信息速览
INFOBOX — GLENDA 一屏速览
维度 内容 本质 妇科腹腔镜手术视频中子宫内膜异位症（endometriosis）病灶区域标注数据集——疾病特异、帧级+序列级标注 团队 Klagenfurt 大学 ITEC（Leibetseder/Kletz/Schoeffmann）+ LMU Munich 妇产科（S. Keckstein）+ Ulm University（J. Keckstein，视频提供者）；FWF P 32010-N38 资助 论文 MMM 2020（韩国大田）MDRE special session，LNCS 11962, pp. 439-450，doi:10.1007/978-3-030-37734-2_36 数据 v1.0：520 注释/302 注释帧/138 序列/25,682 总帧；v1.5：102 cases/373 帧/628 多边形注释；语料池 400+ 台手术 类别 peritoneum（腹膜）/ ovary（卵巢）/ uterus（子宫腺肌症）/ DIE（深部浸润）/ no pathology（正常对照）——rASRM/Enzian 风格分型 标注形态 v1.0：bbox+binary segment masks；v1.5：逐 case 多边形精细轮廓；标注工具为 ITEC 自研 ECAT（web 端） 基准 发布方 detectron2 基准 mAP ≤0.030（MTA 2022）；HAFF-Net 5 折 mAP@0.5 = 0.291±0.037（2026，v1.5 子集）——诚实高难 阴性对照 no pathology 单独发布：27 cases/13,438 帧，占比绝对主导，体现临床视频真实分布 获取 Zenodo 概念 DOI 10.5281/zenodo.4570964（四文件带 md5）+ 官网 itec.aau.at/glenda；HF 仅第三方重打包镜像 许可 CC BY-NC 4.0（全部文件统一，仅科研非商业） 前后作 前身 LapGyn4（MMSys 2018 四类器官分类）；可视化扩展 GLENDA-VIS；姊妹集 ENID（MTA 2022 对照基准 mAP 0.308） 库内互链 endoscapes(353)/endomapper(428)/endoslam(408)/cholecseg8k(233)/cholect50(223)/autolaparo(313)/gastroendonet(780)/slam-laparoscopic-motions(762)/hyperkvasir(693)/kvasir-capsule(123)/kvasir-instrument(213)/kvasir-seg(112)
条目导航：全文按「是什么（§0-§1）→ 数据与标注（§2-§3）→ 比较与基准（§4-§5）→ 获取许可（§6）→ 生态与方法论（§7-§8）→ 库内关系与避坑（§9-§10）→ 总结决策（§11）→ 工具箱（FAQ/清单/术语/附录）」组织；硬数字集中在 §2 与事实清单，操作集中在 §6 与附录 D/Q/R。
GLENDA 是一个把「手术视频里找病灶」这件事做成数据集的工程：奥地利 Klagenfurt 大学 ITEC 的多媒体计算组与两位妇科临床专家合作，从 400 余台真实妇科腹腔镜手术视频中截取含子宫内膜异位症病灶的帧与序列，由临床专家逐帧标出病灶位置与类型，构成医学视频领域少见的疾病特异性标注集。它不追求规模——v1.0 只有 520 个注释、302 个注释帧——而追求临床分型的严格性：五类标签直接对应 rASRM/Enzian 临床分级体系里病灶的常见部位分型（腹膜、卵巢、子宫、深部浸润），外加一个占比绝对主导的无病灶阴性包。它也不粉饰难度——发布方自己在后续基准论文里给出了 mAP ≤0.030 的低基线，六年后的 SOTA 方法也只推进到约 0.29。
对检索者来说，GLENDA 的价值有三层：想研究手术视频病灶检测/分割的真实难度，它是少数自带诚实基线与临床对齐标签的样本；想研究医学视频标注方法论，它的 ECAT web 标注工具论文（四个月采集期的完整复盘）是活教材；想找妇科微创手术 AI 的训练数据，它是这个稀缺领域里许可清晰（CC BY-NC 4.0）、获取直接（Zenodo 四文件带 md5）的少数选项。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——官方主渠道是 Zenodo 四文件（含 md5 校验值），HF 上的是第三方重打包，别混。
- 关心标注与口径：直奔 §2 数据构成与 §3 标注流水线——v1.0 与 v1.5 统计口径完全不同（坑 2），全篇分开表述。
- 准备刷分：先读 §5 基准评估——mAP 0.03 到 0.29 的难度谱是官方与第三方共同确认的，读懂两套基准的口径差异（坑 7）再定预期。
§0 导读：这个数据集解决什么问题
子宫内膜异位症（endometriosis）是一种常见的妇科疾病——子宫内膜组织出现在子宫腔以外的部位，引起疼痛与不孕。它的临床诊断高度依赖腹腔镜手术中的直视观察：医生在腹腔镜视频画面里辨认病灶的部位与形态，再按 rASRM 分期与 Enzian 分型给出分级。这意味着「腹腔镜视频里的病灶识别」是一个真实的临床需求，但直到 2020 年前后，公开可用的手术视频病灶标注数据几乎为零——手术视频数据集大多围绕术式阶段划分（如 Cholec80 的手术流程）或器械检测（如 m2cai16 工具检测），针对具体疾病病灶的标注集是空白。
GLENDA 的回答分四层。第一层是数据：从 400+ 台真实妇科腹腔镜手术视频（由 Ulm 的 Jörg Keckstein 教授提供）中精选出含病灶的 138 个序列（v1.0），由临床专家标注病灶位置与类型。第二层是分型：五类标签——peritoneum（腹膜）、ovary（卵巢）、uterus（子宫/腺肌症）、DIE（deep infiltrating endometriosis，深部浸润型）——直接对应内异症临床分级中病灶的常见部位分型，外加 no pathology 阴性对照；标签体系与临床实践对齐，而不是计算机视觉里惯常的「物体编号」。第三层是工艺：标注通过 ITEC 自研的 web 标注工具 ECAT 完成，医生在浏览器中逐帧/逐序列工作，整个采集流程在四个月内完成——2025 年的 arXiv:2508.21398 论文完整复盘了这条流水线。第四层是迭代：v1.0（2020，bbox+binary mask）→ v1.5（2021-03，多边形精细轮廓，按 case 组织）→ 官方基准（2022，MTA）→ 第三方方法（2026，HAFF-Net），六年间形成了完整的「数据集-基准-方法」生态链。
对 AI-Ready 视角的检索者，这个数据集还有一重独特的教科书价值：它是「诚实的高难数据集」样本——发布方不回避低基线，后续工作也如实呈现 0.29 量级的 SOTA。在医学影像数据集普遍「排行榜繁荣」的语境下，这种坦诚本身就是稀缺信息：它告诉后来者，手术视频病灶检测的难点（病灶外观多变、类别极不平衡、腹腔镜视觉伪影、阴性样本占比绝对主导）不是靠更大的模型就能轻易碾过去的。
最后给一个结构定位：与任务型手术视频数据集（cholect50 的阶段/器械、autolaparo 的阶段）相比，GLENDA 的标注对象是「病理实体」而非「手术行为」——这使它的标签生命周期更长（疾病分型体系 rASRM/Enzian 十几年不变，而手术流程规范会随技术演进），也使它的评估结论更贴近临床结局而非流程效率。如果你要在「手术行为理解」与「疾病病灶理解」两条技术路线间选边，本条目与 autolaparo(313)、cholect50(223) 的对照阅读（§9）是现成的决策材料。
§0 读法三则：
- 这个条目是「数据集+标注工具论文+基准生态」三合一：本体在 Zenodo（CC BY-NC 4.0），标注方法论在 ECAT 论文（arXiv:2508.21398），难度标尺在 MTA 2022 与 HAFF-Net 两个基准——三者口径不同，引用时别混。
- 全文统计数字均出自官网 v1.0/v1.5 双页统计表与 Zenodo 实抓；两代发布的口径差异（注释/帧/序列 vs case/帧/多边形）已在坑 2 存照，全文不混算。
- 检索时若看到「Aalborg University」与 GLENDA 关联的搜索摘要，那是生成错误——数据集出自奥地利 Klagenfurt 大学 ITEC（坑 8），以官网与 Zenodo 实抓为准。
§1 数据集速览：十问十答
Q1：GLENDA 这个名字是什么的缩写，别和什么混淆？
GLENDA = Gynecologic Laparoscopy ENdometriosis DAtaset（妇科腹腔镜子宫内膜异位症数据集），论文标题为「GLENDA: The ITEC Gynecologic Laparoscopy Endometriosis Dataset」，MMM 2020 收录（LNCS 11962, pp. 439-450）。注意与 ITEC 同组两个近名项目区分：LapGyn4（MMSys 2018）是前身——妇科腹腔镜视频的四类器官分类集（无病灶定位）；GLENDA-VIS 是 GLENDA 的可视化扩展。三者是同一实验室的三代产出，不是一回事（坑 1）。
Q2：数据本体长什么样？
真实妇科腹腔镜手术视频的帧与短序列，来源为 Jörg Keckstein 教授提供的 400+ 台手术语料池。v1.0 发布 138 个序列、共 25,682 帧，其中 302 帧带病灶注释、合计 520 个注释；每帧标注为矩形框（bounding box），随包提供对应的 binary segment masks（二元分割掩码）。no pathology 无病灶对照帧 13,438 帧单独打包发布。
Q3：五类标签是什么、依据什么临床体系？
peritoneum（腹膜病灶）、ovary（卵巢病灶）、uterus（子宫病灶/腺肌症 adenomyosis）、DIE（深部浸润型内异症）、no pathology（无病灶）。前四类对应子宫内膜异位症在 rASRM 分期与 Enzian 分型中的常见病灶部位分型——即临床医生在腹腔镜下实际做的分类判断，而非视觉驱动的任意聚类。第五类阴性对照使「检出+分型」任务可以在同一个数据集上闭环。
Q4：规模到底多大？
分两代口径（不可混算，坑 2）。v1.0：520 注释/302 注释帧/138 序列/25,682 总帧；按类别：peritoneum 402 注释（203 帧，单帧最多 9 个，73 序列，6,470 帧）、ovary 51（48 帧，15 序列，2,478 帧）、uterus 14（8 帧，5 序列，475 帧）、DIE 53（43 帧，18 序列，2,821 帧）、no pathology 13,438 帧。v1.5：102 cases/373 帧/628 个多边形注释（peritoneum 84 cases/257 帧/489、ovary 27/53/54、uterus 11/17/25、DIE 29/55/59），另有 no pathology 单独包 27 cases/13,438 帧。一句话抓重点：真正的监督信号是「数百量级的注释」，两个「大数字」（25,682 总帧与 13,438 阴性帧）都是背景而非监督。
Q5：谁标注的、怎么标注的？
妇科临床专家（LMU Munich 的 Simon Keckstein 与 Ulm 的 Jörg Keckstein）提供病灶判定，标注通过 ITEC 自研的 web 端标注工具 ECAT 完成——医生在浏览器中逐帧/逐序列框选病灶。按 2025 年 arXiv:2508.21398 的复盘论文，整个标注采集期约四个月。这是一条「临床专家直接标注 + CS 团队自研工具支撑」的短流水线，与病理切片领域常见的「学生初注+专家终审」多层流水线是两种不同的工艺路线（§3.4 对照）。
Q6：v1.0 和 v1.5 有什么区别？
两代发布、两套形态。v1.0（2020）：bbox 注释+binary masks，文件按序列组织，另有一个 21.7 MB 的 no_segments_multicolor 可视化轻量包。v1.5（2021-03-01）：升级为逐 case 的多边形（polygon）精细轮廓，classes 版按类别组织、可直接转 COCO/YOLO 等主流格式；no pathology 拆为单独包（867.5 MB）。两代在 Zenodo 同一概念 DOI 下共存，按任务需要选择：检测用 v1.0 口径，分割用 v1.5 口径。
Q7：这个任务有多难？
官方与第三方共同确认的「高难」。发布方自己的 detectron2 目标检测基准（MTA 2022，doi:10.1007/s11042-021-11730-1）在 GLENDA 上 mAP ≤0.030——而同组后续内窥镜数据集 ENID 达 0.308/0.309，差距一个数量级，论文直白呈现了这一点。六年后 HAFF-Net（Frontiers in Medicine 2026）在 v1.5 子集上做 5 折交叉验证，mAP@0.5 = 0.291±0.037（基线 YOLOv8n 为 0.238±0.038）。难点：病灶外观多变、类别极不平衡（uterus 仅 14 注释）、阴性帧占比绝对主导、腹腔镜烟雾/反光/镜头运动伪影。
Q8：许可与获取方式？
全部文件 CC BY-NC 4.0（署名-非商业性使用），仅限科研非商业用途。官方主渠道：Zenodo 概念 DOI 10.5281/zenodo.4570964（版本 DOI 10.5281/zenodo.4570965），四个 ZIP 文件均带官方 md5 校验值；官网 itec.aau.at/glenda 提供统计表与说明。HuggingFace 上有 MFreidank/glenda 镜像（binary/multiclass 双 config 各 13,811 examples），但那是第三方重打包，非 ITEC 官方账号，引用时必须注明（坑 4）。
Q9：它在内窥镜数据集生态里的位置？
它是「手术视频病灶标注」这条线上罕见的妇科样本：前身 LapGyn4 只做器官分类，GLENDA 首次把妇科腹腔镜与疾病病灶分型绑定；同组后续的 ENID 是它的姊妹集（更大规模的内异症检测集）；库内可比对象——endoscapes(353)（结直肠息肉手术风险标注）、cholecseg8k(233)（胆囊切除器官分割）、autolaparo(313)（妇科腹腔镜手术阶段）——共同构成「腹腔镜视频理解」的检索面。胃镜/胶囊镜族（hyperkvasir(693)、kvasir-seg(112) 等）则是「内窥镜病灶分割」的跨模态对照组（§9）。
Q10：它适合我吗？
适合：研究手术视频病灶检测/分割的真实难度与失败模式；需要临床对齐标签（rASRM/Enzian 分型）做妇科 AI；研究医学视频标注方法论（ECAT 流水线）。不适合：需要大规模训练集的团队（正样本仅数百注释）；商业用途（CC BY-NC 4.0 红线）；期待「下载即刷出高分」的排行榜场景——它的价值恰恰在于告诉你这个任务有多难（§11 决策卡）。
Q10 之外的三个高频误区速判：
- 误区一：「25,682 帧都是有标注的数据」——错。25,682 是 138 个序列的全部帧数，带标注的只有 302 帧（v1.0）；把总帧数当标注量写进论文是硬伤。
- 误区二：「v1.5 取代了 v1.0」——错。两代在 Zenodo 并存、口径不同、各有基准锚（v1.0→MTA 2022，v1.5→HAFF-Net），不存在替代关系；选哪个只取决于任务。
- 误区三：「HuggingFace 上 load_dataset 就是用官方数据」——不完全是。HF 上是第三方重打包（13,811 examples 的 patch 口径），与官网统计不可比；正式研究应回落到 Zenodo 四文件。
附：GLENDA 发布与生态时间线（速记版）
| 时间 | 事件 | 载体 |
|---|---|---|
| 2018 | 前身 LapGyn4 发布（四类器官分类） | MMSys 2018 |
| 2020-01 | GLENDA 论文发表（MMM 2020 大田，MDRE session） | LNCS 11962, pp. 439-450 |
| 2020 | GLENDA v1.0 发布（bbox+binary masks；520 注释/302 帧/138 序列） | Zenodo / 官网 |
| 2021-03-01 | GLENDA v1.5 发布（多边形；102 cases/373 帧/628 注释） | Zenodo（版本 DOI 4570965） |
| 2021 | 术后内异症分割工作 | CBMI 2021 |
| 2022 | 官方检测基准（mAP ≤0.030；ENID 对照 0.308） | MTA 2022 |
| 2025-08-29 | ECAT 标注方法论复盘（四个月采集期） | arXiv:2508.21398 |
| 2025 | 组内后续工作 | arXiv:2510.13899 |
| 2026 | 第三方 SOTA（v1.5 子集 mAP@0.5 = 0.291±0.037） | Frontiers in Medicine（HAFF-Net） |
| 2026-10-04 | 本条目抓取与核验时点 | qianfanghub 工作留痕 |
附：五个反直觉事实
在读技术细节之前，先校准五个最容易误判的认知：
- 小不等于不严肃。数百注释的体量在 CV 语料里像玩具，但它是内异症腹腔镜领域唯一的公开标注集——稀缺性使这个规模具备了完整的学术与工程价值。
- 低 mAP 不是数据集的失败，是它的发现。发布方用受控对照（ENID 0.308 vs GLENDA ≤0.030）证明难在数据不在框架，这个「失败数字」反而是论文被持续引用的原因之一。
- 阴性帧比阳性多。13,438 帧无病灶对照 vs 约 1.2 万帧病灶序列——临床探查的真实分布就是阴性主导，任务的本质是「在大量正常里找少数异常」。
- 标注者是领域权威本人。视频提供者 Jörg Keckstein 是内异症手术领域的知名专家——标签的上限由他的专业判断决定，这在医学数据集里是最强的标签可信度信号之一。
- 它比你想象的便宜。四个文件共约 2.6 GB、无注册无申请、带官方校验值——获取成本几乎为零，真正的成本在读懂数字口径（坑 2/坑 7）。
§2 数据构成与规格
2.1 两代发布总览与口径声明
GLENDA 在 Zenodo 同一概念 DOI（10.5281/zenodo.4570964）下有两代正式发布：v1.0（2020，随 MMM 2020 论文同步）与 v1.5（2021-03-01）。两代统计口径完全不同——这是检索本数据集时最容易踩的坑，本条目全文坚持分开表述：
| 维度 | v1.0（2020） | v1.5（2021-03-01） |
|---|---|---|
| 计数单位 | 注释（annotation）/ 注释帧 / 序列 | case / 帧 / 多边形注释 |
| 标注形态 | 矩形框（bbox）+ binary segment masks | 逐 case 多边形（polygon） |
| 组织方式 | 按序列组织，含病灶类型目录 | classes 版按类别组织、逐 case 划分 |
| 总规模 | 520 注释 / 302 注释帧 / 138 序列 / 25,682 总帧 | 102 cases / 373 帧 / 628 注释 |
| 阴性对照 | no pathology 13,438 帧（单独包） | no pathology 27 cases / 13,438 帧（单独包） |
| 适配任务 | 目标检测（MTA 2022 基准口径） | 分割（HAFF-Net 2026 基准口径） |
读表守则：v1.0 的「25,682 总帧」是 138 个序列的全部帧数（含大量无注释帧），「302 注释帧」才是真正带标注的帧；v1.5 的「102 cases」是病例级组织单位，628 是多边形个数。任何把两列表格里的数字相加、相除或并列比较的做法都是口径错误（坑 2）。
2.2 v1.0 类别明细：一个极度不平衡的病灶画像
官网 v1.0 统计表全表转录（注释数 / 注释帧数 / 单帧最多注释 / 序列数 / 序列总帧数）：
| 类别 | 注释数 | 注释帧数 | 单帧最多注释 | 序列数 | 序列总帧数 |
|---|---|---|---|---|---|
| Peritoneum（腹膜） | 402 | 203 | 9 | 73 | 6,470 |
| Ovary（卵巢） | 51 | 48 | 2 | 15 | 2,478 |
| Uterus（子宫/腺肌症） | 14 | 8 | 3 | 5 | 475 |
| DIE（深部浸润型） | 53 | 43 | 3 | 18 | 2,821 |
| 合计（病灶类） | 520 | 302 | 9 | 138 | 12,244 |
| No pathology（无病灶） | — | — | — | — | 13,438 |
三个结构事实值得在动手前看清。其一，peritoneum 一类独大：402/520 ≈ 77% 的注释是腹膜病灶，这与内异症的临床流行病学一致（腹膜是最常见的种植部位），但对训练者意味着其余三类是典型的小样本问题——uterus（腺肌症）仅 14 个注释、8 个注释帧，任何按类别拆分的评估在这个量级上都不稳定。其二，单帧多病灶集中在 peritoneum：单帧最多 9 个注释，说明腹膜病灶常成片出现，bbox 重叠与 NMS 阈值的选择会实质影响检测指标。其三，阴性帧略多于阳性序列总帧（13,438 vs 12,244），且阴性包独立发布——这使得「先检出、再分型、再排除阴性」的三段式实验设计可以自由组合。
三类主要病灶的临床画像速写（帮助 CV 研究者建立视觉直觉）：腹膜病灶多为表浅种植灶，术野中呈红/黑/白多色小斑点状（「火焰样」「粉末样」外观），散布于盆腔腹膜面，与正常腹膜的血管纹理有时难以区分——这正是 peritoneum 单帧可有多达 9 处注释的原因；卵巢病灶常表现为子宫内膜异位囊肿（巧克力囊肿）的囊壁与粘连面，术野中体积大、边界相对清晰但常与输卵管肠管粘连视角受限；DIE则深藏在腹膜下（直肠阴道隔、膀胱子宫陷凹等），表面可能只见轻微凹陷或粘连，深部范围靠触诊与经验判断——这是五类中视觉线索最弱、最依赖临床推理的类别。这三张速写解释了为什么「同是内异症」的类别间检测难度差异如此之大。
2.3 v1.5：从矩形框到多边形的工艺升级
v1.5（2021-03-01）的核心变化是把标注形态从 v1.0 的矩形框升级为逐 case 的多边形精细轮廓，统计单位也随之改为 case。官网 v1.5 统计表转录：
| 类别 | cases | 帧 | 多边形注释 |
|---|---|---|---|
| Peritoneum | 84 | 257 | 489 |
| Ovary | 27 | 53 | 54 |
| Uterus | 11 | 17 | 25 |
| DIE | 29 | 55 | 59 |
| 合计 | 102* | 373 | 628 |
| No pathology（单独包） | 27 | 13,438 | — |
注：合计行按官网口径转录；类别 cases 相加为 151，与 102 的差异源于官网的 case 计数口径（一例可含多类病灶，按 case 去重计 102），使用时以官网表原文为准、勿自行改写。
v1.5 classes 版按类别目录组织，标注文件为多边形坐标，工程上可以直接转写为 COCO 或 YOLO 分割格式——这使 v1.5 成为医学视频领域少有的「开箱即可训分割模型」的数据集之一（多数手术视频集止步于 bbox 或阶段标签）。相对地，v1.0 的价值在于它是 MTA 2022 官方基准的口径，任何与官方基线（mAP ≤0.030）的对比都必须用 v1.0 复现。
2.4 no pathology 阴性包：为什么单独发布、为什么重要
阴性对照帧 13,438 帧单独成包（v1.0 与 v1.5 共用同一份口径），这个设计有三个意图。第一，反映临床真实分布：一台内异症手术探查过程中，绝大部分视野里并没有典型病灶，阳性窗口是稀疏事件——阴性占比绝对主导是任务的本质属性，不是数据缺陷。第二，支撑三段式任务设计：可以把阴性包用作二分类（有/无病灶）的负类、目标检测的背景帧采样池、或假阳性率评估的独立测试集，三种用法对应三份不同的实验方案。第三，发布工程考虑：阴性包 867.5 MB，与病灶包（28.0 MB）体量差一个数量级以上，拆开使只需要阳性的使用者不必下载阴性体量。
使用警示：把 628 个多边形注释（v1.5）与 13,438 阴性帧放进同一指标口径时要清醒——「帧级阴性准确率」会是一个 99% 量级但几乎无信息量的数字，评估设计应以病灶级或 case 级指标为主。
2.5 文件资产清单：四个 ZIP 与它们的角色
Zenodo 发布页（概念 DOI 10.5281/zenodo.4570964）共挂四个文件，文件名、体量与官方 md5 原样转录（大小写照抄——官方命名不统一，坑 6）：
| 文件名（原样） | 体量 | md5 | 角色 |
|---|---|---|---|
GLENDA_v1.0.zip |
1.7 GB | d711fce9e0c6b6425633331bb36793d0 | v1.0 主包：序列帧图 + bbox 注释 + binary masks |
GLENDA_v1.0_no_segments_multicolor.zip |
21.7 MB | 63bce79e88ee6c0df84db95ce5f9ba70 | v1.0 轻量可视化包：无分割掩码、多色标注渲染 |
Glenda_v1.5_classes.zip |
28.0 MB | 52a1f31264cf67ea02c0ce07e7338dc2 | v1.5 主包：逐 case 多边形、按类别组织 |
GLENDA_v1.5_no_pathology.zip |
867.5 MB | 7810e51a990b09b466187d4a420be582 | v1.5 阴性对照包：27 cases / 13,438 帧 |
角色分工的实用读法：只想看标注长什么样——下 21.7 MB 的 multicolor 包即可通览；做检测基准复现——1.7 GB 的 v1.0 主包；做分割——28.0 MB 的 v1.5 classes 包加 867.5 MB 阴性包；全部四个文件合计约 2.6 GB，一次完整镜像并不昂贵。
2.6 HF 第三方镜像的口径：能省事、不能当官方数
HuggingFace 上存在 MFreidank/glenda 镜像（cc-by-nc-4.0 标签），提供 binary 与 multiclass 两个 config，各 13,811 个 train examples，下载体量 895,554,144 bytes；multiclass 类名沿用 rASRM 风格编码（如 6.1.1.1_Endo-Peritoneum）。三点必须澄清：其一，这是第三方用户（MFreidank）的重打包，不是 ITEC 官方账号，发布方对其中任何转换错误不背书（坑 4）；其二，13,811 examples 是重打包者自己的 patch/切分口径，与官网「25,682 帧 / 302 注释帧」不可比；其三，若用于正式研究，应以下载 Zenodo 四文件并跑通 md5 校验为正途，HF 镜像只作快速原型或只读预览。
2.7 图像与序列规格的使用指引
官方页面未对帧分辨率、编码与色彩空间做统一的独立声明（这些属性随原始手术视频而异），因此使用指引以「实测优先」为原则：解包后先抽验每类若干帧，记录实际分辨率与色彩分布，再决定 resize/裁剪策略——bbox 与多边形坐标都以原始帧尺寸为参照，任何缩放都要同步变换坐标，混合分辨率批次直接 resize 是坐标错位的头号来源。
序列结构的利用是被多数使用者忽略的加分项：v1.0 的 138 个序列保留了帧间时序连续性，这意味着——其一，划分数据集必须按序列切（同序列相邻帧几乎相同，帧级随机划分=训练测试泄漏）；其二，时序上下文可以用于半监督或测试时增强（同一病灶在相邻帧的多视角外观）；其三，阴性包的 13,438 帧同样成序列组织，做时序假阳性分析时可以区分「瞬时误检」与「持续误检」。
另外两个工程细节：腹腔镜帧普遍存在烟雾、反光与镜头污渍，色彩归一（如 CLAHE 或直方图匹配）对跨视频一致性有帮助，但要作为实验变量报告而非默默使用；GLENDA 不标注手术器械，视野中的器械与灯光是天然的遮挡噪声，做器械抑制预处理时要意识到这是「无监督的辅助任务」，其错误不会反映在 GLENDA 指标里。
2.8 与主流训练生态的兼容性
把 GLENDA 接进主流训练栈的摩擦点与对策：COCO 用户（detectron2/mmdetection）——v1.5 多边形直接映射 segmentation 字段、v1.0 bbox 映射 bbox 字段，类别表用四类病灶+显式声明阴性帧不进 COCO（阴性作为背景图策略单独处理）；YOLO 用户（ultralytics）——v1.5 归一化多边形点列文本、v1.0 归一化框文本，注意 no pathology 包单独成目录，YAML 里以空标注图方式纳入；HF datasets 用户——官方无官方数据集卡，第三方 MFreidank/glenda 的 schema 是重打包者自定义（类名形如 6.1.1.1_Endo-Peritoneum 的 rASRM 风格编码），用前读其加载脚本核对切分逻辑；mmseg/分割栈——v1.0 的 binary mask 可直接转单通道 PNG，v1.5 多边形光栅化时注意抗锯齿关闭（保持标签二值性）。
一个诚实提醒：以上转换在社区中有多个非官方实现流传，但官方没有提供任何转换脚本——附录 G 的骨架是本条目自制的参考实现，采用前先可视化抽验（每类至少 3 帧），坐标错误在训练中不会报错、只会悄悄拉低指标。
给 HF 镜像用户的字段速查（MFreidank/glenda，重打包 schema，仅作预览参照）：
| 项 | 值 |
|---|---|
| configs | binary / multiclass 各一 |
| train examples | 各 13,811 |
| 下载体量 | 895,554,144 bytes |
| multiclass 类名风格 | rASRM 风格编码，如 6.1.1.1_Endo-Peritoneum |
| 许可标签 | cc-by-nc-4.0 |
| 官方背书 | 无（第三方重打包，坑 4） |
2.9 动手前的五个自问
以下五问各对应本条目的一节，动手前过一遍可以省掉最常见返工：
- 我要解决的是检测还是分割？→ 决定用 v1.0 还是 v1.5（§2.1）。
- 我的指标会不会被 peritoneum 独大稀释？→ 决定按类报告方案（§2.2）。
- 阴性包在我的实验里扮演什么角色？→ 训练负类、背景采样池或独立假阳性测试集，三选一要显式（§2.4）。
- 我的数据划分是按序列还是按帧？→ 按帧即泄漏（§2.7）。
- 我的用途撞不撞 NC 红线？→ 商业场景先停（§6.2）。
2.10 一个常见误用的病理分析
社区里偶见「GLENDA 上 mAP 轻松 0.5+」的私下报告，几乎全部可以归因到同一种错误：帧级随机划分导致同序列相邻帧同时出现在训练与测试集——腹腔镜视频相邻帧几乎逐像素相同，等于把测试答案抄给了模型。这个误用的流行恰好反证了序列结构的重要性（§2.7）：GLENDA 不是「图片太多分不过来」，而是「序列是原子单位、帧不是」。附录 R 的排查表第一条就是它。本条目在此显式登记该模式，供审稿与复现时对照。
2.11 数据字典重建：已知、未知与合理推断
GLENDA 没有独立的字段级数据字典文档（§6.3 的扣分项）。为节省使用者的摸索时间，这里把官方材料中可确认与不可确认的信息做三分登记——已确认（官网/论文/Zenodo 明载）、待实测（官方未写、解包即知）、合理推断（基于官方描述的谨慎外推，使用前必须验证）：
| 字段/属性 | 状态 | 内容与处置 |
|---|---|---|
| 类别体系（5 类命名与语义） | 已确认 | peritoneum/ovary/uterus/DIE/no pathology，rASRM/Enzian 对齐（§2.2/§2.3） |
| v1.0 标注形态 | 已确认 | bbox + 随包 binary segment masks |
| v1.5 标注形态 | 已确认 | 逐 case 多边形，classes 版按类别组织 |
| 版本共存关系 | 已确认 | Zenodo 概念 DOI 下 v1.0/v1.5 并存不覆盖 |
| 许可 | 已确认 | 四文件统一 CC BY-NC 4.0 |
| 阴性包规模 | 已确认 | 13,438 帧（v1.5 口径 27 cases） |
| 帧分辨率 | 待实测 | 官方未统一声明；解包抽验每类若干帧再定 resize 策略（§2.7） |
| 标注文件的具体格式 | 待实测 | bbox 坐标格式/多边形点序/掩码编码以解包为准，先肉眼确认 1-2 个样本 |
| 图像编码格式 | 待实测 | 以解包实测为准（第三方描述可能过时，§6.5） |
| 序列-帧对应关系 | 待实测 | 官方统计表有序列数，包内目录结构解包确认 |
| 「no_segments_multicolor」的确切含义 | 已确认（名称层） | 无分割掩码、多色标注渲染的轻量可视化包；内部文件组织待实测 |
| v1.5 case 与 v1.0 序列的对应关系 | 合理推断 | 大概率存在病例级溯源但官方未给映射表；勿假设可无损互转 |
| 标注时间戳/标注者 id | 合理推断 | ECAT 后台有此类信息（论文流程描述），但发布包是否含未证实；不要在包内找「每注谁标的」 |
| 手术元数据（患者年龄/分期等） | 合理推断（否定） | 官方材料未提及患者级临床元数据发布；按「无」设计实验，缺的临床关联变量需外部合作补 |
使用规则：待实测项在 Day-1 SOP（附录 Q）步骤 4 一并完成；合理推断项写成实验假设并在论文方法节声明验证方式。这张表本身欢迎随解包实测更新——更新时同步修订附录 K。
§3 标注流水线与 ECAT：一条临床专家直标的短流水线
3.1 人员结构：CS 与临床的三方分工
GLENDA 的生产链条横跨三个机构、两种专业：Klagenfurt 大学 ITEC（Leibetseder、Kletz、Schoeffmann）负责数据集工程、工具研发与论文；LMU Munich 的 Simon Keckstein（妇产科）与 Ulm University 的 Jörg Keckstein（妇产科）负责临床侧——Jörg Keckstein 是 400+ 台手术视频的提供者，也是内异症手术领域的知名临床专家。作者五人（3 CS + 2 医生）的配置决定了流水线的形态：没有中间标注层级（无学生初注、无众包），病灶判定与标注由临床专家直接完成，CS 侧的职责是把工具做到医生顺手。
与病理切片领域（如 PANDA-PLUS 的学生注释→复核→专家终审三层流水线）对比，这是两种典型的工艺路线：病理 WSI 数量大、单张判读慢，适合分层省专家时间；手术视频阳性样本稀疏、单帧判读快（临床专家一眼即断病灶类型），专家直标的总成本反而可控。GLENDA 用四个月的采集期证明了这条短流水线的可行性。
3.2 ECAT 工具：web 端标注怎么跑
ECAT（ITEC 自研的 web-based annotation tool）是 GLENDA 标注的生产工具，其设计围绕一个约束：让妇科专家在浏览器里完成全部工作，不安装本地软件、不接触文件系统。工作流按官网与 arXiv:2508.21398 的复盘归纳：医生登录后从视频序列中定位含病灶的片段，逐帧（或逐序列）框选病灶区域并赋类别标签（五类之一）；v1.0 阶段以矩形框为输出形态，系统同步生成对应的 binary segment masks；工具同时维护注释与帧、序列的对应关系，官网统计表（§2.2/§2.3）即由此生成。
这条 web-first 路线在 2020 年的医学影像标注工具谱系里是超前的选择——同期的医学标注工具多以桌面单机（如 ITK-SNAP、LabelMe 变体）为主，web 端工具天然带来版本统一、进度可视、多人协作与审计追踪四项收益，也是 ECAT 论文复盘时着重强调的可复制资产。
3.3 四个月采集期：一条可以对照排期的时间线
arXiv:2508.21398（2025-08-29，Schoeffmann 提交）给出了完整的采集复盘：GLENDA 的标注采集期约四个月——从 400+ 台手术视频的语料池筛选，到 ECAT 上的逐帧标注，到统计表定稿与 v1.0 发布（2020 年 1 月 MMM 会议同步）。把它换算成产能读数：302 个注释帧、520 个注释，来自临床专家在四个月中的碎片时间投入——注意这不是全职工作量（临床专家不可能全职标注），它说明的是「专家直标 + 顺手的工具」模式在临床合作项目里的现实节奏：数月尺度、数百注释量级。
对计划自建同类数据集的团队，这条时间线提供了三个排期锚点：语料池筛选（从 400+ 台中定位病灶片段）与正式标注（ECAT 逐帧）是两段独立工作；标注工具的开发/定制要在采集期开始前完成；统计表与发布页的准备可与标注后期并行。一个反面对照帮着把预期校准：四个月产出数百注释的节奏，意味着「三个月建一个万级手术视频病灶数据集」类立项陈述在这个领域不成立——除非把标注决策权下放给非专家（那会牺牲 GLENDA 最重要的资产：标注权威性），或者把病灶定义放宽到器官级（那会退回 LapGyn4）。规模、权威、速度三者在这个疾病域里至多取二。
3.4 标注形态演进：bbox → polygon 的两代逻辑
v1.0 选 bbox、v1.5 升级 polygon，这个演进顺序不是随意的技术升级，而是「先建任务基线、再深化标注精度」的工程决策。bbox 的标注成本低、判定快，适合在采集期首轮快速铺量并同步建立官方检测基准（MTA 2022）；polygon 需要沿病灶轮廓逐点勾勒，成本高数倍，但在分割任务上的监督价值完全不同——内异症病灶边界模糊（尤其腹膜表面的火焰状病灶），矩形框内大量背景像素会把分割监督稀释掉。
两代并存在 Zenodo 同一概念 DOI 下（不覆盖、不替代），使不同任务各取所需：检测对比引 v1.0 口径，分割训练用 v1.5 口径。这种「保留旧口径 + 追加新精度」的版本策略，与许多数据集「新版一出旧版下架」的做法相比，对基准连续性更友好——六年后的 HAFF-Net（2026）仍在用 v1.5 子集发布结果，说明双轨生态是活的。
3.5 临床对齐与标注质量的边界
GLENDA 标签体系的最大特色是与 rASRM/Enzian 临床分级对齐：五类直接是临床医生在术中判断的病灶部位分型，不是视觉驱动的再聚类。这带来两个直接收益——标签对临床研究者可解释（类别即临床语言），对模型输出的下游评估有临床锚点（检测出的「DIE」对应一个真实临床实体）。
但边界也要如实陈述：官方发布未附观察者间一致性数据（无第二标注者重复标注的 kappa 报告），标注以单中心专家为准；「uterus（腺肌症）」的腹腔镜下诊断本身在临床上有争议（腺肌症确切诊断常需病理），14 个注释的量级也使该类难以支撑独立评估。使用者在论文中陈述 GLENDA 标签时，宜写「临床专家标注、rASRM/Enzian 对齐」，不要写成「ground truth 经多专家共识」——后者是发布中没有支撑的表述。
3.6 标注一致性的推断与风险控制
没有官方一致性数据不等于无法管理风险，三个推断与对策：其一，标注者是内异症领域权威临床专家（Jörg Keckstein 是该病手术治疗的知名专家），病灶判定本身的专业上限高，但单标注者的一致性上限（同一人前后判读稳定性）仍无数据——对策：自己的实验里对测试子集做标注者内复测（intra-rater）抽样，成本可控；其二，类别边界最模糊处大概率在 peritoneum 与 DIE 之间（浅表种植与深部浸润在术野里是连续谱）——对策：分析类别间混淆矩阵时把这对混淆单独解释，不要把它渲染成模型失败；其三，bbox 与 mask 的生成关系（v1.0 框+掩码同步产生）意味着掩码边界精度受框选工艺影响——对策：分割训练优先用 v1.5 多边形，v1.0 掩码作辅助监督。
3.7 与库内标注工艺的横向对照
把 GLENDA 的工艺放进本库数据集的标注工艺谱里看：
| 条目 | 标注者 | 工具路线 | 监督形态 | 一致性证据 |
|---|---|---|---|---|
| GLENDA（本条目） | 临床专家直标 | 自研 web 工具 ECAT | bbox→polygon 两代 | 未公布 |
| cholecseg8k(233) | 研究者标注管线 | 视频帧采样+像素掩码 | 12 类器官像素掩码 | 未公布 |
| endoscapes(353) | 临床参与标注 | 多任务标注框架 | 框+风险分级 | 有质控描述 |
| kvasir-seg(112) | 医生+工程师协作 | 公开工具 | 息肉像素掩码 | 未公布 |
| PANDA-PLUS（库外参照） | 学生+专家三层 | QuPath | 像素级 RGB | agreement/κ 全套 |
这组对照的方法论读数：GLENDA 是谱系里「标注者专业度最高、流程层级最少」的一端——当标注决策的临床门槛高（是不是 DIE？）而标注量可控（数百注释）时，这是性价比最优解；一旦标注量上到万级（如 cholecseg8k 的 8k 像素掩码帧），就必须换分层流水线。两种工艺没有高下，只有适配。
3.8 ECAT 作为可复制资产的边界
ECAT 论文把工具与流程写成了可引用的方法论，但复制它有三个现实边界：其一，工具本体未开源发布（截至抓取时点）——复盘论文给的是设计决策与流程描述，不是可部署的代码库；其二，工具与任务耦合——ECAT 的界面与工作流围绕 GLENDA 的五类病灶框选设计，迁移到其他疾病域要重新做标注任务建模；其三，流程的可复制部分是「模式」而非「软件」——web-first、专家直标、统计表后台沉淀这三条模式原则可以指导自建，但具体实现要自己写。诚实的预期：读 ECAT 论文能省掉设计弯路（约一周的决策时间），省不掉开发工作量。若团队需要开箱即用的替代品，通用 web 标注工具（CVAT/Label Studio 类）可以实现同等模式，代价是统计表与临床工作流的定制深度。
§4 比较发现：GLENDA 在内窥镜数据集景观中的坐标
4.1 与同组三代产出：LapGyn4 → GLENDA → ENID
ITEC 的内窥镜数据集工作是一条清晰的演进线，三代表格对照：
| 维度 | LapGyn4（MMSys 2018） | GLENDA（MMM 2020） | ENID（MTA 2022 对照） |
|---|---|---|---|
| 任务 | 器官分类（4 类） | 病灶检测/分型（5 类） | 内异症病灶检测（更大规模） |
| 标注形态 | 视频级类别标签 | bbox+mask（v1.0）/ polygon（v1.5） | 检测框 |
| 疾病特异性 | 无（器官级） | 有（内异症五分型） | 有 |
| 基准表现 | 分类任务 | mAP ≤0.030 | mAP 0.308/0.309 |
读这张表的关键是 ENID 一列：同一团队、同一疾病域、detectron2 同一框架，ENID 的 mAP 是 GLENDA 的十倍量级。这个对照是 MTA 2022 论文里官方摆出来的证据，它把「GLENDA 难」从一句定性判断变成了受控变量下的定量事实——差距不在框架与训练配方，而在数据本身的判定难度（GLENDA 的精选注释帧偏难例）。另外还有一个 GLENDA-VIS（GLENDA 的可视化扩展）与一篇 CBMI 2021 术后内异症分割工作，共同构成 ITEC 在这个疾病域的完整布局；arXiv:2510.13899（2025）则是组内最新延续。
4.2 与库内腹腔镜/手术视频族的横向对比
把 GLENDA 放进本库「腹腔镜手术视频」条目族里看，各自的定位差异一目了然：
| 条目 | 模态与器官 | 标注类型 | 主任务 | 与 GLENDA 的关系 |
|---|---|---|---|---|
| endoscapes(353) | 结直肠手术视频 | 息肉框+风险分级 | 检测+风险评估 | 同为手术视频病灶级标注；endoscapes 规模更大、含临床风险维度 |
| cholecseg8k(233) | 胆囊切除视频帧 | 像素级器官分割（12 类） | 语义分割 | 分割监督的对照组：器官分割 vs 病灶分割 |
| cholect50(223) | 胆囊切除视频 | 阶段+器械+VQA | 流程理解 | 流程理解路线代表，无病灶标注 |
| autolaparo(313) | 妇科腹腔镜手术视频 | 手术阶段标注 | 阶段分割 | 同为妇科腹腔镜模态，任务轴正交（流程 vs 病灶） |
| endomapper(428) | 腹腔镜全流程 | 多类型（阶段/器械/器官） | 手术场景理解 | 多任务全景 vs 单疾病深耕 |
| endoslam(408) | 腹腔镜视频 | SLAM 定位标注 | 定位与建图 | 几何感知路线，与病灶语义互补 |
| gastroendonet(780) | 内窥镜影像 | 多任务标注 | 内窥镜 AI 通用 | 模态族内参照 |
| slam-laparoscopic-motions(762) | 腹腔镜视频 | 运动轨迹 | 运动分析 | 技能评估视角 |
这八条横向关系给出一幅分工图：手术视频数据集的标注轴可以从流程（cholect50/autolaparo）、器械（endomapper）、几何（endoslam/motions）一直切到疾病病灶（endoscapes/GLENDA）。GLENDA 占据的是最后一格，而且是在妇科这个最缺数据的模态里。读表三则：第一，同一列里比较「规模」意义有限——各集统计单位不同（帧/case/序列/手术），先看本条目 §2.1 的口径声明再看别家的口径定义；第二，「标注类型」列是最有信息量的一列——它决定了你能做哪类任务，框/掩码/阶段标签的监督含量完全不同；第三，找「同类竞品」应聚焦病灶标注那一行（endoscapes），找「同模态互补」看妇科行（autolaparo），找「预训练源」看流程行（cholect50/autolaparo）——三种检索意图对应三个不同的行，别混。
4.3 与胃镜/胶囊镜病灶族的跨模态对照
胃镜/胶囊镜族（hyperkvasir(693)、kvasir-seg(112)、kvasir-capsule(123)、kvasir-instrument(213)）与 GLENDA 同属「内窥镜影像+病灶标注」大类，但视觉与任务属性差异显著：
- kvasir-seg：1000 张息肉图像+像素级掩码，是内窥镜分割的入门基准——mIoU 普遍能到 0.8+，与 GLENDA 的 0.29 量级 mAP 形成「同一大类、两个难度世界」的鲜明对照。
- HyperKvasir：万张级胃镜图像+标注子集，上消化道、STATIC 图像为主，病灶类型多（息肉/溃疡/食管炎等）但视觉相对稳定。
- Kvasir-Capsule：胶囊内镜视频帧，与 GLENDA 共享「视频帧流+稀疏阳性」的属性，但无手术伪影。
- Kvasir-Instrument：器械分割，对应 GLENDA 视野里的器械遮挡问题（GLENDA 本身不标器械）。
跨模态结论：如果把「内窥镜病灶检测的难度谱」排一条轴，静态胃镜（kvasir 系）在低端、动态手术视频（GLENDA/endoscapes）在高端——腹腔镜的烟雾、反光、镜头快速运动、组织变形与出血伪影是胃镜不具备的难度源。需要「由易到难」课程式训练或难度分层的评测设计时，这两族数据集天然构成梯度。
这条难度谱还有一个常被忽视的推论：在低端数据集上的方法论结论不能上推。kvasir 系上「注意力模块带来 2 个点提升」的结论，到 GLENDA 上可能完全失效——因为低端数据集的误差预算里背景与易例占大头，方法增益被稀释；而 GLENDA 的误差集中在难例与混淆边界上，需要的是不同的方法杠杆（多帧时序、临床先验、注意力机制恰好可能有效）。这解释了为什么手术视频检测论文需要一个独立的「难数据集」章节而不是引用胃镜结果——也再次说明 GLENDA 在评测生态里不可替代的位置。
4.4 比较读法的四条守则
- 不跨口径比指标：kvasir 系的 mIoU、GLENDA 的 mAP、cholect50 的阶段准确率是三种不可互比的数字；比较只在同数据集同口径内成立。
- 区分「规模大」与「监督密」：cholecseg8k 8k 帧像素级监督密；GLENDA 25,682 帧但注释帧仅 302（v1.0）——引用规模时注明注释密度。
- 疾病域不是并列维度：GLENDA/ENID 是内异症专集，endoscapes 是息肉专集，混称「手术视频数据集」会掩盖标签体系差异。
- 许可先于技术比较：本节所有条目许可各异（GLENDA 与部分库内条目为 NC 系），任何要合并使用的数据组合先过许可关（§6.2）。
4.5 可组合实验设计：跨数据集的正确打开方式
跨条目使用时，真正可组合的是「方法迁移」而非「数据合并」（各集视频零重叠、许可不一）。三套被验证可行的组合设计：其一，由易到难课程——kvasir-seg(112)（静态息肉分割）→ cholecseg8k(233)（手术视野器官分割）→ GLENDA v1.5（手术视野病灶分割），逐级预热分割头的鲁棒性，终点任务在 GLENDA 上评估；其二，同模态正交预训练——autolaparo(313) 的阶段分割或 cholect50(223) 的流程理解做编码器预训练，再在 GLENDA 上微调病灶检测头，检验「流程知识是否迁移为病灶线索」；其三，风险双维评估——endoscapes(353) 的风险分级与 GLENDA 的病灶分型各测一维，组合成「手术视频 AI 的临床可用性双轴」叙事。三套设计共同的纪律：每个数据集单独报告口径、不合并许可冲突的衍生数据（§4.4 守则 4）。
§5 基准评估史：从 mAP 0.030 到 0.291 的六年
5.1 MTA 2022：发布方自己的诚实低基线
GLENDA 的首个正式基准来自发布方自己：Multimedia Tools and Applications（MTA）2022 论文（doi:10.1007/s11042-021-11730-1），在 detectron2 框架下对 GLENDA v1.0 做目标检测基准。结果直白得少见：GLENDA 上 mAP ≤0.030；作为对照，同组在同文里对姊妹集 ENID 跑同框架得 mAP 0.308/0.309。
这组数字的学术价值在于它是受控对照：同一团队、同一框架、同一疾病域、相近任务设定，唯一的显著变量是数据集本身。作者据此把 GLENDA 的难点归因为数据属性——精选注释帧偏难例、病灶外观多变（同类型病灶在不同术野下形态差异大）、类别极不平衡、腹腔镜视觉伪影密集。对使用者，这个低基线是一份「预期管理」礼物：你在 GLENDA 上得到 0.05 的 mAP 不是你错了，是这个任务本来就在这个量级起步。
5.2 HAFF-Net 2026：六年后 SOTA 的位置
2026 年 Frontiers in Medicine 的 HAFF-Net 工作（doi:10.3389/fmed.2026.1875077）给出了六年后的最新读数：在 GLENDA v1.5 子集（373 帧/102 cases）上做子宫内膜异位症检测，5 折交叉验证 mAP@0.5 = 0.291±0.037，基线 YOLOv8n 为 0.238±0.038；held-out 测试 recall 0.268。HAFF-Net 的架构贡献（混合注意力与特征融合）带来了相对 YOLOv8n 约 5 个百分点的提升，但绝对量级仍在 0.3 之下。
这张六年对照表（0.030 → 0.291）是本条目最有信息量的叙事之一：方法迭代与新架构（detectron2 → YOLOv8 → 注意力融合网络）确实在推进，但推进的斜率远低于同期自然图像或胃镜数据集上的斜率——再次印证难点在数据侧而非方法侧。
5.3 两套基准的口径对照：不可直接互比
两个基准的数字常被误读为「六年间提升十倍」，实际口径差异巨大，逐项对照：
| 维度 | MTA 2022 基准 | HAFF-Net 2026 |
|---|---|---|
| 数据版本 | v1.0（bbox 注释） | v1.5 子集（373 帧/102 cases） |
| 任务形态 | 目标检测（detectron2） | 目标检测（mAP@0.5 口径） |
| 验证方案 | 官方划分 | 5 折交叉验证 |
| 指标 | mAP ≤0.030 | mAP@0.5 = 0.291±0.037（YOLOv8n 0.238±0.038） |
三处口径差使两个数字不可直接相除得出「提升十倍」：数据版本不同（v1.0 bbox vs v1.5 case 子集）、指标定义不同（mAP 与 mAP@0.5 的 IoU 阈值约定可能不同）、评估协议不同（官方划分 vs 交叉验证）。正确的说法是：两个基准各自在自己的口径内建立了难度标尺——前者给 v1.0 检测定了 ~0.03 的起点，后者给 v1.5 检测定了 ~0.29 的现况（坑 7）。
示范两段「正确的进步表述」，供论文写作直接对照：错误写法——「相比现有方法，我们的 mAP 提升近十倍」（跨口径对比，坑 7）；正确写法一（v1.5 口径）——「在与 HAFF-Net 相同的 v1.5 子集与 5 折协议下，本方法 mAP@0.5 达 0.33±0.04，超过报告值 0.291±0.037」；正确写法二（v1.0 口径）——「在 v1.0 官方划分下复现 detectron2 基线得 mAP 0.028（MTA 2022 报告 ≤0.030），本方法达 0.041」。两段正确表述的共同点：口径、协议、参照数字三者同框出现。
5.4 给刷分者的四条建议
- 先选口径再动手：复现官方基线用 v1.0+detectron2+MTA 口径；报告新方法用 v1.5+HAFF-Net 口径最有可比性（现况 0.291）。
- 按病灶类拆分报告：peritoneum 独大，整体 mAP 会被其稀释/掩盖；分类别报告（尤其单列 uterus 的样本量声明）是负责任的做法。
- 阴性包用于专测假阳性：把 13,438 阴性帧作为独立假阳性率测试集，比混进训练更能量化模型在「正常视野下的误报」行为。
- 期望值锚定：新方法若在 v1.5 口径过 0.35 即已越过现况 SOTA 显著线（0.291±0.037 的上界附近）；在 v1.0 口径上任何非零 mAP 都值得展示误差条与类别明细。
5.5 失败模式分析指南：低分数据的正确打开方式
GLENDA 上最值钱的产出往往不是涨点而是失败模式清单。按五类病灶与四类伪影组织分析框架：类别维度——peritoneum 的成片多病灶（单帧最多 9 个）考验 NMS 与小病灶召回，ovary 的囊肿/正常卵巢外观混淆考验语义边界，DIE 与 peritoneum 的连续谱混淆考验临床分型理解，uterus 样本太少只做定性案例；伪影维度——烟雾期帧（大量阴性包成分）、镜头快速运动模糊、反光饱和区、器械遮挡四类是腹腔镜检测的四大失分源，逐类统计误检/漏检占比即可产出比单数字 mAP 高一个信息量级的分析。HAFF-Net 的 held-out recall 0.268 意味着约七成病灶被漏检——把漏检样本按上述八格归类，就是一篇讨论节可以直接用的图。
5.6 诚实报告的基准使用伦理
在一个「官方自报 0.030」的数据集上，报告纪律比在饱和数据集上更重要：不挑类别报（只报 peritoneum 提分而 hiding 整体）、不换指标报（mAP 不行换 recall、recall 不行换 precision 的指标漂移）、不在测试集上调参（5 折协议的意义在于它就是全部数据）、不与不同口径数字并列暗示进步（坑 7）。反向的正面做法：报负结果与失败模式（§5.5）、报每类的样本量上下文、把预处理与增广链公开——这些在低基线数据集上是低成本高信誉的动作。
§6 获取与许可：CC BY-NC 4.0 的一扇门
6.1 获取路径：Zenodo 主渠道与校验实操
官方主渠道是 Zenodo（概念 DOI 10.5281/zenodo.4570964，v1.5 版本 DOI 10.5281/zenodo.4570965），四个 ZIP 文件（§2.5 清单）直接下载、无需注册或申请；官网 itec.aau.at/glenda 提供 v1.0 与 v1.5 两页统计表与说明，是口径的第一参照。下载后应立即做 md5 校验——四文件的官方校验值已在 §2.5 转录，实操命令：
# 下载四文件后逐一校验（示例 v1.0 主包；其余三个同理）
md5sum GLENDA_v1.0.zip
# 期望输出：
# d711fce9e0c6b6425633331bb36793d0 GLENDA_v1.0.zip
# v1.5 主包
md5sum Glenda_v1.5_classes.zip
# 期望输出：
# 52a1f31264cf67ea02c0ce07e7338dc2 Glenda_v1.5_classes.zip
校验不匹配时的排查顺序：重下载该文件（Zenodo 大文件偶发传输截断）→ 核对文件名是否被下载工具改写 → 换浏览器/命令行工具重试。注意文件名大小写要原样保留（GLENDA_v1.0.zip 与 Glenda_v1.5_classes.zip 的大小写风格不一致是官方原始命名，坑 6），脚本化处理时勿统一大小写。
6.2 许可条款细读：CC BY-NC 4.0 意味着什么
全部四个文件统一采用 CC BY-NC 4.0（署名-非商业性使用 4.0 国际），HF 第三方镜像卡片同样标注 cc-by-nc-4.0。拆开是两个条件加一个红线：
- BY（署名）：使用时须注明出处——引用 MMM 2020 论文与 Zenodo DOI 即满足规范署名。
- NC（非商业）：不得将数据集或其衍生版本用于主要意图为商业优势或金钱报酬的用途。学术发表、公开基准评测、教学均属安全区；企业内部研发是否越线取决于用途性质（商业化产品训练明确越线，内部方法学研究存在灰色地带，建议向权利方书面确认）。
- 红线之外：许可不授予商标或专利，且不附加 share-alike——衍生数据集可以另选许可发布（只要自身用途非商业），这为「在 GLENDA 上做增量标注后开源」留了合法通道。
一个值得存照的细节：官网 v1.5 页面的许可句原文写作「ENID is licensed…」（应为 GLENDA），v1.0 页面则正确写「GLENDA is licensed…」——这是官网笔误而非许可变更，两个发布文件的 Zenodo 元数据均标 CC BY-NC 4.0，以文件元数据为准（坑 5）。
三个高频衍生场景的许可判定：场景一：给 GLENDA 加标注再发布——NC 约束你的使用用途而非衍生存在，非商业的增量标注集可以发布（建议同样 CC BY-NC 系并保留原署名指针）；场景二：把 GLENDA 帧放进论文配图/演示——署名后允许（BY 即覆盖），演示若嵌在商业产品官网则越 NC 线；场景三：用 GLENDA 做基准排行榜——非商业学术榜单允许，商业云厂商的付费榜单服务需要授权。三案共同逻辑：先问「这个使用的主要意图是否为商业优势」，再问「署名给足了吗」。
6.3 AI-Ready 视角的获取性评估
按 AI-Ready 五要素过一遍 GLENDA 的获取体验：可发现性好（官网+Zenodo+论文三入口互链，DOI 稳定）；可获取性优（无注册、无申请、无审批，四文件直链+官方 md5，全程分钟级）；可互操作良好（v1.5 多边形可直接转 COCO/YOLO；v1.0 bbox 是通用格式；图像为标准视频帧格式，无专有容器）；元数据充分（统计表、类别定义、许可、引用格式齐备），扣分点是数据字典（字段级说明）依赖论文正文而非独立文档；可持续性良好（FWF 资助背景+Zenodo 长期归档+概念 DOI 版本机制）。
总评：在「无摩擦获取」这个单项上，GLENDA 属于医学视频数据集里的第一梯队——对比本库中需邮件申请或网盘易失的条目，它的 Zenodo 四件套+md5 是可以直接写进复现方案的标准动作。
把获取摩擦放在库内坐标里看（定性分档，供检索者预期管理）：
| 条目 | 获取方式 | 摩擦分档 |
|---|---|---|
| GLENDA（本条目） | Zenodo 四文件直链+md5，无注册 | 最低档（分钟级） |
| kvasir 系（112/123/213/693） | 公开直链 | 最低档 |
| cholecseg8k(233)/cholect50(223) | 公开托管（HuggingFace 等） | 最低档 |
| endoscapes(353) | 官方发布渠道 | 低档 |
| autolaparo(313) | 官方申请/表单 | 中档 |
| endomapper(428)/endoslam(408) | 项目页申请或部分受限 | 中档 |
分档读法：跨条目复现实验时，把「获取摩擦」列入工程排期——GLENDA 与 kvasir 系可以当天开工，申请制条目要预留等待期；这也是 §4.5 合读配方在排期上的现实约束。
6.4 引用规范：一条双载体引用
GLENDA 是「论文+数据集」双载体资产，规范引用应两条都给：论文引 MMM 2020（Leibetseder, A., Kletz, S., Schoeffmann, K., Keckstein, S., Keckstein, J.: GLENDA: The ITEC Gynecologic Laparoscopy Endometriosis Dataset. In: MMM 2020, LNCS 11962, pp. 439-450, doi:10.1007/978-3-030-37734-2_36）；数据集引 Zenodo（doi:10.5281/zenodo.4570964，使用 v1.5 时注版本 DOI 10.5281/zenodo.4570965）。只用其一都不完整：只引论文则数据不可溯源，只引 Zenodo 则学术贡献归属缺失。涉及标注方法论的引用补 arXiv:2508.21398（ECAT 复盘），基准对比引 MTA 2022 与 HAFF-Net 各自原文。
6.5 获取与解包的常见问题排查
高频问题四则：其一，md5 校验失败——按「重下载→核对文件名大小写→换下载工具」排查（§6.1），偶发是大文件传输截断；其二，解包后找不到标注——v1.0 主包内标注与帧分层存放，且 binary masks 与 bbox 是两种文件，别只盯着图像目录；其三，v1.5 目录结构对不上预期——classes 版按类别目录组织而非按序列，找某个 case 的全部病灶要跨类别目录聚合（一例可含多类病灶，§2.3 去重口径）；其四，阴阳两包数量对不上——阴性包 13,438 帧是独立采集的对照集，不与病灶包的序列帧一一对应，不要尝试把它们拼成同一个序列流。所有结构疑问以解包实测+论文描述为最终裁判，第三方博客的结构描述可能过时。
6.6 许可自查快答（六则）
- Q：论文里放 GLENDA 示例图可以吗？ A：可以，CC BY-NC 4.0 允许署名后的非商业再使用；标注出处（论文+DOI）即可。
- Q：我基于 GLENDA 训练的模型权重可以开源吗？ A：模型权重不是数据集本体，NC 条款约束的是数据使用方式；用公开数据做非商业研究产出的权重，其许可一般由你的发布意愿决定，但商业化该模型涉及「以数据为训练材料」的用途，建议就个案咨询权利方。
- Q：可以把 GLENDA 和别的数据集合并重发布吗？ A：合并产物只要自身非商业即可（无 share-alike）；但合并对象若为 ND 类许可则冲突，且合并后必须保留对 GLENDA 的署名与来源指针。
- Q：竞赛/排行榜可以用 GLENDA 吗？ A：非商业的学术竞赛可以；带奖金且主办方商业运营的竞赛属灰色地带，应事先取得权利方同意。
- Q：官网笔误（坑 5）会影响许可效力吗？ A：不会——许可以 Zenodo 文件元数据与 CC 官方条款文本为准，网页笔误不构成条款变更。
- Q：哪里是「商业优势」的权威解释？ A：CC 官方 NC 条款 FAQ（Creative Commons 官网）；本条目 §6.2 的解读是工程性指引，不构成法律意见。
§7 生态与影响：一个实验室的疾病域深耕
7.1 ITEC 的内窥镜数据集谱系
Klagenfurt 大学 ITEC（Alpen-Adria-Universität Klagenfurt 的信息技术研究所，Schoeffmann 领导的多媒体视频分析组）在医学视频方向上有条持续多年的产品线，GLENDA 是其中疾病特异性最强的一环：
| 年份 | 产出 | 载体 | 与 GLENDA 的关系 |
|---|---|---|---|
| 2018 | LapGyn4 | MMSys 2018 | 前身：妇科腹腔镜 4 类器官分类，无病灶定位 |
| 2020 | GLENDA v1.0 | MMM 2020 / Zenodo | 本体 |
| 2021 | GLENDA v1.5 | Zenodo | 多边形升级版 |
| 2021 | 术后内异症分割 | CBMI 2021 | 疾病域延伸工作 |
| — | GLENDA-VIS | ITEC 官网 | 可视化扩展 |
| 2022 | ENID + 检测基准 | MTA 2022 | 姊妹集+官方基准 |
| 2025 | ECAT 复盘 | arXiv:2508.21398 | 标注方法论沉淀 |
| 2025 | 后续工作 | arXiv:2510.13899 | 组内延续 |
这条谱系的叙事价值在于它展示了一种「垂直深耕」的数据集生产模式：同一个团队在同一个疾病域（妇科腹腔镜内异症）连续八年迭代——先做器官分类探路（LapGyn4），再做病灶标注（GLENDA），再扩规模（ENID），再沉淀方法论（ECAT 论文）。这与「一次发布一个大而全数据集」的横向模式互为镜像，两条路线的维护成本、社区影响与科学回报结构很不相同。
7.2 资助与机构背景
GLENDA 的生产受 FWF Austrian Science Fund 项目 P 32010-N38（奥地利科学基金）资助——这是奥地利基础研究的主要资助渠道，意味着数据集本身是公共资金产出的科研成果，以 CC BY-NC 4.0 公开是该资助体系下符合开放科学期待的处置。机构署名三家家：Klagenfurt（ITEC，数据集工程）、LMU Munich（LMU Klinikum 妇产科，临床标注参与）、Ulm University（Jörg Keckstein，视频与临床权威）。官网页脚署 ITEC / AAU Klagenfurt，与论文作者单位一致。
检索时的一个防混淆提醒：文献与数据页中的「AAU」指 Alpen-Adria-Universität Klagenfurt（即 University of Klagenfurt 的旧称/别名），不是 Aalborg University（丹麦）——后者在个别搜索引擎摘要里被错误关联到 GLENDA（坑 8），属生成错误，以实抓官网为准。
7.3 ECAT 复盘论文：标注方法论作为可复用资产
2025 年 8 月 29 日提交的 arXiv:2508.21398 是一条不寻常的论文线：在数据集发布五年半之后，团队回头完整复盘了 GLENDA 的数据采集与标注过程——web 端标注工具 ECAT 的设计取舍、临床专家的工作流、四个月采集期的组织方式。这类「工具+流程」论文在数据集文献里占比很小，但信息密度高：它把一篇 MMM 论文正文装不下的工程细节（谁在什么界面做什么操作、进度如何追踪、统计表如何生成）变成了显性知识。
对计划自建医学标注数据集的团队，这篇复盘的三个可借鉴点：其一，web-first 工具路线的实证（医生零安装、进度统一管理）；其二，「临床专家直标」在数百注释量级上的排期可行性（四个月、非全职）；其三，把标注统计表本身作为发布资产的一部分（GLENDA 官网的统计表页就是从 ECAT 后台沉淀的）。另一个时间线细节：ECAT 论文由 Klaus Schoeffmann 于 2025-08-29 提交 arXiv，距 GLENDA 首发正好五年半——数据集团队的「长尾维护」在快节奏的 AI 文献里是稀缺品质。
7.4 基准生态：谁在用 GLENDA 出数字
截至本条目抓取时点（2026-10-04），GLENDA 上的正式基准数字有两组来源：
- 官方基准（MTA 2022）：发布方自己，detectron2 + v1.0，mAP ≤0.030——它同时是「数据集难度声明」。
- 第三方方法（HAFF-Net 2026）：Frontiers in Medicine，v1.5 子集 + 5 折交叉验证，mAP@0.5 = 0.291±0.037（YOLOv8n 基线 0.238±0.038，held-out recall 0.268）。
两组之外的公开 leaderboard 或竞赛化使用暂未形成——GLENDA 从未进过 grand-challenge 类竞赛，这与 PANDA（Kaggle 竞赛驱动）是两种社区动力学：竞赛驱动的数据集引用量大但「刷分后即弃」，研究驱动的数据集引用量小但用户留存与深度使用比例高。HAFF-Net 的出现（六年后的第三方正式使用）是后一种动力学的实证：GLENDA 的用户群小而持续，把数据集当作真实的科研基础设施而非一次性benchmark。
引用动机的三型画像（对理解它的社区角色有用）：方法验证型——手术视频检测论文需要一个「公认难」的第二数据集证明方法不是只在主数据集上调出来的，GLENDA 的低基线恰好提供了这个反差空间；临床叙事型——妇科 AI 论文需要一个真实的疾病标注集撑起临床动机，GLENDA 的 rASRM 对齐标签即插即用；方法论研究型——标注工具与流程研究直接以 ECAT 复盘为案例。三型动机都建立在「小而难而诚实」的定位上，这再次呼应 §8.6 的生存策略分析。
7.5 影响力的诚实画像
如实陈述：GLENDA 不是高引数据集——MMM 会议的引用体量、妇科这一细分模态、NC 许可对工业界的排除，三者共同决定了它的引用规模远低于同年内窥镜领域的 Kvasir 系。但引用量之外的评价维度上它得分不低：它是妇科腹腔镜疾病病灶标注的先发者（此前该位置是空白）、它的许可与获取摩擦全领域最低档、它的难度诚实度（官方自报低基线）在数据集文献里属示范级。对数据集综述的写作者，GLENDA 的典型引用位置是「疾病特异性手术视频标注」与「标注工具与方法论」两节，而非「大规模基准」一节——放错位置会误导读者预期。
7.6 可视化生态：GLENDA-VIS 与「看懂标注」的入口
GLENDA-VIS 是 ITEC 为 GLENDA 配套的可视化扩展——把病灶标注渲染成直观的彩色叠加，让非项目成员不必解包数据就能理解标注形态。它的存在回应了医学视频数据集的一个普遍痛点：标注文件的抽象坐标对临床读者不友好，而可视化层是数据集与临床社区之间的翻译器。同理，Zenodo 上 21.7 MB 的 no_segments_multicolor 轻量包（§2.5）是同一思路的发布工程版本——想快速「看看标注长什么样」的人不必下载 1.7 GB 主包。
对数据集作者的启示：可视化资产（渲染包、示例页、统计表页）是低成本高回报的发布组件——它们不增加科学内容，但显著降低潜在使用者的评估成本，而这正是「是否被采用」的第一道闸门。GLENDA 在这方面的完成度（官网双页统计表+multicolor 包+GLENDA-VIS）在同规模数据集里属于前档。
7.7 从 GLENDA 看妇科手术 AI 的数据瓶颈
GLENDA 的六年轨迹同时是妇科手术 AI 数据瓶颈的体检报告。瓶颈一：临床视频的出数成本极高——手术室录像涉及患者知情、医院审批与术者授权，400+ 台语料池的建立依赖一位权威专家的多年积累，这无法用经费短平快购买。瓶颈二：疾病病灶的标注权高度集中——内异症的术中所见判读需要专科训练，能标注的人本身就是稀缺资源，这决定了妇科病灶数据集的天花板是「权威专家的时间」，而非众包规模。瓶颈三：阴性主导的天然分布——手术大部分时间在探查而非处置病灶，可用监督信号在时间轴上天然稀疏，数据集无法也不应「修正」这一分布。
三个瓶颈共同解释了为什么该领域六年只有一个 GLENDA/ENID 对，而同期胃镜领域有 Kvasir 系列的持续扩军（胃镜图像获取与标注门槛都更低）。对资助者与数据集规划者的含义：妇科手术 AI 的最大杠杆不在算法竞赛，而在临床合作关系与标注工具效率的长期投资——GLENDA 的 ECAT 复盘（§7.3）正是对第二杠杆的一次示范性回收。
§8 方法学启示：五条可迁移的经验
8.1 疾病特异性标注填补的是「任务真空」
手术视频数据集的默认标注轴是流程与器械（什么阶段、用了什么工具），疾病病灶维度长期空缺。GLENDA 证明了这个真空可以用一条短流水线填补：一个临床权威（提供视频+判定标准）、一个工程组（工具+发布）、四个月。对数据集规划者的启示：与其在拥挤赛道（又一阶段划分集）加增量，不如找模态×疾病的空白格——GLENDA 选择的「妇科腹腔镜×内异症」格子里，发布时没有第二个玩家。
8.2 标签体系抄临床，不要自创
GLENDA 的五类标签不是视觉聚类，是 rASRM/Enzian 临床分型里病灶部位的直接映射（peritoneum/ovary/uterus/DIE）。这个选择带来三重红利：临床合作者零学习成本（用他们每天用的语言）、标注一致性有临床惯例背书、模型输出可被临床读者直接解读。反例是不少 CV 团队自创的「病灶 1/2/3 类」体系，临床合作者要额外对表，发表后临床引用也少。启示：医学数据集的标签命名会诊一次临床分型指南，永远比视觉直觉靠谱。
8.3 诚实低基线是预期管理的礼物
MTA 2022 把 mAP ≤0.030 印进官方论文，同时摆出 ENID 0.308 的对照——「难，且难在数据」被受控实验直接证明。六年后的 HAFF-Net（0.291）验证了这个难度不是实现问题。这种坦诚的传播效果是正面的：使用者带着正确预期进来，0.1 的进步会被认真对待而不是被当成「模型太差」。对比那些发布时配满 SOTA 高分、社区刷到饱和后才发现标签问题的数据集，GLENDA 的路径把「难」从缺陷变成了学术卖点。还有一个容易被忽略的时序细节：MTA 2022 基准发表在数据集发布两年之后——发布方没有赶在首发论文里塞一个未充分验证的分数，而是等框架配置稳定后单独出基准论文。这个「先数据、后基准」的节奏让两个载体各自干净：MMM 2020 只负责定义任务与数据，MTA 2022 只负责难度声明，引用时各归其位。
8.4 短流水线（专家直标）有自己的适用域
PANDA-PLUS 式的多层流水线（学生初注→复核→专家终审）解决的是「专家时间贵、样本量大」的问题；GLENDA 式的短流水线（临床专家直标+定制工具）解决的是「判定标准只有专家有、样本量可控」的问题。两者不是优劣关系而是适配关系：当标注决策需要临床专业判断（这个组织是不是 DIE？），中间层级的省时设计会引入最大误差源；当标注是机械劳动（沿腺体描边），分层流水线才划算。数据集立项时先问「判定权在谁手里」，再选流水线形状。
8.5 版本双轨（旧口径保留+新精度追加）保护基准连续性
GLENDA 的 v1.0（bbox）与 v1.5（polygon）在 Zenodo 同一概念 DOI 下永久并存，而不是新版覆盖旧版。这使 MTA 2022 基准在 v1.5 发布后依然可复现，官方难度声明与后续工作（HAFF-Net 用 v1.5）在各自口径内都成立。对数据集维护者，这是比「统一到最新版」更负责任的版本策略：新精度是增量而非替代，旧基准的引用链不断裂。执行要点：概念 DOI 锚定家族、版本 DOI 锚定具体发布、版本间统计口径的变更要在官网明示（GLENDA 做到了前两点，口径差异则要靠使用者自己留意——见坑 2）。
8.6 第六条：疾病域数据集的「小而诚实」生存策略
把 GLENDA 的六年轨迹压缩成一个战略模板：选一个足够真实的临床问题（内异症腹腔镜诊断）→ 用最高专业度的标注者（领域权威）→ 接受小规模（数百注释）→ 发布时如实报告难度下限（0.030）→ 持续维护（五年半后还有工具复盘论文）。这条路线的产出不是高引数据集，而是某个垂直领域绕不开的参考标尺——所有后来者都必须与你的难度声明对话。对资源有限的学术团队，这比追逐「最大规模」是更可执行的差异化策略；其代价是引用总量有限（§7.5），需要在立项时就接受这个交换。
§9 与库内条目的关系
9.1 腹腔镜/手术视频族：任务轴的互补
- endoscapes(353)：结直肠手术息肉检测+风险分级——手术视频里「疾病病灶标注」的另一主要样本。同构关系：两者都是「外科视频+病灶框+临床维度」；差异在专科（结直肠 vs 妇科）与规模（endoscapes 更大）。做手术视频病灶检测综述时两者是必引对。
- cholecseg8k(233)：胆囊切除视频帧的 12 类器官像素级分割——「分割监督」的对照组。GLENDA v1.5 提供病灶分割，cholecseg8k 提供器官分割，合读可设计「器官上下文+病灶目标」的双层监督实验。
- cholect50(223)：Choleclectomy 流程理解多任务集（阶段/器械/VQA）——流程轴代表。GLENDA 与其在任务轴正交；跨数据集的「流程阶段×病灶出现位置」关联分析是尚未被做过的方向（需解决两集无重叠视频的问题，只能做方法迁移不能做数据合并）。
- autolaparo(313)：妇科腹腔镜手术阶段分割数据集——同模态同专科的最近邻。autolaparo 标流程、GLENDA 标病灶，两者合起来才是「妇科腹腔镜视频理解」的完整任务面；做妇科手术 AI 的团队应同时检查两个条目。
- endomapper(428)：腹腔镜全流程多类型标注（阶段/器械/器官）——多任务全景路线。与 GLENDA 的单疾病深耕路线形成方法论对照。
- endoslam(408)：腹腔镜 SLAM 定位标注——几何感知轴。病灶语义（GLENDA）与空间定位（endoslam）是手术导航的两个互补输入。
- gastroendonet(780)：内窥镜 AI 通用多任务集——模态族内的广度参照。
- slam-laparoscopic-motions(762)：腹腔镜手术运动轨迹——技能评估与运动分析轴，与病灶检测共同构成「手术智能」的两个下游。
9.2 内窥镜病灶族：难度梯度的另一端
- kvasir-seg(112)：1000 张息肉分割，入门级难度（SOTA mIoU 0.8+）——GLENDA 难度叙事的对照组；由易到难的课程学习设计的低端。
- hyperkvasir(693)：万张级上消化道数据集+分层标注子集——规模参照；其「未标注大池+标注子集」结构与 GLENDA「大语料池+稀疏注释帧」同构但公开程度不同。
- kvasir-capsule(123)：胶囊内镜视频帧——与 GLENDA 共享「视频流+稀疏阳性」属性，模态不同（消化道内视 vs 腹腔镜）。
- kvasir-instrument(213)：器械分割——GLENDA 未标注器械，两集合读可论证「同一视频视野里器械与病灶的双重标注价值」。
9.3 排除声明：surgtoolloc-2022 不在库
撰写本条目时曾将 surgtoolloc-2022（手术器械定位）列为候选互链（本地 writing/ 目录存在同名工作目录），经库内核验（url_name ILIKE '%surgtoolloc%' 查询返回 0 行，status=1 无记录）确认该条目未正式入库，本条目互链不采用。此排除声明同时是给后续维护者的留痕：若未来该条目入库，可在 §9.1 器械轴下补链。
9.4 检索路径建议
- 找「妇科腹腔镜+病灶」：本条目（GLENDA）→ autolaparo(313)（同专科流程轴）→ endoscapes(353)（跨专科病灶轴）。
- 找「手术视频病灶检测难度基准」：§5 基准史 → endoscapes(353) → endomapper(428)。
- 找「内窥镜分割由易到难课程」：kvasir-seg(112) → hyperkvasir(693) → cholecseg8k(233) → 本条目 v1.5。
- 找「标注方法论」：§3 ECAT 流水线 → kvasir 系的标注规范 → endoscapes 的风险标注设计。
- 找「视频流稀疏阳性采样」：本条目阴性包 → kvasir-capsule(123) → hyperkvasir(693) 的未标注池策略。
- 检索词组合：「GLENDA」+「endometriosis」+「laparoscopy」；勿用「GLENDA dataset」与「LapGyn4」互串（坑 1）。
9.5 跨条目合读配方表
六个经过论证的合读组合，直接对应可执行的实验设计：
| 配方 | 条目组合 | 设计一句话 | 产出形态 |
|---|---|---|---|
| 难度课程 | kvasir-seg(112) → cholecseg8k(233) → 本条目 v1.5 | 分割能力由静态到手术视野逐级预热 | 课程学习消融表 |
| 正交预训练 | autolaparo(313) 预训练 → 本条目微调 | 检验流程知识是否迁移为病灶线索 | 迁移学习对照 |
| 双层监督 | cholecseg8k(233) + 本条目 v1.5 | 器官上下文+病灶目标的联合训练 | 多任务消融 |
| 双轴可用性 | endoscapes(353) + 本条目 | 病灶检出×风险分级两维临床评估 | 双轴评估框架 |
| 泄漏防线教学 | 本条目（按帧划=崩）vs 按序列划 | 把 §2.10 的误用做成正面教材 | 划分方式消融 |
| 稀疏阳性方法学 | kvasir-capsule(123) + 本条目 | 视频流稀疏阳性的采样策略互证 | 采样策略对照 |
§10 避坑清单：八个已踩过的坑
本清单是全文的「错误疫苗」：每条坑都对应真实发生的混淆模式（搜索引擎生成错误、官网笔误、口径漂移、第三方镜像误用），按「现象→机制→处置」组织；写作与审稿时逐条对照，附录 I 提供与正文小节的双向索引，附录 V 的检查表把坑 2/坑 6 编入了操作卡。
坑 1：GLENDA ≠ LapGyn4 ≠ GLENDA-VIS。三者是 ITEC 同组三代产出：LapGyn4（MMSys 2018）是四类器官分类集（视频级标签，无病灶定位），GLENDA 才是病灶标注集，GLENDA-VIS 是可视化扩展。检索与引用时核对任务类型与发表载体，别把 LapGyn4 的分类数字安到 GLENDA 头上。
坑 2：v1.0 与 v1.5 口径完全不同，数字不可混算。v1.0 按注释/注释帧/序列计（520/302/138，总帧 25,682），v1.5 按 case/帧/多边形计（102 cases/373 帧/628 注释）——两套表格的任何数字都不能相加、相除或并列比较。另外注意 v1.5 官网表类别 cases 相加（151）大于合计 102：一例可含多类病灶，case 计数按去重口径，引用时照抄官网原表勿自行重算。
坑 3：「400+ 手术」是语料池，不是标注规模。400+ 台手术是原始视频来源池；实际标注只有 v1.0 的 520 注释/302 注释帧（v1.5 的 628 多边形）。宣传口径写成「400+ 手术标注数据集」是口径错误；正确表述是「源自 400+ 台手术语料池的病灶标注集」。
坑 4：HF 上的 MFreidank/glenda 是第三方重打包。非 ITEC 官方账号，binary/multiclass 双 config 各 13,811 examples 是重打包者的 patch 划分口径，与官网帧数统计不可比，其中的格式转换未经发布方背书。正式研究用 Zenodo 四文件（带官方 md5），HF 仅作快速预览，引用时必须注明第三方属性。
坑 5：官网 v1.5 页许可句笔误。该页原文写「ENID is licensed under CC BY-NC 4.0」——ENID 是同组另一个数据集，此处应为 GLENDA（v1.0 页写法正确）。许可事实以 Zenodo 文件元数据为准（CC BY-NC 4.0），引用官网文字时注意该笔误，不要据此猜测许可变更。
坑 6：Zenodo 文件名大小写不统一。官方文件名是 GLENDA_v1.0.zip（全大写）与 Glenda_v1.5_classes.zip（首字母大写）混用——引用、脚本化下载、md5 校验时须原样照抄，统一大小写会导致校验记录与发布页对不上。
坑 7：两套基准数字不可直接对比。MTA 2022（v1.0 bbox，detectron2，mAP ≤0.030）与 HAFF-Net 2026（v1.5 子集，5 折交叉验证，mAP@0.5 = 0.291±0.037）的数据版本、指标定义、验证协议都不同——「六年间十倍提升」是口径错觉。对比工作必须在同一口径内复现基线。
坑 8：搜索摘要会说谎（Aalborg 事件）。某轮搜索摘要把 GLENDA 与「Aalborg University」（丹麦）关联——实抓官网与 Zenodo 确认数据集出自奥地利 Klagenfurt 大学 ITEC（AAU = Alpen-Adria-Universität），该摘要是搜索引擎生成错误。原则：数据集的机构归属一律以实抓官网/Zenodo/论文首页为准，搜索摘要仅供发现线索。另提醒 NC 红线：CC BY-NC 4.0 禁止商业用途，工业界取数前先过许可关。
§11 总结
11.1 三句话总结
- GLENDA 用 520 个临床专家直标的病灶注释（v1.0；v1.5 升级为 628 个多边形），把「妇科腹腔镜视频里的内异症病灶检测」从无公开数据的任务真空变成了有诚实基线（mAP ≤0.030）可依的研究领域。
- 它的五类标签直接映射 rASRM/Enzian 临床分型，加上单独发布的 13,438 帧阴性包，使「检出-分型-排除」的完整临床任务链可以在一个数据集内闭环。
- 它的六年生态（论文→数据双版→官方低基线→工具复盘→第三方 SOTA 0.291）示范了小数据集如何以难度诚实与低获取摩擦立足，而非以规模取胜。
11.2 适合谁
- 手术视频病灶检测/分割研究者：需要一个难度真实、标签临床对齐的试金石——你的方法在 GLENDA 上的表现比在 kvasir 系上更有区分度。
- 妇科微创手术 AI 团队：内异症相关 almost 只有 GLENDA/ENID 一个公开选项（CC BY-NC 4.0，分钟级获取）。
- 医学标注方法论研究者：ECAT 复盘论文+官网统计表提供了完整的「短流水线」案例。
- 数据集综述写作者：「疾病特异性手术视频标注」「标注工具演进」「诚实基线」三节的标配引用。
11.3 不适合谁
- 需要大规模训练集的团队：正样本数百量级（v1.0 520 注释/v1.5 628 多边形），撑不起从零监督训练的重型模型，适合微调、少样本方法与评估。
- 任何商业用途：CC BY-NC 4.0 是硬红线，产品化训练明确越线。
- 期待跨中心泛化评测的设计：视频来自单术者单中心，设备与术式风格单一，跨中心结论无法从本数据集得出。
- 需要 uterus 类独立评估的设计：14 个注释（v1.0）不足以支撑稳定的类别级结论。
- 需要「每标注可追溯标注者」的互标注研究：发布包未含标注者级元数据（§2.11），相关设计需另行与发布方合作。
- 需要器械与病灶联合标注的项目：GLENDA 不标器械，器械维度要走 kvasir-instrument(213) 或 surgtoolloc 系。
11.4 30 秒决策卡
| 你的情况 | 行动 |
|---|---|
| 要快速看数据长什么样 | 下 21.7 MB 的 GLENDA_v1.0_no_segments_multicolor.zip 通览（md5 见 §2.5） |
| 要复现官方检测基线 | 下 1.7 GB GLENDA_v1.0.zip + detectron2 + MTA 2022 口径（预期 mAP ~0.03） |
| 要训分割模型 | 下 28.0 MB Glenda_v1.5_classes.zip + 867.5 MB 阴性包，v1.5 多边形转 COCO/YOLO（对标 HAFF-Net 0.291） |
| 要设计标注流水线 | 读 arXiv:2508.21398 + 本条目 §3；判定权在专家手里选短流水线 |
| 要写手术视频数据集综述 | §4 比较表 + §9 检索路径直接可用 |
| 在 GLENDA 上出了新分数 | 按病灶类拆分报告+声明口径（v1.0/v1.5），阴性包专测假阳性（§5.4） |
| 工业场景想用 | 先停——NC 许可红线，联系权利方或改用许可兼容数据 |
11.5 90 秒电梯陈述
如果只有 90 秒介绍这个数据集：「GLENDA 是奥地利 Klagenfurt 大学在 2020 年发布的妇科腹腔镜子宫内膜异位症病灶标注集——临床权威专家从 400 多台真实手术里精选出病灶片段，用自研的网页标注工具直接标注，v1.0 版 520 个矩形框注释，2021 年升级为 v1.5 版 628 个多边形精细轮廓，五类标签直接对应临床 rASRM/Enzian 分型，外加一万三千多帧无病灶阴性对照，全部 CC BY-NC 4.0 在 Zenodo 带校验值直链下载。它最有意思的地方有两个：一是难——发布方自己跑基准只有 0.03 的 mAP，六年后学术界也只推到 0.29，是手术视频病灶检测公认的试金石；二是诚实——低基线是自己发布的，标注方法论有独立复盘论文，版本新旧并存不覆盖。如果你做手术视频理解、妇科 AI 或者医学标注方法论，它是这个星球上几乎唯一的一个选择。」
11.6 给三类读者的最小阅读集
| 读者 | 必读 | 可跳过 |
|---|---|---|
| 想尽快下数据跑起来的人 | §2.5 文件清单 → §6.1 获取 → 附录 Q SOP → 附录 R 排查表 | §4/§7/§8 |
| 要在它上面发论文的人 | §2 全部 → §3.6/§3.7 → §5 全部 → §10 全部 → 附录 N 检查单 | §7.6 |
| 做数据集综述/调研的人 | §0 → §4 比较表 → §7 生态 → §8 启示 → §9 检索路径 | 附录 E-J |
FAQ（高频问答 32 问）
A. 基础认知
本组解决「它是什么、谁做的、和邻居什么关系」——检索者确认「是不是我要找的那个数据集」用本组。
Q1：GLENDA 是什么数据集？
妇科腹腔镜手术视频中子宫内膜异位症（endometriosis）病灶的区域标注集：真实手术视频帧+序列，由临床专家标出病灶位置与五类分型（peritoneum/ovary/uterus/DIE/no pathology），支持目标检测与分割两个任务。全称 Gynecologic Laparoscopy ENdometriosis DAtaset。
Q2：名字里的 ITEC 是什么？
ITEC 是奥地利 Klagenfurt 大学（Alpen-Adria-Universität，缩写 AAU）的信息技术研究所，GLENDA 出自其多媒体视频分析组（Schoeffmann 组）。注意 AAU 在这里指 Klagenfurt 而非丹麦 Aalborg——搜索摘要偶见后者的错误关联（坑 8）。
Q3：论文发表在哪里？
MMM 2020（第 26 届多媒体建模国际会议，韩国大田，2020-01-05 起）MDRE special session，收录于 Springer LNCS 11962 第 439-450 页，DOI 10.1007/978-3-030-37734-2_36。数据集本体另在 Zenodo（DOI 10.5281/zenodo.4570964），双载体引用（§6.4）。
Q4：谁做的、谁出钱？
五位作者：Leibetseder、Kletz、Schoeffmann（Klagenfurt ITEC）+ S. Keckstein（LMU Munich 妇产科）+ J. Keckstein（Ulm University，视频提供者）。资助方为奥地利科学基金 FWF（项目 P 32010-N38）。五作者含三位计算机科学家与两位临床医生，ORCID 见附录 A。
Q5：和 LapGyn4 什么关系？
LapGyn4（MMSys 2018）是同一团队的前身工作：同样是妇科腹腔镜视频，但只做四类器官分类（视频级标签），没有病灶定位。GLENDA 是从「这是哪个器官」到「病灶在哪里、是什么类型」的任务跃迁（坑 1）。
Q6：和 ENID 什么关系？
ENID 是同组的姊妹数据集（内异症病灶检测，规模更大），在 MTA 2022 论文中作为 GLENDA 的对照基准出现：同框架下 ENID mAP 0.308/0.309 vs GLENDA ≤0.030，这个受控对照是「GLENDA 数据更难」的直接证据。
B. 数据与标注
本组回答数据本体的构成与生产——口径问题（坑 2）的日常急救站。
Q7：规模到底多大？为什么到处数字不一样？
因为有两代口径（坑 2）：v1.0 = 520 注释/302 注释帧/138 序列/25,682 总帧；v1.5 = 102 cases/373 帧/628 多边形注释。另有阴性包 13,438 帧（两代共用口径）。任何一处数字都应先问「是 v1.0 还是 v1.5 的口径」。
Q8：五类标签的临床含义？
peritoneum（腹膜病灶，最常见种植部位）、ovary（卵巢病灶，含子宫内膜异位囊肿场景）、uterus（子宫病灶/腺肌症 adenomyosis）、DIE（deep infiltrating endometriosis，深部浸润型，侵及直肠阴道隔等深部组织）、no pathology（无病灶对照）。前四类对应 rASRM 分期与 Enzian 分型中的病灶部位描述。
Q9：标注形态是什么？
v1.0：矩形框（bbox）+ 随包 binary segment masks（二元掩码）；v1.5：逐 case 多边形（polygon）精细轮廓，按类别目录组织、可转 COCO/YOLO。另有 multicolor 可视化包（21.7 MB）用于快速浏览标注渲染效果。
Q10：视频从哪来？
Ulm University 的 Jörg Keckstein 教授（内异症手术领域知名临床专家）提供的 400+ 台真实妇科腹腔镜手术视频语料池。注意「400+」是语料池规模，实际精选标注的只有数百注释帧（坑 3）。
Q11：怎么标注的、花了多久？
通过 ITEC 自研的 web 端标注工具 ECAT：临床专家在浏览器中逐帧/逐序列框选病灶并赋五类标签。按 arXiv:2508.21398 复盘，整个标注采集期约四个月（非全职投入量级），统计表由工具后台直接沉淀。
Q12：v1.0 和 v1.5 该用哪个？
按任务：复现官方检测基准（MTA 2022）必须用 v1.0；训练分割模型用 v1.5（多边形监督）；快速浏览用 multicolor 包。两代在 Zenodo 并存不互相替代，引用时声明版本号与对应口径。
Q13：阴性包怎么用最合理？
三种推荐用法：二分类任务的负类；检测训练的背景帧采样池；独立假阳性率测试集（最推荐——把 13,438 帧从训练中拿出专测误报，比混训更有信息量）。不要把阴性帧准确率混入主指标（99% 量级但无信息量，§2.4）。
C. 获取与许可
本组是获取实操与合规边界的速查页——下载前与商用前各过一遍。
Q14：从哪里下载？
官方主渠道 Zenodo：概念 DOI 10.5281/zenodo.4570964（版本 DOI 10.5281/zenodo.4570965），四个 ZIP 直链下载、无需注册申请；官网 itec.aau.at/glenda 提供统计表与说明页。四文件清单与体量见 §2.5。
Q15：md5 怎么校验、值是多少？
四文件官方 md5：GLENDA_v1.0.zip = d711fce9e0c6b6425633331bb36793d0；GLENDA_v1.0_no_segments_multicolor.zip = 63bce79e88ee6c0df84db95ce5f9ba70；Glenda_v1.5_classes.zip = 52a1f31264cf67ea02c0ce07e7338dc2；GLENDA_v1.5_no_pathology.zip = 7810e51a990b09b466187d4a420be582。校验命令见 §6.1 与附录 F。
Q16：许可是什么、有什么限制？
CC BY-NC 4.0（署名-非商业性使用 4.0 国际），四个文件与论文语境统一。两个条件：署名（引论文+DOI）；非商业（不得用于以商业优势为主要意图的用途）。无 share-alike 条款——衍生数据集可另选许可，只要自身使用非商业（§6.2）。
Q17：商业公司内部能用吗？
灰色地带：明确越线的是产品化训练与任何「主要意图为商业优势」的使用；内部方法学研究性质上偏安全但仍建议向权利方（ITEC）书面确认后再用。稳妥路径是公开研究先行、商业授权另谈。
Q18：HuggingFace 上的镜像能用吗？
MFreidank/glenda 是第三方重打包（非官方账号）：binary/multiclass 双 config 各 13,811 examples，便于 load_dataset 快速原型。正式研究建议以 Zenodo 原件为准——重打包的切分口径与官网统计不可比，且未经发布方背书（坑 4）。
D. 基准与评估
本组给出难度预期与报告纪律——出分前后都值得重读 Q22。
Q19：SOTA 是多少？
两个口径各有一个标尺：v1.0 检测（MTA 2022 官方口径）mAP ≤0.030；v1.5 子集检测（HAFF-Net 2026，5 折交叉验证）mAP@0.5 = 0.291±0.037（YOLOv8n 基线 0.238±0.038）。六年时间的 SOTA 推进极缓，这是数据难度而非方法问题的信号。
Q20：官方基线为什么这么低？
MTA 2022 用 detectron2 跑 GLENDA 得 mAP ≤0.030，同时用同框架跑姊妹集 ENID 得 0.308/0.309——受控对照说明低分来自数据本身：精选注释帧偏难例、病灶外观多变、类别极不平衡、腹腔镜伪影密集。发布方选择如实公布而非优化后再发，是本数据集的示范性品质。注意「≤0.030」这个写法本身——官方连具体小数都未给足（不同配置下略有小数波动），引用时保持「≤0.030」原样，不要自行写成精确值。
Q21：两个基准的数字能直接比吗？
不能（坑 7）：数据版本（v1.0 bbox vs v1.5 子集）、指标定义（mAP vs mAP@0.5）、验证协议（官方划分 vs 5 折交叉）都不同。「六年间十倍提升」是口径错觉；正确的说法是两个口径各有难度标尺。
Q22：在 GLENDA 上报指标的正确姿势？
四条：声明版本口径（v1.0 或 v1.5）；按病灶类别拆分报告（peritoneum 独大，整体 mAP 会掩盖类别差异，uterus 必须附样本量声明）；阴性包专测假阳性率单列；给误差条（HAFF-Net 的 ±0.037 是好范例）。细则见 §5.4。可直接套用的报告模板：
- 数据：GLENDA v1.5（classes 包 + no_pathology 包），md5 校验通过
- 任务：病灶检测，4 类（peritoneum/ovary/uterus/DIE）
- 划分：按 case 的 5 折 GroupKFold，折清单随文发布
- 指标：mAP@0.5，均值±标准差；per-class 明细表；uterus 附 n=11 cases 声明
- 阴性评估：13,438 阴性帧独立假阳性率 = <填数>（误检帧占比）
- 基线对照：YOLOv8n 复现值 <填数> vs HAFF-Net 报告 0.238±0.038
- 失败模式：烟雾期误检 / 运动模糊漏检 / DIE-peritoneum 混淆（§5.5 八格）
Q23：新方法超过多少算有意义？
参考锚：v1.5 口径下 HAFF-Net 0.291±0.037——稳定越过 0.33（均值+一个标准差）即构成有意义的推进；v1.0 口径下任何非零 mAP 都值得展示类别明细。低于基线的结果同样有价值（负结果+失败模式分析在这个数据集上信息量很高）。
E. 使用与工程
本组面向已经动手的人——转换、划分、不平衡与预处理的工程决策。
Q24：v1.5 多边形怎么转 COCO/YOLO？
v1.5 classes 版按类别目录组织、标注为多边形坐标：COCO 转换即把每个多边形写为一个 segmentation 区段（image 条目按 case 组织）；YOLO 分割格式即归一化多边形点列文本。参考骨架代码见附录 G；转换后先可视化抽验再开训。
Q25：类别极不平衡怎么处理？
v1.0 的 402:51:14:53（peritoneum:ovary:uterus:DIE）是硬现实。可选策略：peritoneum 过采样抑制、uterus 类并入报告性分析而非训练目标、focal loss/类别加权、评估时 macro-mAP 与 per-class mAP 并报。不要用「忽略小类」换取整体数字——那会让基准失去临床意义。
Q26：训练/验证/测试怎么划？
官方未指定唯一划分（MTA 2022 与 HAFF-Net 各自设定且口径不同）。建议：按序列/case 划分（防帧级泄漏——同序列相邻帧几乎相同）；v1.5 用户可复现 HAFF-Net 的 5 折交叉验证以直接对标 0.291；划分清单应随论文发布。最小实现：
# 按 case 的 5 折划分（GroupKFold：同组不跨折）
from sklearn.model_selection import GroupKFold
gkf = GroupKFold(n_splits=5)
splits = gkf.split(X=cases, y=None, groups=[c.case_id for c in cases])
# 落盘每折的 case 清单；评估时仅统计测试折的病灶级指标
三个纪律：group 列用 case/序列 id（不是帧 id）；阴性帧跟随其所属序列进同折；划分清单与随机种子写入版本控制。
Q27：预处理有什么坑？
腹腔镜帧的共同问题：烟雾与反光（考虑 CLAHE 或色彩归一但要报告）、镜头快速运动造成的运动模糊（训练增广适度、测试集不加）、器械入镜遮挡（GLENDA 不标器械，遮挡区域本质是标签噪声）。分辨率以官方原件为准，避免盲目重采样破坏 bbox/多边形坐标。
Q28：从下载到首跑的最短清单？
Zenodo 下 4 个文件 → md5 校验（附录 F）→ v1.5 classes + 阴性包解压 → 转格式（附录 G）→ 按序列划分 → 小模型（YOLOv8n 级）先跑通 → 对标 0.238（YOLOv8n 基线）验证工程正确 → 再上重型方法（对标 0.291）。展开成带判据的版本就是附录 Q 的 Day-1 SOP——八步中任何一步的产出对不上预期判据，先停在原地排查再前进；特别是第 7 步，工程错误在这个数据集上经常伪装成「方法不行」或反向伪装成「方法有效」。
F. 生态与维护
本组面向库内导航与本条目的长期维护——引用格式与再核对触发点。
Q29：库内哪些条目和它最相关？
最相关五条：autolaparo(313)（同专科妇科腹腔镜、流程轴）、endoscapes(353)（手术视频病灶标注、结直肠）、cholecseg8k(233)（腹腔镜分割监督）、kvasir-seg(112)（内窥镜分割入门对照）、endomapper(428)（腹腔镜多任务全景）。完整互链 12 条与关系说明见 §9。
Q30：规范引用怎么写？
双载体：论文 MMM 2020（LNCS 11962, pp. 439-450, doi:10.1007/978-3-030-37734-2_36）+ 数据集 Zenodo（doi:10.5281/zenodo.4570964；用 v1.5 注版本 DOI 10.5281/zenodo.4570965）。BibTeX 见附录 L。
Q31：数据集已知缺陷清单？
五项：单中心单术者来源（泛化未知）；无观察者间一致性数据；uterus 类样本量近不可训练；v1.0 与 v1.5 口径分裂需使用者自律；官网 v1.5 页许可句笔误（「ENID is licensed」，坑 5）。这些缺陷官方大体坦诚，使用时如实转述即可。
Q32：什么情况下需要重新核对本条目？
触发点：Zenodo 发布页新增文件或新版本（口径可能再变）；ITEC 官网统计表改版；ENID 或后续数据集（如 arXiv:2510.13899 的延续工作）正式出基准；HAFF-Net 之后有新第三方基准发布。核对顺序：先 Zenodo 元数据，再官网统计表，最后论文（附录 K 双口径登记表随核对更新）。核对成本很低——四个入口全部无登录门槛，半小时可以完成全量复核；本条目的附录 A/P/K 三处是核对结果落盘的位置。
事实清单（硬事实 36 条）
以下 36 条为本条目全部硬事实的压缩登记，来源均为官网 v1.0/v1.5 双页、Zenodo 发布页与论文实抓（抓取时点 2026-10-04）：
- GLENDA 全称 Gynecologic Laparoscopy ENdometriosis DAtaset。
- 论文标题「GLENDA: The ITEC Gynecologic Laparoscopy Endometriosis Dataset」。
- 发表于 MMM 2020（韩国大田，2020-01-05 起）MDRE special session。
- 收录于 Springer LNCS 11962，pp. 439-450。
- 论文 DOI：10.1007/978-3-030-37734-2_36。
- Zenodo 概念 DOI：10.5281/zenodo.4570964。
- Zenodo 版本 DOI（v1.5）：10.5281/zenodo.4570965。
- v1.5 发布日期：2021-03-01。
- 作者五人：Leibetseder、Kletz、Schoeffmann、S. Keckstein、J. Keckstein。
- Andreas Leibetseder ORCID：0000-0002-9535-966X（Klagenfurt ITEC）。
- Sabrina Kletz ORCID：0000-0002-7275-0594（Klagenfurt ITEC）。
- Klaus Schoeffmann ORCID：0000-0002-9218-1704（Klagenfurt ITEC）。
- Simon Keckstein ORCID：0000-0002-3333-7393（LMU Munich）。
- Jörg Keckstein ORCID：0000-0002-3943-3300（Ulm University，视频提供者）。
- 资助：FWF Austrian Science Fund，项目 P 32010-N38。
- v1.0 总量：520 注释/302 注释帧/138 序列/25,682 总帧。
- v1.0 peritoneum：402 注释/203 帧/单帧最多 9/73 序列/6,470 帧。
- v1.0 ovary：51 注释/48 帧/单帧最多 2/15 序列/2,478 帧。
- v1.0 uterus：14 注释/8 帧/单帧最多 3/5 序列/475 帧。
- v1.0 DIE：53 注释/43 帧/单帧最多 3/18 序列/2,821 帧。
- no pathology 阴性包：13,438 帧（v1.5 口径 27 cases）。
- v1.5 总量：102 cases/373 帧/628 多边形注释。
- v1.5 peritoneum：84 cases/257 帧/489 注释。
- v1.5 ovary：27 cases/53 帧/54 注释。
- v1.5 uterus：11 cases/17 帧/25 注释。
- v1.5 DIE：29 cases/55 帧/59 注释。
- 语料池：400+ 台妇科腹腔镜手术视频（Jörg Keckstein 提供）。
- 标注工具：ITEC 自研 web 端 ECAT；采集期约四个月（arXiv:2508.21398，2025-08-29 提交）。
- 许可：CC BY-NC 4.0（四文件统一）。
- 四文件与 md5：GLENDA_v1.0.zip（1.7 GB，d711fce9e0c6b6425633331bb36793d0）、GLENDA_v1.0_no_segments_multicolor.zip（21.7 MB，63bce79e88ee6c0df84db95ce5f9ba70）、Glenda_v1.5_classes.zip（28.0 MB，52a1f31264cf67ea02c0ce07e7338dc2）、GLENDA_v1.5_no_pathology.zip（867.5 MB，7810e51a990b09b466187d4a420be582）。
- HF 镜像：MFreidank/glenda，第三方重打包，binary/multiclass 双 config 各 13,811 examples，下载 895,554,144 bytes。
- MTA 2022 基准（DOI 10.1007/s11042-021-11730-1）：detectron2 上 GLENDA mAP ≤0.030，ENID 对照 0.308/0.309。
- HAFF-Net（DOI 10.3389/fmed.2026.1875077）：GLENDA v1.5 子集 5 折 mAP@0.5 = 0.291±0.037，YOLOv8n 基线 0.238±0.038，held-out recall 0.268。
- 官网：itec.aau.at/glenda（v1.0 与 v1.5 各一页）。
- 官网 v1.5 页许可句笔误：「ENID is licensed…」（应为 GLENDA）。
- 库内互链 12 条 rid：112/123/213/223/233/313/353/408/428/693/762/780；surgtoolloc-2022 经核验不在库（0 行），排除互链。
清单使用规则：本清单是全文硬事实的单一事实源——正文任何数字与清单冲突时以清单为准并回报维护者修订；引用清单条目到论文时按附录 L 规范给出可溯源指针（DOI/官网页）；清单的更新与附录 K 双口径登记表联动（新版本发布→先改 K→再改清单对应条目）。
术语表（30 条）
| 术语 | 释义 |
|---|---|
| GLENDA | Gynecologic Laparoscopy ENdometriosis DAtaset，本条目主体的妇科腹腔镜内异症病灶标注集 |
| 子宫内膜异位症（endometriosis） | 子宫内膜组织出现在宫外部位的妇科疾病，腹腔镜直视是主要诊断手段 |
| rASRM | 美国生殖医学学会修订的内异症分期体系（I-IV 期），GLENDA 标签的临床参照之一 |
| Enzian 分型 | 内异症的分型体系（按病灶深度与部位），GLENDA 标签的另一临床参照 |
| DIE | Deep Infiltrating Endometriosis，深部浸润型内异症，GLENDA 五类之一 |
| 腺肌症（adenomyosis） | 子宫肌层内的子宫内膜异位，GLENDA 的 uterus 类对应实体 |
| Peritoneum | 腹膜——内异症最常见种植部位，GLENDA 中注释最多的类别 |
| 腹腔镜手术（laparoscopy） | 经腹壁小孔插入镜头与器械的微创手术，GLENDA 视频的采集方式 |
| bbox | Bounding box，矩形框标注，v1.0 的病灶标注形态 |
| Polygon | 多边形轮廓标注，v1.5 的病灶标注形态 |
| Binary mask | 二元分割掩码（病灶/背景），v1.0 随 bbox 附带 |
| ECAT | ITEC 自研的 web 端标注工具，GLENDA 标注的生产工具 |
| ITEC | Klagenfurt 大学信息技术研究所，数据集工程方 |
| AAU | Alpen-Adria-Universität Klagenfurt（= University of Klagenfurt），注意非丹麦 Aalborg |
| LMU Munich | 慕尼黑大学（LMU Klinikum 妇产科），临床标注参与方 |
| FWF | Austrian Science Fund，奥地利科学基金，本数据集资助方（P 32010-N38） |
| MMM | International Conference on MultiMedia Modeling，GLENDA 论文的发表会议（2020 届在大田） |
| LNCS | Lecture Notes in Computer Science，Springer 计算机讲义丛书（GLENDA 论文在 11962 卷） |
| Zenodo | CERN 运营的开放科研仓储，GLENDA 四文件的官方分发渠道 |
| 概念 DOI | 指向 Zenodo 发布家族所有版本的持久标识（4570964） |
| 版本 DOI | 指向 Zenodo 某一具体版本的持久标识（v1.5 = 4570965） |
| md5 | 摘要校验算法，Zenodo 为四个发布文件提供官方 md5 值 |
| CC BY-NC 4.0 | 署名-非商业性使用 4.0 国际许可，GLENDA 全部文件的许可 |
| detectron2 | Meta 开源的目标检测框架，MTA 2022 官方基准所用 |
| mAP | mean Average Precision，目标检测综合指标（MTA 2022 口径 ≤0.030） |
| mAP@0.5 | IoU 阈值 0.5 下的 mAP（HAFF-Net 口径 0.291±0.037） |
| 5 折交叉验证 | 将数据分五份轮换验证的评估协议（HAFF-Net 采用） |
| YOLOv8 | Ultralytics 目标检测系列，HAFF-Net 论文的对比基线（v8n = 0.238±0.038） |
| ENID | ITEC 同组的内异症检测数据集（GLENDA 姊妹集，MTA 2022 对照 mAP 0.308/0.309） |
| LapGyn4 | ITEC 前身数据集（MMSys 2018，妇科腹腔镜四类器官分类，无病灶定位） |
使用说明：术语表按「疾病与临床（前 8 条）→ 标注与形态（4 条）→ 机构与人名（5 条）→ 出版与标识（5 条）→ 评估与生态（8 条）」分组排列；正文首次出现处多数已就地解释，本表供跳读与翻译场景（如英文论文写作时核对中译名）快速回查。
附录
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| slug | glenda |
| 正式名称 | GLENDA: The ITEC Gynecologic Laparoscopy Endometriosis Dataset |
| 版本 | v1.0（2020）/ v1.5（2021-03-01） |
| 许可 | CC BY-NC 4.0 |
| 官网 | itec.aau.at/glenda |
| Zenodo | doi:10.5281/zenodo.4570964（概念）/ 10.5281/zenodo.4570965（v1.5） |
| 论文 | doi:10.1007/978-3-030-37734-2_36（LNCS 11962, pp. 439-450） |
| 团队 | ITEC（Klagenfurt）+ LMU Munich + Ulm University |
| 资助 | FWF P 32010-N38 |
| ORCID | 0000-0002-9535-966X / 0000-0002-7275-0594 / 0000-0002-9218-1704 / 0000-0002-3333-7393 / 0000-0002-3943-3300 |
| 库内 URL 占位 | https://www.qianfanghub.com/ai-ready-dataset/glenda/820 |
| 条目抓取时点 | 2026-10-04 |
附录 B：DAIMS 评估全表
| 维度 | 评分（1-10） | 依据 |
|---|---|---|
| D 可发现性 | 8 | 官网+Zenodo+论文三入口互链、DOI 稳定；扣分：名称易与 LapGyn4/GLENDA-VIS 混淆、无集中元数据页 |
| A 可获取性 | 9 | 无注册无申请直链下载、四文件带官方 md5、全程分钟级——医学视频数据集第一梯队；扣分：1.7 GB 主包对弱网环境偏大 |
| I 可互操作 | 7 | v1.5 多边形可直接转 COCO/YOLO、v1.0 bbox 通用格式、图像为标准帧格式；扣分：无官方格式转换脚本、无独立数据字典文档 |
| M 元数据 | 7 | 统计表/类别定义/许可/引用格式齐备；扣分：字段级说明散在论文正文、官网许可句有笔误（坑 5） |
| S 可持续性 | 8 | FWF 资助背景+Zenodo 长期归档+概念/版本 DOI 双机制+团队八年持续维护（至 2025 仍有工具复盘产出） |
附录 C：逐项证据链自证
| 条目关键主张 | 证据源 | 可复核动作 |
|---|---|---|
| v1.0 统计（520/302/138/25,682 与类别明细） | 官网 v1.0 页统计表 | 访问 itec.aau.at/glenda v1.0 页对照 §2.2 表 |
| v1.5 统计（102 cases/373 帧/628 注释与类别明细） | 官网 v1.5 页统计表 | 访问 v1.5 页对照 §2.3 表 |
| 四文件体量与 md5 | Zenodo 发布页文件列表 | 打开概念 DOI 页逐文件核对 §2.5 表 |
| 论文出处与页码 | Springer LNCS 11962 | 按 DOI 10.1007/978-3-030-37734-2_36 核对 |
| 作者与 ORCID | 论文作者列表+ORCID 注册系统 | 按 ORCID 号逐人检索 |
| 资助号 FWF P 32010-N38 | 论文致谢节 | 对照论文 PDF 致谢 |
| MTA 2022 基线 ≤0.030 与 ENID 对照 | MTA 论文（doi:10.1007/s11042-021-11730-1） | 读其结果节 |
| HAFF-Net 0.291±0.037 | Frontiers in Medicine（doi:10.3389/fmed.2026.1875077） | 读其实验节 |
| ECAT 四个月采集期 | arXiv:2508.21398 | 读其采集流程节 |
| HF 第三方镜像口径 | HF 数据集卡 MFreidank/glenda | 读卡面 config 与 tags |
| 官网 v1.5 许可句笔误 | 官网 v1.5 页许可段原文 | 对照 v1.0 页写法 |
附录 D：数据获取决策树
需要 GLENDA 数据
├─ 只想看标注效果 → multicolor 包（21.7 MB）→ 解压浏览渲染帧
├─ 做检测（对标官方基线）
│ ├─ 下载 GLENDA_v1.0.zip（1.7 GB）→ md5 校验
│ └─ detectron2 + MTA 2022 口径 → 预期 mAP ~0.03
├─ 做分割（对标 0.291）
│ ├─ 下载 Glenda_v1.5_classes.zip（28.0 MB）+ GLENDA_v1.5_no_pathology.zip（867.5 MB）
│ ├─ 多边形 → COCO/YOLO（附录 G）
│ └─ 5 折交叉验证 + mAP@0.5 口径
├─ 快速原型（可接受第三方口径）
│ └─ HF MFreidank/glenda（注明非官方）
└─ 商业用途 → 停：CC BY-NC 4.0 红线，联系 ITEC 授权
附录 E：v1.0 / v1.5 双统计总表（合并版）
| 类别 | v1.0 注释 | v1.0 注释帧 | v1.0 序列 | v1.0 序列帧 | v1.5 cases | v1.5 帧 | v1.5 多边形 |
|---|---|---|---|---|---|---|---|
| Peritoneum | 402 | 203 | 73 | 6,470 | 84 | 257 | 489 |
| Ovary | 51 | 48 | 15 | 2,478 | 27 | 53 | 54 |
| Uterus | 14 | 8 | 5 | 475 | 11 | 17 | 25 |
| DIE | 53 | 43 | 18 | 2,821 | 29 | 55 | 59 |
| 病灶类合计 | 520 | 302 | 138 | 12,244 | 102（去重口径） | 373 | 628 |
| No pathology | — | — | — | 13,438 | 27 | 13,438 | — |
使用注意：两代口径独立（坑 2）；v1.5 病灶类 cases 相加 151 > 102 是去重口径（一例多病灶），引用照抄官网。
附录 F：md5 校验清单与脚本
#!/usr/bin/env bash
# GLENDA 四文件完整性校验（在下载目录内执行）
set -e
cat > GLENDA_md5.txt <<'EOF'
d711fce9e0c6b6425633331bb36793d0 GLENDA_v1.0.zip
63bce79e88ee6c0df84db95ce5f9ba70 GLENDA_v1.0_no_segments_multicolor.zip
52a1f31264cf67ea02c0ce07e7338dc2 Glenda_v1.5_classes.zip
7810e51a990b09b466187d4a420be582 GLENDA_v1.5_no_pathology.zip
EOF
md5sum -c GLENDA_md5.txt
# 四行全 OK 即通过；任一 FAILED 则重下载对应文件
附录 G：v1.5 多边形 → COCO/YOLO 转换骨架
# GLENDA v1.5 classes 包 -> COCO / YOLO-seg 转换骨架
# 依赖：解压后的 Glenda_v1.5_classes 目录（按类别组织的图像+多边形标注）
import json, pathlib
from PIL import Image
CLASS_MAP = { # 五类固定顺序；no pathology 不参与检测标注
"peritoneum": 0, "ovary": 1, "uterus": 2, "die": 3,
}
def polygon_points(ann_file):
# 按官方标注文件格式解析多边形顶点序列
# （实现时先肉眼确认 1-2 个样本文件的坐标格式再全量转换）
raise NotImplementedError("按实际标注文件格式填充")
def to_coco(root: pathlib.Path, out: pathlib.Path):
images, annotations, categories = [], [], []
for name, cid in CLASS_MAP.items():
categories.append({"id": cid, "name": name, "supercategory": "endometriosis"})
ann_id = 0
for img_id, img_path in enumerate(sorted(root.rglob("*.jpg"))):
w, h = Image.open(img_path).size
images.append({"id": img_id, "file_name": str(img_path.relative_to(root)),
"width": w, "height": h})
for pts in polygon_points(img_path.with_suffix(".txt")):
annotations.append({
"id": ann_id, "image_id": img_id, "category_id": CLASS_MAP[...],
"segmentation": [pts], "bbox": [min(pts[0::2]), min(pts[1::2]),
max(pts[0::2])-min(pts[0::2]),
max(pts[1::2])-min(pts[1::2])],
"area": 0.0, "iscrowd": 0})
ann_id += 1
out.write_text(json.dumps({"images": images, "annotations": annotations,
"categories": categories}))
（骨架保留实现占位逻辑，实际填充前先检查官方标注文件的坐标格式；转换后务必可视化抽验至少每类 3 帧。）
附录 H：5 折交叉验证评估骨架（对标 HAFF-Net 口径）
# 对标 HAFF-Net 2026：GLENDA v1.5 子集 5 折 mAP@0.5
# 口径要点：按 case 划分折（防帧泄漏）；指标 mAP@0.5；报均值±标准差
import numpy as np
from sklearn.model_selection import GroupKFold
def five_fold_eval(cases, detect_fn, truth_fn, n_splits=5):
scores = []
gkf = GroupKFold(n_splits=n_splits)
for fold, (tr, te) in enumerate(gkf.split(cases, groups=[c.patient for c in cases])):
preds = [detect_fn(c) for c in cases[te]] # 换成你的检测推理
truths = [truth_fn(c) for c in cases[te]]
scores.append(map_at_05(preds, truths)) # 换成 pycocotools 或等价实现
print(f"fold {fold}: mAP@0.5 = {scores[-1]:.3f}")
print(f"5-fold mAP@0.5 = {np.mean(scores):.3f} ± {np.std(scores):.3f}")
# 参照锚：HAFF-Net 0.291±0.037；YOLOv8n 0.238±0.038
附录 I：坑点档案对照表
| 坑号 | 一句话 | 详见 |
|---|---|---|
| 坑 1 | GLENDA ≠ LapGyn4 ≠ GLENDA-VIS（三代产出别混） | §10 / §4.1 |
| 坑 2 | v1.0/v1.5 口径完全不同，数字不可混算 | §10 / §2.1 |
| 坑 3 | 400+ 是语料池不是标注规模 | §10 / §2.1 |
| 坑 4 | HF MFreidank/glenda 是第三方重打包 | §10 / §2.6 |
| 坑 5 | 官网 v1.5 页许可句笔误（ENID 字样） | §10 / §6.2 |
| 坑 6 | Zenodo 文件名大小写不统一，原样照抄 | §10 / §2.5 |
| 坑 7 | 两套基准口径不同，不可直接互比 | §10 / §5.3 |
| 坑 8 | 搜索摘要生成错误（Aalborg）+ NC 许可红线 | §10 / §6.2 |
附录 J：检索决策树
你在找什么
├─ 妇科腹腔镜+病灶标注 → 本条目（GLENDA）
├─ 妇科腹腔镜+手术阶段 → autolaparo(rid 313)
├─ 手术视频病灶检测（其他专科）→ endoscapes(rid 353)
├─ 腹腔镜器官分割 → cholecseg8k(rid 233)
├─ 腹腔镜流程理解 → cholect50(rid 223) / endomapper(rid 428)
├─ 内窥镜分割入门/课程低端 → kvasir-seg(rid 112)
├─ 上消化道大规模 → hyperkvasir(rid 693)
├─ 胶囊内镜视频帧 → kvasir-capsule(rid 123)
├─ 器械标注 → kvasir-instrument(rid 213) / surgtoolloc 系（未入库，注意）
└─ 腹腔镜定位/运动 → endoslam(rid 408) / slam-laparoscopic-motions(rid 762)
附录 K：双口径登记表（维护用）
| 事项 | v1.0 口径 | v1.5 口径 |
|---|---|---|
| 发布时间 | 2020（MMM 2020 同步） | 2021-03-01 |
| 统计单位 | 注释/注释帧/序列 | case/帧/多边形 |
| 总量 | 520/302/138（25,682 总帧） | 102 cases/373 帧/628 |
| 标注形态 | bbox+binary mask | polygon |
| 基准锚 | MTA 2022 ≤0.030 | HAFF-Net 0.291±0.037 |
| 适用任务 | 检测复现 | 分割训练 |
附录 L：引文规范与 BibTeX
论文条目：
@inproceedings{leibetseder2020glenda,
title = {GLENDA: The ITEC Gynecologic Laparoscopy Endometriosis Dataset},
author = {Leibetseder, Andreas and Kletz, Sabrina and Schoeffmann, Klaus and
Keckstein, Simon and Keckstein, J{\"o}rg},
booktitle = {MultiMedia Modeling (MMM 2020)},
series = {Lecture Notes in Computer Science},
volume = {11962},
pages = {439--450},
year = {2020},
doi = {10.1007/978-3-030-37734-2_36}
}
@misc{glenda2021zenodo,
title = {GLENDA (Version 1.5) [Data set]},
author = {Leibetseder, Andreas and Kletz, Sabrina and Schoeffmann, Klaus and
Keckstein, Simon and Keckstein, J{\"o}rg},
howpublished = {Zenodo},
year = {2021},
doi = {10.5281/zenodo.4570964}
}
数据集条目（风格 B）：Leibetseder, A., et al. (2021). GLENDA (Version 1.5) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.4570964。基准对比另引 MTA 2022（doi:10.1007/s11042-021-11730-1）与 HAFF-Net（doi:10.3389/fmed.2026.1875077）；标注方法论另引 arXiv:2508.21398。
附录 M：FAIR / AI-Ready 检查单
| 检查项 | 状态 | 说明 |
|---|---|---|
| F1 元数据带持久标识 | 通过 | 概念+版本双 DOI |
| F2 数据可引用 | 通过 | 官方引用格式+论文双载体 |
| A1 可获取协议开放 | 通过 | HTTPS 直链、无注册 |
| A2 元数据可获取 | 通过 | 官网+Zenodo 页面 |
| I1 开放格式 | 通过 | ZIP+标准图像+坐标文本 |
| I2 术语对齐 | 通过 | rASRM/Enzian 临床术语 |
| R1 许可明确 | 通过 | CC BY-NC 4.0（NC 限制需注意） |
| R2 来源可溯 | 通过 | 论文+资助号+ORCID |
| AI-Ready：可直接入训练循环 | 基本通过 | v1.5 转换后即可；扣分：无官方转换脚本、无独立数据字典 |
附录 N：基于本数据集的研究检查清单（12 项）
- 声明使用的版本（v1.0 或 v1.5）与统计口径。
- 声明任务（检测/分割/分类）与对应标注形态。
- 划分按序列/case 切，防帧级泄漏，划分清单随文发布。
- 按病灶类别拆分报告指标，uterus 附样本量声明。
- 整体指标之外报 per-class 与误差条（均值±标准差）。
- 阴性包用途（训练负类/独立假阳性测试）明示。
- 基线对照选对口径：v1.0 → MTA 2022（≤0.030）；v1.5 → HAFF-Net（0.291±0.037）。
- 引用双载体（论文+Zenodo DOI），版本 DOI 按实际所用。
- 许可合规自查：非商业、署名齐全。
- 单中心来源限制写入 limitations，不做跨中心泛化声明。
- 不将 HF 第三方镜像数字与官网统计混引。
- 预处理链（色彩归一/增广/分辨率）完整报告。
附录 O：缩写速查
| 缩写 | 全称 |
|---|---|
| GLENDA | Gynecologic Laparoscopy ENdometriosis DAtataset |
| DIE | Deep Infiltrating Endometriosis |
| rASRM | revised American Society for Reproductive Medicine staging |
| ECAT | ITEC 的 web 端标注工具（Endoscopy Copilot Annotation Tool 系其工具线命名） |
| ITEC | Institute of Information Technology，Klagenfurt 大学研究所 |
| AAU | Alpen-Adria-Universität Klagenfurt |
| FWF | Austrian Science Fund |
| MMM | International Conference on MultiMedia Modeling |
| LNCS | Lecture Notes in Computer Science |
| MTA | Multimedia Tools and Applications（期刊） |
| mAP | mean Average Precision |
| NC | NonCommercial（CC 许可条款） |
| HF | HuggingFace |
| DAIMS | Discoverability/Accessibility/Interoperability/Metadata/Sustainability |
附录 P：本条目生产档案
| 项 | 值 |
|---|---|
| 生产代理 | agent-b-glenda |
| 工作锁 | writing/glenda/.lock = agent-b-glenda 1791044905（md5 484510bf08a2d021feb7400760b68a49） |
| 三查时间戳 | 1791044905 |
| 留痕 PID | 821131（开工三查时点） |
| 事实档案 | writing/glenda/FACTS.md（九节） |
| 外部抓取时点 | 2026-10-04（官网 v1.0/v1.5 双页、Zenodo 发布页、论文元数据、HF 卡片） |
| 互链核验 | 12 条 status=1；surgtoolloc-2022 查询 0 行排除 |
| 双自检 | check_md.py + preflight_check.py（结果见汇报） |
附录 Q：Day-1 上手 SOP（从零到首跑）
按小时计的最短上手路径（假设有 GPU 环境与 Python 3.10+）：
| 步骤 | 动作 | 产出/判据 |
|---|---|---|
| 1 | Zenodo 下载 GLENDA_v1.5_no_pathology.zip 之外的三个轻文件（multicolor + v1.5 classes + 阴性包），主包视任务后补 |
分钟级 |
| 2 | md5 校验（附录 F 脚本） | 四行 OK |
| 3 | 解压 multicolor 包浏览标注渲染，建立直观认知 | 确认五类外观预期 |
| 4 | 解压 v1.5 classes，抽验每类 3 帧标注文件坐标格式 | 记录格式备忘 |
| 5 | 跑附录 G 骨架转 COCO，可视化抽验转换结果 | 坐标叠加正确 |
| 6 | 按 case 划分 5 折（GroupKFold），落盘划分清单 | 折清单 JSON |
| 7 | YOLOv8n 级小模型先跑通一折 | 与 0.238 基线同量级 |
| 8 | 完整 5 折（附录 H 骨架） | 均值±标准差可报 |
| 9 | 失败模式八格分析（§5.5）启动 | 漏检/误检归类表 |
| 10 | 附录 V 全链路检查表过一遍 | 勾选完毕再投稿 |
Day-1 纪律：第 7 步对不上 0.238 量级时先查工程（转换/划分/指标实现），再谈方法创新——在这个数据集上，工程错误的代价是「看起来像方法进步的负分」或反之。
附录 R：故障排查表
| 症状 | 最可能原因 | 处置 |
|---|---|---|
| mAP 高得离谱（>0.5） | 帧级随机划分导致泄漏；或测试集混入训练序列 | 改按序列/case 划分（§Q 步骤 6） |
| mAP 为 0 或近 0 且类别齐全 | 类别 id 映射错位；bbox 坐标未随 resize 变换 | 可视化 10 张预测叠加逐帧排查 |
| 阴性帧准确率虚高 | 把 13,438 阴性帧混入主指标 | 阴性专测假阳性单列（§2.4） |
| 转换后每图标注数异常 | 一例多病灶跨类别目录未聚合（v1.5） | 跨类别聚合 case（§6.5） |
| md5 失败 | 传输截断/文件名被改写 | §6.1 三步排查 |
| 训练中 loss 正常但评估崩 | 阴性包整包进训练造成极端不平衡 | 负类采样策略化，不用全量 |
| 官网数字与本地统计对不上 | v1.0/v1.5 口径混算 | 回到 §2.1 口径表对号入座 |
附录 S：后续工作与监测登记
截至抓取时点（2026-10-04）的公开后续线索与监测点：
| 线索 | 状态 | 监测动作 |
|---|---|---|
| ENID（姊妹集） | 已见于 MTA 2022 对照（mAP 0.308/0.309） | 若正式入库本库，§9.1 补链 |
| arXiv:2510.13899（2025） | ITEC 组内延续工作 | 跟踪其是否产生新基准数字 |
| HAFF-Net 后续 | v1.5 口径现况 0.291±0.037 | 新第三方基准出现即更新 §5 |
| 官网/Zenodo 版本 | v1.5 为最新正式版 | 新版本发布即核对口径并更新附录 K |
| surgtoolloc-2022 | 不在本库（0 行核验） | 入库后可在 §9 器械轴补链（§9.3 声明） |
附录 T：任务 × 版本选型矩阵
| 你的任务 | 推荐版本 | 理由 | 对标数字 |
|---|---|---|---|
| 目标检测（复现官方） | v1.0 | MTA 2022 基准即此口径 | mAP ≤0.030 |
| 目标检测（报告新方法） | v1.5 子集 | HAFF-Net 口径可比性最强 | mAP@0.5 = 0.291±0.037 |
| 语义/实例分割 | v1.5 classes | 多边形监督、可转 COCO/YOLO | 无官方锚，附基线自报 |
| 二分类（有/无病灶） | 病灶包+阴性包 | 阴性包天然负类 | 无官方锚 |
| 标注渲染/教学演示 | multicolor 包 | 21.7 MB 轻量、直观看标注 | — |
| 数据集综述/方法论研究 | 双版本合读 | 版本演进本身是研究素材 | — |
附录 U：库内 12 条互链登记表
| rid | slug | 关系轴 | 合读建议 |
|---|---|---|---|
| 112 | kvasir-seg | 难度梯度低端 | 由易到难课程起点 |
| 123 | kvasir-capsule | 视频流+稀疏阳性同构 | 稀疏阳性处理方法互鉴 |
| 213 | kvasir-instrument | 器械轴（GLENDA 不标器械） | 器械遮挡问题对照 |
| 223 | cholect50 | 流程理解轴 | 正交任务预训练源 |
| 233 | cholecseg8k | 分割监督对照 | 器官+病灶双层监督 |
| 313 | autolaparo | 同专科（妇科）流程轴 | 妇科腹腔镜双必读 |
| 353 | endoscapes | 手术视频病灶标注（结直肠） | 病灶检测综述必引对 |
| 408 | endoslam | 几何/定位轴 | 手术导航互补输入 |
| 428 | endomapper | 多任务全景 | 单疾病深耕路线对照 |
| 693 | hyperkvasir | 大规模上消化道 | 规模与许可对照 |
| 762 | slam-laparoscopic-motions | 运动分析轴 | 技能评估视角 |
| 780 | gastroendonet | 内窥镜 AI 通用 | 模态族广度参照 |
附录 V：全链路检查表（从下载到投稿）
一条贯穿完整生命周期的检查清单，与附录 N（研究设计 12 项）互补：
下载与校验
- [ ] 四文件全部下载并过 md5（附录 F）
- [ ] 文件名原样保留（大小写混用，坑 6）
- [ ] 版本选择有书面理由（v1.0 或 v1.5，附录 T）
数据理解
- [ ] 解包抽验每类若干帧（附录 Q 步骤 4）
- [ ] §2.11 数据字典的「待实测」项全部填完
- [ ] v1.5 case 去重口径已理解（§2.3）
实验设计
- [ ] 划分按序列/case，清单落盘（附录 Q 步骤 6）
- [ ] 阴性包用途显式声明（§2.4）
- [ ] 基线口径正确（v1.0→MTA；v1.5→HAFF-Net，§5.3）
- [ ] 按类报告方案已定（§5.4）
报告与合规
- [ ] 双载体引用齐（附录 L）
- [ ] NC 合规自查过（§6.6）
- [ ] limitations 含单中心声明（附录 N 第 10 条）
- [ ] 失败模式分析至少覆盖 §5.5 八格中的四格
附录 W：常见检索/写作错误与修正对照
| 错误表述 | 问题 | 修正表述 |
|---|---|---|
| 「GLENDA 包含 400 多台标注手术」 | 语料池当标注规模（坑 3） | 「标注源自 400+ 台手术语料池，含 520 个注释（v1.0）」 |
| 「v1.5 有 25,682 帧数据」 | v1.0 总帧安到 v1.5 头上（坑 2） | 「v1.0 共 25,682 帧；v1.5 为 102 cases/373 帧」 |
| 「GLENDA 由 Aalborg 大学发布」 | 搜索摘要生成错误（坑 8） | 「Klagenfurt 大学 ITEC（AAU）」 |
| 「六年间 mAP 提升十倍」 | 跨口径对比（坑 7） | 「两口径各自有基准锚：≤0.030（v1.0）/0.291±0.037（v1.5）」 |
| 「GLENDA 的许可在 v1.5 页有变更」 | 官网笔误当变更（坑 5） | 「四文件统一 CC BY-NC 4.0（Zenodo 元数据为准）」 |
| 「官方数据可在 HuggingFace 加载」 | 第三方当官方（坑 4） | 「官方渠道为 Zenodo；HF 为第三方重打包」 |
| 「GLENDA-2 / GLENDA v2.0 已发布」 | 版本虚构 | 「截至 2026-10-04 最新正式版为 v1.5」 |
| 「520 个病灶分割掩码」 | 形态混淆 | 「v1.0：bbox+binary masks；v1.5：628 个多边形」 |
尾注
本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-04，抓取与核验时点见附录 A 与附录 P。事实陈述以官网 itec.aau.at/glenda（v1.0/v1.5 双页统计表）、Zenodo 发布页（四文件与 md5）、MMM 2020 论文（LNCS 11962）为源；官网 v1.5 页许可句笔误、v1.0/v1.5 口径分裂、Zenodo 文件名大小写不一、HF 第三方镜像口径等原始文档缺陷已在坑点与附录 I 存照。条目与库内 autolaparo（rid 313）、endoscapes（rid 353）、cholecseg8k（rid 233）、kvasir-seg（rid 112）等 12 条互链，构成「腹腔镜手术视频理解 + 内窥镜病灶标注」家族的完整检索面。维护触发点见 FAQ Q32 与附录 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：
- kvasir-hyperkvasir — 共享标签：医学影像 / 内窥镜影像 / 手术视频 / 医学图像分割 / 图像分类
- lapgyn4 — 共享标签：医学影像 / 内窥镜影像 / 手术视频 / 目标检测 / 图像分类
- phakir — 共享标签：医学影像 / 内窥镜影像 / 手术视频 / 医学图像分割 / 目标检测
- galar — 共享标签：医学影像 / 内窥镜影像 / 手术视频 / 目标检测 / 图像分类
- endovis-2026 — 共享标签：医学影像 / 内窥镜影像 / 手术视频 / 医学图像分割 / 目标检测
- kvasir-capsule — 共享标签：医学影像 / 内窥镜影像 / 目标检测 / 图像分类
- wcebleedgen — 共享标签：内窥镜影像 / 医学图像分割 / 目标检测 / 图像分类
- bm-bronch — 共享标签：医学影像 / 内窥镜影像 / 医学图像分割 / 图像分类
- ead2019 — 共享标签：医学影像 / 内窥镜影像 / 医学图像分割 / 目标检测
- grasp — 共享标签：内窥镜影像 / 手术视频 / 医学图像分割 / 目标检测
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。
