 Jan 3 / Accepted 2025 Feb 3 / Data Brief 2025 Feb 8 在线。
22. 预印本 arXiv:2412.15054（v1 2024-12-19，18 页 8 图）。
23. Zenodo 数据集 DOI 10.5281/zenodo.13773163（v2，2024-09-17 发布）。
24. Zenodo 记录标 Restricted（文件受限，需登录查看权限）。
25. 数据集与论文许可均为 CC BY-NC 4.0。
26. 论文代码入口 GitHub（声明 BYO-UPM/GIRAFE；实际 Andrade-Miranda/GIRAFE，README 自述 MIT）。
27. 核心任务：声门裂（glottal gap）语义分割。
28. 四类辅助播放：GAW / GVG / PVG / DKG。
29. 四套分割基线：InP、Loh（图像处理）+ UNet、SwinUnetV2（深度学习）。
30. 评估指标：DICE、Jaccard、Recall、Precision。
31. DL 训练：200 epochs，batch size 16，Adam，Dice loss，lr 2×10⁻⁴，weight decay 1×10⁻⁵。
32. 划分：38 段中 30 训练 / 4 验证 / 4 测试，每段 20 帧。
33. 测试集规模：4 段 × 20 帧 = 80 帧。
34. BAGLS 对照：640 段（380 健康 + 262 障碍 + 50 未知），432 女/177 男/31 未标注。
35. BAGLS 采样率 1,000-10,000 Hz，分辨率 256×120 至 512×512，618 灰度/22 RGB。
36. GIRAFE 相对 BAGLS 的关键差异：全彩 + 带 FP + 西班牙语人群。
37. 资助：西班牙经济与竞争力部 DPI2017-83405-R1、PID2021-128469OB-I00、TED2021-131688B-I00，及 Comunidad de Madrid。
38. 作者 4 人，跨 UPM（ETSIT）、LaTIM/INSERM（布雷斯特）、帕特雷大学、EuroMov。
39. 伦理陈述遵循 Spanish Ethical Review Act。
40. 抓取时点（2026-10-08）Table 3 四方法×四指标具体数值未能从文本抽取（遗留疑点，未臆造）。

术语表（28 条）

术语	释义
HSV	High-Speed Videoendoscopy，高速视频内镜；本集采样率 4,000 fps
声门（glottis）	声带之间可开合的通道区域
声门裂（glottal gap）	声带张开时中间的开放区域，本集分割目标
声带（vocal folds）	喉部两片振动组织，发声的物理起点
语义分割	逐像素分类任务；本集分割声门裂区域
辅助播放（Facilitative Playbacks, FP）	把振动周期折叠成可读表征的技术总称
GAW	glottal area waveform，声门面积随时间变化的波形
GVG	glottovibrogram，声门开合的时空二维图
PVG	phonovibrogram，声带轮廓振动模式图
DKG	digital kymogram，沿声带轴线的时空切片
完整声门周期	声带从张到闭再张的完整过程，约 20 帧
粘膜波（mucosal wave, MW）	声带黏膜表面的波动，发声健康的重要指标
闭相（closed phase）	一个周期中声带闭合的时段
硬性内镜	刚性杆状内镜，本集用 70° 视角
WOLF HRES ENDOCAM 5562	本集使用的 HSV 摄像系统
InP	一种经典声门分割图像处理方法
Loh	一种经典声门分割图像处理方法
UNet	经典医学图像分割卷积网络
SwinUnetV2	基于 Swin Transformer 的分割网络
MONAI	医学影像深度学习开源框架
TIMM	PyTorch Image Models，模型库
DICE	Dice 相似系数，重叠度指标
Jaccard / IoU	交并比，分割重叠指标
Recall	召回率，真值被正确分割的比例
Precision	精确率，预测被正确分割的比例
PKL	Python pickle，本集分割/FP 结果格式
BAGLS	另一公开声门分割数据集（640 段，以灰度为主）
CC BY-NC 4.0	署名-非商业 4.0 许可，本集许可

附录

附录 A：条目信息速查卡

项	值
条目名	GIRAFE
url_name	girafe
类型	数据集+方法论文+基线基准（三合一）
论文	Data in Brief 2025;59:111376（PMC11872128）
团队	UPM（ETSIT）+ LaTIM/INSERM + 帕特雷大学
规模	65 段 HSV（32,630 帧）+ 38 段手工（760 帧）
许可	CC BY-NC 4.0（数据与论文同）
抓取时点	2026-10-08
库内互链	slam-3d-endoscopic(82)/kvasir-seg(112)/cholecseg8k(233)/saarbrucken-voice-db(452)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	7	Zenodo+arXiv+PMC+GitHub 多入口，DOI 清晰；但受限状态与名称双口径影响检索确定性
A 可获取性	6	元数据公开 + 许可清晰，但 Zenodo 文件层 Restricted，非直链可下
I 可互操作	6	PNG/JSON 标准友好，PKL 为 Python 专属、跨语言需转换，无 DICOM 支持
M 元数据质量	7	论文规范、训练配置完整；但 65/38 覆盖度口径分歧与 Table 3 数值不可文本抽取的瑕疵
S 可持续性	7	Zenodo（CERN 托管）+ GitHub 双平台，长期可访问性强；依赖核心团队维护
综合评级	6.6/10（中上）	许可与可复现性强；获取受限与格式/口径小瑕为主要扣分项

附录 C：逐项证据链自证

关键数字	来源	位置
65 段 / 50 患者 / 30 女 20 男	论文摘要+规格表	PMC11872128
55.65 ± 19.35 岁 / 25-101 岁	Zenodo 描述+论文	Zenodo 13773163
4,000 fps / 256×256 / 502 帧 / 32,630 帧	Zenodo 描述+论文规格表	Zenodo 13773163
15 健康 + 26 障碍 + 24 未知	论文摘要+Zenodo	PMC11872128
38 of 65 段 / 760 帧	论文方法节（manual segmentation）	PMC11872128
30/4/4 段划分 / 每段 20 帧	论文方法节	PMC11872128
200 epochs / Adam / Dice loss / lr 2e-4	论文方法节	PMC11872128
InP/Loh/UNet/SwinUnetV2 四基线	论文方法节	PMC11872128
GAW/GVG/PVG/DKG 四类 FP	论文正文	PMC11872128
WOLF HRES ENDOCAM 5562 / 70° 内镜	论文规格表+Zenodo	PMC11872128
2013-2015 / Gregorio Marañón	Zenodo 描述	Zenodo 13773163
伦理 code 11/2015	论文 Ethics Statement	PMC11872128
CC BY-NC 4.0	论文版权+Zenodo	PMC11872128
Zenodo Restricted	Zenodo 记录页	Zenodo 13773163
BAGLS 640 段 / 618 灰度	论文 BAGLS 对照段	PMC11872128

附录 D：数据获取决策树

需求是什么？
├── 只想跑通声门分割
│   └── Zenodo 10.5281/zenodo.13773163（注意 Restricted）+ GitHub Andrade-Miranda/GIRAFE
├── 想评测自己的分割方法
│   └── 用 760 帧预置划分（30/4/4 段）+ DICE/Jaccard/Recall/Precision 四指标
├── 想做 FP 分析
│   └── 直接用 GAW/GVG/PVG/DKG 输出 + Matlab 脚本
├── 想引用声门分割基准
│   └── 引 Data in Brief 2025;59:111376，报 38 段/760 帧
└── 想商用
    └── CC BY-NC 禁商用 —— 换 CC BY 数据或自行采集

附录 E：四类辅助播放对照

简称	全称	表征类型	临床用途
GAW	glottal area waveform	时间序列曲线	面积变化、周期性
GVG	glottovibrogram	时空二维图	开合动态
PVG	phonovibrogram	轮廓振动图	振动对称性
DKG	digital kymogram	轴向时空切片	粘膜波、相位

附录 F：基线与指标对照表

方法	类型	框架	训练数据
InP	图像处理	—	无（规则/经典）
Loh	图像处理	—	无（规则/经典）
UNet	深度学习	MONAI	30 段（600 帧）
SwinUnetV2	深度学习	TIMM	30 段（600 帧）

评估指标：DICE / Jaccard / Recall / Precision（具体数值见论文 Table 3，抓取时点未文本化）。

附录 G：数据集文件字典

内容	格式	说明
原始 HSV 录像	AVI	未压缩，4,000 fps，256×256
760 帧图像	PNG	来自 38 段，每段约 20 帧
手工掩码	PNG	对应 760 帧
分割/FP 结果	PKL	含手工与自动方法
逐患者元数据	JSON	性别/年龄/健康状态
元数据补充	XLSX	表格形态
DL 划分	JSON	30/4/4 段

附录 H：DOBU 加载骨架（代码）

# 读取 760 帧 PNG + 掩码（示意图，路径以实际发布为准）
import glob
import numpy as np
from PIL import Image

img_paths = sorted(glob.glob("GIRAFE/**/images/*.png", recursive=True))
mask_paths = sorted(glob.glob("GIRAFE/**/masks/*.png", recursive=True))
assert len(img_paths) == 760, "应为 760 帧"

def load_pair(ip, mp):
    img = np.array(Image.open(ip).convert("RGB"))      # 256x256x3
    mask = np.array(Image.open(mp).convert("L")) > 0   # 声门裂二值掩码
    return img, mask

附录 I：分割指标计算骨架（代码）

def dice(pred, gt, eps=1e-6):
    inter = (pred & gt).sum()
    return (2 * inter + eps) / (pred.sum() + gt.sum() + eps)

def jaccard(pred, gt, eps=1e-6):
    inter = (pred & gt).sum()
    union = (pred | gt).sum()
    return (inter + eps) / (union + eps)

def recall(pred, gt, eps=1e-6):
    return ((pred & gt).sum() + eps) / (gt.sum() + eps)

def precision(pred, gt, eps=1e-6):
    return ((pred & gt).sum() + eps) / (pred.sum() + eps)

附录 J：BAGLS vs GIRAFE 对照全表

维度	BAGLS	GIRAFE
录像	640	65
健康/障碍/未知	380/262/50	15/26/24
性别	432 女/177 男/31 未标	30 女/20 男
采样率	1,000-10,000 Hz	4,000 fps
分辨率	256×120 - 512×512	256×256
色彩	618 灰度/22 RGB	全彩
内镜	刚性+柔性鼻内镜	刚性 70°
光源	三套	WOLF AUTO LP 5132
辅助播放	无	GAW/GVG/PVG/DKG

附录 K：双口径登记表

#	项	口径 A	口径 B	处理
1	手工标注覆盖	65 段全部（摘要）	38/65 段（方法节）	按方法节 38 段/760 帧
2	名称缩写	Repository（DiB/GitHub）	Dataset（HAL）	双记，同一对象
3	获取态	Freely available（论文）	Restricted（Zenodo）	双记：许可 CC BY-NC / 交付受限
4	GitHub repo	BYO-UPM/GIRAFE（声明）	Andrade-Miranda/GIRAFE（可达）	双记，以可达为准
5	Zenodo DOI	13773163（v2）	3366147（OpenAIRE）	以 13773163 为准
6	BAGLS 计数	380+262=642	论文写 640	按论文原口径加注

附录 L：坑点档案（与 §10 对照）

坑	一句话档案	触发场景
坑 1	手工标注 65 vs 38 覆盖度分歧	引用规模
坑 2	名称 Repository vs Dataset	检索/著录
坑 3	Freely available vs Zenodo Restricted	获取规划
坑 4	单专家标注、无一致性报告	基准解读
坑 5	GitHub repo 名双口径	复现取码
坑 6	BAGLS 计数内部不闭合	对照引用
坑 7	Zenodo DOI 双口径	引用著录
坑 8	PKL 跨语言障碍	非 Python 管线

附录 M：许可条款细读

1. 数据集：CC BY-NC 4.0——署名+非商业；允许修改/再分发（非商业前提下），禁止商用。
2. 论文：CC BY-NC 4.0——可自由阅读下载与再分发（非商业），禁商用/演绎商用。
3. 代码：GitHub README 自述 MIT——宽松许可，允许商用代码（注意：代码许可≠数据许可）。
4. 组合使用：若用代码训练数据得到的模型，模型受数据许可（非商业）约束，不受代码许可的宽泛性覆盖。
5. 引用优先级：用数据引数据集 DOI，用观点引论文 DOI，用代码引 GitHub。

附录 N：检索决策树

你想找什么？
├── GIRAFE 本体论文
│   └── doi:10.1016/j.dib.2025.111376（PMC11872128 开放）
├── 数据集与代码
│   └── Zenodo 10.5281/zenodo.13773163（Restricted）+ GitHub Andrade-Miranda/GIRAFE
├── 声门分割同类对照
│   └── BAGLS（640 段，灰度）—— 库外
├── 内窥镜分割方法对照
│   └── 库内 kvasir-seg(112)/cholecseg8k(233)
└── 嗓音分析对照
    └── 库内 saarbrucken-voice-db(452)/parkinsons-voice-uci(444)

附录 O：维护计划与触发点

触发点	条件	动作	优先级
覆盖度口径澄清	作者修订摘要或元数据	改写 §4、更新坑 1	1
Table 3 数值补齐	下载 PDF/附件取得数值	§5.2 补指标表	2
获取态变更	Zenodo 解除 Restricted	改写 §6、升 AI-Ready 评级	3
后续版本	GIRAFE v3/扩容	更新规模与许可	4
第三方评测	新论文用 GIRAFE 评新模型	§7 追记	5

附录 P：引文规范

@article{andrade2025girafe,
  title   = {GIRAFE: Glottal imaging dataset for advanced segmentation,
             analysis, and facilitative playbacks evaluation},
  author  = {Andrade-Miranda, Gustavo and Chatzipapas, Konstantinos and
             Arias-Londo{\~n}o, Juli{\'a}n D. and Godino-Llorente, Juan I.},
  journal = {Data in Brief},
  volume  = {59},
  pages   = {111376},
  year    = {2025},
  doi     = {10.1016/j.dib.2025.111376}
}

@misc{andrademiranda2024girafe,
  title        = {GIRAFE: Glottal Imaging Dataset for Advanced Segmentation,
                  Analysis, and Facilitative Playbacks Evaluation},
  author       = {Andrade-Miranda, G. and Chatzipapas, K. and
                  Arias-Londo{\~n}o, J. D. and Godino-Llorente, J. I.},
  year         = {2024},
  eprint       = {2412.15054},
  archivePrefix= {arXiv},
  primaryClass = {cs.CV}
}

附录 Q：缩写速查

缩写	全称
HSV	High-Speed Videoendoscopy
FP	Facilitative Playbacks
GAW	Glottal Area Waveform
GVG	Glottovibrogram
PVG	Phonovibrogram
DKG	Digital Kymogram
MW	Mucosal Wave
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability
UPM	Universidad Politécnica de Madrid
LaTIM	Laboratoire de Traitement de l’Information Médicale
INSERM	Institut National de la Santé et de la Recherche Médicale

附录 R：本条目生产档案

• 生产通道：AI-Ready Wikipedia 写手代理 agent-c-girafe
• 存在性核验：WebSearch×2 + WebFetch（arXiv/Zenodo）+ PMC 全文 curl 实抓，三源互证
• FACTS.md：writing/girafe/FACTS.md 九节
• 成稿方式：五块直写拼接（part1-5）
• 坑点：§10 八则（坑 1-8「坑 N：」编号制）
• 互链计划：库内 4 处（slam-3d-endoscopic/kvasir-seg/cholecseg8k/saarbrucken-voice-db）

附录 S：基于本数据集的研究检查清单（12 项）

1. 覆盖度声明：报"38 段手工标注/760 帧"，不报 65 段（坑 1）。
2. 许可核对：CC BY-NC 4.0 禁商用；商用管线换数据源。
3. 获取规划：Zenodo 标 Restricted，下载前先确认授权路径（坑 3）。
4. 单专家风险：明白基线分数反映单一专家风格，非共识真值（坑 4）。
5. 未知健康样本：24 段健康未知须显式处理，勿默认归入任一桶。
6. 测试集规模：仅 80 帧，报告时写明绝对数，避免过度解读差异。
7. 格式转换：PKL 需 Python 读取，非 Python 管线先转换（坑 8）。
8. 色彩利用：充分发挥全彩优势，与灰度数据做染色鲁棒性对照。
9. FP 链路：评测分割时连带量化 FP 表征质量。
10. 指标全报：DICE/Jaccard/Recall/Precision 四项同报，别只挑一项。
11. 引用完整：数据引 DiB 论文，代码引 GitHub，预印本作补充。
12. 时点存照：获取态与覆盖度口径注明抓取时点（2026-10-08）。

附录 T：声带高速视频内镜（HSV）技术背景

理解 GIRAFE 的临床语境，需要知道 HSV 在喉科诊断中的位置：

技术	帧率	能捕捉	局限
常规喉频闪镜（stroboscopy）	约 25-30 fps（视觉合成）	表观振动	依赖周期性假设，非周期发声失真
高速视频内镜（HSV）	1,000-10,000 fps	真实振动逐帧	数据量大、设备贵、需后处理

HSV 的核心优势是不依赖"发声周期性"假设——频闪镜通过人为同步闪光"拼"出振动图像，一旦发声不规则（病理常见），拼出的图像就失真。HSV 逐帧记录真实过程，因此能可靠分析不规则振动、瞬态、破裂等病理征象。GIRAFE 用 4,000 fps 落在 HSV 的典型区间（BAGLS 覆盖 1,000-10,000 Hz 全范围）。

附录 U：辅助播放（FP）的临床解读

FP	读什么	异常提示
GAW（声门面积波形）	面积周期的规律性与幅度	周期不齐、幅度骤降提示病变
GVG（声门振动图）	开合的时空对称性	左右不对称提示单侧病变
PVG（声带振动图）	声带轮廓的振动模式	相位差异常、振动中断
DKG（数字动态喉镜图）	沿轴线的粘膜波传播	粘膜波减弱/消失提示僵硬度上升

FP 的价值是把"人眼难以直读的高速序列"压缩成单张可定量分析的图或波形。这也解释了为什么 FP 质量高度依赖声门分割质量——分割边界一旦偏移，面积、轮廓、传播速度全部失真。

附录 V：四方法基线的技术谱系

方法	年代定位	技术路线	在 GIRAFE 中的角色
InP	经典	图像处理（阈值/形态学类）	历史参照
Loh	经典	图像处理	历史参照
UNet	现代	编码-解码卷积网络	当前 SOTA 代表之一
SwinUnetV2	最新	Swin Transformer 骨干	当前 SOTA 代表之一

四方法并置的方法论意图：给后续研究者一个"跨越十年技术演进"的对照锚点。当你的新方法在 GIRAFE 上跑分时，能同时看到它相对"经典规则"和"现代深度网络"的增量。

附录 W：GIRAFE 与同域数据集的定位矩阵

维度	GIRAFE	BAGLS	库内 kvasir-seg	库内 cholecseg8k
解剖	喉/声带	喉/声带	胃肠	腹腔
模态	HSV 彩色	HSV 以灰度为主	内镜静态	腹腔镜视频
时间维度	4,000 fps 周期	高帧率	单帧	视频帧
分割对象	声门裂	声门裂	息肉	器械/组织
FP 配套	有（4 类）	无	无	无
规模	65 段/760 标注帧	640 段	1,000 图	8,080 帧

GIRAFE 在这张矩阵里的独特点：唯一同时具备"高帧率时间维度 + 彩色 + FP 配套"的条目。

附录 X：标注协议复现骨架（SOP 模板）

阶段 0 采集（临床）
  - 设备：高速摄像机（4,000 fps）+ 70° 硬性内镜 + 稳定光源
  - 内容：持续元音发声，含起音段
  - 匿名化：分配唯一 ID，与病历号分离；专科医师采集，隔绝研究者与患者
  - 伦理：取得伦理审批 + 书面知情同意

阶段 1 手工标注
  - 标注者：声门分割专家
  - 单元：每患者一个完整声门周期（约 20 帧）
  - 产物：逐帧声门裂二值掩码（PNG/PKL）

阶段 2 验证
  - 验证者：耳鼻喉科医师
  - 方式：独立复核手工描摹的正确性

阶段 3 自动分割
  - 经典方法：InP、Loh
  - 深度方法：UNet、SwinUnetV2（MONAI/TIMM）
  - 训练：200 epochs / Adam / Dice loss / lr 2e-4

阶段 4 辅助播放合成
  - 输入：分割结果（AVI 格式）
  - 产物：GAW / GVG / PVG / DKG
  - 工具：Matlab 脚本（随代码库提供）

阶段 5 发布
  - 格式：AVI + PNG + PKL + JSON/XLSX
  - 平台：Zenodo（DOI）+ GitHub（代码）

附录 Y：指标解读守则

1. 四指标同读：DICE 高不代表 Recall 高。分割"过切"（高 Recall 低 Precision）与"欠切"（高 Precision 低 Recall）在 DICE 上可能都表现为中等——必须四项合看。
2. 按患者看分布：GIRAFE 的测试集只有 4 段，全集均值会被个别难例拉偏；论文用箱线图逐患者展示正是这个道理。引用时应报分布而非只报均值。
3. 小测试集慎下结论：80 帧测试集，方法间 1-2 个百分点的差异不具统计显著性——不要据此宣称"A 优于 B"。
4. 金标准是"一位专家"：所有指标衡量的是"与这位专家风格的一致度"，不是绝对正确性（坑 4）。
5. 灰度/色彩口径：若做跨数据集比较（GIRAFE vs BAGLS），须先对齐色彩口径——彩色与灰度输入对分割模型的影响可能大于方法差异本身。

附录 Z：库内互链点登记

条目	rid	互链理由
slam-3d-endoscopic	82	同属内窥镜视频影像
kvasir-seg	112	内窥镜语义分割方法论近亲
cholecseg8k	233	医学视频逐帧分割同族
saarbrucken-voice-db	452	嗓音/语音病理应用域
bridge2ai-voice	66	Voice AI 大规模语音
ua-speech	473	语音/言语数据集
parkinsons-voice-uci	444	嗓音病理分类对照

库外必引对照：BAGLS（声门分割唯一同类公开集中规模更大者）。

---

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-08，抓取与核验时点见附录 A。事实陈述以 Data in Brief 论文（2025;59:111376，PMC11872128）、Zenodo 数据集记录（10.5281/zenodo.13773163）与 arXiv 预印本（2412.15054）为源；手工标注覆盖度双口径、名称缩写分歧、获取态张力、GitHub repo 名双记等原始文档不一致已在坑点与附录 K 存照。条目与库内 slam-3d-endoscopic（82）、kvasir-seg（112）、cholecseg8k（233）、saarbrucken-voice-db（452）等条目互链，构成内窥镜影像与嗓音分析家族的检索面。后续维护触发点见附录 O。

---

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：

• bagls-vf — 共享标签：内窥镜影像 / 医学图像分割 / 语音信号
• coughvid — 共享标签：语音信号 / 生理信号
• sar-rarp50 — 共享标签：内窥镜影像 / 医学图像分割 / 生理信号
• hls-cmds — 共享标签：语音信号 / 生理信号
• kvasir-seg — 共享标签：内窥镜影像 / 医学图像分割
• etis-larib — 共享标签：内窥镜影像 / 医学图像分割
• physionet-cinc-2016 — 共享标签：语音信号 / 生理信号
• torgo — 共享标签：语音信号 / 生理信号
• bridge2ai-voice — 共享标签：语音信号 / 生理信号
• endovis-challenges — 共享标签：内窥镜影像 / 医学图像分割

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