IOSTAR (iostar) — SLO 视网膜血管与视盘分割数据集 — AI-Ready Wikipedia

INFOBOX — IOSTAR 一屏速览

维度	内容
本质	SLO（扫描激光检眼镜）模态的视网膜血管分割 + 视盘 + 动静脉标注数据集（非彩色眼底照相）
团队	埃因霍温理工大学（TU/e）图像分析与应用组；数据门户/工具链由 Idiap 托管
首发	ICIAR 2015（LNCS 9164:325-334，Abbasi-Sureshjani 等，doi:10.1007/978-3-319-20801-5_35）
主引	IEEE Trans Med Imaging 2016;35(12):2631-2644（Zhang 等，doi:10.1109/TMI.2016.2587062，PMID 27514039）
数据	30 张 SLO 图像（1024×1024；EasyScan 相机，i-Optics 荷兰；45° FOV；14 μm/px）
来源	RetinaCheck 项目——中国大规模糖尿病（DR）筛查队列
标注	血管二值掩码 + 视盘（OD）+ 动静脉分离（artery/vein）+ A/V 比 + FOV mask
划分	官方 20 train / 10 test（协议出自 MEYER-2017）
精度天花板	IOSTAR 上 Acc 约 0.95-0.975、AUC 约 0.96-0.99（SLO 高对比所致）
获取	RetinaCheck 项目站 + Idiap 工具链（bob.ip.binseg / bob.db.iostar / mednet）
许可	未标注标准 SPDX；工具链代码 GPL-3.0-or-later；学术研究用途
坑点	24 vs 30 篇均冲突、2015/2016 年份双口径、站点 403、划分多口径

§0 导读：这个数据集解决什么问题

想象一下视网膜图像分析的"标准考场"。在 2015 年前后，绝大多数血管分割论文都在同一批**彩色眼底照相（color fundus photography）数据集上打擂——DRIVE、STARE、CHASE_DB1、HRF 是那个年代的"四大金刚"。但彩色眼底照相有一个天生的软肋：它依赖光学透镜成像，视网膜中央的中央动脉反射（central vessel reflex）**会在血管中央形成一条高亮细线，细小血管与背景对比度低、易与病变混淆。

**扫描激光检眼镜（SLO, Scanning Laser Ophthalmoscopy）**换了一条技术路线：用共聚焦激光逐点扫描成像，避开透镜反射，图像对比度高、视场均匀、血管边缘锐利。IOSTAR 就是为 SLO 模态补上的那块基准短板——它提供了 30 张 SLO 视网膜图像，每张都附带专家手工标注的血管二值掩码、视盘（optic disc, OD）位置、以及动静脉分离标注（artery/vein, A/V）。

对 AI-Ready 视角而言，IOSTAR 的价值有三层：

1. 模态独占位：在本库的视网膜血管分割数据集中，绝大多数条目（drive、chase-db1、hrf）都是彩色眼底照相模态。IOSTAR 是少数（几近唯一）明确标注为 SLO 模态的血管分割基准，为跨模态泛化研究提供了不可替代的测试床。
2. 多任务标注密度：一张图同时携带血管、视盘、动静脉三类标签——解剖结构分割（视盘）、血管分割（血管）、拓扑分析（A/V 分离与 A/V 比）三种任务可共用一份数据。
3. 真实世界队列底色：它不来自受控实验室，而来自 RetinaCheck 项目——一个在中国开展的大规模糖尿病患者筛查计划。这意味着图像携带真实筛查场景的成像品质波动。

但 IOSTAR 也有它鲜明的"坑"：样本量小（30 张）、有 24 vs 30 的篇均冲突、许可条款模糊、官方入口站点抓取时已返回 403。本条目将逐一把这些坑摊开——先说清它是什么，再告诉你用它时会摔在哪。

§1 数据集速览：十问十答

问 1：IOSTAR 的全称是什么？
严格说，IOSTAR 是数据集名，不是某个词的首字母缩写。它源自荷兰埃因霍温理工大学（TU/e）的 RetinaCheck 糖尿病视网膜病变筛查项目，发布门户为 retinacheck.org。本条目不臆造"International RetinaCheck"之类看似合理的全称——三轮精确搜索（WebSearch + 官网/论文实抓）未发现任何"International RetinaCheck"拼法的官方出处。工具链与论文一律直接以 IOSTAR 指称。

问 2：它有多少张图？
官方与主流工具链口径为 30 张，分辨率 1024×1024 像素。但注意一个篇均冲突：Abbasi-Sureshjani 2015 系论文（如 PMC5506202"line co-occurrence statistics"）写的是 24 张。详见 §2.1 的存照。

问 3：图像是什么模态？
SLO（扫描激光检眼镜），由 **EasyScan 相机（i-Optics Inc., 荷兰）**采集，视场角（FOV）45°，像素尺寸 14 μm/px。这是它与 DRIVE/CHASE-DB1 等彩色眼底照相数据集最本质的区别。

问 4：有哪些标注？
三类核心标注：血管二值掩码（vessel mask）、视盘（optic disc, OD）、动静脉分离（artery/vein）与动静脉比（A/V ratio）；另含 FOV mask（视场掩码）。标注由视网膜图像分析领域的专家组完成。

问 5：怎么划分训练/测试？
官方推荐协议为 20 训练 / 10 测试，该划分出自 MEYER-2017（Meyer 等 ICIAR 2017），而非原始论文。另有 5-fold（24/6）等竞争划分（如 CS²-Net）。

问 6：哪些论文用它的数据？
Zhang 2016（主引）、Meyer 2017、Srinidhi 2018、DRNet 2019、M2U-Net 2019、CS²-Net 2020 等。IOSTAR 上的代表精度：Acc 约 0.95-0.975、AUC 约 0.96-0.99。

问 7：从哪里下载？
官方入口是 RetinaCheck 项目站（retinacheck.org/datasets）。此外，Idiap Research Institute 的 bob.ip.binseg / bob.db.iostar / mednet 工具链提供了封装好的数据加载器与 split 定义。注意：retinacheck.org/datasets 在 2026-09-30 抓取时返回 403 Forbidden。

问 8：许可是什么？
数据集本体未标注标准 SPDX 许可（不像 CC BY、CC BY-NC 那样明确）。工具链代码为 GPL-3.0-or-later，属代码许可，不能等同于数据许可。使用前需自行向发布方确认条款。

问 9：它和 DRIVE 有什么不同？
DRIVE 是 40 张彩色眼底照相（584×565）、含 DR 分级的荷兰筛查数据；IOSTAR 是 30 张 SLO 图像（1024×1024）、含动静脉分离 + A/V 比 + 视盘标注、无病理分级。二者模态、分辨率、标注密度都不同，不可混用。

问 10：一句话它适合谁？
适合做视网膜血管分割、视盘分割、动静脉分类、跨模态（彩色眼底 vs SLO）泛化的研究者；不适合需要大样本、需病理分级标签、或需明确商用许可的场景。

§2 数据构成与规格

2.1 规模、来源与机构构成

IOSTAR 的骨架数字非常简洁：30 张 1024×1024 的 SLO 视网膜图像。这些图像并非实验室受控采集，而是来自 RetinaCheck 项目——一项在中国开展的大规模糖尿病（DR, diabetic retinopathy）患者筛查计划。

机构图谱：

• 采集/项目主体：**埃因霍温理工大学（Eindhoven University of Technology, TU/e）**生物医学工程系图像分析与应用组（以 Bart M. ter Haar Romeny 为组长），项目名 RetinaCheck
• 设备方：i-Optics Inc.（荷兰）——EasyScan 相机制造商
• 数据门户与工具链方：Idiap Research Institute（瑞士）——长期维护 bob.ip.binseg、bob.db.iostar、mednet 等工具链，把 IOSTAR 封装为可编程复现的数据模块
• 核心作者：Jiong Zhang（张炯）、Behdad Dashtbozorg、Erik Bekkers、Josien P. W. Pluim、Remco Duits、Bart M. ter Haar Romeny

★ 核心存照一：30 vs 24 的篇均冲突

IOSTAR 的样本量存在两套口径：

口径	数值	出处
主流/官方	30 张	bob.ip.binseg 支持列表、mednet 数据模块、MFA-UNet、CS²-Net、多篇 2023-2025 综述
少数/早期	24 张	Abbasi-Sureshjani 2015 系论文（PMC5506202 / arXiv 1610.06368"line co-occurrence statistics"）

判读：30 张为当前公开数据集的主流口径；24 张很可能来自早期公开子集或某项研究的划分口径（有论文明确写"用其中 24 张做 5-fold 交叉验证"，与此呼应）。本条目主用 30 张并在正文标注 24 存在，检索者引用时应标明所依版本。

★ 核心存照二：2015 vs 2016 年份双口径

IOSTAR 的"发布年"也因引用对象不同而分叉：2015 指首发论文（ICIAR 2015，Abbasi-Sureshjani 等），2016 指主引论文（IEEE TMI，Zhang 等）。Idiap 工具链的引用键写作 [IOSTAR-2016]，指向 Zhang 2016。多篇综述的"数据集年份"表则填 2015。条目按"2015 首发、2016 主引"双口径处理。

2.2 图像规格与采集参数

参数	数值
模态	SLO（扫描激光检眼镜）
设备	EasyScan 相机（i-Optics Inc., 荷兰）
分辨率	1024×1024 像素
视场角（FOV）	45°
像素尺寸	14 μm/px
图像数（官方口径）	30
模态特点	共聚焦激光逐点扫描，对比度高、无中央血管反射伪影、视场均匀

14 μm/px 的像素尺寸意味着单张图覆盖的视网膜物理范围约为 1024 × 14 μm ≈ 14.3 mm 直径，正在 45° FOV 下中央视网膜的典型覆盖范围内（与 DRIVE 的 25 μm/px、45° 相比，IOSTAR 像素更密，细节更丰富）。

2.3 标注体系：三类 ground truth + FOV mask

IOSTAR 的标注密度在同期血管数据集里属于偏上的。它至少覆盖以下层次：

1. 血管二值掩码（vessel mask）：每个像素标注为血管/非血管，构成各类血管分割算法的监督信号。这是 IOSTAR 最主要的任务标签。
2. 视盘标注（optic disc, OD）：视盘是血管汇聚的解剖锚点，视盘分割是青光眼分析的关键步骤。IOSTAR 提供视盘标注——这一点在 bob.ip.binseg 的"OD"列中明确勾选。
3. 动静脉分离（artery/vein）：血管不止是"是/否血管"，还被按动脉（artery）/静脉（vein）分离标注（可视化中动脉红、静脉蓝）。这是 IOSTAR 相对许多血管数据集（仅有二值掩码）的差异化优势。
4. 动静脉比（A/V ratio）：由 A/V 分离进一步导出的定量指标。A/V 比是高血压视网膜病变等的经典测量量，IOSTAR 同时提供其标注。
5. FOV mask（视场掩码）：圈定有效成像区域，评价指标只在 FOV 内计算，排除黑色边界伪影。

2.4 与彩色眼底照相数据集的模态对照

IOSTAR 的核心独特性在于模态。下表对照它与其他经典血管分割数据集：

数据集	模态	图像数	分辨率	血管标注	OD	A/V	年份
IOSTAR	SLO	30	1024×1024	✓	✓	✓	2015/2016
DRIVE	彩色眼底照相	40	565×584	✓	—	—	2004
STARE	彩色眼底照相	20	700×605	✓	—	—	2000
CHASE_DB1	彩色眼底照相	28	1280×960	✓	—	—	2012
HRF	彩色眼底照相	45	3304×2336	✓	✓	—	2013
RC-SLO	SLO	40 拼块	360×320	✓	—	—	2015
ROSE-1	OCTA	117	304×304	✓	—	—	2021

（表内 IOSTAR / RC-SLO / DRIVE / STARE / CHASE_DB1 / HRF / ROSE-1 数字来自《Deep Learning for Ophthalmology: The State-of-the-Art and Future Trends》与 bob.ip.binseg 支持列表交叉核对）

可以看到：RC-SLO 与 IOSTAR 同属 RetinaCheck 项目衍生的 SLO 数据集——RC-SLO（RetinaCheck - Scanning Laser Ophthalmoscopy）是 40 个 360×320 的拼块（patch），聚焦高曲率、中央血管反射、微血管、交叉/分叉等疑难场景；IOSTAR 则是 30 张完整 1024×1024 图像。两者常在同一批论文里成对出现（如 DRNet），常被混引，检索时务必区分。

2.5 为什么"只有 30 张"却仍有价值

初看 30 张的确少得可怜——对比 DRIVE 的 40 张、CHASE_DB1 的 28 张、HRF 的 45 张，IOSTAR 在数量上是同一量级；但相比 2018 年后动辄上千张的眼底数据集（如 FIVES 的 800 张、EyePACS 的 88,702 张），30 张确实单薄。那么它为什么没被淘汰？

答案在模态稀缺性。深度学习时代，数量固然重要，但如果一个模态整个领域只有一两份公开标注数据，"稀缺"本身就构成了不可替代性：

1. SLO 模态的公开标注数据极少。 绝大多数血管分割数据集是彩色眼底照相。要在 SLO 上做研究，IOSTAR（配合 RC-SLO）几乎是仅有选择。
2. 小样本在"评测"而非"训练"角色上依然称职。 一个测试集只需要足够的代表性，不需要巨大的体量。IOSTAR 的 30 张覆盖了 RetinaCheck 筛查队列的成像分布，作为跨模态测试集是合格的。
3. 多任务标注提高了单张图的信息密度。 一张 IOSTAR 图同时供血管分割、视盘分割、动静脉分类三个任务使用——30 张图的"有效信息量"高于纯血管掩码的 30 张图。

2.6 图像质量特征：SLO 为什么"好拍"

IOSTAR 上模型精度普遍偏高（Acc 0.95-0.975），根源在 SLO 的成像物理：

成像挑战	彩色眼底照相	SLO（IOSTAR）
中央血管反射（central vessel reflex）	明显（血管中央高亮细线，干扰分割）	基本消除
背景照明均匀性	常不均匀（周边偏暗）	均匀
血管-背景对比度	中低（小血管尤其弱）	高
瞳孔依赖	依赖（需散瞳或小瞳）	不依赖（激光扫描）
图像伪影	睫毛、泪膜、曝光不均	较少

正因如此，把彩色眼底数据集上训练的模型直接搬到 IOSTAR 上测试（或反之），往往能观察到明显的分布偏移——这正是跨模态研究的价值所在。记住：IOSTAR 上的高分有相当一部分是"模态红利"，不是"算法红利"。

2.7 数据集的"未标"清单：它没有什么

为免误用，明确列出 IOSTAR 不具备的东西：

• 无病理分级标签：不做 DR 分级、不做青光眼分级——它只标解剖结构（血管/视盘/动静脉），不标疾病严重度。
• 无患者人口学信息：无年龄、性别、病史、眼别（左右眼）等元数据。
• 无多标注者一致性数据：标注来自"专家组"，但未公开标注者间一致性（inter-observer agreement）指标。
• 无官方训练代码/预训练权重：数据集本身不含基线模型，但 Idiap 工具链提供了数据加载与划分。
• 无明确的商用许可条款：见 §5.2。

这张"未标清单"与它前面的"标注清单"同样重要——知道一个数据集没有什么是正确使用它的前提。

§3 论文谱系与技术路线：从方向得分到 SLO 血管

3.1 首发：ICIAR 2015 的"生物启发"血管分割

IOSTAR 最初是作为一篇方法论文的配套数据进入公众视野的——Abbasi-Sureshjani 等，ICIAR 2015（LNCS vol. 9164, pp. 325-334，doi:10.1007/978-3-319-20801-5_35），标题为 “Biologically-inspired supervised vasculature segmentation in SLO retinal fundus images”（生物启发的 SLO 视网膜图像血管分割）。

这篇论文的定位是：把当时主要针对彩色眼底照相设计的血管分割方法，迁移到 SLO 模态上去。为了做这件事，团队需要一个 SLO 模态的标注数据集——于是 IOSTAR 随文诞生。这也解释了数据集名字的由来：它是 RetinaCheck 项目为了支撑"生物启发血管分割"研究而整理发布的。

3.2 主引：IEEE TMI 2016 的方向得分框架

真正让 IOSTAR 成为"标准基准"的，是 2016 年发表在 IEEE Transactions on Medical Imaging 上的论文：

Zhang J., Dashtbozorg B., Bekkers E., Pluim J.P.W., Duits R., ter Haar Romeny B.M.
“Robust Retinal Vessel Segmentation via Locally Adaptive Derivative Frames in Orientation Scores”
IEEE Trans Med Imaging, 2016, 35(12):2631-2644. doi:10.1109/TMI.2016.2587062（PMID 27514039）

这篇文章提出了一套基于**方向得分（orientation scores）的滤波器组方法。核心思想颇具几何美感：把二维图像"提升"到 位置与方向的李群域 ℝ² ⋊ S¹（即三维：x、y、θ），在此提升域上，细长结构（血管）会被按方向"解缠"到各自的取向平面上。随后用垂直于线结构的多尺度二阶高斯导数（Gaussian derivative）**做血管增强。论文对比了两种导数框架：

• LID（left-invariant derivative，左不变旋转导数）
• LAD（locally adaptive derivative，局部自适应导数）——通过左不变 Hessian 矩阵的特征系统分析求得，对局部线结构自适应

在方向得分域完成滤波后，结果被投影回二维图像平面，再经阈值化得到二值分割。落地的 LAD-OS 方法在六个不同模态的视网膜数据集上做了验证，宣称能应对交叉、中央动脉反射、紧密平行血管、微小血管等经典难点。

IOSTAR 正是这六个验证数据集之一，且由于主引论文的影响力，它成了 IOSTAR 最常见的引用出处（工具链引用键 [IOSTAR-2016] 即指向此文）。

3.3 谱系图：谁发布了它，谁定义了它，谁封装了它

IOSTAR 的"三重身份"值得理清：

RetinaCheck 项目（TU/e，ter Haar Romeny 组）
    │  采集：中国糖尿病筛查队列，EasyScan SLO 相机
    ▼
原始图像 + 专家标注（血管/视盘/动静脉）
    │
    ├── 首发论文 ICIAR 2015（Abbasi-Sureshjani 等）——随文发布数据集
    │
    ├── 主引论文 IEEE TMI 2016（Zhang 等）——确立基准地位
    │
    └── 划分协议论文 ICIAR 2017（Meyer 等）——定义 20/10 official split
    │
    ▼
Idiap Research Institute 工具链
    ├── bob.ip.binseg   （数据加载 + split 迭代器，代码 GPL-3.0-or-later）
    ├── bob.db.iostar   （IOSTAR 数据库接口包）
    └── mednet          （Idiap 医学影像框架的 IOSTAR 数据模块）

理解这条链很重要：发布它的（2015）、让它出名的（2016）、定义它使用协议的（2017）是三篇不同的论文。检索者若只盯着一篇，很容易在年份和划分上踩坑。

3.4 划分协议：20/10 是官方，但不是唯一

IOSTAR 的训练/测试划分有多个口径，这在横比论文数字时是个大坑：

划分协议	train / test	出处
官方推荐（bob/mednet）	20 / 10	引用 [MEYER-2017]
主引论文用法	前 20 / 后 10	Zhang 2016（arXiv 1911.08715 复述）
5-fold 交叉验证	24 / 6（每折）	CS²-Net（arXiv 2010.07486）
综述口径	24 / 6	IEEE《State of Retinal Image Analysis》

官方工具链（bob.ip.binseg）自带的 vessel 协议与 optic-disc 协议都采用 20/10 划分——这是当前最"标准"的口径。5-fold 24/6 则是为扩大训练样本而另设的协议。两套划分下的精度数字不可直接相减，引用时必须声明所用划分。

3.5 任务类型归纳

IOSTAR 支撑的任务可归纳为四类：

1. 血管语义分割（vessel segmentation）：二值掩码监督，最主流任务。评价指标 Acc、Se（敏感度）、Sp（特异度）、AUC、F1、MCC。
2. 视盘分割（optic disc segmentation）：OD 掩码监督，用于青光眼相关分析。
3. 动静脉分类（artery/vein classification）：在血管像素上进一步二分类 A/V。
4. 动静脉比测量（A/V ratio estimation）：从 A/V 标注导出定量指标，用于高血压视网膜病变评估。

3.6 深挖：方向得分为何对血管有效

要理解 IOSTAR 主引论文的技术路线，先要理解它的数学直觉。血管在视网膜图像里是一类细长的、有明确走向的曲线结构。传统卷积核在二维平面上"横平竖直"地滑动，难以显式刻画"这条血管往哪个方向延伸"。方向得分（orientation scores）的做法是把方向维度显式加进来：

1. 提升（lifting）：把二维图像 I(x, y) 通过小波型变换提升为三维函数 U(x, y, θ)。在每一点 (x, y) 上，U 记录了该点在各个方向 θ 上的响应强度。
2. 解缠（disentangling）：在提升域中，原本在二维图上互相叠压的、不同走向的细长结构，被"摊开"到不同的 θ 平面里——就像把一团缠绕的线按方向归类。
3. 方向自适应滤波：在提升域中用垂直于线结构的多尺度二阶高斯导数做增强。LAD（局部自适应导数）通过左不变 Hessian 矩阵的特征分析，自动匹配局部线结构方向。
4. 投影回二维：把增强结果投影回 (x, y) 平面，得到血管增强图，再阈值化得二值分割。

这套方法特别擅长处理交叉（crossing）、分叉（bifurcation）、紧密平行血管、中央血管反射——正是血管分割的经典难点。在 IOSTAR（SLO 模态）上，它报告 Acc 0.9514、AUC 0.9626。

3.7 背后的理论谱系：从李群几何到临床应用

IOSTAR 所在的研究组有一条清晰的理论到应用的技术谱系：

Duits & Franken 的方向得分理论（李群 SE(2) / ℝ²⋊S¹ 上的调和分析）
        │
        ▼
Bekkers 等的可逆提升小波（invertible orientation scores）
        │
        ▼
Zhang 2016 的 LID/LAD 导数框架（在方向得分域滤波）
        │
        ▼
Abbasi-Sureshjani 的血管分叉/交叉检测（拓扑分析）
        │
        ▼
RetinaCheck 项目（临床筛查）→ IOSTAR / RC-SLO 数据集

这条链意味着：IOSTAR 不只是一个"数据文件"，它是一套几何深度的图像分析方法论的数据载体。理解用它的论文，往往需要理解方向得分——这也是为什么 IOSTAR 论文的公式密度远高于一般血管分割论文。

§4 评估与基准：IOSTAR 上的精度竞技场

4.1 代表方法的精度谱

IOSTAR 是 2015 年后大量血管分割论文的验证数据集之一。下表汇总经三源交叉核对（arXiv 2004.03697 Table 1、arXiv 1909.03856 等）的代表方法数字：

方法	年份	Se（敏感度）	Sp（特异度）	Acc（准确率）	AUC	MCC
Abbasi-Sureshjani et al.	2015	0.7863	0.9747	0.9501	0.9615	0.7752
Zhang et al.（主引）	2016	0.7545	0.9740	0.9514	0.9626	0.7318
Meyer et al.	2017	0.8038	0.9801	0.9695	0.9771	0.7920
Srinidhi et al.	2018	0.8269	0.9669	0.9564	0.9663	0.7057
DRNet	2019	0.8082	0.9854	0.9713	0.9873	0.8017
M2U-Net IOSTAR	2019	—	—	0.9708	—	—

（M2U-Net 行另报 F1 = 0.8173，来自 arXiv 1909.03856）

4.2 读这组数字的四条守则

守则一：IOSTAR 的精度天花板天生偏高。 Acc 普遍落在 0.95-0.975、AUC 落在 0.96-0.99。这不是算法特别强，而是 SLO 模态本身的图像质量红利——高对比度、无中央血管反射、均匀视场，让血管与非血管的边界异常清晰。跨数据集比较时，切勿把 IOSTAR 上的高分直接搬到彩色眼底照相场景。

守则二：敏感度（Se）才是差异化的战场。 各方法在特异度（Sp）上都接近 0.97-0.99，说明"非血管判对"很容易；真正拉开差距的是细小血管能否被召回——Se 从 0.7545（Zhang 2016）到 0.8269（Srinidhi 2018）跨度明显。

守则三：Acc 高 ≠ 好模型。 血管像素在图像中占比很小（通常 10% 上下），一个"全判非血管"的平凡模型也能拿到很高的 Acc。所以必须结合 Se、AUC、MCC 一起看——DRNet 之所以被论文强调，正是它在 MCC（0.8017）和 AUC（0.9873）上同时领先。

守则四：划分口径要先对齐再比。 如 §3.4 所述，20/10 与 24/6 两套划分混用会让数字失真。引用任何 IOSTAR 精度前，先确认它用的是哪套划分。

4.3 IOSTAR 与 RC-SLO：一对常被混引的双胞胎

必须再次强调：IOSTAR 与 RC-SLO 是 RetinaCheck 项目衍生的两个不同数据集，且常在同一篇论文里成对评估：

维度	IOSTAR	RC-SLO
图像数	30 张完整图	40 个拼块（patch）
分辨率	1024×1024	360×320
侧重	常规血管/视盘/动静脉标注	疑难场景（高曲率、中央反射、微血管、交叉分叉）
模态	SLO	SLO

DRNet（2019）等论文会同时报告二者结果，且数字不同（如 DRNet 在 IOSTAR 上 Acc 0.9713、在 RC-SLO 上 Acc 0.9744）。检索时切勿把 RC-SLO 的数字当成 IOSTAR 的。

4.4 在血管分割基准谱系中的定位

若把视网膜血管分割基准按"模态 × 标注密度"排布：

• 彩色眼底照相 × 二值血管（最经典、最拥挤）：DRIVE、STARE、CHASE_DB1
• 彩色眼底照相 × 血管 + OD：HRF（部分版本）、DRIONS-DB、RIM-ONE
• SLO × 血管 + OD + A/V：IOSTAR（本条目）——模态与标注密度的交叉独占位
• OCTA × 血管 + FAZ：ROSE-1、OCTA-500

IOSTAR 占据的是 “SLO 模态 + 多任务标注” 这个交叉点位。样本量小是硬伤，但在"跨模态泛化研究"和"动静脉分析"这两个方向上，它的生态位至今难以替代。

4.5 评价指标详解：五个数字各管什么

IOSTAR 论文与后续研究常用的指标，各有分工，误用会导致错误结论：

敏感度 Se（Sensitivity / Recall）

• 定义：Se = TP / (TP + FN)，即真血管像素中被告对的比例。
• 在血管分割里，Se 衡量"细小血管是否被漏掉"。Se 低意味着细血管断裂、血管网络不连续——这对下游的血管拓扑分析（分叉/交叉检测、A/V 追踪）是致命的。
• IOSTAR 上 Se 跨度约 0.75-0.83，是区分方法优劣的主要战场。

特异度 Sp（Specificity）

• 定义：Sp = TN / (TN + FP)，即非血管像素中被告对的比例。
• IOSTAR 上普遍 0.97-0.99，差距很小——因为 SLO 图像背景干净，"非血管判对"容易。
• 但也正因基数大（非血管像素占 ~90%），Sp 的微小变化能显著影响 Acc。

准确率 Acc（Accuracy）

• 定义：Acc = (TP + TN) / N，全体像素判对比例。
• 陷阱：血管像素占比小，Acc 对"漏检血管"不敏感。一个宁可少判血管的保守模型能刷出高 Acc，但 Se 惨淡。单看 Acc 会误判模型。

AUC（ROC 曲线下面积）

• 定义：在所有可能阈值下（真阳率 vs 假阳率）曲线下面积。
• 优点：不受单一阈值影响，衡量模型的整体判别能力。IOSTAR 上 AUC 0.96-0.99。
• 也是"概率输出质量"的度量，对二值化策略不敏感。

F1 / MCC（马修斯相关系数）

• F1 = 2·(Precision·Recall)/(Precision+Recall)，是 Se 与精确率的调和平均。
• MCC 综合考虑 TP/TN/FP/FN 四格，在类别不平衡时比 Acc 更可靠。
• DRNet 被论文强调，正是在 MCC（0.8017）与 AUC（0.9873）上同时领先。

小结：评价 IOSTAR 上的模型，至少要看 Se + AUC + MCC 三件套，而非只报 Acc。这也是 §4.2 中"守则三"的量化依据。

4.6 数据增强与预处理惯例

由于 IOSTAR 只有 30 张，几乎所有人的使用都伴随数据增强。文献中常见的做法：

处理步骤	常见做法	备注
通道选择	取绿通道或灰度归一化	SLO 图通道语义与彩色眼底不同，需注意
归一化	通道均值减除 / [0,1] 归一	论文常用通道级归一化
随机裁剪	每图裁若干 patch（如 96×96）	扩大训练样本数
颜色抖动（color jittering）	常见（增强色调多样性）	§3.2 论文明确使用
翻转/旋转	水平/垂直翻转、小角度旋转	通用增强
阈值化	Otsu 法二值化概率图	论文常用

一个值得注意的细节：IOSTAR 论文提到"SLO 图像色调变化比 DRIVE 更大"——这意味着颜色归一化对 IOSTAR 尤其重要，否则跨图泛化会受影响。

4.7 跨数据集迁移：IOSTAR 的典型实验范式

IOSTAR 最常见的使用场景之一是跨数据集评测。典型实验设计：

范式 A：同模态内训练→测试
   IOSTAR 20 张训练 → IOSTAR 10 张测试
   （报告 IOSTAR 内部精度）

范式 B：跨模态迁移（最有价值）
   彩色眼底集（DRIVE/CHASE）训练 → IOSTAR 测试
   （衡量模型对 SLO 模态的泛化）

范式 C：联合训练
   多数据集混合训练 → IOSTAR 测试
   （衡量数据多样性收益）

范式 B 是 IOSTAR 的"招牌用法"——因为它是罕见的 SLO 模态测试床。研究者常用"彩色眼底训练、IOSTAR 测试"来暴露模型对成像模态的过拟合。实践中，跨模态性能通常显著低于同模态性能，这个"掉点幅度"本身就是有价值的研究对象。

4.8 与 OCTA 血管数据集的模态谱系

若把视网膜血管成像按模态排一条谱线：

彩色眼底照相 ──── SLO ──── OCTA ──── OCT
  (DRIVE)      (IOSTAR)  (ROSE-1)  (层析)
   光学透镜      激光扫描   血流成像   相干断层

IOSTAR（SLO）处在"光学成像 → 激光/断层成像"的过渡位置。它与 OCTA（如本库 octa-500）的区别在于：OCTA 是功能性血流成像（显示血流灌注），IOSTAR 是结构性成像（显示血管形态）。二者互补——一个看"血管长什么样"，一个看"血流通不通"。

§5 获取与许可：一扇不太规整的门

5.1 两代获取入口

IOSTAR 的获取路径经历过（或至少存在）两套入口：

入口 A：RetinaCheck 项目站

• 地址：http://www.retinacheck.org/datasets
• 这是数据集最初的官方发布门——ICIAR 2015 与后续多篇论文的数据可得性声明都指向这里。
• ★ 抓取时点异常（2026-09-30）：实抓 retinacheck.org/datasets 返回 403 Forbidden，idiap.ch 相关文档页亦曾返回 503。该站的长期可访问性存疑——这是 IOSTAR 复现性的一个现实风险点。

入口 B：Idiap Research Institute 工具链

• bob.ip.binseg：Idiap 的视网膜血管分割基准工具箱，在"Supported Datasets"表里列出 IOSTAR，并提供下载入口与 split 迭代器。代码许可 GPL-3.0-or-later。
• bob.db.iostar：IOSTAR 专用数据库接口包（Python）。
• mednet.data.segment.iostar：Idiap mednet 医学影像框架中的 IOSTAR 数据模块，提供 RawDataLoader 与 DataModule（含 vessel 与 optic-disc 两套协议）。

对研究者而言，Idiap 工具链往往是当前实际可用的入口——它把原始数据 + 划分协议 + 加载代码打包好了，开箱即用。

5.2 许可：一块模糊地带

IOSTAR 的许可状况与许多"老牌基准"一样模糊：

资产层次	许可状况
数据集本体（图像 + 标注）	未标注标准 SPDX 许可（不像 CC BY / CC BY-NC 那样明确）。使用条款依赖 RetinaCheck 项目惯例，通常理解为"学术研究用途"
Idiap 工具链代码	GPL-3.0-or-later——注意这是代码许可，不覆盖数据本身
获取方式	无 HuggingFace / Kaggle / Zenodo 官方镜像；无公开 gated 仓库直链

★ 关键澄清：许多人看到 bob.ip.binseg 的 GPL 许可以为 IOSTAR 数据也是 GPL 的——这是误读。GPL 是那套 Python 工具的代码许可，数据的授权是另一回事。使用 IOSTAR 数据前，应就具体用途（尤其是商用）向发布方（TU/e RetinaCheck 项目）确认授权。

5.3 与其他基准的可获取性对照

数据集	获取方式	许可明确度
IOSTAR	RetinaCheck 站 / Idiap 工具链	低（未标 SPDX）
DRIVE	grand-challenge 站	中（学术免费）
CHASE_DB1	Kingston 大学站	中
HRF	FAU 站	中
REFUGE	grand-challenge 站	高（明确）
FIVES	Figshare	高（明确）

IOSTAR 的可获取性在同期基准里属于明确度偏低的一档。这不是致命问题（学术圈普遍默认可用），但对需要清晰法务边界的商用/合规场景是隐患。

5.4 AI-Ready 视角的评估

从"AI-Ready"（数据是否已就绪、可编程消费）的角度，IOSTAR 有一得两失：

一得：Idiap 工具链把它封装成了开箱即用的数据模块——DataModule、RawDataLoader、JSON split 定义一应俱全，num_classes=1（二值分割）直接对接 PyTorch 训练管线。这在老牌医学数据集中算相当"AI-Ready"的工程化程度。

两失：

1. 原始入口站点可访问性存疑（403）——若 RetinaCheck 站彻底关停，原始数据的分发将完全依赖 Idiap 的镜像，单点风险。
2. 许可模糊——AI-Ready 不仅是"能跑通代码"，也包括"授权链条清晰"。IOSTAR 在前者达标，在后者欠缺。

5.5 获取实操：三条路线的优缺点

路线一：RetinaCheck 项目站直取

• 优点：原始官方入口，最权威
• 缺点：抓取时点（2026-09-30）返回 403 Forbidden，站点可用性不明
• 适用：若能访问则为首选

路线二：Idiap 工具链加载

• 优点：接口标准化（DataModule / RawDataLoader），自带 split 定义，工程友好
• 缺点：需要安装 bob/mednet 依赖链路；需自备数据根目录
• 适用：工程化复现、需要现成 dataloader 的场景

路线三：从既有论文/仓库的数据可用性声明回溯

• 优点：可找到其他研究者实际使用的镜像或分发方式
• 缺点：非官方，版本与完整性需自证
• 适用：官方入口不可用时的兜底

5.6 法务清单：商用前必须确认的五个问题

若计划将 IOSTAR 用于产品或商业服务，建议逐条确认：

1. 数据本身可否商用？ 数据集未标 SPDX，RetinaCheck 站惯例是学术用途——商用需书面确认。
2. 再分发是否允许？ 未声明。若需打包进产品，须确认。
3. 衍生模型（权重）的权属？ 在数据集上训练的模型权属通常归训练者，但受数据条款约束。
4. 标注数据的权属？ 专家标注的版权归属未明示。
5. 患者隐私合规？ 数据来自中国筛查队列，需确认是否符合你所在法域的隐私法规（如 GDPR、PIPL）。

结论：IOSTAR 适合学术研究这一明确场景；商用前务必补齐法务确认，不可想当然。

5.7 数据保存建议

鉴于官方入口的可用性存疑，对企业/团队而言：

• 尽早获取并本地归档原始图像、掩码、FOV mask 及划分 JSON。
• 记录版本信息（获取日期、来源、文件校验和），以便复现。
• 保留许可证据（当时引用的条款页面截图/存档），以应对后续合规审查。

这不是杞人忧天——许多老牌基准的官方站点在十年尺度上都会经历迁移、改版甚至关停，IOSTAR 的 403 正是一个现成的警示。

§6 生态与影响：一个模态补位者的价值

6.1 RetinaCheck 项目的产出全景

IOSTAR 不是孤立的，它是 RetinaCheck 项目（TU/e，ter Haar Romeny 组）系列产出的重要一件。该项目前后贡献了：

• IOSTAR（本条目）：30 张 1024×1024 SLO 图，血管 + 视盘 + 动静脉标注
• RC-SLO（RetinaCheck - SLO）：40 个 360×320 拼块，聚焦疑难血管场景
• 配套方法论文：Abbasi-Sureshjani 系（血管分割、分叉/交叉检测）、Zhang 系（方向得分血管增强）、Bekkers/Duits 系（李群几何与方向得分理论）

这一系列的核心技术底色是方向得分（orientation scores）与 Lie 群几何——把它从纯数学（Duits 的方向得分理论）一路推到临床应用（RetinaCheck 筛查），IOSTAR 是这个链条上的数据锚点。

6.2 对血管分割研究方法的影响

IOSTAR 的出现改变了血管分割验证的"版图"：

影响一：引入 SLO 模态作为跨模态测试床。 在 IOSTAR 之前，血管分割算法几乎清一色在彩色眼底照相上验证。IOSTAR 让研究者能问：“我的模型在 SLO 图像上还行不行？”——这是泛化性研究的刚需。

影响二：把"受控数据"与"真实筛查数据"的鸿沟摆上台面。 DRIVE 来自荷兰 DR 筛查项目，图像质量相对受控；IOSTAR 来自 RetinaCheck 的大规模真实筛查队列，图像品质波动更真实。许多论文会用"DRIVE 训练 → IOSTAR 测试"检验模型跨模态/跨分布泛化能力。

影响三：推动了"血管 + 视盘 + 动静脉"的多任务研究。 IOSTAR 的 A/V 分离标注，使得动静脉分类、A/V 比估计这类拓扑级任务有了标准测试床。

6.3 IOSTAR 与 SLO 家族的关系网

                    RetinaCheck 项目（TU/e）
                            │
          ┌─────────────────┴─────────────────┐
          ▼                                   ▼
      IOSTAR（30 完整图）              RC-SLO（40 拼块/疑难）
      1024×1024, 45° FOV             360×320
      血管 + OD + A/V                 血管
          │                                   │
          └──────────┬────────────────────────┘
                     ▼
          常见于同批论文成对评估
          （Zhang 2016 / Meyer 2017 / DRNet 2019 …）
                     │
                     ▼
       下游：跨模态泛化研究、动静脉分析、血管拓扑提取

检索警示：由于 IOSTAR 与 RC-SLO 同源、同模态、常同框，检索时极易张冠李戴。请务必核对：是 30 张 1024×1024（IOSTAR），还是 40 个 360×320（RC-SLO）。

6.4 在千方医数集库内的生态位

在本库现有的视网膜/眼科条目中，IOSTAR 占据一个清晰的位置：

• 血管分割族：drive（rid 241）、chase-db1（rid 251）、hrf（rid 261）、fives（rid 741）、octa-500（rid 341）
• 视盘分割族：rim-one（rid 291）、drishti-gs（rid 301）
• DR/青光眼筛查族：messidor（rid 59）、eyepacs（rid 58）、aptos-2019（rid 61）、refuge（rid 62）、refuge2（rid 766）

IOSTAR 在其中的独特性在于：它是唯一同时携带"SLO 模态 + 血管 + 视盘 + 动静脉 + A/V 比"的条目。它既是血管分割族的"模态异类"，又是视盘分割族与动静脉分析方向的数据来源。这种跨族连接性（详见 §9）让它成为本库眼科板块中一个高价值的数据来源。

6.5 工程实践：用 Idiap 工具链加载 IOSTAR

对想立刻上手的读者，Idiap 工具链提供了最直接的路径。核心是 mednet 的 IOSTAR 数据模块：

# mednet.data.segment.iostar 模块要点（源代码口径）
DATABASE_SLUG = "iostar"
CONFIGURATION_KEY_DATADIR = "datadir.iostar"   # 指向本地 IOSTAR 根目录

# DataModule 以 JSON split 描述文件初始化
# task = "segmentation", num_classes = 1（二值血管分割）
# RawDataLoader.sample() 返回 dict(image, target, mask, name)
#   image  -> torch float32 图像（RGB，cropped to FOV mask）
#   target -> torch float32 二值血管掩码
#   mask   -> FOV mask

关键工程细节：

• 加载器会自动按 FOV mask 裁剪图像（crop_image_to_mask）——避免黑色边界污染训练。
• 掩码以 mode="1"（1-bit）读取后转为 float 张量，num_classes=1 表示二值分割。
• vessel 协议与 optic-disc 协议各有独立的 split JSON，均采用 20/10 划分。
• 工具链代码许可 GPL-3.0-or-later（Copyright © 2024 Idiap Research Institute, contact@idiap.ch）。

这段代码的意义：IOSTAR 的工程接口是现成的——研究者无需自己写 dataloader，直接对接 PyTorch 训练循环即可。这是它在"AI-Ready"维度的加分项（对应 §8 的 D4 评分 4/5）。

6.6 复现清单：从零到能跑

若你要在本机复现一项 IOSTAR 实验，建议按以下顺序：

1. 获取数据：从 RetinaCheck 站或 Idiap 工具链取得 30 张原图 + 三类掩码 + FOV mask。
2. 确认划分：决定用官方 20/10 还是 5-fold 24/6，并固定随机种子。
3. 确认许可：学术使用通常无碍；商用需先向发布方确认（见 §5.2）。
4. 搭建管线：可复用 mednet 的 DataModule，或自写 dataloader（注意 FOV 裁剪）。
5. 选择指标：至少报告 Se、Sp、Acc、AUC，理想再加 MCC/F1。
6. 声明口径：论文中明确写清"用 30 张、20/10 划分、FOV 内评价"。

最容易出错的环节是第 2 步（划分）与第 6 步（声明）——IOSTAR 上大量数字不可横比，根源就在于这两步的隐性差异。

6.7 一个数据集的三重身份复盘

综合全篇，IOSTAR 的身份可归纳为三重，理解这三重身份是正确使用它的钥匙：

身份	含义	影响
模态补位者	为 SLO 模态补上血管分割基准	决定它的不可替代性（跨模态研究）
多任务样本	血管 + 视盘 + 动静脉 + A/V 比同图	决定它的信息密度与多任务价值
老牌基准	2015-2017 年产物，许可/口径欠规范	决定它的使用风险（许可模糊、口径分歧）

检索者备忘：引用 IOSTAR 时，请始终交代 ①样本量口径（30）②年份口径（2015/2016）③划分协议（20/10）④许可状态（未标 SPDX）——这四点是与同行对话不踩坑的最小信息集。

6.8 引用网络：谁在用 IOSTAR，用它做什么

通过检索文献的引用情况，可以勾勒出 IOSTAR 的使用者画像：

第一类：血管分割方法论文（最主要）
方法论文把 IOSTAR 作为验证数据集之一，与 DRIVE、CHASE_DB1、HRF 并列报告。代表：Zhang 2016、Meyer 2017、Srinidhi 2018、DRNet 2019、M2U-Net 2019、CS²-Net 2020。

第二类：综述与基准调查
综述把 IOSTAR 编入"视网膜血管分割数据集"表。代表：《Deep Learning for Ophthalmology》《The State of Retinal Image Analysis》《Recent Advancements in Retinal Vessel Segmentation》《Weakly Supervised Deep Learning for Ocular Image Segmentation》。

第三类：几何/理论方法论文
利用 IOSTAR 的 SLO 特性验证方向得分、李群几何等方法。代表：Abbasi-Sureshjani 的分叉/交叉检测系列、Bekkers 的方向得分可逆变换工作。

第四类：跨模态/迁移学习论文
把 IOSTAR 作为"异构模态测试床"，检验模型的模态泛化能力。

使用场景分布（定性观察）：

• 最多：作为 SOTA 对比表中的一行
• 其次：作为跨模态实验的目标域
• 较少：作为唯一训练集（样本太少）

6.9 为什么老数据集仍有生命力

IOSTAR 已发布近十年（2015/2016），深度学习架构也从 CNN 演进到 Transformer、基础模型。它为何没有被"遗忘"？

原因一：基准的"锚定效应"。 一旦一个数据集成为某个任务的公认基准，后续研究为了可比性会持续引用它。DRIVE 如此，IOSTAR 在 SLO 子领域亦如此。废弃基准的成本远高于继续使用。

原因二：模态的不可替代。 新的眼底数据集（FIVES、EyePACS）大多是彩色眼底照相，SLO 模态的公开数据依然稀缺。IOSTAR 因此"老而不衰"。

原因三：历史对比价值。 十年前的方法 vs 今天的方法在同一数据集上的对比，是展示领域进步的直观方式。IOSTAR 提供了这个"时间切片"。

教训：数据集的长期价值，取决于它是否占据了某个不可替代的生态位（模态、任务、或历史地位），而非单纯取决于数据量。IOSTAR 是"生态位价值 > 数据量价值"的绝佳案例。

§7 避坑清单：十个已踩过的坑

以下十条均为撰写前实抓核实（2026-09-30）暴露的真实问题，不是想象出来的"注意事项"。

坑 1：同数据集的样本量有两个版本（30 vs 24）。
主流工具链与 2023-2025 综述都写 30 张，但 Abbasi-Sureshjani 2015 系论文（如 PMC5506202）明确写 24 张。
踩坑方式：引用时凭印象写"30 张"或"24 张"而不注明口径，被审稿人/同行质疑。
解法：主用 30 张（官方口径），需要时注明"早期文献中存在 24 张子集口径"。

坑 2：发布年份 2015 与 2016 双口径。
踩坑方式：在参考文献里把 IOSTAR 的年份写死成其中之一，与引用对象对不上。
解法：区分"首发 2015（ICIAR，Abbasi-Sureshjani）“与"主引 2016（IEEE TMI，Zhang）”；Idiap 工具链引用键是 [IOSTAR-2016]。

坑 3：IOSTAR 与 RC-SLO 混引。
二者同属 RetinaCheck 项目、同是 SLO 模态、常在论文里成对出现，但 IOSTAR 是 30 张 1024×1024 完整图，RC-SLO 是 40 个 360×320 拼块。
踩坑方式：把 RC-SLO 的精度数字当成 IOSTAR 的。
解法：核对图像数与分辨率——30 张 1024×1024 才是 IOSTAR。

坑 4：把 Idiap 工具链的 GPL 许可当成了数据许可。
bob.ip.binseg、mednet 是 GPL-3.0-or-later 的代码，不代表 IOSTAR 数据也是 GPL。
踩坑方式：以为"我看到 GPL 了，可以随便用"，商用后才知数据授权另需确认。
解法：分清"代码许可"与"数据许可"；数据用途（尤其商用）向 TU/e RetinaCheck 项目确认。

坑 5：官方入口站点已返回 403，复现踩空。
retinacheck.org/datasets（2026-09-30 抓取）返回 403 Forbidden。
踩坑方式：论文里照抄"data available at retinacheck.org/datasets"，读者点了打不开。
解法：同时给出 Idiap 工具链入口（bob.ip.binseg / bob.db.iostar / mednet）作为可用备份。

坑 6：划分协议不统一（20/10 vs 24/6）。
官方是 20/10（MEYER-2017），但 CS²-Net 等论文用 5-fold 24/6，Zhang 2016 用"前 20 后 10"。
踩坑方式：横向比较两张表的精度，却不知它们划分不同。
解法：引用任何 IOSTAR 精度前，先声明所用划分协议。

坑 7：被 SLO 模态的高精度"虚假繁荣"误导。
IOSTAR 上 Acc 普遍 0.95-0.975、AUC 0.96-0.99，看着漂亮。
踩坑方式：以为模型真强，直接搬到彩色眼底照相或临床场景，性能断崖。
解法：记住这是 SLO 模态的图像质量红利；跨模态评测必须另设彩色眼底测试集。

坑 8：FOV mask 来源说法不一。
有论文写"FOV masks 随数据集提供"，也有论文（win.tue.nl/segmentation.pdf）写"因 FOV 边界明显而由作者手工创建"。
踩坑方式：评价指标算在了 FOV 外的黑色区域，数字虚高或虚低。
解法：明确你所依版本是否自带 FOV mask；没有就自建，并保证 train/test 一致。

坑 9：把 A/V 标注当成"都是血管"忽视动脉静脉差异。
IOSTAR 的动静脉分离标注（artery/vein）是一个额外的分类维度，不是所有血管数据集都有。
踩坑方式：直接用二值血管掩码训练，却完全没用 A/V 信息，浪费了 IOSTAR 的差异化价值。
解法：若做动静脉相关任务，务必利用 A/V 分离标注（如 A/V 比估计、动脉静脉分别分割）。

坑 10：误以为小样本就不能发论文。
30 张确实少，但作为评测基准完全够用。
踩坑方式：因为样本少就放弃使用，转而去拼凑不合适的更大数据集。
解法：把 IOSTAR 定位为测试集/跨模态验证集，而非训练集——这是它被广泛引用的正确姿势。

7.1 坑点速查表

坑	一句话	关键词
1	样本量 30 vs 24	口径
2	年份 2015 vs 2016	首发/主引
3	IOSTAR 与 RC-SLO 混引	双胞胎
4	代码 GPL ≠ 数据许可	许可混淆
5	原站 403	可访问性
6	划分 20/10 vs 24/6	协议
7	SLO 精度虚高	模态红利
8	FOV mask 来源不一	评价区域
9	忽视 A/V 标注	差异化价值
10	小样本定位错误	训练 vs 评测

§8 DAIMS 评估：数据就绪度的六维体检

DAIMS（Data AI-Maturity/Readiness Score，本库自用的数据就绪度评估框架）从六个维度打分（每维 0-5，满分 30）。以下为 IOSTAR 的逐维评估：

维度	评分	评估依据
D1 可用性（Availability）	3 / 5	有官方入口 + Idiap 工具链，但原站抓取 403，缺 HF/Zenodo 稳定镜像，单点风险
D2 标注质量（Annotation）	4 / 5	专家组标注，含血管/视盘/动静脉/A/V 比四类高密度标签；扣分因是单一标注来源、无多标注者一致性数据
D3 规模充分性（Scale）	2 / 5	仅 30 张——对深度学习训练而言极小，通常只能做测试集或配合迁移学习
D4 标准化程度（Interoperability）	4 / 5	Idiap 工具链提供标准化 DataModule 与 JSON split，格式规整；扣分因许可未 SPDX 化
D5 文档完备性（Documentation）	3 / 5	有论文与工具链文档，但样本量口径（30/24）、划分协议、FOV mask 来源均存分歧
D6 法务清晰度（Licensing）	2 / 5	数据本体未标注标准 SPDX 许可，商用边界不清
合计	18 / 30	中等偏上（工程可用、法务与规模偏弱）

DAIMS 解读：IOSTAR 的强项在标注质量（D2）与标准化（D4）——它是一份"标注精良、工程封装到位"的小型基准；短板在规模（D3）与法务（D6）。它适合作为测试/评测基准，不适合作为唯一训练集；适合学术研究，需谨慎对待商用。

8.1 三条可迁移的经验

经验一：小样本数据集的正确用法是"基准"而非"训练集"。 IOSTAR 只有 30 张，把它当作评测集（如"DRIVE 训练 → IOSTAR 测试"的跨模态泛化实验）才能发挥最大价值。

经验二：模态多样性本身就是稀缺资源。 彩色眼底照相数据集一抓一大把，SLO 模态却屈指可数。在做模态泛化研究时，IOSTAR 的"稀缺"恰恰是它的"不可替代"。

经验三：老牌基准的"许可模糊"要在选用前查清。 IOSTAR 这类 2015 年前后的数据集，许可往往没跟上现代规范。纳入生产管线前，务必把授权链条理清。

§9 与库内条目的关系

9.1 家族图谱

IOSTAR 在本库中与三大族产生连接：

族一：视网膜血管分割基准族（直接可比）

• drive（rid 241）——彩色眼底照相血管分割的祖师爷，与 IOSTAR 常作跨模态对照
• chase-db1（rid 251）——彩色眼底照相，儿童队列，血管分割
• hrf（rid 261）——高分辨率彩色眼底照相，血管 + OD
• fives（rid 741）——眼底血管分割 AI 数据集，较新的大规模基准
• octa-500（rid 341）——OCTA 模态，血管 + FAZ，3D+2D 视角

族二：视盘/视杯分割族（共享 OD 标注）

• rim-one（rid 291）——视盘/视杯分割
• drishti-gs（rid 301）——青光眼视盘分割

族三：DR/青光眼眼底筛查族（同临床应用）

• messidor（rid 59）、eyepacs（rid 58）、aptos-2019（rid 61）——DR 分级眼底图像
• refuge（rid 62）、refuge2（rid 766）——青光眼挑战赛眼底图像

9.2 检索路径建议

若你因"视网膜血管分割"来到本库，建议的浏览路径：

眼科影像（L2 标签）
    │
    ├── 想要彩色眼底照相 + 二值血管 ──→ drive / chase-db1 / hrf
    │
    ├── 想要 SLO 模态 + 多任务标注 ──→ IOSTAR（本条目）★
    │
    ├── 想要 OCTA 血管 ──────────────→ octa-500
    │
    ├── 想要视盘/视杯 ───────────────→ rim-one / drishti-gs
    │
    └── 想要 DR/青光眼分级 ──────────→ messidor / eyepacs / aptos-2019 / refuge

9.3 互链点建议（供主会话内链编排）

互链目标	rid	链接理由
drive	241	血管分割基准的直接对照（彩色眼底 vs SLO）
chase-db1	251	血管分割基准族
hrf	261	血管 + OD 多任务基准
fives	741	血管分割，较新基准
octa-500	341	血管分割，不同模态（OCTA）
rim-one	291	视盘分割（IOSTAR 含 OD 标注）
drishti-gs	301	视盘/视杯分割
messidor	59	DR 眼底，同临床应用域
refuge	62	青光眼眼底，同模态应用
refuge2	766	青光眼眼底第二版

9.4 反向连接：谁应该链回 IOSTAR

从内链对称性看，以下条目在正文中提及"血管分割数据集全景"或"跨模态对照"时，宜反向链接到 IOSTAR：

• drive / chase-db1 / hrf：作为血管分割族成员，在"同类数据集"段落提及 IOSTAR 的 SLO 模态别称
• octa-500 / fives：在"其他模态/更大规模"对照中提及
• rim-one / drishti-gs：在"视盘分割"话题中提及 IOSTAR 亦含 OD 标注
• refuge / messidor：在"眼科筛查数据"话题中提及同源于筛查场景

9.5 标签体系对照（category_tags 说明）

本条目所选 category_tags 与数据集本质的对应关系：

标签	选取理由
医学影像（L1）	顶层域：医学图像
眼科影像（L2）	视网膜成像，眼科专属模态
医学图像分割（L2）	核心任务：血管/视盘分割
评测基准（L2）	定位：血管分割的标准测试床
糖尿病视网膜病变（DISEASE）	数据来源：RetinaCheck 糖尿病筛查队列

（共 5 个，落在受控词表 2-6 区间内；未选 图像分类 因 IOSTAR 主任务是分割而非分类，未选 多模态 因它是单影像模态多任务，非跨模态数据。）

§10 与同类数据集的横向对比详表

为便于选型，此处给出一张更完整的横向对照（数字均经多源核对）：

维度	IOSTAR	DRIVE	CHASE_DB1	HRF	FIVES	OCTA-500
模态	SLO	彩色眼底	彩色眼底	彩色眼底	彩色眼底	OCTA
图像数	30	40	28	45	800	500 受试者
分辨率	1024×1024	565×584	1280×960	3304×2336	2048×2048	多 FOV
像素尺寸	14 μm	25 μm	~（儿童）	—	—	—
FOV	45°	45°	30°	60°/45°	—	—
血管掩码	✓	✓	✓	✓	✓	✓
视盘 OD	✓	—	—	部分	—	✓（FAZ）
动静脉 A/V	✓	—	—	—	—	✓
A/V 比	✓	—	—	—	—	—
病理分级	—	DR	—	分组	—	—
官方划分	20/10	20/20	8/20	15/30	—	—
发布年	2015/2016	2004	2012	2013	2021	2021

读表要点：

• IOSTAR 的 A/V 比标注是表中独一份——这是它最不可替代的地方。
• IOSTAR 与 FIVES 数量差距悬殊（30 vs 800），但模态与任务互补。
• 只有 IOSTAR 与 OCTA-500 同时含血管 + 另一类解剖/功能标注（视盘/A-V vs FAZ）。

10.1 选型建议（按场景）

你的场景	首选	理由
常规血管分割 SOTA 对比	DRIVE / CHASE_DB1	文献最丰富，可比性最好
SLO 模态研究	IOSTAR	唯一选择
动静脉分类/A-V 比	IOSTAR	库内少有 A/V 标注
跨模态泛化	DRIVE 训练 → IOSTAR 测试	模态差异明显
大样本训练	FIVES（800）	体量优势
视盘/视杯	rim-one / drishti-gs	专门的 OD/OC 标注

§11 总结

11.1 三句话总结

第一句：IOSTAR 是一个 30 张 1024×1024 的 SLO（扫描激光检眼镜）视网膜图像数据集，由埃因霍温理工大学 RetinaCheck 项目采集（源自中国糖尿病筛查队列），首发于 ICIAR 2015、主引于 IEEE TMI 2016。

第二句：它的独特价值在于 "SLO 模态 + 血管 + 视盘 + 动静脉 + A/V 比"的交叉独占位——在彩色眼底照相基准泛滥的时代，为跨模态泛化与动静脉分析提供了不可替代的测试床。

第三句：它的主要局限是样本量小（30 张）、许可模糊、原站可访问性存疑、篇均口径不统一（30 vs 24）——适合做评测基准与学术研究，不适合做唯一训练集或未经授权的商用。

11.2 适合谁

• 跨模态泛化研究者：需要"SLO vs 彩色眼底"的对照实验
• 血管分割算法开发者：需要一个额外的、高对比度的验证集
• 视盘分割/青光眼分析团队：IOSTAR 含 OD 标注
• 动静脉分类/A-V 比估计研究者：IOSTAR 的 A/V 分离标注是稀缺资源
• 数据方法论研究者：作为"老牌医疗基准的许可/口径演变"案例

11.3 不适合谁

• 需要大样本训练数据的团队——30 张远远不够
• 需要病理分级标签的研究——IOSTAR 无分级标签
• 需要明确商用许可的产品化团队——许可未 SPDX 化
• 需要彩色眼底照相模态的项目——IOSTAR 是 SLO，模态不匹配

11.4 30 秒决策卡

你的需求	IOSTAR 是否合适	替代建议
训练一个血管分割模型	⚠️ 仅作测试集	用 drive/chase/hrf 训练，IOSTAR 测试
跨模态泛化研究	✅ 强项	IOSTAR 是 SLO 首选
动静脉分类/A-V 比	✅ 强项	库内少有替代
视盘分割	✅ 可用	大样本可看 rim-one/drishti-gs
DR 分级	❌ 无分级标签	看 messidor/eyepacs/aptos-2019
商用	⚠️ 需确认授权	优先选许可清晰的基准

FAQ（高频问答 28 问）

A. 基础认知

Q1：IOSTAR 的全称是什么？
它不是缩写。它是 RetinaCheck 项目衍生的数据集名，源自 TU/e 的视网膜分析研究。不要臆造"International RetinaCheck"之类的全称——三轮搜索未见此拼法的官方出处。

Q2：IOSTAR 是什么模态？
SLO（Scanning Laser Ophthalmoscopy，扫描激光检眼镜），由 EasyScan 相机（i-Optics，荷兰）采集。这是它区别于 DRIVE 等彩色眼底照相数据集的核心特征。

Q3：多少张图？
官方/主流口径 30 张，1024×1024。注意 Abbasi-Sureshjani 2015 系论文写 24 张（子集/划分口径）。

Q4：谁做的？
埃因霍温理工大学（TU/e）图像分析与应用组（Bart M. ter Haar Romeny 组）的 RetinaCheck 项目；数据门户与工具链由 Idiap Research Institute 托管。

Q5：什么时候发布的？
首发 2015（ICIAR，Abbasi-Sureshjani 等），主引 2016（IEEE TMI，Zhang 等）。两套年份口径并存。

Q6：图像像素尺寸是多少？
14 μm/px（多数论文口径）。也有以 25 μm/px（DRIVE）作对照的语境，注意别混。

Q7：视场角多大？
45° FOV。

Q8：IOSTAR 和 RC-SLO 有什么区别？
IOSTAR：30 张 1024×1024 完整图；RC-SLO：40 个 360×320 拼块（聚焦疑难场景）。同源、同模态、常混引——务必分清。

B. 数据与获取

Q9：有哪些标注？
血管二值掩码、视盘（OD）标注、动静脉（artery/vein）分离标注、A/V 比、FOV mask。

Q10：标注是谁做的？
视网膜图像分析领域的专家组（a group of experts working in the field of retinal image analysis），非单一标注者。

Q11：从哪里下载？
官方入口 retinacheck.org/datasets；实用入口 Idiap 工具链（bob.ip.binseg / bob.db.iostar / mednet）。注意 retinacheck.org 抓取时返回 403。

Q12：有 HuggingFace 或 Kaggle 镜像吗？
三轮搜索未发现官方 HuggingFace / Kaggle / Zenodo 镜像。主要依赖 RetinaCheck 站与 Idiap 工具链。

Q13：许可是什么？
数据集本体未标注标准 SPDX 许可；Idiap 工具链代码为 GPL-3.0-or-later（代码 ≠ 数据）。学术研究用途为惯例理解，商用需确认。

Q14：数据来自哪里？
RetinaCheck 项目——在中国开展的大规模糖尿病（DR）患者筛查队列。

Q15：有患者人口学信息吗？
没有。只有图像与掩码，无人口学元数据、无病理分级标签。

Q16：图像是彩色的吗？
SLO 成像，通常以灰度/伪彩呈现，与彩色眼底照相的 RGB 成像机理不同。

C. 划分与统计

Q17：训练/测试怎么划分？
官方 20 / 10（出自 MEYER-2017，bob/mednet 采用）。另有 5-fold 24/6（CS²-Net）等口径。

Q18：为什么不同论文数字对不上？
除了划分口径差异（20/10 vs 24/6），还有阈值化方法（如 Otsu）、评价区域（FOV 内外）等差异。

Q19：IOSTAR 上的最优精度是多少？
公开报告中 Acc 约 0.97（DRNet 0.9713、M2U-Net 0.9708），AUC 约 0.98-0.99。

Q20：Acc 高说明模型好吗？
不一定。血管像素占比小，Acc 易虚高。应结合 Se、AUC、MCC 综合判断。

Q21：Se 和 Sp 哪个更重要？
对血管分割，**Se（敏感度，召回细小血管）**通常是难点与差异点；Sp 普遍接近 0.97-0.99。

Q22：IOSTAR 的精度比 DRIVE 高吗？
常更高（Acc 0.95-0.975 vs DRIVE 约 0.94-0.95），但主因是 SLO 模态的图像质量红利，不代表算法更强。

D. 应用与工程

Q23：可以用 IOSTAR 训练血管分割模型吗？
可以，但 30 张太少，通常作微调或作测试集。建议与其他血管数据集联合训练。

Q24：支持动静脉分类任务吗？
支持。IOSTAR 提供 artery/vein 分离标注，是库内少有的 A/V 标注数据集。

Q25：能用于青光眼研究吗？
可以辅助——IOSTAR 含视盘标注，视盘是青光眼分析的关键结构。但无青光眼诊断标签。

Q26：跨模态研究怎么用 IOSTAR？
典型范式：在彩色眼底数据集（DRIVE/CHASE）上训练，在 IOSTAR（SLO）上测试，检验模态泛化。

Q27：评价指标是在整图算还是 FOV 内算？
应在 FOV 内计算，排除黑色边界。注意 FOV mask 的来源（自带 vs 自建）会影响数字。

Q28：它和验光/眼底照相机拍的一样吗？
不一样。SLO 是激光扫描成像，与普通眼底照相机的光学成像机理不同，图像观感与对比度也不同。

E. 选型与对比

Q29：IOSTAR 和 DRIVE 选哪个？
看你要什么模态。要彩色眼底 + 文献丰富 → DRIVE；要 SLO + 动静脉标注 → IOSTAR。二者常配对做跨模态实验。

Q30：IOSTAR 和 HRF 有什么区别？
HRF 是 45 张高分辨率彩色眼底照相（3304×2336），含健康/青光眼/DR 三分组；IOSTAR 是 30 张 SLO，含动静脉标注但无分组。模态、分辨率、标注侧重都不同。

Q31：小样本数据怎么用最划算？
当测试集用——在别的数据集上训练，在 IOSTAR 上验证泛化。或配合强数据增强做小样本微调。

Q32：IOSTAR 的数据还维护吗？
作为 2015-2017 年的老牌数据集，未见官方更新。工具链（Idiap）仍在维护其加载接口，但原始站点抓取异常（403）提示维护状态存疑。

Q33：可以用它发表论文吗？
可以。学术使用是它被广泛引用的前提。但引用时应交代样本量/划分口径，并遵守发布方的使用条款。

Q34：动静脉比（A/V ratio）怎么用？
A/V 比是高血压视网膜病变的经典指标（动脉变细、A/V 比下降）。IOSTAR 提供 A/V 分离标注，可据此计算 A/V 比并做定量分析。

Q35：IOSTAR 的图像和 RC-SLO 的拼块哪个更适合训练？
若做疑难场景（高曲率、交叉）研究 → RC-SLO 拼块；若做常规血管分割与跨模态 → IOSTAR 完整图。二者可联合使用。

Q36：IOSTAR 上的 SOTA 是哪一年刷到的？
公开记录中 DRNet（2019）与 M2U-Net（2019）接近 Acc 0.97，此后再显著超越的空间已很小——SLO 模态的高对比使精度接近饱和。

Q37：为什么 IOSTAR 精度比 DRIVE 高却不如它有名？
因为 IOSTAR 是 SLO 模态、样本更少、发布更晚，且 DRIVE 作为最早（2004）的基准有先发优势。知名度 ≠ 质量，IOSTAR 在模态多样性上更胜。

Q38：能用中文数据集里没提到的 IOSTAR 重名吗？
本库中 IOSTAR 的 slug 为 iostar，经查重确认库内无重名条目（见 §0 开工核验）。

Q39：数据集会不会因为太老而失效？
不会失效，但"老"意味着①许可条款未现代化②无可访问的镜像③文档散落。使用时应自行补全这些信息（本条目正是在做这件事）。

Q40：如果 retinacheck.org 永久关停怎么办？
目前 Idiap 工具链仍提供加载接口，但原始数据的分发依赖其镜像。建议使用者尽早获取并本地存档，避免单点失效。

延伸阅读与相关问题

相关方法概念

• 方向得分（orientation scores）：把图像提升到位置-方向空间（ℝ²⋊S¹）的分析工具，IOSTAR 主引论文的数学核心。
• 多尺度血管增强滤波：Frangi、Jerman 等 vesselness 滤波器，是血管分割的经典基线。
• U-Net 及其变体：M2U-Net、CS²-Net 等均以 U-Net 为骨架在 IOSTAR 上验证。
• Otsu 阈值化：把血管概率图转为二值掩码的常用后处理。

相关解剖结构

• 视网膜血管（retinal vessels）：动脉、静脉、毛细血管的总称，分叉/交叉构成拓扑网络。
• 视盘（optic disc, OD）：视神经与血管进出眼球的部位，青光眼分析的关键。
• 动静脉比（A/V ratio）：动脉/静脉管径比，高血压视网膜病变的定量指标。
• 中央血管反射（central vessel reflex）：彩色眼底照相的伪影，SLO 模态基本消除。

相关临床应用

• 糖尿病视网膜病变（DR）：RetinaCheck 队列的筛查目标病种。
• 高血压视网膜病变：A/V 比的临床应用场景。
• 青光眼：视盘/视杯分析相关。

一页速查卡

硬数字

项目	数值
图像数	30（官方口径）
分辨率	1024×1024
模态	SLO
设备	EasyScan（i-Optics，荷兰）
FOV	45°
像素尺寸	14 μm/px
划分	20 train / 10 test
标注	血管 + 视盘 + 动静脉 + A/V 比 + FOV mask
代表 Acc	0.95-0.975
代表 AUC	0.96-0.99

三条引用必答

1. 样本量：30 张（注：早期文献有 24 张口径）
2. 年份：2015 首发 / 2016 主引
3. 划分：20/10（MEYER-2017）

三个入口

1. retinacheck.org/datasets（官方，抓取时 403）
2. Idiap bob.ip.binseg（工具链，含下载入口）
3. Idiap mednet.data.segment.iostar（数据模块，工程即用）

一句话定位

SLO 模态的血管+视盘+动静脉多任务分割基准，样本少但生态位不可替代，适合作跨模态测试集而非训练集。

事实清单（硬事实 40 条）

1. IOSTAR 是 RetinaCheck 项目衍生的 SLO 视网膜图像数据集。
2. 官方样本量：30 张图像。
3. 图像分辨率：1024×1024 像素。
4. 采集设备：EasyScan 相机（i-Optics Inc., 荷兰）。
5. 成像模态：SLO（扫描激光检眼镜）。
6. 视场角：45°。
7. 像素尺寸：14 μm/px。
8. 数据来源：RetinaCheck 项目——中国糖尿病（DR）筛查队列。
9. 首发论文：Abbasi-Sureshjani 等，ICIAR 2015，LNCS 9164:325-334。
10. 首发 doi：10.1007/978-3-319-20801-5_35。
11. 主引论文：Zhang 等，IEEE Trans Med Imaging 2016;35(12):2631-2644。
12. 主引 doi：10.1109/TMI.2016.2587062。
13. 主引 PMID：27514039。
14. 划分协议论文：Meyer 等，ICIAR 2017，LNCS 10317:507-515。
15. 划分 doi：10.1007/978-3-319-59876-5_56。
16. 官方划分：20 训练 / 10 测试。
17. 标注类型：血管二值掩码 + 视盘 + 动静脉分离 + A/V 比 + FOV mask。
18. 标注者：视网膜图像分析领域专家组。
19. 数据集本体未标注标准 SPDX 许可。
20. Idiap 工具链代码许可：GPL-3.0-or-later。
21. 官方入口：retinacheck.org/datasets。
22. 实用入口：Idiap bob.ip.binseg / bob.db.iostar / mednet。
23. 抓取时点（2026-09-30）retinacheck.org/datasets 返回 403。
24. 机构：埃因霍温理工大学（TU/e）图像分析与应用组。
25. 工具链托管：Idiap Research Institute。
26. IOSTAR 上代表精度 Acc 约 0.95-0.975。
27. IOSTAR 上代表精度 AUC 约 0.96-0.99。
28. DRNet（2019）IOSTAR Acc 0.9713、AUC 0.9873。
29. RC-SLO 与 IOSTAR 同源但不同（40 个 360×320 拼块 vs 30 张 1024×1024）。
30. 早期文献存在 24 张子集口径（vs 官方 30 张）。
31. Meyer 2017 IOSTAR 精度：Se 0.8038 / Sp 0.9801 / Acc 0.9695 / AUC 0.9771。
32. Zhang 2016 IOSTAR 精度：Se 0.7545 / Sp 0.9740 / Acc 0.9514 / AUC 0.9626。
33. Abbasi-Sureshjani 2015 IOSTAR 精度：Se 0.7863 / Sp 0.9747 / Acc 0.9501 / AUC 0.9615。
34. Srinidhi 2018 IOSTAR 精度：Se 0.8269 / Sp 0.9669 / Acc 0.9564 / AUC 0.9663。
35. M2U-Net（2019）IOSTAR：Acc 0.9708、F1 0.8173。
36. mednet 数据模块：task=“segmentation”、num_classes=1。
37. bob.ip.binseg 引用键：[IOSTAR-2016]（指 Zhang 2016）。
38. 划分协议引用键：[MEYER-2017]。
39. IOSTAR 无病理分级标签、无患者人口学元数据。
40. IOSTAR 与 RC-SLO 常在同一批论文（Zhang 2016 / Meyer 2017 / DRNet 2019）成对评估。

附录：数据来源与引用

首发论文
Abbasi-Sureshjani S., Smit-Ockeloen I., Zhang J., ter Haar Romeny B. “Biologically-inspired supervised vasculature segmentation in SLO retinal fundus images.” In: Kamel M., Campilho A. (eds) Image Analysis and Recognition. ICIAR 2015. Lecture Notes in Computer Science, vol 9164. Springer, Cham. pp 325-334. doi:10.1007/978-3-319-20801-5_35

主引论文
Zhang J., Dashtbozorg B., Bekkers E., Pluim J.P.W., Duits R., ter Haar Romeny B.M. “Robust Retinal Vessel Segmentation via Locally Adaptive Derivative Frames in Orientation Scores.” IEEE Transactions on Medical Imaging, 2016, 35(12):2631-2644. doi:10.1109/TMI.2016.2587062. PMID: 27514039.

划分协议论文
Meyer M.I., Costa P., Galdran A., Mendonça A.M., Campilho A. “A Deep Neural Network for Vessel Segmentation of Scanning Laser Ophthalmoscopy Images.” In: Image Analysis and Recognition. ICIAR 2017. Lecture Notes in Computer Science, vol 10317. Springer, Cham. pp 507-515. doi:10.1007/978-3-319-59876-5_56

工具链来源

• Idiap bob.ip.binseg Supported Datasets（IOSTAR 行：[IOSTAR-2016]，1024×1024，30 张，Mask/Vessel/OD 均标，划分 [MEYER-2017] 20/10）
• Idiap mednet.data.segment.iostar 模块源代码（DataModule / RawDataLoader / DATABASE_SLUG=“iostar”）
• Idiap bob.db.iostar 数据库接口包

数据门户
RetinaCheck 项目：http://www.retinacheck.org/datasets（抓取时点 2026-09-30 返回 403）

精度来源

• arXiv 2004.03697（DRNet）Table 1：IOSTAR 上 Abbasi-Sureshjani/Zhang/Meyer/Srinidhi/DRNet 五方法精度
• arXiv 1909.03856（M2U-Net / On the Evaluation and Real-World Usage Scenarios of Deep Vessel Segmentation for Retinography）

数据集综述来源
《Deep Learning for Ophthalmology: The State-of-the-Art and Future Trends》（arXiv 2501.04073）Table VIII——IOSTAR 列 2015、30 图、1024×1024
《The State of Retinal Image Analysis: Deep Learning Advances and Applications》（IEEE）——IOSTAR 30 图、45° FOV
《Recent Advancements in Retinal Vessel Segmentation》（J Med Syst 2017）——IOSTAR 数据来源 retrinacheck.org
《Retrieving challenging vessel connections by line co-occurrence statistics》（PMC5506202 / arXiv 1610.06368）——IOSTAR 24 图对照口径

存照（待核）

• 样本量 30 vs 24 口径分歧
• 发布年 2015 vs 2016 双口径
• license 未标标准 SPDX，原站 403
• FOV mask 来源双口径（自带 vs 手工创建）
• 划分协议多口径（20/10 vs 24/6）

---

条目编制说明：本条目基于 2026-09-30 的三轮精确搜索与一手来源互证（Springer/IEEE 论文记录、Idiap bob/mednet 工具链文档、PMC 论文全文、多篇综述）。核心硬数字（30 张、1024×1024、SLO/EasyScan、45°、14 μm/px、20/10 划分）均经 ≥2 个独立来源核对。凡存在双口径处均已在正文逐条存照（样本量、年份、划分、FOV mask、许可），未作单一化处理。库内互链点为建议值，最终内链编排由主会话统一执行。

条目状态：待主会话串行发布（本代理仅负责成稿与自检，不触碰 DB 写入、publish.sh、production_tracker.md）。

slug 查重结论：SELECT record_id,url_name FROM ai_ready_dataset WHERE status=1 AND url_name ILIKE '%iostar%' 返回 0 行；ls writing/ 无同名目录；锁文件 writing/iostar/.lock 为本代理独占。

代理署名：agent-a-iostar，开工时间 2026-09-30T21:39，完成时间 2026-09-30T21:5x。

---

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：

• octa-500 — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 糖尿病视网膜病变
• duke-dme — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 糖尿病视网膜病变
• drive — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
• octid — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 糖尿病视网膜病变
• fives — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 糖尿病视网膜病变
• drions-db — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
• eyepacs — 共享标签：医学影像 / 眼科影像 / 糖尿病视网膜病变
• messidor — 共享标签：医学影像 / 眼科影像 / 糖尿病视网膜病变
• ddr — 共享标签：医学影像 / 眼科影像 / 糖尿病视网膜病变
• fgadr — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 糖尿病视网膜病变

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。