OCTA-25K-IQA-SEG — 大规模 OCTA 图像质量评估与 FAZ 分割基准

INFOBOX — OCTA-25K-IQA-SEG 一屏速览

维度	内容
本质	25,665 张 OCTA 血管造影图像的双任务基准：图像级质量三分类 + 像素级 FAZ 分割
官方全名	OCTA-25K-IQA-SEG（IQA=质量评估，SEG=分割），库内简写 slug = octa-25k
团队	中山大学中山眼科中心（通讯 Weijing Cheng / Wei Wang）等 9 作者 6 机构
论文	arXiv:2107.10476 [eess.IV]（2021-07-22，仅 v1；未检索到正式期刊收录）
规模	25,665 张 = 10,480 + 14,042（质量评估）+ 1,101 + 1,143（分割，3×3-1.1k 复用 10k 主集）
设备	Topcon Triton DRI-OCT SS-OCTA，1050 nm，100,000 A-scans/s，统一缩放 320×320
类别	质量三分类：Ungradable / Gradable / outstanding
分割	像素级 FAZ 掩码（Labelme 勾画），浅层最佳 Dice 0.95 / 深层 0.89
IQA 成绩	3×3 最优 Swin-T-Large Acc 0.91 AUC 0.98；6×6 最优 SE-ResNeXt-101 Acc 0.90 AUC 0.98
标注	3 位眼科医生独立标注 + 资深医生终审 + 10% 二次复核
疾病	DR / 糖尿病黄斑水肿 / 白内障 / AMD / CSC（社区筛查，广州）
获取	Zenodo 公开（5111975 质量评估 / 5111972 掩码 v1.2 / 5111976 模型）；论文 CC BY 4.0
库内互链	OCTA-500（同模态异任务）、OCTDL、OCTID、OCT2017、EyePACS

OCTA-25K-IQA-SEG 是眼科 AI 领域一次"把两个卡脖子问题一并喂给深度学习"的尝试。OCTA（光学相干断层血管成像）能在不用造影剂的情况下看到视网膜最细的毛细血管，但它的图像质量差异极大——患者配合度、屈光介质透明度、光学畸变都会让同一台设备拍出天差地别的图；而血管分析绕不开的核心区域 FAZ（中心凹无血管区）又需要逐像素勾画，人工做既慢又主观。这份数据集用 25,665 张图同时支撑两件事：让模型先判断图能不能用（质量三分类），再自动圈出 FAZ（像素级分割），并把两者串成一套叫 COIPS 的流水线。它是当时 OCTA 领域规模最大的公开基准，规模上比此前任何公开 OCTA 数据集大一个数量级。

导语读法三则：

1. 只想下数据跑模型：直奔 §6 获取与许可——质量评估集与分割集分两个 Zenodo DOI，训练模型另有一个；先用 §7 的官方基线数字对标。
2. 关心数据集工程：直奔 §2 构成与 §4 标注——注意"25,665 与子集之和不相等"的加法陷阱（坑 1）。
3. 做质量评估/血管分割方法：直奔 §5 的 IQA 表与 §7 的分割指标——浅层深层差异是选型关键。

§0 导读：这个数据集解决什么问题

视网膜微血管是全身唯一能"无创直视"的血管床，而 OCTA 是把它拍清楚的最年轻工具：用血流运动对比成像，不需要注射荧光造影剂，就能在活体上分层显示浅层（superficial）、深层（deep）乃至脉络膜毛细血管的微血管形态。论文引言给出的临床动机很扎实——OCTA 已被用于糖尿病视网膜病变（DR）分期与临床前诊断，而 FAZ 面积与 DR、视网膜静脉阻塞（RVO）、年龄相关黄斑变性（AMD）的视力预后高度相关。

但 OCTA 落地卡在两个地方。

第一是质量关。OCTA 图像质量受患者配合度、介质透明度、光学畸变、设备因素多重影响，典型伪影包括离焦、阴影、运动伪影、分割错误、信号丢失、投影伪影。论文引用两道硬数据：约 31.6% 的常规断层图像被判为不可用；多中心临床试验里 53.5% 的 OCTA 图像带严重影响定量可靠性的伪影。传统的"信号强度质量分"根本不够用——论文指出商业推荐的质量指数对"可靠图像"的灵敏度只有 37%-41%，而且运动、信号丢失、模糊、偏心这类伪影压根不在信号强度的表达能力里，只能靠训练有素的技术员人工挑图，在繁忙门诊里是沉重负担。

第二是 FAZ 关。FAZ 是视网膜上锥体细胞密度与耗氧量最高、基本无血管的特化区域，它的面积变化是多种视网膜血管疾病的敏感指标。但 FAZ 边界在伪影下常常模糊，传统去噪滤波效果有限，人工测量又慢又累。

OCTA-25K-IQA-SEG 的回答是**“一个数据集 + 一套系统”**。数据集层面：25,665 张 OCTA 图，切成四个子集（两个 3×3/6×6 视野的质量评估集，两个浅层/深层的像素级分割集），提供图级质量标签与像素级 FAZ 掩码两种监督。系统层面：COIPS（Computer-aided OCTA Image Processing System）把"格式转换 → 质量评估 → FAZ 分割 → FAZ 度量量化 → 报告生成"串成流水线，五骨干分类器 + 一 nnU-Net 分割器，号称"过滤-再处理"（filter-then-process）——先把 ungradable 图扔掉，只对可用的图做分割，既省算力又避免污染下游结果。

§0 读法三则：

1. 这个条目是"数据集 + 方法论文"二合一：数据集的价值在规模与双任务标签，系统的价值在可复制的流水线设计——两者在 §7 合流。
2. 全文数字均出自论文正文/表格、GitHub README 与 Zenodo 记录三源互证；冲突处（总量加法、切分缺口、视场笔误）已在 §4 与 §10 存照。
3. 检索时别把 octa-500（OCTA-500）或 octdl/octid/oct2017 当成本条目——前者是同模态异任务的另一数据集，后三者是 OCT（结构断层）而非 OCTA（血管造影），模态不同（坑 2、坑 3）。

§1 数据集速览：十问十答

Q1：OCTA-25K 这个名字里的 “25K” 指什么？
指总量约 25,665 张 OCTA 图像（“25K” 是数量级简称）。官方完整名是 OCTA-25K-IQA-SEG，前段 IQA 对应质量评估子任务、后段 SEG 对应 FAZ 分割子任务。

Q2：它到底是什么模态的图？
OCTA，光学相干断层血管成像（Optical Coherence Tomography Angiography），是 OCT 的技术延伸。和普通 OCT 拍"断层剖面"（B-scan）不同，OCTA 拍的是en-face 微血管平面图——本文全篇是这种血管盘图，不是断层图（坑 3）。

Q3：四个子集分别是什么？
sOCTA-3×3-10k（10,480 张 3×3 mm² 浅层，质量三分类）、sOCTA-6×6-14k（14,042 张 6×6 mm² 浅层，质量三分类）、sOCTA-3×3-1.1k-seg（1,101 张 3×3 mm² 浅层，带 FAZ 像素掩码）、dOCTA-6×6-1.1k-seg（1,143 张 6×6 mm² 深层，带 FAZ 像素掩码）。

Q4：为什么 10,480+14,042+1,101+1,143 不等于 25,665？
因为 3×3-1.1k-seg 的 1,101 张是从 10,480 张 3×3 主集里随机抽出来补像素标注的，与主集重叠，不能简单相加。官方总量 25,665 是"去重后"计数（坑 1、§4 存照）。

Q5：图的质量标签有哪几类？怎么定义的？
三类：Ungradable（不可用，黄斑偏心/模糊、血管模糊）、Gradable（可用，中度模糊或条纹噪声、黄斑清晰）、outstanding（优异，无模糊或轻微条纹噪声、黄斑与血管都清晰）。判定依据三要素：图像质量、黄斑清晰度、视网膜血管清晰度（§5）。

Q6：谁标的？可靠吗？
全部图像由 3 位经验丰富的眼科医生独立标注，模糊/歧义图提交另一资深眼科医生终审；另抽 10% 的图级与像素级标注由另一位资深医生二次复核以降低主观偏差。像素掩码用 Labelme 勾画。

Q7：设备与图像规格是什么？
Topcon Triton DRI-OCT（SS-OCTA，扫描源 OCTA），1050 nm 可调激光，100,000 A-scans/s，统一缩放至 320×320 像素；数据集构造未做图像增强，以保留原始特征。

Q8：模型表现如何？
质量评估：3×3 最优 Swin-Transformer-Large（Acc 0.91 / AUC 0.98），6×6 最优 SE-ResNeXt-101（Acc 0.90 / AUC 0.98）。FAZ 分割：浅层 nnU-Net Dice 0.95、深层 0.89；深层因边界不清晰明显更难（§7）。

Q9：现在还能下载吗？
能。三个 Zenodo DOI 公开：质量评估集 10.5281/zenodo.5111975、FAZ 掩码集 10.5281/zenodo.5111972（v1.2）、训练模型 10.5281/zenodo.5111976；代码在 GitHub shanzha09/COIPS。无需注册即可下载（坑 5）。

Q10：为什么它对 AI-Ready 重要？
它是"双任务标签 + 可复现流水线 + Zenodo 公开"的完整样本：既提供图级分类监督又提供像素级分割监督，还给出五骨干 IQA 与 nnU-Net 分割的官方基线，让后来者有一把统一标尺。数据许可未显式挂 CC 徽章是它的主要失分项（§6）。

§2 数据构成与规格

2.1 规模、来源与四子集构成

OCTA-25K-IQA-SEG 的 25,665 张图全部来自中山大学中山眼科中心的社区筛查队列，患者涵盖健康受试者与多种眼科疾病。四个子集按"视野（3×3 mm² / 6×6 mm²）× 血管层（浅层 sOCTA / 深层 dOCTA）× 任务（质量评估 / 分割）"切分：

子集	视野	血管层	图像数	标注类型
sOCTA-3×3-10k	3×3 mm²	浅层	10,480	图像级质量三分类
sOCTA-6×6-14k	6×6 mm²	浅层	14,042	图像级质量三分类
sOCTA-3×3-1.1k-seg	3×3 mm²	浅层	1,101	像素级 FAZ 掩码
dOCTA-6×6-1.1k-seg	6×6 mm²	深层	1,143	像素级 FAZ 掩码
合计（官方口径）	—	—	25,665	双任务

论文对"为什么是这四个子集"的解释是"for study purpose"——按图像类型与视野划分，服务于质量评估与分割两类研究。这一布局让数据集同时具备两条使用路径：想研究质量控制的用前两个大集，想研究血管分割的用后两个分割集，两条路径共享同一台设备、同一批患者的成像条件。

三个量级细节值得记住：

1. 规模大一个数量级。论文明确宣称"an order of magnitude larger than any previous public dataset in OCTA-related study"，并称是 OCTA 领域当时最大的公开数据集。论文 Table 1 列出既往工作的 OCTA 数据集（多为私有或小规模），仅有一个小规模数据集公开——本条目是首个大规模公开尝试。
2. 视野与层正交。3×3 mm² 分辨率更高、适合看 FAZ 细节；6×6 mm² 覆盖更广、但边界更糊。浅层（superficial）血管清晰，深层（deep）因信号衰减与投影伪影边界更弱——这直接决定了后文分割指标的浅-深差距。
3. 两个分割集视野不对称。分割任务只给了"3×3 浅层"和"6×6 深层"两种组合，即 3×3 只配浅层、6×6 只配深层。想在 3×3 深层或 6×6 浅层上做分割评测的团队，本数据集帮不上——这是子集设计的硬边界。

2.2 图像规格与对齐保证

属性	规格
成像设备	Topcon Triton DRI-OCT（swept-source OCTA，SS-OCTA）
激光波长	1050 nm wavelength-tunable
扫描速度	100,000 A-scans/s
目标视野	3×3 mm² 或 6×6 mm²（子集划分依据）
统一尺寸	320×320 像素（缩放后）
统一格式	PNG（OpenCV 4.5.1.48 转换）
数据集内增强	无（刻意保留原始图像特征）
采集地点	中山大学中山眼科中心（社区筛查，广州）
外部测试来源	四川大学华西医院

需要留意的是"320×320 统一缩放"这一步：原始 OCTA 图尺寸随设备与视野不同，数据集统一缩放到 320×320 再发布，好处是格式一致、便于批量训练，代价是原始分辨率信息在缩放中损失——若下游任务对微血管细节敏感（如单支毛细血管级分析），320×320 可能不够用，需要回溯源图。

论文特别声明"we did not adopt image augmentation methods in the construction of the dataset in this research to remain the original characteristic of the images"——即数据集本身不做增强，增强留给使用者在训练时自行决定（论文在 COIPS 训练阶段确实用了随机水平翻转与随机旋转，但那是模型训练策略，不是数据集属性）。

2.3 疾病谱与受试者构成

数据集覆盖的疾病（论文 2.1 节）：

疾病	英文	与 FAZ 的关联
糖尿病视网膜病变	diabetic retinopathy（DR）	FAZ 面积与 DR 分期及视力预后相关
糖尿病黄斑水肿	diabetic macular edema	黄斑区微循环改变
白内障	cataract	屈光介质混浊影响图像质量
年龄相关黄斑变性	age-related macular degeneration（AMD）	FAZ 面积与 AMD 视力相关
中心性浆液性脉络膜视网膜病变	central serous chorioretinopathy（CSC）	黄斑区病变

论文另有一处提及 glaucoma（青光眼）。这份疾病谱的设计意图很明确：既要覆盖"图难拍"的病理（白内障影响介质透明度、CSC/AMD 影响黄斑形态），又要覆盖"FAZ 重要"的病理（DR、AMD）——质量控制与血管量化两条线索在疾病层面是打通的。

未披露项：患者总数、每疾病的例数、每类的性别年龄构成均未在论文文字中给出。对做患者级分层分析的研究者，这是必须先接受的信息缺口（§9）。

2.4 与库内 OCTA-500 的关系边界

库内已有 octa-500（rid 341），两者都叫 OCTA 但不是同源、不是别名、更不是版本关系：

维度	OCTA-500（rid 341）	OCTA-25K-IQA-SEG（本条目）
数据形态	500 只眼的 OCT/OCTA 配对三维体数据	25,665 张 2D en-face OCTA 图
视野	2 种视野	2 种视野（3×3/6×6）
任务	血管/层分割（11 类标注）	质量三分类 + FAZ 分割
规模口径	500 眼	25,665 张
侧重	分割标注丰富度	质量评估 + 大规模

一句话：OCTA-500 强在体数据与标注类别多，OCTA-25K 强在规模与"质量评估"这个独有任务维度。两者互补，使用者在检索 OCTA 资源时应同时纳入（§9 互链）。

§3 标注流程：图像级与像素级两条线

3.1 两类标注、两类工具

论文 2.2 节明确数据集提供两种标注：

1. 图像级分类标签：每张 OCTA 图标注为 ungradable / gradable / outstanding 之一（质量评估任务）。
2. 像素级掩码：对分割子集的图逐像素勾画 FAZ 区域（分割任务）。

像素级标注使用开源工具 Labelme 完成——这是一个通用的图形化图像标注工具（github.com/wkentaro/labelme），用多边形顶点围出 FAZ 轮廓，导出为掩码。选 Labelme 而非专用眼科工具，说明标注流程追求的是"通用、低门槛、可复现"，而非绑定某台设备厂商的软件。

3.2 人员结构与质控

环节	人员	职责
初标	3 位经验丰富的眼科医生	独立完成图级三分类与像素级 FAZ 勾画
终审	另一名资深眼科医生	对模糊/歧义图像做最终判定
复核	另一位资深眼科医生	抽 10% 图级/像素级标注二次核查

两处防偏设计值得点出：

1. 三人独立标注 + 歧义仲裁：不是"一人标、一人查"，而是三份独立判断 + 上级仲裁——这比单专家标注更能暴露判断分歧。
2. 10% 二次复核：为降低主观判断偏差，专门抽 10% 的图像做二次核查。这个数字对应的是"抽样质检"而非全量终审——与库内 PANDA-PLUS 的"全量终审"是两种不同质控哲学（§8.4 对照）。

3.3 分割子集的选取逻辑

像素级标注的 2,244 张（1,101 + 1,143）不是全量标注，而是精选子集：

• 1,101 张 3×3 sOCTA：从 sOCTA-3×3-10k 主集的 gradable + outstanding 图中随机抽取——注意不含 ungradable，因为不可用图的黄斑中心要么模糊要么根本看不到，没有可勾画的 FAZ。
• 1,143 张 6×6 dOCTA：深层图，与对应 sOCTA 成对采集。

这个"只从可用图里抽"的设计与 COIPS 的"过滤-再处理"逻辑完全一致：质量门在分割之前（§7）。对使用者的含义是：分割集里的图都是"好图"，模型在分割集上训练/评测时不会遇到真实临床中的低质量图——如果你要评估模型对低质量输入的鲁棒性，必须自己去质量评估集里挑 ungradable 图配进来（§8.3）。

3.4 数据切分方案

论文 2.3 节与 Table 3/4 给出切分（GitHub README 同表）：

质量评估切分：

集	sOCTA-3×3-10k	sOCTA-6×6-14k
训练	6,915	9,292
测试	2,965	4,150
内部测试	300	300
外部测试	300	300
合计	10,480	14,042

FAZ 分割切分：

集	sOCTA-3×3-1.1k-seg	dOCTA-6×6-1.1k-seg
训练	708	800
测试	304	343
合计	1,101	1,143

质量评估切分的加法完全自洽（两条线都对得上）。分割切分里 dOCTA 自洽（800+343=1,143），但 3×3-1.1k-seg 的 708+304=1,012，与 1,101 差 89——GitHub 表只列了"训练/测试"两行，没有第三行解释缺口。可能的原因是：训练集内含交叉验证折（论文说分割用 5-fold cross-validation），或 1,101 的某部分未进入训练/测试的公开划分。这是本条目必须存照的口径缺口（坑 4）。

成对设计细节：论文明确指出"对每位患者，dOCTA 与 sOCTA 图同时采集，两类图的 id 有相同前缀，因此 sOCTA 的质量评估结果可以沿用到 dOCTA"。这意味着：深层图不单独做质量标注，而是复用配对的浅层图标签——这是一个巧妙的省标注设计，但也意味着分割集里 dOCTA 的质量标签是"借用"来的，不是独立标注的。

§4 一处关键陷阱：总量与子集之和不相等

4.1 加法冲突的事实

把四个子集数字相加，得到 26,766 张，而官方总量是 25,665 张，差 1,101：

10,480 + 14,042 + 1,101 + 1,143 = 26,766
官方总量                          = 25,665
差额                              =  1,101  ← 恰等于 sOCTA-3×3-1.1k-seg 的张数

差额恰好等于 3×3-1.1k-seg 的张数，这不是巧合。论文 2.2 节原文：“1,101 3×3 mm² sOCTA images chosen from gradable and outstanding OCTA images randomly in the subset sOCTA-3×3-10k”——即 1,101 张分割图是从 10,480 张 3×3 质量评估集里抽出来的，与主集重叠。

4.2 正确的读法

四子集不是互斥分区，而是"两套用途、图件复用"：

• 质量评估资产：10,480（3×3）+ 14,042（6×6）= 24,522 张带图级标签。
• 分割资产：1,101（3×3，取自上面）+ 1,143（6×6，新的）= 2,244 张带像素标签。
• 去重后总量：24,522 + 1,143 = 25,665 ✓（3×3 的 1,101 已被计入，不重复加）。

所以官方 25,665 = “24,522 张质量评估图（其中 1,101 张额外带分割掩码）+ 1,143 张深层分割图”。任何把四子集简单相加得到 26,766 的写法都是错的。

4.3 对使用者的三条含义

1. 做质量评估：可用 24,522 张（不是 25,665），因为分割集里的 3×3 图是质量评估集的子集，不应重复计入。
2. 做分割：可用 2,244 张（1,101 + 1,143），这是真实的分割监督规模——注意别被"25K"误导以为能拿到两万多张有掩码的图，有像素掩码的只有 2,244 张。
3. 跨任务联合训练：可以利用"3×3 的 1,101 张同时有质量标签和分割掩码"这一重叠做多任务学习，但要多加小心避免数据泄漏——同一张图若既在质量训练的测试集又在分割训练的测试集，评测口径要显式声明。

这个加法陷阱是本条目最容易被误读的地方：一个"25K"的大数字容易让人以为处处都有 25K，实际上带像素掩码的分割数据只有 2,244 张，仅占 8.7%。规模红利主要落在质量评估任务上（坑 1）。

§5 任务定义与标注规范

5.1 质量评估：三分类的判定标准

质量评估被定义为一个三分类任务，每张 OCTA 图归入一类。判定依据三个维度：图像质量（Image Quality）、黄斑清晰度（Macular Clarity）、视网膜血管清晰度（Retinal Vascular Clarity）。论文 Table 2 给出完整定义：

类别	图像质量	黄斑清晰度	视网膜血管清晰度
Ungradable	不足（Insufficient）	黄斑可能偏心或模糊	模糊（Blurring）
Gradable	中度模糊或条纹噪声	清晰（Clear）	中度模糊
outstanding	完全可见无模糊，或轻微条纹噪声	清晰	清晰或轻微模糊

读这张表的三个要点：

1. 三类的核心区分是"黄斑中心能不能看准"。Ungradable 的标志是黄斑偏心/模糊（连中心定位都不稳），Gradable 与 outstanding 都要求黄斑清晰——两者差别在血管清晰度与条纹噪声量级。这与 FAZ 分割直接相关：FAZ 就在黄斑中心，黄斑不清就无法可靠勾画。
2. degenerate 判定不只看信号强度。论文引言已批判过"信号强度分"的不足，Table 2 的判定维度（模糊、偏心、条纹噪声）正是信号强度分覆盖不了的形态学伪影——这是数据集设计对传统质控的有意超越。
3. 三类的英文大小写：论文与数据集中 Ungradable、Gradable 首字母大写，outstanding 在原文中为小写（论文行文如此，非笔误）——引用时保持原样或统一注明。

5.2 FAZ 分割：像素级二值掩码

分割任务是像素级二值分割：给定一张可用的 OCTA 图，输出 FAZ 区域的二值掩码。掩码由 Labelme 多边形勾画转成。

FAZ 的临床意义是分割任务存在的理由：FAZ 面积（S_FAZ）是视网膜血管疾病的定量指标。论文给出面积计算公式：

S_FAZ = (N_mask × a²) / z²

其中 N_mask 是预测 FAZ 掩码的像素数，a 是 OCTA 图对应的视网膜真实长度，z 是 FAZ 掩码图的水平像素值。这个公式把"像素计数"折算回"物理面积"——这正是 COIPS 量化模块的核心，也是数据集能支撑"FAZ 面积 → 疾病关联"研究的技术前提。

5.3 两类标注的粒度关系

维度	质量评估标签	FAZ 分割掩码
粒度	图像级（一图一标签）	像素级（一图一掩码）
规模	24,522 张	2,244 张
类别体系	3 类（有序：差→中→好）	2 类（FAZ/非 FAZ，二值）
工具	眼科医生人工判读	Labelme 勾画
任务类型	图像分类	语义分割

两者是有序关系：分割只能建在质量合格图上。这决定了使用流程——先过质量门，再进分割（§7）。

§6 获取与许可：三个 Zenodo DOI 怎么进

6.1 三类资产、三个入口

资产	入口	版本	门槛
质量评估数据集（sOCTA-3×3-10k + sOCTA-6×6-14k）	Zenodo DOI 10.5281/zenodo.5111975	v1.0	公开，直接下载
FAZ 像素掩码数据集（1.1k-seg ×2）	Zenodo DOI 10.5281/zenodo.5111972	v1.2	公开，直接下载
训练好的模型	Zenodo DOI 10.5281/zenodo.5111976	—	公开，直接下载
代码（COIPS 系统）	GitHub shanzha09/COIPS	最后更新 2021-07-23	公开
论文	arXiv:2107.10476	v1	公开，CC BY 4.0

三条入口互不重叠：质量标签走 5111975，像素掩码走 5111972，模型走 5111976。混用入口会下错包。

6.2 版本链与发布时点

• 5111975（质量评估）：Zenodo 标注 Version 1.0，发布 2021-07-06。
• 5111972（FAZ 掩码）：Zenodo 标注 Version 1.2，发布 2021-07-06——版本号更高，说明分割集在发布前经过了至少一次修订（可能是掩码修正或子集补充，论文未说明修订细节）。
• 5111976（模型）：README 通过 DOI badge 指向，供 COIPS 直接加载推理。

所有资产的发布时间都早于或等于论文 arXiv 上线日（2021-07-22），说明团队是"先放数据、再放论文"，数据可用性先于论文抵达。

6.3 许可状况：一个必须存照的模糊点

确定的部分：

• 论文 HTML 页明确标注 License: CC BY 4.0——论文文本本身是宽松署名许可。
• Zenodo 两记录的描述均写 “These datasets are public available”（公开可获取），README 亦称 “public available”。

模糊的部分：

• Zenodo 记录页在检索时未显式展示 CC 许可徽章，API 层面未返回明确的 license 字段。
• 论文的 CC BY 4.0 是否覆盖数据集（而非仅论文文本）未明确声明。
• GitHub 仓库未见 LICENSE 文件。

对使用者的操作建议：

1. 论文引用按 CC BY 4.0 处理（明确）。
2. 数据再分发/商用，稳妥做法是向通讯作者（Weijing Cheng / Wei Wang）书面确认——虽然团队称"public available"，但"公开可获取"与"CC BY 允许商用再分发"不是同义表述。
3. 学术研究使用风险低（团队明确欢迎引用），商用管线需谨慎（坑 5）。

6.4 AI-Ready 评估

以库内 AI-Ready 检查单过一遍：

• 机器可读元数据：Zenodo 记录结构完整（标题/作者/机构/描述/DOI），arXiv 全文开放——良好。
• 公开直链：三个 Zenodo DOI 全部公开、无需注册——满分项，这是本条目相对库内"请求制"数据集的显著优势。
• 许可明确性：论文 CC BY 4.0 明确，但数据侧许可未显式标注——失分项。
• 可复现性：代码 + 模型都公开，官方基线完整——良好。
• 文档自洽：总量加法冲突（坑 1）、切分缺口（坑 4）、视场笔误（坑 6）——文档有瑕疵但均可在论文内自洽解释。

综合：AI-Ready 等级"中上"——获取性优于均值（全公开直链），文档质量略受口径瑕疵拖累，许可明确性待补。

§7 COIPS 系统：从质量门到 FAZ 量化的流水线

7.1 系统总览

COIPS（Computer-aided OCTA Image Processing System，计算机辅助 OCTA 图像处理系统）是一套端到端流水线，按配置文件自动选择处理路径，五个阶段：

① 格式转换（原始图 → 统一 PNG）
   ↓
② 质量评估 block（五骨干分类器，三分类）
   ↓  判断为 ungradable → 丢弃（不进分割，省算力）
   ↓  判断为 gradable/outstanding → 继续
③ FAZ 分割 block（nnU-Net 框架的 U-Net-like 网络）
   ↓
④ FAZ 度量量化（面积 S_FAZ = N_mask·a²/z² + 统计聚合）
   ↓
⑤ 诊断报告生成

设计哲学是"filter-then-process"（过滤-再处理）：论文 3.1 节明确"ungradable 图不帮助疾病诊断，只会增加计算成本，因此丢弃"。这个"质量门前置"的设计把质控从"事后挑错"变成"流程闸门"——只有通过质量门的图才进入昂贵的分割与量化，既省算力又保证下游定量结果不被低质量输入污染。

7.2 质量评估 block：五骨干横向评测

质量评估 block 采用迁移学习，横向评测五个 ImageNet 预训练骨干：ResNet-101、Inception-V3、EfficientNet-B7、SE-ResNeXt-101、Swin-Transformer-Large。在 sOCTA-3×3-10k 与 sOCTA-6×6-14k 上分别训练评测（测试集/内部测试/外部测试三者平均）：

骨干	3×3 Acc	3×3 Pre	3×3 F1	3×3 AUC	6×6 Acc	6×6 Pre	6×6 F1	6×6 AUC
ResNet-101	0.85	0.85	0.85	0.90	0.80	0.85	0.84	0.91
SE-ResNeXt-101	0.87	0.89	0.87	0.96	0.90	0.90	0.90	0.98
EfficientNet-B7	0.87	0.88	0.87	0.93	0.85	0.87	0.86	0.92
Swin-T-Large	0.91	0.92	0.91	0.98	0.82	0.84	0.83	0.96
Inception-V3	0.89	0.90	0.89	0.97	0.86	0.87	0.86	0.97

三个关键结论（论文口径）：

1. 3×3 视野最优是 Swin-Transformer-Large：Acc 0.91 / Pre 0.92 / F1 0.91 / AUC 0.98——ViT 系在大视野细节上占优。
2. 6×6 视野最优是 SE-ResNeXt-101：Acc 0.90 / Pre 0.90 / F1 0.90 / AUC 0.98——CNN 注意力机制在更广视野上反超。
3. 没有单一骨干通吃两个视野：这是论文一个有价值的发现——质量评估模型的最优架构依赖视野，不是"越新的架构越好"。

论文指出三分类之间预测性能无显著差异（混淆矩阵），说明模型没有系统性偏向某一类。最终 COIPS 实际部署的是"3×3 用 Swin-T-Large、6×6 用 SE-ResNeXt-101"的双骨干组合。

7.3 FAZ 分割 block：nnU-Net

分割网络是"based on nnU-Net framework"的 U-Net-like 架构。nnU-Net 是一个自动配置医学图像分割网络的框架，论文在其基础上微调以适配 OCTA 的 FAZ 分割。训练配置：

• 优化器：SGD，初始学习率 0.01，Nesterov momentum 0.99。
• 训练策略：5-fold 交叉验证，取最优折推理。
• 学习率调度：poly 衰减策略，指数 0.9。
• 损失函数：交叉熵损失（CE-loss）+ Dice 损失线性组合，λ=0.5。论文解释 Dice 损失擅长处理类别不平衡但训练不稳，引入 CE 提升稳定性与精度。
• 其余网络配置参数由 nnU-Net 框架自动生成。

选择 nnU-Net 而非自建网络，体现的是"站在成熟框架上"的工程取向——nnU-Net 在多个医学分割挑战赛上验证过，直接复用能省下大量调参。

7.4 FAZ 分割结果

指标	sOCTA-3×3-1.1k-seg（浅层）	dOCTA-6×6-1.1k-seg（深层）
Dice 系数	0.95	0.89
Jaccard 指数	0.91	0.79
Precision	0.96	0.89
Recall	0.95	0.89

浅-深差距是本节最重要的事实：同一套网络，浅层 Dice 0.95、深层只有 0.89（Jaccard 从 0.91 掉到 0.79）。论文给出的解释是"6×6 OCTA 图的边界不如 3×3 清晰，使 FAZ 定位更难"。这里其实两个因素叠加：6×6 视野本身分辨率更粗，且深层血管信号更弱——两者共同拉低了深层分割表现。

论文还指出，COIPS 的质量评估与 FAZ 分割表现"comparable to those of two experienced professional ophthalmologists"（与两位资深专业眼科医生相当）——这是团队对系统临床可用性的核心宣称。

7.5 外部泛化验证

质量评估在两个视野上各设 300 张内部测试 + 300 张外部测试（外部来自四川大学华西医院）。外部测试的意义是检验跨机构泛化——不同医院、不同设备、不同患者群的图像分布偏移会暴露模型过拟合。论文将测试集/内部/外部三者平均报告，说明模型在跨机构数据上保持了可用性能（具体分项数字在 Supplementary Note Table S1-S10，正文未全列——遗留细节）。

§8 方法学启示：四条可迁移的经验

8.1 "质量门前置"是可复制的流水线范式

COIPS 最有迁移价值的设计不是某个网络，而是流程结构：把质量评估放在分割之前，ungradable 直接丢弃。这个"filter-then-process"范式的普适性在于——任何"输入质量决定输出可靠性"的医学影像任务都可以套用。超声、眼底照相、皮肤镜、内镜都面临"图拍得好不好"的问题，传统的做法是事后挑错（结果差了再回头找原因），COIPS 把它变成前置闸门（烂图根本进不了下游）。

代价与边界也要说清：质量门前置假设"质量是可自动判定的"，如果质量评估器本身误判（把好图判成 ungradable 丢弃、或把烂图放进分割），错误会级联放大。因此质量评估器的精度直接决定整条流水线的可靠性上限——这也是本数据集把质量评估作为独立任务重点评测（五骨干横向比较）的原因。

8.2 "双任务共享一个数据集"是省标注的智慧

一份 OCTA 图像数据，同时产出质量标签与分割掩码——这不是简单地"标两次"，而是任务间共享图像资产。三个层次的红利：

1. 标注成本分摊：图像采集（最贵的一步）只做一次，两类标注各有侧重。
2. 多任务学习可行：3×3 的 1,101 张同时有两类标签，天然支持多任务联合训练。
3. 任务间可验证因果：质量标签与分割质量的关系可以被定量研究（低质量图的 FAZ 是否更难分割）。

这套"一份数据、两套标签"的模式，对预算有限的数据集团队是直接可抄的作业。

8.3 分层评测暴露任务难度

数据集刻意按"视野 × 血管层"切分，让浅层与深层、3×3 与 6×6 的难度差异暴露出来。结果很有教育意义：深层分割显著难于浅层（Dice 0.89 vs 0.95），不同视野的最优架构不同（3×3 用 ViT、6×6 用 CNN）。

对方法研究者的启示是：报告指标时必须分层。一个"平均 Dice 0.92"掩盖了 0.95 与 0.89 的差距，会让读者误以为模型在深层上也可用。分层报告不是啰嗦，是让真实难度可见。

8.4 标注质控的两条路线对照

与库内 PANDA-PLUS 的对照很有价值：

维度	PANDA-PLUS	OCTA-25K（本条目）
质控模式	全量终审（每个结构都过专家眼）	抽检复核（10% 二次核查）
人员结构	学生初注 → 高年级复核 → 专家终审（三层）	3 医生独立 → 资深仲裁 → 10% 复核
适用场景	判断边界有争议（Gleason 分级）	判断标准较清晰（FAZ 边界、质量分类）
成本	高	中

两种路线的选择取决于任务判断的争议度：FAZ 边界与质量分类标准相对清晰，抽检 10% 足够；Gleason 分级争议大，必须全量终审。这不是谁优谁劣，是量体裁衣。本条目还多了一个"三人独立 + 仲裁"的机制——用多人独立标注来暴露分歧，比"一人标、一人查"更能发现系统性判断偏差。

§9 与库内条目的关系

9.1 家族图谱

• OCTA-500（rid 341）：同模态异任务的直接姊妹条目。两者都是 OCTA 血管造影，但 OCTA-500 是 500 眼 OCT/OCTA 配对三维体、11 类分割标注，本条目是 25,665 张 2D en-face 图、质量评估 + FAZ 分割。同读才能拼出 OCTA 资源的完整面：一个强在体数据与标注类别，一个强在规模与质量评估维度（§2.4）。
• OCTDL（rid 690）：黄斑 OCT B-scan 分类数据集，2064 张、三级标注流水线。同为眼科影像 + 标注方法学参照——但 OCTDL 是 OCT 结构断层图，本条目是 OCTA 血管图（坑 3）。
• OCTID（rid 697）：SD-OCT 视网膜图像库，5 类疾病 582 张 + 分层分割金标准。分割任务的 OCT 侧对照。
• OCT2017（rid 311）：Kermany 84,484 张 SD-OCT 分类经典。规模维度的 OCT 侧参照。
• EyePACS（rid 58）：糖尿病视网膜病变眼底影像数据集。疾病维度（DR）的跨模态互链——眼底照相 vs OCTA 血管成像对同一疾病的两种观察方式。
• Messidor（rid 59）/IDRiD（rid 191）/APTOS-2019（rid 61）：眼底照相 DR 分级数据集族。与本条目共同构成"DR 多模态观察面"——OCTA 看微血管、眼底照相看病变形态，三者可对照同一疾病的不同成像维度。

9.2 检索路径建议

• 检索词组合：“OCTA-25K” 或 “OCTA-25K-IQA-SEG”（精确）+ “FAZ” + “quality assessment”；勿用 “OCTA-500” 检索本条目（坑 2）。
• 若目标是把 OCTA 模态资源找全：OCTA-500（体数据/分割）↔ 本条目（规模/质量）→ OCTDL/OCTID/OCT2017（OCT 结构侧）→ EyePACS（DR 眼底侧）。
• 若目标是引用基准数字：数据规模引 arXiv 摘要与 Zenodo 记录；IQA 表引论文 Table 6；分割指标引论文 Table 7；训练模型引 Zenodo 5111976。

§10 避坑清单：六个已存照的坑

坑 1：25,665 与四子集之和不相等（加法陷阱）。10,480 + 14,042 + 1,101 + 1,143 = 26,766 ≠ 25,665。差额 1,101 恰为 sOCTA-3×3-1.1k-seg 的规模——该子集是从 10,480 主集随机抽出的、与主集重叠的图，四子集非互斥分区。正确读法：24,522 张质量评估图（其中 1,101 张额外带掩码）+ 1,143 张深层分割图 = 25,665。带像素掩码的图只有 2,244 张（8.7%），别被 “25K” 误导以为处处 25K（§4）。

坑 2：OCTA-25K ≠ OCTA-500。库内 octa-500（rid 341）是另一数据集（500 眼 OCT/OCTA 三维体数据、11 类标注），与 OCTA-25K-IQA-SEG 无别名/版本关系。两者都叫 OCTA 但数据形态（体数据 vs 2D en-face）、规模口径、任务全异。检索时用精确名 “OCTA-25K” 或 “OCTA-25K-IQA-SEG”，勿混。

坑 3：OCTA ≠ OCT，别据 “oct” 前缀互认条目。本条目是 OCTA（光学相干断层血管成像，血管造影 en-face 图），库内 octdl(690)/octid(697)/oct2017(311) 是 OCT（结构断层 B-scan）。模态不同（一个看血管、一个看组织横截面），任务与图像形态都不同。名称含 “oct” 不代表同类。

坑 4：分割子集切分缺口。sOCTA-3×3-1.1k-seg 训练 708 + 测试 304 = 1,012，与总量 1,101 差 89（GitHub 表仅列训练/测试两行）。dOCTA-6×6-1.1k-seg 自洽（800+343=1,143）。差额可能来自交叉验证折或未公开划分。复现训练/测试切分时勿假设 708+304 覆盖全集（§3.4）。

坑 5：数据许可未显式声明。论文文本 CC BY 4.0 明确，但 Zenodo 记录页未挂 CC 徽章、GitHub 无 LICENSE 文件，数据侧许可存在模糊。学术使用风险低，商用/再分发需向通讯作者（Weijing Cheng / Wei Wang）书面确认（§6.3）。

坑 6：论文视场单位笔误。论文 2.1 节第 4 项与 2.2 节把 dOCTA-6×6-1.1k-seg 的图写成 “1,143 3×3 mm² dOCTA images”——视场单位与子集名（6×6）矛盾，属论文笔误。按子集名与上下文取 6×6 mm²（§9 存照）。

§11 总结

11.1 三句话总结

1. OCTA-25K-IQA-SEG 用 25,665 张 OCTA 图（去重口径）同时支撑"图像质量三分类"与"像素级 FAZ 分割"两个任务，是当时 OCTA 领域规模最大的公开基准。
2. 它配套的 COIPS 系统把"质量评估 → 过滤 → FAZ 分割 → 量化 → 报告"串成流水线，五骨干 IQA（3×3 Swin Acc 0.91 / 6×6 SE-ResNeXt Acc 0.90）+ nnU-Net 分割（浅层 Dice 0.95 / 深层 0.89），全部 Zenodo 公开可复现。
3. 它的价值一半在数据、一半在方法范式："质量门前置"与"双任务共享数据集"都是可直接迁移的工程经验。

11.2 适合谁

• 眼科影像 AI 团队：找 OCTA 质量评估或 FAZ 分割的大规模公开数据。
• 图像质量评估方法研究者：3 类质量标签 + 五骨干官方基线，是现成的 IQA 基准。
• 视网膜微血管分割团队：2,244 张像素级 FAZ 掩码 + 浅/深分层评测。
• 医学数据集工程研究者：双任务共享资产、质量门前置流水线、三人独立 + 抽检质控都是活的案例。

11.3 不适合谁

• 需要 3×3 深层或 6×6 浅层分割数据的项目（子集只给了 3×3-浅层、6×6-深层两种组合）。
• 需要 25K 量级像素级掩码的团队（真实掩码仅 2,244 张，8.7%）。
• 需要原分辨率微血管细节的研究（统一缩放到 320×320，细节有损）。
• 需要明确商用许可的项目（数据许可未显式声明，需先确认）。

11.4 30 秒决策卡

你的情况	行动
要立刻下数据跑通	Zenodo 5111975（质量评估）+ 5111972（FAZ 掩码）+ GitHub COIPS 代码
做质量评估	用 24,522 张（勿把分割集 3×3 图重复计入），对标论文 Table 6 五骨干
做 FAZ 分割	用 2,244 张，注意浅层 0.95/深层 0.89 的难度差，分层报告
复现训练/测试切分	质量评估切分自洽（Table 3）；分割 3×3 有 89 张缺口，注意坑 4
要在 OCTA 上做多任务	3×3 的 1,101 张同时有质量标签与掩码，可联合训练（注意防泄漏）
要引用本数据集	规模引 arXiv 摘要 / Zenodo；IQA 引 Table 6；分割引 Table 7；模型引 5111976

§12 OCTA 技术背景：为什么这个模态值得一个专属基准

12.1 从 OCT 到 OCTA：一次"看得见血流"的技术跃迁

OCT（光学相干断层扫描）自 1990 年代进入眼科后，彻底改变了视网膜疾病的诊断方式——它用近红外光产生组织的横断面高分辨率图像，能看清视网膜的十层结构。但 OCT 有个根本局限：它显示的是组织结构（哪里厚、哪里有积液、哪里结构断裂），看不直接显示血流。而视网膜疾病的早期往往首先是微循环的病变——血管密度下降、无灌注区扩大、FAZ 变形。

荧光素眼底血管造影（FFA）是经典的看血流手段，但它需要静脉注射造影剂，有过敏与肾损伤风险，且是侵入性的、无法频繁复查。OCTA 的出现填补了这个空白：它利用红细胞运动造成的 OCT 信号变化（运动对比），在不注射任何造影剂的前提下，重建出视网膜各层微血管的 en-face 图像。论文引言称 OCTA"在视网膜微血管的可视化能力上优于荧光素造影"。

12.2 OCTA 的"阿喀琉斯之踵"：质量变异

OCTA 的分辨率与无创性是其优势，但它的成像原理也带来了质量问题的结构性根源。运动对比成像对任何运动都极度敏感——不止血流，还包含眼动、头动、心跳、呼吸。同时，屈光介质（角膜、晶状体、玻璃体）的透明度直接决定信号强弱，白内障等介质混浊会显著劣化图像。这些因素叠加，导致 OCTA 图像质量的方差远大于普通 OCT。

论文点名的 OCTA 伪影谱系：离焦（defocus）、阴影（shadow）、运动伪影（motion artifact）、分割错误（segmentation error）、信号丢失（loss of signal）、投影伪影（projection artifact）。这份清单的价值在于它说明了"信号强度质量分"为什么不够用——这六类伪影中，只有"信号丢失"能被信号强弱反映，其余的形态学伪影（偏心、模糊、阴影）需要专业知识的形态学判读，正是质量评估任务要教的。

12.3 FAZ：一个"小区域、大意义"的临床靶点

FAZ（中心凹无血管区）是黄斑中央一个几乎无血管的小区域，紧邻视网膜上视锥细胞密度与耗氧量最高的位置。它的形态学意义在于：任何影响黄斑微循环的过程都会在 FAZ 上留下痕迹——糖尿病视网膜病变会让 FAZ 扩大（缺血性改变），视网膜静脉阻塞会导致 FAZ 变形，AMD 的 FAZ 面积与中心视力相关。

但 FAZ 的边界在低质量图像上是模糊的，传统图像处理（去噪滤波）对不清边界效果有限，而人工逐像素勾画"既需要技巧又耗时"。论文把 FAZ 分割定位为 OCTA 分析绕不开的"最首要问题之一"（one of the most primary issues）。OCTA-25K 把 FAZ 分割作为独立子任务、配 2,244 张像素级掩码，正是对这个临床靶点的直接回应。

12.4 为什么双任务要放进一个数据集

理解了 OCTA 的质量变异与 FAZ 的临床意义，就能理解数据集为什么把"质量评估"和"FAZ 分割"放进同一份数据：

• 质量问题直接决定 FAZ 分割的可能性：黄斑不清的图，FAZ 就画不准。两者是因果关系，不是并列的两个任务。
• 临床流程本身就是先质控、再量化：眼科医生拿到 OCTA 图，第一步也是扫一眼"这图能不能用"，第二步才做测量。数据集的双任务设计映射了真实临床工作流。
• 共享图像资产降本：一次采集支撑两个任务，这是数据工程的效率考量。

这三点合起来，解释了 COIPS"filter-then-process"流水线的合理性——它不是把两个模型简单串起来，而是把临床质控逻辑编码进系统架构。

§13 与库内眼科影像数据集的横向对照

把本条目放进库内眼科影像家族，按模态、任务、规模三个轴对照：

数据集	rid	模态	主要任务	规模	层级
OCTA-25K-IQA-SEG	本条目	OCTA（血管造影）	质量三分类 + FAZ 分割	25,665 张	图级 + 像素级
OCTA-500	341	OCTA（血管造影）	血管/层分割	500 眼三维体	体素级
OCTDL	690	OCT（结构断层）	黄斑疾病分类（7 类）	2,064 张	图级
OCTID	697	OCT（结构断层）	疾病分类（5 类）+ 分层分割	582 张	图级 + 像素级
OCT2017	311	OCT（结构断层）	视网膜病变分类（4 类）	84,484 张	图级
EyePACS	58	眼底照相（彩色）	糖尿病视网膜病变分级	数十万级	图级
Messidor	59	眼底照相（彩色）	糖尿病视网膜病变分级	千余张	图级
IDRiD	191	眼底照相（彩色）	DR 分级 + 病灶分割	数百张	图级 + 像素级
APTOS-2019	61	眼底照相（彩色）	DR 五级分类	数千张	图级

四条观察：

1. 模态分两大族：OCTA（血管）与 OCT（结构断层）是完全不同的成像物理，OCTA-500 与本条目同族，OCTDL/OCTID/OCT2017 同族（OCT），EyePACS 是第三族（眼底照相）。跨族互链的价值在于"同一疾病、不同模态"的多视角（如 DR 在 OCTA 与眼底照相下的不同表现）。
2. 任务分四类：分类（OCTDL/OCTID/OCT2017/EyePACS）、分割（OCTA-500/OCTID/本条目）、质量评估（仅本条目）、体素级（OCTA-500）。质量评估是 OCTA-25K 在库内的独有任务维度——这使它在方法学上不可替代。
3. 规模跨度大：从 OCTID 的 582 张到 OCT2017 的 84,484 张。本条目 25,665 张处在中上位置，但它的特色不是绝对规模，而是"双任务 + 质量维度"。
4. 标注层级：图级（多数）→ 像素级（OCTID 部分、本条目 FAZ）→ 体素级（OCTA-500）。本条目横跨图级（质量）与像素级（FAZ）两层，是库内少数"多层级标注"条目。

检索者的用法：找 OCTA 血管资源 → OCTA-500 + 本条目；找 OCT 结构资源 → OCTDL/OCTID/OCT2017；找 DR 跨模态视角 → 本条目 + OCT2017 + EyePACS + Messidor/IDRiD/APTOS-2019；找质量评估方法 → 本条目（库内唯一）。

§14 数据工程视角：把这份数据集接进你的管线

14.1 下载与解包

三个 Zenodo DOI 分别下三类资产，下载后需要注意：

• 质量评估集（5111975）：两个大子集（10k/14k），按视野分目录；每张图带质量标签。
• FAZ 掩码集（5111972）：两个分割子集（1.1k-seg ×2），图 + 掩码成对。
• 模型（5111976）：COIPS 训练好的分类器与分割器，可配合 GitHub 代码直接推理。

先跑通再扩规模：建议先用分割集的小规模（1.1k-seg）验证管线，再上质量评估的大规模（24k），避免一次性下满所有数据才发现格式问题。

14.2 标签解析与核对

下载后务必做三项核对（对应三个存照缺口）：

1. 规模核对：质量评估集张数应分别对应 10,480 与 14,042；分割集对应 1,101 与 1,143。若下载的张数与官方不符，先查是否下漏子集。
2. 切分核对：质量评估训练/测试应对应 6,915/2,965 与 9,292/4,150；分割 3×3 训练/测试 708/304——注意 708+304=1,012≠1,101，多余 89 张的归属需向作者或从元数据确认（坑 4）。
3. 配对核对：dOCTA 与 sOCTA 的 id 应同前缀；若要做配对分析，先建立前缀映射表。

14.3 训练策略建议

结合论文口径与数据集特性：

• 质量评估：按视野分别训练、分别选骨干（3×3 用 Swin 系、6×6 用 SE-ResNeXt 系），别用一个骨干硬套两个视野（§7.2）。
• FAZ 分割：浅层与深层分开训练、分开归报指标；深层若表现差，考虑增大感受野或引入血管增强预处理。
• 多任务：若用 3×3 的 1,101 张做联合训练，显式划分评测集归属，防止同一张图跨任务泄漏（附录 P 第 9 项）。
• 增强：数据集本身无增强，训练时按需加翻转/旋转（论文 COIPS 用了这两项）。

14.4 已知工程陷阱

陷阱	后果	规避
把四子集直加得 26,766	训练集构建去重出错	用去重口径 25,665（坑 1）
以为有 25K 分割掩码	分割任务数据严重不足	记住掩码只有 2,244 张
用 320×320 图做毛细血管级分析	细节分辨不足	回溯源图或注明分辨率限制
分割 3×3 切分按 1,101 直接分	与官方切分不一致	按官方 708/304，注意 89 缺口（坑 4）
商用直接使用	许可风险	先书面确认（坑 5）

§15 常见方法论误区（做 IQA/分割研究时）

15.1 误区一：把"质量评分"当回归而非分类

OCTA-25K 的质量标签是三分类（Ungradable/Gradable/outstanding），不是连续分数。虽然三类有顺序，但论文按分类处理（用准确性、F1、AUC 评估）。若研究者想建模为有序回归（ordinal regression），要注意与官方基线不可直接比较——官方报的是分类指标。

15.2 误区二：用信号强度质量分替代形态学判读

论文反复强调传统信号强度分的不足（灵敏度仅 37%-41%）。若你的研究目标是"复制传统质控"，会发现它在形态学伪影（偏心、模糊）上系统性失效——这正是本数据集三分类标签存在的意义。评估你的质量模型时，应分伪影类型看性能，而不是只看总体精度。

15.3 误区三：忽略视野与层的混淆

3×3 与 6×6、浅层与深层，在分割难度上差异显著（Dice 0.95 vs 0.89）。若你把浅层结果当成"整个 FAZ 分割任务"的代表，会高估方法性能；反过来若只用深层，会低估。报告时必须成对列浅层/深层（§8.3）。

15.4 误区四：外部测试当同分布测试

质量评估有 300 张内部测试 + 300 张外部测试（华西医院）。两者分布不同，外部测试才是泛化性的真实检验。若只报内部测试，会掩盖跨机构性能衰减（论文 Table 6 报的是三者平均，具体分项在补充材料）。

15.5 误区五：把 COIPS 当"必须复现的基线"

COIPS 是一套完整系统（含报告生成、格式转换等），但论文的核心可复现基线是两个数字：五骨干 IQA 表与 nnU-Net 分割表。复现研究不必复刻整条报告流水线，抓住这两张表即可对标。系统级复现（含报告）适合做产品化参考，不适合作为论文对比基准。

§16 数据集的长期价值与更新观察

16.1 为什么一个 2021 年的数据集至今仍被引用

OCTA-25K 发布于 2021 年，但截至检索时点仍被下游工作引用（如 SAM-OCTA 2023）。三个原因：

1. 规模壁垒：25,665 张的 OCTA 公开数据集至今仍稀缺（OCTA 采集成本高、标注门槛高），后发数据集难以在短期内超越。
2. 双任务设计：质量评估 + FAZ 分割的组合在公开数据集中独树一帜，新的 OCTA 数据集多聚焦单一任务。
3. 可复现基线：五骨干 + nnU-Net 的完整基线让后来者有统一标尺，成为 OCTA 方法论文的常见对比对象。

16.2 维护状态与风险

• 平台风险：数据托管在 Zenodo（长期归档平台，稳定），但代码在个人 GitHub（shanzha09，2021 后无更新）——代码有"腐化"风险（依赖旧版 torch 1.8.1、nnunet 1.6.6）。
• 论文状态：仅 arXiv 预印本、未见期刊版本——若团队未推进发表，正式引用格式受限（补：以 arXiv 著录）。
• 许可风险：数据许可未显式声明，长期看是使用者的合规不确定点。

16.3 更新触发点

触发点	条件	动作
期刊发表	论文被正式期刊接收	更新 citation 与卷期
代码迁移	GitHub 仓库更新或转移	更新代码入口
许可明确	Zenodo 挂上 CC 徽章或作者声明	更新 §6 许可节
后续数据集	团队发布 OCTA-25K v2 或新基准	更新规模与关系
第三方评测	新论文用本数据集并公布结果	补充 §7 对比表

§17 数据表速查与使用速记

17.1 四子集一览（含任务映射）

子集	张数	视野	层	标签类型	官方切分（训练/测试/内部/外部）
sOCTA-3×3-10k	10,480	3×3 mm²	浅层	质量三分类	6,915 / 2,965 / 300 / 300
sOCTA-6×6-14k	14,042	6×6 mm²	浅层	质量三分类	9,292 / 4,150 / 300 / 300
sOCTA-3×3-1.1k-seg	1,101	3×3 mm²	浅层	FAZ 二值掩码	708 / 304（缺 89）
dOCTA-6×6-1.1k-seg	1,143	6×6 mm²	深层	FAZ 二值掩码	800 / 343
合计（去重）	25,665	—	—	双任务	—

17.2 质量评估五骨干结果速查（3×3 视野）

骨干	Acc	Pre	F1	AUC	相对最优
Swin-T-Large	0.91	0.92	0.91	0.98	最优
Inception-V3	0.89	0.90	0.89	0.97	−0.02 Acc
SE-ResNeXt-101	0.87	0.89	0.87	0.96	−0.04 Acc
EfficientNet-B7	0.87	0.88	0.87	0.93	−0.04 Acc
ResNet-101	0.85	0.85	0.85	0.90	−0.06 Acc

17.3 质量评估五骨干结果速查（6×6 视野）

骨干	Acc	Pre	F1	AUC	相对最优
SE-ResNeXt-101	0.90	0.90	0.90	0.98	最优
Inception-V3	0.86	0.87	0.86	0.97	−0.04 Acc
EfficientNet-B7	0.85	0.87	0.86	0.92	−0.05 Acc
Swin-T-Large	0.82	0.84	0.83	0.96	−0.08 Acc
ResNet-101	0.80	0.85	0.84	0.91	−0.10 Acc

17.4 FAZ 分割结果速查

指标	浅层 sOCTA-3×3-1.1k-seg	深层 dOCTA-6×6-1.1k-seg	浅−深差
Dice 系数	0.95	0.89	+0.06
Jaccard 指数	0.91	0.79	+0.12
Precision	0.96	0.89	+0.07
Recall	0.95	0.89	+0.06

17.5 一页速记卡

数据集：OCTA-25K-IQA-SEG（OCTA 血管造影，非 OCT 结构）
规模：  25,665 张（去重）；带像素掩码仅 2,244 张
设备：  Topcon Triton DRI-OCT SS-OCTA，320×320 缩放
任务：  ① 质量三分类（Ungradable/Gradable/outstanding）
        ② FAZ 像素级分割
基线：  IQA 3×3 Swin 0.91 / 6×6 SE-ResNeXt 0.90
        分割 浅层 Dice 0.95 / 深层 0.89
获取：  Zenodo 5111975 + 5111972（掩码）+ 5111976（模型）
代码：  github.com/shanzha09/COIPS
许可：  论文 CC BY 4.0；数据许可未显式声明
坑：    ①加法 ②≠OCTA-500 ③≠OCT ④切分缺 89 ⑤许可 ⑥视场笔误

17.6 常见问题速查索引

你想知道	去哪看
为什么 25,665 ≠ 26,766	§4、坑 1
分割集为什么只有 2,244 张	§3.3、§4.3
哪个骨干最好	§7.2、§17.2、§17.3
浅层深层差多少	§7.4、§17.4
怎么下数据	§6、附录 D
许可能不能商用	§6.3、坑 5
切分怎么复现	§3.4、坑 4
和 OCTA-500 什么关系	§2.4、§9、附录 M
和 OCT 数据集什么关系	§13
术语不懂	术语表

§18 方法学深读：COIPS 三个模块的技术细节

18.1 预处理模块：为什么先统一格式

COIPS 的第一步是"格式转换"——把任意格式的原始 OCTA 图（.png、.jpg、.tif）统一转成 PNG。这一步看似平凡，却是系统泛化能力的来源。论文强调 COIPS"shows large generalization ability to be extended to all storage format OCTA images by conversion into unified PNG format"——不同厂商、不同设备的 OCTA 图格式各异，统一转换让后续网络不必关心输入来源。

技术细节：转换用 OpenCV 4.5.1.48 完成；所有图缩放到 320×320。这一步对应数据集构造时的同款处理，保证"训练时看到的格式"与"推理时看到的格式"一致——这是工程上减少训练-推理偏差的标准做法。

18.2 质量评估模块：迁移学习与骨干选择

质量评估 block 的核心设计是迁移学习：五个骨干全部用 ImageNet 预训练权重初始化，再在 OCTA 数据上微调。论文说"Transfer learning was utilized to accelerate the training phase"——OCTA 数据虽大（万级），但相比 ImageNet（百万级）仍小，预训练权重能显著加速收敛并提升泛化。

骨干选择的经验规律（从结果反推）：

• 3×3 视野偏好 Transformer：Swin-T-Large 的自注意力机制能捕捉全局血管拓扑关系，在细节丰富的 3×3 图上占优（Acc 0.91）。
• 6×6 视野偏好 CNN + 通道注意力：SE-ResNeXt-101 的压缩激励模块擅长判断"哪些通道重要"，在更广但更糊的 6×6 图上反超 Transformer（Acc 0.90）。
• Swin 在 6×6 上大幅掉队（0.82，全场最低之一）：说明纯 Transformer 在低分辨率/弱边界输入上可能不稳。

这三条给方法研究者的启示是：架构选择要随输入特性而动，没有"更先进就更好"的通则。

18.3 FAZ 分割模块：nnU-Net 的适配与损失设计

分割网络的底座是 nnU-Net 框架。选它的理由是"自配置"——nnU-Net 能根据数据自动推断 patch 大小、批量大小、网络深度等超参，团队只需在框架上微调以适配 FAZ 分割。

损失函数的权衡是这里最值得学的细节。论文用 CE 损失 + Dice 损失的线性组合（λ=0.5），理由写得清楚：

• Dice 损失直接优化 F1（分割重叠度），擅长处理类别不平衡——FAZ 区域相对整张图很小，Dice 损失能让模型不因背景像素占多数而偷懒。但 Dice 损失有训练不稳定的问题（梯度在极端情况下震荡）。
• CE 损失逐像素分类，训练稳定，但对类别不平衡不敏感。
• 两者组合（λ=0.5）取长补短：Dice 管不平衡、CE 管稳定性。

这个"CE + Dice 按权重叠加"是医学分割的经典配方，OCTA-25K 的实践再次验证了它在小目标分割（FAZ）上的有效性。

18.4 量化模块：从掩码到临床指标

FAZ 度量量化模块把分割掩码折算成物理面积：

S_FAZ = (N_mask × a²) / z²

分解：N_mask 是预测掩码的 FAZ 像素数；a 是该 OCTA 图对应的视网膜真实长度（毫米）；z 是掩码图像的水平像素值。直觉理解：a²/z² 是"每个像素代表的物理面积"（mm²/像素），乘以 FAZ 像素数就得到 FAZ 的物理面积（mm²）。

这个公式是把"像素级分割"变成"临床可解释指标"的桥梁——医生关心的是"For 这张图 FAZ 面积是多少平方毫米"，不是"FAZ 有多少个像素"。COIPS 的可贵之处在于它把这一步自动化并接入报告生成。

18.5 报告生成模块：为什么系统要闭环

COIPS 的最后一步是生成诊断报告。论文把"报告生成"作为流水线的收口，体现的是产品化思维：一个只输出掩码的工具对医生价值有限，一个能输出"FAZ 面积 + 质量评级 + 可视化对比"的完整报告才真正减负。论文反复强调系统"contributes to reducing the workload of ophthalmologists and saving their time"——闭环报告是这句话的落地。

对复现者的提醒：报告生成模块是工程增值，不是科学贡献。做方法对比研究时对标的是质量评估表与分割表，不必复刻报告模块。

§19 数据可用性再审视：一个可复现性分级

把本数据集的"可复现程度"按资产分级：

资产	可获取性	可复现性	说明
质量评估数据（24,522 张）	高（Zenodo 公开）	高	下载即用，切分自洽
FAZ 掩码数据（2,244 张）	高（Zenodo 公开）	中	3×3 切分有 89 张缺口，需核对
COIPS 代码	高（GitHub 公开）	中	依赖旧版库（torch 1.8.1/nnunet 1.6.6），现代环境需移植
训练模型	高（Zenodo 公开）	高	可直接推理
论文方法	高（arXiv 开放）	高	关键超参已披露
患者级元数据	低（未披露）	低	无法做患者级分层
许可条款	中（模糊）	中	商用需确认

总体可复现性评级：中高。数据与模型两个层面都公开直链，这是最难得的部分；减分在代码环境腐化与患者元数据缺失。

19.1 与其他公开 OCTA 数据的对比位置

在"公开 OCTA 数据集"这个稀缺品类里，OCTA-25K 的位置是：

• 规模最大（25,665 张，比多数公开 OCTA 数据大一个数量级）。
• 任务最全（质量评估 + FAZ 分割双任务，多数竞品只有分割或只有分类）。
• 获取最易（Zenodo 直链无门槛，优于请求制数据集）。
• 许可最模糊（未显式声明，弱于明确 CC 的数据集）。

这四点合起来，让它成为"想入门 OCTA 分析"的团队最实际的起点——先有数据、再有系统、最后才是许可细节。

19.2 给三类读者的落地建议

• 做 IQA 方法的学生：直接下 5111975，用五骨干基线搭你的新方法，报 Acc/F1/AUC 三指标、分 3×3 与 6×6。
• 做分割方法的团队：下 5111972，浅层深层分开训、分开报；深层差是常态，别慌；注意 3×3 切分缺口。
• 做眼科 AI 产品的工程：把 COIPS 的"filter-then-process"结构抄进你的管线——质量门前置是省算力又保质量的结构性设计，与具体模型无关。

§20 完整工作流示例：从下载到报告

20.1 场景设定

假设你是眼科影像团队的研究者，目标：评估一个自研质量评估模型在 OCTA 上的性能，并对可用图跑 FAZ 分割得到面积统计。以下是端到端流程。

20.2 步骤一：资产规划

先明确要下什么：

步骤	资产	入口
质量评估训练/测试	sOCTA-3×3-10k + sOCTA-6×6-14k	Zenodo 5111975
FAZ 分割训练/测试	sOCTA-3×3-1.1k-seg + dOCTA-6×6-1.1k-seg	Zenodo 5111972
参考模型（可选）	COIPS 官方模型	Zenodo 5111976

20.3 步骤二：数据核对

下载后执行三条核对（见 §14.2）：

核对 1：质量评估集张数 == 10,480（3×3）+ 14,042（6×6）？
核对 2：分割集张数 == 1,101（3×3-seg）+ 1,143（6×6-seg）？
核对 3：质量评估切分 == 6,915/2,965（3×3）、9,292/4,150（6×6）+ 内部 300 + 外部 300？

若核对 2 出现 1,012（=708+304），说明你拿到的是"训练+测试"子集，缺的 89 张需按官方元数据补齐或标注为未划分（坑 4）。

20.4 步骤三：质量评估训练

按视野分别训练。伪代码：

# 3×3 视野：Swin-Transformer-Large
train_3x3(model="swin_t_large", data="sOCTA-3x3-10k",
          metrics=["Acc", "Pre", "F1", "AUC"])   # 目标 Acc ≥ 0.91, AUC ≥ 0.98

# 6×6 视野：SE-ResNeXt-101
train_6x6(model="se_resnext_101", data="sOCTA-6x6-14k",
          metrics=["Acc", "Pre", "F1", "AUC"])   # 目标 Acc ≥ 0.90, AUC ≥ 0.98

评估纪律：分开报 3×3 与 6×6；报测试/内部/外部三个集合（外部是泛化金标准）；用 Acc + F1 + AUC 三指标而非单一 Acc。

20.5 步骤四：质量门过滤

对 FAZ 分割集（预测/评估用），先用质量模型过滤：ungradable 图丢弃，gradable/outstanding 进入分割。注意——官方分割集本身已只含 gradable/outstanding 图（§3.3），所以这一步主要在你自己的新数据上才必要。

20.6 步骤五：FAZ 分割训练与评测

按层分别训练。伪代码：

# 浅层
train_faz(model="nnunet", data="sOCTA-3x3-1.1k-seg",
          loss=("ce", 0.5, "dice", 0.5), folds=5)   # 目标 Dice ≥ 0.95

# 深层
train_faz(model="nnunet", data="dOCTA-6x6-1.1k-seg",
          loss=("ce", 0.5, "dice", 0.5), folds=5)   # 目标 Dice ≥ 0.89

评估纪律：浅层/深层分开报 Dice + Jaccard + Pre + Recall；别把浅层的 0.95 当成"整个任务"的代表。

20.7 步骤六：FAZ 面积量化

对每张可用的分割结果，按公式折算物理面积：

S_FAZ = (N_mask × a²) / z²

其中 a 是图对应视网膜真实长度（3×3 图 a=3mm，6×6 图 a=6mm），z 是掩码水平像素数（320）。得到每张图的 FAZ 面积（mm²）后，可按疾病/人群聚合统计。

20.8 步骤七：结果解读与报告

三件事：

1. 对齐官方基线：你的 Acc/Dice 与 §7 的表对比，判断是否达标或超越。
2. 口径声明：若你的结论涉及"整个 OCTA-25K"，明确用的是质量评估集（24,522）还是分割集（2,244），别混。
3. 存照口径：报告里注明总量口径（25,665 去重）、切分口径（分割 3×3 缺口），让读者能复现你的数字来源。

20.9 这个流程的四个"坑检查点"

检查点	风险	动作
数据核对	四子集直加得 26,766	用去重口径（坑 1）
分割规模	以为有 25K 掩码	记住只有 2,244（§4.3）
切分复现	分割 3×3 缺 89 张	按官方 708/304（坑 4）
商用	数据许可模糊	先确认（坑 5）

§21 结语与定位一句话

如果把库内眼科影像条目比作一支舰队，OCTA-25K 是那艘"又大又全"的主力舰：它的吨位（25,665 张）在当时 OCTA 公开数据里最大，它的武器系统（质量评估 + FAZ 分割）最全，它的补给线（Zenodo 直链）最通畅。它的短板也很清楚——装甲（数据许可）标注不清、部分舱室（分割掩码）只占全舰的 8.7%。对任何想驶入 OCTA 分析海域的团队，它是最实际的起点：先拿数据、先跑基线、再谈许可细节，这条路是本数据集设计者留好的。

FAQ（高频问答 40 问）

A. 基础认知

Q1：OCTA-25K 是挑战赛吗？
不是。它没有比赛、没有 leaderboard，是一份研究性公开数据集（论文 + 数据 + 系统三件套），发表于 arXiv 预印本。

Q2：名字怎么读？
官方全名 OCTA-25K-IQA-SEG，可读作"OCTA-25K，质量评估（IQA）+ 分割（SEG）"。库内 slug 用简写 octa-25k。

Q3：“25K” 里的 25 指什么？
约 25,665 张 OCTA 图像的去重总量。“25K” 是数量级简称，实际是 25,665。

Q4：谁做的？
中山大学中山眼科中心（通讯 Weijing Cheng / Wei Wang）牵头，四川大学、上海交通大学、清华大学深圳国际研究生院、自贡市第三人民医院、悉尼科技大学共 9 位作者 6 机构。

Q5：发表在哪里？
arXiv:2107.10476 [eess.IV]，2021-07-22 提交，仅 v1。检索时未找到正式期刊收录记录——引用时按 arXiv 预印本著录（遗留疑点，§9）。

Q6：它和 OCTA-500 什么关系？
同模态、异数据集。OCTA-500（rid 341）是 500 眼 OCT/OCTA 配对三维体数据、11 类标注；OCTA-25K 是 25,665 张 2D en-face 图、质量评估 + FAZ 分割。不是别名、不是版本关系（坑 2）。

Q7：它和 OCTDL/OCTID/OCT2017 什么关系？
不同模态。后三者是 OCT（结构断层 B-scan），本条目是 OCTA（血管造影）——一个看血管、一个看组织横截面（坑 3）。

Q8：最大的卖点一句话？
当时 OCTA 领域规模最大的公开基准，且是唯一同时提供质量评估与 FAZ 分割双任务标签的大规模数据集。

Q9：它自己有什么局限？
带像素掩码的只有 2,244 张（仅 8.7%）；只给了 3×3-浅层与 6×6-深层两种分割组合；统一缩放到 320×320 有细节损失；患者总数未披露；数据许可未显式声明。

Q10：开源吗？
全面开放：三个 Zenodo DOI（数据 + 掩码 + 模型）公开直链，代码在 GitHub，论文 CC BY 4.0。无需注册即可下载——这在库内属获取性较好的一档。

B. 数据与获取

Q11：四个子集到底怎么来的？
按"视野 × 血管层"切：3×3 浅层 10,480（质量）、6×6 浅层 14,042（质量）、3×3 浅层 1,101（分割，从 10,480 抽出）、6×6 深层 1,143（分割）。

Q12：为什么加起来是 26,766 但官方说 25,665？
因为 3×3-1.1k-seg 的 1,101 张是从 10,480 主集里抽的、与主集重叠。四子集非互斥（坑 1、§4）。

Q13：图是什么规格？
Topcon Triton DRI-OCT SS-OCTA 采集，1050 nm，100,000 A-scans/s，统一缩放 320×320 像素、转 PNG。

Q14：Dataset 在哪下？
Zenodo：质量评估 10.5281/zenodo.5111975、FAZ 掩码 10.5281/zenodo.5111972、模型 10.5281/zenodo.5111976。

Q15：代码在哪？
GitHub shanzha09/COIPS（最后更新 2021-07-23），含质量评估、FAZ 分割、预处理、可视化与报告脚本。

Q16：需要注册或申请吗？
不需要。三个 Zenodo DOI 都是公开直链，直接下载。

Q17：数据许可是什么？
论文文本 CC BY 4.0 明确；数据侧许可未在 Zenodo 显式挂徽章。学术使用风险低，商用需书面确认（坑 5）。

Q18：能用它训练商用模型吗？
不确定。团队称 “public available” 但未显式授予商用许可；稳妥做法是学术用途直接使用、商用前向通讯作者确认（§6.3）。

C. 任务与标注

Q19：质量三分类怎么判定？
按图像质量、黄斑清晰度、视网膜血管清晰度三要素：Ungradable（不足/黄斑偏心模糊）、Gradable（中度模糊/黄斑清晰）、outstanding（无模糊/黄斑血管都清晰）。

Q20：谁标注的？
3 位经验丰富的眼科医生独立标注，模糊/歧义图提交另一资深眼科医生终审，另抽 10% 二次复核。

Q21：FAZ 掩码怎么做的？
用 Labelme 多边形勾画 FAZ 区域，转成像素级二值掩码。

Q22：分割集为什么不含 ungradable 图？
因为不可用图的黄斑中心模糊甚至看不到，没有可勾画的 FAZ。分割集只从 gradable + outstanding 图抽取（§3.3）。

Q23：sOCTA 和 dOCTA 怎么配对？
每位患者的 sOCTA（浅层）与 dOCTA（深层）同时采集、id 同前缀；sOCTA 的质量标签可沿用到配对 dOCTA（省一次标注）。

Q24：覆盖哪些疾病？
DR、糖尿病黄斑水肿、白内障、AMD、CSC（论文另提及青光眼）；来自广州社区筛查。

D. 模型与结果

Q25：质量评估用了哪些模型？
五个 ImageNet 预训练骨干：ResNet-101、Inception-V3、EfficientNet-B7、SE-ResNeXt-101、Swin-Transformer-Large。

Q26：哪个最好？
看视野：3×3 最优 Swin-T-Large（Acc 0.91/AUC 0.98），6×6 最优 SE-ResNeXt-101（Acc 0.90/AUC 0.98）。没有单一骨干通吃（§7.2）。

Q27：FAZ 分割用什么？
基于 nnU-Net 框架的 U-Net-like 网络，SGD + Nesterov momentum，5-fold 交叉验证，CE+Dice 组合损失。

Q28：分割精度多少？
浅层 3×3 Dice 0.95（Jaccard 0.91/Pre 0.96/Recall 0.95），深层 6×6 Dice 0.89（Jaccard 0.79/Pre 0.89/Recall 0.89）。深层明显更难（§7.4）。

Q29：为什么深层差这么多？
6×6 视野分辨率更粗 + 深层血管信号更弱，两者叠加使 FAZ 边界更不清晰。

Q30：有外部验证吗？
有。两个视野各 300 张内部测试 + 300 张外部测试（华西医院来源），论文按测试/内部/外部三者平均报告。

E. 生产与库内

Q31：本条目 slug 为什么叫 octa-25k？
取官方名的数量级主体 + 库内简洁惯例；官方全名 OCTA-25K-IQA-SEG 作 title 主体，slug 用 octa-25k。

Q32：本条目与库内 OCTA-500（rid 341）冲突吗？
不冲突、是互补：341 记 500 眼体数据与 11 类分割，本条目记 25,665 张质量评估 + FAZ 分割。检索任一应提示另一（§9）。

Q33：COIPS 能做什么？
格式转换 → 质量评估 → FAZ 分割 → FAZ 面积量化 → 生成诊断报告，一条龙；可处理多种格式的 OCTA 图（统一转 PNG）。

F. 复现与工程细节

Q34：训练/测试切分能直接复现吗？
质量评估可以（Table 3 加法自洽）；分割 3×3 有 89 张缺口（708+304=1,012 vs 1,101），复现需注意（坑 4）。

Q35：质量标签的类别分布在哪？
论文 Fig 4 给出两个 10k/14k 集的类别占比图，但正文文字未列具体数值——需从图读或向作者索要（遗留疑点）。

Q36：数据集本身做增强了吗？
没有。论文明确为保留原始特征不做增强；增强留给使用者训练时自定（COIPS 训练时用了翻转与旋转）。

Q37：320×320 会不会太小？
对 FAZ 级分割够用（官方 Dice 0.95）；对单支毛细血管级分析偏小，需回溯源图。

Q38：能用于质量评估的多任务学习吗？
可以：3×3 的 1,101 张同时有质量标签与掩码，天然支持多任务；但注意别让同一张图跨任务泄漏到评测集。

Q39：论文有补充材料吗？
有。论文提到 Supplementary Note 含 Table S1-S10（各子集分项指标）与 Fig S1-S10（各类 ROC 曲线），正文只给汇总。

Q40：如果我只记住一件事？
这是一个"25K 张图但只有 2,244 张带像素掩码"的双任务基准——规模红利在质量评估，分割红利有限，别把两者混淆（坑 1）。

G. 扩展问答

Q41：为什么质量评估要分 3×3 和 6×6 两套模型？
因为两者图像特性不同：3×3 分辨率高、细节丰富，ViT 系占优；6×6 覆盖广、边界糊，CNN 注意力机制占优。论文明确没有单一骨干通吃两视野（§7.2、§18.2）。

Q42：质量评估的 Unradable 图在临床中占多少？
论文引用约 31.6% 常规断层图不可用、53.5% 多中心 OCTA 图带严重伪影——两个数字不同口径（一个指断层图、一个指多中心 OCTA），引用时别混。本数据集三类各占多少未文字披露（遗留疑点）。

Q43：FAZ 面积要换算成毫米，怎么算？
用公式 S_FAZ = N_mask·a²/z²。a 是图对应视网膜真实长度（3×3 图 a=3mm、6×6 图 a=6mm），z 是掩码水平像素数（320），N_mask 是 FAZ 像素数（§18.4、§20.7）。

Q44：能把两个任务合成一个多任务模型吗？
理论可以（3×3 的 1,101 张同时有两类标签），但要注意评测集划分——同一张图别既在质量测试集又在分割测试集，否则评测数字不可信（§8.2、附录 P 第 9 项）。

Q45：论文的补充材料在哪拿？
论文提到 Supplementary Note 含 Table S1-S10（分项指标）与 Fig S1-S10（ROC 曲线），正文未全列。arXiv v1 可能附带补充文件，或需向作者索取（遗留细节）。

Q46：为什么说它是"当时 OCTA 领域最大"？
论文称"an order of magnitude larger than any previous public dataset in OCTA-related study"——比此前公开 OCTA 数据集大一个数量级，并称是首个大规模公开的 OCTA 基准（§2.1）。

Q47：数据集能直接用 DICOM 吗？
不能直出 DICOM。数据集是 PNG 320×320 + 标签文件；论文未提供到 DICOM 的转换脚本（AI-Ready 互操作性扣分点，附录 B）。

Q48：如果我的目标是复现论文整套系统？
难度中等：数据与模型都公开，但代码依赖旧版库（torch 1.8.1、nnunet 1.6.6），现代环境需移植。核心指标（IQA 表 + 分割表）复现难度低，报告生成等工程模块可跳过（§19、§15.5）。

---

事实清单（硬事实 34 条）

1. 官方数据集名 OCTA-25K-IQA-SEG；论文《A Deep Learning-based Quality Assessment and Segmentation System with a Large-scale Benchmark Dataset for OCTA Image》。
2. arXiv:2107.10476 [eess.IV; cs.CV]，v1 提交 2021-07-22 06:32:10 UTC，仅 v1。
3. 9 位作者：Yufei Wang, Yiqing Shen, Meng Yuan, Jing Xu, Bin Yang, Chi Liu, Wenjia Cai, Weijing Cheng, Wei Wang。
4. 通讯：Weijing Cheng、Wei Wang（中山大学中山眼科中心）。
5. 机构：四川大学、上海交通大学、中山大学中山眼科中心、清华大学深圳国际研究生院、自贡市第三人民医院、悉尼科技大学。
6. 总量 25,665 张 OCTA 图像（arXiv 摘要/ Zenodo / GitHub 三源一致）。
7. 四子集：sOCTA-3×3-10k 10,480；sOCTA-6×6-14k 14,042；sOCTA-3×3-1.1k-seg 1,101；dOCTA-6×6-1.1k-seg 1,143。
8. 四子集之和 26,766 ≠ 25,665（差 1,101，因 3×3-1.1k-seg 复用 10k 主集）。
9. 设备：Topcon Triton DRI-OCT（SS-OCTA），1050 nm，100,000 A-scans/s。
10. 图像统一缩放至 320×320 像素，转 PNG（OpenCV 4.5.1.48）。
11. 数据集构造不做图像增强（保留原始特征）。
12. 质量三分类：Ungradable / Gradable / outstanding。
13. 质量判定三要素：图像质量、黄斑清晰度、视网膜血管清晰度（Table 2）。
14. 标注：3 位眼科医生独立标注 + 资深医生终审 + 10% 二次复核；像素掩码用 Labelme。
15. 质量评估切分：3×3 训练 6,915/测试 2,965/内部 300/外部 300；6×6 训练 9,292/测试 4,150/内部 300/外部 300。
16. FAZ 分割切分：3×3-1.1k-seg 训练 708/测试 304；dOCTA-6×6-1.1k-seg 训练 800/测试 343。
17. 分割 3×3 切分缺口：708+304=1,012 ≠ 1,101（差 89）。
18. 外部测试数据来自四川大学华西医院。
19. 疾病谱：DR、糖尿病黄斑水肿、白内障、AMD、CSC（另提及青光眼）。
20. COIPS 五阶段：格式转换 → 质量评估 → FAZ 分割 → FAZ 度量量化 → 报告生成。
21. 质量评估五骨干：ResNet-101、Inception-V3、EfficientNet-B7、SE-ResNeXt-101、Swin-Transformer-Large。
22. 3×3 最优 Swin-T-Large：Acc 0.91 / Pre 0.92 / F1 0.91 / AUC 0.98。
23. 6×6 最优 SE-ResNeXt-101：Acc 0.90 / Pre 0.90 / F1 0.90 / AUC 0.98。
24. FAZ 分割用 nnU-Net 框架 U-Net-like 网络；SGD lr 0.01、Nesterov momentum 0.99、5-fold CV、poly 衰减指数 0.9。
25. 损失函数 = CE-loss + Dice-loss 线性组合，λ=0.5。
26. FAZ 分割浅层 3×3：Dice 0.95 / Jaccard 0.91 / Pre 0.96 / Recall 0.95。
27. FAZ 分割深层 6×6：Dice 0.89 / Jaccard 0.79 / Pre 0.89 / Recall 0.89。
28. FAZ 面积公式 S_FAZ = N_mask·a²/z²。
29. 获取：Zenodo 5111975（质量评估 v1.0）、5111972（FAZ 掩码 v1.2）、5111976（模型）。
30. 代码：GitHub shanzha09/COIPS（最后更新 2021-07-23）。
31. 论文 License：CC BY 4.0。
32. 数据侧 License：未在 Zenodo 记录页显式挂 CC 徽章（模糊点）。
33. 论文引言数据：约 31.6% 常规断层图不可用；53.5% 多中心 OCTA 图带严重伪影；信号强度质量指数灵敏度 37%-41%。
34. 论文 2.1/2.2 节视场笔误：把 dOCTA-6×6 子集写成 “3×3 mm²”（按子集名取 6×6）。

---

术语表（24 条）

术语	释义
OCTA	Optical Coherence Tomography Angiography，光学相干断层血管成像，无创显示视网膜微血管
OCT	Optical Coherence Tomography，光学相干断层扫描，拍组织横截面（B-scan），区别于 OCTA
SS-OCTA	Swept-Source OCTA，扫描源 OCTA，用可调激光扫频成像
en-face	正面/平面视图，OCTA 输出的血管平面图（相对 OCT 的断层剖面）
FAZ	Foveal Avascular Zone，中心凹无血管区，视网膜中央无血管特化区
IQA	Image Quality Assessment，图像质量评估
sOCTA	superficial OCTA，浅层血管丛 OCTA 图
dOCTA	deep OCTA，深层血管丛 OCTA 图
Ungradable	不可用级（质量三分类之最低档）
Gradable	可用级（质量三分类之中档）
outstanding	优异级（质量三分类之最高档）
质量门前置	filter-then-process，先过滤不可用图再处理，COIPS 核心设计
COIPS	Computer-aided OCTA Image Processing System，论文配套系统
Swin-Transformer-Large	层次化视觉 Transformer，3×3 视野 IQA 最优骨干
SE-ResNeXt-101	含压缩激励模块的 CNN，6×6 视野 IQA 最优骨干
nnU-Net	自配置医学图像分割框架，COIPS 分割网络的底座
Dice 系数	分割重叠度指标，2·TP/(2·TP+FP+FN)
Jaccard 指数	交并比 IoU，Dice 的相关指标
迁移学习	用 ImageNet 预训练权重初始化再微调
5-fold 交叉验证	数据分 5 折轮流验证，取最优折推理
内部测试	同分布留出测试集（各 300 张）
外部测试	跨机构留出测试集（华西医院，各 300 张）
Labelme	开源图像多边形标注工具，用于勾画 FAZ
320×320	数据集统一缩放尺寸

---

附录

附录 A：条目信息速查卡

项	值
条目名	OCTA-25K-IQA-SEG
url_name	octa-25k
类型	数据集 + 方法论文（二合一）
论文	arXiv:2107.10476 [eess.IV]（2021-07-22，仅 v1）
团队	中山大学中山眼科中心等 9 作者 6 机构
规模	25,665 张（去重口径；质量评估 24,522 + 深层分割 1,143）
双任务	质量三分类（图级）+ FAZ 分割（像素级）
许可	论文 CC BY 4.0；数据 Zenodo 公开（许可未显式声明）
抓取时点	2026-10-07
库内互链	octa-500(341)/octdl(690)/octid(697)/oct2017(311)/eyepacs(58)/messidor(59)/idrid(191)/aptos-2019(61)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	arXiv 全文开放 + 三个 Zenodo DOI + GitHub 代码，检索命中好；“OCTA-25K” 名可精确检索
A 可获取性	9	三个 Zenodo DOI 全公开直链、无需注册；主要扣分在数据侧许可未显式声明
I 可互操作	7	统一 PNG 320×320 + 标准标签文件；无官方到 DICOM 的转换脚本，掩码格式依赖使用者解析
M 元数据质量	7	论文表格完备（四子集/切分/结果）；但总量加法冲突（坑 1）、切分缺口（坑 4）、视场笔误（坑 6）降低分数
S 可持续性	7	Zenodo 平台稳定托管（长期归档）；单作者 GitHub 仓库维护弱（2021 后无更新）；无期刊版本
综合评级	7.6/10（中上）	获取性与可发现性突出；元数据文档有可存照瑕疵，可持续性依赖 Zenodo 平台

附录 C：逐项证据链自证

关键数字	来源	位置
25,665 张 / 四子集数字	arXiv 摘要 + Zenodo 描述 + GitHub README	三源一致
10,480 / 14,042 / 1,101 / 1,143	Zenodo 5111975 + 5111972 描述	记录页
Topcon Triton / 1050 nm / 100,000 A-scans/s	论文 2.1 节	arXiv HTML §2.1
320×320 缩放	论文 2.1 节	arXiv HTML §2.1
质量三分类定义	论文 Table 2	arXiv HTML
3 医生标注 + 终审 + 10% 复核	论文 2.2 节	arXiv HTML §2.2
切分 6,915/2,965/300/300 等	论文 Table 3 + GitHub README	两源一致
分割 708/304、800/343	论文 Table 4 + GitHub README	两源一致
IQA 五骨干结果	论文 Table 6	arXiv HTML
FAZ 分割 Dice/Jaccard/Pre/Recall	论文 Table 7	arXiv HTML
nnU-Net + SGD + λ=0.5	论文 3.2/3.3 节	arXiv HTML
Zenodo DOI ×3	Zenodo 记录 + GitHub README badge	记录页/仓库
CC BY 4.0（论文）	论文 HTML License 行	arXiv HTML 页脚
31.6%/53.5%/37%-41%	论文引言第 2 段	arXiv HTML

附录 D：数据获取决策树

需求是什么？
├── 做图像质量评估（三分类）
│   └── Zenodo 10.5281/zenodo.5111975（质量评估集，24,522 张，含标签）
├── 做 FAZ 像素级分割
│   └── Zenodo 10.5281/zenodo.5111972（掩码集，2,244 张）
├── 直接复用官方模型推理
│   └── Zenodo 10.5281/zenodo.5111976（训练模型）+ GitHub COIPS 代码
├── 多任务联合训练
│   └── 取 3×3-1.1k-seg 的 1,101 张（同时有质量标签与掩码）
└── 只要引用基准数字
    └── 论文 Table 6（IQA）/ Table 7（分割），注明去重口径（坑 1）

附录 E：质量三分类使用规范

类别	语义	使用建议
Ungradable	不可用（黄斑偏心/模糊、血管模糊）	训练时作正/负样本；COIPS 部署时直接丢弃
Gradable	可用（中度模糊、黄斑清晰）	下游分割的主力输入
outstanding	优异（无模糊、黄斑血管都清晰）	高质量基准子集；可用于评测上限

注意：三分类是有序的（差→中→好），若做有序回归可能比纯分类更贴合语义；官方按分类处理。

附录 F：FAZ 分割数据字典（建议）

字段	类型	语义
image	320×320 PNG	en-face OCTA 图
mask	二值 PNG	FAZ 区域掩码（1=FAZ，0=背景）
subset	string	sOCTA-3×3-1.1k-seg / dOCTA-6×6-1.1k-seg
split	string	train / test（官方切分；3×3 有 89 张未列）
pair_id	string（dOCTA）	与配对 sOCTA 共享前缀

抽样自检：mask 中 FAZ 区域应位于图像中央且为单连通区域；若出现多块或边缘大块，疑标注异常。

附录 G：nnU-Net 分割复现骨架（示意）

# COIPS FAZ 分割训练配置（论文口径，示意）
# 优化器
optimizer = dict(type="SGD", lr=0.01, momentum=0.99, nesterov=True)
# 学习率调度：poly，指数 0.9
lr_scheduler = dict(type="poly", power=0.9)
# 损失：CE + Dice 线性组合，λ=0.5
loss = lambda ce, dice: 0.5 * ce + 0.5 * dice
# 训练策略：5-fold cross-validation，取最优折推理
n_folds = 5
# 其余配置由 nnU-Net 框架自动生成

附录 H：双口径登记表

#	项	口径 A	口径 B	处理
1	总量	25,665（官方去重）	26,766（四子集直加）	按 25,665，注明 3×3-1.1k 复用主集（坑 1）
2	分割 3×3 切分	训练 708+测试 304=1,012	总量 1,101	按官方表列，注 89 张缺口（坑 4）
3	IQA 最优（6×6）	摘要只说 “0.90” 不点名	正文/Table 6 = SE-ResNeXt-101	按正文记 SE-ResNeXt-101
4	dOCTA 视野	论文 2.1/2.2 写 “3×3 mm²”	子集名 6×6	按 6×6（论文笔误，坑 6）
5	两种精度	论文 Table 6（两位小数）	GitHub README（如 91.18）	同源不同精度，不冲突

附录 I：许可条款细读

1. 论文文本：CC BY 4.0（arXiv HTML 明确标注）——署名即可自由使用。
2. 数据集（两个 Zenodo 记录）：描述写 “public available”，未显式挂 CC 徽章；使用建议按学术用途直接引用，商用前向通讯作者书面确认。
3. 代码（GitHub）：未见 LICENSE 文件（遗留疑点），按公开可读处理。
4. 模型（Zenodo 5111976）：随 README 提供，许可同数据侧模糊。
5. 引用优先级：用数据引 Zenodo DOI；引用观点引 arXiv:2107.10476。

附录 J：坑点档案（与 §10 对照）

坑	一句话档案	触发场景
坑 1	25,665 ≠ 四子集之和 26,766（3×3-1.1k 复用主集）	规模引用/训练集构建
坑 2	OCTA-25K ≠ OCTA-500（rid 341）	数据检索/选条
坑 3	OCTA ≠ OCT（octdl/octid/oct2017 是结构断层）	模态辨识
坑 4	分割 3×3 切分缺 89 张（708+304=1,012）	切分复现
坑 5	数据许可未显式声明（论文 CC BY 4.0 是否覆盖数据不明）	商用/再分发
坑 6	论文把 dOCTA-6×6 子集写成 3×3 mm²（笔误）	转引事实

附录 K：检索路径示范

目标	推荐查询式	预期命中
本体论文	“OCTA-25K-IQA-SEG” OR “quality assessment” “FAZ” OCTA arXiv	arXiv:2107.10476
质量评估数据	Zenodo 10.5281/zenodo.5111975	记录页（公开下载）
FAZ 掩码数据	Zenodo 10.5281/zenodo.5111972	记录页（v1.2）
代码	github shanzha09 COIPS	仓库
同模态竞品	OCTA-500 / OCTA segmentation dataset	OCTA-500（rid 341）
反例（勿用）	把 “OCTA-25K” 当 OCTA-500 别名	无别名关系（坑 2）

附录 L：FAZ 与疾病的关联背景（临床动机）

疾病	FAZ 变化	临床意义
DR（糖尿病视网膜病变）	FAZ 面积增大	缺血性改变，与分期及视力相关
RVO（视网膜静脉阻塞）	FAZ 面积变化	黄斑缺血评估
AMD（年龄相关黄斑变性）	FAZ 面积与视力相关	中心视力预后评估
CSC（中心性浆液性脉络膜视网膜病变）	黄斑区微循环改变	病变评估

论文引用的核心论点是"FAZ 面积与 DR、RVO、AMD 的视力（VA）相关"——这是把 FAZ 分割从"技术任务"提升为"临床指标"的依据。

附录 M：与库内 OCTA-500 条目的关系声明

维度	OCTA-500（rid 341）	OCTA-25K-IQA-SEG（本条目）
数据形态	500 眼 OCT/OCTA 配对三维体	25,665 张 2D en-face 图
任务	血管/层分割（11 类标注）	质量三分类 + FAZ 分割
规模口径	500 眼	25,665 张
独有维度	体数据、标注类别丰富	规模、质量评估
阅读顺序	两者互补，同读拼全 OCTA 资源面	—

两篇不冲突：OCTA-500 是体数据与细标注，本条目是规模与质量维度，互为 OCTA 模态资源的两个侧面。

附录 N：论文引言关键背景数据

数据	数值	含义
常规断层图不可用率	~31.6%	说明质控问题的普遍性
多中心 OCTA 图严重伪影率	~53.5%	过半图像影响定量可靠性
商业质量指数灵敏度	37%-41%	旧质控手段对"可靠图"识别力弱
OCTA 伪影类型	离焦/阴影/运动/分割错误/信号丢失/投影	信号强度分覆盖不了的形态学伪影

这四组数据是数据集"为什么要做质量评估任务"的临床理由——质控问题真实、普遍、且传统手段不够用。

附录 O：缩写速查

缩写	全称
OCTA	Optical Coherence Tomography Angiography
OCT	Optical Coherence Tomography
SS-OCTA	Swept-Source OCTA
FAZ	Foveal Avascular Zone
IQA	Image Quality Assessment
SEG	Segmentation
COIPS	Computer-aided OCTA Image Processing System
DR	Diabetic Retinopathy
AMD	Age-related Macular Degeneration
CSC	Central Serous Chorioretinopathy
RVO	Retinal Vein Occlusion
VA	Visual Acuity
nnU-Net	no-new-Net（自配置分割框架）
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability

附录 P：基于本数据集的研究检查清单（10 项）

1. 规模口径：引用总量用 25,665（去重），别把四子集直加得 26,766（坑 1）。
2. 分割规模：记住带像素掩码的只有 2,244 张（8.7%），别按 25K 规划分割训练。
3. 模态核对：确认你用的是 OCTA（本条目）还是 OCT（octdl/octid/oct2017）（坑 3）。
4. 切分复现：质量评估切分自洽；分割 3×3 有 89 张缺口（坑 4）。
5. 分层报告：FAZ 分割浅层 0.95/深层 0.89 差异大，必须分层报告。
6. 视野-层组合：分割集只给了 3×3-浅层、6×6-深层，确认你的目标组合在集内。
7. 许可核对：数据许可未显式声明；学术直接引用，商用先确认（坑 5）。
8. 外部泛化：只有质量评估有外部测试（华西），分割无外部验证集。
9. 多任务防泄漏：3×3 的 1,101 张跨任务复用，做多任务时显式声明评测集归属。
10. 引用完整：数据引 Zenodo DOI，方法/结论引 arXiv:2107.10476。

附录 Q：本条目生产档案

• 生产通道：RSI 闭环写作代理 agent-c-octa25k，任务头 task_octa-25k.md
• 存在性核验：WebSearch×3 + WebFetch×5（arXiv 摘要/全文、Zenodo×2、GitHub）+ 论文 HTML 全文抓取（curl）
• 事实研究：三源互证（arXiv:2107.10476 + Zenodo 5111975/5111972 + GitHub COIPS README）
• FACTS.md：writing/octa-25k/FACTS.md 九节
• 成稿方式：五块直写拼接（part1-5），私有区写作
• 坑点：§10 六则（坑 1-6 "坑 N："编号制）
• 互链计划：octa-500(341)/octdl(690)/octid(697)/oct2017(311)/eyepacs(58)/messidor(59)/idrid(191)/aptos-2019(61)

附录 R：FAIR/AI-Ready 检查单

检查项	状态	说明
F1 全局唯一标识	✅	arXiv DOI + 三个 Zenodo DOI
F2 富元数据	✅	论文表格 + Zenodo 记录
A1 可访问协议	✅	Zenodo 公开直链，无需注册
A2 元数据可访问	✅	元数据始终开放
I1 互操作格式	✅	PNG 320×320 + 标签文件
I2 词汇表引用	✅	FAZ/OCTA/DR 等标准术语
R1 来源溯源	✅	采集机构与设备明示
R3 可复现流程	✅	代码 + 模型公开
AI-Ready 综合	中上	获取直链是亮点；数据许可未显式声明是短板

---

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-07，抓取与核验时点见附录 A。事实陈述以论文（arXiv:2107.10476）、Zenodo 记录（5111975/5111972/5111976）与 GitHub COIPS 仓库为源；总量加法冲突、分割切分缺口、论文视场笔误、数据许可未显式声明等原始文档瑕疵已在坑点与附录 H 存照。条目与库内 OCTA-500（rid 341）、OCTDL（rid 690）、OCTID（rid 697）、OCT2017（rid 311）、EyePACS（rid 58）等条目互链，构成眼科影像（OCT/OCTA/眼底）家族的检索面。

---

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：

• stare — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 糖尿病视网膜病变 / 评测基准
• octid — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 糖尿病视网膜病变
• iostar — 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 / 评测基准
• corn-nerve — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
• fgadr — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 糖尿病视网膜病变
• origa-light — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
• riga — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
• cataract-1k — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
• daroct — 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 / 评测基准
• mbrset — 共享标签：医学影像 / 眼科影像 / 图像分类 / 糖尿病视网膜病变 / 评测基准

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。