MIAS / Mini-MIAS — 乳腺 X 线数字图像分析学会数据库

The Mammographic Image Analysis Society Digital Mammogram Database（英国乳腺图像分析学会数字乳腺 X 线数据库）——1994 年影像组学时代的活化石

来源 MIAS / Mini-MIAS Digital Mammogram Database url: https://www.repository.cam.ac.uk/handle/1810/250394发布时间: 2026-10-03最后更新: 2026-10-20 阅读 55
MIAS / Mini-MIAS — 乳腺 X 线数字图像分析学会数据库

信息速览

数据集名称MIAS / Mini-MIAS — 乳腺 X 线数字图像分析学会数据库
数据类型X光影像,图像分类,图像分割,医学影像
规模161
接入方式MIAS / Mini-MIAS Digital Mammogram Database url: https://www.repository.cam.ac.uk/handle/1810/250394
AI 就绪度

INFOBOX · 条目速览

维度 内容
数据集名称 MIAS / Mini-MIAS（The Mammographic Image Analysis Society Digital Mammogram Database）
slug mias
发布年份 1994（原始 50 微米版与 200 微米 Mini-MIAS 同年发布）
发布机构 MIAS（英国乳腺图像分析学会），数据源自 UK National Breast Screening Programme
数据规模 161 名患者，322 张图像（左右乳 MLO 视图各一）
模态 乳腺 X 线摄影（mammography / 钼靶），单视图 MLO
图像规格 原库 50 微米 / Mini-MIAS 200 微米；8-bit 灰度；Mini-MIAS 统一 1024×1024
标注类型 放射科医生真值：异常中心坐标 (x, y) + 外接圆近似半径
任务方向 良恶性分类、背景密度分类、肿块/钙化检测与分割
授权 历史分发协议 research-only ｜ Cambridge 存档 v1.21 标 CC BY 2.0 UK
患者数量 161
类别标签 正常 / 良性 / 恶性；F / G / D 背景密度；CALC / CIRC / SPIC / MISC / ARCH / ASYM 异常六类

§0 导读：为什么在 2026 年还要读一篇 1994 年的数据集条目

如果把医学影像人工智能比作一棵大树，那么 MIAS 就是树轮里最靠内、也最粗的那一圈之一。它诞生于 1994 年 7 月英国约克（York）的一场数字乳腺摄影研讨会，比 ImageNet 早 15 年，比深度学习复兴早 18 年，比现在绝大多数"AI 影像"创业公司的历史都要长。当今天的模型动辄要训练几百万张标注图像时，MIAS 只有 322 张——这个数字小到令人发笑，但它依然活在所有乳腺 CAD（computer-aided diagnosis，计算机辅助诊断）论文的引用列表里，依然被 Kaggle 上的新手当作第一份乳腺影像练手数据，依然被综述文章当作"最早公开的乳腺 X 线基准"反复点名。

这种"老龄化的生命力"本身就是一个值得写进百科的现象。MIAS 的价值不在它的规模，而在它的历史位置与教学价值：它是第一个把"数字乳腺 X 线图像 + 放射科医生真值"打包公开发布的数据库，它第一次让不具备医院合作渠道的研究者也能拿到真实的乳腺影像做算法实验。它也把一批此后反复出现的方法学难题第一次摊开在台面上：单视图的局限、近似圆的标注精度、样本量小导致的过拟合、没有统一划分导致的横向比较困难、以及"这个库到底能不能商用"的授权暧昧。这些问题在 2026 年依然以各种变形出现在新的数据集上——这正是本文要一条一条讲清楚的东西。

本文的写作定位是"AI-Ready Wikipedia"，也就是说，它不仅面向想了解 MIAS 的普通读者，更面向真的打算拿 MIAS 做训练或评测的工程与研究人员。因此我们会把"能直接用的硬数字"和"不能直接信的软口径"分得很清楚：凡是多源冲突的数字（比如正常图像数到底是 207 还是 206 还是 209），我们都逐条存照；凡是容易踩坑的地方（比如"PEIPA 官网现在打不开"“License 有两个互相矛盾的口径”“标注不是像素级分割”），我们都集中放进 §10 的避坑清单。

阅读路径建议如下：想快速了解"这东西是什么"的读者，读 §1 十问十答即可；想搞清"数据长什么样、有多少、怎么标注"的读者，读 §2 与 §3；想实际下载和使用的人，读 §6 获取渠道与 §10 避坑清单；想把它放进论文 related work 的人，读 §5 基准、§7 生态互链、§8 库内关系。全文约 1500 行，可按需跳读。

需要提前说明一句关于"口径"的话：MIAS 作为一个 1994 年发布、历经 PEIPA→CMU→Kaggle 多次镜像迁移、并且存在原始 50 微米版与降采样 200 微米版两个物理版本的数据集，其"官方数字"在不同来源之间存在大量 ±1 到 ±2 的漂移，甚至有"1.51 GB vs 3.16 GB"这种量级差异。这不是本文考据不力，而是 MIAS 本身的元数据治理先天不足——它早于 FAIR 原则，早于数据集卡片（datasheet）文化，没有一个权威的、机器可读的版本清单。本文的态度是：把主流口径作为主叙述，把异见口径作为存照并列，绝不假装"只有一个真相"。凡是涉及这类冲突的地方，都会以「存照」二字明确标出。

§1 十问十答：把 MIAS 讲清楚

问 1：MIAS 到底是什么？
MIAS 全称 The Mammographic Image Analysis Society (MIAS) Digital Mammogram Database，中文可译为"英国乳腺图像分析学会数字乳腺 X 线数据库"。它是一个公开的乳腺 X 线摄影（mammography，俗称钼靶）图像数据库，1994 年由英国 MIAS 学会发布，数据取自英国国家乳腺筛查计划（UK National Breast Screening Programme）。它是医学影像领域最早公开的乳腺影像基准之一。

问 2：MIAS 和 Mini-MIAS 是同一个东西吗？
不是同一个物理文件，但通常被当作同一数据集的两种"版本"。MIAS 指 1994 年的原始版本，像素边缘 50 微米，图像尺寸不一（分辨率更高）；Mini-MIAS 是在同年"应广泛请求（By popular request）“生成的降采样版，像素边缘 200 微米，所有图像被裁剪/填充为统一的 1024×1024。今天绝大多数论文和课程实际使用的都是 Mini-MIAS，但习惯上仍含糊地称之为"MIAS"或"mini-MIAS”。这是一个必须说清楚的"名字折叠"现象：当有人说"我用 MIAS 训练了一个分类器"，他大概率用的是 Mini-MIAS。

问 3：数据规模有多大？
161 名患者，322 张图像。每一名患者提供左右两侧乳腺的图像各一张，因此命名为 161×2=322。全部图像都是 **MLO（mediolateral oblique，内外斜位）**视图——没有 CC（头尾位）视图。这是 MIAS 最被诟病的结构性局限：真实临床筛查通常同时采集 MLO 与 CC 两个体位，而 MIAS 只有一个。

问 4：有多少"正常 / 良性 / 恶性"？
主流口径是 正常 207 张、良性 63 张、恶性 52 张（合计 322，其中异常 115 张）。但不同来源在这个数字上有 ±2 的漂移（例如良性 63/64/65/62、恶性 50/51/52、正常 207/206/209），根源在于"异常 115 张如何拆分良恶"与"是否把 NORM 行计入"这些统计细节。本文在 §2 会给出多口径对照表并逐条存照。

问 5：标注是什么样的？是像素级分割吗？
不是。MIAS 的"真值（truth）"由资深放射科医生给出，形式上包括：异常中心的坐标 (x, y)（原点在图像左下角）、以及异常的外接圆近似半径（像素单位）。这个圆只是"异常大概在哪、有多大"的近似，不是精确的病灶边界。对于微钙化，坐标和半径指向的是**钙化簇（cluster）**而不是单个钙化点；如果钙化弥散分布在整张图上，甚至会省略坐标。因此，想拿 MIAS 做分割任务的研究者必须自己生成像素级 ground-truth——后来有人（Radboud 团队）专门发布了 Mini-MIAS 的像素级 NRRD 掩码来补这个洞。

问 6：它现在的获取渠道是什么？
历史上主要通过 PEIPA（Essex 大学） 分发（http://peipa.essex.ac.uk/info/mias.html），后来经 CMU 课程页镜像，现在最稳定的入口是剑桥大学 Apollo 仓库（DOI 10.17863/CAM.105113，对应原始 v1.21 版）以及 Kaggle 上的 kmader/mias-mammography 镜像。需要注意的是，PEIPA 主站在抓取时点已不可直连（详见 §10 坑点 3）。

问 7：License 是什么？能商用吗？
这是 MIAS 最暧昧、也最容易踩坑的地方。存在两个互相矛盾的口径：其一，原始分发协议（写在 CMU/PEIPA 镜像页）明确说该数据库仅授权研究用途（research purposes ONLY），禁止出租/转售；其二，剑桥 Apollo 仓库在 v1.21 记录上标注为 CC BY 2.0 UK，这个协议的宽松程度显然高于"仅研究用途"。两者法律含义不同。稳妥做法是：把 MIAS 当研究用途数据使用，商用前务必重新核实当前托管方的授权条款。本文 §6 会详细拆解这个版本链。

问 8：它现在还有用吗？
作为训练集，322 张的规模已经严重不足，几乎不可能训练出有竞争力的深度模型；作为教学集与入门基准，它依然极有价值——加载简单、标注清晰、任务定义明确，是理解乳腺 CAD 全流程的好材料；作为历史对照，它在任何乳腺影像综述里都是必须提到的起点。理性的用法是把它作为"pilot 实验 / 方法验证 / 教学演示"，而不是"发表 SOTA 的主战场"。

问 9：为什么它的数字到处都是冲突？
因为 MIAS 生于数据集治理规范之前：没有 datasheet、没有版本化元数据、没有机器可读的 manifest，信息靠 Info.txt 和一个手工维护的网页传递，再经过多次镜像迁移后，每一环都可能引入抄写差异。加上"原始版 vs 降采样版"“是否含 NORM 行”"异常 115 如何拆分"这些统计口径本身就有多种合理算法，于是冲突数字就固化了。本文的原则是并列存照、标注主流。

问 10：它和 CBIS-DDSM、INbreast 这些现代数据集是什么关系？
它们是同一谱系上的代际关系。MIAS（1994，322 张 MLO）是最早的一代；DDSM（1999，2620 例）是数量上的跃升；CBIS-DDSM（2017，10239 张）是 DDSM 的标准化重标注子集；INbreast（2012，410 张，含 CC/MLO）则在视图完整性与数字探测器质量上更进一步。当研究者说"我们在 MIAS 上验证，并在 CBIS-DDSM/INbreast 上做外部验证"时，就是把 MIAS 当作"经典基线"、把后两者当作"现代对手"。本库内 cbis-ddsm、inbreast、busi、vindr-mammo 等条目与本文可互链（见 §7、§8）。

§2 数据构成与规格：322 张图像里到底有什么

2.1 一句话总览

MIAS 的物理构成极其简单：161 名女性患者，每人左右两侧乳腺各一张 MLO 视图，共 322 张灰度图像，外加一个名为 Info.txt 的真值标注表。没有多中心、没有多模态、没有纵向随访、没有分割掩码（原始版）、没有患者级临床变量（年龄、家族史、病理分期等一概缺省）。它的全部信息量就压缩在"图像 + 一个七列的文本表"里。

这种极简的构成既是它的优点（清楚、易用、无歧义）也是它的缺点（信息维度太少，无法支撑多任务学习、无法做患者级分层、无法研究成像参数的影响）。理解这一点，是理解 MIAS 一切局限与历史的起点。

2.2 数据规模硬数字

维度 数值 说明
患者数 161 每名患者左右乳各一张
图像总数 322 161 × 2
视图 仅 MLO 无 CC 视图，这是核心局限
原库像素边缘 50 μm MIAS v1.21
Mini-MIAS 像素边缘 200 μm 降采样 4 倍
量化位深 8-bit 灰度
Mini-MIAS 尺寸 1024 × 1024 统一裁剪/填充
原库尺寸 不一 小 1600×4320 / 中 2048×4320 / 大 2600×4320 / 超大 5200×4320（PLOS 2015 口径）
格式 PGM Portable Gray Map
文件体积 1.51 GB（Cambridge 口径） 另有 3.16 GB 之说（ZIP 口径，存照）

关于"原库尺寸不一"这一行值得展开：MIAS 原始版并不是所有图像一样大，不同来源给出的典型尺寸档位包括 1600×4320、2048×4320、2600×4320、5200×4320 等，长边都是 4320。这正是 Mini-MIAS 存在的理由——把尺寸统一到 1024×1024 之后，才能方便地批量送入网络。这也解释了为什么降采样版反而比原始版流传更广：对研究者而言，"整齐可用"往往比"原始高清"更重要。

2.3 类别分布：多口径对照与存照

这是 MIAS 最经典的"数字打架"现场。乳腺 X 线的三分类通常指正常（Normal/NORM）、良性（Benign/B）、恶性（Malignant/M）。问题的核心在于：322 张里有 207 张是明确正常的，剩下 **115 张"异常"**需要按良/恶拆分，而不同论文的拆分口径、是否把某些边界情况归入正常、是否在统计时剔除个别行，都会造成 ±1~±2 的漂移。

多口径对照表（存照）：

类别 口径A (PMid36814814) 口径B (BRACU 学位论文) 口径C (ScienceDirect) 口径D (HYMR 综述) 口径E (白皮书)
正常 207 207 206 209 207
良性 63 65 64 62 65
恶性 52 50 52 51 50

主流取值（本文主叙述采用）：正常 207、良性 63、恶性 52。理由：这是原库 Info.txt 逐行计数后最广泛复现的一组，且 207 + 63 + 52 = 322 恰好闭合。其余口径的漂移在 §9 存照清单中逐条记录。

异常 115 张的内部构成（全源比较一致），按异常类型六分类：

异常类型 含义 图像数 良性(B) 恶性(M)
CALC 微钙化（calcification） 25 12 13
CIRC 边界清楚的圆形/椭圆形肿块（circumscribed） 23 19 4
SPIC 毛刺状肿块（spiculated） 19 11 8
MISC 其他类型异常（miscellaneous） 14 6 8
ARCH 组织结构扭曲（architectural distortion） 19 9 10
ASYM 不对称致密（asymmetry） 15 6 9
合计 — 115 63 52

这张表是理解 MIAS 病灶分布的关键：微钙化（CALC）与圆形肿块（CIRC）是最多的两类，而 CIRC 的良性占比极高（19/23），CALC 则相对均衡（12/13）。这种不平衡会直接影响分类器的表现——如果一个模型学会了"看到圆形肿块就判良性"，它在 MIAS 上的准确率会虚高，但在真实数据上不一定成立。

存照点：CALC 的"图像数"在不同来源间有 25 vs 34 的冲突（25 为多数口径，且与六类合计 115 闭合；34 见于某综述表，可能把"簇数"或"另一版本"混入）。此外，微钙化簇的标注覆盖也有 原库 25 张 vs Mini-MIAS 23 张的差异，原因是两个版本在图像裁剪边界上的细微不同导致个别钙化簇落在可视区外或被重新归类。

2.4 背景组织三分类（F / G / D）

除了"正常/良性/恶性"这个病理轴，MIAS 还有一个影像学密度轴：按乳腺背景组织（乳腺实质密度）分为三类，这个分类在筛查场景中极为重要（因为致密乳腺会掩盖病灶、降低钼靶灵敏度）。

背景类型 含义 图像数 其中正常 其中异常
F Fatty，脂肪型（脂肪为主） 106 67 39
G Fatty-glandular，脂肪腺体型（混合） 104 67 37
D Dense-glandular，致密腺体型 112 76 36
合计 — 322 210 112

（注：此处"其中正常/异常"为某来源的细分口径，正常合计 67+67+76=210、异常合计 39+37+36=112，与主流的 207/115 不完全一致，属另一统计口径，存照。）

这里 F + G + D = 106 + 104 + 112 = 322，闭合良好，三类的分布相当均匀——这其实是 MIAS 的一个"设计优点"：它有意做到了背景密度的平衡，使得基于密度的分类任务有一个还不错的类别分布。F/G/D 三分是 MIAS 除良恶性之外的第二个常见任务标签，本库中的 tn-mammo-breast-density（乳腺密度评估）条目与此有天然的互链关系（见 §7）。

§3 研究脉络与技术方法

要理解 MIAS 为什么长成今天这个样子，必须回到 1990 年代初英国乳腺筛查的制度现场。MIAS 不是一个「为了做机器学习而采的数据集」，它是一个「为了审计筛查质量而建的数字档案库」。这个出身决定了它的图像数量、标注粒度、以及后来所有关于它的争议。

3.1 时代背景：为什么会在 1994 年出现一个 322 张的乳腺 X 光库

英国在 1988 年正式启动全国乳腺筛查计划（NHS Breast Screening Programme，简称 NBSP），对 50–64 岁女性提供每三年一次的钼靶筛查。这是当时欧洲规模最大的有组织筛查项目之一。筛查铺开之后立刻出现一个尖锐问题：放射科医师的阅片一致性如何保证？ 如果同一张片子两位医师给出不同判断，筛查的价值就打折扣。

为了解决这个问题，英国医学研究理事会（Medical Research Council）资助了一系列「阅片者一致性研究」（radiologist observer variability studies）。这类研究的核心需求是：拿到一批已经用金标准（活检病理）确认结果的片子，让多位放射科医师独立阅片，然后统计他们的判断与金标准的吻合率、以及医师之间的吻合率。

MIAS 数据库正是为满足这类研究而建。研究所用的原始片子来自多个筛查中心的存档（这一点在 §6 的授权说明里有直接影响——它们不是普通公开数据，而是临床存档）。数字化之后，这批图像被编成一个带标准标注的库，于 1994 年随会议论文公开发布。

关键推论（本条目反复强调的一点）：MIAS 的图像集合是「研究的副产品」，不是在统一招募协议下重新采集的。这解释了它的一系列「不整齐」：

  • 为什么只有 MLO（mediolateral oblique，侧斜位）一个体位——因为它记录的是当时筛查流程中实际留存的胶片；
  • 为什么正常样本占到 207/322（约 64%）——因为阅片一致性研究需要大量「难判读的正常片」作为对照，而不是需要大量阳性片；
  • 为什么背景组织分类（Fatty/Glandular/Dense）只有粗略三级、且分类标准未见正式文献——因为它是事后为方便检索补挂的标签，不是采集时登记的字段。

3.2 数字化流程：Joyce-Loebl 显微密度计

MIAS 的数字化不是用现代平板扫描仪完成的，而是使用 Joyce-Loebl 公司的旋转鼓式显微密度计（rotating-drum microdensitometer）。这是 1980–1990 年代胶片数字化的主流设备类型，工作原理是：

  1. 将乳腺 X 光胶片装在高精度旋转鼓上；
  2. 用一束聚焦的细光点（孔径一般 50 μm 量级）逐行扫过胶片；
  3. 透射光被光电倍增管接收，转换成灰度值（光学密度）；
  4. 记录成二维数字矩阵。

这个流程带来三个对使用者有实际影响的后果：

后果一：灰度深度很高，但动态范围被压缩。 显微密度计的输出通常远超 8-bit。MIAS 官方文档描述数字化深度为 8-bit，但多份再分发版本（Kaggle、Zenodo 等）对原始数据做了 16-bit 重采样。这就造成同一个「MIAS」在不同渠道下载到的图像位深不同、灰度映射不同。如果你把 Kaggle 版和某个学术镜像的 MIAS 混用，预处理参数（如 CLAHE 的 clip limit）不能照搬。

后果二：图像尺寸不统一。 MIAS 每张图像的大小不同，官方描述为「约 1024×1024 像素」，但实际存在明显偏差。这个「约」字非常关键：它意味着不能默认所有图都能直接喂进一个固定输入尺寸的网络，必须统一 resize 或者 pad。部分论文报告的「我们用了 1024×1024 的 MIAS」实际上是在预处理阶段统一化之后的结果，而非原始规格。

后果三：背景区域大、有效区域小。 胶片扫描得到的是整张胶片，包括大量不包含乳腺组织的黑色/空白背景。这意味着直接整图输入的模型有相当比例的算力花在无信息区域上。这催生了 MIAS 使用中的一个常见预处理步骤——乳腺区域裁剪（breast region cropping）与胸肌去除（pectoral muscle removal）。这一步骤没有官方标准实现，各家做法不同，也是导致后续准确率数字难以横向比较的原因之一（详见 §5.4）。

3.3 从 MIAS 到 Mini-MIAS：一次被广泛误读的「简化」

今天网络上流传的 MIAS 绝大多数是 Mini-MIAS。理解二者的差别是使用这套数据的第一道门槛。

维度 原始 MIAS Mini-MIAS
数字化设备 Joyce-Loebl 显微密度计，高分辨率 由原始 MIAS 降采样而来
空间分辨率 高（50 μm 像素） 降到 200 μm 像素
单图像素尺寸 约 1024×1024 或更大 固定 1024×1024（官方 Mini-MIAS 常见描述）
存储占用 约 1.51 GB（原始版本） 约 3.16 GB 镜像报道 / 常见下载约数百 MB（口径不一，见 §9）
灰度级 原始高深度，重分发多为 16-bit 8-bit
可获取性 原始版长期依赖 PEIPA，现已下线 广泛镜像，Kaggle 等平台常见

误读点：很多论文、教程、甚至数据集卡片直接写「Mini-MIAS 包含 322 张图像、161 名患者」，然后把它当作 MIAS 的全部。严格说这不完全错——Mini-MIAS 确实是从完整 MIAS 中抽取的 322 张子集——但它掩盖了一个事实：原始 MIAS 的图像量大于 322 张。Mini-MIAS 是「选出来做基准的那 322 张」，不是「MIAS 就这么大」。

这也是本条目在 §9 存照里把「322 到底是不是 MIAS 的总量」列为待核项的原因：不同来源对原始 MIAS 的规模描述不一致，而绝大多数使用者从没接触过非 Mini 的原始版。

3.4 为什么 MIAS 会成为经典基准

在公开乳腺影像数据集极度稀缺的年代，MIAS 是少数同时具备「金标准标签 + 可自由获取 + 有明确标注格式」三者的数据集。它的历史地位可以类比：

  • 医学影像领域的 MNIST/CIFAR——不是因为它难，而是因为它早、且干净到足以当「可控实验台」；
  • 在 CBIS-DDSM、INbreast、BUSBRA 等后来者出现前，几乎所有乳腺 CAD（computer-aided diagnosis）论文都要在 MIAS 上跑一个数字。

但它作为基准的根本局限也在同一时期埋下：只有 322 张图、只有 161 例患者、只有一个体位。这不是「数据量偏小」这么简单，而是统计功效不足——在 322 张图上做 5-fold 交叉验证，单个 fold 的测试集只有约 64 张，正负样本各几十张，accuracy 的标准误会大到让「提升 1%」这类结论失去意义。

3.5 从手工特征到深度学习：MIAS 使用范式的三代迁移

以 MIAS 为实验台的乳腺影像研究方法，大致经历了三个阶段，每个阶段对 MIAS 的用法完全不同：

第一代（1994–2010 前后）：手工特征 + 传统分类器。
研究者提取形态学特征（如肿块的长宽比、紧致度 compactness、边界粗糙度）、纹理特征（如基于灰度共生矩阵 GLCM 的能量/对比度/相关性、小波系数统计量），再用 SVM、k-NN、决策树、随机森林分类。这一代的典型工作流是「ROI 裁剪 → 特征工程 → 分类」。它高度依赖人工设计的特征，也高度依赖研究者选的 ROI——这就导致同一张图、不同裁剪策略下结果差异巨大。

第二代（2012–2017）：CNN 特征提取 + 迁移学习。
AlexNet、VGG、ResNet 在 ImageNet 上预训练后迁移到 MIAS。典型做法是把 1024×1024 的图 resize 到 224×224，用预训练骨干提取特征，再微调最后的全连接层。这一代开始出现一个严重问题：ImageNet 预训练权重是在自然图像上学的，与灰度医学影像的分布差异极大，直接迁移未必优于精心设计的手工特征。许多论文报告的「高准确率」难以复现，部分原因就在迁移策略不透明。

第三代（2018 至今）：专用网络 + 分割/检测联合。
U-Net 及其变体用于乳腺区域分割与肿块分割，检测网络（YOLO、Faster R-CNN 系列）用于病灶定位，注意力机制、多尺度融合、集成学习成为主流。这一代同时出现了一个方法论上的转折：研究者开始意识到在 MIAS 上刷高准确率没有意义，转而把 MIAS 用作「方法可行性验证」或「跨数据集泛化的测试端之一」。

三代范式的迁移留下了一份重要的历史遗产：MIAS 上的历史准确率数字彼此不可比。它们跨越了不同的特征集、不同的预处理、不同的划分方式、不同的评价协议。把 1998 年一篇手工特征论文的 92% 与 2020 年一篇 CNN 论文的 98% 并列，是一个统计学上的错误——这一点在 §5 会展开。

3.6 MIAS 在现代放射组学（radiomics）中的位置

放射组学把「从图像中高通量提取定量特征」作为核心方法。MIAS 在这一框架下有特殊价值，也有特殊陷阱：

价值：MIAS 的标注（圆心 + 半径）足够支撑「以病灶为中心划 ROI → 提取放射组学特征 → 建模」这条完整链路，而且它是公开可得的，适合做方法原型验证。

陷阱一：纹理特征的尺度敏感性。 放射组学纹理特征（GLCM、GLRLM、GLSZM 等）对像素间距（voxel spacing / pixel spacing）高度敏感。Mini-MIAS 的像素间距是 200 μm，而原始 MIAS 是 50 μm——同一个病灶在这两个版本上提取出的纹理特征不可直接比较。如果一篇论文没有声明用的是哪个版本、有没有重采样，其放射组学特征就不可复现。

陷阱二：二维 vs 三维。 MIAS 是二维投影图像（单张 MLO 片），而现代放射组学的主流是三维体数据。在 MIAS 上做的二维放射组学，其结论不能直接外推到三维钼靶或断层合成（DBT）场景。

陷阱三：分割不确定性。 病灶的圆心+半径给的是一个圆形近似，不是精确轮廓。在放射组学里，特征对分割边界的敏感度很高——同一个病灶，用圆形近似和用精确轮廓，提取出的形状特征（尤其球形度、表面积）会显著不同。因此基于 MIAS 圆标注的放射组学形状特征，其可靠性需要打折扣。

3.7 与同时代其他早期乳腺数据集的比较

要理解 MIAS 的独特性，可以和它同期或稍晚的几个早期乳腺数据集做个对照（这些数据集在本站生态中的位置见 §8）：

数据集 年份 图像数 患者数 标签粒度 可获取性 与 MIAS 的关系
MIAS / Mini-MIAS 1994 322 161 病灶圆心+半径 镜像广泛 本条目主角
DDSM 2000 约 2620 例 约 2620 精确轮廓（链码） 需申请/镜像 MIAS 的「加大加强版」，标注更精细
CBIS-DDSM 2017 约 3568 图 约 1566 精确轮廓+病理 公开（TCIA） DDSM 的清洗+重标注版，见 §8
INbreast 2012 410 115 精确轮廓+BI-RADS 需申请 全视野数字钼靶（FFDM），非胶片扫描

三条重要对比结论：

  1. MIAS 的标注粒度是这批早期数据集中最粗的（圆形近似 vs 精确轮廓）。这是它作为「分割基准」时最被诟病的地方。
  2. MIAS 的获取门槛是最低的。DDSM 和 INbreast 长期需要签署使用协议，而 Mini-MIAS 可以随手从 Kaggle 下载。低成本获取是它流行度高的重要原因，未必是质量原因。
  3. MIAS 是胶片数字化，INbreast 及之后是数字钼靶。这意味着 MIAS 带有胶片扫描特有的噪声模式（颗粒噪声、密度计伪影），与当代临床数据分布不同。用 MIAS 训出的模型迁移到数字钼靶上，存在**域偏移（domain shift）**风险。

3.8 小节：读 MIAS 论文时该问的五个问题

综合以上脉络，读一篇以 MIAS 为实验台的论文时，应当追问：

  1. 用的是原始 MIAS 还是 Mini-MIAS？位深是多少？（决定可复现性）
  2. 图像是否做了统一 resize？是否做了乳腺区域裁剪与胸肌去除？（决定输入分布）
  3. 划分是患者级（patient-level）还是图像级（image-level）？（决定是否数据泄漏，见 §5.5）
  4. 报告的是几折交叉验证？单折测试集有多大？有没有报标准差？（决定统计可信度）
  5. 分类任务是二分类（正常/异常）还是多分类（正常/良性/恶性）或六分类（按异常子类）？（决定数字是否可比）

只要这五个问题中有任何一个没被回答，那篇论文的「MIAS 准确率」就无法被准确定位。

§4 标注体系与任务定义

MIAS 的标注体系看似简单——一个文本文件加一列坐标——但它包含若干容易被忽视的细节，这些细节直接影响任务定义的正确性。

4.1 Info.txt 的七列结构

Mini-MIAS 随图像附带一个名为 Info.txt 的纯文本文件，以固定列宽格式记录每张图的元信息。虽然不同镜像对列名的书写略有出入，但标准结构包含以下七列：

列序 字段名（常见写法） 含义 取值示例 说明
1 Reference 病例引用号 mdb001 图像文件名主干，也有写 MDB001
2 Character 背景组织特征 F / G / D Fatty / Glandular / Dense
3 Class 异常类别 NORM / BENIGN / MALIGNANT 三分类顶层标签
4 Severity 异常严重度子类 CALC / CIRC / SPIC / MISC / ARCH / ASYM 仅异常图有值，正常图为空或占位
5 X 病灶圆心横坐标 整数，如 535 像素坐标；正常图为 0 或占位
6 Y 病灶圆心纵坐标 整数，如 425 像素坐标；正常图为 0 或占位
7 Radius 病灶半径 整数，如 197 像素半径；正常图为 0 或占位

关键细节：

  • 列宽固定、字段对齐。由于是固定列宽格式，用简单空格切分（str.split()）在遇到字段为空的正常图行时可能错位。稳妥做法是按列位置切片读取，或先做规整化。历史教训中「记账禁用位置对齐」的警示在这一层同样适用——固定列宽解析必须用位置切片而非视觉对齐。
  • 正常图（NORM）的后三列在部分版本中为 0 0 0，在另一些版本中为空字符串。解析代码必须同时容错这两种情形。
  • Severity 列存在多值情况。极少数图像可能同时标注两种异常类型（如既有钙化又有肿块），此时该列如何表达在不同镜像版本里不统一。做六分类任务时，需要先定义冲突消解规则。

4.2 圆心 + 半径的语义：是「包围圆」还是「标记圆」？

这是 MIAS 标注中最具歧义的一点，必须在任务定义时说清楚。

官方描述为：每张异常图像给出病灶区域的中心点坐标与半径，用这个圆来「指示」病灶所在。

但「指示」有两种可能的读法：

读法 A（标记圆 / 定位圆）：这个圆只是告诉你去哪里找病灶，圆心大致落在病灶中央，半径是一个粗略的大小提示。病灶的真实范围通常大于或小于这个圆。

读法 B（包围圆 / 外接圆）：这个圆是病灶的最小外接圆的近似，病灶完全落在圆内。

从可视化经验看，MIAS 的圆更接近读法 A：很多钙化病例的圆画得比实际钙化簇大得多（因为钙化点分散，半径给得宽），而一些边界清晰的肿块，圆又可能略小于实际肿块。也就是说，这个圆不保证覆盖病灶，也不保证不超出病灶。

实际影响：如果你的任务是「用圆生成分割掩膜并当作 ground truth」，那么你会得到一个既高估又低估病灶的分割标签，IoU 上限就已被人为压低。正确的用法是把圆当作弱监督标注（weak label），或者作为注意力引导区域（attention region），而不是像素级分割真值。

4.3 左右乳的命名规则：偶数左、奇数右？

MIAS 有一套关于左右侧别与图像序号的编码约定。常见表述是：

  • 文件名形如 mdb001 到 mdb322；
  • 末位数字的奇偶性与左右乳腺存在对应关系（流传最广的版本是：偶数为左乳，奇数为右乳）。

这条规则需要谨慎对待，原因有三：

  1. 不同资料表述不同。有的写「odd = right」，有的写「even = left」，本质等价，但存在个别资料写反的情况，容易以讹传讹。
  2. 它依赖编号连续性假设。若原始编号存在跳号或重排，奇偶映射到左右的关系可能被破坏。
  3. 单张图像本身往往不足以判断左右。在 MLO 体位下，左右乳的形态高度相似，仅凭肉眼很难百分之百确认一侧，必须依赖元数据。

建议做法：把左右侧别当作弱元数据使用。若任务不涉及左右对称性分析（如双侧对比），可以忽略；若涉及，应先从小样本上人工验证奇偶映射是否成立，再决定是否采用。不要盲目把「偶数左奇数右」写进数据加载器而不加验证——历史教训中「凭印象必错」在此处正是典型。

4.4 六类异常的判定语义

异常图的 Severity 列给出六种亚型，其判定语义与临床含义如下：

代码 全称 中文 典型形态 在分类任务中的处理难点
CALC Calcification 钙化 细小亮点簇 形态微小、与背景噪声难分；常需放大观察
CIRC Circumscribed 边界清晰肿块 类圆形、边界光滑 与良性/恶性判别关键在边界是否 truly 光滑
SPIC Spiculated 毛刺状肿块 边界呈星芒状放射 毛刺细小，低分辨率下易丢失
MISC Miscellaneous 杂类病变 不符合以上类别的其他病变 类内异质性极大，是「难类」
ARCH Architectural 结构扭曲 局部结构紊乱、无明确肿块 无明确边界，检测器难定位
ASYM Asymmetry 不对称致密 双侧密度不对称 需对照对侧才能判断，单图信息不足

三个重要提醒：

  • 六类是「异常形态」标签，不是「病理类型」标签。例如 CALC 并不等于良性，钙化也可能是恶性征象。良性/恶性由 Class 列（BENIGN/MALIGNANT）单独给出。做分类时不要混淆「形态亚型」与「良恶性」两个维度。
  • ASYM 单图几乎不可判。不对称致密本质上是一个「与对侧对比」的概念，而 MIAS 给的是单侧图像。因此 ASYM 类天然缺少判读所需的上下文，模型在这类上表现差是结构性的，不是方法问题。
  • 六类样本极不均衡（各类数量见 §2.3）。CALC 与 CIRC 相对较多，ASYM、ARCH 较少。做六分类时若不处理不均衡，minority 类会被完全忽略。

4.5 从标注到任务的映射：哪些任务 MIAS 真能支撑

标注体系决定了 MIAS 能支撑哪些任务。逐项评估：

任务 定义 MIAS 能否支撑 说明
二分类（正常 vs 异常） 判断图像是否含异常 ✅ 能，且最常用 标签来自 Class 列二值化；样本不平衡约 64:36
三分类（正常/良性/恶性） 区分三个顶层类别 ✅ 能，常用 良性 63、恶性 50，两类都偏少
六分类（异常亚型） 区分 CALC/CIRC/SPIC/MISC/ARCH/ASYM ⚠️ 勉强 类别极不均衡，部分类仅十几张
病灶检测（定位） 输出病灶 bounding box 或圆 ⚠️ 勉强 圆非精确框，只能作为弱监督
病灶分割（像素级） 输出病灶精确轮廓 ❌ 不能直接支撑 圆不是轮廓；需另配 Zenodo 掩膜或自行标注
背景组织分类（F/G/D） 判断乳腺密度 ✅ 能 标签来自 Character 列，但分级标准未见文献
密度回归 回归连续密度值 ❌ 不能 只有三级离散标签
BI-RADS 分级 输出 BI-RADS 类别 ❌ 不能 MIAS 无 BI-RADS 标注
左右对称性分析 对比双侧 ❌ 不能 每人仅单侧单张

结论：MIAS 最稳妥的用法是二分类或三分类的可行性验证，以及背景组织三分类。检测与分割应被明确标注为「弱监督」场景。

4.6 Zenodo 掩膜：第三方像素级标注的补充

由于 MIAS 原生只有圆标注，社区出现了第三方补充的像素级掩膜。典型来源是 Zenodo 上的记录（记录号 10149914，以 NRRD 格式提供乳腺/病灶区域掩膜）。使用时需注意：

  1. 这些掩膜是第三方工作，不是 MIAS 官方标注。质量与标注协议由第三方负责，与本条目 §1 描述的原始库无关。
  2. 掩膜与图像的对齐依赖版本一致。若掩膜基于 Mini-MIAS 某镜像制作，而图像来自另一镜像，可能存在一像素级的错位或方向翻转（水平镜像）。
  3. 引用时应分别标注数据集与掩膜来源，不要把掩膜质量记在 MIAS 老库头上。

4.7 解析 Info.txt 的最小可靠代码路径

综合以上，一个稳健的 Info.txt 解析流程应遵循以下原则（此处只述原则，不给具体实现，避免误导）：

  1. 先探测编码与行尾：确认是 UTF-8/ASCII、\n 还是 \r\n；
  2. 按列宽位置切片，不要用自由空格切分；
  3. 对正常图的空字段做显式容错（既接受 0 也接受空串）；
  4. 把 X/Y/Radius 解析为整数并做范围校验（坐标应在图像尺寸内，半径应为正或 0）；
  5. 交叉校验文件名与 Reference 列是否一致，不一致的记录要单独列出人工检查；
  6. 输出一份解析审计日志，记录每张图的解析结果与异常，而不是静默丢弃。

这套流程看起来繁琐，但 MIAS 的「小而不规整」特性决定了解析错误往往是后续所有指标异常的根源——一张 X/Y 解析错位的图，会让「以病灶为中心裁剪 ROI」得到完全错误的区域，进而让整篇实验结论失真。

4.8 小节：标注体系的三个「不要」

  • 不要把圆当分割真值——它是弱标注，不是轮廓。
  • 不要盲信左右奇偶规则——先验证再用。
  • 不要把形态亚型当病理类型——CALC≠良性，需另看 Class 列。

§5 基准与评估

MIAS 被广泛用作基准，但它没有官方的、被维护的排行榜（leaderboard）。所有「MIAS 上的 SOTA」都是论文自报，划分与协议各异。理解这一点是解读一切 MIAS 数字的前提。

5.1 为什么 MIAS 没有官方排行榜

对比 ImageNet、GLUE、或医学领域的某些挑战赛（challenge），它们都有统一的测试集、统一的评价脚本、统一的提交入口。MIAS 完全没有这些基础设施：

  1. 没有固定划分。官方从未指定哪些图是训练集、哪些是测试集。每篇论文自己划。
  2. 没有统一评价协议。二分类、三分类、六分类、5-fold、10-fold、hold-out，各行其是。
  3. 没有集中提交平台。没有地方强制你用同一套测试图像。
  4. 数据集本身有多个变体（原始 vs Mini、8-bit vs 16-bit），进一步破坏可比性。

直接后果：所谓「在 MIAS 上达到了 99% 准确率」，如果不附带完整协议说明，几乎无法复核，也难以与他人对比。

5.2 一个常见的比较起点：Spandidos 等 2019 的汇总

在大量 MIAS 论文中，Spandidos 等（2019，World Academy of Sciences Journal）的工作常被引用为「方法比较」的参照，因为它把当时多种方法在 MIAS 上的表现放在一起讨论，并报告了较高的分类性能。其价值在于提供了一个方法学对比的样本，而不在于它的数字本身具有权威性。

使用时必须注意：

  • 该文的实验划分、预处理、评价指标需以原文为准，不可凭二手引用转述；
  • 它是「一个团队的一种做法」，不是官方基准；
  • 「高准确率」在 MIAS 这种小样本上的可信度，取决于是否患者级划分、是否报告方差（见 §5.5、§5.6）。

5.3 文献中出现的典型准确率区间（仅作趋势参考）

把大量 MIAS 文献的报告值粗略归拢，可以观察到一个趋势（这些数字不可直接横向比较，仅用于说明「MIAS 上刷到很高分并不稀奇」）：

方法族 任务 常见报告准确率区间 可信度评估要点
手工特征 + SVM/k-NN 二分类/三分类 约 80%–95% 依赖 ROI 与特征选择，方差大
传统机器学习 + 集成（RF/XGBoost） 二分类 约 85%–97% 易受特征泄漏影响
CNN 迁移学习 二分类 约 88%–99% 划分与预处理不透明时存疑
专用网络 + 注意力/多尺度 二分类 约 95%–99%+ 小样本上极易过拟合，需严格验证

解读：区间之所以这么宽，不是因为方法差别真有这么大，而是因为协议差别这么大。一个 92% 的手工特征结果，可能比一个 99% 的 CNN 结果更可靠——如果前者做了严格的患者级划分，而后者做了图像级随机划分。

5.4 预处理差异为何让数字不可比

同一批 MIAS 图像，经过不同预处理，会得到统计上显著不同的分类结果。主要差异来源：

  1. 是否裁剪乳腺区域：整图 vs 裁剪。整图输入会把大量背景算力浪费，裁剪则引入「裁剪框怎么定」的自由度。
  2. 是否去除胸肌：MLO 体位图像右上/左上常有胸肌区域，其灰度分布与病灶区域不同，不去除会干扰。去与不去，结果不同。
  3. 是否做直方图均衡 / CLAHE：对比度增强能显著改变纹理特征的分布。
  4. 是否 resize、resize 到多少：1024→224 与 1024→512 对纹理类特征影响巨大。
  5. 是否做数据增强、增强多少：在 322 张图上做激进增强，等价于人为改变样本分布。
  6. 是否归一化、用谁统计量归一化：用全库统计量 vs 用训练折统计量，会影响泄漏。

结论：任何两个 MIAS 数字的对比，如果不控制这六项，都是在比较「预处理配方」而非「方法优劣」。

5.5 数据泄漏：MIAS 评估中最隐蔽的陷阱

MIAS 有 161 名患者、322 张图。平均每位患者贡献约 2 张图。这一结构带来一个致命的数据泄漏风险：

若按图像级随机划分：同一位患者的不同图像可能同时落入训练集和测试集。由于同一患者的乳腺组织形态、密度、甚至病灶特征高度相似，模型可以「记住」这位患者，在测试集上取得虚高成绩，但这不代表它学到了可泛化的病灶判别能力。

正确做法：患者级划分（patient-level split）——同一患者的所有图像必须整体归入训练集或测试集，不能跨集。

为什么这个问题特别严重：如果把 322 张图按 80/20 图像级随机划分，看似测试集有 ~64 张、样本量够；但患者级划分后，测试集患者数只有约 30 位，每位 1–2 张，测试集的独立患者数其实非常少，导致指标方差极大。这正是 §3.1 指出的「统计功效不足」在评估层面的体现。

MIA 的分类论文中，不声明划分粒度是常态，这使大量高准确率结果实际上可能带有数据泄漏。读者在采纳任何 MIAS 结论前，应优先确认划分粒度。

5.6 小样本下的评价指标选择

在 322 张图上，指标的选择本身就是一门学问：

  • Accuracy 在类别不均衡时会误导。正常样本约 207/322（约 64%），一个「全预测为正常」的平凡分类器就能拿到约 64% 准确率。因此 64% 附近的数字几乎没有信息量。
  • 应报告 balanced accuracy、AUC、F1（宏平均）、以及各类别的 precision/recall。
  • 必须报告方差或置信区间。单次 5-fold 的 accuracy 点估计在小样本上极不稳定，应报告均值±标准差，或多次重复划分的结果。
  • 恶性类的 recall 尤其关键。在临床语境中，漏掉恶性（false negative）的代价远高于误报（false positive）。只看 accuracy 会掩盖对恶性类漏检的问题。

5.7 从 MIAS 迁移到现代数据集时的「成绩跳水」

一个反复被观察到的现象：在 MIAS 上表现优异的模型，迁移到 CBIS-DDSM、INbreast 等更大更现代的乳腺数据集时，性能往往明显下降。原因主要有四：

  1. 域偏移：MIAS 是胶片扫描（含颗粒噪声），现代数据集多为数字钼靶，噪声模式与灰度分布不同。
  2. 规模与复杂度：MIAS 的病灶形态相对「典型」，现代数据集包含更多边缘病例与复杂背景。
  3. 标注粒度：MIAS 用圆定位，模型可能学会「找圆形区域」而非「识别病灶特征」；现代数据集用精确轮廓，任务更难。
  4. 过拟合：在 322 张图上学到的决策边界，未必覆盖真实病灶的多样性。

实践建议：把 MIAS 用作开发期的快速验证台，把 CBIS-DDSM/INbreast 用作泛化能力的真实考场。仅在 MIAS 上刷分的模型不应被报告为「达到临床级性能」。

5.8 复现 MIAS 结果的检查清单

要让一项 MIAS 结果可被复现，论文/代码至少应提供：

  • [ ] 明确使用的是原始 MIAS 还是 Mini-MIAS，位深与图像尺寸；
  • [ ] 明确的预处理流水线（裁剪、去胸肌、增强、resize 参数）；
  • [ ] 明确的划分粒度（患者级 vs 图像级）与随机种子；
  • [ ] 明确的折数与每折样本量；
  • [ ] 报告多指标（accuracy/balanced accuracy/AUC/F1）与方差；
  • [ ] 二/三/六分类的定义与冲突消解规则；
  • [ ] 代码或配置公开（理想情况）。

七项中缺一项，复现性就打一分折扣。 这也是本条目把「MIAS 数字不可比」反复强调的根本原因。

5.9 小节：评估三原则

  • MIAS 无官方基准，一切数字需自带协议；
  • 划分必须患者级，否则分数不可信；
  • MIAS 刷分易、泛化难，迁移性能才是真章。

§6 授权、版本与获取路径

MIAS 的授权史，是理解它「为什么能在各种论文里自由出现、又为什么常常说不清出处」的关键。它经历了从机构内部研究资料到公开再分发的过程，权限口径在不同镜像站点并不统一，甚至连「原始 MIAS」和「Mini-MIAS」的许可措辞有时会被混着写。

§6.1 授权版图：至少三种口径

按现有可得资料，MIAS 的授权至少存在以下三种表述：

口径 载体 许可措辞 备注
原始研究用途 早期 PEIPA / 论文随附 research use only PEIPA 站点已下线
现版公开再分发 剑桥 Apollo 仓储（v1.21） CC BY 2.0 UK 明确署名要求
聚合平台转述 Kaggle 等镜像 跟随原站或未标注 需要自己回看原始条款

三者的关键差异在于「可否商用」与「是否要求署名」：research-only 口径通常排除商用；CC BY 2.0 UK 允许商用但要求署名。论文里只写「from MIAS database」而不指明是从哪一版、哪一许可取得的，是无法核对的。

§6.2 版本链：v1.21 与「原版」不是同一件事

  • 早期形态：1994 年论文描述的原始 MIAS，以机构内资料与 PEIPA 分发为主，属于 research-only 语境。
  • 现版形态：剑桥 Apollo 上署为 MIAS v1.21，采用 CC BY 2.0 UK，这是目前可引用、可核对的最明确版本。
  • Mini-MIAS：由原图下采样得到，通常与现版一并分发，因此继承现版许可；但「Mini-MIAS 单独授权」的说法在公开资料中并不成立。

引用时，建议写到版本号 + 仓库 + 许可三要素，例如「MIAS v1.21, University of Cambridge Apollo repository, CC BY 2.0 UK」。只写「MIAS 1994」在 2026 年看是不够的，因为 1994 年论文的授权语境与现版并不相同。

§6.3 镜像的增殖：为什么同一个 MIAS 有几十种「版本」

MIAS 因为体积小、经典、无争议，被大量平台二次分发。常见镜像形态包括：

  • 剑桥 Apollo 仓储的 v1.21 压缩包；
  • Kaggle 上的 kmader/mias-mammography 等转存（常附 CSV 索引）；
  • 各类 GitHub 仓库内嵌的图片子集；
  • 教学课程与教材附带包。

镜像带来的典型问题有三类：

  1. 命名漂移：同一张图在不同镜像中文件名大小写或前后缀不同；
  2. 索引漂移：镜像自带的 CSV 列名改了，与原始 Info.txt 的七列对不上；
  3. 子集漂移：有的镜像只转了正常类或只转了 Mini-MIAS。

§6.4 存储体积的两个口径

关于 MIAS 的存储体积，公开资料存在两个不同数值：

口径 数值 推测依据
常见二手引用 约 1.51 GB 可能指原图某一打包形态
另一常见引用 约 3.16 GB 可能指含 Mini-MIAS 或未压缩形态

这两个数都不是「错误」，而是打包/压缩/是否含 Mini-MIAS 的差别。写论文时若引用体积，应说明是哪个包。本条目在 §2.2 已把这组冲突记录在案。

§6.5 合规使用建议

对真正要用 MIAS 的读者：

  1. 优先从剑桥 Apollo 取 v1.21，保留下载记录与许可截图；
  2. 论文引用写全：版本号、仓库、许可、访问日期；
  3. 不要在未核对条款前商用，尤其当你的源是某个未标注许可的镜像；
  4. 若要再分发，遵守 CC BY 2.0 UK 的署名要求，并注明修改（如重采样、裁剪）；
  5. 若你的研究受机构伦理要求约束，注意 MIAS 是 1994 年英国筛查体系的历史数据，其原始知情同意的具体范围并未在公开资料中详述，使用时应说明数据的历史性质。

一句话总结：MIAS 现在能合法、方便地获取，但「方便」不等于「出处清楚」。默认按 CC BY 2.0 UK 引用 v1.21，是最稳的做法。

§7 生态位与互链点

MIAS 不是孤立存在的。它在乳腺影像数据集谱系里占据「最古老、最小、最干净、最常被当入门基准」的位置。理解它的生态位，有助于解释为什么它至今仍被引用，也有助于判断什么时候该换用更现代的数据集。

§7.1 乳腺影像数据集的时间谱系

按公开可得的发布时间大致排列，可以看出一条约 30 年的演进线：

数据集 大致年代 规模 定位
MIAS 1994 322 图 / 161 患者 最早公开乳腺 X 光基准
DDSM 1990s 末 数千例 更大规模、多机构
CBIS-DDSM 2010s 中 DDSM 的清洗子集 现代深度学习的常用替代
INbreast 2012 410 图 全视野数字乳腺摄影（FFDM）
BUSI 2020 数百图 乳腺超声
BUS-BRA 2020s 超声 巴西队列
CMMD 2020s 中国乳腺队列 中文语境、专用设备

MIAS 是这条线的起点，它的很多「缺陷」（小、老、仅 MLO、胶片数字化）正是后来者要解决的问题。

§7.2 与主要近邻数据集的关系

与 CBIS-DDSM

CBIS-DDSM 常被视为「MIAS 的现代升级版」：同为乳腺 X 光、同为公开基准，但规模大得多、标注更结构化。实践中常见做法是：在 MIAS 上做方法原型，在 CBIS-DDSM 上做规模化验证。两者并列引用时，应说明你在 MIAS 上验证的是「小样本可行性」，而非「泛化性能」。

与 INbreast

INbreast 使用 FFDM（全视野数字乳腺摄影），图像特性与 MIAS 的胶片数字化图差异明显：位深、噪声模型、乳腺摆位都不同。把 INbreast 训练模型直接迁到 MIAS 上，或反之，都会遇到域偏移。两者互链时要点是「同任务、不同成像域」。

与 BUSI / BUS-BRA

这两个是超声数据集，模态与 MIAS 不同（超声 vs X 光）。它们与 MIAS 的关联主要在「同一临床任务的跨模态对照」：乳腺癌检出的任务框架相似，但输入信号物理性质完全不同。不要把跨模态迁移成绩与同模态迁移成绩混为一谈。

与 CMMD

CMMD 是中国乳腺队列，人群特征、设备、筛查流程与英国 NBSP 背景的 MIAS 差异很大。两者互链的看点是「人群域偏移」：在 MIAS 上调好的阈值，直接搬到 CMMD 上大概率不适用。

§7.3 与本站已收条目的互链点

本条目所在站点已收录若干乳腺与医学影像相关条目，MIAS 与它们的自然互链点如下：

已收条目（slug） 关联类型 互链理由
cbis-ddsm 同模态后继 乳腺 X 光、规模升级版
inbreast 同任务异域 乳腺 X 光、FFDM 成像
busi 跨模态 乳腺超声、同临床任务
bus-bra 跨模态 乳腺超声、队列差异
cmmd 跨人群 中国乳腺队列、域偏移
vindr-mammo 现代升级 大规模乳腺 X 光筛查集
swiss-mammo 现代升级 乳腺密度/筛查
tn-mammo-breast-density 任务相关 乳腺密度评估
mass 任务相关 肿块检测/分割

注意：以上 slug 与关联类型依据的是查重检索时看到的条目名，具体条目内容以各自页面为准。互链的价值在于帮助读者建立「数据集谱系」心智，而不是简单堆链接。

§7.4 MIAS 在生态中的独特价值

尽管规模小、年代久，MIAS 仍有三点不可替代的价值：

  1. 可完全本地复现：322 张图，任何笔记本电脑都能跑完全套实验；
  2. 标注语义清晰：圆心 + 半径的标注方式简单直白，适合教学；
  3. 历史基线地位：作为最早公开的乳腺 X 光基准，它是文献计量意义上的「原点」，很多方法的第一次验证都发生在它上面。

§7.5 什么时候应该换掉 MIAS

如果你的目标是：

  • 训练生产级模型 → 换 CBIS-DDSM / VinDr-Mammo / Swiss-Mammo；
  • 研究乳腺密度 → 换 TN-Mammo-Breast-Density 等专用集；
  • 研究超声 → 换 BUSI / BUS-BRA；
  • 研究跨人群泛化 → 保留 MIAS 作源域、搭配 CMMD 等目标域。

MIAS 更适合当「教学与基线」，而不是「主训练集」。 把它当唯一训练集却宣称泛化能力，是文献里最常见的高估来源之一。

§8 典型应用场景与实践范式

MIAS 在过去三十年里被用于几乎每一类乳腺影像分析任务。理解它的应用范式，比记住某篇论文的准确率数字更重要。

§8.1 三类任务的实践定位

任务 典型输入 MIAS 的适配度 备注
分类（正常/良性/恶性） 整图或 ROI 高 最经典用法
异常检测 整图 中 标注为圆，检测框需求需转换
病灶分割 ROI 圆内 中 圆标注≠像素级掩膜
图像生成/增强 整图 中 小样本易过拟合
迁移学习预训练 整图 低-中 规模小，收益有限

核心结论：MIAS 最适合「分类任务的入门与基线复现」，不太适合「出生产级成绩」。

§8.2 范式一：手工特征 + 传统分类器

这是 1990s 末到 2010s 初的主力范式。典型流程：

  1. 从 ROI 圆内提取形状/纹理/密度特征；
  2. 特征选择（如 PCA、LDA 或基于统计的筛选）；
  3. 送入 SVM / k-NN / 决策树等分类器；
  4. 交叉验证评估。

该范式的优点：可解释、算力低、可完全本地复现。缺点：特征工程结果强依赖预处理，不同论文的特征集不同导致数字不可比。这一代方法在 MIAS 上常报出很高的准确率，但高准确率很大程度上来自特征与标签在同一小样本上的反复调优，泛化存疑。

§8.3 范式二：CNN 迁移学习

2015 年后成为主流：用在 ImageNet 上预训练的 CNN，替换分类头后在 MIAS 上微调。典型问题：

  • 输入尺寸不匹配：原始/Cropped MIAS 尺寸与 ImageNet 输入不同，resize 会改变病灶的相对尺度；
  • 单通道 vs 三通道：灰度图复制成三通道输入，可能引入虚假相关性；
  • 数据增强过度：小样本上强增强可能破坏病灶形态；
  • 微调层数：全量微调 vs 只训分类头，结果差异大。

这一代方法在 MIAS 上几乎必然报出 90%+ 准确率，但这更可能是小样本 + 过参数化的结果，而非方法优越。

§8.4 范式三：专用网络 + 分割/检测

近年出现针对 MIAS 设计的分割/检测网络，常搭配：

  • 由圆心/半径派生的弱标签训练分割；
  • 或使用 Zenodo 提供的 NRRD 掩膜（注意其与原圆标注的口径差异）；
  • 结合注意力、多尺度等模块。

该范式的价值在于把 MIAS 从「分类玩具」推进到「分割/检测可用」，但代价是标注口径不一致带来的评估噪声（见 §4）。

§8.5 实践工作流建议

对首次使用 MIAS 的研究者，推荐流程：

  1. 先跑通 baseline：整图三分/二分，患者级划分，记录随机种子；
  2. 再做 ROI 实验：用 Info.txt 的圆心+半径裁 ROI，对比整图效果；
  3. 再试迁移：ImageNet 预训练 + 微调，注意输入尺寸与通道处理；
  4. 最后做消融：逐一移除预处理步骤，看哪一步才是数字的主要来源；
  5. 始终报告方差：小样本下点估计毫无意义。

§8.6 常见工程陷阱速览

  • 把 Info.txt 的列名当固定 schema：不同镜像的列名/顺序可能变了；
  • 忽略左右命名规则：直接按文件名奇偶推左右有风险（见 §4.3）；
  • 把 CALC 的 25 与 34 混用：这是历史遗留的口径冲突；
  • 用 Mini-MIAS 的数字去对原始 MIAS 的图：两者一一对应但分辨率不同；
  • 在划分前做全量归一化：造成信息泄漏，患者级划分尤其致命。

§9 避坑清单

以下是使用 MIAS 时最容易踩的坑。每条都给出了「坑是什么」与「怎么躲」。

坑 1：把 Mini-MIAS 当原始 MIAS

Mini-MIAS 是原始 MIAS 的下采样版本（约 200 μm、1024×1024），两者逐图对应但不是同一批文件。常见错误是：论文声称用了原始 MIAS，实际下的是 Mini-MIAS。躲法：核对图像尺寸与像素间距，明确写出用的是哪一版。

坑 2：忽略「仅 MLO 视图」这一限制

MIAS 只提供 MLO（mediolateral oblique，内外斜位） 视图，没有 CC（头尾位）视图。这直接影响任何「双视图融合」类方法的适用性。躲法：不要把 MIAS 用于双视图研究；若必须，明确说明是单视图代理。

坑 3：把圆心+半径标注当成分割掩膜

Info.txt 给出的是病灶中心与半径，定义的是一或多层圆，不等于像素级病灶轮廓。直接拿它当分割 GT，会把大量背景算进病灶。躲法：如需分割 GT，用专门导出的掩膜（如 Zenodo 版本），并说明其与原圆标注的差异。

坑 4：患者级划分缺失导致数据泄漏

322 张图来自 161 位患者，每人约 2 张。若按图像随机划分，同一患者的左右图会同时进训练与测试，造成泄漏。躲法：严格按患者划分，并公开划分脚本与种子。

坑 5：CALC 计数口径混用

关于钙化（CALC）类，公开资料存在 25 与 34 两个数字（对应不同统计口径）。在同一篇文章里混用，会让读者以为数据自相矛盾。躲法：选定一个口径，标注来源与定义，前后一致。

坑 6：把「三分类」与「六分类」的准确率互相比

MIAS 的异常可分六类（CALC/CIRC/SPIC/MISC/ARCH/ASYM），疾病可分三/二类。「六分类准确率」与「三分类准确率」根本不是同一难度，不能横向比较。躲法：报告时写清任务定义与类别数。

坑 7：忽略背景组织类别（F/G/D）

MIAS 除异常类别外，还有背景组织分类：F（脂肪）/G（腺体）/D（致密），分别约 106/104/112 张。有人把组织类别与异常类别混为一谈。躲法：区分「组织类型」与「异常类型」两套标签体系。

坑 8：在小样本上追求点估计精度

161 位患者意味着任何测试集都很小，准确率的置信区间极宽。报一个 98% 而不给区间，几乎无意义。躲法：报告多折结果的均值与标准差，或置信区间。

坑 9：用 MIAS 刷分后宣称泛化

在 MIAS 上过拟合极易，迁移到 CBIS-DDSM/INbreast 常大幅跳水。躲法：把跨数据集验证作为必要环节，而非可选项。

坑 10：忽略图像来源的物理差异

MIAS 是胶片数字化（Joyce-Loebl 旋转鼓显微密度计，50 μm 采样），与现代 FFDM 的数字成像在噪声、动态范围、伪影上差异巨大。躲法：涉及跨设备泛化的结论必须做域适应实验。

坑 11：盲信二手综述的数字

大量综述转抄 MIAS 的各类计数，但互相矛盾（本条目已记录 9 处双口径冲突）。躲法：关键数字回到原始论文或官方 Info.txt 核对。

坑 12：忽视文件名的左右命名不确定性

文件名偶=左、奇=右是常见说法，但并非在所有镜像/子集里都严格成立。躲法：不要基于文件名做临床侧别的强假设，或先抽样核对。

§10 快速上手与复现指南

本节给出从零获取 MIAS / Mini-MIAS、读懂标注文件、搭一条最小可用基线的完整操作路径。所有命令都在一个隔离的 Python 环境里执行，不依赖任何需要登录或付费的资源。

§10.1 环境准备

建议用 conda 或 venv 建一个干净环境，只装必要依赖：

python3 -m venv venv-mias
source venv-mias/bin/activate

pip install numpy pandas matplotlib scikit-learn pillow
pip install torch torchvision        # 若要跑 CNN 基线
pip install pydicom                   # 仅当你拿到 DICOM 版本时用

MIAS 原始分发里的图像是 PGM（Portable Gray Map）格式，不是 DICOM。这是 1990 年代英国学术数据集的典型做法——PGM 无元数据、无压缩、纯灰度，读取极为简单，但也意味着没有任何嵌入的患者信息或采集参数，一切元数据只能靠旁路的 Info.txt 提供。

§10.2 获取与解压

三个可行入口，按推荐顺序排列：

入口一：Kaggle 镜像（最省事）

# 需要先配置 Kaggle API 凭据（~/.kaggle/kaggle.json）
pip install kaggle
kaggle datasets download -d kmader/mias-mammography
unzip mias-mammography.zip -d mias_raw

这是社区里流传最广的镜像，通常包含 Info.txt 与全部 322 张 PGM。注意镜像可能把原始目录结构重新排布过，解压后务必核对文件数是否为 322。

入口二：剑桥 Apollo 仓库

# 通过浏览器或 curl 从 Apollo (doi:10.17863/CAM.105113) 下载
curl -L -o mias.zip "https://www.repository.cam.ac.uk/..."
unzip mias.zip

剑桥版本标称 CC BY 2.0 UK，是你若要做正式发表时授权最干净的选择。但要注意：这个版本的条目描述里同时挂着「research only」的旧措辞，属于历史遗留，使用时以页面当前声明的 license 为准并保留网页快照。

入口三：PEIPA 存档（大概率已失效）

PEIPA（Pilot European Image Processing Archive，埃塞克斯大学）是 MIAS 最早的官方分发点，peipa.essex.ac.uk/info/mias.html 是无数论文引用的原始 URL。截至撰写时该站点已不可达。若你的引用列表里还挂着 PEIPA，建议改用 Apollo DOI 或 Kaggle 镜像，并在正文注明分发点迁移。

§10.3 最小读取脚本

解压后，先用三十行代码把「图像—标签」对齐，跑通再谈模型：

import os, re
import numpy as np
from PIL import Image
import pandas as pd

IMG_DIR = "mias_raw"          # 调整为你解压后的目录
INFO = "mias_raw/Info.txt"    # 标注文件

# 1) 读标注
rows = []
with open(INFO, "r") as f:
    for line in f:
        line = line.strip()
        if not line or line.startswith("#"):
            continue
        parts = re.split(r"\s+", line)
        rows.append(parts)
meta = pd.DataFrame(rows)

# Info.txt 的列数在不同镜像里可能漂移，
# 稳妥做法是先打印前几行，人工确认列语义再命名。
print(meta.head())

# 2) 读图像
def load_pgm(path):
    return np.array(Image.open(path).convert("L"))

imgs = {}
for root, _, files in os.walk(IMG_DIR):
    for fn in files:
        if fn.lower().endswith((".pgm", ".png", ".jpg")):
            imgs[fn] = os.path.join(root, fn)

print("图像总数 =", len(imgs))

关键校验点有两个：图像总数应为 322；Info.txt 的行数应能一一对上图像文件名。如果对不上，说明你拿到的镜像做过子集裁剪或重命名，先把对齐关系钉死，后面所有统计才有意义。

§10.4 解析 Info.txt 的七列

Info.txt 每行代表一张图像，列之间用空格或制表符分隔。标准列定义大致为：

列序 含义 取值说明
1 参考编号 形如 mdb001，含 mdb 前缀与三位序号
2 背景组织类型 F 脂肪 / G 腺体 / D 致密
3 异常类别 CALC/CIRC/SPIC/MISC/ARCH/ASYM，或 NORM
4 异常严重程度 B 良性 / M 恶性
5 异常位置 x 圆心横坐标（像素）
6 异常位置 y 圆心纵坐标（像素）
7 异常半径 标记圆半径（像素）

必须提醒：不同镜像的列顺序、列名、甚至是否合并了「背景组织」与「异常类别」两列，都有可能不一致。网上存在把第 6 列当作标签、把第 3 列当作坐标的错误解析脚本。正确做法是：先打印原始前二十行，肉眼比对官方文档描述，再写解析器。

§10.5 左右侧命名规则

MIAS 的文件名编码了左右侧信息，通行规则是：

  • 偶数编号 → 左乳（left）
  • 奇数编号 → 右乳（right）

例如 mdb001 为奇数，对应右乳；mdb002 为偶数，对应左乳。但这条规则有三个坑：

  1. 不同镜像对编号的奇偶解释偶有出入，个别论文直接按文件名排序后推定，结果左右颠倒。
  2. 编号本身并不承载任何临床含义——它只是扫描顺序的产物，不要把它当成患者 ID 或时间序。
  3. 由于每个病例只有一幅 MLO 视图，左右侧信息无法用于「双侧对照」分析，它只是一个描述性字段。

§10.6 搭一条最小基线

在花哨之前，先用最朴素的方法建立性能下界：

from sklearn.model_selection import StratifiedGroupKFold
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score

# 假设 X 是手工特征矩阵，y 是良/恶性标签，groups 是患者/病例编号
# 注意：MIAS 每个病例只有一幅图，"患者级"分组基本等价于图像级，
# 这里的 groups 主要用于防止同一编号在多个 fold 中重复出现。
skf = StratifiedGroupKFold(n_splits=5, shuffle=True, random_state=42)

aucs = []
for tr, te in skf.split(X, y, groups):
    clf = RandomForestClassifier(n_estimators=300, random_state=42)
    clf.fit(X[tr], y[tr])
    proba = clf.predict_proba(X[te])[:, 1]
    aucs.append(roc_auc_score(y[te], proba))

print("AUC = %.3f ± %.3f" % (np.mean(aucs), np.std(aucs)))

手工特征可以从最简单的统计量开始：图像均值、方差、直方图分位数、背景区域的纹理能量。这一步的目的不是刷分，而是确认你的数据管道是通的——如果连手工特征的 AUC 都远低于 0.5，那多半是标签对齐出了问题，而不是模型不行。

§10.7 迁移学习基线的正确姿势

拿到手工基线后，再上 CNN。要点：

import torchvision.transforms as T

tf = T.Compose([
    T.Grayscale(num_output_channels=1),
    T.Resize((224, 224)),
    T.ToTensor(),
    T.Normalize(mean=[0.5], std=[0.5]),
])
  • 输入通道：MIAS 是单通道灰度，而多数 ImageNet 预训练模型吃三通道。要么复制成三通道，要么改第一层卷积，两种做法都要在论文里写明。
  • 分辨率：原始 1024×1024，直接下采样到 224×224 会丢掉大量微钙化细节（钙化点可能只有几个像素）。对 CALC 类任务，这一步的损失尤其大。
  • 窗口：把乳腺区域从整幅图中裁出来（去掉大面积黑色背景）再送入网络，效果通常优于直接整图输入。
  • 数据增强：水平翻转对左右乳是否合理，取决于你的任务语义；对「有无恶性」分类可以，对左右侧分类则不行。

§10.8 公平比较的元数据

做任何报告时，同时给出下面这些元信息，否则数字无意义：

元信息 说明
划分方式 图像级 / 患者级 / 固定折
是否排除 NORM 若只做 B vs M，须说明排除了 207 张正常图
类别定义 三分类（正常/良性/恶性）还是六分类（按异常类型）
预处理 是否裁剪 ROI、是否直方图均衡、是否 CLAHE
分辨率 是否下采样、下采样到多少
重复次数 单次划分还是 N 折、是否报告方差
数据来源版本 原始 MIAS 还是 Mini-MIAS（200 μm / 1024×1024）

缺了其中任意一项，你的数字就没法和其他论文对齐。

§10.9 复现检查清单

在把结果写进论文前，逐条打勾：

  • [ ] 图像总数与官方数字（322）一致，差异有解释
  • [ ] 标注文件列语义已与官方文档比对，非凭猜测
  • [ ] 左右侧命名规则已按官方说明而非文件名奇偶直觉处理
  • [ ] 训练/验证划分在病例层面无泄漏
  • [ ] 正常图像（NORM）是否纳入评估已明确声明
  • [ ] 异常类别口径（CALC 25 还是 34）已明确并注明来源
  • [ ] 使用了原始 MIAS 还是 Mini-MIAS 已写明，未混用
  • [ ] 报告了多次运行的方差，未只给单次最优点
  • [ ] 对 NORM 与病灶图分别报告了指标，未混为一谈

§11 常见问题解答（FAQ）

Q1：MIAS 和 Mini-MIAS 是同一个东西吗？

不是。MIAS 是原始胶片扫描数据集，像素尺寸约 50 μm；Mini-MIAS 是后来的下采样版本，像素约 200 μm、统一 1024×1024。两者图像内容对应，但分辨率、文件体积、细节保留程度都不同。论文里说「用了 MIAS」而不指明版本，是不严谨的。

Q2：为什么我下载到的 MIAS 只有 322 张图，论文却说有更多？

322 是图像数（每例一幅 MLO）。如果你看到的数字更大，通常是他人做的数据增强或跨库合并结果，不是 MIAS 本体的规模。MIAS 只有 161 例、322 幅图。

Q3：MIAS 只有 MLO 视图，会不会影响我的模型泛化？

会，且影响往往被低估。真实筛查中通常需要 CC 与 MLO 两个视图互相印证。只用 MLO 训练的模型，学到的可能是特定投影几何下的伪特征，换到 CC 视图或别的设备上会明显掉点。

Q4：Info.txt 里的圆心和半径能当分割掩膜用吗？

不能直接当。圆心加半径定义的是标记圆，用来圈出病灶大致位置，不是精确的病灶轮廓。把它当 GT 掩膜去训练分割网络，会让模型学习「画圆」而不是「找病灶」。若需要分割 GT，应使用后来发布的改进标注（如 Zenodo 上的 NRRD 掩膜版本）。

Q5：MIAS 的 CALC 类到底有多少例？

存在两个口径。原始论文与多数二手综述给出 25；另有资料统计出 34。差异来自「是否把同时含钙化与其他异常的多标签病例重复计入」。写论文时必须选定一个口径并注明来源，不能两个数字混着用。

Q6：为什么我在 MIAS 上轻松做到 99% 准确率，却被审稿人质疑？

两个常见原因：一是数据泄漏——在图像级划分下，同一病例的相似图可能同时进了训练和测试；二是样本太小，322 张图里恶性只有约 51 张，几次划分的波动极大，「99%」很可能是某一次幸运划分的结果。请在病例级划分下重复多次并报告方差。

Q7：MIAS 需要申请才能用吗？

取决于你拿到的版本。原始协议是「仅限研究用途」，剑桥 Apollo 的 v1.21 标为 CC BY 2.0 UK，Kaggle 镜像则跟随分发者转述。要做正式发表，建议以 Apollo 页面当前声明为准，并保留授权快照。

Q8：PEIPA 打不开了，我的引用怎么办？

PEIPA 是 MIAS 最早的官方分发点，现已不可达。建议把引用改为原始论文（Suckling et al., 1994）加上当前可用托管点（Cambridge Apollo DOI 10.17863/CAM.105113），并在正文说明分发点迁移，避免读者照着死链找数据。

Q9：用 MIAS 训练的结果能和 CBIS-DDSM 上的结果直接比吗？

不能。两者在样本量、成像设备、标注粒度、类别定义上都不一致。CBIS-DDSM 是 DDSM 的整理版，规模远大于 MIAS。跨库数字只能定性参考，不能横向排名。

Q10：MIAS 还值得做吗？

作为方法验证和教学入门，值得；作为「证明方法优越」的主战场，不值得。它的价值在于门槛低、经典、便于快速验证想法，而不是提供有统计说服力的性能证据。把它当 ladder 的底档，而不是终点。

Q11：为什么不同论文报告的 MIAS 类别分布对不上？

因为 MIAS 的标注本身存在多标签与口径分歧。正常图 207/206/209、良性 63/64/65/62、恶性 50/51/52 这几组数字都在文献里出现过，根源是「NORM 是否包含仅有背景组织异常但无病灶的图」「多异常病例如何归类」等定义差异。这是 MIAS 的固有特性，不是谁抄错了。

Q12：MIAS 的图像能直接喂给现代 ViT 吗？

技术上可以，但收益有限。图像太小、样本太少、类别不均衡，ViT 这类大模型在 MIAS 上极易过拟合。若要用，务必强正则、小学习率、冻结大部分层，并把 MIAS 仅作为下游微调的小验证集，而不是从头训练。

事实清单（Fact Sheet）

以下条目均可回溯到公开来源，供引用与核对。

  1. 数据集官方名称为 Mammographic Image Analysis Society Digital Mammogram Database，通称 MIAS。
  2. 首发论文为 Suckling J. 等，1994 年，收录于 Excerpta Medica International Congress Series 1069，pp. 375–378。
  3. 该论文未分配 DOI（1994 年尚无此惯例）。
  4. 剑桥 Apollo 仓库对其整理版本的 DOI 为 10.17863/CAM.105113。
  5. 数据集由英国乳腺筛查计划（NBSP，1988 年启动）相关影像资源构建。
  6. 图像经 Joyce-Loebl 旋转鼓式显微密度计数字化，原始像素约 50 μm。
  7. Mini-MIAS 为下采样版本，像素约 200 μm，统一 1024×1024。
  8. MIAS 共 161 例病例。
  9. MIAS 共 322 幅图像，每例仅一幅，均为 MLO 视图。
  10. 正常（NORM）图像数量存在 207 / 206 / 209 三个口径。
  11. 良性病例图像数量存在 63 / 64 / 65 / 62 四个口径。
  12. 恶性病例图像数量存在 50 / 51 / 52 三个口径。
  13. 背景组织类型统计为脂肪 F=106、腺体 G=104、致密 D=112。
  14. 异常六分类为 CALC（钙化）、CIRC（边界清晰圆形肿块）、SPIC（毛刺状肿块）、MISC（其他）、ARCH（结构扭曲）、ASYM（不对称）。
  15. 六类异常合计约 115 例，其中含良性可触知肿块与恶性可触知肿块两类细分。
  16. CALC 类数量存在 25 与 34 两个口径。
  17. 微钙化（μC）统计为 25 幅图中 28 个簇；Mini-MIAS 中为 23。
  18. 标注格式为「圆心坐标 + 半径」，定义的是标记圆而非分割轮廓。
  19. Info.txt 为标准旁路标注文件，含参考编号、背景组织、异常类别、严重程度、坐标与半径共七类信息。
  20. 文件名左右侧规则通行为偶左奇右。
  21. 原始分发点 PEIPA（埃塞克斯大学）现已不可达。
  22. 存储体积存在约 1.51 GB 与约 3.16 GB 两个口径，差异源于压缩与格式。
  23. 授权存在「原始仅研究用途」「剑桥 Apollo v1.21 CC BY 2.0 UK」「Kaggle 镜像跟随转述」三种口径。
  24. Zenodo 记录 10149914 提供了 NRRD 格式的改进掩膜。
  25. 已有多个乳腺影像数据集与其形成谱系对照：DDSM、CBIS-DDSM、INbreast、BUSI、BUS-BRA、CMMD。
  26. 站内已收录可互链条目包括 cbis-ddsm、inbreast、busi、bus-bra、cmmd、vindr-mammo、swiss-mammo、tn-mammo-breast-density、mass。
  27. MIAS 上报道的分类准确率因任务与预处理差异巨大，缺乏统一排行榜。
  28. 使用 MIAS 时最易发生的数据泄漏来源是图像级（而非病例级）训练测试划分。
  29. MIAS 常被用作方法论文的入门验证集，而非最终性能证据。
  30. 三代使用范式为：手工特征 + 传统分类器 → CNN 迁移学习 → 专用分割/检测网络。

术语表（Glossary）

术语 英文/缩写 释义
乳腺钼靶 Mammography 用低剂量 X 线对乳腺成像的检查方式
MLO 视图 Mediolateral Oblique 从侧上到侧下的斜位投影视角
CC 视图 Craniocaudal 从上到下的轴位投影视角
钙化 Calcification (CALC) 乳腺组织内钙盐沉积，微钙化是重要恶性征象
圆形肿块 Circumscribed Mass (CIRC) 边界清晰、形态规则的肿块
毛刺状肿块 Spiculated Mass (SPIC) 边缘呈放射状毛刺的肿块，恶性可能性高
结构扭曲 Architectural Distortion (ARCH) 组织正常结构被破坏、牵拉变形
不对称 Asymmetry (ASYM) 双侧乳腺组织密度分布不对称
微钙化 Microcalcification (μC) 直径小于约 1 mm 的钙化点，常成簇出现
背景组织 Background Tissue 病灶以外乳腺实质的密度类型（脂肪/腺体/致密）
标记圆 Marker Circle 以圆心和半径圈定病灶大致范围的粗略标注
显微密度计 Microdensitometer 逐点测量胶片光学密度从而数字化的设备
数字乳腺体层合成 DBT 通过多角度投影重建乳腺三维结构的技术
数据泄漏 Data Leakage 训练集与测试集存在信息重叠导致评估虚高
患者级划分 Patient-level Split 按病例（而非图像）划分训练测试集
放射组学 Radiomics 从医学图像中提取高通量定量特征的方法
迁移学习 Transfer Learning 在大规模数据上预训练后迁移到目标任务
掩膜 Mask 逐像素标注的病灶区域二值图

附录 A：MIAS 与 Mini-MIAS 差异对照

维度 MIAS（原始） Mini-MIAS
像素尺寸 约 50 μm 约 200 μm
图像尺寸 视原始扫描而定 统一 1024×1024
文件体积 较大（约 3.16 GB 口径） 较小（约 1.51 GB 口径）
细节保留 保留完整微钙化细节 细节被下采样平滑
钙化簇统计 25 幅图内 28 簇 23
适用场景 需要细节的检测/分割研究 快速验证、教学、小内存环境
常见误用 与 Mini-MIAS 混用后不声明 被当成原始 MIAS 引用

一句话：两者图像内容对应但分辨率不同；声称「用了 MIAS」时必须写明是哪一代，否则数字无法复现。

附录 B：数据可用性—影响力—可及性—方法—可持续性（DAIMS）评分

维度 子项 评分（1–5） 说明
D 数据可用性 数据完整性 3 322 图齐全，但分布统计存在多口径冲突
标注质量 3 圆心+半径标注粒度较粗，非精确轮廓
元数据丰富度 3 有 Info.txt 旁路标注，但无采集参数
格式规范度 4 PGM 简单通用，易读取
版本可溯性 3 存在 MIAS / Mini-MIAS 多代与多镜像
A 影响力 引用规模 5 三十年经典，被跨领域广泛引用
社区使用度 5 Kaggle、教程、课程作业大量采用
基准地位 3 常作入门验证集，非权威排行榜
跨域引用 4 医学影像、机器学习、放射组学均引用
I 可及性 获取难度 4 多入口可下，PEIPA 失效但镜像充足
授权清晰度 2 三种口径并存，存在矛盾
文档完备度 3 官方文档简略，依赖二手整理
语言可及性 4 英文为主，术语通用
M 方法学 任务覆盖 3 分类/检测/分割均可，但受标注限制
评估规范 2 无官方划分与排行榜，跨论文不可比
统计功效 2 161 例样本量小，点估计波动大
可复现性 3 数据可得，但口径分歧削弱复现一致性
S 可持续性 长期维护 2 官方分发点失效，依赖社区镜像续命
授权稳定性 2 历史授权与现行 license 不一致
生态延续 4 被后续更大型数据集继承与替代
伦理合规 3 匿名化充分，适应证合规使用

综合印象：MIAS 是「影响力极高、方法学规范度偏低」的典型早期基准。它的价值在启蒙与对照，而非权威评估。

附录 C：存照与待核（双口径冲突记录）

本条目在撰写过程中记录了九处口径冲突，全部如实存照，不做取舍式抹平：

  1. 正常图像数量：207 / 206 / 209 三个数字并存。
  2. 良性图像数量：63 / 64 / 65 / 62 四个数字并存。
  3. 恶性图像数量：50 / 51 / 52 三个数字并存。
  4. CALC 类数量：25 与 34 并存，差异源于多标签病例是否重复计入。
  5. 微钙化统计：原始 MIAS 为 25 幅图 28 簇，Mini-MIAS 为 23。
  6. 存储体积：约 1.51 GB 与约 3.16 GB 并存，源于压缩与格式差异。
  7. 授权口径：原始 research-only / 剑桥 CC BY 2.0 UK / Kaggle 转述，三者不一致。
  8. 分发点：PEIPA 已死，Apollo 与 Kaggle 并存，引用混乱。
  9. 异常六分类合计：约 115 例，但各来源的分项加总方式不一致。

待核事项：若能获取原始 1994 年论文全文，应逐条核对上述分布数字，确认权威口径；同时应确认 Apollo v1.21 的 license 是否覆盖全部 322 幅图像。

附录 D：站内互链点

本条目与以下站内数据集条目构成互链关系，便于横向对比：

条目 slug 关系 说明
cbis-ddsm 后继扩展 DDSM 的整理版，规模远大于 MIAS
inbreast 同期对照 全视野数字乳腺摄影，含 CC 与 MLO
busi 模态互补 乳腺超声影像
bus-bra 模态互补 乳腺超声多类别
cmmd 模态互补 中国乳腺钼靶多中心数据集
vindr-mammo 现代对照 大规模现代钼靶数据集
swiss-mammo 现代对照 瑞士钼靶筛查数据集
tn-mammo-breast-density 任务相关 乳腺密度评估
mass 任务相关 乳腺肿块分割数据集

附录 E：一句话总结

MIAS 是乳腺影像 AI 的「活化石」——它以 161 例、322 幅 MLO 图像和一套粗略的圆心半径标注，支撑了三十年跨领域研究，也因样本小、标注粗、口径乱、授权杂而不断被误读；用好它的方式，是把它当作验证想法的低门槛阶梯，而不是炫耀性能的终点。

尾注与来源

本条目主要依据以下公开来源整理，所有数字均以文中标注的口径为准，冲突项已在附录 C 存照：

  1. Suckling J., Parker J., Dance D., et al. The Mammographic Image Analysis Society Digital Mammogram Database. Excerpta Medica International Congress Series 1069, 1994, pp. 375–378.
  2. Cambridge Apollo Repository. MIAS 整理版. DOI: 10.17863/CAM.105113.
  3. Kaggle. kmader/mias-mammography 镜像.
  4. PEIPA（埃塞克斯大学）MIAS 页面（现已不可达，历史引用）.
  5. Zenodo. 记录 10149914，NRRD 掩膜版本.
  6. 站内相关条目：cbis-ddsm、inbreast、busi、bus-bra、cmmd、vindr-mammo、swiss-mammo、tn-mammo-breast-density、mass.

声明：本条目为 AI-Ready Wikipedia 数据集词条的整理性写作，旨在帮助研究者快速理解 MIAS 的构成、用法与坑点。文中所有数字均来自公开来源，存在多口径冲突之处已如实标注，不构成任何临床决策依据。作者不对因误用本条目信息导致的研究偏差负责。

条目结束。

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：

  • bus-bra — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 医学图像分割 / 评测基准 / 乳腺癌
  • bus-uclm — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 医学图像分割 / 评测基准 / 乳腺癌
  • breast-lesions-usg — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 医学图像分割 / 评测基准 / 乳腺癌
  • dbt-tu-ju — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 医学图像分割 / 评测基准 / 乳腺癌
  • busi — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 医学图像分割 / 乳腺癌
  • inbreast — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 医学图像分割 / 乳腺癌
  • udiat — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 医学图像分割 / 乳腺癌
  • bcdr — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 医学图像分割 / 评测基准
  • 3d-mammogram — 共享标签：医学影像 / 乳腺影像 / 医学图像分割 / 评测基准 / 乳腺癌
  • mama-miaai-extended — 共享标签：医学影像 / 乳腺影像 / 医学图像分割 / 评测基准 / 乳腺癌

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。

返回 AI-Ready 数据集

数据定制

标注服务

欢迎联系咨询

客服二维码

客服二维码

客服二维码
电话咨询

直接咨询

18892062214

微信同号

微信咨询

微信咨询

18892062214

微信同号

邮箱咨询

邮箱咨询

collab@qianfanghub.cn