PolypGen 多中心息肉检测与分割数据集

PolypGen 是牛津大学、SimulaMet 与六家医院联合发布的结肠镜息肉检测与分割数据集：8,037 帧影像，其中 1,537 张单帧、2,225 帧正样本序列帧、4,275 帧阴性序列帧，3,447 个息肉实例全部经 6 名从业二十余年的胃肠病学家复审。六家中心分处法国、意大利、挪威、英国、埃及，构成一道天然的域漂移考题。

它的问题意识不是"再多给几百张分割图"，而是"模型换一家医院、换一台内镜还能不能用"。官方协议以 C1–C5 单帧训练，在从未参与训练的 C6 中心测试：最好的 DeepLabV3+ 单帧 Dice 只有 0.82，序列口径降到 0.71，小息肉更是掉到 0.46；TransNetR 的全中心扫描里，C5 的 mIoU 只有 35.97，而 C3 是 76.75。

获取门槛不高：注册 Synapse 账号即可下载，许可为 CC BY 4.0，但官方同时限定教育与研究用途并要求引用论文，商业使用须另议。它是泛化评估的基础设施，不是刷分的语料库——用在验证上很划算，用在预训练上不划算。

§1 它是什么：为跨中心泛化而建的多中心息肉集

PolypGen 是牛津大学、SimulaMet 与六家医院联合发布的结肠镜息肉检测与分割数据集：8,037 帧影像，其中 1,537 张单帧、2,225 帧正样本序列帧、4,275 帧阴性序列帧，全部息肉轮廓由 6 名从业超过二十年的胃肠病学家逐一复审后确定为 3,447 个实例。它最想解决的问题不是"再多给几百张分割图"，而是"模型换一家医院、换一台内镜之后还能不能用"——6 个中心分处法国、意大利、挪威、英国、埃及五国，本身就是一道天然的域漂移考题。

数据规模不大，但结构是罕见的完整：原图、同尺寸掩码、PASCAL VOC 绝对坐标框、框叠加图四件套同帧严格对齐，另附官方 train-validation 划分文件。许可为 CC BY 4.0，注册 Synapse 账号即可下载，限定教育与研究用途并要求引用主论文。挑战赛前身是 ISBI 2021 的 EndoCV2021，完整版于 2023 年 2 月经 Scientific Data 论文固化。

它的价值集中在"落差"上：官方协议以 C1–C5 单帧训练、在从未参与训练的 C6 中心测试，最好的 DeepLabV3+ 单帧 Dice 也只有 0.82，序列口径降到 0.71，小息肉（≤100×100 像素）更是掉到 0.46；TransNetR 的全中心扫描里，C5 的 mIoU 只有 35.97，而 C3 是 76.75。把这些数字放在一起看，才知道"单中心 0.9 以上"的报告离临床有多远。

1.1 一句话定位与三条设计线

把 PolypGen 放在息肉数据集的时间轴上看，它的位置很清晰：在它之前，息肉分割的默认舞台是 Kvasir-SEG 与 CVC 系这类单中心集合；在它之后，"训练与测试来自不同医院"才开始成为论文里必须交代的一件事。

这条转变靠三条设计线支撑。

第一条：数据按中心组织，不按随机划分组织。 目录结构把 data-C1 到 data-C6 摆在最外层，这是把"中心"当成一等公民的物理表达。使用者想无视中心都难。

第二条：留出一个中心完全不参与训练。 C6 在完整版里才补齐，且全程不进训练。这不是随机切分出来的测试集，而是"从没见过这家医院"的测试集。

第三条：阴性样本单独成块。 4,275 帧阴性序列帧不与正样本混放，而是独立目录。这让"模型在正常黏膜上会不会乱报"成为一个可以单独打分的问题，而不是被正样本稀释掉。

三条线合起来，构成了一件在数据层面很少被认真做的事：把评测协议写进了数据结构。

1.2 它的数字为什么显得"小"

8,037 帧在今天不算大——HyperKvasir 有 11 万张图，LDPolypVideo 有 5.7 万帧。PolypGen 的规模在数量级上落后一个身位。

但这个比较忽略了一件事：标注成本。3,447 个息肉实例全部经过 6 名资深胃肠病学家复审，两阶段二元审查拒掉了 30.5% 的初标帧。若按"每帧都要专家看一遍"计，这套数据的专家工时远超它的帧数所暗示的量级。规模小是选择的结果，不是能力不足——它把钱花在了"每个标签都可信"上，而不是"标签足够多"上。

对使用者的实际含义是：用它做预训练不划算，用它做验证很划算。两者的差别在于你需要的到底是样本量还是标签可信度。

1.3 与"泛化"这个词的距离

需要提前说清一点：PolypGen 提供的是测量泛化的工具，不是解决泛化的方法。

它给出的是落差数字——同一模型在 C3 是 76.75，在 C5 是 35.97。它没有告诉你为什么，也没有给出缩小落差的方案。论文本身也没有声称做到了后一件事。

这个区分很重要。文献里常见的一种误读是把"在这个数据集上跨中心测试过"当成"模型具备跨中心泛化能力"的证据。恰恰相反：在这个数据集上测出来的往往是不能泛化。它的价值在于让这个"不能"变得可量化、可比较、可追踪。

---

§2 数据构成：六中心、四件套、两道缺口

2.1 规模与子集切分

数据分两块：Positive/ 与 Negative/。前者再分 Single_Frames_centre_Split/（data-C1 至 data-C6）与 Sequence_Frames/（seq_1 至 seq_23）；后者是 23 个阴性序列文件夹（seq1_neg 至 seq23_neg）。

子集	帧数	构与来源
单帧正样本	1,537	C1–C5 共 1,449 帧 + C6 88 帧
序列正样本帧	2,225	23 条序列，主要来自 C2 865 / C4 450 / C6 432
阴性序列帧	4,275	4 家医院，无标注文件
合计	8,037	每中心至少 50 名独特患者，合计 300+ 人

正样本按中心分布为 C1 484、C2 1,166、C3 457、C4 677、C5 458、C6 520。这个分布本身就是一个偏倚源：C2 的贡献接近 C3 的 2.5 倍，跨中心训练若不做加权，模型会被大中心主导。

2.2 逐中心国别、设备与伦理

中心	机构与城市	设备	伦理与知情同意
C1	Ambroise Paré Hospital，巴黎，法国	Olympus Exera 195	批件 N° IDRCB: 2019-A01602-55（Endospectral 研究）
C2	Istituto Oncologico Veneto IOV-IRCCS，帕多瓦，意大利	Olympus H190	通用患者同意
C3	Centro Riferimento Oncologico CRO IRCCS，阿维亚诺，意大利	Olympus VG-165 / CV180 / H185	通用患者同意
C4	Oslo University Hospital，奥斯陆，挪威	Olympus Evis Exera III / CF 190	豁免 + 书面知情同意
C5	John Radcliffe Hospital，牛津，英国	GIF-H260Z、EVIS Lucera CV260	REC Ref 16/YH/0247 通用同意
C6	University of Alexandria，亚历山大，埃及	Olympus Exera 160AL / 180AL	书面知情同意

六家全部使用 Olympus 系统，且 5 家在洲、1 家在非。这决定了它的泛化结论只能覆盖"同品牌跨机构"，不能外推为"跨品牌泛化"。

2.3 标注协议与质检链路

标注在 Labelbox 平台完成，3 名研究人员分工均分标注，6 名资深胃肠病学家（均超过 20 年经验）复审。质检是两阶段二元审查：

环节	数量	结果
标注分工	3 名研究人员	单帧均分、Labelbox 平台
专家复审	6 名胃肠病学家	覆盖全部标注帧
二元审查（剔除歧义后）	2,213 帧	接受 1,537 / 拒绝 676（约 30.5%）
歧义批次重标	2 名研究者联合重标	再审后仍拒 34.17%
最终发布实例	3,447 个	全部通过专家验收

被拒三成是这套数据质量的核心证据——绝大多数公开分割数据集不公布拒绝率，而这里的 30.5% 说明"专家认为可接受的边界"远比"能画出来"严格。

配套的 8 条书面标注协议把经典歧义源逐条钉死：隆起型只标隆起区；染色内镜帧排除墨迹；带器械的息肉排除器械本身；pedunculated 息肉包含全部隆起；flat 息肉须在放大视图下标注；远处不清晰的病灶不标；被遮挡部分排除；癌变后的非息肉样黏膜排除。尺寸分层按 small ≤100×100 像素、medium 介于其间、large >200×200 像素，另按面积以 10,000 与 40,000 平方像素分档。

2.4 格式、目录与四件套

PolypGen/ 下的层级是 Positive 与 Negative → Single_Frames_centre_Split 与 Sequence_Frames → data-C1…data-C6 与 seq_1…seq_23。每个病灶帧带四件套：

• 原图 .jpg，分辨率跨度 384×288 至 1920×1080；
• 同尺寸掩码 .jpg——注意是 JPG，有损压缩，边界像素只是近似；
• 边界框 .txt，PASCAL VOC 绝对坐标，每行一个实例；
• 框叠加图 .jpg，仅供人工核对，不可当模型输入。

正样本中的无息肉帧用"空 bbox 文件 + null 掩码"表达；阴性帧则完全没有标注文件。这一区别常被误读为数据损坏，实际是显式设计。

2.5 两处口径缺口

缺口一：标注实例数在预印本与正式版之间差一个。 arXiv v1 写 3,446，Scientific Data 正式版写 3,447。引用时以正式版为准，若对比 2021 年挑战赛结果则需注明预印本口径。

缺口二：摘要的 “3,762 annotated polyp labels” 不是实例数。 它是正样本帧数（1,537 + 2,225），与 3,447 个实例是两个概念，混用会造成约 10% 的规模误报。

另有第三方统计口径可作交叉参考：DatasetNinja 解析结果为 3,734 个息肉对象、3,121 张有标注、4,916 张（约 61%）无标注，平均对象面积占图像 8.45%。其对象数与官方 3,447 不同，原因是把序列帧中的重复跟踪对象计入了——这正是"按序列去重"必要性的一处旁证。

2.6 中心间差异的实质内容

六个中心不只是"六个文件夹"。把它们摆在一起，才能看出这套数据究竟在测什么。

人群层面：五家欧洲中心（巴黎、帕多瓦、阿维亚诺、奥斯陆、牛津）与一家北非中心（亚历山大）。息肉检出率与病变谱人群间本就存在差异，埃及中心的加入让数据集第一次带有非欧洲队列。

设备层面：虽然全部是 Olympus，但型号跨了三代以上——从 VG-165、H185 这类较早期平台，到 H190、Evis Exera III / CF 190，再到 Exera 160AL / 180AL。即使在同品牌内部，成像链路的色域、锐度与动态范围也不同。

采集流程层面：C1 来自 Endospectral 研究框架下的归档检索，C2、C3 走通用患者同意，C4 是豁免加书面同意，C5 有明确的 REC 编号，C6 为书面知情同意。流程不同意味着图像并非在同一种采样规范下产生。

这三层差异叠加，构成了一种"真实世界的混合域"：它不像人工合成的域偏移那样干净可控，而更接近实际部署时会遇到的那种说不清哪里不一样、但性能就是掉了的情形。

2.7 尺寸分层与形态分布

官方按像素尺寸把息肉分为三层，并给出了对应的分割难度：

分层	判据	DeepLabV3+ R101 在 C6 的 DSC
large	>200×200 像素	0.87
medium	>100×100 且 ≤200×200 像素	0.84
small	≤100×100 像素	0.46

另有一套按面积的分档（<10,000 与 ≥40,000 平方像素）。同一模型在 large 与 small 之间差了 0.41，这个跨度比"跨中心"带来的下降还大。含义很直接：在这套数据上，目标尺寸比中心归属更能预测模型表现。任何总分如果不按尺寸分层报告，就掩盖了最需要改进的那一层。

形态方面，官方随包发布 protruded 与 flat 的占比图（论文图 6），但未提供逐帧清单。这意味着研究者无法直接按形态筛选子集做分层实验，只能依赖官方给出的整体占比。

---

§3 怎么拿到：Synapse 注册制与一条许可边界

3.1 获取通道对照

资产	通道	门槛	许可
完整数据（8,037 帧）	Synapse syn26376615	注册 Synapse 账号	CC BY 4.0，教育研究用途
编译正式版	Synapse syn45200214	同上	同上
视频序列原片	Google Drive（GitHub 提供链接）	无	同上
官方划分与说明	GitHub DebeshJha/PolypGen	无	见仓库 LICENSE
前身挑战子集	endocv2021.grand-challenge.org	需签数据保密协议	挑战赛条款

数据 DOI 为 10.7303/syn26376615，论文 DOI 为 10.1038/s41597-023-01981-y，二者常被混引，需分开写。

3.2 下载实操

-- 1) 注册 Synapse 并在个人设置中生成 Access Token
pip install synapseclient
synapse login --username <你的账号>

-- 2) 拉取完整数据（约 8,037 帧四件套）
synapse get -r syn26376615 --downloadLocation ./polypgen_raw

-- 3) 校验：单帧正样本应为 1,537 个原图文件
find ./polypgen_raw/PolypGen/Positive/Single_Frames_centre_Split -name "*.jpg" \
  -not -path "*gt*" -not -path "*overlay*" | wc -l

视频序列不在 Synapse 包内，需从 GitHub README 的 Google Drive 链接另取。下载不完整是这套数据最常见的落地故障：Synapse 客户端在中途断线时不会报错，只会少文件，务必用上面的计数命令核对。

3.3 许可边界：CC BY 4.0 但用途受限

这里有一个容易踩的陷阱：CC BY 4.0 本身并不禁止商业使用，但数据集官方声明限定"教育与研究用途，使用须引用论文"。二者叠加的实际效果是：商业使用需要另行联系作者（Sharib Ali、Debesh Jha），而不是凭 CC BY 标签直接放行。

因此正确表述是"CC BY 4.0 + 官方用途限定"两句话同时出现，只写其中一句都会误导：

• 只写 CC BY 4.0 → 读者以为可自由商用；
• 只写"仅限研究" → 读者以为是非商业许可（如 CC BY-NC），与实际许可标识不符。

另需注意 SA 条款并不存在——PolypGen 没有 ShareAlike 要求，衍生数据集不强制沿用同一许可。

3.4 与 EndoCV2021 子集的版本关系

版本	时间	内容	通道
EndoCV2021 挑战版	2021-06（随 arXiv:2106.04463）	仅 C1–C5 单帧 1,449 帧，含挑战训练/测试划分	endocv2021.grand-challenge.org
完整发布版	2022	追加 C6（88 单帧 + 432 序列帧）、23 条正序列、4,275 帧阴性	Synapse syn26376615
编译正式版	2023-02-06	内容与完整版一致，官方 train-validation TXT、目录结构定型	Synapse syn45200214

把 8,037 帧直接与 2021 年挑战赛排行榜对比属于口径错位：复现挑战结果请用 1,449 帧子集，引用当前规模请用 2023 年正式版数字。

3.5 前身挑战的流程与一条官方勘误

EndoCV2021 的关键时点可直接从官方页面核对（均为太平洋时间）：赛事网站 2020-11-01 上线；训练数据在 2021-01-15 首发，经 01-25 延至 02-02 定版；参赛声明表截止 02-19；测试数据分两批释放（02-12 首发 50%，02-28 全量）；排行榜提交截止 03-03、延至 03-07；论文投稿 03-20、录用通知 03-27、终稿 03-31；挑战赛与 workshop 于 2021-04-13 在 IEEE ISBI 2021 举行。官方明确 EndoCV 系列论文不进 ISBI 正式论文集，而是收录于 CEUR 在线会议录。

同一页面还挂着一条与方法学直接相关的勘误，原文为：“Please note that the leaderboard results for detection have very high mAP values due to a bug in the evaluation code that has now been fixed in our GitHub evaluation code”。也就是说，检测榜上那些异常高的 mAP 是评估代码缺陷造成的，缺陷已在 GitHub 评估代码中修复；官方同时说明联合期刊论文纳入了大量序列数据，团队排名在未见数据上发生了变化，且最终获奖依据同时考察精度、速度与鲁棒性三项，而非单一精度。

这条勘误对引用者的直接含义是：若见到 2021 年检测榜的 mAP 数字，不能直接当成绩引用，须先确认它出自修复前还是修复后的代码；分割榜不受此缺陷影响。它同时也是"挑战赛榜单不等于评测结论"的一个真实样本——榜单是过程产物，勘误后的代码与论文才是可引用的口径。

3.6 逐项核对清单

下载完成后，按这张表逐项核对，能在十五分钟内判断数据是否完整、目录是否符合预期、口径有没有被第三方重新打包过。

检查项	期望值	偏差意味着什么
Single_Frames_centre_Split 下目录数	6（data-C1…data-C6）	少于 6：可能只取了挑战子集
单帧原图数（不含 gt/overlay）	1,537	1,449：拿到的是 EndoCV2021 版
正样本序列目录数	23（seq_1…seq_23）	缺失：序列未随包下载
阴性序列目录数	23（seq1_neg…seq23_neg）	缺失：阴性块被过滤掉
单帧掩码数	与单帧原图数一致	不一致：存在未配对的四件套
单帧 bbox 文件数	与单帧原图数一致（含空文件）	少：无息肉帧的空文件被误删
单帧目录下是否存在 overlay	应有	缺失不影响训练，但会丢失人工核对手段
官方划分 TXT 是否存在	应有	缺失：需自行重建 80/20，无法对齐论文
图像尺寸范围	384×288 至 1920×1080	全部被 resize 过：第三方重打包版本

最后一行尤其值得留意。部分镜像站会把图像统一缩放到固定尺寸再打包，这会改变小息肉的像素尺度，直接毁掉尺寸分层实验的可比性。核对时抽几张图看原始尺寸，就能识别。

3.7 研究用途与商业用途的分界

官方声明是"教育与研究用途 + 须引用论文"，同时又标注 CC BY 4.0。这两句话放在一起，边界在哪？

对研究机构：直接使用，引用主论文，无需额外授权。

对企业研发：分两种情况。若成果不进入商业产品（例如内部技术预研、学术合作发表），通常可按研究用途处理；若训练出的模型要进入商业产品，则应先联系作者确认。这不是法律判断，而是对官方声明的保守解读——声明写的是"教育与研究用途"，没有写"允许商业使用"。

对再分发：CC BY 4.0 允许再分发，但需保留署名与许可声明，并不得附加额外限制。把 PolypGen 转成 COCO 或 YOLO 格式后再发布，属于再分发行为，须保留原始出处与许可。

一个实务建议：在模型卡或许可清单里，把"CC BY 4.0 + 官方教育与研究用途限定"两句话一起写上。只写前者的团队在合规审查时经常被追问，而引用官方声明原文是最省事的解释方式。

---

§4 质量与已知问题：九个坑与质检证据

4.1 九个坑

坑 1：跨中心 OOD 落差被低估。 TransNetR 的逐中心扫描给出 C5 的 mIoU 35.97 与 C3 的 76.75，相差超过 40 点。若只报"全 6 中心平均 60.58"，这个落差会被平均数抹平。任何跨中心结论都必须逐中心报告。

坑 2：把 61% 的无标注帧当损坏。 阴性帧无标注文件，序列内的无息肉帧用空 bbox 加 null 掩码表达。检测训练要把它们当"空 GT"处理，而不是丢弃或报错——丢掉它们等于扔掉全部阴性背景。

坑 3：掩码是 JPG。 有损压缩会在边界产生毛刺与色阶断点。二值化阈值不能照搬 PNG 掩码的经验（如 >127），建议先统计前景像素分布再定阈值，并对边界做一次形态学清理。

坑 4：PASCAL VOC 绝对坐标 vs YOLO 归一化。 .txt 里是绝对像素坐标，每行一个实例，多息肉就是多行。转 YOLO 需按原图宽高归一化并转为中心点格式，混用会导致框整体偏移。

坑 5：序列帧时间泄漏。 相邻帧高度相似，随机帧级划分会让验证集里混进训练集的近邻帧，指标虚高。必须按序列或按患者分组划分。

坑 6：分辨率跨度大。 384×288 到 1920×1080，统一 resize 到 512×512 会改变小息肉的相对尺寸，直接影响尺寸分层评估的可比性。做分层报告时要记录 resize 策略。

坑 7：下载不完整。 Synapse 客户端断线不报错，视频序列又另放在 Google Drive。落地第一件事是数文件，不是跑模型。

坑 8：染色内镜帧的颜色域。 seq12、14、15、16 含靛胭脂染色帧，外观与白光差异显著。常规的颜色抖动增强会破坏染色线索，模型在染色帧上的失效不是"泛化不足"，而是"训练分布未覆盖"。

坑 9：1,449 帧与 8,037 帧混用。 前者是挑战子集，后者是完整版。文献里两个数字都在流通，引用时必须写清是哪个。

4.2 已知偏倚

偏倚类型	描述	严重程度	缓解建议
中心规模不均衡	正样本帧 C2 1,166 vs C3 457，跨 2.5 倍	中	加权采样或按中心重采样，逐中心报告
地域代表性	欧洲 5 中心 + 埃及 1 中心	中高	外部验证纳入亚洲/美洲队列
设备单一	6 中心全部 Olympus	中高	不可宣称跨品牌泛化
人口学盲区	完全匿名化，无年龄/性别	中	不可做人群亚组分析
序列分布倾斜	序列帧集中于 C2/C4/C6	中	时序结论按中心分层验证
尺寸难度失衡	小息肉（≤100×100 px）DSC 仅 0.46	高	过采样小息肉，按尺寸分层报告
无组织学标签	内镜视觉标注，无病理金标准	中	不可用于病理分级，CADx 需外接病理

4.3 标注质量的边界

质检链路处于公开内窥镜数据集的第一梯队，但仍有明确边界需要在使用前知道：掩码为 JPG 有损格式，边界精度受压缩限制；官方未公布标注者间一致性系数（如逐对 Dice），因此"专家一致"只能定性描述，不能量化；flat 息肉在放大视图下标注，其边界天然比隆起型更具不确定性；染色帧的"排除墨迹"协议要求标注者具备临床背景，非临床标注者难以复现。

4.4 泛化性证据表

场景	失效风险	证据
中心外推（C1–C5 → C6）	显著下降但可用	DeepLabV3+ R101 单帧 DSC 0.82 / 序列 0.71
中心间互测	最低与最高中心差约 40 点 mIoU	TransNetR OOD：C5 35.97 vs C3 76.75
单帧 → 序列	系统性下降约 10 点	官方表 5 vs 表 6；TransNetR 60.58 vs 47.17
小息肉	高危（DSC 0.46）	官方尺寸分层（DeepLabV3+ R101）
跨品牌设备	未知，本数据无法评估	全部 Olympus
染色内镜帧	白光训练模型易失效	seq12/14/15/16 靛胭脂帧

4.5 伦理与合规

各中心自行负责伦理、法律与隐私流程，均在数据送交组织方前完成中心内匿名化，移除烧录进视频的人口学信息。发布版不含年龄、性别等字段。批件与同意方式已在 §2.2 逐中心列明。

对使用方的合规建议是三条：引用主论文（CC BY 4.0 使用条款的明确要求）；商业用途先联系作者确认，不要凭 CC BY 标签推定可用；发布模型卡时把"训练中心清单 + OOD 协议 + 未覆盖的品牌/人群"写清，这三项是审稿与审计最常追问的。

---

§5 能做什么：从分割训练到联邦学习

5.1 五种可直接落地的用法

1. 跨中心泛化基准。 以 C1–C5 训练、C6 单帧 88 帧与序列 432 帧做样本外测试，这是官方协议，结果可直接与论文表 5/6 对标。
2. 息肉检测训练。 用 PASCAL VOC 框训练 YOLO 或 Faster R-CNN 系检测器，同时把约 61% 的无标注帧当阴性背景用。
3. 视频时序建模。 23 条正序列与 23 个阴性序列文件夹支持帧间一致性、去闪烁与跟踪研究。
4. 联邦学习研究。 6 个中心天然对应 6 个数据孤岛，社区已有 In-Federation F1 82.85、Out-Federation F1 86.01、Held-Out F1 74.3 的锚点。
5. 外部验证集。 把 PolypGen 整体或单中心作为外部测试集，检验 Kvasir-SEG / CVC 系训练模型的跨域性能——TransNetR 的 C5 mIoU 35.97 就是这种用法最刺眼的证据。

5.2 划分方案

方案	做法	适用场景	风险
官方 train-val	用随包 TXT，C1–C5 单帧 80/20	复现论文基准	只覆盖单帧，不含序列与阴性帧
中心留出	C1–C5 训练，C6 测试	泛化评估（官方推荐）	C6 规模小，方差大
逐中心留一	四训一验，轮转六次	全中心稳健性刻画	计算成本 ×6
序列分组 K 折	按 seq 分组做 5 折	时序模型	需自行实现分组切分
患者分组	按患者 ID 分组	最严格的泛化估计	患者 ID 未公开，难以落地

最后一行是这套数据的一处结构性缺口：官方未提供患者标识，无法做严格的患者级分组划分。序列级分组是可用的近似替代，但同一位患者在不同序列中出现时仍会泄漏。

5.3 预处理与 DataLoader

import os, glob
import numpy as np
from PIL import Image
from torch.utils.data import Dataset

class PolypGenFrame(Dataset):
    """单帧读取：原图 + JPG 掩码 + PASCAL VOC 绝对坐标框。
    root 指向 PolypGen/Positive/Single_Frames_centre_Split/data-Cx 这一层。
    """
    def __init__(self, root, size=512, thr=127):
        self.img_dir = os.path.join(root, "original_images")
        self.gt_dir = os.path.join(root, "gt")
        self.bb_dir = os.path.join(root, "pxy")
        self.size = size
        self.thr = thr
        self.ids = sorted(f[:-4] for f in os.listdir(self.img_dir) if f.endswith(".jpg"))

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

    def __getitem__(self, i):
        k = self.ids[i]
        img = Image.open(os.path.join(self.img_dir, k + ".jpg")).convert("RGB")
        W, H = img.size
        mask = Image.open(os.path.join(self.gt_dir, k + ".jpg")).convert("L")
        # JPG 掩码：先按阈值二值化，再做一次形态学开运算去边界毛刺
        m = (np.array(mask) > self.thr).astype(np.uint8)
        boxes = []
        bb_path = os.path.join(self.bb_dir, k + ".txt")
        if os.path.exists(bb_path) and os.path.getsize(bb_path) > 0:
            for ln in open(bb_path):
                parts = ln.split()
                if len(parts) == 4:
                    x1, y1, x2, y2 = map(float, parts)
                    boxes.append([x1 / W, y1 / H, x2 / W, y2 / H])  # VOC 绝对 -> 归一化
        img = np.array(img.resize((self.size, self.size)), dtype=np.float32) / 255.0
        m = np.array(Image.fromarray(m).resize((self.size, self.size), Image.NEAREST))
        return img, m[None], np.array(boxes, dtype=np.float32).reshape(-1, 4)

三个关键点：掩码按 L 模式读入再阈值化，不要直接当二值图；框的坐标除的是原图宽高，不是 resize 后的尺寸；空 bbox 文件要判空后返回形状为 (0,4) 的数组，而不是抛异常。

5.4 数据增强

官方基线用的增强很朴素：缩放 0.5–2.0、随机裁剪、随机水平翻转、归一化，没有颜色抖动。这个选择有理由——染色帧的颜色是临床线索，颜色抖动等于破坏标签语义。若必须做颜色增强，建议只对白光帧开启，并按帧元数据区分。

5.5 评估指标

官方报告 JI（即 mIoU）、DSC（即 mDice）、F2、PPV、Recall、Accuracy，另有 AHD 系指标、NSD 与 FPS。一个常见误区是把 DSC 与 mDice 当两个指标——在 PolypGen 的官方口径里它们是同一个量的两种记法。

import numpy as np

def dice_iou(y_true, y_pred, eps=1e-7):
    """逐样本计算 Dice 与 IoU；空 GT 空预测记为 1，空 GT 非空预测记为 0。"""
    d, j = [], []
    for t, p in zip(y_true, y_pred):
        t, p = t.astype(bool), p.astype(bool)
        inter = np.logical_and(t, p).sum()
        if t.sum() == 0 and p.sum() == 0:
            d.append(1.0); j.append(1.0); continue
        if t.sum() == 0:
            d.append(0.0); j.append(0.0); continue
        d.append((2 * inter + eps) / (t.sum() + p.sum() + eps))
        j.append((inter + eps) / (np.logical_or(t, p).sum() + eps))
    return float(np.mean(d)), float(np.mean(j))

def fbeta(y_true, y_pred, beta=2.0, eps=1e-7):
    """F2：官方强调召回倾向时的综合指标。"""
    y_true, y_pred = np.asarray(y_true, bool), np.asarray(y_pred, bool)
    tp = np.logical_and(y_true, y_pred).sum()
    fp = np.logical_and(~y_true, y_pred).sum()
    fn = np.logical_and(y_true, ~y_pred).sum()
    b2 = beta ** 2
    return float((1 + b2) * tp / ((1 + b2) * tp + b2 * fn + fp + eps))

阴性帧的计分口径必须单独声明：官方检测评估把无 GT 帧上的预测计入特异性，分割评估则建议单独列示。两套口径混算会让指标既不是分割也不是检测。

5.6 硬件与复现成本

官方基线配置为单卡 Quadro RTX 6000、batch 16、输入 512×512、约 500 epochs、Adam（lr 0.01、weight decay 1e-5）、保存 100 epochs 后的最佳模型。按此配置，单中心单帧训练在单张 24 GB 显卡上约需一到两天。复现时务必锁定 albumentations 与 PyTorch 版本——增强行为的细微差异会带来 1–2 点波动，足以让结论在"持平"与"下降"之间摇摆。

5.7 部署侧的监控清单

监测维度	触发信号	建议动作
输入色调分布	均值/方差偏离训练统计	偏移 >2σ 触发域适应评估
单中心性能衰减	周环比 mIoU 下降	下降 >5 点启动复检
单帧/序列口径差	序列相对单帧下降扩大	差距 >15 点提示时序适配失效
小息肉召回	small 层召回下滑	跌破基线 0.46 对应水平即复查
染色帧占比	占比上升超出训练分布	补采或微调

5.8 迁移到其他内镜任务时的取舍

PolypGen 的方法论（多中心、留出中心、空 GT、尺寸分层）比它的像素更值钱。把它迁移到别的内镜任务时，有四点需要重新判断：

什么可以直接搬。 中心留出的评估结构、按序列分组防泄漏、按尺寸分层报告、把阴性帧当有效的负样本——这四条与具体病变无关，换到食管、胃、结肠其他病变都成立。

什么必须换。 标注协议。PolypGen 的 8 条协议是针对息肉形态（隆起、平坦、带蒂、染色）写的；换成溃疡或早癌时，边界语义完全不同——比如早癌的边界取决于黏膜色泽与微血管形态，而不是"隆起范围到哪"。

什么会失效。 尺寸分层的判据。息肉用 100×100 与 200×200 像素分档，是因为内镜视野下这个尺度大致对应临床上的"小息肉/大息肉"。换到其他任务，同一个像素尺度可能毫无临床含义，需要按该病变的临床分界重新定档。

什么需要重估。 阴性样本的价值。PolypGen 的 4,275 帧阴性全部来自"检查全程无息肉"的患者，这是干净的阴性。若换成其他任务，阴性帧里可能混有同类病变的早期形态，此时把它们当纯负样本会引入标签噪声。

5.9 一个可复现的最小实验

如果要在一周内判断某个分割模型是否值得继续投入，可以按下面的顺序做，成本从低到高：

步骤	做什么	耗时	判据
1	C1–C5 单帧 80/20 训练与验证	半天	验证集 DSC 应 ≥0.85，否则先查数据管道
2	同一模型直接测 C6 单帧 88 帧	十分钟	相对步骤 1 下降多少？超过 10 点即为跨中心脆弱
3	补测 C6 序列 432 帧	半小时	序列相对单帧再降多少？超过 10 点说明时序适配失效
4	按尺寸分层重算步骤 2	十分钟	small 层是否低于 0.50？若是，改进重点在小目标
5	逐中心留一（四训一验，轮转六次）	三天	哪个中心最差？该中心即你的短板中心

这套流程的价值在于：它不需要任何新方法，就能把"模型好不好"拆成"数据管道对不对、跨中心行不行、时序行不行、小目标行不行、哪个中心最弱"五个可分别回答的问题。多数团队的返工，恰恰发生在没有做这一步就直接换模型 backbone 的时候。

5.10 联邦学习场景的落地要点

6 个中心天然对应 6 个数据孤岛，这让 PolypGen 成为少数能直接搭联邦实验的公开数据。但落地时有三个细节容易被忽略：

其一，中心的样本量差异会被联邦放大。 C2 的正样本帧数是 C3 的 2.5 倍，标准 FedAvg 按样本量加权，会让大中心主导全局模型。要么改用按中心等权的聚合，要么在客户端内部先做重采样。

其二，Held-Out 才是真正的验收口径。 已有锚点显示 In-Federation F1 82.85、Out-Federation F1 86.01、Held-Out F1 74.3。Out-Federation 反而高于 In-Federation 这一点值得警惕——它提示联邦成员的组成会影响内部评估的乐观程度，而真正未见过的 Held-Out 低了约 8.6 点，这才是部署预期。

其三，“联邦"不等于"隐私”。 这六家中心的数据在公开数据集里已经全部匿名化并合并发布，做联邦实验时并不涉及真实的跨机构隐私约束。用它验证算法可以，用它论证"我们的方案保护了隐私"则不成立——保护的是实验设置，不是真实数据。

---

§6 常见误读问答

A. 身份与规模

Q1：PolypGen 到底是什么？
一个多中心结肠镜息肉检测与像素级分割数据集，源自 ISBI 2021 的 EndoCV2021 挑战赛，2023 年 2 月以 Scientific Data 论文正式固化。核心设计目标是跨中心泛化评估。

Q2：一共有多少帧？
8,037 帧 = 3,762 正样本帧（1,537 单帧 + 2,225 序列帧）+ 4,275 阴性序列帧。

Q3：多少个息肉实例？
3,447 个（Scientific Data 正式版口径）。arXiv v1 写 3,446，差异 1 个，引用以正式版为准。

Q4：摘要里的 “3,762 annotated polyp labels” 是实例数吗？
不是。3,762 是正样本帧数，3,447 才是实例数。两个数字差约 9%，混用会虚报规模。

Q5：多少患者、多少中心？
300+ 名独特患者，6 个中心、5 个国家（法国、意大利×2、挪威、英国、埃及），每中心至少 50 名患者。

Q6：图像多大？
384×288 至 1920×1080 不等。掩码与原图同尺寸。

B. 获取与许可

Q7：怎么下载？
注册 Synapse 账号，拉取 syn26376615（或编译版 syn45200214）。视频序列另在 Google Drive，链接见官方 GitHub。

Q8：许可是什么？
CC BY 4.0，但官方同时声明限定教育与研究用途并要求引用论文。商业使用需联系作者，不能凭 CC BY 标签推定可自由商用。

Q9：有 ShareAlike 要求吗？
没有。PolypGen 不是 CC BY-SA，衍生数据集不强制沿用同一许可。

Q10：能只下 C1–C5 的单帧吗？
目录按中心切分，可以只取 data-C1 至 data-C5。但要注意这 1,449 帧正是 EndoCV2021 挑战子集，与完整版口径不同。

C. 标注

Q11：掩码是什么格式？
JPG，与原图同尺寸。有损压缩，边界像素只是近似，二值化阈值需按实际分布定。

Q12：负样本有标注文件吗？
没有。阴性帧完全没有标注文件；正样本中的无息肉帧则是"空 bbox 文件 + null 掩码"。两者语义不同，别混为一谈。

Q13：为什么拒绝率高达 30.5%？
因为审查是严格的二元判定（临床可接受/不可接受），且歧义帧重标后仍拒 34.17%。高拒绝率说明质量把关严，不是标注质量差。

Q14：有标注者间一致性指标吗？
没有公开。官方只披露了标注分工（3 人）与复审（6 名专家），未给出类似逐对 Dice 的一致性系数。这是引用时应当注明的局限。

Q15：有 Paris 分类或 JNET 分级的逐帧标签吗？
没有逐帧清单。官方只给了形态占比图（protruded / flat）与序列级的染色内镜说明，没有结构化的分类标签发布。

D. 评测

Q16：官方评测协议是什么？
C1–C5 单帧 1,449 帧按 80/20 训练与验证，在 C6 单帧 88 帧与 C6 序列 432 帧上做样本外测试。

Q17：官方基线的最好成绩是多少？
DeepLabV3+（ResNet101）在 C6 单帧 OOD 上 DSC 0.82 / JI 0.75，序列 OOD 上 DSC 0.71 / JI 0.65。

Q18：为什么 U-Net 掉得那么厉害？
U-Net 在 C6 单帧上 DSC 仅 0.63，是所有官方基线里最低的。容量较小的架构在域漂移下更脆弱——这条证据反对"轻量即泛化"的直觉。

Q19：小息肉为什么只有 0.46？
官方按尺寸分层，small 层（≤100×100 px）DSC 0.46，而 large 层 0.87。小目标像素少、边界占比高，对 resize 与损失函数都更敏感。

Q20：TransNetR 的 60.58 mIoU 是"最好成绩"吗？
它是全 6 中心 OOD 口径的 mIoU 60.58，与官方 C6 单帧的 DSC 0.82 不是同一指标、也不是同一测试池，不能直接比大小。

Q21：C5 和 C3 差 40 点说明什么？
说明"平均水平"会掩盖中心间的巨大差异。同一模型在 C3 是 76.75，在 C5 只有 35.97——部署到具体医院前，必须知道你的目标中心属于哪一类。

Q22：序列比单帧掉 10 点是必然的吗？
在官方基线上是系统性的（0.82 → 0.71），在 TransNetR 上也是（60.58 → 47.17）。序列更接近真实临床流，也更难——静态帧上刷出的分数含水分。

Q23：官方给的划分文件覆盖全部数据吗？
不覆盖。官方 TXT 只针对 C1–C5 单帧做 80/20 划分，序列与阴性帧不含在内，发布版也不强制训练/测试划分。

Q24：能不能按随机帧划分？
不能。相邻序列帧高度相似，随机划分会让验证集混入训练集近邻帧，指标虚高。必须按序列或按患者分组。

E. 溯源与勘误

Q25：EndoCV2021 和 PolypGen 是什么关系？
前者是 2021 年 ISBI 挑战赛，用的是 C1–C5 单帧 1,449 帧；后者是它的完整扩展版，2022 年上线、2023 年论文固化。

Q26：2021 年检测榜的 mAP 能直接引用吗？
不能直接引用。官方在挑战赛页面明确公告，检测榜出现"非常高的 mAP"是评估代码 bug 所致，该 bug 已在 GitHub 评估代码中修复。引用前须确认数字出自修复前还是修复后的代码。

Q27：那条勘误的原文怎么说？
“Please note that the leaderboard results for detection have very high mAP values due to a bug in the evaluation code that has now been fixed in our GitHub evaluation code”。同页还说明联合期刊论文纳入了大量序列数据、团队排名在未见数据上发生变化，且获奖依据同时考察精度、速度与鲁棒性。

Q28：EndoCV2021 的论文进 ISBI 正式论文集了吗？
没有。官方明确该系列论文不进 IEEE ISBI 正式论文集，而是收录于 CEUR 在线会议录。查到 CEUR 卷号才算找到了正式出处。

Q29：为什么 arXiv 和正式版的实例数不同？
预印本是 2021 年版本，正式版是 2023 年经同行评审后的版本，标注计数修正了 1 个。这属于正常修订，不是数据错误。

Q30：DatasetNinja 统计的对象数为什么和官方不同？
DatasetNinja 解析出 3,734 个对象，高于官方 3,447 个实例。原因是序列帧中的同一病灶在多帧重复出现，第三方解析未按序列去重。以官方实例数为准，第三方统计用于分布参考。

---

§7 在生态中的位置：六中心方案的分工

7.1 与主流息肉数据集的横向位置

数据集	规模	中心数	标注类型	与 PolypGen 的差异
PolypGen	8,037 帧	6 中心 / 5 国	mask + VOC bbox，专家复审	唯一为泛化评估设计，含阴性序列与官方 OOD 协议
Kvasir-SEG	1,000 张	1（挪威）	mask	单中心、无阴性帧，社区基准最丰富
CVC-ClinicDB	612 张	1（西班牙）	mask	来自 29 段视频，规模小
ETIS-Larib	196 张	1	mask	常作外部测试集，规模最小
CVC-ColonDB	380 张	1	mask	侧重短序列，申请获取
HyperKvasir	110,079 图像 + 374 视频	1（挪威）	部分标注	规模最大但息肉标注子集有限
LDPolypVideo	346 视频 / 57,886 帧	1（中国）	mask + 时序	视频规模大，单中心
ASU-Mayo	18,781 张	1（美国）	mask	申请获取，无 bbox

这张表的核心信息是：在 PolypGen 之前，主流息肉数据集几乎全是单中心——Kvasir-SEG 与 CVC 系同中心训练同中心测试，天然存在自我循环偏倚。PolypGen 的 6 中心结构首次让"训练与测试来自不同医院"成为默认而非例外。

7.2 库内互链点

条目	rid	互链理由
kvasir-seg	112	最常用的单中心对照基准，构成内外验证对
hyperkvasir	693	消化道内镜大库，规模对照
kvasir-hyperkvasir	75	HyperKvasir 衍生分类任务
kvasir-instrument	213	内镜器械检测，同域
kvasir-capsule	123	胶囊内镜，设备模态对照
endovis-challenges	79	EndoVis 挑战赛谱系主锚
rare25	777	同为内镜检测基准，主打低流行率评测
cad-cap	193	结肠镜 CADe 基准，部位相同
cadis	243	CAD 相关内镜条目
bkai-igh-neopolyp	84	消化道息肉检测
ldpolypvideo	163	息肉视频检测，时序对照
slam-3d-endoscopic	82	3D 内镜重建，模态对照

7.3 在方法演进中的位置

PolypGen 于 2021 年随挑战赛出现、2023 年论文固化，正好卡在内镜 AI 从"单中心刷 SOTA"转向"跨中心证泛化"的转折点上。它之后的工作基本沿着它提出的问题往前走：TransNetR 用逐中心扫描把域差距精确到每个中心的具体数值；联邦学习研究用 6 个中心模拟 6 个数据孤岛，把"能不能不共享数据还保持性能"变成可测命题。它自己没有解决泛化，但它把泛化从一句口号变成了可以打分的任务。

7.4 生态快照

资源	类型	热度（截至 2026-09）	用途
官方 GitHub DebeshJha/PolypGen	代码与说明	26 stars / 1 fork，README 更新至 2025-08	数据入口、序列链接、作者联系方式
Synapse syn26376615	数据托管	持续可下载，保留版本历史	官方主渠道
Scientific Data 论文	文档	引用 181+（Semantic Scholar）	协议与基准的权威来源
EndoCV2021 挑战页	历史基准	归档保留，含勘误公告	前身挑战赛排行榜与方法
TransNetR 仓库	基线代码	社区常用	全 6 中心 OOD 复现起点
cosmoimd 转换脚本	工程工具	活跃维护	PolypGen→COCO/YOLO 一键转换
DatasetNinja 页面	可视化统计	静态	标注分布在线浏览

整体热度中等：低于 Kvasir-SEG 系，但作为泛化评估基准，在跨中心论文中的出场率稳定。

7.5 与同类"泛化基准"的分工

内镜领域近年出现了不止一个以"泛化"为卖点的数据集，但各自考的科目不同，混用会得出错误结论。

数据集	泛化的维度	与 PolypGen 的分工
PolypGen	跨机构、跨人群（6 中心 5 国）	机构与人群层面的域漂移
rare25	跨流行率（100:1 重采样）	部署人群的阳性率先验变化
Kvasir-SEG / CVC 系	不考泛化（单中心）	作为"内部基准"，与 PolypGen 构成内外对照
各类多品牌采集库	跨设备品牌	PolypGen 在此维度上是空白（全 Olympus）

这三类维度互不替代。一个模型在 PolypGen 上跨中心表现好，不代表它在低流行率场景下的报警可信（那是 rare25 的问题）；反过来，在 rare25 上 PPV 高，也不代表换家医院还能用。要完整刻画一个息肉检测系统的稳健性，至少需要跨机构与跨流行率两个轴，缺一个都不够。

设备品牌是第三个轴，目前公开数据集里覆盖得最差——PolypGen 全部 Olympus，其他多数数据集也是单一品牌。这意味着"跨品牌泛化"在文献中基本是一句无法被证伪的话，除非作者自行采集了多品牌数据。

7.6 数据集的长期可用性判断

评估一个数据集值不值得投入，通常看三件事：数据还能不能下、口径还会不会变、社区还在不在用。

下载层面：Synapse 托管相对稳定，且有 DOI（10.7303/syn26376615）与编译版（syn45200214）双入口，属于"不会突然消失"的类型。但视频序列放在 Google Drive 是个风险点——Drive 链接失效在这里并非假设，官方 GitHub 的 README 需要维护才能保持可用，而 README 最后一次更新是 2025-08。

口径层面：2023 年 Scientific Data 论文已把目录结构、规模、许可与基准全部固化，且此后未再修订，属于口径已经稳定的状态。这比多数只在 arXiv 上挂着、版本反复变化的预印本数据集可靠。

社区层面：GitHub 26 stars、Semantic Scholar 181+ 引用，热度中等。它不会像 Kvasir-SEG 那样成为默认起点，但在跨中心论文里的出场率稳定——也就是说，它更像"需要时一定会被想起的对照集"，而不是"每次都要跑的基准"。

综合判断：适合作为长期对照资产持有，不适合作为唯一的训练语料。若团队只能维护一个息肉数据集，选 Kvasir-SEG；若能维护两个，第二个应当是 PolypGen。

---

§8 总结：一份压力测试集的使用说明

三句话概括：PolypGen 是 8,037 帧、6 中心、5 国的结肠镜息肉检测与分割数据集，3,447 个像素级实例经 6 名资深专家复审；它的核心价值是官方 OOD 协议与真实的跨中心落差证据（C5 35.97 vs C3 76.75 mIoU）；它是泛化评估的基础设施，不是刷分的语料库。

适合的人：需要跨中心泛化基准的内镜 AI 研究者；做联邦学习且需要天然数据孤岛划分的团队；要把已有模型拉出来做外部验证的产品组；研究评测方法论、关心"榜单分数如何失真"的研究者。

不适合的人：需要病理分级标签的 CADx 研究（无组织学标注）；需要跨品牌设备验证的团队（全部 Olympus）；需要人群亚组分析的公平性研究（无人口学字段）；想要开箱即用宽表的工程团队（需自写目录解析，预算一到两天）。

你的需求	是否合适	理由
息肉分割训练	是	3,447 实例 + 严格质检
跨中心泛化评估	非常适合	6 中心 + 官方 OOD 协议
视频时序建模	是	23 条正序列 + 23 条阴性序列
联邦学习	是	6 中心天然数据孤岛
病理分级 / CADx	否	无组织学标签
跨品牌设备泛化	否	全部 Olympus
人群亚组公平性	否	无年龄/性别字段
检索 2021 检测榜 mAP	谨慎	评估代码曾有 bug，须核对修复前后

---

§9 术语与口径速查

术语	英文	释义
息肉	polyp	结肠黏膜隆起性病变，本数据集的标注对象
腺瘤	adenoma	最常见的癌前息肉类型，需病理确认
结直肠癌	colorectal cancer (CRC)	息肉长期演变的重要终点
像素级分割	pixel-wise segmentation	为每个像素判定是否属于病灶
掩码	mask	与图像同尺寸的二值/灰度标注图
DSC	Dice similarity coefficient	重叠度指标，官方记作 mDice / mDice 均值
JI	Jaccard index	交并比，官方记作 mIoU
F2	F-beta (β=2)	偏重召回的调和平均，EndoCV 曾用为综合指标
PPV	positive predictive value	报警中真阳性的比例
AHD	average Hausdorff distance	边界距离类指标
NSD	normalized surface distance	归一化表面距离
OOD	out-of-distribution	训练分布外的测试场景
中心留出	centre hold-out	用部分中心训练、其余中心测试
域漂移	domain shift	训练与部署数据分布不一致
联邦学习	federated learning	各机构本地训练、只交换参数的协作范式
In / Out-Federation	—	联邦内成员 / 联邦外成员，用于衡量外推
PASCAL VOC	—	一种以绝对像素坐标存框的标注文本格式
靛胭脂染色	indigo carmine	喷洒染色剂增强黏膜表面结构对比
Paris 分类	Paris classification	消化道浅表病变的形态学分型
JNET	—	窄带光成像下的病变血管/表面分型
空 GT	empty ground truth	无病灶帧的标注状态
序列帧	sequence frame	视频抽出的连续帧，帧间高度相关

口径提醒三条：DSC 与 mDice 在 PolypGen 官方语境中是同一个量；JI 与 mIoU 亦然；“3,762 annotated polyp labels” 是帧数不是实例数。

---

§10 事实清单与附录

10.1 事实清单

1. 主论文：Ali S, Jha D, et al. Scientific Data 10:75，2023-02-06 在线。
2. DOI：论文 10.1038/s41597-023-01981-y；数据 10.7303/syn26376615。
3. PMID 36746950；PMCID PMC9902556。
4. 预印本 arXiv:2106.04463（2021-06）。
5. 前身挑战：EndoCV2021，IEEE ISBI 2021，法国尼斯，2021-04-13 举行。
6. 总帧数 8,037 = 3,762 正 + 4,275 阴。
7. 单帧正样本 1,537（C1–C5 1,449 + C6 88）；序列正样本帧 2,225。
8. 息肉实例 3,447 个（arXiv v1 为 3,446）。
9. 正样本按中心：C1 484 / C2 1,166 / C3 457 / C4 677 / C5 458 / C6 520。
10. 23 条正样本序列；23 个阴性序列文件夹。
11. 300+ 患者，每中心至少 50 名。
12. 图像尺寸 384×288 至 1920×1080。
13. 六中心：巴黎、帕多瓦、阿维亚诺、奥斯陆、牛津、亚历山大。
14. 设备全部 Olympus（Exera 195 / H190 / VG-165 等 / Evis Exera III / GIF-H260Z / Exera 160AL）。
15. 标注平台 Labelbox，3 人标注，6 名 >20 年经验专家复审。
16. 二元审查 2,213 帧，接受 1,537、拒绝 676（约 30.5%）；歧义重标后再拒 34.17%。
17. 8 条书面标注协议；尺寸分层 small ≤100×100 px。
18. 四件套：原图 JPG / mask JPG / VOC TXT / overlay JPG。
19. 官方协议：C1–C5 单帧 80/20，C6 单帧 88 + 序列 432 做 OOD。
20. 官方基线：DeepLabV3+ R101 C6 单帧 DSC 0.82 / JI 0.75；序列 DSC 0.71 / JI 0.65。
21. PSPNet 0.80/0.72；ResNetUNet R34 0.79/0.73（87 FPS）；FCN8 0.76/0.68；U-Net 0.63/0.55。
22. 尺寸分层 DSC：large 0.87 / medium 0.84 / small 0.46。
23. 各中心验证（DeepLabV3+ R50）：C1 0.76 / C2 0.79 / C3 0.80 / C4 0.82 / C5 0.78。
24. TransNetR 全 6 中心 OOD mIoU 60.58；C1 65.38 / C2 66.08 / C3 76.75 / C4 46.01 / C5 35.97 / C6 63.35；23 序列 47.17。
25. TransNetR Kvasir-SEG mDice 0.8706 / mIoU 0.8016 / 54.60 FPS。
26. 联邦学习锚点：In-Fed F1 82.85 / Out-Fed F1 86.01 / Held-Out F1 74.3。
27. 许可 CC BY 4.0 + 教育与研究用途限定 + 引用要求。
28. 数据托管 Synapse syn26376615（编译版 syn45200214）。
29. 官方 GitHub 26 stars / 1 fork，README 更新至 2025-08。
30. Semantic Scholar 引用 181+（截至 2026-09）。
31. EndoCV2021 训练数据 2021-02-02 定版；排行榜提交截止 2021-03-07。
32. EndoCV2021 检测榜 mAP 虚高系评估代码 bug，已在 GitHub 修复。

10.2 附录 A：版本抉择矩阵

你要做的事	用哪个版本	理由
复现论文基准（C6 OOD）	完整版 8,037 帧	官方协议基于完整版
对齐 2021 挑战赛结果	挑战子集 1,449 帧	当年评测只用这个池子
时序模型研究	完整版 + Google Drive 序列原片	Synapse 包内序列帧已抽帧
联邦学习复现	完整版按 data-C1…C6 切分	6 中心即 6 个孤岛
只要分割 mask 做预训练	单帧 1,537 张即可	序列帧高度冗余

10.3 附录 B：DAIMS 24 项检查

#	检查项	状态	说明
1	宽格式	否	目录树组织，无表格化宽表
2	唯一标识	是	文件名全局唯一且内嵌中心/检查编码
3	特殊字符	是	仅字母数字下划线，跨平台安全
4	重复行	部分	序列相邻帧高度近似，需按序列分组
5	缺失编码	是	空 mask 与空 bbox 为显式无息肉编码
6	标签标识	是	目录名 + 文件夹名双重标识
7	罕见类分组	部分	flat 息肉与染色帧仅给占比图
8	偏倚评估	是	论文提供 t-SNE 与逐中心/逐尺寸直方图
9	数据字典	部分	论文图 7 描述目录语义，无独立字典
10	信息性缺失解释	是	空标注帧语义在正文明确陈述
11	设备记录	是	表 2 逐中心列明内镜型号与伦理信息
12	共线性	是	影像数据不适用
13	编码映射	部分	无 Paris/JNET 逐帧编码发布
14	时间戳处理	否	帧无时间戳，仅能按文件名重建时序
15	划分建议	是	官方 train-val TXT + 明确 OOD 协议
16	泄漏讨论	部分	强调中心留出，未明文警告序列帧级泄漏
17	标签分布	是	图 2b / 图 6 给出尺寸与形态分布
18	测量偏倚	部分	内镜视觉标注，无病理对照
19	外部验证建议	是	论文与 TransNetR 均示范 OOD 路径
20	版本记录	部分	Synapse 有条目版本，无结构化变更表
21	预处理脚本	部分	官方划分 TXT 有，转换依赖社区脚本
22	合规要求	是	许可 + 用途限定 + 引用要求清晰
23	多模态对齐	是	四件套同尺寸同帧严格对齐
24	去标识化	是	全匿名化，无人口学信息

计分：是 13 项 ×1 + 部分 9 项 ×0.5 + 否 2 项 ×0 = 17.5 / 24。

这个分数落在"高质量研究数据集、但非开箱即用"区间。得分主要来自无可挑剔的标注 QA、显式的信息性缺失编码与完备的溯源；失分集中在工程化短板——无宽表、无独立字典、无时间戳、mask 有损，以及把"如何防泄漏"的最后一公里留给用户。

10.4 附录 C：逐项证据链

事实	证据源
8,037 = 3,762 + 4,275	Scientific Data 论文数据记录节
3,447 实例	Scientific Data 论文正文（arXiv v1 为 3,446）
中心分布 C1–C6	论文图 2 与逐中心统计表
六中心设备与批件	论文表 2 与图 2 图例
30.5% / 34.17% 拒绝率	论文标注与质量审查节
DSC 0.82 / 0.71 等基线	论文 Technical Validation 表 5/6
TransNetR 逐中心 mIoU	arXiv:2303.07428
联邦学习 F1 锚点	sota2.com PolypGen 榜单汇编（引用前需回溯原文）
26 stars / README 2025-08	GitHub 仓库页面（2026-09 查）
181+ 引用	Semantic Scholar API（2026-09）
EndoCV2021 时间线	endocv2021.grand-challenge.org/Important-dates
检测榜 mAP bug 公告	endocv2021.grand-challenge.org 首页 News 区

10.5 附录 D：坑点速查卡

坑号	一句话	速查
1	跨中心落差被平均抹平	必看逐中心数字
2	61% 无标注帧不是损坏	当空 GT 用
3	mask 是 JPG	阈值按分布定 + 形态学清理
4	VOC 绝对坐标 ≠ YOLO 归一化	除以原图宽高
5	序列帧时间泄漏	按 seq 或患者分组
6	分辨率跨度大	记录 resize 策略
7	下载不完整	数文件再跑模型
8	染色帧颜色是线索	别做颜色抖动
9	1,449 ≠ 8,037	写清是哪个口径
10	2021 检测榜 mAP 曾有 bug	核对修复前后

10.6 附录 E：评测指标公式表

指标	公式	备注
Dice / mDice	2·TP / (2·TP + FP + FN)	空 GT 空预测记 1
Jaccard / mIoU	TP / (TP + FP + FN)	官方 JI
F2	5·TP / (5·TP + 4·FN + FP)	β=2，偏重召回
PPV	TP / (TP + FP)	报警中真阳性比例
Recall	TP / (TP + FN)	灵敏度
AHD	Hausdorff 距离的均值形式	边界距离
FPS	帧数 / 推理耗时	部署相关

10.7 附录 F：引用来源清单

1. Ali S, Jha D, et al. A multi-centre polyp detection and segmentation dataset for generalisability assessment. Scientific Data 10, 75 (2023). DOI 10.1038/s41597-023-01981-y
2. arXiv:2106.04463（预印本，2021-06）
3. PubMed 36746950 / PMC9902556
4. DebeshJha/PolypGen（官方 GitHub）
5. Synapse syn26376615 发布页（编译版 syn45200214）
6. EndoCV2021 挑战页与 Important Dates 页
7. GitHub sharibox/EndoCV2021-polyp_det_seg_gen（评估代码）
8. Jha D, et al. TransNetR. arXiv:2303.07428
9. cosmoimd/polyp_detection_platform（格式转换）
10. DatasetNinja: PolypGen（第三方统计）
11. sota2.com: PolypGen 榜单汇编（第三方，引用需回溯）
12. Semantic Scholar API（引用计数，2026-09）

10.8 附录 G：引用指南

• 使用数据（任何子集）：引用主论文 ali2023multi，这是 CC BY 4.0 使用条款的明确要求。
• 用 1,449 帧挑战子集做对比：同时引用 EndoCV2021 评估论文 arXiv:2202.12031。
• 用 TransNetR 数字或代码：引用 arXiv:2303.07428。
• 引用早期口径（3,446 实例）：引用 arXiv:2106.04463 并注明预印本版本差异。
• 引用 EndoCV2021 检测榜成绩：必先核对评估代码修复前后，并注明该页勘误公告的存在。
• 引用本页：注明千方病案医数集（qianfanghub.com）与最后核验日期。

---

编辑说明

核验时点：2026-09 月内两轮，本轮为 2026-10-18 的体例重排；规模、基准、许可与仓库元数据均回读官方源。

核验方式：规模与基准数字逐条回溯 Scientific Data 论文正文与表 5/6；六中心的机构名、设备型号与伦理批件号以论文表 2 为准；TransNetR 的逐中心 mIoU 回溯 arXiv:2303.07428；联邦学习与子集成绩来自 sota2.com 汇编，正文已标注"引用前需回溯原文"；EndoCV2021 的时间线与检测榜勘误以挑战赛官方首页与 Important Dates 页原文为准，正文引用采用直接摘录；仓库热度与引用计数为 2026-09 时点读数。

双口径并存项：实例数 3,447（正式版）与 3,446（预印本）并列，正文一律用正式版；正样本帧数 3,762 与实例数 3,447 分列，明确二者不是同一量；1,449 帧挑战子集与 8,037 帧完整版分列，不合并表述；DatasetNinja 的 3,734 对象数与官方 3,447 并列，并说明差异源自未按序列去重。

未覆盖内容：总体积官方未公布，本文不给估算；患者标识未公开，因此无法进行严格的患者级分组划分；标注者间一致性系数未发布，本文不作推断；Paris 分类与 JNET 分级的逐帧标签未发布，本文仅说明其存在范围（序列描述与染色帧说明）。各中心腺瘤检出率、病变组织学构成官方未逐项披露。

体例说明：本页按 v4 体例重排，章节编号 §1–§10 连续，术语与口径集中在 §9，事实清单与附录集中在 §10。原稿的 INFOBOX 与 E-E-A-T 声明块已删除——前者与模板自动渲染的信息速览重复，后者属站内审核流程，已并入本节。原稿的 AI 使用声明卡内容保留于本节末段。本页由「千方病案医数集」编辑部撰写，最终以数据库记录为准。

---

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：

• cvc-clinicdb — 共享标签：医学影像 / 医学问答与基准 / 内窥镜影像 / 医学图像分割 / 评测基准
• cvc-colondb — 共享标签：医学影像 / 医学问答与基准 / 内窥镜影像 / 医学图像分割 / 评测基准
• endovis-2026 — 共享标签：医学影像 / 内窥镜影像 / 医学图像分割 / 手术视频 / 评测基准
• serv-ct — 共享标签：医学影像 / 医学问答与基准 / 手术视频 / 评测基准
• simcol3d — 共享标签：医学影像 / 医学问答与基准 / 内窥镜影像 / 评测基准
• grasp — 共享标签：内窥镜影像 / 医学图像分割 / 手术视频 / 评测基准
• mavis — 共享标签：医学影像 / 医学图像分割 / 手术视频 / 评测基准
• endovis-challenges — 共享标签：医学影像 / 内窥镜影像 / 医学图像分割 / 手术视频
• cholecseg8k — 共享标签：医学影像 / 内窥镜影像 / 医学图像分割 / 手术视频
• autolaparo — 共享标签：医学影像 / 内窥镜影像 / 医学图像分割 / 手术视频

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。