信息速览

数据集名称HVDROPDB — 早产儿视网膜病变视网膜结构分割数据集

数据类型人工标注,影像数据,原始数据

规模600 张已标注分割图像（3 主数据集 × 4 子数据集 × 50 张）+ 对应掩膜；分类子集（ROP/Normal）另计；逐患儿临床元数据未公开

接入方式印度浦那 PBMA's H.V. Desai Eye Hospital 早产儿 ROP 筛查现场采集的眼底彩色照相（RetCam by Clarity Medical Systems + Neo by Forus Healthcare）＋临床专家逐像素标注掩膜（视盘 OD / 血管 BV / 嵴 RIDGE 三结构）

AI 就绪度

INFOBOX — HVDROPDB 一屏速览

维度内容

本质首个为识别早产儿视网膜病变（ROP）公开发布的视网膜结构分割数据集（期刊数据论文型，非挑战赛）

采集地 PBMA’s H.V. Desai Eye Hospital，印度浦那（早产儿 ROP 筛查现场）

设备 RetCam（Clarity Medical Systems，美国）＋ Neo（Forus Healthcare，印度班加罗尔）双设备

分割目标视盘 OD / 血管 BV / 嵴·分界线 RIDGE 三解剖结构，逐像素二值掩膜

数据集结构 3 主数据集（OD/BV/RIDGE）× 4 子数据集 × 50 张 = 12 子数据集／600 张标注图像 + 600 掩膜

分类子集 V3 新增 Classification.rar：ROP 与 Normal 两类；配套论文细化为 Stage 1/2/3 与 Pre-plus/Plus

托管与 DOI Mendeley Data，10.17632/xw5xc7xrmp（版本链 V1→V2→V3）

最新版本 V3（2024-06-17），524 MB = Segmentation.zip 326 MB + Classification.rar 198 MB

许可 CC BY 4.0（可商用、可再分发、须署名）

论文 Data in Brief 2024, Vol. 52, 11 pages（doi:10.1016/j.dib.2023.109839；PMID 38146298；PMCID PMC10749257）

配套论文 PMCID PMC11815698：MultiCNN_LSTM 分类器（Stage 1/2/3 与 Pre-plus/Plus）

团队 Ranjana Agrawal、Rahee Walambe、Ketan Kotecha（SCAAI）、Anita Gaikwad、Col Madan Deshpande、Sucheta Kulkarni（H.V. Desai）

伦理筛查前取得早产儿父母/监护人书面知情同意，影像匿名化使用

获取 Mendeley Data 直接下载，无需注册审批

§0 导读：为什么 ROP 需要一个「结构分割」数据集

§0.1 一句话定位

HVDROPDB 是首个为识别早产儿视网膜病变（Retinopathy of Prematurity, ROP）而公开发布的视网膜结构分割数据集——它把早产儿眼底照相中的三类关键解剖结构（视盘 optic disc、血管 blood vessels、嵴 demarcation line/ridge）逐像素标注成掩膜，供 AI 模型学习「ROP 相关解剖标志长什么样、在哪里」，是 ROP 计算机辅助诊断在分割层面的公开基础设施。

§0.2 一篇读物回答的问题

ROP 是导致儿童可预防性失明的主要原因之一。它的诊断高度依赖小儿眼科医生对眼底图像的判读——需要同时回答三个问题：

病变在哪个区域（zone）？ 以视盘为中心划分 I/II/III 区；
病变到什么期（stage）？ 分界线/嵴是否出现（stage 1-3）；
是否有 plus disease（附加病变）？ 血管是否异常迂曲与扩张。

这三个问题的回答，在解剖学上都锚定在具体的视网膜结构上：定位 zone 需要视盘，评估 plus 需要血管，判定 stage 需要嵴。因此，如果 AI 能够稳定、精确地把这三类结构分割出来，它就获得了做 ROP 判读的「解剖坐标系」。

HVDROPDB 正是围绕这一需求构建的：它不是「给一张图打一个 ROP 标签」的分类数据集，而是把 ROP 判读所需的解剖结构先分出来的分割数据集。这一「先结构、后病变」的设计取向，是它区别于多数眼底疾病分类数据集的核心特征。

§0.3 本条目覆盖范围

本条目系统梳理 HVDROPDB 的身份定位、数据规模、任务与标注体系、许可与获取、评估与基准、生态与互链、方法学启示、库内关系与避坑清单，并附 FAQ、事实清单、术语表与附录。所有硬数字均按三源互证（Mendeley Data 官方托管页 × Data in Brief 期刊论文/PMC 全文 × 机构官网与配套论文）整理，凡遇口径冲突均在 §9 逐条存照。

§0.4 与库内条目的区别

千方病案医数集库内已有大量眼底影像数据集条目，但定位各不相同：drive/stare/chase-db1/hrf 面向成人眼底血管分割；deepdrid/messidor/idrid 面向糖尿病视网膜病变分级；oct2017/octdl 面向 OCT 模态。HVDROPDB 的独特性在于「早产儿 + ROP + 结构分割」三重定位的交集——它既不是成人眼底，也不是糖网，更不是 OCT，而是儿科专病的结构分割基座。这一差异将在 §9 详解。

§0.5 阅读路线建议

想快速了解数据长什么样：直接看 §2 数据构成与规格；
想复现或训练模型：重点看 §3 任务与标注体系 + §6 获取与许可；
想了解它的局限：跳到 §9 避坑清单与 §8 方法学启示；
想找相关数据集：见 §7 生态与互链。

§1 数据集速览：关于 HVDROPDB 的十二问

§1.1 它到底是什么？

HVDROPDB（Retinal Structure Segmentation in Retinopathy of Prematurity） 是一个面向早产儿视网膜病变的眼底图像结构分割数据集，由印度浦那的 PBMA’s H.V. Desai Eye Hospital 在早产儿 ROP 筛查现场采集，联合 MIT World Peace University 与 Symbiosis Centre for Applied AI 整理发布。它以 Mendeley Data 为托管平台，DOI 为 10.17632/xw5xc7xrmp，采用 CC BY 4.0 许可。

§1.2 为什么说它是「首个」？

数据集官方页与数据论文均自述其为首个为识别 ROP 而公开发布的视网膜结构分割数据集（the first dataset published for retinal structure segmentation to identify ROP）。此前的公开眼底分割数据集多面向成人眼底血管（DRIVE、STARE、CHASE_DB1）或糖尿病视网膜病变，没有一个专门面向早产儿 ROP 的三结构（视盘/血管/嵴）分割。HVDROPDB 填补的正是这一空白。

§1.3 数据来自哪里？

来自印度浦那 H.V. Desai Eye Hospital 的早产儿 ROP 筛查。该院是印度知名的眼科专科机构，长期开展早产儿 ROP 筛查与治疗。数据采集在现场进行，筛查前已取得早产儿父母或监护人的书面知情同意，影像经匿名化处理后使用。

§1.4 用什么设备拍的？

两台眼底照相设备：

RetCam（Clarity Medical Systems，美国）——国际上广泛用于新生儿/婴儿眼底成像的接触式广角眼底照相机；
Neo（Forus Healthcare，印度班加罗尔）——印度本土的儿科眼底成像设备。

两台设备的输出分辨率与成像特性不同，数据集未在可获取来源中统一给出逐设备分辨率口径（详见 §9 遗留疑点）。

§1.5 标注了什么结构？

三类解剖结构，逐像素二值掩膜：

OD（Optic Disc，视盘）——ROP 分区（zone）的中心锚点，同时反映视盘形态改变；
BV（Blood Vessels，血管）——plus disease 的核心征象（血管迂曲与扩张）所在；
RIDGE（嵴/分界线，demarcation line / ridge）——ROP 分期（stage）的关键解剖标志。

这三类结构的选择不是随意的，而是精确对应 ICROP（International Classification of Retinopathy of Prematurity）判读所需的三个解剖坐标。

§1.6 数据规模有多大？

分割部分：3 个主数据集（HVDROPDB-OD / HVDROPDB-BV / HVDROPDB-RIDGE），每个主数据集含 4 个子数据集，每个子数据集 50 张图像 + 对应掩膜。

每个主数据集：4 × 50 = 200 张；
三主数据集合计：3 × 200 = 600 张已标注分割图像 + 600 掩膜（12 个子数据集）。

分类部分（V3 新增）：Classification.rar，含 ROP 与 Normal 两类眼底图像。

§1.7 一共有几个版本？

Mendeley Data 上的版本链为：

V1：2023-11-14 创建，页面标注 unavailable（早期版本被后继覆盖，仅 DOI 存活）；
V2：2023-11-15，体积 326 MB，仅含分割数据；
V3：2024-06-17，最新版，体积 524 MB = Segmentation.zip（326 MB）+ Classification.rar（198 MB）。

正文引用与下载一律指向 V3。

§1.8 许可宽松吗？

非常宽松。采用 CC BY 4.0（Creative Commons Attribution 4.0 International），允许商用、再分发、改编，只需署名。无需注册审批，Mendeley Data 页面可直接下载。这在医学影像数据集中属于最开放的一档。

§1.9 有配套论文吗？

有，且不止一篇：

数据论文：发表于 Data in Brief（Elsevier），2024 年 Vol. 52，11 页，DOI 10.1016/j.dib.2023.109839，PMID 38146298，PMCID PMC10749257。该文描述数据集构建、规模与基线实验。
分类配套论文：PMCID PMC11815698——《Classification of Stages 1, 2, 3 and Pre-plus, Plus disease of ROP using MultiCNN_LSTM classifier》，说明 V3 新增分类子集的动机与分类方法学。

§1.10 谁做的？

六位作者，横跨临床与 AI 两侧：

Ranjana Agrawal（MIT World Peace University, Pune）；
Rahee Walambe（Symbiosis Centre for Applied Artificial Intelligence, SCAAI）；
Ketan Kotecha（SCAAI, Symbiosis International University）；
Anita Gaikwad（H.V. Desai Eye Hospital）；
Col Madan Deshpande（H.V. Desai Eye Hospital）；
Sucheta Kulkarni（H.V. Desai Eye Hospital）。

§1.11 它适合做什么？不适合做什么？

适合：结构性分割任务（视盘/血管/嵴）、儿科眼底 AI 方法探索、ROP 辅助诊断 pipeline 的前端模块验证、跨设备泛化研究、小样本分割方法研究。

不适合：需要逐患儿临床元数据的风险因素建模、需要大规模统计功效的基准评测、跨族群泛化性结论、成人眼底任务迁移。

§1.12 一屏速览

见本页顶部 INFOBOX，浓缩了本数据集的本质、团队、规模、版本、许可与获取等全部关键字段。

§1.13 与「挑战赛型」数据集的关键区别

初学者常把 HVDROPDB 与 BraTS、PANDA 之类的挑战赛数据集类比，但二者定位根本不同：

维度	挑战赛型数据集	HVDROPDB（数据论文型）
发布动机	竞赛与排名	数据描述与方法学支撑
官方划分	有（训练/验证/测试）	无
排行榜	有	无
提交入口	有（评测服务器）	无
许可	常较严（限赛事）	宽松（CC BY 4.0）
核心价值	可比性	复用性

含义：不要期待在 HVDROPDB 上「打榜」——它的价值在于成为你自己研究的数据底座，而非排行榜名次的来源。

§1.14 一句话使用建议

若你的研究问题是「如何从早产儿眼底彩照中稳定分割出视盘/血管/嵴」，HVDROPDB 目前是最直接的公开选择；若你的问题是「如何做 ROP 分级」，它可作为结构先验的补充资源；若你的问题是「族群泛化性」，它反而是一个需要通过跨数据集验证来超越的对象。

§2 数据构成与规格

§2.1 总体解剖：一套数据，两个任务

HVDROPDB 在结构上分为两个层次：

层次	内容	对应版本
分割层（主体）	3 主数据集 × 4 子数据集 × 50 张 = 600 张眼底彩照 + 600 掩膜	V2 起（2023-11-15）
分类层（后续新增）	ROP 与 Normal 两类眼底图像	V3 新增（2024-06-17）

分割层是数据集的原始设计与核心，分类层是在分割数据基础上衍生的疾病判别子集。理解这一层次关系很重要：HVDROPDB 的「第一性」是结构分割，分类是它的衍生用法之一。

§2.2 分割层的三主数据集

三个主数据集直接以标注结构命名：

§2.2.1 HVDROPDB-OD（视盘分割）

目标结构：视盘（Optic Disc, OD）——眼底图像中视神经乳头所在的亮色圆形区域。
临床意义：视盘是 ICROP 分区（zone I/II/III）的几何中心。判定病变位于哪个 zone，本质是判断病变与视盘的相对位置关系。因此视盘分割是整个 ROP 空间定位体系的原点。
补充意义：ROP 相关的视盘形态改变（如视盘水肿、边界模糊）本身也有诊断价值。

§2.2.2 HVDROPDB-BV（血管分割）

目标结构：视网膜血管（Blood Vessels, BV）——从视盘放射状发出的动静脉网络。
临床意义：plus disease 的核心征象是血管异常迂曲（tortuosity）与扩张（dilatation）。要量化迂曲度与血管口径，前提是先分割出血管。因此血管分割是 plus disease 自动判定的前置步骤。
方法学意义：血管分割是眼底影像分析中最成熟、竞争最激烈的任务之一（DRIVE/STARE/CHASE_DB1 均以此为基准），但面向新生儿/早产儿血管的分割此前缺乏公开数据。

§2.2.3 HVDROPDB-RIDGE（嵴/分界线分割）

目标结构：嵴（ridge）/分界线（demarcation line）——ROP 活动的标志性结构，是未血管化视网膜与血管化视网膜之间的分界。
临床意义：嵴的存在与形态直接决定 ROP 分期：stage 1 为分界线，stage 2 为嵴，stage 3 为嵴上纤维血管增生。因此嵴分割是 stage 判定的解剖基础。
独特性：嵴是早产儿 ROP 特有的结构，在成人眼底疾病中不存在，这也是本数据集无法被成人眼底数据集替代的根本原因。

§2.3 四子数据集的划分逻辑

每个主数据集下含 4 个子数据集，说明如下：

数据集对每个结构并非只给一套 50 张，而是组织为 4 个子集，每个子集 50 张，合计每个结构 200 张。
这一组织方式使得研究者可以在子集层面做交叉验证与泛化测试（如 3 个子集训练、1 个子集测试），而无需自行随机划分。
三主数据集合计 12 个子数据集，总计 600 张图像。

硬数字口径：3（主）× 4（子）× 50（张） = 600 张。凡遇到「数百张」等模糊表述，以此 600 张为准。

§2.4 掩膜规格与对齐

掩膜类型：逐像素二值掩膜（binary mask），每个结构一张掩膜。
对齐方式：掩膜与源图像同尺寸、逐像素对齐（无降采样），可直接用于语义分割训练。
标注主体：由 H.V. Desai Eye Hospital 的临床专家在 ROP 专科语境下标注。
文件组织：分割数据打包为 Segmentation.zip（326 MB），内含图像与掩膜。

§2.5 分类子集的构成

V3 新增的 Classification.rar（198 MB）包含 ROP 与 Normal 两类眼底图像：

数据集页面口径：二分类——ROP vs Normal。
配套论文口径：进一步细分为 Stage 1 / Stage 2 / Stage 3 以及 Pre-plus / Plus disease。
关系说明：数据集页面给出的原生标注只有 ROP/Normal 二分；Stage 1/2/3 与 Pre-plus/Plus 的细分级来自配套方法学论文（PMC11815698）的研究设定，不应将论文的细化层级当作数据集原生字段（详见 §9 双口径存照）。

§2.6 体积与文件清单

文件	体积	内容	引入版本
`Segmentation.zip`	326 MB	600 张眼底彩照 + 对应三结构掩膜	V2
`Classification.rar`	198 MB	ROP / Normal 分类图像	V3
V3 合计	524 MB	上述两者	V3

换算核对：326 MB + 198 MB = 524 MB，与 Mendeley Data 页面给出的 V3 总体积一致。

§2.7 影像模态与成像特性

模态：眼底彩色照相（fundus color photography），非 OCT、非 OCTA、非荧光造影。
采集设备：RetCam（Clarity Medical Systems）与 Neo（Forus Healthcare）双设备混合。
成像对象：早产儿（preterm infants），处于 ROP 筛查语境。
分辨率：论文未在可获取来源中统一给出单一分辨率；两设备输出不同，掩膜与图像同尺寸对齐。正文不写死单一分辨率（详见 §9 遗留疑点 1）。

§2.8 患者层面元数据

数据集页面以图像与掩膜为核心，未公开逐患儿的临床元数据（如胎龄、出生体重、随访时点、ICROP 分区/分期等）。这意味着：

可以做「图像→结构」的纯视觉任务；
无法直接做需要个体风险因素的建模（如「胎龄 + 图像 → ROP 风险」）；
无法做纵向随访分析（同一患儿不同时点的图像对应关系未公开）。

此局限将在 §9 避坑清单中显式提示。

§3 任务与标注体系

§3.1 分割任务：三结构逐像素

HVDROPDB 的主任务是语义分割。对每张眼底彩照，模型需要分别预测三个结构的像素级掩膜：

视盘分割：把视盘区域从背景中分离；
血管分割：把血管网络从视网膜背景中分离；
嵴分割：把嵴/分界线从视网膜背景中分离。

三个任务可以独立建模（三个单结构分割模型），也可以联合建模（多类分割），取决于研究设定。

§3.1.1 为什么是这三个结构，而不是别的

一个自然的疑问是：眼底结构那么多（黄斑、视网膜中央动脉/静脉、视杯等），为什么偏偏选 OD/BV/RIDGE？答案在 §3.4 的 ICROP 映射中——这三个结构恰好是 ROP 判读三个维度的解剖锚点：

没有视盘 → 无法定义 zone；
没有血管 → 无法评估 plus；
没有嵴 → 无法判定 stage。

反例：黄斑分割对糖网（DME）很重要，但对 ROP 判读不是必需——因此 HVDROPDB 不含黄斑。结构选择由临床判读需求决定，而非由「好标」或「常见」决定。

§3.2 分割任务的技术特点

类别极不平衡：视盘占图像比例小，血管细长且连通，嵴往往只有一条窄带——三者都是典型的「小目标 + 细结构」分割难题。
结构尺度差异大：视盘是块状区域，血管是树状细线，嵴是弧状窄带，对模型的多尺度能力要求高。
新生儿影像特殊性：早产儿眼底与成人眼底在血管形态、视网膜发育程度上差异显著，成人眼底分割模型直接迁移可能失效。

§3.2.1 三结构分割的共同挑战

除各自特点外，三结构还共享三类挑战：

边界模糊：嵴与血管的边界在低质量图像上难以界定，标注本身存在不确定性；
前后景对比低：早产儿眼底色素浅、对比度低，结构不易与背景区分；
图像质量参差：筛查场景下患儿配合度低，可能出现模糊、反光、遮挡。

这些挑战使得 HVDROPDB 不仅是「又一个分割数据集」，还是真实临床图像难度的载体——它的难度分布比实验室采集的数据集更接近落地场景。

§3.3 分类任务：ROP 判别

二分类（数据集原生）：ROP vs Normal。
细分级（配套论文）：Stage 1 / Stage 2 / Stage 3 与 Pre-plus / Plus。
细分级的方法学：配套论文提出 MultiCNN_LSTM 分类器，用多 CNN 提取特征 + LSTM 建模序列关系，对 ROP 分级求解。
与分割的关系：分割得到的视盘/血管/嵴掩膜，理论上可作为分类任务的结构先验输入——这是 HVDROPDB「先结构、后病变」设计取向的直接体现。

§3.4 标注体系的临床框架：ICROP

HVDROPDB 的命名与任务设计直接对齐 ICROP（International Classification of Retinopathy of Prematurity） 的三维框架：

ICROP 维度	判读依据	对应 HVDROPDB 结构
Zone（分区）	病变与视盘的相对位置	OD（视盘）作为几何锚点
Stage（分期）	分界线/嵴/纤维血管增生	RIDGE（嵴/分界线）
Plus disease（附加病变）	血管迂曲与扩张	BV（血管）

这一映射关系说明：HVDROPDB 的结构选择不是按「哪个结构好标」决定的，而是按「ROP 判读需要什么」决定的。这是理解本数据集设计哲学的关键。

§3.5 标注粒度与质量

粒度：像素级（pixel-level），非边界框、非关键点。
掩膜语义：二值（目标结构 vs 背景）。
标注主体：H.V. Desai 眼科医院的临床专家，具备 ROP 专科判读经验。
一致性：数据集未公开标注者间一致性（inter-observer agreement）指标（详见 §9 遗留疑点）。

§3.6 任务设计的启示

HVDROPDB 的任务设计给出一个通用范式：把复杂的临床判读任务，分解为若干可分割的解剖结构，再用结构信息支撑上层判别。这一「结构先行」的范式在视网膜影像分析之外也有借鉴价值（如把病灶判读分解为解剖标志分割 + 病变分类）。详见 §8 方法学启示。

§3.7 与纯分类数据集的对比

维度	纯分类眼底数据集	HVDROPDB
标注形式	一张图一个标签	一张图 + 三张结构掩膜
模型输出	类别概率	像素级掩膜（+ 可选分类）
可解释性	弱（黑箱分类）	强（可定位到解剖结构）
可复用性	任务绑定	结构掩膜可复用于多任务
标注成本	低	高（像素级）

HVDROPDB 选择成本更高的像素级标注，换取了更高的可解释性与复用性——这是它作为「基础设施型数据集」而非「基准型数据集」的定位决定的。

§3.8 标注流程推断

综合来源信息，标注流程可推断为：

采集：在早产儿 ROP 筛查现场，用 RetCam 或 Neo 拍摄眼底彩照；
筛选与匿名化：选取可用于研究的图像，去除身份信息；
专家标注：由 H.V. Desai 眼科医院临床专家逐像素勾画三类结构掩膜；
整理发布：按「3 主数据集 × 4 子数据集 × 50 张」组织，打包上传 Mendeley Data。

其中第 3 步是数据集价值的核心——像素级标注成本高、对标注者专业度要求高（须熟悉 ROP 解剖）。这也是数据集规模受限（600 张）的直接原因：像素级专家标注是稀缺资源。

§3.9 三结构标注的难度谱系

从标注难度看，三结构呈现清晰的递进：

结构	形态	边界清晰度	标注难度	典型分割难度
OD（视盘）	块状区域	高（对比明显）	低	较易
BV（血管）	树状细线	中（细且密）	中	中
RIDGE（嵴）	弧状窄带	低（形态多变）	高	难

这一难度谱系对模型评估很重要：视盘 Dice 高不代表模型好，血管与嵴的 Dice 才是真正的区分度所在（呼应 §9 坑点 6）。

§3.10 可能的联合建模方案

除单结构独立建模外，HVDROPDB 还支持多种联合建模设定：

多类语义分割：一次输出 OD/BV/RIDGE 三类的多通道掩膜（共享编码器，多解码头）；
级联建模：先分割视盘 → 以视盘为中心裁剪 ROI → 再分割血管/嵴（利用解剖先验）；
多任务学习：分割 + 分类共享编码器，分类任务用分割学到的表征（呼应 §8 结构先行范式）。

这些设定的对比研究，可帮助理解「三结构之间的信息共享程度」——是本数据集一个尚未被充分探索的方向。

§4 许可、版本与获取

§4.1 许可条款

HVDROPDB 采用 CC BY 4.0（Creative Commons Attribution 4.0 International）：

✅ 允许商业使用；
✅ 允许再分发（可打包进商用产品）；
✅ 允许改编（可微调、可再标注、可衍生）；
⚠️ 要求署名（attribution）——须注明来源 Agrawal et al. 与数据集 DOI；
❌ 无 ShareAlike 强制（衍生作品不要求同许可）；
❌ 无 NonCommercial 限制。

在千方病案医数集收录的医学影像数据集中，CC BY 4.0 属于最开放的一档。对比：panda-plus 的注释掩膜是「请求制」，isic-2020 采用 CC BY-NC，HVDROPDB 的开放度显著更高——下载即用，无需申请。

§4.2 获取方式

入口：Mendeley Data
URL：https://data.mendeley.com/datasets/xw5xc7xrmp/
DOI：10.17632/xw5xc7xrmp（指向最新版；指定版本用 10.17632/xw5xc7xrmp.3 指 V3）
审批：无需注册、无需审批，页面直接下载
文件：Segmentation.zip（326 MB）+ Classification.rar（198 MB）

实操提示：Mendeley Data 的下载入口在页面右侧「Download all」按钮；由于含 RAR 文件，Linux/macOS 环境需确保 unrar 或兼容工具可用。

§4.3 版本链

版本	DOI	日期	体积	内容	可用性
V1	`10.17632/xw5xc7xrmp.1`	2023-11-14	—	早期版本	unavailable（仅 DOI 存活）
V2	`10.17632/xw5xc7xrmp.2`	2023-11-15	326 MB	仅分割（Segmentation）	可下载
V3	`10.17632/xw5xc7xrmp.3`	2024-06-17	524 MB	分割 + 分类	可下载（最新）

引用与下载一律指向 V3。 V1 页面标注 unavailable，说明其内容已被后继版本覆盖，但 DOI 仍解析以保持可追溯性。

§4.4 版本演进的时间线

2023-11-14  V1 创建（后被覆盖，unavailable）
2023-11-15  V2 发布：仅分割数据 326 MB
2023 年末    Data in Brief 数据论文在线（doi:10.1016/j.dib.2023.109839）
2024-06-17  V3 发布：新增 Classification.rar（198 MB），总量 524 MB
2024 年后   配套分类论文（PMC11815698，MultiCNN_LSTM）

这一演进说明：数据集是活的——先发布分割主体，后补充分类子集，与配套方法学论文的发表节奏同步。

§4.5 引用格式

按 Mendeley Data 页面给出的 Given citation（Agrawal et al., 2024, V3）。建议引用形式：

Agrawal, R., Walambe, R., Kotecha, K., Gaikwad, A., Deshpande, M., & Kulkarni, S. (2024). HVDROPDB — Retinopathy of Prematurity Retinal Structure Segmentation [Data set]. Mendeley Data, V3. https://doi.org/10.17632/xw5xc7xrmp.3

论文引用：

Agrawal, R. et al. (2024). Data in Brief, 52, 109839. https://doi.org/10.1016/j.dib.2023.109839

§4.6 二次分发注意事项

由于 CC BY 4.0 允许再分发，HVDROPDB 可被打包进下游数据集或竞赛平台，但必须：

保留署名（作者 + 数据集标题 + DOI）；
标明是否做了修改（如重新划分训练/测试集）；
不暗示作者为下游用途背书。

§5 机构、团队与采集现场

§5.1 数据采集机构

PBMA’s H.V. Desai Eye Hospital, Pune, India（印度浦那 H.V. Desai 眼科医院）。

这是印度的眼科专科医院，长期开展早产儿 ROP 筛查与治疗。
数据集名称中的 “HVD” 即 H.V. Desai 的缩写。
数据在真实的 ROP 筛查临床现场采集，而非实验室模拟——这保证了数据的临床真实性。

§5.2 方法与技术机构

MIT World Peace University（MIT-WPU），Pune ——Ranjana Agrawal 所在。
Symbiosis Centre for Applied Artificial Intelligence（SCAAI），Symbiosis International University ——Rahee Walambe、Ketan Kotecha 所在，负责 AI 方法学。

§5.3 作者与分工

作者	隶属	角色推断
Ranjana Agrawal	MIT-WPU, Pune	第一作者，数据集构建与论文撰写
Rahee Walambe	SCAAI, Symbiosis International University	AI 方法学
Ketan Kotecha	SCAAI, Symbiosis International University	AI 方法学/指导
Anita Gaikwad	H.V. Desai Eye Hospital	临床（ROP 筛查与判读）
Col Madan Deshpande	H.V. Desai Eye Hospital	临床/机构管理
Sucheta Kulkarni	H.V. Desai Eye Hospital	临床（ROP 筛查与判读）

分工格局：三名临床作者（H.V. Desai）+ 三名 AI 作者（MIT-WPU/SCAAI），是典型的「临床采集 + AI 整理」协作模式。

§5.4 成像设备厂商

设备	厂商	国别	定位
RetCam	Clarity Medical Systems	美国	国际主流新生儿/婴儿广角眼底照相机
Neo	Forus Healthcare	印度（班加罗尔）	印度本土儿科眼底成像设备

双设备混合的意义：数据反映了真实临床中「不同医院/不同时期使用不同设备」的异构性，对研究跨设备泛化有独特价值。但同时也带来分辨率与成像特性不统一的挑战（见 §9）。

§5.5 伦理与合规

知情同意：在 ROP 筛查前，已取得早产儿父母/监护人的书面知情同意（written informed consent）。
匿名化：影像经匿名化处理后使用，不携带患儿身份信息。
伦理审查：按期刊数据论文要求，研究通过机构伦理审查（详见论文声明）。

这一伦理框架是儿科数据集的刚性要求——早产儿属特殊保护人群，知情同意与匿名化不可省略。

§5.6 采集语境的特殊性

在早产儿 ROP 筛查语境下采集，意味着：

图像来自有 ROP 风险的早产儿，而非随机人群——阳性样本更具临床代表性；
采集条件受限（婴儿眼底拍照需要接触式操作，患儿配合度低），图像质量可能参差；
图像可能包含筛查场景的特有变异（如不同眼别、不同复查时点）——这既是挑战也是真实性优势。

§6 论文、时间线与学术背景

§6.1 核心数据论文

字段	内容
标题	HVDROPDB — Retinopathy of Prematurity Retinal Structure Segmentation（数据论文）
期刊	Data in Brief（Elsevier）
年份/卷	2024, Vol. 52
页数	11 pages
ISSN	2352-3409
DOI	10.1016/j.dib.2023.109839
PMID	38146298
PMCID	PMC10749257
在线首发	2023 年末（DOI 中的 2023 指在线年份）

Data in Brief 的定位：这是 Elsevier 旗下专门发表数据描述论文（data article）的期刊——论文的核心是「描述数据怎么来的、长什么样、能怎么用」，而非提出新方法。因此 HVDROPDB 的论文重点在于数据规格与基线实验，而非算法创新。

§6.2 配套分类论文

字段	内容
标题	Classification of Stages 1, 2, 3 and Pre-plus, Plus disease of ROP using MultiCNN_LSTM classifier
PMCID	PMC11815698
作用	说明 V3 新增分类子集的动机，提出 MultiCNN_LSTM 分类方法学
与数据集关系	该方法使用 HVDROPDB 数据做 ROP 分级实验

§6.3 相关文献链

PubMed 34240273——ROP 深度学习方向的综述性/引用链节点文献，可用于追溯该数据集在 ROP AI 研究中的引用脉络。
说明 HVDROPDB 并非孤立数据集，而是嵌在一条活跃的「ROP 深度学习」研究链中。

§6.4 时间线总览

2023-11-14  Mendeley Data V1 创建
2023-11-15  V2 发布（仅分割，326 MB）
2023 年末    Data in Brief 数据论文在线首发（DOI 含 dib.2023）
2024        Data in Brief Vol. 52 正式卷期（11 pages）
2024-06-17  V3 发布（分割 + 分类，524 MB）
2024+       配套分类论文 MultiCNN_LSTM（PMC11815698）

§6.5 学术背景：ROP AI 的研究现状

ROP 是全球儿童可预防性失明的主要原因之一，在中低收入国家负担尤重（因早产儿存活率上升但筛查资源不足）。
ROP 筛查依赖训练有素的小儿眼科医生，而这类医生在资源匮乏地区严重短缺——这正是 AI 辅助筛查的核心驱动力。
已有 ROP AI 工作多集中在分类/分级（给图判级别），而结构分割层面的公开数据长期缺失——HVDROPDB 填补的正是这一环。
因此 HVDROPDB 的学术价值不在「又一个分类数据集」，而在「提供了 ROP 判读所需的解剖结构分割基座」。

§6.6 为什么要强调「首个」

「首个为 ROP 公开发布的视网膜结构分割数据集」这一表述的重要性在于：

可复现性：此前 ROP 分割研究可能使用私有数据，结果无法复现；HVDROPDB 提供了公开基准；
可比性：有了公开数据，不同方法可在同一数据上比较（尽管数据集本身未设官方排行榜）；
方向信号：它把「ROP 结构分割」确立为一个独立的研究问题。

§6.7 ROP 的临床基础速览

为便于非临床读者理解，简要梳理 ROP 的关键临床要点：

病因：早产儿视网膜血管发育未成熟，出生后暴露于相对高氧环境，导致血管异常增生；胎龄越小、出生体重越低，风险越高。
筛查：对符合条件的早产儿按时间窗做系列眼底检查，直至视网膜血管化完成。
分区（Zone）：以视盘为中心，I 区（最接近视盘）、II 区、III 区（周边）。
分期（Stage）：1 期分界线、2 期嵴、3 期嵴上纤维血管增生、4 期部分视网膜脱离、5 期全视网膜脱离。
plus disease：后极部血管迂曲扩张，是加重的标志；Pre-plus 为介于正常与 plus 之间。
治疗：阈值病变（如 1 型 ROP）需激光或抗 VEGF 治疗。

HVDROPDB 的三结构恰好覆盖了判读所需的前三个维度：视盘（zone）、嵴（stage）、血管（plus）。

§6.8 数据论文期刊背景：Data in Brief

Data in Brief 是 Elsevier 旗下的开放获取期刊，专门发表数据描述文章（data article）。
其论文结构固定：数据来源、采集方法、数据描述、价值说明、使用说明——不要求方法创新。
这一期刊定位决定了 HVDROPDB 论文的重点：把数据讲清楚，而非提出新算法。
对数据集使用者而言，好处是论文提供了结构化、规范化的数据说明，比博客或 README 更可靠。

§6.9 引用生态的现状判断

数据论文（2024）发表时间较短，引用仍在积累；
配套分类论文（PMC11815698）提供了第一个方法学锚点；
相关文献链（PubMed 34240273）显示 ROP 深度学习是一个活跃方向；
判断：HVDROPDB 目前处于「被引用早期」——是切入该方向做方法研究的合适窗口期。

§6.10 版本演进与学术节奏的同步

值得注意的一个细节：数据集版本演进与论文发表节奏同步——V2（2023-11）对应数据论文首发，V3（2024-06）对应分类配套论文。这提示：

数据集的「活」体现在随研究进展持续扩充；
引用时应关注是否有更新版本，避免引用过时版本；
分类子集的出现是方法学驱动的数据扩充，而非孤立更新。

§7 评估、基准与复现

§7.1 原论文的基线实验

HVDROPDB 的数据论文报告了基线分割模型在三结构上的性能。具体逐项 Dice/Sensitivity 数值未在可获取来源中取得（PMC/ScienceDirect 全文正文抽取受限，反爬机制阻挡），因此本条目按「报告了基线分割性能」的定性表述处理，不臆造数值（详见 §9 遗留疑点 2）。

诚实声明：任何声称「HVDROPDB 上视盘分割 Dice 为 XX.XX」的具体数字，若无法回溯到论文原文表格，均不应采信。本条目拒绝编造精确数字。

§7.2 常用的评估指标（通用范式）

由于数据集本体未强制指定指标，研究者常采用语义分割的通用指标：

Dice 系数（Dice Similarity Coefficient, DSC）——预测掩膜与真值掩膜的重叠度，[0,1]，越高越好；
IoU（Intersection over Union / Jaccard）——交并比，是 Dice 的严格变体；
Sensitivity / Recall——真阳性率，对细结构（血管、嵴）尤其重要；
Specificity——真阴性率；
Precision——精确率；
Hausdorff Distance / ASSD——边界距离指标，衡量分割边界贴合度。

对血管与嵴这类细结构，单一 Dice 可能掩盖边界误差，通常需要配合边界距离指标与可视化评估。

§7.3 分类任务的基准

配套论文基准：PMC11815698 提出 MultiCNN_LSTM 分类器，报告 Stage 1/2/3 与 Pre-plus/Plus 的分类性能。
这一基准的意义：它验证了「在 HVDROPDB 分类子集上做 ROP 细分级」的可行性，为后续方法提供对比锚点。

§7.4 是否存在官方排行榜？

否。HVDROPDB 是期刊数据论文型数据集，不是 Kaggle / Grand Challenge 之类的挑战赛型数据集：

无官方提交入口；
无官方排行榜（leaderboard）；
无官方划分（official split）强制要求。

研究者需自行划分训练/验证/测试集。数据集提供的 4 子集结构为交叉验证提供了便利，但不构成强制协议。

§7.5 第三方复现与引用

ROP 分割方向有后续工作引用该库，引用链可经 PubMed 34240273 关联追溯。
未获确证的权威第三方基准数字——因此本条目正文按「原论文基准 + 通用评估范式」表述，不臆造第三方结果。
这一状况在小规模、新发布的儿科数据集上很常见：引用需要一个积累过程。

§7.6 复现建议（实操）

若要在 HVDROPDB 上复现或新建基线，建议：

数据划分：按 4 子数据集做 4 折交叉验证（3 子集训练 / 1 子集测试），保证每个结构 200 张全参与；
预处理：统一尺寸（因两设备分辨率不同）、颜色归一化（跨设备色彩差异）、掩膜二值化；
模型选择：U-Net 系列或其变体作为分割基线；细结构（血管/嵴）可用注意力机制或边界损失改进；
损失函数：Dice Loss + BCE 联合，缓解类别不平衡；
评估：Dice + IoU + 边界距离，分结构分别报告，不要跨结构平均（三结构难度差异大，平均会掩盖问题）；
跨设备验证：若元数据允许，报告 RetCam vs Neo 的分设备性能——这是本数据集最有价值的泛化实验方向。

§7.7 评估的公平性注意点

三结构难度不同：视盘（块状）通常 Dice 最高，血管（细线）次之，嵴（窄带 + 类别极不平衡）最难——报告时必须分结构；
类别不平衡：不能只看 Accuracy，必须看 Dice/IoU 等对不平衡敏感的指标；
小样本：600 张总量下，测试集可能只有 150 张左右，结果方差大，应报告多次实验的均值与标准差；
跨设备混淆：若测试集混合两设备，性能会受设备分布影响，应做分设备分析。

§7.8 构建自建基准的最小协议建议

由于数据集无官方划分，若要在论文中报告可比较的结果，建议采用并公开如下最小协议：

划分固定化：明确写出 4 子数据集如何分配到 train/val/test，并给出文件清单或脚本种子；
预处理固定化：写出目标尺寸、颜色归一化方式、掩膜二值化阈值；
模型与超参固定化：至少给出骨干网络、优化器、学习率、批大小、训练轮数；
指标固定化：逐结构报告 Dice/IoU/边界距离，并给出多次运行的均值 ± 标准差；
报告训练/测试设备构成：注明各折中 RetCam 与 Neo 的比例。

这五项做到，他人便能复现你的数字——这是把「无官方基准」的数据集用出可比性的唯一路径。

§7.9 为什么精确数值缺失反而值得说明

本条目坚持「不写不可回溯的 Dice 数值」，原因不只是诚实纪律，也是科学传播的责任：

一个未经验证的「XX.XX Dice」若被广泛引用，会变成事实上的「幽灵基准」，误导后续方法比较；
数据集论文的表格数值是唯一权威口径，任何二手转述都可能失真；
宁可留白并标明「未取得」，也不提供看似精确实则无从核验的数字。

这一处理方式对本数据集尤其重要，因为它是新数据集，社区尚未形成对其数值的集体记忆，错误的数字一旦扩散更难纠正。

§8 生态、影响与方法学启示

§8.1 在 ROP AI 生态中的位置

HVDROPDB 在 ROP AI 研究版图中处于基础设施层：

[结构分割基座]  ← HVDROPDB（视盘/血管/嵴）
      ↓
[病变量化]  ← plus disease 血管迂曲度、zone 定位
      ↓
[分级判读]  ← Stage / Zone / Plus 综合判定
      ↓
[临床决策]  ← 转诊、治疗（激光/抗VEGF）、随访

它不直接输出临床决策，但为上游的量化与判读提供了解剖坐标。这种「基础设施型」定位决定了它的价值是长期的、被复用的，而非「一次性刷榜」的。

§8.2 方法学启示（一）：结构先行的范式

HVDROPDB 的核心方法学启示是：把复杂临床判读任务分解为可分割的解剖结构 + 上层判别。

传统做法：直接「图 → ROP 标签」端到端分类；
HVDROPDB 做法：先「图 → 结构掩膜」，再用结构信息支撑判别。

这一分解带来三重好处：

可解释性——模型输出可定位到具体解剖结构，医生能看到「模型在看哪里」；
可迁移性——结构掩膜是任务无关的中间表征，可复用于分类、量化、配准等多个下游任务；
可审计性——分割结果可被临床专家直接检查与纠正。

§8.3 方法学启示（二）：儿科影像的领域差异

早产儿眼底与成人眼底是两个领域：

血管形态：新生儿血管更细、发育未完全；
结构存在性：嵴是 ROP 特有结构，成人眼底不存在；
成像条件：接触式操作、患儿配合度低，图像质量波动大。

启示：成人眼底模型（DRIVE 等训练）直接迁移到 ROP 可能失效。HVDROPDB 的存在提醒研究者：儿科影像需要独立的领域适配，不能想当然地复用成人模型。

§8.4 方法学启示（三）：小样本 + 高难度结构

600 张的总量在分割数据集里偏小，但覆盖了三类难度递进的结构。这为研究小样本分割、类别不平衡分割、细结构分割提供了有价值的试验场。

§8.5 方法学启示（四）：真实临床异构性

RetCam + Neo 双设备混合，反映了真实临床的异构现实。相比单一设备采集的「干净」数据集，HVDROPDB 更适合研究跨设备泛化与域适应。

§8.5.1 三条可操作的研究路线

基于上述启示，可在 HVDROPDB 上开展三类研究：

基线刻画研究——用统一的 U-Net 系列模型，在三结构上建立可复现的基线表（须公开划分协议）；
结构交互研究——对比「三结构独立分割」与「多任务联合分割」，量化结构间的信息共享收益；
跨设备泛化研究——以 RetCam 训练、Neo 测试（或反之），测量域偏移的影响，并评估域适应方法。

§8.5.2 结构掩膜的复用价值链

一张结构掩膜可被复用于多个下游任务，构成价值链：

分割掩膜（OD/BV/RIDGE）
   │
   ├─ 量化：视盘直径、血管迂曲度、嵴长度
   ├─ 分类：以结构先验输入 ROP 分级器
   ├─ 配准：以视盘为锚点对齐不同时点图像
   ├─ 质控：判断图像是否包含足够可判读结构
   └─ 教学：可视化标注供培训

这种「一标注、多复用」的特性，正是像素级标注成本虽高却值得的根本原因。

§8.6 潜在应用场景

ROP 筛查辅助：自动分割结构 → 自动量化 plus disease → 辅助分级；
教学与培训：用结构掩膜教住院医师识别视盘/血管/嵴；
质量评估：用分割质量评估眼底图像是否适合判读；
纵向监测：若有随访数据（需患者元数据补充），可监测结构变化。

§8.7 局限与影响边界

HVDROPDB 的影响受限于：

地域单一（印度单一区域、单一族群）；
规模有限（600 张）；
无患者元数据（无法做风险因素建模）；
无官方基准（比较需要自建协议）。

因此它更适合作为方法探索与预训练资源，而非临床验证基准。跨族群、跨机构的临床结论需要更广泛的数据支撑。

§9 库内关系与避坑清单

§9.1 与库内数据集的关系

HVDROPDB 在千方病案医数集库内与多类条目形成对照与互补（互链优先级见 §9.2）：

相关类别	代表条目（rid）	关系
眼底结构分割同族	`refuge2`(766)、`drive`(241)、`stare`(788)、`chase-db1`(251)、`hrf`(261)、`drishti-gs`(301)	同为视盘/血管分割，但面向成人眼底
眼底疾病分类同族	`deepdrid`(211)、`messidor`(59)、`idrid`(191)、`ddr`(201)、`fgadr`(221)、`rfmid`(271)	同为眼底疾病判别，但面向糖网而非 ROP
儿科眼科专病	`grape-glaucoma`(860)、`echonet-pediatric`(771)	同为儿科/少见病，可对照儿科数据集的构建范式
儿科影像综合	`brats-pediatric`(688)	儿科专病影像的对照
OCT/OCTA 眼科	`oct2017`(311)、`octdl`(690)、`octid`(697)、`retouch`(321)	模态互补（不同成像原理）
糖尿病视网膜病变近邻	`duke-dme`(744)	同为视网膜疾病，病种相近

核心区别：refuge2/drive 等是成人眼底分割；deepdrid/idrid 等是糖网分类；HVDROPDB 是早产儿 ROP 结构分割——儿科 + ROP + 结构分割的三重交集使其在库内不可替代。

§9.2 建议互链优先级

按主题相关度排序，建议正文优先互链：

refuge2(766) —— 眼底视盘/杯/血管结构分割的最直接同族；
drive(241) —— 眼底血管分割的经典基准；
grape-glaucoma(860) —— 儿科眼科专病；
echonet-pediatric(771) —— 儿科专病超声，方法论对照；
brats-pediatric(688) —— 儿科影像综合；
deepdrid(211) —— 眼底疾病分类对照。

§9.3 坑点 1：地域与族群单一，泛化性存疑

配套论文自述数据来自印度单一区域的单一族群（single region within Indian population）。这意味着：

模型在印度浦那人群上表现良好，不代表在其他族群（如东亚、高加索、非洲）上同样有效；
早产儿 ROP 的发病率、表型可能随族群与医疗水平变化；
使用前必须做跨族群验证，不可直接部署到其他地区。

§9.4 坑点 2：无逐患儿临床元数据

数据集未公开逐患儿的胎龄、出生体重、随访时点、ICROP 分区/分期等字段。后果：

无法做「图像 + 风险因素 → ROP」的多模态建模；
无法做纵向随访分析（同一患儿不同时点对应关系未知）；
无法做患者级别的数据划分，患者间泄漏风险在交叉验证中无法排除（同一患儿多张图可能落入训练与测试两侧）。

§9.5 坑点 3：版本链含不可用节点

Mendeley Data 的 V1（2023-11-14）页面标注 unavailable。若研究者按 DOI 10.17632/xw5xc7xrmp.1 引用，可能无法复现。务必引用 V3（10.17632/xw5xc7xrmp.3）。

§9.6 坑点 4：分类标注层级混淆

数据集原生分类只有 ROP / Normal 二分；Stage 1/2/3 与 Pre-plus/Plus 的细分级来自配套方法学论文的研究设定，不是数据集原生字段。若把它当作数据集原生标注使用，会造成口径错误。

§9.7 坑点 5：设备异构与分辨率不统一

RetCam 与 Neo 两台设备的输出分辨率与成像特性不同，未统一给出逐设备分辨率口径。后果：

直接混合训练可能导致模型学到设备特征而非解剖特征；
跨设备测试性能可能显著下降；
预处理阶段需做尺寸统一与颜色归一化。

§9.8 坑点 6：三结构难度差异大，不可平均

视盘（块状）、血管（细线）、嵴（窄带）的分割难度递进，跨结构平均 Dice 会掩盖问题。评估必须分结构报告，且对细结构（血管、嵴）配合边界距离指标。

§9.9 坑点 7：无官方划分与排行榜

数据集不提供官方训练/测试划分，不设官方排行榜。这意味着：

不同论文报告的数值不可直接横向比较（划分不同）；
引用他人「HVDROPDB 上 Dice 达 XX」时，须核对其划分协议；
建立自己的划分后，应在论文中明确公开，供他人复现。

§9.10 坑点 8：反爬导致的数值缺失——不可臆造

数据论文全文正文抽取曾受反爬阻挡，逐项 Dice 数值未取得。任何精确数值都应回溯到论文原文表格；无法回溯的数值不应写入综述或模型对比表。本条目已明确拒绝编造数字（见 §7.1）。

§9.11 坑点小结表

#	坑点	后果	规避
1	地域/族群单一	泛化性存疑	跨族群验证
2	无患者元数据	无法做风险建模；患者泄漏	谨慎划分，声明局限
3	版本链含 unavailable	引用失效	一律引 V3
4	分类层级混淆	口径错误	区分数据集原生 vs 论文衍生
5	设备异构	性能波动	尺寸统一 + 颜色归一 + 分设备分析
6	结构难度差异	指标误导	分结构评估
7	无官方划分	结果不可比	公开自己的划分
8	数值缺失	易被臆造	只写可回溯数值

§10 DAIMS 评估

DAIMS（Discoverability / Accessibility / Interoperability / Metadata / Sustainability）是评估医学数据集「AI-Ready 程度」的五维框架。以下对 HVDROPDB 逐维打分与评述。

§10.1 评分表（满分 5 分/维，总分 25）

维度	分项	得分	评述
D 可发现性	有 DOI	5	Mendeley DOI `10.17632/xw5xc7xrmp` 稳定可解析
	有论文	5	Data in Brief 数据论文 + 配套分类论文
	可被检索	4	Mendeley Data 平台可搜；但无专用官网/HF 镜像
A 可及性	下载无需审批	5	直接下载，无注册门槛
	许可明确	5	CC BY 4.0 明示
	文件可用	4	ZIP + RAR；RAR 需额外解压工具
I 互操作性	格式通用	4	PNG 图像 + 掩膜；非标准化医学格式（无 DICOM）
	结构清晰	4	3 主 × 4 子 × 50 张的组织明确
	元数据规范	3	无患者级元数据；无结构化元数据文件
M 元数据	数据集级元数据	4	Mendeley 页面齐全（作者/版本/许可/体积）
	样本级元数据	2	缺失患者与采集元数据
	标注说明	4	结构定义明确（OD/BV/RIDGE）
S 可持续性	机构托管	5	Mendeley Data（Elsevier）长期托管
	版本管理	4	V1→V2→V3 版本链，但 V1 unavailable
	社区引用	3	新数据集，引用仍在积累

§10.2 总分与等级

总分：D(14) + A(14) + I(11) + M(10) + S(12) = 61 / 75
百分制：约 81 分
等级：A-（优秀，AI-Ready 程度高）

§10.3 优势与短板

优势：

许可极开放（CC BY 4.0）——这是 AI-Ready 的关键前提；
有正式 DOI 与同行评审论文——可发现性与学术可信度强；
结构清晰、标注规范——直接可用于分割训练。

短板：

样本级元数据缺失是最大扣分项——限制了研究问题的广度；
无专用官网、无 HF 镜像——可发现性略逊于有镜像的数据集；
无官方划分/排行榜——互操作性受影响。

§10.4 改进建议

补充患者级元数据（在伦理允许范围内，可提供脱敏的胎龄/体重区间）；
提供标准化元数据文件（如 JSON/CSV 描述每张图的设备、结构、划分）；
增设 HuggingFace 镜像，提升可发现性与加载便利性；
提供官方划分建议，改善结果可比性。

§11 总结与展望

§11.1 一句话总结

HVDROPDB 是首个为早产儿视网膜病变（ROP）公开发布的视网膜结构分割数据集，以眼底彩照 + 视盘/血管/嵴三结构像素级掩膜的形式，为 ROP 判读提供了公开的解剖分割基座，采用 CC BY 4.0 许可在 Mendeley Data 直链公开。

§11.2 三条主线

回看 HVDROPDB，可以提炼三条主线：

临床驱动：结构选择（OD/BV/RIDGE）严格对应 ICROP 的 zone/stage/plus 三个判读维度——它是「为临床问题设计的数据」，而非「为刷榜设计的数据」；
开放优先：CC BY 4.0 + 免审批下载，最大限度降低了使用门槛；
基础设施定位：作为结构分割基座而非分类基准，其价值在于被长期复用而非一次性评测。

§11.3 三个待观察的方向

规模扩展：600 张偏小，未来是否扩展至更大规模、更多机构？
元数据补全：是否补充患者级脱敏元数据，解锁风险因素建模？
基准化：是否增设官方划分与排行榜，提升可比性？

§11.4 对使用者的最后建议

把 HVDROPDB 当作「儿科 ROP 结构分割的起点」而非「终点」：

用它验证方法的可行性；
用它研究跨设备泛化；
用它探索结构先行的可解释范式；
但不要用它的结论直接推广到其他族群或直接部署临床——那需要更广泛的数据支撑。

§12 常见问题（FAQ）

Q1：HVDROPDB 怎么读？
读作「H-V-D-R-O-P-D-B」或整体「hvdropdb」。HVD = H.V. Desai（采集医院，印度浦那 H.V. Desai 眼科医院），ROP = Retinopathy of Prematurity（早产儿视网膜病变），DB = Database。

Q2：它和 DRIVE / STARE 有什么区别？
DRIVE/STARE 是成人眼底血管分割数据集；HVDROPDB 是早产儿眼底三结构（视盘+血管+嵴）分割数据集。核心差异：人群（早产儿 vs 成人）、结构（三个 vs 一个）、病种（ROP vs 泛指）。

Q3：它和 DeepDRiD / IDRiD 有什么区别？
DeepDRiD/IDRiD 面向**糖尿病视网膜病变（DR）的分级/分类；HVDROPDB 面向早产儿视网膜病变（ROP）**的结构分割。两者病种不同、任务类型不同。

Q4：数据要钱吗？要申请吗？
不要钱，不用申请。CC BY 4.0，Mendeley Data 直接下载，只需使用后署名。

Q5：一共多少张图？
分割部分：3 主数据集 × 4 子数据集 × 50 张 = 600 张已标注图像 + 600 掩膜。分类子集另计。

Q6：掩膜是什么格式？
图像的逐像素二值掩膜，与源图像同尺寸对齐。分割数据打包为 Segmentation.zip。

Q7：最新版本是哪个？
V3（2024-06-17），524 MB，含分割（326 MB）+ 分类（198 MB）。请一律引用 V3。

Q8：有排行榜吗？
没有。它是期刊数据论文型数据集，无官方提交入口与 leaderboard，需自行划分数据。

Q9：可以商用吗？
可以。CC BY 4.0 允许商用，须署名。

Q10：有哪些已知局限？
地域/族群单一、无患者元数据、设备异构、规模有限、无官方划分、无患者级元数据。详见 §9 避坑清单。

Q11：嵴（RIDGE）是什么？
嵴（ridge）/分界线（demarcation line）是 ROP 中未血管化与血管化视网膜之间的分界结构，是 ROP 分期（stage）的关键解剖标志。

Q12：视盘分割为什么重要？
视盘是 ICROP 分区（zone I/II/III）的几何中心，判定病变所在 zone 本质是判断病变与视盘的相对位置。

Q13：血管分割和 plus disease 什么关系？
plus disease 的核心征象是血管异常迂曲与扩张，要量化迂曲度与口径，前提是先分割出血管。

Q14：数据论文发在哪？
Data in Brief（Elsevier），2024, Vol. 52, 11 pages，DOI 10.1016/j.dib.2023.109839。

Q15：谁做的？
Ranjana Agrawal、Rahee Walambe、Ketan Kotecha（SCAAI）、Anita Gaikwad、Col Madan Deshpande、Sucheta Kulkarni（H.V. Desai 眼科医院）。

Q16：采集设备是什么？
RetCam（Clarity Medical Systems，美国）与 Neo（Forus Healthcare，印度）双设备。

Q17：有伦理审查吗？
有。筛查前取得早产儿父母/监护人书面知情同意，影像匿名化使用。

Q18：分类子集分几类？
数据集页面为 ROP/Normal 二分类；配套论文细化为 Stage 1/2/3 与 Pre-plus/Plus。注意区分数据集原生标注与论文衍生层级。

Q19：可以用成人眼底模型直接跑吗？
不建议。早产儿眼底与成人差异显著，且嵴是 ROP 特有结构，直接迁移可能失效。建议做领域适配。

Q20：如何引用？
引用数据集：Agrawal et al. (2024), Mendeley Data V3, https://doi.org/10.17632/xw5xc7xrmp.3；引用论文：Data in Brief, 52, 109839。

事实清单（Fact Sheet）

以下为三源互证后的核心事实（官方托管页 × 期刊论文/PMC × 机构/配套论文），供快速核验。

官方名称：HVDROPDB — Retinal Structure Segmentation in Retinopathy of Prematurity
定位：首个为识别 ROP 公开发布的视网膜结构分割数据集
规范 slug：hvdropdb
采集机构：PBMA’s H.V. Desai Eye Hospital, Pune, India
技术机构：MIT World Peace University（MIT-WPU）+ Symbiosis Centre for Applied AI（SCAAI）
采集设备：RetCam（Clarity Medical Systems，美国）+ Neo（Forus Healthcare，印度）
影像模态：早产儿眼底彩色照相（fundus color photography）
分割结构：OD（视盘）、BV（血管）、RIDGE（嵴/分界线）
主数据集数：3（HVDROPDB-OD / HVDROPDB-BV / HVDROPDB-RIDGE）
子数据集数：每主集 4 个，合计 12 个
每子集图像数：50 张
分割标注总量：600 张图像 + 600 掩膜（3×4×50）
分类子集：ROP / Normal 两类（数据集原生）；Stage 1/2/3 与 Pre-plus/Plus（论文衍生）
托管平台：Mendeley Data
DOI：10.17632/xw5xc7xrmp（版本链 V1→V2→V3）
V1：2023-11-14，unavailable（仅 DOI 存活）
V2：2023-11-15，326 MB，仅分割
V3：2024-06-17，524 MB = Segmentation.zip 326 MB + Classification.rar 198 MB（最新）
许可：CC BY 4.0
获取：Mendeley Data 直链下载，无需注册审批
数据论文：Data in Brief, 2024, Vol. 52, 11 pages, ISSN 2352-3409
论文 DOI：10.1016/j.dib.2023.109839
PMID：38146298
PMCID：PMC10749257
配套分类论文：PMCID PMC11815698（MultiCNN_LSTM）
相关文献链：PubMed 34240273
作者：Ranjana Agrawal、Rahee Walambe、Ketan Kotecha、Anita Gaikwad、Col Madan Deshpande、Sucheta Kulkarni
伦理：父母/监护人书面知情同意 + 影像匿名化
临床框架：ICROP（zone / stage / plus disease）
已知局限：地域单一、无患者元数据、设备异构、规模有限、无官方划分

术语表（Glossary）

ROP（Retinopathy of Prematurity，早产儿视网膜病变）：发生于早产儿的不成熟视网膜血管异常增生性疾病，可致盲。
ICROP（International Classification of Retinopathy of Prematurity）：ROP 的国际分类标准，含 zone（分区）、stage（分期）、plus disease（附加病变）三维。
OD（Optic Disc，视盘）：视神经乳头，眼底分区（zone）的几何中心。
BV（Blood Vessels，血管）：视网膜血管网络，plus disease 判读的解剖基础。
RIDGE（嵴 / demarcation line，分界线）：ROP 中未血管化与血管化视网膜之间的分界结构，分期关键标志。
Zone（分区）：以视盘为中心将视网膜划分为 I/II/III 区。
Stage（分期）：ROP 严重程度分级（1-5），基于嵴与纤维血管增生。
Plus disease（附加病变）：后极部血管异常迂曲与扩张，提示病变加重。
Pre-plus disease（前附加病变）：介于正常与 plus 之间的状态。
RetCam：Clarity Medical Systems（美国）生产的新生儿广角眼底照相机。
Neo：Forus Healthcare（印度班加罗尔）生产的儿科眼底成像设备。
Optic Disc Segmentation：视盘分割，把视盘区域从眼底图像中分离。
Vessel Segmentation：血管分割，把血管网络从视网膜背景分离。
Ridge Segmentation：嵴分割，把嵴/分界线从视网膜背景分离。
Dice 系数（DSC）：分割重叠度指标，[0,1]，越高越好。
IoU（Intersection over Union）：交并比，分割评估常用指标。
Hausdorff Distance：分割边界贴合度指标。
DAIMS：数据集 AI-Ready 程度评估框架（可发现性/可及性/互操作性/元数据/可持续性）。
Mendeley Data：Elsevier 旗下的数据托管平台，支持 DOI 与版本管理。
CC BY 4.0：知识共享署名 4.0 国际许可，允许商用与改编，须署名。

附录 A：数据下载与解压实操

# 1. 访问数据集页面（浏览器）
#    https://data.mendeley.com/datasets/xw5xc7xrmp/3
#    点击 "Download all" 下载 Segmentation.zip 与 Classification.rar

# 2. 解压分割数据
unzip Segmentation.zip -d hvdropdb_seg/

# 3. 解压分类数据（Linux/macOS 若无 unrar，先安装）
#    Ubuntu/Debian: sudo apt-get install unrar
#    macOS:         brew install unar
unrar x Classification.rar hvdropdb_cls/

# 4. 目录结构（预期，按数据集页面组织）
#    hvdropdb_seg/HVDROPDB-OD/  (4 子集 × 50 图像 + 掩膜)
#    hvdropdb_seg/HVDROPDB-BV/
#    hvdropdb_seg/HVDROPDB-RIDGE/
#    hvdropdb_cls/  (ROP / Normal)

附录 B：三结构分割的 PyTorch Dataset 骨架

import os
from PIL import Image
from torch.utils.data import Dataset

class HVDROPDBSeg(Dataset):
    """HVDROPDB 单结构分割数据集：structure ∈ {OD, BV, RIDGE}"""
    def __init__(self, root, structure="BV", transform=None, mask_transform=None):
        self.root = os.path.join(root, f"HVDROPDB-{structure}")
        self.transform = transform
        self.mask_transform = mask_transform
        # 汇总 4 个子集下的 (image, mask) 对
        self.pairs = []
        for subset in sorted(os.listdir(self.root)):
            sub = os.path.join(self.root, subset)
            if not os.path.isdir(sub):
                continue
            for fn in sorted(os.listdir(sub)):
                if fn.lower().endswith((".png", ".jpg", ".jpeg", ".tif")):
                    self.pairs.append(os.path.join(sub, fn))

    def __len__(self):
        return len(self.pairs)

    def __getitem__(self, idx):
        img_path = self.pairs[idx]
        img = Image.open(img_path).convert("RGB")
        # 掩膜命名以实际数据集为准（示例：同名 _mask 后缀）
        mask_path = img_path.rsplit(".", 1)[0] + "_mask.png"
        mask = Image.open(mask_path).convert("L")
        if self.transform:
            img = self.transform(img)
        if self.mask_transform:
            mask = self.mask_transform(mask)
        return img, mask

注意：掩膜文件命名以数据集实际组织为准，上例为示意。解压后请先 ls 目录确认命名规则再修改 __getitem__。

附录 C：跨设备预处理建议

import torch
import torchvision.transforms as T

# 因 RetCam 与 Neo 输出分辨率不同，统一到固定尺寸
# 并做颜色归一化以缓解跨设备色彩差异
preprocess = T.Compose([
    T.Resize((512, 512)),          # 统一尺寸（按需调整）
    T.ColorJitter(brightness=0.1,  # 轻度颜色扰动提升鲁棒性
                  contrast=0.1,
                  saturation=0.1),
    T.ToTensor(),
    T.Normalize(mean=[0.485, 0.456, 0.406],
                std=[0.229, 0.224, 0.225]),
])

mask_preprocess = T.Compose([
    T.Resize((512, 512), interpolation=T.InterpolationMode.NEAREST),
    T.ToTensor(),
])

附录 D：评估指标实现要点

def dice(pred, target, eps=1e-6):
    """二值分割 Dice 系数"""
    inter = (pred * target).sum()
    return (2 * inter + eps) / (pred.sum() + target.sum() + eps)

def iou(pred, target, eps=1e-6):
    """交并比 IoU"""
    inter = (pred * target).sum()
    union = pred.sum() + target.sum() - inter
    return (inter + eps) / (union + eps)

# 关键提醒：分结构报告，勿跨结构平均
# for s in ["OD", "BV", "RIDGE"]:
#     report(dice_s, iou_s)

附录 E：4 折交叉验证划分建议

# HVDROPDB 每结构含 4 个子集，天然适合 4 折交叉验证
subsets = ["subset1", "subset2", "subset3", "subset4"]
for fold in range(4):
    test = subsets[fold]
    train = [s for s in subsets if s != test]
    # 用 train 训练、test 评估
    # 报告 4 折均值 ± 标准差

若需患者级划分（避免同一患儿跨折），需数据提供患者标识——HVDROPDB 未公开患者元数据，故患者级划分不可行（见 §9 坑点 2）。

附录 F：关键来源 URL 汇总

Mendeley Data 数据集页：https://data.mendeley.com/datasets/xw5xc7xrmp/
数据集 DOI（最新）：https://doi.org/10.17632/xw5xc7xrmp
数据论文 DOI：https://doi.org/10.1016/j.dib.2023.109839
PubMed 条目（数据论文）：https://pubmed.ncbi.nlm.nih.gov/38146298/
PMC 全文（数据论文）：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10749257/
PMC 全文（配套分类论文）：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11815698/
相关文献链：https://pubmed.ncbi.nlm.nih.gov/34240273/

附录 G：HVDROPDB 与主要眼底分割数据集的对照

数据集	人群	结构	规模	许可
HVDROPDB	早产儿	OD/BV/RIDGE	600 + 掩膜	CC BY 4.0
DRIVE	成人（糖网）	血管	40	研究用
STARE	成人	血管	20	研究用
CHASE_DB1	儿童*（非早产儿）	血管	28	研究用
REFUGE2	成人（青光眼）	视盘/视杯	1200	研究用

*CHASE_DB1 采集自儿童，但非早产儿 ROP 语境，且仅血管、规模小。

结论：HVDROPDB 在「早产儿 + 多结构 + 规模 + 开放许可」四个维度上均具有库内不可替代性。

附录 H：临床判读链路中的定位图

眼底彩照（RetCam / Neo）
   │
   ├─► [OD 分割] ──► 视盘定位 ──► Zone 分区判定
   │
   ├─► [BV 分割] ──► 迂曲度/口径量化 ──► Plus / Pre-plus 判定
   │
   └─► [RIDGE 分割] ──► 嵴存在与形态 ──► Stage 分期
                                       │
                                       ▼
                              ROP 综合判读（Zone + Stage + Plus）
                                       │
                                       ▼
                              转诊 / 治疗 / 随访决策

附录 I：数据质量与偏差自检清单

使用时建议逐项自检：

[ ] 是否引用了 V3（非 V1/V2）？
[ ] 是否核对了实际解压后的目录命名？
[ ] 是否统一了两设备的尺寸与颜色？
[ ] 是否分结构报告指标？
[ ] 是否对细结构（BV/RIDGE）补充边界距离指标？
[ ] 交叉验证是否说明了划分协议？
[ ] 是否声明了患者级泄漏风险的局限？
[ ] 是否在结论中界定了族群泛化边界？

附录 J：常见误用与纠正

误用	纠正
引用 V1 DOI	引用 V3（`...xw5xc7xrmp.3`）
说「数据集分 5 类」	数据集原生为 ROP/Normal 二分；5 类为论文衍生
跨结构报平均 Dice	分结构报告
直接迁移成人眼底模型	需儿科领域适配
声称某精确 Dice 数值	回溯论文原文表格，否则不写
做患者级划分	无患者元数据，不可行

附录 K：延伸阅读方向

ROP 深度学习综述（可经 PubMed 34240273 追溯）；
眼底血管/视盘分割经典基准（DRIVE / STARE / REFUGE2）；
儿童与新生儿眼底影像分析（chase-db1、grape-glaucoma、echonet-pediatric）；
小样本医学图像分割方法；
跨设备医学影像域适应。

附录 L：数据可得性声明模板

本研究使用 HVDROPDB 数据集（Agrawal et al., 2024），经由 Mendeley Data 在 CC BY 4.0 许可下公开获取（DOI: 10.17632/xw5xc7xrmp.3）。本研究 [说明是否修改数据，如重新划分/重采样]。数据集作者未对本次研究的用途作出背书。

附录 M：版本引用对照表

引用版本	DOI	是否可用	建议
V1	`10.17632/xw5xc7xrmp.1`	否（unavailable）	不引用
V2	`10.17632/xw5xc7xrmp.2`	是（仅分割）	仅在需复现旧结果时
V3	`10.17632/xw5xc7xrmp.3`	是（最新）	默认引用
无版本	`10.17632/xw5xc7xrmp`	是（指向最新）	谨慎（版本会漂移）

附录 N：双口径存照速查

样本量：3×4×50 = 600 张（Table 1 口径）＝对外简介「600 张标注图像」；分类子集另计。
版本可用性：V1 unavailable，V2/V3 可下载；正文一律指向 V3。
分类层级：数据集 ROP/Normal 二分 vs 论文 Stage 1/2/3 + Pre-plus/Plus 五类细化。

附录 O：HVDROPDB 在 ROP AI 研究链中的角色细化

为便于研究者定位，下面把 ROP AI 的典型研究链展开，标注 HVDROPDB 的作用点：

环节	典型任务	HVDROPDB 是否覆盖	说明
图像质控	判断图像是否可判读	间接	可训练结构存在性检测
结构分割	OD / BV / RIDGE	直接覆盖	数据集核心
病变量化	迂曲度、口径、嵴长度	间接	分割后可计算
分区判定	Zone I/II/III	间接	需视盘 + 病变位置
分期判定	Stage 1-5	间接	需嵴分割
Plus 判定	Plus / Pre-plus	间接	需血管分割
综合分级	整体 ROP 严重度	部分	分类子集提供 ROP/Normal
治疗决策	是否需治疗	不覆盖	需临床结局数据
随访监测	纵向变化	不覆盖	无患者元数据

读法：HVDROPDB 在「结构分割」环节直接覆盖，在「量化/分区/分期/Plus」环节提供前置支撑，在「治疗/随访」环节不覆盖。使用者应据此判断它能否满足自己的研究需求。

附录 P：常见研究问题与 HVDROPDB 适配度自评

研究问题	适配度	理由
视盘/血管/嵴分割算法比较	⭐⭐⭐⭐⭐	直接对口
多结构联合分割	⭐⭐⭐⭐⭐	三结构齐备
小样本分割方法	⭐⭐⭐⭐	规模小，正是场景
跨设备域适应	⭐⭐⭐⭐	双设备天然支持
ROP 二分类	⭐⭐⭐	有分类子集，但规模有限
ROP 细分级（Stage/Plus）	⭐⭐	需依赖论文衍生层级
风险因素建模（胎龄等）	⭐	无患者元数据
纵向随访分析	⭐	无时点标识
跨族群泛化	⭐	单一族群，只能作为被检验对象

附录 Q：数据引用与致谢示例

若在论文中使用 HVDROPDB，建议在「数据可得性」与「致谢」两处均提及：

数据可得性声明：

本研究报告的结果基于公开数据集 HVDROPDB（Agrawal, R., Walambe, R., Kotecha, K., Gaikwad, A., Deshpande, M., & Kulkarni, S., 2024），经由 Mendeley Data 在 CC BY 4.0 许可下获取（DOI: 10.17632/xw5xc7xrmp.3）。本数据集原始论文发表于 Data in Brief, 52, 109839。

致谢：

感谢 H.V. Desai Eye Hospital（印度浦那）的临床团队完成视网膜结构像素级标注，以及 MIT-WPU 与 Symbiosis Centre for Applied AI 的数据整理工作。

附录 R：一手来源核验备忘

本条目撰写阶段的核验要点（供后续维护者复验）：

[x] Mendeley Data 页面确认：CC BY 4.0、V3 524 MB、V2 326 MB、V1 unavailable；
[x] Data in Brief 论文确认：Vol. 52、11 pages、DOI/PMID/PMCID；
[x] 三主数据集 × 4 子集 × 50 张 = 600 张（Table 1 口径）；
[x] 设备确认：RetCam（Clarity）+ Neo（Forus）；
[x] 伦理确认：书面知情同意 + 匿名化；
[x] 配套论文确认：PMC11815698（MultiCNN_LSTM）；
[x] 局限确认：single region within Indian population；
[ ] 逐项 Dice 数值：未取得（反爬阻挡，不臆造）；
[ ] 逐结构分辨率：未统一给出（不写死）。

上表后两项为开放核验项——若后续能取得论文原文表格，应补入 §7.1 并相应调整 DAIMS 评分。

尾注与来源

本条目所述硬数字与事实，均整理自以下三源（含调研阶段的检索记录）：

Mendeley Data 官方托管页——体积（V2 326 MB、V3 524 MB）、版本链（V1/V2/V3 日期与可用性）、CC BY 4.0 许可、数据集结构与子集组织。
Data in Brief 数据论文 / PMC 全文——论文元数据（Vol. 52、11 pages、ISSN 2352-3409）、DOI/PMID/PMCID、三主数据集与 12 子数据集结构、每子集 50 张、Table 1 的 600 张口径、采集设备（RetCam/Neo）、伦理声明（书面知情同意 + 匿名化）、作者与隶属。
机构官网与配套论文（PMC11815698）——H.V. Desai 眼科医院背景、MIT-WPU/SCAAI 隶属、分类子集的 Stage 1/2/3 与 Pre-plus/Plus 细化层级、地域单一（single region within Indian population）局限。

来源受限说明（诚实披露）：

PMC 全文正文抽取曾受反爬机制阻挡，逐项 Dice/Sensitivity 数值未取得——本条目因此拒绝编造精确数字（见 §7.1 与 §9.10）。
ScienceDirect 全文亦受访问限制，作者/隶属/伦理细节改由 PubMed 与配套 PMC 论文交叉获得。
以上限制已在 §9 遗留疑点与双口径存照中逐条存照。

数据截止：本条目事实核验截至 2026-10-08。

维度	内容
本质	首个为识别早产儿视网膜病变（ROP）公开发布的视网膜结构分割数据集（期刊数据论文型，非挑战赛）
采集地	PBMA’s H.V. Desai Eye Hospital，印度浦那（早产儿 ROP 筛查现场）
设备	RetCam（Clarity Medical Systems，美国）＋ Neo（Forus Healthcare，印度班加罗尔）双设备
分割目标	视盘 OD / 血管 BV / 嵴·分界线 RIDGE 三解剖结构，逐像素二值掩膜
数据集结构	3 主数据集（OD/BV/RIDGE）× 4 子数据集 × 50 张 = 12 子数据集／600 张标注图像 + 600 掩膜
分类子集	V3 新增 `Classification.rar`：ROP 与 Normal 两类；配套论文细化为 Stage 1/2/3 与 Pre-plus/Plus
托管与 DOI	Mendeley Data，`10.17632/xw5xc7xrmp`（版本链 V1→V2→V3）
最新版本	V3（2024-06-17），524 MB = Segmentation.zip 326 MB + Classification.rar 198 MB
许可	CC BY 4.0（可商用、可再分发、须署名）
论文	Data in Brief 2024, Vol. 52, 11 pages（doi:10.1016/j.dib.2023.109839；PMID 38146298；PMCID PMC10749257）
配套论文	PMCID PMC11815698：MultiCNN_LSTM 分类器（Stage 1/2/3 与 Pre-plus/Plus）
团队	Ranjana Agrawal、Rahee Walambe、Ketan Kotecha（SCAAI）、Anita Gaikwad、Col Madan Deshpande、Sucheta Kulkarni（H.V. Desai）
伦理	筛查前取得早产儿父母/监护人书面知情同意，影像匿名化使用
获取	Mendeley Data 直接下载，无需注册审批