信息速览
INFOBOX — HMC-QU 一屏速览
维度 内容 本质 全球首个公开面向左心室壁心肌梗死（MI）检测的 2D 超声心动图基准数据集，兼含左心室壁逐帧分割子集 团队 Hamad Medical Corporation 心脏医院（卡塔尔多哈）× Qatar University × Tampere University（芬兰坦佩雷） 主引论文 Degerli et al., Biomedical Signal Processing and Control, 2024, 87:105448（doi:10.1016/j.bspc.2023.105448） 前作 P2：IEEE Access 2021（分割+检测三阶段）；P3：IEEE Access 2020（Active Polynomials 首公开） 数据 322 段视频（A4C 162 + A2C 160）来自 162 例患者（93 MI + 69 non-MI）；2018–2019 采集 规格 25 fps；422×636 – 768×1024 px；Philips 与 GE Vivid 设备；分割掩码 224×224 px 视图 心尖四腔（A4C）与心尖二腔（A2C）双视图，共 12 节段（17 节段模型示意） 任务 ①心肌节段 MI/non-MI 二分类检测；②109 例 A4C 左心室壁逐帧分割 标注 5 级严重度（正常/运动减弱/无运动/运动障碍/室壁瘤）→ 二分类归并；依 ECG 定舒张/收缩末期 基准 分割灵敏度 95.72%/特异度 99.58%；多视图 MI 检测灵敏度 90.91%/精确率 86.36% 获取 Kaggle（aysendegerli/hmcqu-dataset，Version 6，171.26 MB）；另需邮箱申请 mkiranyaz@qu.edu.qa 许可 CC BY-NC-SA 3.0 IGO（署名—非商业性使用—相同方式共享） 库内互链 EchoNet-Dynamic（526）、EchoNet-LVH（530）、EchoNet-Pediatric（771）、Myocardial Perfusion SPECT（620）、CAMUS
HMC-QU 是一副"心脏超声的第一张公开 MI 考卷"。在它出现之前，缺乏任何公开的超声心动图基准能同时提供"心肌梗死的节段级诊断标签"和"左心室壁的逐帧分割掩码"——而这两件事恰是临床判断心梗最早、最可靠的线索（区域壁运动异常）的两个计算化侧面。HMC-QU 把 2018–2019 年卡塔尔哈马德医疗集团心脏医院的一批去标识超声心动图整理成 322 段心尖四腔（A4C）与二腔（A2C）视频，覆盖 162 例患者（93 例心梗、69 例非心梗），并把其中 109 例的左心室壁逐帧描画出来。它一举成为多篇后续论文（IEEE Access、BSPC、CinC、ICIP）的公共试验台，也是"医学数据可获取性光谱"上一个耐人寻味的样本：数据集本体躺在 Kaggle 上，但要真正拿到手，官方仍指引你发一封邮件。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——注意 Kaggle 页明确要求邮件申请（mkiranyaz@qu.edu.qa），且 slug 有
hmcqu-dataset与hmc-qu-dataset两种写法（坑 2）。 - 关心规模数字：先读坑 1 与坑 3——早期"260 段/130 例"与现行"322 段/162 例"是两个版本口径，别拿旧论文的数去质疑新数据；A2C 段数还有三源不一致。
- 做 MI 检测模型：直奔 §4 任务与标注、§5 基准——A4C/A2C/multi-view 三种评估协议与各自的性能数字都在这里，附库内 EchoNet 系列对照。
关于本条目的一份诚实声明：HMC-QU 的公开材料在"规模数字"上存在多来源、多版本的不一致，本条目不回避这一点，而是在 §2.2 与避坑清单中逐条存照。凡涉及具体数字处，均标注其来源与口径；凡存疑处，均写明"官方未澄清"。读者若发现与某单一来源不符，多半正是口径差异而非笔误——请对照坑 1、3、6、7。
§0 导读：这个数据集解决什么问题
心肌梗死（MI, Myocardial Infarction，俗称"心梗"）是全球首要死因之一。动脉粥样硬化斑块破裂堵塞冠状动脉后，缺血心肌节段最早、最可靠的变化不是疼痛、不是心电图，而是区域壁运动异常（RWMA, Regional Wall Motion Abnormality）——即某一片左心室壁在心搏中"该收缩却不收缩、该增厚却不增厚"。超声心动图（Echocardiography，简称"心脏超声"）正是捕捉 RWMA 最廉价、最无创、最即时的工具：探头一放，实时影像里左心室壁的运动肉眼可辨。
问题在于"肉眼可辨"与"计算可量化"之间隔着一条鸿沟。要把 RWMA 变成模型可学的标签，至少有四个前置条件：
- 一批带金标准 MI 诊断且经过伦理审查的超声视频——否则标签就成了"看一眼觉得像"的主观判断，无法作为监督信号。
- 把"哪一段心肌属于哪一段"这种解剖学知识固定下来——这就是 17 节段（17-segment）或心尖双视图 12 节段模型的由来。没有节段划分，"某处壁运动异常"就无从定位。
- 把"心搏的哪一帧"锚定清楚——舒张末期（end-diastole）与收缩末期（end-systole）是心脏功能量化的两个基准时刻；帧锚定不清，跨样本的壁厚度/位移就无法比较。
- 最好还能把左心室壁的边界逐帧描出来——因为壁的厚度变化本身就是 RWMA 的量化载体。有了分割掩码，壁运动分析才能落到像素/边界层面。
HMC-QU 的价值就在于它第一次把这四个条件凑齐并公开。它的 322 段视频带节段级 MI/non-MI 标签，覆盖 93 例经心电与心肌酶证据确诊、并在诊断后接受冠脉造影/球囊扩张（coronary angioplasty）的急性心梗患者；它对 109 例 A4C 视频给出一个完整心动周期的逐帧左心室壁分割掩码；它还随论文公开了用"主动多项式（Active Polynomials, APs）"从心内膜边界提取的运动特征。副标题里那句"first publicly shared dataset for MI detection on the left ventricle wall"并非营销辞令——在它之前（2020 年前后），公开的超声心动图集合要么无 MI 标签、要么无分割、要么规模太小不成基准。
为什么"公开"这件事本身重要：医学 AI 的进展依赖于可复现的基准。在此之前，超声心动图的 MI 检测研究往往各自采集数据、各自定义标签，结果无法横向比较。HMC-QU 提供了一个公共坐标，让不同团队的方法第一次能在同一批数据、同一套标签、同一评估协议下对话——这正是它被反复引用的根本原因。它不完美（规模小、单中心、口径有版本差异），但"第一个公开"的历史位置赋予了它持久的引用价值。
一个类比：如果说 ImageNet 之于计算机视觉、MIMIC 之于重症监护数据，那么 HMC-QU 之于"超声心动图心肌梗死检测"扮演的是类似的"公共标尺"角色——只不过它的规模小得多。标尺的价值不在长度，而在"大家用它量同一件事"。
这个数据集适合谁快速上手：如果你的实验室正在做心血管影像的 MI 检测、心脏超声视频分割、或多视图融合，HMC-QU 是最省事的起点——它有现成的标签、现成的划分、现成的代码。如果你的目标是训练一个可部署的临床模型，HMC-QU 单独不够，但可作为验证环节的一部分。
这个数据集容易踩的雷：规模数字的版本分歧（260/130 vs 322/162）几乎必然让首次检索者困惑；获取的"双层"（Kaggle vs 邮件）也常让人不知道该走哪条路。这两点会在 §2.2、§6.2 与避坑清单中反复出现，不是啰嗦，而是因为这些坑太容易踩。
§0 读法三则：
- 这是一个"检测 + 分割"双任务数据集，两个任务的样本范围不同：检测覆盖全部 322 段，分割只覆盖 109 例 A4C。别假设你能对 A2C 视频做有监督分割（坑 5）。
- 全文所有"第一批/首个"的表述都可回溯到作者在前作（IEEE Access 2020/2021）与 Kaggle 页的原文宣称；本条目照录并标注其为作者声明而非第三方裁定。
- 若你只是想复现 BSPC 2024 的多视图 MI 检测结果，不需要下载原始视频——GitHub 仓库
degerliaysen/MultiEchoAI已公开 APs 特征与数据划分，几行脚本即可跑通（§5.3）。
§1 数据集速览：十问十答
Q1：HMC-QU 名字里的"HMC"和"QU"是什么？
QU 是 Qatar University（卡塔尔大学）。HMC 在署名语境下指 Hamad Medical Corporation（哈马德医疗集团，卡塔尔国立医疗企业，其心脏医院 HMC Heart Hospital 是数据伦理批件与临床来源）。但 Kaggle 页正文另一处又写数据取自巴基斯坦的 “Hayatabad Medical Complex (HMC) and Indus Hospital”——同一个缩写被用于两处，是本条目最重要的存照之一（坑 4）。条目在机构署名处按 Hamad Medical Corporation 理解。
Q2：它到底有多少数据？
按现行口径（Kaggle Version 6 / BSPC 2024）：322 段视频、162 例患者，其中 A4C 视图 162 段（93 MI + 69 non-MI）、A2C 视图 160 段（80 MI + 80 non-MI）。另有 109 例 A4C 视频配逐帧左心室壁分割掩码（72 MI + 37 non-MI）。但 2021–2023 年的早期论文写的是 260 段 / 130 例受试者——这是同一数据集的早期版本口径（坑 1）。
Q3：视频的规格如何？
时间分辨率 25 帧/秒（fps），空间分辨率 422×636 至 768×1024 像素不等（取决于设备与增益设置），采集设备来自 Philips 与 GE Vivid（GE Healthcare, USA） 两个厂商。分割掩码统一缩放到 224×224 像素，以适配主流深度网络输入尺寸。
Q4：MI 的标签是怎么定义的？
采用节段级二分类：MI 表示该心肌节段出现任何**区域壁运动异常（RWMA）**迹象；无 RWMA 者记为 non-MI。原始标注其实更细，把节段运动分为 5 级——1 正常/运动过度、2 运动减弱（hypokinesia）、3 无运动（akinesia）、4 运动障碍（dyskinesia）、5 室壁瘤（aneurysm）；多数研究简化为二分类：1 → non-MI，(2,3,4,5) → MI。
Q5：心搏的帧是怎么定的？
每段视频预定义一个"心动周期"的帧范围。舒张末期与收缩末期依患者的心电图（ECG）确定；对无 ECG 记录的患者，则按左心室面积最大帧（舒张末期）与最小帧（收缩末期）来定义。
Q6：患者是怎么纳入的？
93 例 MI 患者均为首次发作的急性心梗，经心电图与心肌酶证据确诊后接受冠脉造影/球囊扩张；超声记录在入院 24 小时内、或在球囊扩张之前采集。69 例 non-MI 受试者因其他原因在医院接受健康检查或排查。伦理批件由本地伦理委员会于 2019 年 2 月出具。
Q7：那个"10,000+ 例/800+ STEMI"是什么？
这是采集医院的年度语料背景——Kaggle 页原文说这批去标识记录"来自一年内进行的超过 10,000 次超声检查，其中包括 800 多例因急性 ST 段抬高型心肌梗死（STEMI）入院的病例"。它不是 HMC-QU 数据集本体的收录量（本体是 322 段）。第三方数据站常把这两个数字混为一谈当成卖点（坑 6）。
Q8：数据集能做哪些任务？
两个：（1）心肌梗死检测——把一段心尖视图视频判断为 MI 或 non-MI（可在 A4C、A2C 单视图或多视图融合上做）；（2）左心室壁分割——对 109 例 A4C 视频逐帧勾出左心室壁整体。
Q9：配套代码和特征在哪？
GitHub 仓库 degerliaysen/MultiEchoAI 公开了 Active Polynomials 提取的特征（APs_Features）、单视图与多视图的数据划分（DataSplits）、模型定义（models.py）与训练脚本（train.py）。它在 BSPC 2024 论文里作为官方实现发布。
Q10：许可和获取门槛是什么？
许可为 CC BY-NC-SA 3.0 IGO（署名—非商业性使用—相同方式共享）。获取有两层：Kaggle 数据集页（aysendegerli/hmcqu-dataset）可直接下载；但 Kaggle 页与 GitHub 都同时要求"发送邮件至 mkiranyaz@qu.edu.qa 申请访问"。这两层的关系是检索者最常踩的坑（§6、坑 2）。
Q11（补充）：它是"挑战赛"数据集吗？
不是。HMC-QU 没有配套的 Kaggle 竞赛或公开排行榜，它是一个静态基准数据集，附方法论文与官方代码。这与 PANDA、BraTS 等带挑战赛的数据集不同——它的"分数"来自各团队在论文里自报，缺乏统一的 leaderboard 治理，这也是坑 9（指标不可直接排序）的深层原因。
Q12（补充）：中文社区怎么称它？
中文里常直呼 “HMC-QU 数据集"或"心尖超声心肌梗死数据集”。HyperAI 超神经等中文数据站曾以"心脏医学影像数据集"为题收录镜像条目（编号 38456），但其转载文本把数据集本体规模与采集背景数字混排，中文检索时需回到 Kaggle 原文核对（坑 6）。
Q13（补充）：它和 CAMUS 有什么区别？
CAMUS 是心脏超声分割数据集（左心室腔/心肌/心房），专注解剖结构分割；HMC-QU 专注 MI 疾病诊断（辅以壁分割）。前者回答"心脏结构长什么样"，后者回答"心脏有没有心梗"。任务与临床问题不同。
Q14（补充）：数据量大吗，够训练吗？
162 例患者属于小样本。对"方法验证"足够，对"从零训练大模型"不足。实践中常与更大数据集（如 EchoNet-Dynamic 约万例）配合使用——大数据集预训练、HMC-QU 验证。
Q15（补充）：会不会有隐私风险？
数据经去标识处理且有伦理批件，但去标识的具体范围未详述。研究者仍应遵守所在机构的患者隐私与数据治理规定，不尝试再识别。
§1.5 一页速览表（给赶时间的读者）
| 你想知道 | 一句话答案 |
|---|---|
| 是什么 | 首个公开的超声心动图心肌梗死检测数据集 |
| 谁做的 | 卡塔尔 HMC + 卡塔尔大学 + 芬兰坦佩雷大学 |
| 多大 | 322 段视频 / 162 例患者（现行）；早期 260/130 |
| 什么任务 | MI 检测 + 左心室壁分割 |
| 分割覆盖 | 109 例 A4C |
| 什么模态 | 2D 超声心动图视频（心尖 A4C/A2C） |
| 25 fps / 多分辨率 | 是 / 422×636–768×1024 |
| 什么许可 | CC BY-NC-SA 3.0 IGO（禁商用） |
| 怎么拿 | Kaggle + 邮件 mkiranyaz@qu.edu.qa |
| 代码在哪 | GitHub degerliaysen/MultiEchoAI |
| 主引论文 | Degerli et al., BSPC 2024, 87:105448 |
| 最强互链 | EchoNet-Dynamic(526) |
| 最大的坑 | 版本口径；获取双层 |
§2 数据构成与规格
2.1 规模、来源与机构构成
HMC-QU 由三方共建：Hamad Medical Corporation（HMC，卡塔尔）、Qatar University（卡塔尔大学） 与 Tampere University（坦佩雷大学，芬兰）。Kaggle 页头的署名写作 “Hamad Medical Corporation Heart Hospital & Qatar University & Tampere University”。数据本体为 2018–2019 年采集的去标识 2D 超声心动图，涵盖心尖四腔（A4C）与心尖二腔（A2C）两个标准视图。
规模按现行口径（Kaggle Version 6 与 BSPC 2024）为：
| 维度 | 数值 | 拆分 |
|---|---|---|
| 视频记录总数 | 322 段 | — |
| 唯一患者 | 162 例 | 93 例 MI + 69 例 non-MI |
| A4C 记录 | 162 段 | 93 MI + 69 non-MI |
| A2C 记录 | 160 段 | 80 MI + 80 non-MI |
| 分割掩码子集 | 109 例（A4C） | 72 MI + 37 non-MI |
| 时间分辨率 | 25 fps | 全部记录一致 |
| 空间分辨率 | 422×636 – 768×1024 px | 随机型/增益变化 |
| 采集设备 | Philips、GE Vivid | GE Healthcare, USA |
| 采集年份 | 2018–2019 | — |
注：162 这个数字在本数据集中出现两次但含义不同——它既是"唯一患者数"，又恰好等于"A4C 记录数"。检索与引用时务必分清所指（坑 7）。这种数字巧合并非设计使然，而是数据巧合，容易在人工抄录时张冠李戴。
三方机构的角色大致分工为：HMC 提供临床数据与伦理批件（"HMC Hospital"的本地伦理委员会）；Qatar University 提供工程与算法侧支撑（通讯作者 Kiranyaz 在 @qu.edu.qa 邮箱）；Tampere University 提供方法学研究（作者团队中含坦佩雷团队的 Degerli 与 Gabbouj）。这一"医院 + 两所大学跨国"的组合，是许多高引用医学 AI 数据集的典型配方：临床方可提供金标准标签，学术方可提供方法学严谨性。
2.2 版本演进：从 260/130 到 322/162
这是本数据集最容易被误读的部分。同一团队同一数据集，规模在版本间发生过一次显著扩张：
- 早期口径（2021–2023）：arXiv:2111.05790（v1 2021-11-09，v3 2023-02-26）与 IEEE Access 2021 论文写 260 段记录 / 130 例受试者：A4C 130 段（80 MI + 50 non-MI）、A2C 130 段（68 MI + 62 non-MI）。多视图合并标签为 88 MI + 42 non-MI（MI 比 67.69%）。arXiv 正文的 Table I 给出 12 个心肌节段各自的 MI/non-MI 计数（如 Seg-1 为 29/101、Seg-14 为 64/66）。
- 现行口径（2024）：BSPC 2024 论文与 Kaggle Version 6 写 322 段记录 / 162 例患者：A4C 162 段（93 MI + 69 non-MI）、A2C 160 段（80 MI + 80 non-MI）。
即 A4C 从 130 扩到 162、A2C 从 130 扩到 160，患者从 130 扩到 162。扩张幅度分别为：A4C +32 段、A2C +30 段、患者 +32 例。一个细节值得注意：arXiv 摘要至今仍写"260 echocardiography recordings"（v3 未同步更新），而其相关 DOI 指向的 BSPC 2024 已是 322——摘要滞后于正文与数据版本（坑 1）。
为什么会有这次扩张：最合理的解释是团队在 2021 年 arXiv 首发后，继续纳入了更多患者与记录（尤其是把 A2C 视图从 130 扩到 160），并在 2024 年 BSPC 正式发表与 Kaggle 版本更新时同步。数据集版本号已到 Version 6，说明 Kaggle 侧经历过多次更新。109 例分割子集（72 MI + 37 non-MI）与 224×224 掩码规格在两个口径下保持一致——这意味着分割子集可能是较早冻结的、未被后续扩张所增补。
对引用者的操作建议：
- 若引"最新规模"，用 322/162（来源：Kaggle Version 6 / BSPC 2024）；
- 若引"某篇具体论文的实验规模"，用该论文自身的数字（如引 arXiv 2111.05790 的方法，则用其 260/130）；
- 切忌"用新规模 + 旧结果"或"用旧规模 + 新结果"拼接。
2.3 视频规格与采集设备
- 时间分辨率：25 帧/秒（fps），足以覆盖一个心动周期的搏动细节。以心率 60–100 次/分估算，一个心动周期约 0.6–1.0 秒，即约 15–25 帧/周期，帧数不算充裕，对"逐帧分割"任务是精度与效率的双重考验。
- 空间分辨率：422×636 至 768×1024 像素——跨幅较大（长边从 636 到 1024，约 1.6 倍），反映不同设备与增益设置的差异。这一异质性既是真实临床场景的写照，也意味着模型需对分辨率变化鲁棒。做预处理时通常会统一重采样到固定尺寸。
- 采集设备：Philips 与 GE Vivid（GE Healthcare, USA） 两类机型的超声设备。多厂商设备带来的域偏移（domain shift）是跨机泛化的天然测试点。注意：一手源多处把 Philips 拼写为 “Phillips”（多一个 l），这是原文拼写笔误，本条目按正确拼写 Philips 记录并在此存照。
- 掩码规格：左心室壁分割掩码统一为 224×224 像素，专为适配主流深度网络（如 U-Net 系）的输入尺寸而缩放。这带来一个取舍：掩码与原始分辨率不是像素级一一对应，几何细节被下采样（坑 8）。224 是深度学习图像任务的"经典尺寸"（AlexNet/ResNet 起点），选择它意味着作者优先考虑了"便于接入现成模型"，而非"保真原始几何"。
2.4 视图、节段与解剖学约定
- 两个心尖视图：A4C（心尖四腔）与 A2C（心尖二腔）。这两个视图能联合观察到约 12 个心肌节段（arXiv 正文列出的节段编号为 1/3/4/6/7/9/10/12/13/14/15/16）；Kaggle 页的示意图则采用更完整的 17 节段模型（图片名为 17_segments_diagram.png）。两者不矛盾——17 节段是标准左心室分段模型，心尖两视图覆盖其中一部分。
- 12 节段清单（arXiv Table I 口径）：Segment-1、3、4、6、7、9、10、12、13、14、15、16。其中在 MI 患者中出现计数最高的节段是 Seg-14（64 次）与 Seg-15/16（各 53 次），最低的是 Seg-6（16 次）；在 non-MI 受试者中计数最高的节段是 Seg-6（114 次）与 Seg-3（104 次）。这一分布本身反映了"哪些节段更易发生 MI"的临床经验。
- 视图互补性：论文的核心动机之一即"只用单一视图会漏诊"——某些节段的 RWMA 在 A4C 上不可见、却能在 A2C 上显现。因此多视图融合（multi-view fusion）成为其方法主张的关键。论文指出仅约 60 例患者的 MI 在两个视图上都可见，这直接说明了单视图评估会系统性低估检出率。
- 标签合并规则（多视图）：论文 Table II 定义——任一视图出现 RWMA 即记为 MI，两视图均无 RWMA 才记为 non-MI。据此（早期口径）得到 88 MI + 42 non-MI 的多视图 ground-truth。
- 17 节段 vs 12 节段的取舍：17 节段模型把左心室（含心尖帽）分为 17 块，是心脏影像学的行业标准（AHA 模型）；心尖四腔 + 二腔两个视图由于切面限制，实际能清晰观察的主要是其中 12 块。数据集标注以 12 块为主、示意图用 17 块，是"临床标准"与"可观察性"之间的务实折中。
2.5 数据文件组织（Kaggle Version 6 口径）
Kaggle 当前版本标注为 Version 6，体积 171.26 MB，共 111 个文件、19 列元数据。目录结构包含：
A4C.xlsx：心尖四腔视图的标签表；A2C.xlsx：心尖二腔视图的标签表（含 Tabelle1 工作表，163 行 × 9 列）；LV Ground-truth Segmentation Masks：左心室壁真值分割掩码目录。
配套的 GitHub 仓库则提供 APs_Features（用 Active Polynomials 从心内膜边界提取的运动特征及真值）与 DataSplits（单视图 A2C/A4C 与多视图的数据划分文件）。
文件体量与版本的关系：171.26 MB 对应 322 段视频（含 109 例逐帧掩码），平均每段视频约 0.5 MB 量级——这符合超声视频经压缩后的常见体量。若版本继续扩张，这个体积会同步变化，引用体积时须标注 Version 6。
标签表的字段（推断）：A2C.xlsx 有 163 行 × 9 列——163 行对应约 160 段 A2C 记录加表头（含空行），9 列很可能包含患者 ID、记录 ID、视图、诊断（MI/non-MI）、各节段级别等字段。由于官方未公布字段字典，使用前建议先打开核对列含义，勿凭列序假设（这一点在坑 2 的实操建议里再次强调）。
目录层级与命名：111 个文件分布在"标签表 + 掩码目录"两类之下。掩码目录 LV Ground-truth Segmentation Masks 内应包含 109 例记录的子目录或文件（命名规则官方未公开文档化）。使用前建议先 ls -R 摸清目录结构，并核对 109 这个数目是否与文件数吻合——这是校验下载完整性的实用手段。
元数据"19 列"的含义：Kaggle 页面标注"19 columns"，指的是数据集描述表格的字段宽度，而非某一具体记录表的列数（A2C.xlsx 的 9 列另计）。把这两个数字分开理解，可避免"到底几列"的困惑。
2.6 数据的预处理惯例
虽然官方未强制规定预处理，但基于数据规格可推断出几个必做的标准化步骤：
- 重采样到固定尺寸：原始分辨率 422×636 – 768×1024 不一，训练前通常统一缩放到某一固定尺寸（如 224×224 或 256×256）。由于分割掩码已是 224×224，视频帧也常顺势缩到相近尺寸以保持对齐。
- 灰度化或通道处理：超声多为灰度图，但彩色多普勒/组织多普勒帧可能带色彩。需确认数据集内是否混有彩色帧。
- 帧归一化：将每帧像素值归一化到 [0,1] 或零均值单位方差，是深度网络的常规操作。超声的散斑噪声使得简单的全局归一化可能不足，常需自适应对比度增强（如 CLAHE）。
- 心动周期对齐：若要建模时序，需按"舒张末期→收缩末期→舒张末期"的顺序对齐各记录的帧序列，避免不同记录间相位错乱。
- 划分遵循官方 DataSplits：为避免与已发表结果不可比，优先使用 GitHub 的
DataSplits而非自行随机划分。
为什么预处理一致性如此关键：在小数据集上，预处理差异对指标的影响可能大于模型架构差异。若一篇论文报告"某模型在 HMC-QU 上达 90% 灵敏度"而另一篇用不同预处理只得 80%，这不一定是模型优劣，可能只是预处理红利。引用对比时，预处理协议与模型同等重要。
2.7 版本历史与可追溯性
数据集的版本可追溯性对可复现研究至关重要。HMC-QU 在这方面有以下事实：
- Kaggle 页面当前显示 Version 6（171.26 MB），说明经历过至少 5 次历史更新。
- Version 1–5 的具体差异无公开变更日志（未见 release notes）。这是可追溯性的短板。
- 论文时间线提供了间接线索：2020（P3 首公开，基于较小规模）→ 2021（P2 与 arXiv v1）→ 2023（arXiv v3）→ 2024（P1/BSPC，规模扩至 322）。
- 数据规模的变化（130→162 患者）很可能发生在某个中间版本，但确切对应版本号无法从公开信息确定。
对使用者的建议：若你的研究需要在特定时间点复现，务必记录下载时的 Version 号与下载日期。Kaggle 允许通过 kaggle datasets download -d aysendegerli/hmcqu-dataset -v <version> 指定版本（若历史版本仍可访问），但官方未承诺永久保留所有旧版本。
2.8 数据的统计特征与分布
虽然官方未公开完整的分布统计，但从公开材料可推断几个关键的数据特征：
- 类别比例：A4C 视图 MI 比约 57%（93/162），A2C 约 50%（80/160），多视图合并后（早期口径）约 68%。整体接近"平衡偏 MI"——这对分类任务是有利的（避免了极端不平衡）。
- 视图配对：并非所有患者都有一段 A4C 和一段 A2C。早期论文指出只有约 60 例患者的 MI 在两个视图都可见，说明视图覆盖不完整。
- 设备分布：Philips 与 GE Vivid 两厂商，具体每台设备的样本量未公开。
- 分辨率分布：422×636 至 768×1024 的区间内具体分布未公开。
- 时序长度：每段视频含一个心动周期（具体帧数随心率变化，约 15–25 帧）。
这些"未公开"意味着什么：HMC-QU 的元数据粒度停留在"数据集级"（总数、总患者数、规格区间），未到"记录级"（每段视频的分辨率、帧数、设备、视图配对）。这对需要精细数据审计的研究（如按设备分层分析）构成障碍，是需要自行从文件反推的部分。
2.9 与其他超声心动图数据集的规模对比
| 数据集 | 患者/记录数 | 视图 | 任务 |
|---|---|---|---|
| HMC-QU | 162 例 / 322 段 | A4C + A2C | MI 检测 + 壁分割 |
| EchoNet-Dynamic | 约 10,030 段 | A4C | 腔分割 + EF |
| CAMUS | 500 例 | 多视图 | 心脏结构分割 |
| EchoNet-Pediatric | 约 5,000 段 | A4C | EF（儿科） |
规模定位：HMC-QU 在上述对比中属"小规模"（百例级），介于"极小"（数十例）与"中大"（千例级）之间。这一规模适合方法验证，不适合作为唯一训练集。它的比较优势不在规模，而在任务的独特性（MI 检测）与标签的可信度（临床金标准）。
2.10 一个"最小可用"的构成总结
若用一句话概括 HMC-QU 的数据骨架：322 段 25 fps 的心尖视图超声视频，来自 162 例患者（93 例急性 MI + 69 例非 MI），带节段级 MI/non-MI 标签；其中 109 例 A4C 视频附一个心动周期的逐帧左心室壁分割掩码。这就是一切后续任务与基准的出发点。
从"AI-Ready"角度看，这个骨架的成熟度处于中上游：有标签、有掩码、有划分、有官方代码，但缺统一格式标准、缺患者级明细表、缺版本变更日志。前者让它"能用"，后者让它"用起来仍需小心核对"。
2.11 与同类数据集的结构对照
为帮读者快速定位 HMC-QU，下表把它与库内几个心脏影像数据集按"模态 / 视图 / 任务 / 标签来源"对照：
| 数据集 | 模态 | 视图/范围 | 核心任务 | 标签来源 |
|---|---|---|---|---|
| HMC-QU | 超声（2D 视频） | 心尖 A4C + A2C | MI 检测 + 左心室壁分割 | 临床 MI 诊断（ECG+酶+治疗） |
| EchoNet-Dynamic | 超声（2D 视频） | 心尖 A4C | 左心室腔分割 + EF 回归 | 导管测量 EF |
| EchoNet-LVH | 超声（2D 视频） | 心尖 A4C | 左心室肥厚分级 | 临床 LVH 诊断 |
| CAMUS | 超声（2D 视频） | 多视图 | 左心室腔/心肌/心房分割 | 专家描绘 |
| ACDC | MRI | 短轴 | 左右心室+心肌分割 | 专家描绘 |
| Myocardial Perfusion SPECT | 核医学 | 断层 | 心肌灌注评估 | 临床灌注诊断 |
这张表揭示一个规律：心脏影像数据集的任务与标签来源高度耦合。HMC-QU 的独特性在于其标签是"MI 诊断"这一临床终点，而非单纯解剖结构（分割类数据集）或功能指标（EF 回归类）。这使它在"临床结局预测"这一类问题上具有不可替代的价值。
§3 采集与标注工艺
3.1 患者纳入与临床金标准
HMC-QU 的 MI 标签不是"专家看片子觉得像心梗"，而是有临床金标准支撑：
- MI 组（93 例）：均经心电图证据 + 心肌酶证据确诊为急性心梗，其中相当比例为急性 ST 段抬高型（STEMI）。确诊后患者接受了冠脉造影/球囊扩张（coronary angiogram / angioplasty）治疗。超声记录在入院 24 小时内采集，或在球囊扩张之前采集——这一时间窗设计保证了影像捕捉到的是急性期的壁运动异常，而非陈旧瘢痕。
- non-MI 组（69 例）：因其他临床原因在医院接受健康检查或排查，无 RWMA 迹象。
93 例 MI 患者均为首次发作——这排除了"多次心梗累积瘢痕"对同一患者标签的干扰，但也意味着数据集不覆盖复发性心肌梗死这一亚型。从机器学习角度看，这是一把双刃剑：标签更"干净"（同一患者的 MI 语义单一），但覆盖面更窄（模型可能学不到陈旧性 MI 的影像特征）。
诊断证据链的严谨性：把"ECG 阳性 + 心肌酶阳性 + 接受冠脉介入"三重证据作为 MI 判定的条件，是临床心梗诊断的标准流程（对应心肌梗死通用定义）。这比单纯的"心电图 ST 改变"或"单一影像判读"更接近金标准。相应地，本地伦理委员会（HMC Hospital）的批件（2019 年 2 月）意味着患者知情同意与数据去标识均经过审查。这两点（临床金标准 + 伦理审查）是 HMC-QU 标签可信度的基石，也是它区别于某些"网络爬取、标签存疑"数据集的关键。
3.2 伦理与去标识
数据使用经本地伦理委员会批准（Kaggle 页、P1 正文与第三方元数据多源一致指向 2019 年 2 月）。患者影像经过**去标识（de-identified）**处理。Kaggle 页虽声明数据"取自巴基斯坦 Hayatabad Medical Complex 与 Indus Hospital"，但机构署名与伦理批件均系 HMC——这一"采集地表述 vs 署名机构"的分歧是本数据集的存照点（坑 4）。
从合规视角看，"去标识"与"伦理批件"是医学数据集公开的两个合规要件。HMC-QU 两者齐备，但去标识的具体范围（是否移除年龄、性别等准标识符？是否移除心电图的患者信息层？）官方未详述，这也是使用者在处理患者隐私时的需自行评估之处。
3.3 节段级标注的产生
心肌节段标注的流程可概括为：
- 定义节段：依 17 节段（或心尖双视图的 12 节段）模型，把左心室壁划为若干解剖学可命名的片区。
- 节段级评级：临床/标注专家对每个节段按 5 级严重度打分——正常/运动过度、运动减弱、无运动、运动障碍、室壁瘤。
- 二值化归并：研究通常将 1 级视为 non-MI，(2,3,4,5) 级视为 MI。这一归并牺牲了严重度信息，但换来更稳健的二分类监督信号。
- 心动周期定帧：依 ECG（无 ECG 者依左心室面积极值）确定舒张末期/收缩末期帧。
标注的主观性边界：壁运动分级（尤其是 2 级与 3 级之间）在临床上存在观察者间差异。数据集未公开标注者数量与一致性指标（如 Cohen’s kappa），因此标注本身的可靠性无法从公开材料完全量化。这是所有依赖专家判读的影像数据集的共性局限，使用时应意识到"金标准"仍有残余不确定性。
3.4 左心室壁分割掩码的生成（含伪标签方法）
109 例 A4C 的左心室壁分割掩码，其来源是 P2（IEEE Access 2021）论文提出的三阶段框架：先用深度学习模型分割整个左心室壁；再对分割结果做特征工程；最后做早期 MI 检测。关键的方法学贡献是伪标签（pseudo labeling）：对未人工描画的左心室壁，用模型预测生成候选掩码，再经筛选形成"真值"。这意味着 109 例掩码并非全部纯人工逐像素勾勒，而带有半自动生成成分——引用分割掩码做评测时，这一点关乎"真值纯度"（坑 8 相关的一个微妙点）。
为什么用伪标签：逐帧人工描画左心室壁极其耗时（一个心动周期 15–25 帧，每帧都要勾边界），专家资源有限。伪标签"先用少量标注训练模型 → 用模型为大量未标注帧生成候选 → 人工/规则筛选"是医学影像标注的常见省力策略，能在有限预算下扩大标注覆盖。代价是引入了模型偏差——如果初始模型在低质量帧上分割不准，这些错误会被"伪真值"固化。
3.5 主动多项式（Active Polynomials）特征
P3（IEEE Access 2020）引入的 Active Polynomials（APs） 是本数据集的标志性方法：它通过提取并跟踪心内膜边界（endocardial boundary），用多项式拟合心内膜随时间的运动轨迹，从而计算各心肌节段的位移（displacement）。这些位移特征被汇集为特征向量，成为后续 MI 检测器（阈值法或机器学习）的输入。GitHub 仓库公开的 APs_Features 正是这套特征，为不想从零跑视频的团队提供了"特征级"的便捷入口。
APs 的直觉：如果一段心肌"该动却没动"，那么跟踪它边界随时间的位移曲线就会趋于平坦——这正是 RWMA 的量化信号。用多项式拟合位移轨迹，是在"简单求帧间差（太噪声）"与"训练端到端深度网络（需大量数据）"之间的一种折中：它对小样本友好，又能抓住运动异常的时序本质。这也是为什么在 HMC-QU 这样的小数据集上，APs 这类"手工特征 + 轻量分类器"方法能长期与端到端方法并存。
3.6 主动多项式方法的技术细节
Active Polynomials（APs）作为本数据集的代表性方法，值得展开其技术脉络：
- 边界跟踪：在每一帧上定位心内膜（endocardium）边界，形成二维轮廓序列。
- 多项式拟合：用低阶多项式（如二次/三次）对边界随时间的位置变化做拟合，得到"平滑的运动轨迹"。
- 位移提取：计算各心肌节段在收缩期的位移量（位移小 = 运动弱 = 疑为 MI）。
- 特征汇聚：把所有节段的位移统计量汇成特征向量，供分类器使用。
相比"帧差法"的优势：直接算相邻帧的像素差会被超声散斑噪声严重污染；多项式拟合相当于一个"低通滤波器"，能抑制噪声、突出组织运动的低频主体。相比端到端深度网络的优势：参数量小、可解释、在百例级小样本上不易过拟合。这两点使 APs 成为小数据超声场景的"最优折中"。
APs 的可解释性：由于位移量直接对应心肌运动幅度，模型给出的"MI 判定"可以回溯到"哪个节段位移异常"。这在临床上比黑箱深度网络更易被接受，也是它在医学场景中被反复采用的现实理由。
3.7 临床场景与数据采集的现实约束
理解 HMC-QU 的工艺，还需理解超声心动图采集的临床现实：
- 操作者依赖性强：超声图像质量高度依赖探头角度、患者体型（肥胖、肺气影响）、肋间隙条件。同一患者不同操作者可能得到质量差异很大的图像。这解释了数据集空间分辨率为何跨幅大。
- 床旁即时性：超声是床旁（point-of-care）检查，尤其在心梗急性期，患者可能刚做完冠脉介入，图像采集仓促而非常规体检般从容。这解释了"低质量超声"为何是核心挑战（P2 论文标题即强调 “Low-Quality Echocardiography”）。
- 多设备现实：医院内不同科室/不同时期采购的超声设备型号各异（本数据集含 Philips 与 GE Vivid）。跨设备图像风格差异构成天然的域偏移，这也使数据集对"设备无关"研究有价值。
- A4C 与 A2C 的临床地位：心尖四腔（A4C）与心尖二腔（A2C）是标准心尖切面中最常用的两个，前者可看四腔（左右房室），后者聚焦左心室两腔。心梗的 RWMA 在这两个切面互补可见，故数据集选择它们而非长轴/短轴——这是临床驱动的视图选择。
3.8 工艺层面的得失
- 优势：临床金标准确诊（非纯影像判读）、急性期采集、多厂商设备、双视图覆盖、检测与分割双任务齐全、官方代码公开。
- 局限：规模小（162 例），单中心为主；分割子集仅 A4C 且含伪标签；原始 5 级严重度被二值化后细粒度信息丢失；跨机泛化、跨中心泛化未被系统验证；标注者一致性与去标识细节未公开。这些局限决定了它更适合作为"方法验证基准"而非"产品训练语料"（§8 会展开）。
"方法验证基准"与"产品训练语料"的区别：前者看重"标注可信、协议清晰、可复现"，规模小无妨；后者看重"样本丰富、分布多样、可覆盖长尾"，规模是硬指标。HMC-QU 在前者上是优等生，在后者上先天不足。误把验证基准当训练语料，是医学 AI 落地中常见的资源错配。
3.9 数据伦理的可迁移经验
HMC-QU 在数据伦理上的做法，为后续数据集提供参考：
- 伦理批件：明确记录批准时间（2019-02）与批准机构（HMC Hospital 伦理委员会），使数据来源可追溯。
- 去标识：患者影像经去标识处理，降低隐私风险。
- 用途限定：通过 CC BY-NC-SA 的 NC 条款排除商业用途，是一种"许可即治理"的伦理约束。
- 获取审批：要求邮件申请，保留对使用者的筛选能力。
同时存在的不足：
- 去标识的具体范围未公开，使用者无法评估残留隐私风险。
- 未提供数据使用的伦理声明模板或下游责任指引。
- 患者知情同意的具体条款（是否允许二次分发）未在公开材料中说明。
对使用者的提醒：即使数据集已去标识并有伦理批件，使用者在传播衍生物（如训练好的模型、生成的图像）时，仍应遵守所在辖区的数据保护法规（如 GDPR、HIPAA 类规定），并评估再识别风险。合规责任不因"数据已去标识"而完全转移给数据发布方。
3.10 从采集到公开的完整时间线
把前文的时间点串成一条线：
2018–2019 超声心动图采集（Philips / GE Vivid 设备）
2019-02 HMC 医院伦理委员会批准数据使用
2020 P3 论文发表（IEEE Access 8:210301），数据集首公开 + APs 方法
2021-02-10 Kaggle 数据集页创建
2021 P2 论文发表（IEEE Access 9:34442），三阶段框架 + 伪标签
2021-11-09 arXiv:2111.05790 v1（多视图预印本，260 段口径）
2023-02-26 arXiv:2111.05790 v3
2023-09-30 GitHub MultiEchoAI 最后更新
2023 SAF-Net 论文（CinC 2023）
2024 P1 论文发表（BSPC 87:105448），现行主引 + 322 段口径
2024 OCC 论文（ICIP 2024）
2026-10-07 本条目核对日期
这条时间线的一个观察：从采集（2018）到现行主引发表（2024）跨越六年，期间数据规模发生过扩张。这说明数据集是"活的"——它随研究进展被更新、被重新发表，而非一次性冻结。引用时锁定时间点，是应对"活数据集"的必要纪律。
§4 任务与标注规范
HMC-QU 官方支持两个任务。理解它们的评测边界，是正确使用该数据集的先决条件。
4.1 任务一：心肌梗死检测（MI Detection）
- 输入：一段心尖视图 2D 超声心动图视频（A4C 或 A2C，或多视图拼接）。
- 输出：MI / non-MI 二分类（可在患者级或记录级）。
- 标签：心肌节段级 MI/non-MI，患者级诊断由节段聚合而来。
- 评测视图三种：A4C 单视图、A2C 单视图、multi-view 融合。论文对三种协议分别报告，且指出仅单视图会漏掉某些节段的 RWMA。
二分类的标签形成细节（依 arXiv Table II 口径）：多视图 ground-truth 的形成规则为"任一视图见 RWMA → MI；两视图均无 RWMA → non-MI"，据此得到 88 MI + 42 non-MI（早期口径），MI 比约 67.69%。单视图口径下，A4C 的 MI 比为 61.54%（80/130），A2C 为 52.3%（68/130）——A4C 与 A2C 的 MI 比不同，原因是只有约 60 例患者的 MI 在两个视图上都可见，这进一步印证了"单视图会漏诊"的论点。
"记录级"与"患者级"之分：一段记录对应一次超声检查，一个患者可能对应多段记录（不同视图或不同时间）。评估时若在记录级统计，则一个患者可能贡献多票；若在患者级统计，则需先聚合。论文的多视图协议本质上是在患者级融合两个视图。写论文对齐结果时，务必确认是记录级还是患者级指标——这一区别会影响数字的可比性。
4.2 任务二：左心室壁分割（LV Wall Segmentation）
- 输入：一段 A4C 视频的某一帧（或逐帧）。
- 输出：左心室壁整体区域的分割掩码（224×224）。
- 范围：仅 109 例 A4C 记录（72 MI + 37 non-MI），覆盖一个完整心动周期的每一帧。
- 注意：任务要求分割的是整个左心室壁（whole LV wall），而非仅心内膜或心外膜单条边界。这与 EchoNet 系数据集的"左心室腔（LV cavity）分割"不同（§9.1 对照）。
"整个左心室壁"的临床含义：左心室壁在超声切面上表现为一段有厚度的带状区域（介于心内膜与心外膜之间）。分割它意味着要同时确定心内膜与心外膜两条边界，并取其间区域。“壁厚"及其随心动周期的变化，正是 RWMA 的直接量化（缺血段在收缩期不增厚甚至变薄）。因此分割任务是检测任务的"底层能力”——P2 的三阶段框架正是先分割、再从分割结果提取特征做检测。
逐帧分割的评测难点：一个心动周期内，掩码需在每一帧都准确。评测通常会同时报告"平均 Dice 系数"与"逐帧最低 Dice"，因为后者反映模型在最难帧（如收缩末期形变最大处）的鲁棒性。用 HMC-QU 做分割评测时，建议明确报告是"帧级平均"还是"病例级平均"。
4.3 原始 5 级严重度标注体系
数据集原始标注携带细粒度的壁运动分级，按 MI 严重度上升排列：
| 级别 | 名称 | 英文 | 医学含义 |
|---|---|---|---|
| 1 | 正常/运动过度 | normal / hyperkinesia | 无异常或代偿性增强 |
| 2 | 运动减弱 | hypokinesia | 收缩幅度降低但未消失 |
| 3 | 无运动 | akinesia | 该节段不收缩 |
| 4 | 运动障碍 | dyskinesia | 收缩期反常膨出 |
| 5 | 室壁瘤 | aneurysm | 局部结构性膨出 |
二分类研究将 1 → non-MI，(2,3,4,5) → MI。细粒度分级（2/3/4/5 的区分）本身也是一个潜在任务，但公开基准大多停留在二分类。
分级与临床严重度的对应：级别越高，对应心肌损伤越重——2 级（运动减弱）常见于缺血早期或小面积梗死；3 级（无运动）对应透壁性梗死；4 级（运动障碍）与 5 级（室壁瘤）对应梗死区已发生结构重塑。把 2–5 级都归为 MI 是临床上的合理简化（它们都代表"存在 RWMA"），但丢弃了严重度梯度这一预后相关信息。
4.4 心动周期与帧锚定规范
- 每段视频预定义一个心动周期的帧范围。
- 舒张末期（end-diastole）与收缩末期（end-systole）依患者 ECG 定标；无 ECG 者，按左心室面积最大帧 = 舒张末期、面积最小帧 = 收缩末期定义。
- 这一规范确保了无论用"帧对帧"还是"视频级"建模，帧的临床含义是一致的——是分割任务可比性的基础。
为什么"用面积极值兜底"是合理的：心室的收缩过程在超声切面上表现为面积由大到小的变化，最大面积出现在舒张末期（血液充盈最满），最小面积出现在收缩末期（血液泵出最多）。因此"面积最大/最小帧"是 ECG 缺位时的一个稳妥代理。这一细节体现了数据集在"规范严谨"与"数据可用"之间的平衡。
4.5 评估协议
论文采用的评估惯例是分层 5 折交叉验证（stratified 5-fold cross-validation），训练/测试比约 80%/20%。混淆矩阵由真阳（TP）、真阴（TN）、假阳（FP）、假阴（FN）构成，据此报告灵敏度（sensitivity/recall）、特异度（specificity）、精确率（precision）、准确率等指标。任何与 HMC-QU 结果的横向比较，都须先确认评估折数与划分口径一致，否则数字不可比。
为什么强调"分层"：MI 与 non-MI 在数据集中并非均等（约 6:4 到 7:3），分层抽样保证每一折的类别比例与总体一致，避免某一折恰好缺少少数类导致指标剧烈波动。5 折在 162 例的小样本上是常见的折中（太多折则每折样本太少，方差大；太少折则训练不充分）。
"测试集未参与训练"的严格性：论文强调 20% 测试集为 unseen data。在小数据集上，若预处理（如归一化）时把测试集信息泄露进训练，会导致指标虚高。评估 HMC-QU 上的结果时，建议关注作者是否声明了严格的划分纪律。
4.6 从记录到标签的完整数据流
把 HMC-QU 的一次完整使用串起来，数据流大致如下：
原始超声视频（A4C / A2C，25 fps，多分辨率）
↓ 定帧（依 ECG 或面积极值）
一个心动周期的帧序列（舒张末期 → 收缩末期 → …）
↓ 节段标注（专家按 5 级严重度打标）
节段级严重度标签
↓ 二值化归并（1→non-MI；2-5→MI）
节段级 MI/non-MI 标签
↓ 患者级聚合（任一视图/节段为 MI 则该患者为 MI）
患者级 MI/non-MI 诊断
↓ 训练/评估（单视图 / 多视图）
模型输出的 MI 判定
这条链上任何一环的口径变化（定帧方式、归并规则、聚合层级）都会影响最终标签集合。复现 HMC-QU 结果的难点，往往不在模型，而在把这条链的每一环与原作者对齐。
4.7 评测指标的选用建议
针对两个任务，建议的指标：
- MI 检测（二分类）：灵敏度（sensitivity/recall）、特异度（specificity）、精确率（precision）、F1、AUC。医学场景下灵敏度与特异度需并列报告——只看准确率会掩盖类别不平衡。
- 左心室壁分割：Dice 系数（DSC）、IoU（Jaccard）、Hausdorff 距离（HD，衡量边界最大偏差）。对薄壁结构，Dice 与 HD 应并列，因 Dice 对边界误差不敏感。
- 一致性检验：若模型用于多视图融合，应报告各视图及融合后的指标，以量化融合增益。
"几何均值（geometric mean）"的用途：ICIP 论文用几何均值（√(灵敏度×特异度)）作为单一指标，这是类别不平衡时常见的汇总方式。理解不同论文用不同汇总指标，是读懂 §5.6 速查表的钥匙（坑 9）。
4.8 任务设计的开放性
HMC-QU 官方定义了两个任务，但数据本身支持更多衍生任务，供研究者探索：
- 严重度 5 分类：用原始 5 级标签做 ordinal 分类（需谨慎，无基准可比）。
- MI 定位：不仅判"是否 MI"，还判"哪个节段 MI"（节段级标签支持）。
- 跨视图知识迁移：用 A4C 学到的表示迁移到 A2C（或反之）。
- 半监督/自监督：利用大量无分割标签的帧做预训练，再用 109 例有标签微调。
- 域适应：Philips ↔ GE Vivid 之间的跨设备适应。
- 多模态融合：结合 ECG 做 MI 检测。
这些衍生任务的存在，说明 HMC-QU 虽小但"可挖掘维度"丰富——一个数据集的价值不仅在于官方任务，还在于它给后续研究留了多少下手处。
4.9 任务一与任务二的耦合关系
检测与分割并非彼此独立，而是有内在耦合：
- 分割是检测的基础：P2 的三阶段框架明确先分割、再从壁的区域提取运动特征做检测。壁的准确分割直接决定后续特征的质量。
- 检测是分割的用途：分割本身不是终点——临床上分割左心室壁是为了量化壁运动（即检测 RWMA）。孤立地做分割而不服务于诊断，价值有限。
- 共享的患者队列：109 例有分割的 A4C 恰好是 162 例检测患者的子集，因此可以在同一批病例上研究"分割质量 → 检测性能"的传导。
对研究者的启示：若你的目标是提升 MI 检测，不要忽视分割这一中间环节；若你的目标是分割，也应验证分割精度的提升是否真的传导到检测指标。**联合建模（分割+检测多任务学习）**是 HMC-QU 上一个值得探索的方向。
4.10 评估中的常见陷阱
在 HMC-QU 上评估模型，有几个易犯的错误：
- 数据泄露：同一患者的多个视图/记录被分到训练与测试两侧。由于一个患者可能贡献多段记录（A4C + A2C），必须按患者划分而非按记录划分，否则测试集含训练患者的信息，指标虚高。
- 预处理泄露：在全体数据上算归一化参数（均值/方差）后再划分，属于轻度泄露。严格做法是在训练集上算参数、应用到测试集。
- 过拟合小数据：162 例下，复杂模型极易过拟合。应使用交叉验证并报告方差，而非单一划分的单次结果。
- 指标选择性报告：只报好看的那个指标（如只报灵敏度不报特异度）会误导。配对报告灵敏度/特异度是医学评估的基本纪律。
"按患者划分"是最容易被忽视的坑：在记录级数据上做随机划分，看似公平，实则让同一患者的两个视图一在训练、一在测试，模型实质"见过"测试患者。作者论文的多视图协议本质上是患者级的，复现时须对齐。
§5 基准与方法谱系
HMC-QU 的生命力很大程度上来自它被一串论文反复使用。以下按其方法谱系梳理公开基准数字。
5.1 P3 奠基（IEEE Access 2020）：主动多项式阈值法
Kiranyaz 等 2020 年论文 Left Ventricular Wall Motion Estimation by Active Polynomials for Acute Myocardial Infarction Detection 首次公开了数据集并给出方法基线：用 Active Polynomials 估计左心室壁运动，再以阈值判定急性心梗。它确立了两个范式——“跟踪心内膜边界算节段位移"与"节段位移作为 MI 的量化载体”。
阈值法的朴素与价值：最早的基线是"位移低于某阈值即判为 MI"这种朴素规则。它的价值不在性能高，而在于证明"心内膜位移这一单一信号已足以区分 MI/non-MI"，为后续更复杂的方法提供了可行性依据与对照点。
5.2 P2 低质量超声（IEEE Access 2021）：三阶段分割-特征-检测
Degerli 等 2021 年论文 Early Detection of Myocardial Infarction in Low-Quality Echocardiography 面对的核心挑战是超声记录的低质量、高噪声，其提出的三阶段框架为：①深度学习分割整个左心室壁；②对分割壁做特征工程；③早期 MI 检测。关键贡献包括伪标签方法（为未标注的左心室壁生成真值）。其报告的基准数字为：
- 左心室壁分割：灵敏度 95.72%、特异度 99.58%。
- MI 检测：灵敏度 85.97%、特异度 74.03%、精确率 86.85%。
这组分割数字（95.72/99.58）是本数据集被引用最多的分割基准之一。值得注意的是，MI 检测的特异度（74.03%）明显低于灵敏度（85.97%）——意味着模型倾向于"宁可错判为 MI"，在小数据集上这是常见的保守偏好（假阳代价被认为低于假阴）。
5.3 P1 多视图（BSPC 2024）：视图融合的现役主引
Degerli 等 2024 年论文 Early Myocardial Infarction Detection over Multi-view Echocardiography 是 HMC-QU 的现行主引论文（arXiv:2111.05790 为其预印本）。其方法：用 Active Polynomials 估计左心室壁运动、提取 A4C 与 A2C 的节段位移特征，拼接后送入分类器做 MI 检测。核心主张是多视图融合——A4C 与 A2C 共可分析约 12 个心肌节段，单视图会漏诊。报告结果：
- 多视图 MI 检测：灵敏度 90.91%、精确率 86.36%。
配套代码在 GitHub degerliaysen/MultiEchoAI 发布，运行方式为 python train.py --view multi（或 --view 2CH / --view 4CH）。对复现者最友好的一点：仓库直接提供 APs 特征与数据划分，无需下载原始视频即可验证方法（§2.5）。
与 P2 的数字差异：P2 报告的 MI 检测灵敏 85.97%/精确 86.85%（含分割-特征-检测全链路），P1 报告 90.91%/86.36%（多视图特征融合）。两者任务定义相近但方法链路不同，灵敏度提升主要归功于多视图融合——这正是该数据集设计（双视图）的价值兑现。
5.4 SAF-Net（CinC 2023）：自注意力融合
Adalioglu 等 2023 年 Computing in Cardiology 论文提出 SAF-Net（Self-Attention Fusion Network），用自注意力机制融合多视图超声心动图特征做 MI 检测。它代表了"从手工位移特征走向端到端注意力融合"的一条支流。
自注意力的意义：手工 APs 特征需要预先定义"跟踪什么、拟合什么"；自注意力让模型自行学习"该关注两个视图间的哪些关联"。这是从"特征工程"到"表示学习"的方法论转向在小数据集上的一次尝试——但小数据也是自注意力模型易过拟合的隐患所在。
5.5 单类分类（ICIP 2024）：OCC 视角
Zahid 等人在 arXiv:2402.06530（IEEE ICIP 2024）提出多模态子空间支持向量数据描述（Multi-modal SSVDD）配合复合核（Gaussian + Laplacian sigmoid）的单类分类（One-Class Classification, OCC）方法，只用心梗（正类）样本训练，以应对超声数据稀缺。其报告的多视图几何均值（geometric mean）为 71.24%。这条路线体现了 HMC-QU 作为"数据稀缺场景"试金石的另一重价值。
为什么单类分类适配医学场景：临床上"正常"样本易得、"患病"样本稀缺。OCC 只学正常（或只学患病）一类的分布，异常者即判定为另一类，理论上更贴合"稀缺阳性样本"的真实困境。但 OCC 在小数据集上的稳定性是公认难题，71.24% 的几何均值反映出这一路线的挑战性。
5.6 基准数字速查表
| 论文 | 年份 | 任务 | 视图 | 关键指标 |
|---|---|---|---|---|
| P3 IEEE Access | 2020 | MI 检测（阈值法） | — | 奠基方法（无统一基准数） |
| P2 IEEE Access | 2021 | 左心室壁分割 | A4C | 灵敏度 95.72% / 特异度 99.58% |
| P2 IEEE Access | 2021 | MI 检测 | — | 灵敏度 85.97% / 特异度 74.03% / 精确率 86.85% |
| P1 BSPC | 2024 | MI 检测 | multi-view | 灵敏度 90.91% / 精确率 86.36% |
| SAF-Net CinC | 2023 | MI 检测（注意力融合） | multi-view | 自注意力融合方法 |
| Zahid et al. ICIP | 2024 | MI 检测（OCC） | multi-view | 几何均值 71.24% |
读表守则：这些数字出自不同论文、不同划分、不同指标定义（灵敏度/精确率/几何均值混杂），不可横向直接排序。同一数据集上的"最高分"取决于任务设定与评估协议，脱离协议的排名没有意义（坑 9）。
5.7 为什么这个基准值得反复用
- 临床语义清晰：MI 是临床金标准确诊，标签而非"影像观感"。
- 任务有层次：从检测（粗）到分割（细），可分别验证方法的不同能力。
- 难度适中偏难：低质量超声、多厂商设备、小样本，恰好构成对鲁棒性的真实考验。
- 可复现性好：特征与划分公开，方法结果可追溯到脚本。
- 双视图设计：为多视图/多模态融合方法提供了天然试验场。
- 历史地位：作为"首个公开"，它天然成为后续工作的对比锚点，引用惯性也使其长期活跃。
5.8 方法谱系的一句话总结
从 P3（阈值）到 P2（分割+特征+检测）到 P1（多视图融合）到 SAF-Net（注意力）到 OCC（单类），HMC-QU 上方法的演进，几乎是医学影像小样本 AI 十年方法论变迁的缩影：从手工特征到端到端，从单视图到多视图，从监督到半监督/单类。这个数据集之所以长寿，正因为它记录了这段方法论史。
5.9 论文引用关系与阅读顺序
对想深入研究 HMC-QU 的读者，建议的阅读顺序为：
- P3（IEEE Access 2020）：先读，理解数据集的缘起与 Active Polynomials 基本原理。
- P2（IEEE Access 2021）：再读，理解"分割→特征→检测"三阶段与伪标签方法，拿到分割基准数字。
- P1（BSPC 2024 / arXiv 2111.05790）：主引，理解多视图融合，拿到检测基准数字。
- SAF-Net（CinC 2023） 与 OCC（ICIP 2024）：延伸，看后续方法如何在此基准上迭代。
引用规范提醒：Kaggle 页明确要求，使用数据集时请引用 P1–P4 四篇论文。若你的工作同时用到原始数据与 APs 特征，建议引用 P1（主引）与 P3（数据集首公开）至少两篇。
5.10 一个数字的独立核验示例
以"多视图 MI 检测灵敏度 90.91%"为例，展示三源互证的核验路径：
- 源一（arXiv 摘要）：写"achieves 90.91% sensitivity and 86.36% precision for MI detection over multi-view echocardiography"。
- 源二（VTT CRIS 收录页）：P2 论文页写"85.97% sensitivity … for MI detection on the HMC-QU dataset"（注意这是 P2 的数字，非 P1 的 90.91%，两者易混）。
- 源三（GitHub 官方仓库）：指向 P1 论文（BSPC 2024），其引用块确认了论文身份。
核验结论：90.91%/86.36% 属于 P1（BSPC 2024）多视图；85.97% 属于 P2（IEEE Access 2021）。两个数字属于不同论文，切勿混引（坑 9）。这个示例说明：即使是"同一数据集"的指标，也必须逐篇锁定论文来源。
5.11 基准的局限与公平比较原则
在 HMC-QU 上做公平比较，需遵守几条原则：
- 同任务：分割数字与检测数字不可比。
- 同视图：A4C、A2C、multi-view 各自成组。
- 同划分：优先用官方
DataSplits；若自划分，须声明。 - 同指标：灵敏度/特异度/精确率/几何均值之间不得混用。
- 同预处理：归一化、缩放、增强策略应声明。
- 样本级 vs 患者级：明确聚合层级。
遵守这些原则，才能让"我的方法比 baseline 更好"这句话成立。打破任一原则的比较，都是无效的（坑 9 的完整展开）。
5.12 复现路线的两种选择
对想复现 HMC-QU 结果的团队，有两条路线：
路线甲：特征级复现（推荐入门）
- 用 GitHub 公开的
APs_Features（已提好的特征）+DataSplits（划分）； - 用 P1 描述的轻量分类器（如 SVM/随机森林）训练；
- 几小时内即可得到接近论文的指标。
- 优点：无需处理原始视频、无需 GPU、快速验证。
- 缺点：只能复现"特征→分类"环节，无法探索"视频→特征"的改进。
路线乙：全链路复现（深入研究）
- 下载原始视频，自行实现 Active Polynomials 提取特征（或用官方代码）；
- 从定帧、边界跟踪到特征提取全流程走一遍。
- 优点：可改进每一环节、可做消融实验。
- 缺点：工程量大、需处理超声预处理细节、算力要求高。
建议：先用路线甲确认"环境和评估协议对齐"，再决定是否投入路线乙。不要一上来就啃原始视频——很多所谓的"复现失败"其实只是评估协议没对齐。
5.13 基准数字的"三档可信度"
对 §5.6 速查表中的数字，按证据强度分三档：
- 高可信（多源交叉）：规模类数字（322/162、109、25 fps），Kaggle + 论文 + 索引页交叉一致。
- 中可信（单一权威源）：性能类数字（95.72%、90.91%、71.24%），均来自论文自身，未获独立复现验证。
- 需谨慎（版本敏感）：A2C 段数（160 vs 130），随版本变化。
为什么要分级：规模数字错了，读者能立刻发现（数据下载后一数便知）；性能数字错了，若不实际复现根本无法察觉。因此对性能数字，尤其要标注"出自论文自报、未独立复现"。这是本条目对读者诚实的一部分。
§6 获取与许可
6.1 许可：CC BY-NC-SA 3.0 IGO
HMC-QU 的数据集许可为 Attribution-NonCommercial-ShareAlike 3.0 IGO (CC BY-NC-SA 3.0 IGO)，Kaggle 页明确标注。这一许可意味着：
- BY（署名）：使用时须署名数据集与作者。
- NC（非商业性使用）：不得用于商业目的。
- SA（相同方式共享）：基于该数据的衍生作品须以相同许可分发。
- IGO：该变体由**政府间组织（Intergovernmental Organization）**版本派生，是 Creative Commons 为国际组织提供的端口。第三方元数据（IFTTT 摘要）写作"CC BY-NC-SA 3.0"，与 Kaggle 页的"3.0 IGO"同源但精确后缀略有出入——引用许可时以 Kaggle 页标注的完整名称 “CC BY-NC-SA 3.0 IGO” 为准。
注意：这是数据集许可。论文本体（BSPC 2024、IEEE Access 等）的版权与开放获取状态另计，不要把论文许可与数据集许可混为一谈。
"IGO"端口的小知识：Creative Commons 的 IGO 变体专为联合国等国际组织设计，法律条文与标准 3.0 版基本一致，差异主要在管辖与主体表述。对使用者而言，BY-NC-SA 的实际约束（署名/非商业/相同方式共享）不变——因此"3.0"与"3.0 IGO"的实质性差异可以忽略，但正式引用时应写全。
6.2 获取路径：双层结构
HMC-QU 的获取呈现出典型的"双层结构"：
- Kaggle 直下：数据集页为
https://www.kaggle.com/aysendegerli/hmcqu-dataset，由作者 Aysen Degerli 的 Kaggle 账号发布。可用 Kaggle API 下载：kaggle datasets download -d aysendegerli/hmc-qu-dataset（GitHub README 写法）或页面 slug（hmcqu-dataset）。当前版本 Version 6，体积 171.26 MB。 - 邮箱申请：Kaggle 页与 GitHub 均同时声明"For access to the dataset, please request access by sending e-mail to mkiranyaz@qu.edu.qa"（通讯作者 Serkan Kiranyaz，卡塔尔大学）。
两层关系是本数据集最具迷惑性的坑：平台层面 Kaggle 可直接下载，官方声明层面却要求邮件申请。两者是并行约束还是择一履行，官方未明确（坑 2）。稳妥做法是：下载前先按官方指引发邮件说明用途与机构，保留授权记录；商业使用则必须先与作者书面确认再分发条款边界（许可明确排除商业用途）。
为什么会有这种"双层"：一种合理解释是，数据集最初（2021）通过邮箱分发，后来（Kaggle 版本更新时）同步上传到 Kaggle 以便引用与版本管理，但正式合规口径仍以"邮件申请"表述保留（医学数据机构常倾向于保留人工审批环节）。另一种解释是，邮箱申请面向"需要完整原始视频"的正式研究者，Kaggle 面向"想快速试用"的广泛用户。无论如何，官方文本的双重表述是事实，使用者宜"两者都做"以求稳妥。
6.3 配套资产入口
| 资产 | 位置 | 说明 |
|---|---|---|
| 数据集本体 | Kaggle aysendegerli/hmcqu-dataset |
Version 6，171.26 MB，111 文件 |
| APs 特征与划分 | GitHub degerliaysen/MultiEchoAI |
APs_Features/ + DataSplits/ |
| 训练脚本 | 同上 | train.py（--view multi/2CH/4CH）、models.py |
| 官方实现许可 | 同上仓库 LICENSE | 与数据集许可分离，以仓库 LICENSE 为准 |
建议的下载与安装流程：
# 1) 配置面向 Kaggle 的 API（若尚未配置）
# 将 kaggle.json 放到 ~/.kaggle/ 并 chmod 600
# 2) 下载数据集（注意 slug 写法，坑 2）
kaggle datasets download -d aysendegerli/hmc-qu-dataset
unzip hmc-qu-dataset.zip
# 3) 克隆官方实现
git clone https://github.com/degerliaysen/MultiEchoAI
# 4) 用 APs 特征直接跑多视图检测（无需原始视频）
cd MultiEchoAI
python train.py --view multi
（提示：上述命令为示意，实际环境依赖 conda 环境 echoAI、tensorflow-gpu、scikit-learn=1.1.1，见仓库 README。）
6.4 slug 与命名坑
Kaggle 页面 URL 使用 hmcqu-dataset（无连字符），而 GitHub README 的 API 命令写 hmc-qu-dataset（有连字符）。这两种 slug 写法并存，用 API 下载时若不匹配会失败（坑 2 的分支）。此外，"HMC-QU"这一名称本身在检索时会与库内 hmc-sleep-staging（HMC 睡眠分期数据集，rid 654，完全不同的数据集）混淆——两者共享 “hmc” 前缀但机构、模态、任务均无关（坑 10）。数据文件中的 A2C.xlsx 工作表被命名为 Tabelle1，是导出工具的默认表名，不要误以为是数据字段。
检索实践的三个建议：
- 精确检索用
HMC-QU或hmcqu-dataset，避免裸HMC； - Kaggle API 报错"dataset not found"时，先尝试另一种 slug 写法；
- 打开
A2C.xlsx时先核对列名含义，勿凭列序假设（官方无字段字典）。
6.5 与库内可获取性光谱的对照
在千方病案库的"医学数据可获取性光谱"上，HMC-QU 属于**“平台半开放 + 官方申请制”**的中段：
- 比全封闭（仅凭邮件、无公开平台）好：Kaggle 载体提供了版本、体积、文件清单的透明性。
- 比完全开放（如 CC BY-4.0 直链）弱：CC BY-NC-SA 的 NC 条款排除了商业用途，且官方要求邮件申请，实际再分发边界仍系于作者裁量。
- 与库内请求制数据（如 PANDA-PLUS 掩码）同类逻辑：可及但不自由。
对 AI-Ready 而言，其"半开放"定位是双刃剑——便于学术复现，但阻碍数据向下游产品流转。若把可获取性画成一条轴：完全封闭 < 请求制 < 平台半开放（HMC-QU）< 完全开放（CC BY/CC0），HMC-QU 处在靠右但未到极右的位置。
与其他许可类型的对照：
| 许可 | 商用 | 再分发 | 衍生许可 | 代表 |
|---|---|---|---|---|
| CC BY-4.0 | ✅ | ✅ | 任意 | 部分开放基准 |
| CC BY-NC-SA 3.0 IGO | ❌ | 受限 | 须同样许可 | HMC-QU |
| 请求制（upon request） | 视协议 | ❌ | 视协议 | PANDA-PLUS 掩码 |
| 完全封闭 | ❌ | ❌ | ❌ | 多数临床原始数据 |
6.6 AI-Ready 视角下的评估
千方病案关注数据集对 AI 研究的"就绪度"（AI-Ready）。从这一视角看 HMC-QU：
- 数据可读性：视频（MP4/AVI）+ 表格（XLSX）+ 图片（PNG）均为通用格式，无需专业软件即可解析——门槛低。
- 任务明确性：检测与分割任务边界清晰，标签语义明确——上手快。
- 标注可信度：临床金标准 + 伦理批件——可信度高。
- 规模适配性：162 例对方法验证足够，对训练大规模模型不足——用途受限。
- 许可友好度：NC 条款限制商用——学术友好、产业受限。
- 可复现性：官方代码 + 公开划分——优等。
- 元数据完整度：缺字段字典、缺版本日志、缺患者级明细——有待完善。
综合判断：HMC-QU 是一份"学术就绪度高、产业就绪度低"的数据集。它最适合的用途，是作为心血管 AI 方法的标准试验台，而非产品化数据源。
6.7 合规使用的实操清单
为确保合规使用，建议逐项确认：
- [ ] 阅读并理解 CC BY-NC-SA 3.0 IGO 的 NC 条款（不用于商业目的）。
- [ ] 在论文/作品中署名数据集与作者（BY 条款）。
- [ ] 若发布衍生数据/模型权重，考虑 SA 条款的传染性。
- [ ] 在使用前邮件 mkiranyaz@qu.edu.qa 说明用途与机构，保留授权记录。
- [ ] 记录下载的 Version 号与日期。
- [ ] 若涉及患者隐私再识别风险，评估去标识的充分性。
- [ ] 商用前与作者书面确认授权边界。
这份清单并非法律意见，而是基于公开材料的合规自查框架。正式商用前的法律评估不可省略。
§7 DAIMS 评估
按 DAIMS（Data and Analytics Interoperability and Maturity Standard）框架，对 HMC-QU 做五维成熟度评估。
| 维度 | 评级 | 依据 |
|---|---|---|
| D1 数据可用性（Availability） | ★★★☆☆（中） | Kaggle 公开载体 + 版本管理（Version 6）；但官方要求邮箱申请，且 CC BY-NC-SA 限制商用，再分发边界依赖作者裁量 |
| D2 数据描述与元数据（Description） | ★★★★☆（中高） | Kaggle 页交代规模、规格、视图、设备、伦理；GitHub 提供特征与划分；配套论文四篇（2020/2021/2024 + CinC/ICIP）支撑。扣分项：A2C 段数三源不一致、摘要滞后 |
| D3 数据质量与标注（Integrity） | ★★★★☆（中高） | MI 标签有临床金标准（ECG+心肌酶+冠脉治疗）；但分割掩码含伪标签成分、原始 5 级严重度被二值化、仅单中心、标注者一致性未公开 |
| D4 互操作性（Interoperability） | ★★★☆☆（中） | 视频格式（MP4/AVI）+ XLSX 标签 + PNG 掩码，通用但不 CE 标准化；224×224 掩码与原始分辨率非像素对齐 |
| D5 可复现性（Reproducibility） | ★★★★☆（中高） | GitHub 公开特征、划分与训练脚本，方法结果可追溯；评估协议（分层 5 折）文档清晰 |
| 加权综合 | ★★★☆☆（中高） | 学术复现友好、临床标签扎实；主要短板在商业可用性（NC）与获取门槛（邮件申请），以及版本口径的引用陷阱 |
评估说明：D1 的扣分并非因为数据"藏得深"，而是因为许可（NC）与获取（申请制）在合规层面设了门槛；D5 的高分来自官方实现的公开，这是许多同类数据集不具备的优势。
逐维细读：
- D1（可用性）：数据集确实"可得"（Kaggle 平台可下），但"可自由使用"受限（NC）。这两者常被混淆——“我能下载"不等于"我能商用”。评级取"中"是折中结果。
- D2（描述）：Kaggle 页信息量充实（规模、规格、视图、设备、伦理、引用清单齐全），但缺字段字典、患者级明细、版本变更日志。A2C 三源不一致扣一档。
- D3（质量）：临床金标准是最大加分项，伪标签与单中心是主要减分项。综合"中高"。
- D4（互操作）：通用格式（视频/表格/图片）降低了接入门槛，但无标准化元数据（如 DICOM、FHIR），且掩码下采样。评级"中"。
- D5（可复现）：官方代码与公开划分是同类数据集中的优等生，方法可端到端复现。评级"中高"。
与库内其他条目的横向位置：若把库内数据集按 DAIMS 综合排布，HMC-QU 处于"中上游"——优于许多仅提供影像、无代码无划分的数据集，但不及大型多中心数据集（如面积/规模更大、许可更开放的条目）。这一位置与其"小样本方法验证基准"的定位相符。
7.1 DAIMS 各维的改进空间
若要提升 HMC-QU 的 DAIMS 评级，可行的改进方向：
- D1 提升路径：提供完全开放的许可（如 CC BY）会大幅提分，但受临床数据敏感性约束，短期不现实；提供更明确的"邮件申请"响应流程文档可小幅改善。
- D2 提升路径：补充字段字典（说明 XLSX 每列含义）、患者级明细表、版本变更日志。这三项成本低、收益高。
- D3 提升路径：公开标注者数量与观察者间一致性（kappa）；说明去标识范围；区分人工标注帧与伪标签帧。
- D4 提升路径：提供 DICOM 或标准化元数据（如 FHIR 影像研究扩展）；或提供原始分辨率掩码（非 224×224 下采样）。
- D5 提升路径：已经在同类中领先，可进一步提供 Docker 镜像固化环境，消除依赖版本漂移。
改进空间的存在不否定数据集的价值——HMC-QU 已是 2020 年水平下的优秀公开数据集；列出改进点，是为后续数据集建设者提供参照。
7.2 五个维度的评分口径说明
为避免 DAIMS 评级被误读，说明各维度的评分口径：
- ★★★★★（优秀）：无需额外努力即可充分利用，无已知障碍。
- ★★★★☆（中高）：有少量障碍，但可在合理成本内克服。
- ★★★☆☆（中）：存在实质性门槛，需专门处理。
- ★★☆☆☆（中低）：门槛较高，多数用户会受阻。
- ★☆☆☆☆（低）：几乎无法充分利用。
按此口径，HMC-QU 的 D1（可用性）为"中"——门槛是许可（NC）与申请制；D2/D3/D5 为"中高"——障碍主要是元数据缺项、伪标签、日志缺失；D4 为"中"——无标准化格式。综合落在"中高"。
7.3 数据质量的两个层次
DAIMS 的 D3（质量）可细分为两个层次：
- 标签质量：HMC-QU 的 MI 标签来自临床金标准，质量高；但节段级严重度标签的观察者一致性未公开，存在残余不确定性。
- 数据本体质量：超声图像本身因低信噪比、操作者依赖、多设备差异而"先天不完美"——但这正是它作为"真实临床场景"基准的价值所在。“数据不完美"不等于"数据质量差”：一个忠实反映临床噪声的基准，比一个过度清洗的"实验室数据"更具泛化检验意义。
这一区分对医学 AI 评测尤为重要：在干净数据上刷分容易，在真实噪声数据上保持性能才是真本事。HMC-QU 的"低质量超声"标签（P2 标题）恰是它的卖点而非缺陷。
7.4 DAIMS 评估的方法论边界
需要声明的是：
- DAIMS 评级是基于公开材料的推断，未与数据维护者核实。
- 评级的"加权综合"采等权假设，不同应用场景（学术 vs 产业）会得出不同侧重。
- 评级时间点为 2026-10-07，随数据集更新可能变化。
因此，本节的 DAIMS 表应视为一份透明的评估报告，而非权威认证。它的价值在于把"这个数据集好不好用"这一定性问题，拆解为可讨论的五个维度。
§8 避坑清单：十五个已核对过的坑
坑 1：规模双口径——260/130 vs 322/162。早期论文（arXiv:2111.05790，2021–2023；IEEE Access 2021）写 260 段记录 / 130 例受试者；现行 Kaggle Version 6 与 BSPC 2024 写 322 段 / 162 例。这是版本演进，不是谁写错了。引用时须注明口径版本，切勿拿旧数质疑新数据（反之亦然）。
坑 2：获取双层 + slug 双写。Kaggle 平台可直接下载，但官方声明要求发送邮件至 mkiranyaz@qu.edu.qa 申请；且 Kaggle 页面 slug 为 hmcqu-dataset、GitHub 的 API 命令写 hmc-qu-dataset。下载失败时先检查 slug 是否匹配，并履行邮件申请以留授权记录。
坑 3：A2C 段数三源不一致。Kaggle 现行页写 A2C 160 段（80 MI + 80 non-MI）；早期摘要写 A2C 130 段（68 MI + 62 non-MI）；arXiv 正文写 A2C 130 段（68 + 62）。同一字段在两个版本下数字不同，跨源拼接数字会自相矛盾。
坑 4："HMC"缩写歧义。署名机构语境下 HMC = Hamad Medical Corporation（卡塔尔多哈）；但 Kaggle 正文另写数据"取自巴基斯坦 Hayatabad Medical Complex (HMC) and Indus Hospital"。同一缩写两处含义，条目按机构署名口径理解并逐条存照，引用时勿张冠李戴。
坑 5：分割子集仅 A4C，勿外推到 A2C。109 例分割掩码全部来自 A4C 视图（72 MI + 37 non-MI）。想对 A2C 视频做有监督分割没有真值可用；跨视图分割研究须自行构造标签或标注。
坑 6：10,000+ 例 / 800+ STEMI 不是数据集规模。这两个数字是采集医院的年度语料背景（一年内进行的超声总次数与急性 STEMI 入院数），不是 HMC-QU 的收录量（本体 322 段）。第三方数据站常把它当卖点误引，务必区分。
坑 7："162"的两次出现含义不同。162 既是唯一患者数，又恰好等于A4C 记录数。写"162 例"还是"162 段"取决于所指，混用会导致规模统计错误。
坑 8：分割掩码尺寸 ≠ 原始分辨率。掩码统一缩放为 224×224，与原始 422×636–768×1024 分辨率非像素级对齐；且掩码含伪标签生成成分。用掩码做几何测量（如绝对管径/厚度）需回到原始分辨率并核实标注纯度。
坑 9：跨论文指标不可直接排序。分割灵敏度/特异度（P2）、多视图灵敏度/精确率（P1）、OCC 几何均值（ICIP）出自不同论文、不同划分、不同指标定义，横向排"最高分"是无效比较。比较前须统一任务、视图与评估协议。
坑 10：与库内 hmc-sleep-staging 撞名前缀。库内另有 hmc-sleep-staging（rid 654，睡眠分期），与 HMC-QU 共享 “hmc” 前缀但机构、模态、任务完全无关。检索或互链时勿将两者混为一谈。
坑 11：arXiv 摘要滞后。arXiv:2111.05790 摘要至今写"260 echocardiography recordings"，而其相关 DOI 指向的 BSPC 2024 已更新为 322 段。以正文与 Kaggle 现行页为准，摘要数字仅作历史版本参考。
坑 12（附）：设备拼写 “Phillips” 是原文笔误。一手源（Kaggle 页等）多处把 Philips 拼为 “Phillips”。本条目按正确拼写 Philips 记录；检索设备信息时，两种拼写都试一下以免漏命中。
坑 13（附）：XLSX 的 Tabelle1 是默认表名。A2C.xlsx 的工作表名为 Tabelle1（德语"表格"），是导出工具的默认名，不是数据字段。读取时勿把它当成类别列。
坑 14（附）：按记录随机划分会造成患者泄露。一个患者可能同时贡献 A4C 与 A2C 记录，若按记录随机划分，同一患者的两个视图可能分处训练/测试两侧，导致指标虚高。应按患者划分（§4.10）。
坑 15（附）：不要混用 P1 与 P2 的检测指标。P2 的 MI 检测灵敏度 85.97%、P1 的多视图灵敏度 90.91% 是两篇论文、两条方法链路的数字。混引会让读者以为同一方法有两个性能值（坑 9 的具体案例）。
§8.5 一页速查：本条目涉及的核心数字
| 数字 | 含义 | 来源/口径 |
|---|---|---|
| 322 | 视频段数（现行） | Kaggle V6 / BSPC 2024 |
| 162 | 患者数（=A4C 段数） | Kaggle V6 / BSPC 2024 |
| 93 / 69 | MI / non-MI 患者数 | Kaggle 页 |
| 160 | A2C 段数（现行） | Kaggle V6 |
| 109 | 分割子集例数 | 双侧一致 |
| 72 / 37 | 分割子集中 MI / non-MI | 双侧一致 |
| 260 / 130 | 早期记录数 / 受试者数 | arXiv 2111.05790 |
| 25 | 帧率（fps） | 双侧一致 |
| 422×636–768×1024 | 空间分辨率区间 | 双侧一致 |
| 224×224 | 分割掩码尺寸 | 双侧一致 |
| 95.72 / 99.58 | 分割灵敏度/特异度（%） | P2 IEEE Access 2021 |
| 85.97 / 74.03 / 86.85 | 检测灵敏度/特异度/精确率（%） | P2 IEEE Access 2021 |
| 90.91 / 86.36 | 多视图检测灵敏度/精确率（%） | P1 BSPC 2024 |
| 71.24 | OCC 几何均值（%） | ICIP 2024 |
| 10,000+ / 800+ | 采集背景（非本体） | Kaggle 页 |
使用提醒：本表所有数字均已在正文标注来源与口径。脱离口径单引数字，是 HMC-QU 上最常见的引用错误。
§9 与库内条目的关系
HMC-QU 在千方病案库中处于"心脏超声 + MI 检测"这一交叉节点。以下梳理其可互链的库内条目与检索路径。
9.1 家族图谱：心脏超声近邻
| 库内条目 | rid | 与 HMC-QU 的关系 |
|---|---|---|
| EchoNet-Dynamic | 526 | 同为心尖四腔超声心动图视频数据集（Stanford）。关键区别：EchoNet-Dynamic 任务是左心室腔（cavity）分割与射血分数（EF）回归，标签来自导管测量的 EF；HMC-QU 是左心室壁（wall）分割 + MI 分类，标签来自临床 MI 诊断。两者视图相同、任务正交，是天然的"同一模态不同任务"对照 |
| EchoNet-LVH | 530 | 左心室肥厚（LVH）超声心动图，与 HMC-QU 共享心脏形态学分析主题；LVH 与 MI 均属左心室结构性/功能性异常，可做病理对照 |
| EchoNet-Pediatric | 771 | 儿科超声心动图，与 HMC-QU 的成人队列形成人群对照（儿科 vs 成人心脏） |
| Myocardial Perfusion SPECT | 620 | 心肌灌注 SPECT 影像，与 HMC-QU 同属"心肌缺血/梗死评估"的影像手段谱系（核医学 vs 超声） |
| CAMUS | 533 | 心脏超声分割数据集（左心室腔/心肌/心房），与 HMC-QU 分割任务高度相关，是重要的方法对照 |
| Cardiac Atlas Project / ACDC / LVQuant | 521 / 511 / 695 | 心脏影像分割与量化，多为 MRI，可与 HMC-QU 形成"模态迁移"研究组合（超声↔MRI） |
relatedLink 设计（6-10 条目标）：本条目 schema_org 的 relatedLink 挂载 8 条站内目标——526 EchoNet-Dynamic（同模态异任务主链）/530 EchoNet-LVH/771 EchoNet-Pediatric（EchoNet 三兄弟）/533 CAMUS（心脏超声分割同任务域）/620 Myocardial Perfusion SPECT（跨模态同病理）/511 ACDC/695 LVQuant（MRI 心脏影像模态迁移）/760 BUS-BRA（超声通用方法域）——覆盖"同模态/同任务/跨模态/跨器官"四条互链轴。
最强互链推荐：EchoNet-Dynamic（526）。理由：（1）同模态（心尖四腔超声视频）、同视图，数据预处理可复用；（2）任务正交（EF 回归/腔分割 vs MI 分类/壁分割），构成"同一模态、互补任务"的理想组合；（3）规模差异大（EchoNet 约万例 vs HMC-QU 162 例），天然适合"大规模预训练 + 小样本微调/迁移"的研究范式。任何做心脏超声基础模型的工作，都应把这两个数据集放在一起考虑。
次强互链推荐：Myocardial Perfusion SPECT（620）。它是"心肌缺血/梗死"这一临床问题在核医学模态的对应物，与 HMC-QU（超声模态）形成"多模态看同一病理"的对照，适合多模态融合研究。
9.2 超声成像通用近邻
- 乳腺/甲状腺超声：BUS-BRA、BUSI、DDTI——同属超声分割/分类，可作方法迁移的对照域（从中性器官到心脏）。
- 通用超声分割：Ultrasound Nerve Segmentation、US-Nerve-Seg、TUS-REC（超声重建）。
- 产科超声：Fetal Planes DB、Maternal Ultrasound Nutrition。
- 这些条目共享"超声低信噪比、散斑噪声、跨机域偏移"的方法学挑战，是跨域泛化研究的天然邻居。
跨器官超声迁移的价值：超声图像有别于 CT/MRI 的特征——散斑（speckle）噪声、声影、角度依赖的对比度——使得"从乳腺/甲状腺超声学到的鲁棒性技巧"可能迁移到心脏超声。因此这些看似领域不同的条目，在方法层面是近邻。
9.3 心电与心动周期依赖
HMC-QU 的心动周期定帧依赖心电图（ECG）（无 ECG 者按面积极值定义）。因此库内 ECG 数据条目构成方法学上的弱关联：PhysioNet CinC 系列、MIMIC-IV-ECG、OpenECG 等。在做"影像+ECG"多模态研究时，HMC-QU 的 ECG 依赖关系是一个自然的衔接点。
一个潜在研究课题：能否用 ECG 辅助 HMC-QU 的 MI 检测？临床上 ECG 本就是 MI 的一线诊断手段，把 ECG 与超声影像做多模态融合，理论上能提升检测性能。HMC-QU 的患者既有超声又有 ECG（用于定帧），是这一课题的现成数据基础。
9.4 心脏影像的横向坐标
- 胸片心脏相关：CXR-Cardiomegaly（心影增大）、Cardiac Implantable Device CXR——与 HMC-QU 同属"心脏的影像学评估"，但模态为 X 光。
- 这些条目帮助检索者理解：心脏的"结构评估"可由超声、MRI、CT、X 光、核医学多模态完成，HMC-QU 占据其中的"超声 + 功能（壁运动）"象限。
模态-任务矩阵：
| 模态 \ 任务 | 结构分割 | 功能量化 | 疾病诊断 |
|---|---|---|---|
| 超声 | CAMUS、EchoNet(腔) | HMC-QU（壁运动）、EchoNet(EF) | HMC-QU（MI）、EchoNet-LVH |
| MRI | ACDC、LVQuant | Cardiac Atlas | — |
| 核医学 | — | — | Myocardial Perfusion SPECT |
| X 光 | — | — | CXR-Cardiomegaly |
这张矩阵显示：HMC-QU 是少数同时占据"功能量化"与"疾病诊断"两个格子的超声数据集，这是它的独特定位。
9.4.1 三种典型的研究组合
基于上述图谱，推荐三种把 HMC-QU 与其他库内条目组合的研究设计：
组合一：跨数据集迁移（HMC-QU × EchoNet-Dynamic）
在 EchoNet-Dynamic（万例级）上预训练超声表示，在 HMC-QU（百例级）上微调/评测 MI 检测。研究问题：大规模心功能数据学到的表示，能否迁移到心梗诊断？这直接检验"数据规模能否补偿任务差异"。
组合二：跨模态对照（HMC-QU × Myocardial Perfusion SPECT）
同一临床问题（心肌缺血/梗死）在超声与核医学两种模态下的表现对照。研究问题：两种模态的诊断信息是否互补？可否融合？
组合三：跨器官域适应（HMC-QU × BUS-BRA/BUSI）
在乳腺/甲状腺超声（数据较丰富）上预训练，适应到心脏超声。研究问题：超声的通用鲁棒性技巧（去散斑、对比度增强）能否跨器官迁移？
这三个组合的共同点：都把 HMC-QU 作为"小样本、强标签"的一方，与"大规模或跨域"的另一方配对，从而在小数据上做出有分量的结论。这是小数据集研究的正确打开方式——不与大数据集拼规模，而是拼"搭配"。
9.4.2 与 EchoNet 系的技术差异速查
| 维度 | HMC-QU | EchoNet-Dynamic |
|---|---|---|
| 规模 | 322 段 / 162 例 | 约 10,030 段视频 |
| 视图 | A4C + A2C | A4C |
| 分割目标 | 左心室壁 | 左心室腔 |
| 主任务 | MI 二分类 | EF 回归 |
| 标签来源 | 临床 MI 诊断 | 导管测量 EF |
| 帧率 | 25 fps | 约 50 fps |
| 许可 | CC BY-NC-SA | 视具体分发 |
| 官方代码 | MultiEchoAI | 有 |
这张表说明：两者虽同为心脏超声视频数据集，但任务、目标、标签、规模几乎处处不同。把它们混为一谈（“都是心尖超声”）会犯下与研究设计不匹配的错误。正确的态度是：把它们视为互补而非竞争。
9.5 检索路径建议
- 精确检索词：
HMC-QU、hmcqu-dataset、hmc-qu-dataset、MultiEchoAI、Degerli echocardiography。 - 避免误命中：勿用裸
HMC（会命中库内hmc-sleep-stagingrid 654）；勿将hmcqu与hmc-qu视为不同数据集（是同一数据集的两种 slug）。 - 若目标是引用分割基准：引 P2（IEEE Access 2021）的 95.72%/99.58%。
- 若目标是引用检测基准：引 P1（BSPC 2024）的多视图 90.91%/86.36%。
- 若目标是复现：直接克隆 GitHub
MultiEchoAI，用 APs 特征与数据划分跑通，无需下载原始视频。 - 若目标是跨域泛化：以 EchoNet-Dynamic 为源域、HMC-QU 为目标域，是心脏超声上最自然的组合。
9.6 三个可落地的研究问题示例
为把互链关系转化为可执行的研究设计，给出三个具体问题：
问题一：视图融合的最优策略是什么？
在 HMC-QU 上系统比较"早期融合（特征拼接）"“晚期融合（决策投票）”“注意力融合（SAF-Net 路线）”，量化各策略在 A4C+A2C 上的增益。数据基础：322 段双视图记录。预期贡献：给出视图融合的经验规律。
问题二：跨设备域适应能否提升检测？
以 Philips 采集的记录为源、GE Vivid 为目标（或反之）做域适应，检验适应前后 MI 检测指标的差距。数据基础：多厂商设备记录。预期贡献：量化设备偏移对检测的影响。
问题三：分割精度如何传导到检测性能？
用不同精度的分割掩码（人工/伪标签/粗糙）分别做下游检测，量化"分割质量 → 检测指标"的敏感度。数据基础：109 例有分割的 A4C。预期贡献：说明分割环节的误差预算。
这三个问题的共同特征：都充分利用了 HMC-QU 的独特设计（双视图、多设备、检测+分割双任务），而非泛泛地"在某数据集上刷分"。好的研究问题应挖掘数据集的独特结构，而不是把它当成又一个分类集。
9.7 检索与引用的一站式小结
检索：用 HMC-QU、hmcqu-dataset、MultiEchoAI、Degerli echocardiography；避开裸 HMC（撞 hmc-sleep-staging）。
引用（按 Kaggle 官方要求，至少引一篇）：
- 数据集方法主引：Degerli et al., BSPC 2024, 87:105448；
- 数据集首公开：Kiranyaz et al., IEEE Access 2020, 8:210301-210317。
复现：git clone https://github.com/degerliaysen/MultiEchoAI → python train.py --view multi。
关键口径：现行 322/162；早期 260/130；分割 109 例 A4C。
§10 未解之谜与使用边界
10.1 尚未厘清的疑点
- 采集地理分歧：署名机构为卡塔尔多哈的 HMC，但正文称数据取自巴基斯坦 Hayatabad Medical Complex 与 Indus Hospital。两者如何统一（如 HMC 与巴基斯坦医院有合作采集？还是文本笔误？）官方未澄清。
- "162 例"与"162 段 A4C"的巧合：是否意味着每位患者恰好对应一段 A4C？若如此，则 A2C 的 160 段意味着少数患者缺 A2C——但官方未给出患者级的视图配对明细。
- 10,000+/800+ 的原始出处：疑为 P3 的采集医院统计，未在任何一手论文中逐句核实。
- 109 子集的细分时效性：72 MI + 37 non-MI 是在早期 130 A4C 口径下给出的，在现行 162 A4C 下是否更新未见说明。
- 标注者数量与一致性：未见公开的标注者人数、资质与观察者间一致性指标（kappa）。
- 去标识的具体范围：伦理批件存在，但去标识涵盖哪些字段未详述。
- Version 1–5 的变更日志：Kaggle 只显示当前 Version 6，历史版本差异无公开记录。
10.2 使用边界（什么该做、什么不该做）
适合做的事：
- 验证 MI 检测/分割新方法在小样本、低质量超声上的表现；
- 研究多视图融合（A4C+A2C）对诊断完整性的增益；
- 作为跨域泛化测试集：在 EchoNet-Dynamic 上训练、在 HMC-QU 上测试，考察域偏移；
- 复现与对标已发表方法（有官方代码与特征）；
- 探索"影像+ECG"多模态融合。
不适合做的事：
- 商业产品训练：CC BY-NC-SA 明确排除商业用途。
- 声称泛化结论：162 例、单中心、多来自特定协作网络，不足以支撑"通用心梗检测器"的宣称。
- 细粒度严重度建模：原始 5 级标签未在公开基准中充分验证，直接做 5 分类缺乏基准可比性。
- A2C 有监督分割：无真值。
- 绝对几何测量：掩码经 224×224 下采样且含伪标签，不宜做绝对尺寸测量。
- 直接临床部署：作为研究基准可以，但未经前瞻性临床验证，不可直接用于诊断决策。
10.3 对领域的启示
HMC-QU 示范了"小规模、强临床标签、公开实现"的数据集如何获得学术生命力：它没有 EchoNet 那样的大规模，但凭借双视图设计与检测+分割双任务，成为方法论文乐于引用的试验台。其"平台半开放"的获取模式与 CC BY-NC-SA 的商用限制，也从另一面提示：数据的可获取性设计与任务设计同等重要——一个数据集的长期影响力，既取决于它测什么，也取决于谁能拿到它、能拿它做什么。
三条可迁移的经验：
- 临床金标准是标签可信度的护城河：把"ECG+酶+治疗"作为 MI 判定条件，比单一影像判读更经得起复现检验。
- 双视图设计是小数据集的增效器：在样本量有限时，用"多角度观察同一对象"来丰富信息，是比单纯扩样本更经济的策略。
- 公开实现放大引用惯性：提供可运行代码与划分，让后续研究"从你的终点起步"，是数据集长寿的隐形推手。
一条警示：版本口径不一致（260/130 vs 322/162）几乎让本条目在检索阶段就产生歧义。对数据集的维护者而言，维护一份清晰的版本变更日志与同步更新所有渠道的标题/摘要，是可获取性设计中不应省略的一环。
10.4 对数据集建设者的五条建议
从 HMC-QU 的经验（正面与负面）中，可提炼出给医学数据集建设者的建议：
- 临床金标准优先于影像判读：能拿到临床终点标签（如"确诊 MI"）就不要满足于"影像观察标签"。
- 多视图/多模态天然增值：在样本受限时，多角度采集是性价比最高的信息扩充手段。
- 版本管理与外部引用同步：每次扩数据都要更新所有渠道的标题/摘要/论文引用；否则"同一数据集多个规模"会造成长期混乱（HMC-QU 的 260 vs 322 就是教训）。
- 公开可运行实现：代码 + 划分 + 预提特征，能让数据集的生命周期延长数倍。
- 许可条款与获取流程要显式且一致：避免"平台可下"与"官方要申请"并存的模糊状态。
这五条既是 HMC-QU 的优点（1、2、4 做到了），也是它的待改进处（3、5 有欠缺）。
10.5 一个诚实的收官评价
HMC-QU 不是最"完美"的医学数据集——它规模小、口径有版本分歧、元数据不完整、许可限制商用。但它在关键的地方做对了：标签来自临床金标准，视图设计支持多视图研究，官方实现公开透明，且它是这个领域"第一个公开"的。这四点足以让它成为心血管超声 AI 的经典基准之一。
对使用者而言，最务实的态度是：先用好它已经做对的部分（临床标签、公开划分、可复现代码），同时清醒地知道它的边界（规模、口径、许可）。不神化、不苛责——这才是一个成熟数据集应有的被使用方式。
10.6 局限一览与缓解建议
把 HMC-QU 的局限集中列出，并给出使用时的缓解建议：
| 局限 | 影响 | 缓解建议 |
|---|---|---|
| 规模小（162 例） | 易过拟合、泛化存疑 | 交叉验证 + 外部验证；与大数据集配合 |
| 单中心为主 | 分布偏窄 | 声明中心局限；跨中心测试需另找数据 |
| 版本口径分歧 | 引用混乱 | 明确标注所用口径与下载版本 |
| A2C 三源不一致 | 数字拼接矛盾 | 以 Kaggle 现行页为准并标注 |
| 分割仅 A4C 且含伪标签 | 分割评测天花板受限 | 区分人工/伪标签帧；不做绝对几何测量 |
| 无 leaderboard | 指标不可直接排序 | 统一任务/视图/划分后再比较 |
| NC 许可 | 禁商用 | 商业前与作者书面确认 |
| 元数据不完整 | 精细审计困难 | 自行从文件反推并向作者求证 |
这张表的使用方式：做研究设计时逐行过一遍，确认你的方案对这八条局限都有应对，而非视而不见。主动声明局限（而非回避）会显著提升工作的可信度——这是学术写作的基本功。
10.7 与"理想数据集"的差距清单
把 HMC-QU 与一个"理想的心肌梗死超声数据集"对照，差距如下：
| 理想特征 | HMC-QU 现状 | 差距程度 |
|---|---|---|
| 万例级规模 | 162 例 | 大 |
| 多中心采集 | 单中心为主 | 大 |
| 完整人口学字段 | 未提供 | 中 |
| 标准化格式（DICOM/FHIR） | 视频+XLSX+PNG | 中 |
| 标注者一致性强报告 | 未公开 | 中 |
| 版本变更日志 | 无 | 小（易补） |
| 开放许可（可商用） | CC BY-NC-SA | 中 |
| 官方代码与划分 | 有 | 无差距 |
| 临床金标准标签 | 有 | 无差距 |
| 检测+分割双任务 | 有 | 无差距 |
读表心法：差距"大"的两项（规模、多中心）是数据采集层面的硬约束，非维护者可短期改善；差距"中/小"的各项，部分可由使用者自行弥补（如从文件反推元数据、自建版本记录）。与其抱怨数据集的不足，不如在其优势区间（临床标签+双任务+公开代码）做扎实的工作。
§11 总结
11.1 三句话总结
- HMC-QU 是首个公开的左心室壁心肌梗死检测超声心动图基准：322 段 A4C/A2C 视频、162 例患者（93 MI + 69 non-MI）、109 例逐帧左心室壁分割掩码，2018–2019 年采集，25 fps，Philips 与 GE Vivid 设备。
- 它是一套"临床金标准 + 双任务 + 公开实现"的组合：MI 标签由 ECG/心肌酶/冠脉治疗确诊，任务覆盖检测与分割，GitHub 公开 APs 特征与数据划分。
- 它的引用陷阱集中在"版本口径"与"获取边界"：260/130 与 322/162 是两个版本；Kaggle 直下与邮件申请并行；许可 CC BY-NC-SA 排除商业用途。
11.2 适合谁
- 心血管影像 AI 研究者（MI 检测、壁运动分析）；
- 医学视频分割研究者（低质量超声分割）；
- 多视图/多模态融合方法开发者；
- 医学数据集可获取性、标签质量方法论研究者；
- 想在小样本临床数据上验证模型鲁棒性的团队；
- 探索"影像+ECG"多模态融合的研究者。
11.3 不适合谁
- 需要大规模训练语料的工业团队（162 例太小）；
- 商业用途项目（NC 条款）；
- 需要 A2C 分割真值的研究；
- 追求细粒度严重度标签的研究；
- 寻求开箱即用临床部署方案的用户。
11.4 30 秒决策卡
| 你的问题 | 答案 |
|---|---|
| 数据量 | 322 段视频 / 162 例患者（现行）；早期口径 260 段 / 130 例 |
| 任务 | MI 检测（二分类）+ 左心室壁分割 |
| 分割真值范围 | 仅 109 例 A4C |
| 获取 | Kaggle aysendegerli/hmcqu-dataset + 邮件 mkiranyaz@qu.edu.qa |
| 许可 | CC BY-NC-SA 3.0 IGO（禁商用） |
| 复现入口 | GitHub degerliaysen/MultiEchoAI |
| 主引论文 | Degerli et al., BSPC 2024, 87:105448 |
| 最关键的两个坑 | 版本口径（260/130 vs 322/162）；获取双层（Kaggle vs 邮件） |
| 最强互链条目 | EchoNet-Dynamic（526）、Myocardial Perfusion SPECT（620） |
11.5 一句话记住 HMC-QU
“一张 2019 年的心尖超声考卷，322 段、162 人、109 例壁掩码，临床金标准判心梗，Kaggle 可下、邮件要申、许可禁商——引用它，先把规模口径与获取路径这两个坑记牢。”
11.6 给三类读者的最终建议
- 给初入者：先克隆 GitHub 跑通
--view multi，感受数据集的样子，再决定是否下载原始视频。 - 给研究者：锁定你要对标的那篇论文的数字口径，用官方划分复现，再谈改进；比较时严守"同任务/同视图/同划分/同指标"四同原则。
- 给工程落地者：把 HMC-QU 当作验证环节而非训练主线；注意 NC 许可对商业路径的约束，提前规划合规。
最后一句话：HMC-QU 的最大价值，不是它给你一个"能刷高分的数据集"，而是它给你一个"大家都在用的标尺"。用对标尺，你的结果才有意义。
FAQ（高频问答 40 问）
A. 基础认知
Q1：HMC-QU 是什么的缩写？
HMC 在署名语境下指 Hamad Medical Corporation（卡塔尔），QU 指 Qatar University。但正文另出现巴基斯坦 Hayatabad Medical Complex 也叫 HMC——存在缩写歧义（坑 4）。
Q2：它和 EchoNet-Dynamic 有什么不同？
视图相同（都是心尖四腔超声），但任务不同：EchoNet-Dynamic 做左心室腔分割与 EF 回归，HMC-QU 做左心室壁分割与 MI 分类。标签来源也不同（EchoNet 用导管测量 EF，HMC-QU 用临床 MI 诊断）。
Q3：数据集是哪一年发布的？
数据集页创建于 2021-02-10；方法论文首公开在 2020（IEEE Access，P3）。数据采集于 2018–2019，伦理批件 2019 年 2 月。
Q4：现在的版本号是多少？
Kaggle 当前为 Version 6，体积 171.26 MB。
Q5：它和 PANDA、BraTS 一样是挑战赛吗？
不是。HMC-QU 无配套竞赛与 leaderboard，是静态基准数据集，分数来自各论文自报（这也是坑 9 的根源）。
B. 数据与获取
Q6：到底有多少段视频？
现行口径 322 段（A4C 162 + A2C 160）；早期口径 260 段。详见坑 1、坑 3。
Q7：有多少例患者？
现行 162 例（93 MI + 69 non-MI）；早期 130 例。注意"162"同时是 A4C 段数（坑 7）。
Q8：分割掩码覆盖多少例？
109 例，全部为 A4C 视图（72 MI + 37 non-MI）（坑 5）。
Q9：怎么下载？
Kaggle：kaggle datasets download -d aysendegerli/hmc-qu-dataset（注意 slug 双写，坑 2）。同时官方要求邮件 mkiranyaz@qu.edu.qa 申请。
Q10：许可是什么？
CC BY-NC-SA 3.0 IGO，禁止商业用途。
Q11：能用于商业项目吗？
不能。NC 条款明确排除商业目的；商用前须与作者书面确认。
Q12：为什么官方既让 Kaggle 下又要邮件申请？
官方文本双重表述，原因未澄清（坑 2）。稳妥做法是两者都做——下载 + 邮件留痕。
C. 任务与标注
Q13：MI 标签怎么来的？
临床金标准：ECG 证据 + 心肌酶证据确诊，患者接受冠脉造影/球囊扩张；93 例均为首次急性 MI。
Q14：RWMA 是什么？
Regional Wall Motion Abnormality，区域壁运动异常。缺血心肌节段最早出现的变化，是 MI 的超声征象。MI 标签即"该节段存在任何 RWMA 迹象"。
Q15：5 级严重度是哪 5 级？
正常/运动过度、运动减弱、无运动、运动障碍、室壁瘤。多数研究将 1 级视为 non-MI、2–5 级视为 MI。
Q16：心动周期的帧怎么定？
依 ECG 确定舒张末期/收缩末期；无 ECG 者按左心室面积最大/最小帧定义。
Q17：分割的是什么？
整个左心室壁（whole LV wall），掩码尺寸 224×224。
Q18：分割掩码是纯人工标注吗？
不完全是。P2 采用伪标签（pseudo labeling）方法，含半自动生成成分（坑 8）。
Q19：原始 5 级标签能做 5 分类吗？
技术上可以，但公开基准多为二分类；做 5 分类缺乏可比基准，且样本量小（坑 9 相关）。
Q20：一个患者会有多段记录吗？
可能。记录级与患者级统计口径不同，评估时须确认（§4.1）。
D. 基准与方法
Q21：分割基准数字是多少？
P2（IEEE Access 2021）：灵敏度 95.72%、特异度 99.58%。
Q22：MI 检测基准数字是多少？
P1（BSPC 2024）多视图：灵敏度 90.91%、精确率 86.36%。
Q23：这些数字能直接排序吗？
不能。出自不同论文、不同划分、不同指标定义（坑 9）。
Q24：评估协议是什么？
分层 5 折交叉验证，训练/测试约 80%/20%。
Q25：APs 是什么？
Active Polynomials，主动多项式。用多项式拟合心内膜边界的运动轨迹，计算节段位移，作为 MI 检测特征（§3.5）。
Q26：多视图融合为什么重要？
单视图会漏掉某些节段的 RWMA（只有约 60 例患者的 MI 在两视图都可见）；融合 A4C+A2C 可分析约 12 个节段（§2.4）。
E. 生产与库内
Q27：怎么复现最快？
克隆 GitHub degerliaysen/MultiEchoAI，用 APs 特征 + DataSplits，跑 python train.py --view multi。
Q28：库内有哪些可互链条目？
EchoNet-Dynamic(526)、EchoNet-LVH(530)、EchoNet-Pediatric(771)、Myocardial Perfusion SPECT(620)、CAMUS 等。
Q29：会和库内哪个条目撞名？
hmc-sleep-staging（rid 654）共享 “hmc” 前缀，但完全无关（坑 10）。
Q30：做跨域泛化研究，可以和谁配对？
在 EchoNet-Dynamic 上训练、在 HMC-QU 上测试，是最好的"同模态不同中心/任务"组合之一。
F. 疑难与边界
Q31：为什么有 260 和 322 两个规模？哪个对？
两个都对，属不同版本。现行口径（Kaggle Version 6 / BSPC 2024）为 322；早期论文为 260。引用时标注你用的口径（坑 1）。
Q32：A2C 到底 160 还是 130？
现行 160（Kaggle 页）；早期 130（摘要与 arXiv 正文）。版本差异，非笔误（坑 3）。
Q33：为什么 Kaggle 页说 10,000+ 例？
那是采集医院的年度语料背景，不是数据集本体规模（本体 322）。防误读（坑 6）。
Q34：能用它训练商业模型吗？
不能。CC BY-NC-SA 的 NC 条款排除商业用途（§6.1）。
Q35：如果我不能确定用哪个版本的数字，怎么办？
默认用现行口径（322/162，Kaggle Version 6），并在文中注明口径与下载日期。若引用具体论文结果，则用该论文自身的规模口径。
Q36：数据集是否含患者年龄性别等人口学信息？
公开材料未提供人口学字段清单；去标识范围未详述。使用时若需人口学配平，须与作者确认（§10.1）。
Q37：可以把它和 ECG 数据联合建模吗？
理论上可以——数据集的心动周期定帧依赖 ECG，说明患者有 ECG 记录；但公开材料未确认 ECG 波形本身是否随数据集发布。若需 ECG 波形，应与作者确认可用性（§9.3）。
Q38：有没有官方排行榜？
没有。HMC-QU 无配套竞赛或 leaderboard，分数来自论文自报（坑 9 的根源）。
Q39：伪标签对分割评测有什么影响？
若"真值"本身含模型预测成分，则用该掩码评测分割模型时，评测的天花板会受伪标签质量限制。引用分割指标时应意识到这一点（§3.4）。
Q40：这个数据集会不会过时？
只要它仍是"公开 MI 检测基准"的参照点，就有引用价值；且随着更大数据集出现，它更可能转型为"小而精的验证集"而非被淘汰。
附录 A：术语表（中英对照）
| 中文 | 英文/缩写 | 说明 |
|---|---|---|
| 超声心动图 | Echocardiography | 心脏超声，用声波成像心脏 |
| 心尖四腔 | Apical 4-Chamber (A4C) | 从心尖看四个心腔的切面 |
| 心尖二腔 | Apical 2-Chamber (A2C) | 从心尖看左心室两腔的切面 |
| 心肌梗死 | Myocardial Infarction (MI) | 心梗，心肌缺血坏死 |
| 左心室 | Left Ventricle (LV) | 心脏最厚的心腔，泵血主力 |
| 区域壁运动异常 | Regional Wall Motion Abnormality (RWMA) | 局部心肌运动异常，MI 的超声征象 |
| 左心室壁分割 | LV Wall Segmentation | 勾画左心室壁整体区域 |
| 舒张末期 | End-Diastole (ED) | 心脏充盈最满的时相 |
| 收缩末期 | End-Systole (ES) | 心脏泵血最多的时相 |
| 运动减弱 | Hypokinesia | 心肌收缩幅度下降 |
| 无运动 | Akinesia | 心肌不收缩 |
| 运动障碍 | Dyskinesia | 心肌反常膨出 |
| 室壁瘤 | Aneurysm | 局部结构性膨出 |
| 射血分数 | Ejection Fraction (EF) | 每次搏动泵出的血占比 |
| 主动多项式 | Active Polynomials (APs) | 跟踪心内膜边界拟合运动的方法 |
| 伪标签 | Pseudo Labeling | 用模型预测生成候选标注 |
| ST 段抬高型心肌梗死 | STEMI | 一类急性心梗 |
| 冠脉造影/球囊扩张 | Coronary Angiogram / Angioplasty | MI 的治疗手段 |
| 分层交叉验证 | Stratified K-Fold CV | 保持类别比例的交叉验证 |
| 几何均值 | Geometric Mean | √(灵敏度×特异度) 类汇总指标 |
| 域偏移 | Domain Shift | 训练与测试分布不一致 |
| 数据去标识 | De-identification | 移除可识别患者身份的信息 |
| DAIMS | Data and Analytics Interoperability and Maturity Standard | 数据成熟度评估框架 |
附录 B：来源 URL 清单
本条目编制所依据的一手与二手来源：
一手来源（官方/作者）
- Kaggle 数据集页：https://www.kaggle.com/aysendegerli/hmcqu-dataset
- GitHub 官方实现：https://github.com/degerliaysen/MultiEchoAI
- arXiv 预印本（P1）：https://arxiv.org/abs/2111.05790
- BSPC 2024 论文 DOI：https://doi.org/10.1016/j.bspc.2023.105448
- IEEE Access 2021（P2）DOI：https://doi.org/10.1109/ACCESS.2021.3059595
- IEEE Access 2020（P3）DOI：https://doi.org/10.1109/ACCESS.2020.3038743
- CinC 2023（SAF-Net）DOI：https://doi.org/10.22489/CinC.2023.240
- OCC 论文 arXiv：https://arxiv.org/abs/2402.06530
索引/二手来源
- VTT CRIS 收录页（P2）：https://cris.vtt.fi/en/publications/early-detection-of-myocardial-infarction-in-low-quality-echocardio
- HyperAI 数据集镜像（编号 38456）：https://hyper.ai/en/datasets/38456
- selectdataset 索引页：https://www.selectdataset.com/dataset/7c6870bf2014f5d4392264c74a930dfc
- gts.ai 数据站（含误读需谨慎）：https://gts.ai/?p=88431/
说明：二手来源（HyperAI、selectdataset、gts.ai）仅用于交叉核对与镜像索引，凡数字冲突处均以一手来源（Kaggle/GitHub/论文）为准。gts.ai 页存在把"10,000+ 采集背景"当作数据集规模的误读，已在坑 6 存照。
附录 C：三源互证的核验记录
为体现条目的证据强度，逐项列出关键事实的核验路径：
| 事实 | 源一 | 源二 | 源三 | 结论 |
|---|---|---|---|---|
| 规模 322/162（现行） | Kaggle 页 | BSPC 2024/selectdataset | HyperAI | 一致，采现行口径 |
| 规模 260/130（早期） | arXiv 2111.05790 摘要 | arXiv 正文 | IFTTT 摘要 | 一致，标注为早期口径 |
| A2C 160 vs 130 | Kaggle 页（160） | arXiv/IFTTT（130） | — | 冲突，版本差异存照 |
| 分割子集 109（72/37） | Kaggle 页 | arXiv 正文 | HyperAI | 一致 |
| 25 fps / 422×636–768×1024 | Kaggle 页 | arXiv 正文 | HyperAI | 一致 |
| 设备 Philips/GE Vivid | Kaggle 页 | arXiv 正文 | HyperAI | 一致（拼写笔误存照） |
| 许可 CC BY-NC-SA 3.0 IGO | Kaggle 页 | IFTTT 元数据 | — | 同源，后缀差异存照 |
| 伦理批件 2019-02 | Kaggle 页 | IFTTT 元数据 | HyperAI | 一致 |
| 获取邮箱 mkiranyaz@qu.edu.qa | Kaggle 页 | GitHub | HyperAI | 一致 |
| 分割基准 95.72/99.58 | VTT CRIS（P2） | — | — | 单一源（P2），待第三源 |
| 检测基准 90.91/86.36 | arXiv 摘要（P1） | — | — | 单一源（P1），待第三源 |
| 几何均值 71.24% | arXiv 2402.06530 | — | — | 单一源（OCC），待第三源 |
核验方法说明：本表"三源互证"指对同一事实检索至少三个独立来源并比对；凡仅得单一来源者标注"待第三源"，提示读者该数字尚未充分交叉验证。这是本条目坚持的证据纪律。
附录 D：与库内条目的互链索引
| 互链条目 | rid | 互链类型 | 互链理由 |
|---|---|---|---|
| EchoNet-Dynamic | 526 | 强（同模态异任务） | 心脏超声视频 + 不同任务，预训练/迁移首选 |
| EchoNet-LVH | 530 | 中（同模态同器） | 左心室形态异常，病理对照 |
| EchoNet-Pediatric | 771 | 中（人群对照） | 儿科 vs 成人 |
| Myocardial Perfusion SPECT | 620 | 中（跨模态同病理） | 心肌缺血/梗死的另一模态 |
| CAMUS | 533 | 中（同任务域） | 心脏超声分割方法对照 |
互链使用建议：在千方病案站内检索心脏超声相关条目时，建议以 EchoNet-Dynamic(526) 为核心锚点，向外辐射到 HMC-QU、EchoNet-LVH(530)、EchoNet-Pediatric(771)、CAMUS(533)，形成"心脏超声"聚类。
附录 E：读者导航与推荐路线
本条目信息量大，为不同需求的读者设计导航路线：
路线一：5 分钟速览（赶时间者）
- 读 INFOBOX（一屏速览）→ §1.5 一页速览表 → §11.4 30 秒决策卡。三条即可掌握 HMC-QU 全貌。
路线二：下载使用者
- 读 §6 获取与许可（重点看 §6.2 双层获取、§6.3 配套资产、§6.7 合规清单）→ 坑 2（slug 双写）→ 附录 B 来源链接。照做即可拿到数据。
路线三：MI 检测研究者
- 读 §4 任务与标注 → §5 基准与方法谱系（重点 §5.6 速查表、§5.11 公平比较原则）→ §5.12 复现路线 → 坑 9。据此可设计并比较实验。
路线四：分割研究者
- 读 §3.4 伪标签方法 → §4.2 分割任务 → 坑 5（仅 A4C）、坑 8（掩码下采样）→ §9.1 CAMUS 互链。据此可评估分割任务的可用性。
路线五：数据方法论研究者
- 读 §2.2 版本演进 → §6 获取与许可 → §7 DAIMS 评估 → §10 未解之谜与边界 → 附录 C 三源互证记录。这是一份完整的数据集方法论案例。
路线六：数据集建设者
- 读 §9.2 伦理经验 → §10.4 五条建议 → §10.7 与理想数据集差距 → 坑 1/6（版本与规模混淆教训）。据此可避免重蹈覆辙。
按章节定位速查：
| 你想了解 | 去读 |
|---|---|
| 数据集是什么 | §0、§1 |
| 有多少数据 | §2.1、§2.2 |
| 视频规格 | §2.3 |
| 文件结构 | §2.5 |
| 标签怎么来的 | §3.1、§3.3 |
| 做什么任务 | §4 |
| 性能多好 | §5.6 |
| 怎么拿数据 | §6 |
| 合不合规 | §6.7、§7 |
| 有什么坑 | §8 |
| 和库里谁关联 | §9、附录 D |
| 还有什么没搞清 | §10.1 |
| 关键数字 | §8.5、附录 C |
外部导航：GitHub degerliaysen/MultiEchoAI（复现入口）；Kaggle aysendegerli/hmcqu-dataset（下载入口）；DOI 10.1016/j.bspc.2023.105448（主引论文）。
条目编制说明：本条目依据一类来源（Kaggle 数据集官方页、GitHub 官方仓库、arXiv/BSPC/IEEE Access 论文、VTT CRIS 与 HyperAI 等索引页）三源互证而成。凡多源冲突处（规模口径、A2C 段数、摘要滞后、HMC 缩写、设备拼写）均在正文与避坑清单中逐条存照。数字以**现行口径（Kaggle Version 6 / BSPC 2024）**为主，早期口径逐处标注。最后核对日期 2026-10-07。
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：
- echonet-dynamic — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 心血管疾病
- tn3k — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 评测基准
- tmed2 — 共享标签：医学影像 / 图像分类 / 心血管疾病 / 评测基准
- pfus1 — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 评测基准
- cardiac-atlas-project — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 心血管疾病
- hyperkvasir — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 评测基准
- echonet-pediatric — 共享标签：医学影像 / 医学图像分割 / 心血管疾病 / 评测基准
- rossa — 共享标签：医学影像 / 医学图像分割 / 心血管疾病 / 评测基准
- dehazingecho2025 — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 心血管疾病
- echonet-lvh — 共享标签：医学影像 / 图像分类 / 心血管疾病
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。
