NEH-UT Retinal OCT Dataset — 伊朗 Noor 眼科医院 1.6 万张 OCT 三分类数据集

INFOBOX — NEH-UT 一屏速览

• 一句话：伊朗德黑兰 Noor 眼科医院采集的 16,822 张视网膜 OCT B-scan 三分类数据集，正常/玻璃膜疣/CNV 逐张标注，CC BY 4.0 免申请下载。
• 官方全称：Labeled Retinal Optical Coherence Tomography Dataset for Classification of Normal, Drusen, and CNV Cases
• 社区短名：NEH-UT Retinal OCT Dataset（NEH = Noor Eye Hospital；UT = University of Tehran 系统）
• 规模：16,822 张 B-scan ｜ 441 例（Normal 120 / Drusen 160 / CNV 161）｜ 第三方记 554 volumes
• 逐类图像数：Normal 8,584 ｜ Drusen 4,998 ｜ CNV 3,240（第三方口径）
• 缩略子集：worst-case 读取 = 12,649 张（官方 Option 2）
• 图像规格：768×496 灰度 B-scan ｜ Heidelberg SD-OCT ｜ 质量 Q≥20
• 类别：Normal（0）/ Drusen（1）/ CNV（2）——B-scan 级标签
• 任务：三分类图像分类（AMD 筛查）
• 来源：Noor Eye Hospital（德黑兰）+ University of Tehran
• 配套论文：Sotoudeh-Paima et al., Comput Biol Med 144:105368（2022）
• 许可：CC BY 4.0（免申请下载，允许商用与改编，仅需署名）
• 获取：Mendeley Data 公开直链（DOI 10.17632/8kt969dhx6.2，2023-11-21 发布 V2）
• 体积：3.92 GB（全量 zip）
• 自域基准：MedViT 达 Acc 0.977（PLOS ONE 2024 第三方）
• 核心优势：B-scan 级标签 + 患者级目录隔离（天然防跨患者泄漏）+ CC BY 4.0 全开放 + 伊朗来源多样性

§0 导读：这个数据集解决什么问题

视网膜光学相干断层扫描（Optical Coherence Tomography，OCT）是眼科最常用的三维视网膜成像技术之一，能以微米级分辨率显示视网膜各层结构。年龄相关性黄斑变性（Age-related Macular Degeneration，AMD）是全球 60 岁以上人群致盲的首要原因之一，其两大典型影像学表现——玻璃膜疣（Drusen，干性 AMD 的特征堆积物）与脉络膜新生血管（Choroidal Neovascularization，CNV，湿性 AMD 的异常血管）——在 OCT B-scan 上具有可辨识的形态特征。自动化区分正常视网膜、玻璃膜疣与 CNV，是眼科 AI 最基础也最刚需的临床任务之一。

NEH-UT 数据集正是为这一任务而生。它由伊朗德黑兰 Noor 眼科医院（Noor Eye Hospital）采集，包含 16,822 张视网膜 OCT B-scan，覆盖 441 例患者的正常（Normal）、玻璃膜疣（Drusen）、脉络膜新生血管（CNV）三类，每一张 B-scan 都由视网膜专科医师标注类别。数据集以 CC BY 4.0 许可在 Mendeley Data 上公开免申请下载，配套论文发表于 2022 年的 Computers in Biology and Medicine。

这个数据集的独特价值体现在四个方面：

• B-scan 级标签：多数 OCT 数据集只给体积级或病例级标签，而 NEH-UT 提供逐张切片的标签，让研究者可以做细粒度分类，也便于研究同一体积内标签的分布。
• 患者级目录隔离：目录按患者编号切分子文件夹，天然支持患者级（patient-wise）训练/测试划分，从结构上杜绝同患者切片跨集泄漏——这是医学图像分类最常见的数据泄漏陷阱之一。
• CC BY 4.0 全开放：允许商用与改编，仅需署名。相对于许多"仅供研究、需签署协议"的医学数据集，NEH-UT 的可获取性摩擦极低（Mendeley 注册登录即可下载全量）。
• 伊朗来源的多样性：库内 OCT 分类数据集多来自美国（如 OCT2017/Kermany）与中国（如 OCTDL），NEH-UT 提供了中东人群与设备的独立样本，是跨域泛化（cross-domain generalization）研究的宝贵域外测试集。

在千方病案"AI-Ready Wikipedia"框架下，NEH-UT 的定位是：结构 OCT 三分类赛道里许可最开放、标签粒度最细、来源最具域多样性的公开基准之一。它既可直接用于训练 AMD 筛查模型，也可作为跨中心域适应的目标域，与 OCT2017、OCTDL 等条目构成互补图谱。

§1 数据集速览：十问十答

问 1：NEH-UT 是什么？
它是一套三层（三分类）视网膜 OCT B-scan 数据集，官方全称 “Labeled Retinal Optical Coherence Tomography Dataset for Classification of Normal, Drusen, and CNV Cases”，社区短名 NEH-UT Retinal OCT Dataset。

问 2：名字里的 NEH 和 UT 是什么意思？
NEH = Noor Eye Hospital（伊朗德黑兰的 Noor 眼科医院，影像采集与专家标注方）；UT 指 University of Tehran 系统（算法与数据集整理方，第一作者与通讯作者所属）。压缩包名 NEH_UT_2021RetinalOCTDataset.zip 自证了这一命名。

问 3：有多少张、多少例？
16,822 张 B-scan，来自 441 例患者，类别分布为 Normal 120 / Drusen 160 / CNV 161（眼/病例级）。第三方论文另记 441 patients、554 OCT volumes。

问 4：三类标签分别代表什么？

• Normal（正常）：无 AMD 相关病变的健康视网膜。
• Drusen（玻璃膜疣）：视网膜色素上皮下堆积物，是干性 AMD 的特征。
• CNV（脉络膜新生血管）：异常血管从脉络膜长入视网膜下，是湿性 AMD 的特征，可致快速视力下降。

问 5：标签是哪一级？
B-scan 级——每一张横断面切片都有自己的类别标签，而非体积级或患者级。

问 6：图像规格？
768×496 像素灰度图，由 Heidelberg SD-OCT（频域 OCT）采集，图像质量 Q≥20，患者年龄 >50 岁且无其他视网膜并发症。

问 7：怎么下载？要申请吗？
不用申请。Mendeley Data 公开直链（DOI 10.17632/8kt969dhx6.2），注册登录即可下载全量 3.92 GB 的 zip 包，附带 CSV 索引和 Python 读取脚本。

问 8：许可是什么？能商用吗？
CC BY 4.0——允许商用、允许改编、允许再分发，仅需署名（引用配套论文）。

问 9：配套论文是哪篇？
Sotoudeh-Paima S., Jodeiri A., Hajizadeh F., Soltanian-Zadeh H. (2022). Multi-scale convolutional neural network for automated AMD classification using retinal OCT images. Computers in Biology and Medicine, 144, 105368（doi 10.1016/j.compbiomed.2022.105368）。

问 10：它和 OCT2017（Kermany）有什么区别？
OCT2017 是四分类（CNV/DME/DRUSEN/NORMAL）、来自美国 UCSD、约 10 万张；NEH-UT 是三分类（无 DME 类）、来自伊朗、16,822 张、B-scan 级标签。二者常被配对使用做跨域迁移研究——在一个域训练、在另一个域测试。

§2 数据构成与规格

2.1 规模、来源与机构构成

NEH-UT 的资产构成可用"两个数字、一个来源、一套结构"概括。

两个数字：16,822 张 B-scan 与 441 例患者。类别在病例/眼级的分布为：

类别	病例/眼数（官方）	图像数（第三方口径）	图像占比（约）
Normal 正常	120	8,584	51.0%
Drusen 玻璃膜疣	160	4,998	29.7%
CNV 脉络膜新生血管	161	3,240	19.3%
合计	441	16,822	100%

口径说明：病例数（120/160/161，合计 441）来自 Mendeley 官方页面；逐类图像数（8,584/4,998/3,240，合计 16,822）来自第三方论文（Preprints 2025），Mendeley 官方未逐类披露图像数。二者口径不同，检索者引用时务必注明来源。

一个来源：全部影像来自伊朗德黑兰 Noor 眼科医院，使用 Heidelberg SD-OCT 设备采集。单一中心、单一设备的特性既是优势（成像协议一致、标注标准统一）也是局限（域外泛化需外部验证）。

一套结构：数据集采用三级目录组织——

• 顶层三个类别文件夹：CNV / DRUSEN / NORMAL；
• 每个类内按患者编号切分子文件夹（1 到患者数）；
• 每个患者文件夹内，图像命名为 <0XX_LABEL>（XX 为 B-scan 序号，LABEL 为专家为该切片选定的标签）。

2.2 图像规格与采集参数

参数	数值	来源
模态	频域 OCT（SD-OCT）	论文
设备	Heidelberg SD-OCT	论文
原生尺寸	768×496 像素	论文
通道	灰度（B-scan）	Mendeley read_data.py（读为 3 通道可复制灰度）
图像质量阈值	Q ≥ 20	论文
患者年龄	> 50 岁	论文
排除条件	无其他视网膜并发症	论文
病例数	441	Mendeley 官方
体积数	554	第三方论文

论文明确指出，第三方复现时常把 NEH 的 768×496 图像与其他数据集（如 UCSD 的多种尺寸）统一 resize 到 224×224 再训练，以便与 ImageNet 预训练权重对齐——这是复现时最容易被忽视的口径差异：原始分辨率下的表现可能与 resize 后的报告值不同。

2.3 类别体系与标签粒度

NEH-UT 采用三分类标签，官方读取脚本 read_data.py 的输出约定为：

• Normal → 0
• Drusen → 1
• CNV → 2

标签粒度为 B-scan 级。这一点必须强调：OCT 检查通常采集一个"体积（volume）"——对黄斑区进行连续扫描得到数十张 B-scan 切片。有的数据集只在体积级给一个诊断，而 NEH-UT 让每一张切片携带独立标签。这意味着：

• 同一患者的同一体积内，可以同时存在正常切片与病变切片（病变往往只在特定切片位置显现）；
• 直接用 B-scan 级标签训练，模型学到的是切片级判别能力；若要做"这个患者是否患病"的体积级诊断，需要自行设计聚合策略（如取最严重切片、投票、注意力聚合等）。

官方为此提供了两种读取范式（见 §2.4），正是为了应对这一粒度问题。

2.4 两种读取范式：全量 vs worst-case

Mendeley 页面的 read_data.py 提供两个选项，二者都合法、但用途不同：

选项	含义	图像数	适用场景
Option 1	读取全部图像	16,822	研究真实切片级分布、做细粒度分类、分析同类内异质性
Option 2	每体积仅取"最差情形"切片（若患者被判 CNV，则只保留 CNV 表现的切片，弃正常/玻璃膜疣切片）	12,649	训练病灶识别模型，避免正常切片稀释病变信号

worst-case 口径的动机很直观：如果一位 CNV 患者的一个体积里有 30 张切片，其中只有 5 张真正显示了 CNV，那么按切片平摊时病变信号会被大量“正常”切片淹没。Option 2 通过“每个体积只留最能体现该患者诊断结果的切片”来控制这种稀释，是配套主论文使用的训练口径（主论文报告 12,649 张来自 441 例）。

给检索者的提醒：报告模型准确率时必须注明用的哪个选项。16,822 与 12,649 两个数字会带来不同的类别分布与难度，混用会让结果不可比。

2.5 患者级目录隔离：一个结构性的防泄漏设计

医学图像分类中最隐蔽、最致命的数据泄漏，是同一患者的切片同时出现在训练集和测试集。由于同一 OCT 体积内的相邻 B-scan 高度相似，模型可以通过记忆患者特异性纹理而非学习病变特征在测试集上“作弊”，报告出虚高的准确率。

NEH-UT 的目录结构从物理层面缓解了这一问题：图像按患者编号分文件夹存放。只要研究者按顶层患者文件夹（而非按图像随机）划分训练/测试集，就能天然保证患者级隔离。这是该数据集相对于许多“平铺图像”数据集的结构性优势，也是整理者做数据合规时应保留的关键属性。

本条目在 §6 的获取决策树与 §10 的避坑清单中，都会反复强调这一划分纪律。

2.6 一个体积里有什么：理解 B-scan 级标注的物理含义

要真正用好 NEH-UT，必须理解它的数据结构。一次 OCT 检查产出一个"体积（volume）"——通常是黄斑区的连续横断面扫描，由数十张 B-scan 组成。举一个典型例子：

• 一位 CNV 患者，右眼，一次 OCT 扫描产生 30 张 B-scan（编号 001–030）；
• 其中只有第 12–18 张真正显示了新生血管膜（CNV 表现的切片）；
• 其余切片可能看起来接近正常，或仅显示轻微异常。

在 NEH-UT 中，这 30 张切片各自带一个标签。如果这位患者被判为 CNV，理想情况下病变切片标 CNV，但非病变切片可能标为 Normal 或 Drusen——这就是为什么数据集同时提供 Option 1（全量，保留所有切片）和 Option 2（worst-case，每体积只留最严重切片）。

对研究者的实际影响：

• 用 Option 1 时，同一患者的标签可能"混杂"，模型要学的是切片级判别；
• 用 Option 2 时，每个体积的标签高度一致，模型学的是患者级判别；
• 做患者级筛查系统，Option 2 更贴合；做切片级病变定位，Option 1 更完整。

2.7 数据分布的统计画像

基于公开口径，NEH-UT 的分布特征可归纳为：

统计量	数值	备注
总图像	16,822	Option 1
总病例	441	官方
每例平均切片数	≈ 38	16,822 / 441 粗略估计
每体积平均切片（第三方）	≈ 30	Preprints 记述
Normal 图像占比	≈ 51%	多数类
Drusen 图像占比	≈ 30%	中间类
CNV 图像占比	≈ 19%	少数类
患者年龄	> 50 岁	纳入标准
图像质量	Q ≥ 20	纳入标准

每例平均切片数是粗略估计（16,822 / 441），实际因患者而异；第三方记"每 OCT 体积约 30 张 B-scan"。检索者应以实际数据为准做精确统计。

2.8 文件组织与命名规范详解

NEH-UT 的目录与命名规范是其可用性的重要一环：

NEH_UT_2021RetinalOCTDataset/
├── CNV/
│   ├── 1/
│   │   ├── 0XX_CNV.png
│   │   └── ...
│   ├── 2/
│   └── ...
├── DRUSEN/
│   ├── 1/
│   └── ...
└── NORMAL/
    ├── 1/
    └── ...

命名规则 <0XX_LABEL>：

• 0XX：B-scan 序号（如 001、002…）；
• LABEL：该切片的专家标签（CNV / DRUSEN / NORMAL）。

配套 data_information.csv 提供跨目录的全局索引，含 Patient ID / Class / Eye / B-scan / Label / Directory 六字段，避免了研究者手动遍历目录的痛苦。

2.9 与其它 OCT 数据集的规格对照

属性	NEH-UT	OCT2017	OCTDL	OCTID
类别数	3	4	多	辨识
图像数	16,822	≈108 K	中	中
尺寸	768×496	多种	多种	多种
标签粒度	B-scan	图像	图像	图像
来源	伊朗	美国	多源	多源
许可	CC BY 4.0	视版本	视版本	视版本

从表中可见，NEH-UT 在"尺寸统一 + 标签粒度细 + 许可开放"三项上均有优势，唯规模不及 OCT2017。

2.10 使用前必做的数据体检

拿到数据后，建议先做一次快速体检（不改动原数据，仅统计）：

1. 用 data_information.csv 复核图像总数是否为 16,822；
2. 按 Patient ID 统计患者数与每类患者数（应为 441 / 120 / 160 / 161）；
3. 按 Label 统计逐类图像数（第三方口径为 8,584 / 4,998 / 3,240，实测可能略有出入）；
4. 检查是否有缺失图像或路径失效；
5. 检查图像尺寸是否统一为 768×496；
6. 检查每患者的切片数分布（识别异常患者）。

这六步能提前暴露"下载不全""口径不一致"等问题，避免训练到一半才发现数据异常。

§3 标注流程、质量控制与来源机构

3.1 谁标了这些切片

NEH-UT 的标注流程相对简洁：Mendeley 官方描述原文为 “Images are labeled by a retinal specialist”（图像由视网膜专科医生标注）。这意味着：

• 标注者是具备视网膜亚专科资质的临床医生，而非普通眼科医师或非医学背景标注员；
• 每张 B-scan 由该专家选定一个类别标签，写入文件名 <0XX_LABEL> 并登记进 data_information.csv 的 Label 字段。

需要坦诚指出的是：官方未披露标注者人数、是否多专家交叉复核、以及观察者间一致性（inter-rater agreement / kappa）指标。这属于"单专家标注"模式，与一些高规格数据集（多位专家+一致性报告）存在方法论差异。对于分类任务，单专家标签通常足够；但对需要严格 ground truth 的评测，检索者应把这一点计入不确定性预算。

3.2 影像采集的质量门槛

Noor 眼科医院在采集端设定了明确的纳入标准，写入了配套论文：

• 图像质量 Q ≥ 20：Heidelberg 设备自带的信号质量评分，低于该阈值的扫描被排除，保证 B-scan 可读；
• 患者年龄 > 50 岁：契合 AMD 的高发人群，也意味着数据集不代表年轻人群的视网膜形态；
• 无其他视网膜并发症：排除糖尿病视网膜病变、青光眼等其他疾病干扰，使三分类边界更"干净"。

这些门槛换来了标签纯度，但也带来选择性偏倚：真实临床场景中 50 岁以下、或合并多种病变的患者并不罕见，模型在 NEH-UT 上表现良好未必等价于在杂合人群上表现良好。

3.3 机构与人物

角色	机构	职责
Noor Eye Hospital	伊朗德黑兰	影像采集、专家标注
University of Tehran 系统	伊朗德黑兰	算法研发、数据集整理与发布
Saman Sotoudeh-Paima	UT（第一作者）	多尺度 CNN 方法、数据集整理
Fedra Hajizadeh	Noor Eye Hospital	临床标注与影像
Hamid Soltanian-Zadeh	UT（通讯作者）	课题指导、通讯

待核点：UT 的完整展开（University of Tehran 抑或 Tehran University of Medical Sciences）需逐字核对论文 affiliation 字段；本条目按 University of Tehran 系统处理，正文以"德黑兰大学系统（UT）"表述（详见 FACTS.md §9 遗留疑点）。

3.4 与其它 OCT 数据集标注模式的对照

数据集	来源	类别数	标签粒度	许可	标注主体
NEH-UT	伊朗 Noor 眼科医院	3（Normal/Drusen/CNV）	B-scan 级	CC BY 4.0	视网膜专科医师
OCT2017（Kermany）	美国 UCSD	4（含 DME）	图像级	CC BY（历史版本各异）	临床专家
OCTDL	多来源	多病变	图像级	视版本	专家
OCTID	多来源	辨识任务	图像级	视版本	—

NEH-UT 的差异化卖点清晰：三分类 + B-scan 级 + CC BY 4.0 + 中东来源。它与 OCT2017 的搭配（三分类 vs 四分类、伊朗 vs 美国）构成了 OCT 跨域研究最常用的"双域"组合。

§4 基准、评估与第三方使用

4.1 作者自评：多尺度 CNN 的渐进学习

配套主论文（Sotoudeh-Paima et al., Comput Biol Med 2022）提出了一种基于特征金字塔网络（Feature Pyramid Network，FPN）的多尺度卷积神经网络（CNN），核心思想是同时捕捉不同尺度上的 AMD 病理特征（玻璃膜疣小、CNV 范围大），并通过跨卷积块的特征融合提升判别力。论文报告的关键结果是一条"渐进学习"曲线：

阶段	训练配置	NEH 准确率
起点	从零/基础	87.2% ± 2.5%
第一跳	使用 ImageNet 预训练权重	92.0% ± 1.6%
第二跳	再在 UCSD 数据集上微调	93.4% ± 1.4%

论文强调，多尺度结构相对多个知名 OCT 分类框架有 0.4%–3.3% 的提升，且生成的热力图证明模型确实在不同尺寸的病理区域上都有关注。这条曲线也传递了一个实用经验：ImageNet 预训练 + 跨域微调是提升 OCT 分类性能的高性价比手段。

4.2 第三方基准：MedViT 的自域与跨域表现

PLOS ONE 2024 的独立研究（doi 10.1371/journal.pone.0304943）把 NEH 当作目标域，用 MedViT（一种面向医学图像的视觉 Transformer）做了两类实验：

实验设置	模型	特异度	敏感度	准确率	参数量
NEH 自域训练（五折）	micro MedViT	0.987 ± 0.001	0.975 ± 0.002	0.977 ± 0.002	24.5 M
NEH 自域训练（五折）	tiny MedViT	0.986 ± 0.002	0.974 ± 0.004	0.977 ± 0.004	31.1 M
零样本跨域（UCSD→NEH）	micro MedViT	0.928 ± 0.002	0.808 ± 0.007	0.828 ± 0.007	24.5 M
零样本跨域（UCSD→NEH）	tiny MedViT	0.933 ± 0.002	0.824 ± 0.007	0.841 ± 0.007	31.1 M

这组数字有两点值得记住：

• 自域已达饱和：在 NEH 上自域训练的准确率冲到了 0.977，说明该数据集对于现代深度模型并不算难——这既是好消息（可用）也是提醒（区分度有限，评测新方法时要小心天花板效应）。
• 跨域显著退化：当模型在 UCSD 上训练、直接零样本迁移到 NEH 时，准确率掉到 0.828–0.841，掉了约 14 个百分点。这正是 NEH 的核心科研价值——它是检验**域适应（domain adaptation）**能力的诚实标尺。该研究进一步证明，通过"拼接（stitching）"预训练模型可在 NEH 上取得优于既往研究的成绩。

4.3 后续使用：半监督学习与小样本

Preprints.org 2025 的一项半监督学习（Semi-Supervised Learning，SSL）研究（manuscript 202502.0151）以 NEH 的 16,822 张为全量实验对象，系统测试在 70%/50%/20%/5% 标注比例下的模型表现，用 Teacher/Student 方法探索少标注场景下的最优策略。这类工作说明 NEH-UT 已从"单一分类数据集"扩展为方法学实验平台——其清晰的三分类与足够大的样本量，适合做标注预算、半监督、主动学习等研究。

4.4 与 UCSD/OCT2017 的对照关系

NEH-UT 与 UCSD（Kermany，即 OCT2017）几乎是 OCT 域适应文献里的"标配搭档"，二者的差异恰好构成一个完整的跨域实验：

维度	NEH-UT	UCSD / OCT2017
来源	伊朗 Noor 眼科医院	美国 UCSD
类别	3（Normal/Drusen/CNV）	4（含 DME）
规模	16,822	108,312
设备	Heidelberg SD-OCT	多种
尺寸	768×496	多种
标签粒度	B-scan 级	图像级

因为类别体系不同（NEH 无 DME），跨域实验通常需要取交集类别（Normal/Drusen/CNV 三类共用）或做标签映射。检索者若从 UCSD 迁移到 NEH，必须先处理 DME 类缺失问题——这是 §10 避坑清单中的一条。

4.5 读这组基准数字的四条守则

1. 注明读取选项：报告准确率时写明用的是 16,822（Option 1）还是 12,649（Option 2），两者不可比。
2. 注明预处理：原生 768×496 vs resize 224×224，会显著影响表现。
3. 注明划分方式：必须患者级划分，若做图像级随机划分会因切片相似而虚高。
4. 注明训练制度：自域训练（0.977 量级）与跨域零样本（0.83 量级）是完全不同的难度档位，不要混为一谈。

4.6 复现原论文的完整配置清单

若要忠实复现配套论文（Sotoudeh-Paima et al. 2022）在主论文中的 NEH 结果，需对齐以下配置：

配置项	论文设置	说明
数据子集	12,649（Option 2, worst-case）	441 例，逐体积取最严重切片
输入尺寸	resize 至网络默认尺寸	与 ImageNet 预训练对齐
第一阶段	ImageNet 预训练权重 + NEH 训练	准确率 87.2% → 92.0%
第二阶段	在 UCSD 上微调后回测 NEH	准确率 → 93.4%
骨干网络	FPN 结构下的 VGG16/ResNet50/DenseNet121/EfficientNetB0	代码在 GitHub 仓库
评估	准确率 ± 标准差	论文报告均值±std

关键复现陷阱：论文的"多尺度"来自 FPN 特征融合（不同卷积块/尺度组合），而这正是它的方法重点。若只复现单骨干而不复现多尺度融合，会偏离论文方法。GitHub 仓库的 vggCombinations.py 正是为探索不同尺度组合而设。

4.7 第三方实验的预处理链

PLOS ONE 2024 的 MedViT 实验明确了预处理与增强链，值得作为标准参考：

预处理：

• 把 UCSD 与 NEH 的所有图像统一 resize 到 224×224（论文称这是"唯一的预处理"）；
• 归一化：NEH 样本用 mean 0.13 / std 0.194；UCSD 样本用 mean 0.19 / std 0.215。（注意：两个域的归一化参数不同，反映域间灰度分布差异。）

训练增强（五折交叉验证中依次施加）：

• 随机仿射（random affine）：旋转 ±20°、平移 0.05–0.2、剪切 ±10°、缩放 0.8–1.2；
• 颜色抖动（color jitter）：亮度/对比度/饱和度均 0.8–1.2；
• 随机水平翻转（probability 0.5）；
• 转 tensor 并归一化。

超参数：

• 优化器 AdamW；学习率 5e-5；批大小 32；
• 预训练阶段用 Step scheduler（decay 0.1, milestone 50）；拼接阶段用余弦退火；
• 损失函数 Focal Loss（应对类别不平衡的常见选择）。

这套配置可直接迁移到其他 OCT 分类实验作为强基线。

4.8 拼接（Stitching）策略：跨域增益的来源

PLOS ONE 2024 的一个方法亮点是"拼接（stitching）"：先分别在 UCSD 与 NEH 上预训练 micro/tiny MedViT（各 75 epoch），再把两个预训练模型拼接后在目标域 NEH 上做 100 epoch 的联合训练。论文报告：

• 预训练阶段：micro/tiny MedViT 在 NEH 自域已达 0.977；
• 拼接后：模型吸收了 UCSD 的域知识，配合 NEH 自域训练，超越既往研究在 NEH 上的成绩。

这一策略的启示是：多域预训练 + 目标域微调往往优于单域训练，尤其在目标域样本有限时。对只想用 NEH-UT 的用户，这意味着"拿 UCSD 预训练权重来初始化"是一个免费的收益来源。

4.9 零样本跨域的诚实解读

论文特意指出：在其之前"尚无针对视网膜 OCT 数据集分类任务的零样本（zero-shot）结果"。NEH 与 UCSD 之间的零样本实验（UCSD 训练→NEH 测试）报告 0.828–0.841 的准确率，作为**域外分布（out-of-distribution）**基线的公开参照。这组数字的价值在于：

• 它给后续方法设定了跨域下限——任何号称"鲁棒"的 OCT 分类模型，至少应显著超过 0.84 的零样本基线；
• 它说明域偏移在 OCT 影像中非常真实——同样是 OCT，美国与伊朗的数据之间仍有 14 个点的鸿沟，提示单中心数据训练的模型不可盲目跨中心部署。

§4 补：三个数据集配对使用的方法学模板

NEH-UT 的典型用法不是孤立训练，而是与一个源域配对。以下给出三种模板：

模板 A：单域基线

• 在 NEH-UT 上直接划分训练/测试（患者级），得到自域性能上限（0.977 量级）。
• 用途：快速验证模型在目标域的容量上限。

模板 B：跨域迁移

• 源域训练（如 UCSD）→ 直接测试 NEH（零样本，~0.83）；再在 NEH 上微调 → 测试（显著提升）。
• 用途：量化域适应增益，是最常见的研究设计。

模板 C：多域联合

• 拼接/联合在 UCSD + NEH 上训练，在 NEH 上评估。
• 用途：探索多源域知识融合，接近 PLOS 2024 的 stitching 路线。

三种模板的对比可直接用于论文的"域泛化"章节，NEH-UT 在每种模板中都扮演不可替代的目标域角色。

4.10 关于"难"与"易"的再认识

对现代深度模型，NEH-UT 的自域任务偏"易"（0.977），但跨域任务偏"难"（0.83）。这种"自域易、跨域难"的组合，恰恰使它成为评测鲁棒性而非单纯容量的理想集。选数据集时若目标是"推动 SOTA 数字"，自域饱和的 NEH-UT 帮助有限；若目标是"检验泛化"，NEH-UT 的跨域鸿沟则极有价值。

§5 许可、获取与使用规范

5.1 一句话许可结论

NEH-UT 采用 CC BY 4.0（Creative Commons Attribution 4.0 International）许可。这是最宽松的开放许可之一：

• 允许：商用、改编、再分发、训练模型（含商业模型）、发布衍生数据；
• 要求：署名（Attribution）——须保留原作者署名并注明许可；
• 不需要：不需要申请审批、不需要签署研究协议、不需要非商业承诺。

对于医学影像数据集，这一点异常重要：许多同类数据集采用 CC BY-NC（禁商用）或"仅供研究用途"限制，而 NEH-UT 的 CC BY 4.0 让它可以进入工业级 AMD 筛查产品的训练流程。这是它在 AI-Ready 光谱上分数很高的直接原因。

5.2 官方获取路径

项目	内容
数据仓库	Mendeley Data（Elsevier）
DOI（当前推荐）	10.17632/8kt969dhx6.2
数据集页面	https://data.mendeley.com/datasets/8kt969dhx6/2
全量下载 API	https://data.mendeley.com/public-api/zip/8kt969dhx6/download/2
版本	V2（2023-11-21 发布）；V1 为 2021 首发（doi .1）
文件名	NEH_UT_2021RetinalOCTDataset.zip
体积	3.92 GB（Mendeley 官方口径）｜3.65 GB（EyeDataHub 记录，并存）
访问摩擦	注册登录即可，无审批（self-service authenticated）
附带文件	data_information.csv（778 KB）、read_data.py（4.07 KB）

文件清单（Mendeley 页面列出）：

• csv — data_information.csv（16,822 数据行 × 6 列）
• zip — NEH_UT_2021RetinalOCTDataset.zip（3.92 GB，全量影像）
• py — read_data.py（4.07 KB，NumPy 读取脚本）

5.3 CSV 索引字段说明

data_information.csv 是数据集的"目录表"，6 个字段：

字段	含义
Patient ID	患者标识
Class	患者所属类别
Eye	眼别（左/右）
B-scan	切片序号
Label	该 B-scan 的专家标签
Directory	该图像在目录中的路径

这份 CSV 是做患者级划分的关键：按 Patient ID 分组即可得到患者级 train/test 切分，避免切片泄漏。

5.4 read_data.py 的两种读取模式

官方脚本提供两个函数/参数选项：

# 伪代码示意（实际以官方 read_data.py 为准）
# Option 1：读取全部图像 -> 16,822 张
# Option 2：worst-case，每个体积只取最严重切片 -> 12,649 张
# 输出：X 形状 (num_images, imageSize, imageSize, 3)
#       y 为标签列表（Normal: 0, Drusen: 1, CNV: 2）

使用建议：想研究真实数据分布或做细粒度分类 → 用 Option 1；想训练病灶识别模型、贴合主论文 → 用 Option 2。报告结果时务必写明用了哪个。

5.5 引用规范

使用 NEH-UT 须引用配套论文：

Sotoudeh-Paima, S., Jodeiri, A., Hajizadeh, F., & Soltanian-Zadeh, H. (2022). Multi-scale convolutional neural network for automated AMD classification using retinal OCT images. Computers in Biology and Medicine, 144, 105368. doi: 10.1016/j.compbiomed.2022.105368

BibTeX（官方页给出）：

@misc{nehut,
  title = {Labeled Retinal Optical Coherence Tomography Dataset for Classification of Normal, Drusen, and CNV Cases},
  note  = {Mendeley Data, V2},
  doi   = {10.17632/8kt969dhx6.2},
  url   = {https://data.mendeley.com/datasets/8kt969dhx6/2},
}

5.6 合规与隐私提醒

• 再分发：CC BY 4.0 允许再分发，但须保留署名与许可声明，建议在衍生数据集说明中注明来源 DOI 与版本。
• 去标识：OCT 影像本身不含面部等直接标识信息，Mendeley 页面未明述去标识细节；作为公开数据集，其发布通常已满足机构伦理要求，但下游二次研究仍应自行确认本机构伦理（IRB）规定。
• 临床责任：本数据集可用于训练/评测研究模型，不构成医疗器械或临床诊断依据；任何临床部署须另行完成监管审批。

5.7 AI-Ready 评分视角

从"AI-Ready"（可直接喂给模型训练）的标准看，NEH-UT 表现优异：

维度	评价
可获取性	高（注册即可，无审批）
许可开放性	高（CC BY 4.0，可商用）
标签完备性	高（逐张 B-scan 标签）
格式规范	好（图像 + CSV 索引 + 读取脚本）
划分友好	好（患者级目录隔离）
潜在缺陷	单一中心/设备、单专家标注、类别不平衡

综合判断：NEH-UT 是 OCT 三分类赛道中"上手最快、许可最松"的公开数据集之一，适合作为基线训练集与跨域测试集。

§6 避坑清单：十个已踩过的坑

以下是使用 NEH-UT 时检索者最常遇到的陷阱，逐条给出规避方法。

坑 1：混淆 16,822 与 12,649 两个口径。
官方提供全量（Option 1 = 16,822）与 worst-case（Option 2 = 12,649）两种读取。若复现论文却用全量，或对比自评却用缩略，结果必然对不上。规避：报告时显式写明选项；对齐原论文时用 Option 2。

坑 2：误把 16,823 当作图像数。
Mendeley 描述里 CSV 写 “16823 rows”，但那含表头，实际数据行（图像数）为 16,822。规避：以 16,822 为准；16823 是含表头的行数。

坑 3：混淆"病例数"与"图像数"。
441 是病例/眼级数（Normal 120/Drusen 160/CNV 161），不是图像数。逐类图像数（8,584/4,998/3,240）来自第三方论文而非官方。规避：引用病例数时标注官方来源，引用逐类图像数时标注第三方来源。

坑 4：混淆 441 cases 与 554 volumes。
官方记 441 cases，第三方记 441 patients / 554 volumes。眼级与体积级计数不同（患者可双眼、可多次扫描）。规避：明确你用的是哪种计数单位。

坑 5：不做患者级划分导致数据泄漏。
同一患者同一体积的相邻 B-scan 高度相似，图像级随机划分会让测试集混入训练患者的切片，准确率虚高。规避：按 data_information.csv 的 Patient ID 分组划分（NEH-UT 的目录就是患者级，直接用）。

坑 6：忽略原生 768×496 与 resize 224×224 的差异。
第三方实验几乎都 resize 到 224×224 以适配 ImageNet 权重；若你用原生分辨率复现，数字会与论文不同。规避：复现时对齐论文的预处理；报告时写明输入尺寸。

坑 7：把 UCSD 迁移实验当成直接可用。
UCSD/OCT2017 是四类（含 DME），NEH-UT 是三类。直接加载四类标签会多出一个无对应样本的 DME 类。规避：取 Normal/Drusen/CNV 三类交集，或做标签重映射并丢弃 DME 样本。

坑 8：低估类别不平衡的影响。
Normal 约占图像一半（8,584/16,822 ≈ 51%），CNV 最少（约 19%）。直接训练会偏向多数类，CNV（临床最重要之一）召回可能偏低。规避：用类别权重、重采样或分层划分，并分别报告每类敏感度。

坑 9：在自域饱和数据上误判"方法有效性"。
自域训练已达 Acc 0.977，接近天花板。新方法在 NEH 上提升空间有限，容易得出"无用"的错误结论。规避：把 NEH 主要用作跨域/鲁棒性测试集（0.83 量级仍有大量提升空间），而非仅看自域准确率。

坑 10：忽略单一中心/单一设备的泛化局限。
全部影像来自 Noor 眼科医院一台 Heidelberg SD-OCT。在 NEH 上表现好，不代表能外推到其他设备、其他人种。规避：外部验证时至少加入一个异源 OCT 数据集（如 UCSD、OCTDL），并报告跨域性能。

坑 11（补充）：误信"more than 16,000"是模糊描述。
Mendeley 描述开头的 “more than 16,000 retinal OCT B-scans” 是概述，精确值以 Option 1 = 16,822 为准。规避：索取精确数字时用 Option 1/Option 2 口径。

坑 12（补充）：把论文许可与数据集许可混为一谈。
数据集是 CC BY 4.0（可商用）；配套论文发表于 Elsevier 期刊，论文本身通常是版权限制（订阅或特定开放条款）。引用数据集用 CC BY 4.0，复制论文全文则须看期刊政策。规避：区分"数据许可"与"论文版权"。

§5 补：许可判读与合规细节

5.8 CC BY 4.0 到底给了什么

CC BY 4.0（Creative Commons Attribution 4.0 International）是知识共享许可中最宽松之一。逐条拆解它对 NEH-UT 的意义：

权利	CC BY 4.0 下的状态	对 NEH-UT 的含义
复制/下载	允许	免费下载 3.92 GB 全量
分发/再分发	允许	可镜像、可打包进自己的数据集
改编/衍生	允许	可重新标注、可裁剪、可做增强
商业使用	允许	可训练商用 AMD 筛查模型
署名	要求	须注明作者与许可
署名要求	保留许可声明	衍生作品须标注 CC BY 4.0 来源
附加限制	不得增加法律/技术限制	不得对下游加 DRM 或额外许可限制

结论：NEH-UT 的可商用性是它在医学影像数据集中的稀缺属性。多数临床数据集因患者数据敏感性采用"研究专用/需签协议"，而 NEH-UT 的发布方选择了 CC BY 4.0，极大降低了从研究到产品的转化摩擦。

5.9 署名（Attribution）实操模板

CC BY 4.0 的核心义务是署名。推荐的最小署名模板：

本工作使用了 NEH-UT 视网膜 OCT 数据集（Labeled Retinal Optical Coherence Tomography Dataset for Classification of Normal, Drusen, and CNV Cases），由 Sotoudeh-Paima、Hajizadeh 与 Soltanian-Zadeh 于 2021/2023 年发布，采用 CC BY 4.0 许可，DOI: 10.17632/8kt969dhx6.2。原始采集机构为伊朗德黑兰 Noor 眼科医院。

若做了改编（如重采样、重标注），还应注明"本工作基于原始数据进行了 XX 改动"。

5.10 与"仅供研究"数据集的对照

医学影像数据集常见三类许可摩擦：

1. 公开直链 + 宽松许可（如 NEH-UT）：注册即下，可商用——摩擦最低；
2. 公开页 + 受限许可（CC BY-NC / 研究专用）：可下但禁商用——摩擦中等；
3. 请求制（向作者申请、签协议、走审批）：不可直接获取——摩擦最高。

NEH-UT 属于第 1 类，与许多需要层层审批的临床数据集形成鲜明对比。对做快速原型或工业落地的团队，这是决定性的选型优势。

5.11 版本选择建议

• 默认用 V2（doi .2）：当前推荐版本，含 worst-case 说明；
• 若复现 2021 年的早期工作，需确认对方用的是 V1（doi .1）还是 V2；
• 引用时优先给出带版本号的 DOI（10.17632/8kt969dhx6.2），避免"裸 DOI"无法定位版本；
• 下载后建议记录文件的 SHA-256（Mendeley 页面提供校验和），保证可复现。

5.12 数据治理视角的检查清单

使用 NEH-UT 前后，建议逐条自查：

• [ ] 是否已完成患者级划分（用 Patient ID 分组）？
• [ ] 是否注明了用的读取口径（16,822 vs 12,649）？
• [ ] 是否注明了预处理（原生 768×496 vs resize 224×224）？
• [ ] 是否处理了类别不平衡（Normal 约 51%）？
• [ ] 是否保留署名与许可声明（CC BY 4.0）？
• [ ] 是否在跨域验证中至少用了一个异源数据集？
• [ ] 是否记录版本与校验和（V2 + SHA-256）？
• [ ] 若下游产品化，是否另行完成监管与伦理审查？

这八条构成 NEH-UT 从下载到落地的合规与严谨性骨架。

§7 生态与影响

7.1 数据集谱系：一个 UT 课题组的产出

NEH-UT 出自伊朗德黑兰大学系统与 Noor 眼科医院的合作课题，核心产出是一套"数据集 + 方法论文 + 开源代码"的组合：

• 数据集：NEH-UT（Mendeley Data，CC BY 4.0）；
• 方法论文：多尺度 CNN（Comput Biol Med 2022）；
• 开源代码：GitHub SamanSotoudeh/Multi-scale-convolutional-neural-network-for-automated-AMD-classification-using-retinal-OCT-images，含 main.py、basemodels.py、vggCombinations.py 等，基于 FPN 结构的 VGG16/ResNet50/DenseNet121/EfficientNetB0 实现。

这套组合让 NEH-UT 不仅能被"用"，还能被"复现"——这是它被后续研究持续引用的基础。

7.2 在 OCT 分类数据集景观中的定位

视网膜 OCT 分类数据集大致可按"来源地域 + 类别体系 + 开放度"三维划分：

数据集	地域	类别	规模	许可开放度	定位
NEH-UT	伊朗	3 类	16.8 K	CC BY 4.0（最松）	中东来源、B-scan 级、可商用
OCT2017/UCSD	美国	4 类	108 K	较开放	规模最大、最常被引用
OCTDL	多来源	多病变	中	视版本	病变类型更全
OCTID	多来源	辨识	中	视版本	图像辨识任务

NEH-UT 的不可替代性在于：它是少数几个许可宽松（CC BY 4.0）、标签精细（B-scan 级）、且来源非美非中的公开 OCT 分类数据集。对做跨域泛化、公平性（fairness）与人群多样性研究的团队，NEH-UT 是天然的第二域。

7.3 被第三方持续采用

截至本条目撰写，NEH-UT 已在多篇独立研究中被用作目标域或测试集，包括：

• PLOS ONE 2024（doi 10.1371/journal.pone.0304943）：MedViT 的域适应与拼接实验；
• Preprints 2025（manuscript 202502.0151）：半监督学习与标注预算研究。

持续被第三方引用，是数据集"活"的标志。它没有随发表而沉寂，而是进入了 OCT 域适应的方法学工具箱。

7.4 对 AMD 筛查研究的实际意义

AMD 是老龄化社会的重大公共卫生负担。OCT 影像是 AMD 诊断的金标准之一，但读片依赖专科医生，供给受限。NEH-UT 这类"CC BY 4.0 + 三分类 + 足量样本"的数据集，直接支撑自动化筛查的研究与产品化：在基层或资源匮乏地区，一个在 NEH-UT 上训练、并在多域验证过的模型，可用于初筛分流，减轻专科负担。CC BY 4.0 的可商用条款，正是让这类研究能走向临床落地的关键前提。

§8 方法学启示：四条可迁移的经验

8.1 B-scan 级标签是"更细，但要自己聚合"

NEH-UT 把所有切片都标了类，信息量比体积级标签大，但也把"如何在切片级标签上做患者级诊断"这个问题留给了使用者。可迁移经验：标签粒度决定任务定义。做筛查系统时，需明确是切片级输出还是患者级输出，并设计相应的聚合策略（最严重切片、投票、注意力池化）。

8.2 患者级目录隔离是可复制的防泄漏范式

NEH-UT 用"按患者分文件夹"从物理结构上防止数据泄漏。可迁移经验：整理或使用医学数据集时，第一优先级是确认划分单元是患者而非切片。任何"平铺图像"的数据集，都应先补一份患者映射表，再划分。

8.3 跨域退化幅度是数据集价值的试金石

NEH-UT 自域 0.977、跨域掉到 0.83——约 14 个百分点的落差，恰好量化了"域偏移"的严重性。可迁移经验：一个新数据集的最大价值，往往不在自域样板数，而在它作为域外测试集揭示的泛化鸿沟。评测模型时，自域高分远不如跨域稳健有说服力。

8.4 许可开放性直接影响落地路径

CC BY 4.0 让 NEH-UT 可以进入商业产品，而 CC BY-NC 数据集只能停在研究阶段。可迁移经验：选数据集时，许可是硬约束，越早确认越好。整理者的"AI-Ready"评级应把许可开放性作为一等公民指标。

§9 与库内条目的关系

9.1 家族图谱

NEH-UT 属于千方病案库内的眼科 OCT 影像家族。相关条目（含 record_id）如下：

• oct2017（rid 311）：Kermany 等 OCT2017，四分类（CNV/DME/DRUSEN/NORMAL）、约 10 万张、美国 UCSD 来源。与 NEH-UT 是 OCT 跨域研究的经典双域组合——NEH-UT 三分类、伊朗来源，二者互补。
• octdl（rid 690）：OCT 深度学习数据集，多病变 OCT，可作为 NEH-UT 的同域/异域对照。
• octid（rid 697）：OCT 图像辨识数据集，属眼科 OCT 基础资源。
• octa-500（rid 341）：OCT 血管成像（OCTA）500 例数据集。与 NEH-UT 同为"OCT 家族"但模态不同（OCTA 看血流，NEH-UT 是结构 OCT）。
• octa-25k（rid 859）：OCTA 大规模数据集。
• woives-octa（rid 865）：OCTA 相关数据集。
• age-as-oct（rid 858）：OCT 相关数据集。

9.2 三维度对照建议

撰写"OCT 分类数据集景观"时，建议以 NEH-UT 为轴心做三维对照：

对照轴	NEH-UT	对照条目	差异点
类别体系	3 类（无 DME）	oct2017（4 类含 DME）	跨域需处理 DME 缺失
来源地域	伊朗（中东）	oct2017（美国）	人群/设备多样性
许可开放度	CC BY 4.0（最松）	各条目不一	可商用性差异

9.3 检索路径建议

• 想找OCT 三分类 + 可商用 → 直接进 NEH-UT（本条目）。
• 想找OCT 四分类 + 最大规模 → 进 oct2017（rid 311）。
• 想找OCTA 血流成像 → 进 octa-500（rid 341）/ octa-25k（rid 859）。
• 想研究跨域泛化 → NEH-UT + oct2017 配对使用。

§7 补：临床与产业视角的深化

7.5 AMD 的临床背景与三个类别的诊断意义

理解 NEH-UT 的标签体系，需要一点 AMD 临床背景：

• 干性 AMD（Dry AMD）：以玻璃膜疣（Drusen）堆积为特征，占 AMD 约 85–90%，进展缓慢，目前治疗手段有限。NEH-UT 的 Drusen 类正是对应这一阶段的影像表现。
• 湿性 AMD（Wet AMD）：以脉络膜新生血管（CNV）为特征，占约 10–15%，但导致约 90% 的严重视力丧失。CNV 是抗 VEGF 治疗的主要对象，早发现、早治疗能显著保留视力。NEH-UT 的 CNV 类是筛查中最关键的阳性类。
• Normal（正常）：作为对照与"排除病变"的目标，在筛查中用于降低假阳性。

从临床价值看，NEH-UT 的三分类任务正好覆盖了"正常 → 干性（Drusen）→ 湿性（CNV）"这一 AMD 进展轴，使模型能区分"需要观察"与"需要紧急干预"的患者。这是它区别于单纯二分类数据集（病变/非病变）的关键——三分类能给出疾病阶段的粗粒度判断。

7.6 筛查场景下的模型部署考量

若将 NEH-UT 训练的模型部署到筛查流程，需考虑：

考量	说明
敏感度优先	CNV（湿性）漏诊代价高，应优先保证 CNV 类召回
类别不平衡处理	CNV 仅约 19%，需用权重/重采样提升召回
域偏移	目标人群设备若不同于 Heidelberg，需域适应
可解释性	临床需知道模型"看哪里"作出判断，热力图可辅助
不确定性	单专家标注，模型置信度低时应转人工复核
监管	作为医疗器械须另行取证，数据集训练不等于获批

NEH-UT 开放的许可让"研究→原型→产品"的链条顺畅，但从原型到临床落地仍需跨越监管门槛，这一点不应被 CC BY 4.0 的便利所掩盖。

7.7 与 OCTA 数据集的关系

千方病案库内还有一组 OCT 血管成像（OCTA） 数据集（octa-500、octa-25k、woives-octa、age-as-oct）。它们与 NEH-UT 同属"眼科 OCT 家族"但模态不同：

• 结构 OCT（NEH-UT）：看视网膜形态（层结构、玻璃膜疣、新生血管膜）；
• OCTA：看视网膜血流（血管网络、灌注）。

二者可互补——形态异常与血流异常在 AMD 中往往同时发生。跨模态研究（结构 OCT ↔ OCTA）是一个有价值的方向，NEH-UT 可作为其中的结构侧数据源。

7.8 数据集的时间线与演进

时间	事件
2021	NEH-UT V1 发布（Mendeley Data, doi .1）
2022	配套论文发表（Comput Biol Med 144:105368）
2023-11-21	V2 发布（doi .2，补充 worst-case 说明）
2024	PLOS ONE 用 NEH 做 MedViT 跨域实验
2025	Preprints 用 NEH 做半监督研究

这条时间线显示 NEH-UT 是一个持续被使用、但本体稳定的数据集：从发布至今本体只升了两个版本，却不断被新方法（ViT、半监督、域适应）拿来检验，说明其作为基准的长期可用性。

§8 补：给不同角色的行动建议

8.1 给医学 AI 研究者

• 把 NEH-UT 作为OCT 三分类的标准目标域，配合 UCSD 做跨域；
• 报告结果时给出自域 + 跨域两套数字，突出泛化能力；
• 注意自域已饱和（0.977），新方法应主攻跨域鲁棒性与少样本。

8.2 给数据集整理者

• NEH-UT 是"B-scan 级标签 + 患者级目录"的范本，值得借鉴到其他医学影像数据集；
• 其 CC BY 4.0 许可策略值得作为"开放数据"案例；
• 它的口径不统一（16822/16823、441/554、3.92/3.65）是反面教材——发布数据时应提供一份权威口径表。

8.3 给产品/工程团队

• NEH-UT 的 CC BY 4.0 使其可进入商用流程，是合规风险最低的 OCT 数据源之一；
• 但需搭配多源外部验证，避免单中心模型的过拟合；
• 建议记录版本与校验和，保证训练可复现与审计可追溯。

8.4 给医学教育者

• NEH-UT 的三分类（正常/玻璃膜疣/CNV）是讲解 AMD 影像学的良好素材；
• 其"跨域掉 14 个点"的现象可生动说明影像组学的域偏移问题。

§9 补：库内互链的展开

9.4 与 oct2017（rid 311）的深度对照

oct2017（Kermany）与 NEH-UT 是 OCT 分类领域引用最广的两个公开数据集，深度对照如下：

维度	NEH-UT	oct2017（Kermany）
采集地	伊朗德黑兰	美国（UCSD 等）
类别	3（Normal/Drusen/CNV）	4（CNV/DME/DRUSEN/NORMAL）
规模	16,822	约 108,312
标签粒度	B-scan 级	图像级
患者数	441	4,686
设备	Heidelberg SD-OCT	多种
尺寸	768×496	多种
用途	三分类基准 + 跨域目标域	四分类基准 + 跨域源域
许可差异	CC BY 4.0	视版本

互链价值：这两条互为"源域-目标域"的标准搭档，任何做 OCT 域泛化的研究几乎都会同时引用二者。撰写综述时，应以二者为骨架展开。

9.5 与 OCTDL（rid 690）的对照

OCTDL 是较新的 OCT 深度学习数据集，覆盖更广的病变类型。与 NEH-UT 的差异在于病变覆盖范围：NEH-UT 聚焦 AMD 三分类，OCTDL 覆盖更多视网膜疾病。二者可互补——NEH-UT 做深度（AMD 细分），OCTDL 做广度（多病变）。

9.6 检索者导航

你想找	去哪
OCT 三分类、可商用、中东来源	NEH-UT（本条目）
OCT 四分类、最大规模	oct2017（rid 311）
多病变 OCT	OCTDL（rid 690）
OCT 图像辨识	OCTID（rid 697）
OCTA 血管成像	octa-500（rid 341）/ octa-25k（rid 859）
OCTA + 年龄因素	age-as-oct（rid 858）
OCTA 大规模	woives-octa（rid 865）

§10 总结与决策卡

10.1 三句话总结

1. NEH-UT 是伊朗 Noor 眼科医院采集的 16,822 张视网膜 OCT B-scan 三分类数据集（Normal/Drusen/CNV），441 例患者，Heidelberg SD-OCT 采集，B-scan 级专家标注。
2. 它最大的卖点是"开放 + 细粒度 + 域多样"：CC BY 4.0 免申请可商用、逐张切片标签、患者级目录隔离、中东来源。
3. 它最适合做 AMD 筛查基线训练与 OCT 跨域泛化测试；自域准确率已达 0.977，跨域降至约 0.83，泛化鸿沟正是其科研价值所在。

10.2 适合谁 / 不适合谁

适合：

• 训练视网膜 OCT 三分类（AMD 筛查）模型的研究者与工程师；
• 做域适应、跨中心泛化、鲁棒性评测的团队；
• 需要可商用医学影像数据集的产品开发者；
• 研究弱监督/半监督、标注预算的方法学者。

不适合：

• 需要**四分类（含 DME）**的任务——请改用 OCT2017/UCSD；
• 需要多中心多样性的单源训练——NEH-UT 只有单一中心；
• 需要严格多人标注一致性的评测——NEH-UT 未披露 kappa；
• 需要年轻人群视网膜样本的研究——NEH-UT 患者均 >50 岁。

10.3 30 秒决策卡

你的需求	决策
快速上手 OCT 三分类	直接下 NEH-UT（注册即可，10 分钟拿到）
需要可商用	NEH-UT（CC BY 4.0）✅
需要做跨域测试	用 NEH-UT 当目标域，配 UCSD 当源域
需要 DME 类	改走 oct2017（rid 311）
需要患者级划分	用 CSV 的 Patient ID 分组
需要复现原论文	用 Option 2（12,649 张）+ ImageNet 预训练
需要最高自域精度	MedViT 量级（0.977），注意天花板效应

10.4 一句话记忆锚

“伊朗 1.68 万张 OCT 三分类，CC BY 4.0 随便用，B-scan 级标注防泄漏，跨域一测掉 14 个点。”

FAQ（高频问答）

Q1：NEH-UT 的官方全称是什么？
Labeled Retinal Optical Coherence Tomography Dataset for Classification of Normal, Drusen, and CNV Cases。

Q2：NEH 和 UT 分别指什么？
NEH = Noor Eye Hospital（伊朗德黑兰 Noor 眼科医院）；UT = University of Tehran 系统。

Q3：一共多少张图像？
16,822 张（官方 Option 1 口径）。

Q4：多少例患者？
441 例，类别为 Normal 120 / Drusen 160 / CNV 161。

Q5：三类各多少张？
第三方口径：Normal 8,584 / Drusen 4,998 / CNV 3,240（Mendeley 官方未逐类披露图像数）。

Q6：图像尺寸是多少？
768×496 像素灰度图。

Q7：用什么设备采集的？
Heidelberg SD-OCT（频域 OCT）。

Q8：标签是什么级别？
B-scan 级（每张切片一个标签）。

Q9：许可是什么？
CC BY 4.0，允许商用，仅需署名。

Q10：要付费或申请吗？
不用。Mendeley Data 注册登录即可免费下载。

Q11：数据集多大？
3.92 GB（全量 zip，官方口径）。

Q12：配套论文是哪篇？
Sotoudeh-Paima et al., Comput Biol Med 144:105368 (2022)。

Q13：怎么读取？
用官方 read_data.py，输出 X 为 (N, H, W, 3) 数组，y 为标签（0/1/2）。

Q14：worst-case 是什么？
Option 2 读取：每个体积只保留最能体现患者诊断的切片，共 12,649 张。

Q15：全量和 worst-case 差多少？
16,822 - 12,649 = 4,173 张。

Q16：为什么有三分类没有 DME？
NEH-UT 聚焦 AMD 相关的正常/玻璃膜疣/CNV，不包含糖尿病黄斑水肿。

Q17：自域训练能到多少准确率？
第三方 MedViT 达 0.977（五折）。

Q18：跨域会掉多少？
从 UCSD 零样本迁移到 NEH 降至约 0.83，掉了约 14 个百分点。

Q19：能商用吗？
能。CC BY 4.0 允许商业使用。

Q20：能再分发吗？
能，须保留署名与许可声明。

Q21：患者隐私处理如何？
OCT 影像无直接面部标识；Mendeley 未明述去标识细节，下游研究应自行确认伦理合规。

Q22：能用于临床诊断吗？
不能直接用于临床诊断，仅供研究与模型开发。

Q23：怎么做患者级划分？
用 data_information.csv 的 Patient ID 分组划分。

Q24：为什么必须患者级划分？
同一患者相邻切片高度相似，图像级随机划分会造成数据泄漏、虚高准确率。

Q25：类别不平衡吗？
略不平衡，Normal 约 51%，CNV 约 19%。

Q26：图像质量有保证吗？
有，采集时要求 Q≥20，且患者 >50 岁、无其他视网膜并发症。

Q27：和 OCT2017 什么关系？
二者常配对做跨域研究；OCT2017 四类、美国来源，NEH-UT 三类、伊朗来源。

Q28：配套代码在哪？
GitHub SamanSotoudeh 的多尺度 CNN 仓库。

Q29：有多个版本吗？
有，V1（2021 首发）与 V2（2023-11-21，推荐）。

Q30：V2 比 V1 多了什么？
V2 补充了 Option 2（worst-case）说明与 12,649 口径。

Q31：能被引用多少次（影响）？
已被 PLOS ONE 2024、Preprints 2025 等独立研究采用。

Q32：一句话记住它？
伊朗 1.68 万张 OCT 三分类，CC BY 4.0 随便用。

事实清单（硬事实）

1. 官方全称：Labeled Retinal Optical Coherence Tomography Dataset for Classification of Normal, Drusen, and CNV Cases。
2. 社区短名：NEH-UT Retinal OCT Dataset。
3. 数据仓库：Mendeley Data。
4. 当前 DOI：10.17632/8kt969dhx6.2。
5. V2 发布日期：2023 年 11 月 21 日。
6. V1 DOI：10.17632/8kt969dhx6.1（2021）。
7. 图像总数（Option 1）：16,822 张。
8. worst-case 数（Option 2）：12,649 张。
9. 病例数：441 例。
10. Normal 病例：120。
11. Drusen 病例：160。
12. CNV 病例：161。
13. 逐类图像数（第三方）：Normal 8,584 / Drusen 4,998 / CNV 3,240。
14. 体积数（第三方）：554 volumes。
15. 图像尺寸：768×496。
16. 采集设备：Heidelberg SD-OCT。
17. 图像质量阈值：Q ≥ 20。
18. 患者年龄：> 50 岁。
19. 类别数：3。
20. 标签粒度：B-scan 级。
21. 标签编码：Normal=0, Drusen=1, CNV=2。
22. 许可：CC BY 4.0。
23. 全量体积：3.92 GB。
24. CSV 字段数：6。
25. CSV 数据行数：16,822。
26. 配套论文期刊：Computers in Biology and Medicine。
27. 配套论文字段：144, 105368。
28. 配套论文年份：2022。
29. 配套论文 DOI：10.1016/j.compbiomed.2022.105368。
30. 作者自评准确率（终）：93.4% ± 1.4%。
31. 第三方自域准确率：0.977。
32. 第三方跨域准确率（tiny）：0.841。
33. 采集机构：Noor Eye Hospital（德黑兰）。
34. 整理机构：University of Tehran 系统。
35. 访问摩擦：注册登录即可，无审批。
36. read_data.py 大小：4.07 KB。

术语表

• OCT（Optical Coherence Tomography，光学相干断层扫描）：利用近红外光干涉成像视网膜横断面的技术，微米级分辨率。
• SD-OCT（Spectral-Domain OCT，频域 OCT）：一种高速 OCT 实现，NEH-UT 即由 Heidelberg SD-OCT 采集。
• B-scan：OCT 的单张横断面切片图像，一个体积由多张 B-scan 组成。
• volume（体积）：一次 OCT 扫描得到的连续 B-scan 集合。
• AMD（Age-related Macular Degeneration，年龄相关性黄斑变性）：老年人中心视力损害的首要病因。
• Drusen（玻璃膜疣）：视网膜色素上皮下的代谢物堆积，干性 AMD 的标志。
• CNV（Choroidal Neovascularization，脉络膜新生血管）：异常血管长入视网膜下，湿性 AMD 的标志，可致快速视力丧失。
• DME（Diabetic Macular Edema，糖尿病黄斑水肿）：糖尿病并发症，NEH-UT 不含此类。
• FPN（Feature Pyramid Network，特征金字塔网络）：多尺度特征融合结构，配套论文方法基础。
• CNN（Convolutional Neural Network，卷积神经网络）：深度图像分类主力模型。
• MedViT：面向医学图像的视觉 Transformer。
• 域适应（domain adaptation）：将一个域训练的模型迁移到另一个域的技术。
• 患者级划分（patient-wise split）：按患者而非按图像划分数据集，防泄漏。
• worst-case 读取：每体积只取最严重切片的口径（Option 2）。
• kappa（观察者间一致性）：衡量多标注者一致程度的统计量，NEH-UT 未披露。
• CC BY 4.0：知识共享署名 4.0 国际许可，允许商用与改编，需署名。
• ROC/敏感度/特异度：分类性能指标，敏感度=召回病变，特异度=正确排除非病变。
• 数据泄漏（data leakage）：训练信息以非预期方式进入测试，导致评估虚高。
• ImageNet 预训练：在大规模自然图像上预训练，迁移到医学图像的常用起点。
• 迁移学习（transfer learning）：复用预训练模型知识到新任务。
• 类别不平衡（class imbalance）：各类样本数差异大，影响模型偏向。
• Mendeley Data：Elsevier 运营的数据集托管平台。
• EyeDataHub：第三方数据集目录，提供规范化的元数据。

附录 A：条目信息速查卡

项	值
slug	neh-ut-oct
官方名	Labeled Retinal OCT Dataset for Classification of Normal, Drusen, and CNV Cases
短名	NEH-UT
类别	眼科影像 / 图像分类
规模	16,822 张 / 441 例
许可	CC BY 4.0
DOI	10.17632/8kt969dhx6.2
获取	Mendeley Data 公开直链
论文	Comput Biol Med 144:105368 (2022)

附录 B：DAIMS 评估全表

DAIMS（Data AI-Readiness Maturity Score）从数据可用性、标注质量、文档完备、许可开放、工程友好五维评估。

DAIMS 维度	评分（1-5）	说明
Data Availability 数据可用性	5	Mendeley Data 公开，注册即下，无需审批
Annotation 标注质量	4	B-scan 级专家标注，但单专家、无 kappa
Information 文档完备	4	有 CSV 索引、读取脚本、配套论文；逐类图像数官方缺失
Modality/License 许可开放	5	CC BY 4.0，可商用可改编
Standardization 标准化	4	目录规范、患者级隔离、格式统一；版本口径需注意
综合	4.4 / 5	OCT 三分类赛道中 AI-Ready 程度最高之列

附录 C：双口径存照表

项	口径 A	口径 B	结论
图像总数	16,822（Option 1）	16,823（含表头行数）	以 16,822 为准
病例/体积	441 cases	554 volumes	眼级 vs 体积级，并存
逐类图像数	官方仅给病例数	第三方给 8584/4998/3240	标注来源
体积	3.92 GB（Mendeley）	3.65 GB（EyeDataHub）	以官方为准
训练子集	16,822（全量）	12,649（worst-case）	两个官方选项

附录 D：数据获取决策树

需要 OCT 三分类数据？
├─ 能接受 CC BY 4.0 → NEH-UT（本条目）✔
└─ 需要四分类（含 DME） → oct2017（rid 311）
需要跨域测试？
├─ 有美国源域 → NEH-UT 当目标域（伊朗）
└─ 有伊朗源域 → UCSD 当目标域
需要患者级划分？
└─ 用 data_information.csv 的 Patient ID 分组
需要最高自域精度？
└─ MedViT 量级（0.977），注意天花板

附录 E：读取与划分骨架（代码）

# 1. 加载（示意，实际以官方 read_data.py 为准）
# Option 1（全量）-> 16822 张；Option 2（worst-case）-> 12649 张
# X: (N, H, W, 3)，y: List[int]（0=Normal, 1=Drusen, 2=CNV）

# 2. 患者级划分（防泄漏，关键！）
import pandas as pd
df = pd.read_csv("data_information.csv")
patients = df["Patient ID"].unique()
# 按患者划分，而非按图像
# train_patients, test_patients = split(patients)
# train_df = df[df["Patient ID"].isin(train_patients)]

# 3. 类别权重（应对不平衡）
from sklearn.utils.class_weight import compute_class_weight
# cw = compute_class_weight("balanced", classes=[0,1,2], y=train_labels)

附录 F：来源 URL 清单

1. Mendeley Data 官方：https://data.mendeley.com/datasets/8kt969dhx6/2
2. DOI：https://doi.org/10.17632/8kt969dhx6.2
3. EyeDataHub 目录：https://khosravipooya.com/EyeDataHub/datasets/nehut
4. 配套论文：https://doi.org/10.1016/j.compbiomed.2022.105368
5. 第三方 PLOS ONE 2024：https://doi.org/10.1371/journal.pone.0304943
6. 第三方 Preprints 2025：https://www.preprints.org/manuscript/202502.0151
7. 配套代码：https://github.com/SamanSotoudeh/Multi-scale-convolutional-neural-network-for-automated-AMD-classification-using-retinal-OCT-images

附录 G：逐项证据链自证

论断	证据来源
16,822 张图像	Mendeley 官方 Option 1 描述
CC BY 4.0 许可	Mendeley 官方 Licence 字段
441 例 / 120/160/161	Mendeley 官方描述
逐类图像数 8584/4998/3240	Preprints 2025 论文
768×496 尺寸	配套论文
Heidelberg SD-OCT	配套论文
自域 0.977	PLOS ONE 2024 结果表
跨域 0.828/0.841	PLOS ONE 2024 结果表
作者自评 93.4%	Comput Biol Med 2022 摘要

附录 H：适用场景速配

场景	推荐用法
AMD 筛查模型训练	Option 1 全量 + 患者级划分 + 类别权重
复现原论文	Option 2（12,649）+ ImageNet 预训练 + UCSD 微调
跨域泛化评测	UCSD 训练 → NEH-UT 测试
半监督研究	按比例缩减标注，Teacher/Student
数据集综述	引用本条目 §2 规格表 + §4 基准表

附录 I：三条引用建议

• 引用数据集：Sotoudeh-Paima, Hajizadeh, Soltanian-Zadeh (2021/2023), Mendeley Data V2, doi:10.17632/8kt969dhx6.2。
• 引用方法论文：Sotoudeh-Paima et al. (2022), Comput Biol Med 144:105368。
• 引用第三方基准：PLOS ONE 2024、Preprints 2025（具体见 §4）。

附录 J：常见错误与纠正对照

错误说法	正确说法
NEH-UT 有 16823 张图	16,822 张图（16823 含 CSV 表头）
NEH-UT 有四类	三类（Normal/Drusen/CNV）
NEH-UT 来自美国	来自伊朗德黑兰 Noor 眼科医院
NEH-UT 需申请	Mendeley 注册即可下载
NEH-UT 禁商用	CC BY 4.0 允许商用
NEH-UT 是体积级标签	是 B-scan（切片）级标签
NEH-UT 覆盖年轻人群	患者均 >50 岁
NEH-UT 含 DME 类	不含 DME

附录 K：快速上手指南（五步）

第一步：下载
访问 https://data.mendeley.com/datasets/8kt969dhx6/2，注册登录，下载 NEH_UT_2021RetinalOCTDataset.zip（3.92 GB）与 data_information.csv。

第二步：解压与检查
解压后核对目录结构（CNV/DRUSEN/NORMAL），用 CSV 复核 16,822 张。

第三步：读取
运行官方 read_data.py，选择 Option 1（16,822）或 Option 2（12,649）。

第四步：患者级划分
按 CSV 的 Patient ID 分组划分训练/验证/测试，严禁按图像随机划分。

第五步：训练与评估
处理类别不平衡（类别权重/重采样），分别在自域与跨域报告准确率、敏感度、特异度。

附录 L：数据集卡片（Datasheet 风格）

项	内容
动机	为 AMD（正常/玻璃膜疣/CNV）自动分类提供公开数据
构成	16,822 张 768×496 OCT B-scan，441 例，3 类
采集	Noor 眼科医院，Heidelberg SD-OCT，Q≥20，患者>50 岁
预处理	官方提供读取脚本；第三方常 resize 224×224
标签	B-scan 级，单视网膜专科医师
用途	分类、跨域、半监督研究
分发	Mendeley Data，CC BY 4.0
维护	作者团队；V1(2021)→V2(2023)

附录 M：伦理与公平性说明

• 人群代表性：患者均为 >50 岁伊朗人群，单一中心。用于其他人群（年轻、其他地域）时存在分布外风险，模型公平性需独立评估。
• 标注偏倚：单专家标注，未报告观察者间一致性；不同专家的边界判断可能存在系统差异。
• 隐私：OCT 为视网膜横断面影像，无面部直接标识；但患者元数据（ID/眼别）应妥善保管，公开使用时须遵循去标识原则。
• 用途边界：数据集用于研究与教育；不得直接作为临床诊断依据；任何医疗应用须独立完成监管审批。

附录 N：OCT 分类数据集景观表（速查）

数据集	地域	类别	规模	标签粒度	许可	库内 rid
NEH-UT	伊朗	3	16.8 K	B-scan	CC BY 4.0	本条目
oct2017	美国	4	≈108 K	图像	视版本	311
octdl	多源	多病变	中	图像	视版本	690
octid	多源	辨识	中	图像	视版本	697
octa-500	多源	OCTA	500	图像	视版本	341
octa-25k	多源	OCTA	25 K	图像	视版本	859
woives-octa	多源	OCTA	—	图像	视版本	865
age-as-oct	多源	OCT	—	图像	视版本	858

附录 O：三层决策速览

要不要用 NEH-UT？

• 做 OCT 三分类 / AMD 筛查 → 要；
• 需要可商用 → 要（CC BY 4.0）；
• 需要四分类或最大规模 → 不要（改用 oct2017）。

用哪个口径？

• 研究分布、细粒度 → Option 1（16,822）；
• 复现论文、病灶识别 → Option 2（12,649）。

怎么评估？

• 患者级划分 + 自域/跨域两套数字 + 逐类敏感度。

附录 P：一句话到底

NEH-UT 是 OCT 三分类赛道里许可最开放、标签粒度最细、来源最具域多样性的公开数据集之一；它自域好训（0.977）、跨域难做（0.83），既能当基线，更能当泛化能力的试金石。

---

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：

• rfmid — 共享标签：医学影像 / 眼科影像 / 图像分类
• oct2017 — 共享标签：医学影像 / 眼科影像 / 图像分类
• brset — 共享标签：医学影像 / 眼科影像 / 图像分类
• octdl — 共享标签：医学影像 / 眼科影像 / 图像分类
• odir — 共享标签：医学影像 / 眼科影像 / 图像分类
• sics-155 — 共享标签：医学影像 / 眼科影像 / 图像分类
• hygd-hillel-yaffe — 共享标签：医学影像 / 眼科影像 / 图像分类
• hyamd-hillel-yaffe — 共享标签：医学影像 / 眼科影像 / 图像分类
• olives — 共享标签：医学影像 / 眼科影像 / 图像分类
• oimhs — 共享标签：医学影像 / 眼科影像 / 图像分类

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。