信息速览

数据集名称RIM-ONE — 青光眼视神经评估眼底图像 AI-Ready Wikipedia

数据类型485 幅统一版眼底图像,159 幅立体眼底像（v3）,视盘/视杯分割掩码,免费研究用途获取

规模485 幅眼底图像（统一版 RIM-ONE DL，患者总数未公开）

接入方式拉拉古纳大学（University of La Laguna）与圣克鲁斯-德特内里费大学医院（HUC） url: https://github.com/miag-ull/rim-one-dl

AI 就绪度

数据集封面

RIM-ONE — 青光眼视神经评估眼底图像 AI-Ready Wikipedia

INFOBOX

字段	内容
数据集名称	RIM-ONE（青光眼视神经评估眼底图像数据库）
英文全称	Retinal IMage database for Optic Nerve Evaluation
别名/简称	RIM-ONE v1 / RIM-ONE v2 / RIM-ONE r3 / RIM-ONE DL
疾病分类（ICD-11）	9C60（青光眼 Glaucoma）
SNOMED CT	715252007（青光眼）
数据模态	眼底彩照（视盘为中心，v3 为立体像对）+ 视盘/视杯分割掩码 + 诊断标签
AI 任务类型	青光眼二分类、视盘分割、视杯分割、杯盘比量化、跨中心域泛化
样本总数	485 幅（RIM-ONE DL 统一版）；v1 169 幅 / v2 455 幅 / v3 159 幅
数据大小	官方未公布精确值（按分辨率与总量估算为数百 MB 量级，见 §3.4）
数据格式	JPG（图像）、PNG 与 DCSeg TXT（分割掩码）、H5（CNN 权重）
许可证	仅限研究与教育用途（免费、无需申请，禁止商业用途与再分发）
访问级别	开放（官方直链下载，无需注册）
DUO 标签	NPUNCU（非商业、非营利研究用途）
语言	西班牙语/英语（元数据与文档）
首发日期	2011-06（v1，CBMS 2011）
最后更新	2020-11（RIM-ONE DL，Image Analysis & Stereology 39(3)）
发布机构	拉拉古纳大学（University of La Laguna）与圣克鲁斯-德特内里费大学医院（HUC）等三所西班牙医院
官方主页	GitHub miag-ull/rim-one-dl
下载地址	图像 ZIP、分割掩码 ZIP
DOI	10.5566/ias.2346（RIM-ONE DL）；10.1109/CBMS.2011.5999143（v1 论文）
引用次数	791+（Google Scholar，截至 2026-09，v1 原始论文）
AI 就绪度评分	⭐⭐⭐⭐（4/5）— 统一版提供官方划分、双格式掩码与转换脚本；扣分项：需自行处理立体对裁剪与 DCSeg 格式，官方未提供端到端预处理管线
页面状态	published

§0 E-E-A-T 审核与免责声明

医学审核：[千方病案医学编辑部] 交叉审核：§2 医学背景（ICD-11/SNOMED CT 映射、青光眼临床定义与分期）、§7 偏倚分析。
数据工程审核：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
数据合规审核：[千方病案医学编辑部交叉审核] 数据治理与合规专员，审核范围：§3.5 标注方式与许可描述、§7.4 伦理解读、§9.3 引用指南。
临床方法学审核：[千方病案医学编辑部交叉审核] 青光眼方向眼科顾问医师复核，范围：§1.0 速览、§2.2 疾病简介与分期表述、§2.6 金标准定义。
审核日期：2026-09-05

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。RIM-ONE 全部版本仅限研究与教育用途，免费使用且无需向作者申请许可，但明确禁止复制、再分发与任何未经授权的商业用途。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 📌 30 秒速览

这是什么？ RIM-ONE 是西班牙眼科与计算机团队在 2011-2020 年间陆续发布的青光眼眼底图像数据库。它由三个科研版本（v1：169 幅、v2：455 幅、v3：159 幅立体像）和一个面向深度学习的统一版本 RIM-ONE DL（485 幅）组成，每幅图像都围绕视盘（视神经乳头）拍摄，并带有眼科专家手工勾画的视盘、视杯轮廓和"正常/青光眼"诊断标签。v1 还细分早期、中期、晚期青光眼与高眼压五个组，v3 提供两位专家的独立分割金标准。

为什么重要？ 青光眼是全球首位不可逆性致盲眼病，而视盘形态（视杯凹陷扩大、盘沿变薄）是眼底照片上最直接的受损证据。公开数据集长期缺乏"同一来源、版本可追溯、分割金标准可复核"的青光眼专题库：RIM-ONE 恰好填补这一空档——它的 v3 与 REFUGE、Drishti-GS 并列为视杯视盘分割论文的"三件套"评测集，其按医院划分的官方变体更是少见的跨中心泛化压力测试。

我能用它做什么？ 训练和评测青光眼筛查分类器（CNN/Transformer 均有公开基准）；训练视盘与视杯分割模型并计算杯盘比（CDR）量化指标；用 v3 的双专家标注做标注一致性/不确定性研究；用按医院划分研究跨设备域偏移。注意：它规模小（数百幅级），适合做方法验证与迁移学习评测，不适合从零训练大规模模型，也禁止任何商业用途。

§1.1 摘要

RIM-ONE（Retinal IMage database for Optic Nerve Evaluation）由拉拉古纳大学（ULPGC/ULL 计算机团队）与圣克鲁斯-德特内里费大学医院（HUC）眼科合作构建，图像来自西班牙三所大学医院的临床就诊人群：HUC（特内里费）、HUMS（萨拉戈萨）与 HCSC（马德里）。v1 于 2011 年 CBMS 会议发布，含 169 幅免散瞳眼底像（118 正常、51 各期青光眼）与 5 位专家的视盘分割金标准；v2（2014）扩展至 455 幅但含重复与 test-retest 近重复图像；v3（2015）改为 Kowa WX 3D 立体眼底相机在 HUC 单中心采集 159 幅，首次提供两位专家独立勾画的视盘与视杯分割。2020 年团队在 Image Analysis & Stereology 发布 RIM-ONE DL：整合三版本为 313 正常 + 172 青光眼共 485 幅，给出"随机划分"与"按医院划分"两种官方训练/测试切分、全部图像的单专家视盘视杯掩码（PNG + DCSeg TXT 双格式）及 10 个 CNN 基准，成为当前推荐使用的主口径。原始论文累计被引 791+ 次（Google Scholar，截至 2026-09），是青光眼影像 AI 领域引用最高的数据集论文之一。

阅读本页时按目的选路径：只想跑通基线 → §6.1-§6.4 直接复制代码；选版本 → §3.0 抉择矩阵与 §3.11 差异速查表；写论文前对协议 → §5.3 泄漏清单与 §8.3 评测协议；评估是否信任该库 → §7.7 DAIMS 24 项。全页数字均标注来源与口径，无法核实的事实一律省略而非估计。

§1.2 战略价值

维度一：分割金标准的"多专家可复核性"。 多数眼底数据集只提供单一人工标注或众包合成掩码，而 RIM-ONE 从 v1 起就以"金标准方法论"为卖点：v1 由 5 位专家分别勾画视盘、以径向平均合成参考轮廓；v3 由 2 位专家独立分割视盘与视杯，两套标注同时发布，Idiap 的 mednet 工具包将其组织为 exp1/exp2/avg 三种评测协议，第二套标注可直接充当"人类基线"。这使 RIM-ONE 成为研究标注变异、人机对比与不确定性估计的少数可用资源——文献报告其专家间 Dice 差异约为视盘 5%、视杯 7%（平均标准差约 2%）。

维度二：内置的跨中心域偏移测试床。 RIM-ONE DL 的"按医院划分"变体把 HUC 图像全部划入训练集、HUMS 与 HCSC 划入测试集，天然构成一个域外泛化实验：官方基准显示 VGG19 准确率从随机划分的 0.9315 跌至按医院划分的 0.8563，AUC 从 0.9867 降至 0.9272。在域自适应、联邦学习与"数字流行病学"研究大量涌现的今天，这一免费提供的跨站点切分让 RIM-ONE 成为方法学论文（如 UniDDG 等多中心分割工作）的标准压力测试组件之一，与 Drishti-GS、REFUGE 组成四中心多域评测组合。

维度三：版本演进的"数据集考古"标本。 v1→v2→v3→DL 的每一次迭代都对应一个真实的数据工程问题：v2 引入重复与 test-retest 图像，v3 更换相机与视野角，DL 版统一标签并去重定划分。对课程教学、数据治理审计与"数据集即论文"方法学研究而言，RIM-ONE 提供了一个完整可追溯的案例链，其 2020 年论文甚至专章复盘了三版本直接混合用于深度学习的五项风险。

维度四：小样本评测纪律的"校准器"。 在"人人都能刷高分"的百幅级数据集上，RIM-ONE 是少数自带反例的库：官方双划分直接量化了"同分布高分"与"跨中心现实"之间的落差（Acc 相差约 7.5 个点）。对论文作者与算法采购方而言，这套落差数字可作为评估纪律的参照物——任何只报告随机划分的青光眼筛查系统，都应以按医院划分口径补测后再下结论。

§1.3 同类数据集横向对比

数据集	规模	模态与设备	标注	差异化定位
RIM-ONE DL（统一版）	485 幅（313 正常/172 青光眼）	视盘为中心眼底像；Nidek AFC-210 与 Kowa WX 3D 立体相机	专家视盘+视杯分割、二分类标签；官方双划分	版本可追溯、按医院划分做域偏移测试
RIM-ONE v3	159 幅（85 正常/74 青光眼）	Kowa WX 3D 立体像对，2144×1424，34° 视场	2 位专家独立视盘/视杯分割	双专家金标准与人类基线协议
REFUGE（2018）	1,200 幅	Zeiss Visucam 500（2,124×2,056）与 Canon CR-2（1,634×1,634）	标签来自病历（含 OCT/视野）；7 位专家分割	MICCAI 挑战赛体量、多设备、SOTA 主战场
ACRIMA（2019）	705 幅（396 青光眼/309 正常）	FISABIO Oftalmología（瓦伦西亚）临床眼底像	单眼科医生基于眼底图标注	大比例阳性类，侧重分类
Drishti-GS	101 幅（50 训练/51 测试）	Aravind 眼科医院（印度），30° 视场	4 位专家视盘/视杯分割	印度人群、经典小样本分割基准
ORIGA(-light)	650 幅（168 青光眼/482 正常）	新加坡 SiMES 人群研究	分割+分级信息	亚洲人群、含临床分级元数据

与 REFUGE、ACRIMA 无图像重叠：三者分属西班牙加那利/瓦伦西亚与中国中山眼科中心等不同来源，互为理想的外部验证集。
对比表中各库的获取渠道与许可差异见 §8.4；RIM-ONE 各版本内部构成的精确数字见 §3.2。

§1.4 版本时间轴

版本	发布时间	规模	采集机构	关键变化
RIM-ONE v1	2011-06（CBMS 2011）	169 幅：正常 118/早期 12/中期 14/晚期 14/高眼压 11	HUC、HUMS、HCSC	首发；5 位专家视盘分割金标准；Nidek AFC-210 相机，45° 视场
RIM-ONE v2	2014	455 幅：正常 255/青光眼 200	HUC、HUMS	v1 扩展；单专家标注；含重复图与 test-retest 近重复
RIM-ONE v3	2015	159 幅立体像：正常 85/青光眼 74	仅 HUC	Kowa WX 3D 立体相机，34° 视场；2 位专家视盘+视杯分割
RIM-ONE DL	2020-11	485 幅：正常 313/青光眼 172	三院（统一整理）	三版本整合；官方随机/按医院双划分；全部图像提供视盘+视杯掩码与 CNN 基准

注：v2 与 v3 的受试者存在重叠（官方论文声明），时间轴只反映发布顺序而非队列独立性。

§1.5 典型应用场景

青光眼筛查分类器评测：在 RIM-ONE DL 官方划分上复现 VGG19/ResNet50 等基准（随机划分 Acc 0.90-0.93），或提交自有方法至官方排行榜口径。
视盘/视杯分割与 CDR 量化：以 v3 双专家标注或 DL 统一版掩码训练分割网络，从分割结果计算垂直/水平/面积杯盘比（文献参考值：正常垂直 CDR 0.42±0.10，青光眼 0.60±0.17）。
跨中心域泛化研究：使用按医院划分变体，或与 Drishti-GS、REFUGE 组成多中心协议，度量域自适应算法的增益。
标注变异与人机对比：利用 v3 的 exp1/exp2 双专家协议，评估模型输出与"人类基线"专家间 Dice 的相对位置。
教学与数据治理案例：以四版本演进讲授重复图像、标签口径、设备更替等真实数据工程议题。
标注工具与协议研究：以 DCSeg 的"参考点 + 径向轮廓"范式与 v1 五专家、v3 双专家协议为案例，研究交互式标注效率与多专家金标准合成方法。

§2 医学背景

§2.1 ICD-11 编码映射

数据集标签/概念	ICD-11 编码	ICD-11 术语
青光眼（各期，v1/v2 阳性类；v3/DL 二分类阳性）	9C60	青光眼（Glaucoma）
高眼压（OHT，仅 v1 独立分组，11 幅）	—（高眼压非确定性青光眼诊断，ICD-11 归入相关眼病章节按概念匹配）	Ocular hypertension 概念
早期/中期/晚期青光眼（v1 疾病分期）	9C60（分期不改变编码，属临床分期而非 ICD 轴）	Glaucoma（按严重程度临床分期）

注：ICD-11 的青光眼主干编码 9C60 下还设有按发病机制细分的亚类；本库标签未到亚类粒度，映射止步于主干编码。

§2.1b SNOMED CT 映射

标签/概念	ICD-11	SNOMED CT 码	术语
青光眼	9C60	715252007	Glaucoma (disorder)
高眼压（v1 OHT 组）	—	47595007	Ocular hypertension (disorder)
视盘（分割目标）	—	56246009	Optic disc structure
视杯（分割目标）	—	按概念匹配参考	Optic cup of optic disc

注：RIM-ONE 官方未提供编码映射，以上为按概念匹配的参考映射；早期/中期/晚期为临床分期，SNOMED CT 无一一对应码，数据治理时建议保留原始分组标签并另行维护映射表。

§2.2 疾病简介与流行病学

青光眼是一组以视神经乳头形态学改变（视杯凹陷进行性扩大、盘沿组织丢失、视网膜神经纤维层缺损）和特征性视野损害为共同终点的视神经病变，眼压升高是最重要的危险因素但非必要条件。按前房角形态分为开角型与闭角型，按病因分为原发性、继发性与发育性；本数据集覆盖的"各期青光眼"以临床就诊人群中最常见的原发性开角型青光眼及其分期为主体，v1 的 OHT 组则代表眼压升高但尚未出现确定性青光眼性损害的高危人群——这正是筛查场景中最需要被早期识别的两类对象。

流行病学层面，青光眼是全球首位不可逆性致盲眼病，多数患者早期无症状，确诊时已有不可恢复的视野缺损，因此基于眼底照片的 AI 筛查被公认为降低青光眼致盲率的关键路径之一。眼底相上的青光眼征象——尤其是垂直杯盘比增大、盘沿切迹与视盘旁萎缩——可以用分割网络量化为 CDR 等连续指标，这也是 RIM-ONE 同时提供分类标签与分割金标准的临床逻辑：分类模型回答"是否可疑"，分割模型回答"为什么可疑"。

临床上，视神经形态评估的读片依据主要包括：垂直杯盘比（正常人群多低于 0.5 且双眼大致对称）、ISNT 规则（正常盘沿神经视网膜宽度应满足下方 ≥ 上方 ≥ 鼻侧 ≥ 颞侧的排序，违背排序提示青光眼性盘沿丢失）、盘沿线状出血以及视网膜神经纤维层缺损。RIM-ONE 的视盘/视杯掩码恰好覆盖 CDR 与 ISNT 所需的解剖边界，这解释了为何大量论文采用"先分割后诊断"的两段式设计：分割网络产出结构量化，再由浅层分类器或规则给出筛查结论。

从建模视角看，青光眼眼底影像方法大致经历三代：手工特征（分割派生 CDR/盘沿面积 + 传统分类器）、端到端 CNN 分类（VGG/ResNet/Xception 一代，即 RIM-ONE DL 官方基准所属）、以及分割-分类联合的多任务与注意力架构。RIM-ONE 的独特之处是把三代方法都留在同一份数据上：掩码 + 官方转换脚本保留了第一代的可复现资产，双划分基准锚定了第二代，而 485 幅的规模天然构成第三代的约束条件。

对高危人群管理，v1 的 OHT（高眼压）分组有特殊的临床教学意义：眼压升高是青光眼最重要的可干预危险因素之一，但眼压升高本身不等于青光眼——部分高眼压者终身不出现视神经损害。这组 11 幅图像提醒建模者：筛查模型的目标不是预测眼压值，而是预测"视神经已受损"这一终点事件；把 OHT 归入阳性或阴性，会直接改变任务的临床含义（坑点 4 的同类逻辑）。

鉴别诊断上，眼底相的视杯扩大并非青光眼特异——先天性大视杯、视盘小凹与近视眼斜入视盘都可能模拟青光眼性改变，这是纯影像筛查模型的主要假阳来源之一。RIM-ONE 的标签由临床 adjudication 产生，理论上已排除多数形态学模拟者；因此在其上训练的模型不要直接迁移到未做鉴别诊断的初筛现场，否则特异度会被高估。

§2.3 临床任务定义

任务	输入	输出	临床意义	数据集支撑
青光眼筛查/诊断分类	眼底彩照（视盘为中心）	正常/青光眼（v1 另含高眼压与分期）	门诊初筛、体检场景转诊决策	v1/v2/v3/DL 标签；DL 官方双划分与 CNN 基准
视盘分割	眼底彩照	视盘像素级掩码	定位视神经、约束 CDR 计算的母区	v1（5 专家）、v2、v3（2 专家）、DL 全量
视杯分割	立体/单目眼底像	视杯像素级掩码	凹陷定量，青光眼特异性最强的结构指标	v3（2 专家，立体像）、DL 全量
杯盘比量化与分期	视盘+视杯掩码	垂直/水平/面积 CDR	分期随访、进展监测	v3 统计参考值；掩码派生
跨中心域泛化	多医院混合	域外性能保持度	多设备部署可行性验证	DL 按医院划分变体
高眼压/疑似人群分层	眼底彩照	高危标记（OHT/疑似）	进展前高危眼的识别与随访策略	v1 OHT 组 11 幅；v3 疑似细分（口径见坑点 4）
标注一致性/人机对比	模型输出 vs 专家掩码	Dice 相对人类基线的位置	不确定性估计与可信 AI 研究	v1 五专家；v3 exp1/exp2 双专家协议

§2.4 患者人群

维度	描述
来源机构	HUC（特内里费）、HUMS（萨拉戈萨）、HCSC（马德里）三所西班牙大学医院眼科
采集时间	按版本分别于 2011（v1）、2014（v2）、2015（v3）年前后发布，具体采集起止日期官方未逐一公开
年龄	官方未系统公开（临床成年就诊人群）
性别	官方未系统公开
种族/地域	西班牙本土与加那利群岛就诊人群，以欧洲裔为主
就医类型	眼科门诊就诊者：健康对照（其他眼病/体检者）与青光眼专科确诊患者
诊断依据	临床诊断 adjudication（以眼底检查与眼科专科评估为主，可参考视野/OCT 等图像外资料）
双眼情况	可双眼分别成图；官方未发布逐图眼别与受试者配对表，同受试者双眼需自行推断

§2.5 临床价值

对算法开发者，RIM-ONE 的价值在于把"青光眼筛查"拆解为可验证的两个子问题：结构分割（视盘/视杯边界）与疾病分类（正常/青光眼），两者共享同一批图像与同一批专家，可以直接研究"分割指标提升多少才转化为分类增益"。对临床研究者，v1 的五分期分组（含高眼压与早/中/晚期）提供了罕见的疾病谱梯度，可用于检验模型对早期青光眼的敏感度——这是筛查场景中真正的难点，因为早期病例的杯盘比与正常人群重叠最大。对卫生技术评估者，按医院划分的官方协议给出了跨院部署时的性能衰减上界参考，可作为院内验证前的先验预期。

对算法开发者还有一层隐性价值：按医院划分提供的域偏移读数已成为社区衡量"跨中心稳健性"的事实参照——任何声称跨院稳健的方法，都应在该切分上补一组数字并以官方跌幅（约 7.5 个点）为基准解读。该库同时也是"失败案例库"：低照度图、早期形态重叠与标签判据差异共同构成了真实筛查系统必须面对的误差来源，全部收录在 §6.5 坑点与 §7.3 泛化表中。

§2.6 金标准定义

划分	标注方式	标注者	性质
诊断标签（正常/青光眼）	临床诊断 adjudication（结合临床检查，v1 含分期判定）	眼科专家	临床金标准（非仅基于眼底图的阅片金标准）
视盘分割（v1）	每图 5 位专家独立勾画，按 8 方位径向取样取平均合成参考	5 位专家	分割金标准（多专家合成）
视盘/视杯分割（v3）	2 位专家用 DCSeg 工具独立分割，两套标注并行发布	2 位青光眼专家	分割金标准（双专家+人类基线协议）
视盘分割（v2）	单专家视盘标注（随 v2 扩展发布）	1 位专家	参考标准（单专家，无多专家合成）
视盘/视杯分割（DL 统一版）	每图 1 位青光眼专家用 DCSeg 勾画	1 位青光眼专家	参考标准（单专家，便于大规模统一）

上表各行的标注者并非同一批人、协议各不相同，跨版本混用掩码时应在论文中声明所用版本（详见 §3.6）。

§3 数据集规格

§3.0 版本抉择矩阵

你的需求	推荐版本	大小	理由
快速复现分类基准/提交排行榜	RIM-ONE DL（随机划分变体）	485 幅 ZIP	官方划分、可与其他论文直接对表
跨中心泛化/域自适应研究	RIM-ONE DL（按医院划分变体）	485 幅 ZIP	HUC 训练 vs HUMS+HCSC 测试的现成域切分
视盘+视杯分割、人机对比	RIM-ONE v3	159 幅	双专家独立标注 + 立体像，另可下载 DL 版全量单专家掩码
多专家标注变异、金标准方法学研究	RIM-ONE v1	169 幅	每图 5 套专家视盘标注
大样本联合训练（与 REFUGE 等混合）	RIM-ONE DL 全量	485 幅	统一标签与格式，最易并入多库管线
标注一致性/人机对比研究	v1（5 专家）+ v3（2 专家）	169/159 幅	罕见的多专家独立标注协议，人类基线现成
教学与数据治理案例	四版本对照使用	169-485 幅	版本演进本身即教材（§1.4 时间轴 + §3.11 速查表）

§3.1 模态详情

RIM-ONE 全部图像为免散瞳眼底彩照，拍摄时以视盘为中心构图（区别于以黄斑为中心的糖尿病视网膜病变数据集），视场角与设备随版本变化：v1/v2 使用 Nidek AFC-210 免散瞳眼底相机搭配 Canon EOS 5D Mark II 机身（21.1 兆像素），水平与垂直视场 45°；v3 使用 Kowa WX 3D 立体免散瞳相机，以 34° 视场角对准视神经乳头，最终立体像对水平视场 20°、垂直 27°，整幅分辨率 2,144×1,424 像素（立体对中单幅为 1,072×1,424 像素，通常取左半使用）。v3 的立体同步曝光是全库的关键设计差异：立体视差让视杯（凹陷）边界可辨，这是 v1/v2 只分割视盘而不分割视杯的直接原因。图像采集时使用了专门控制的闪光强度以避免饱和（各版本均为免散瞳拍摄）。

构图上全部图像以视盘为中心而非黄斑为中心，这决定了它不适合糖尿病视网膜病变或 AMD 任务，但保证了视盘区域始终位于画面中心的高分辨率区。v3 立体像对由左右两幅以微小基线角同步曝光的图像横向拼接，两半的视盘位置、照明与色温存在系统性微差——把"裁剪哪一半"从玄学变成工程决策的关键在此：左半为基准视图，社区惯例（mednet 的 _CROP_COORDINATES）固定取左半，与主流论文口径一致。v1/v2 单目图无此问题，可直接整幅使用。

§3.2 按子集样本数

版本/子集	图像数	组成
RIM-ONE v1	169	正常 118；早期青光眼 12；中期青光眼 14；晚期青光眼 14；高眼压 OHT 11
RIM-ONE v2	455	正常 255；青光眼 200（含 v1 重复图与 test-retest 近重复）
RIM-ONE v3	159	正常 85；青光眼 74（文献中常按 39+35 细分，口径见 §6.5 坑点 4）
RIM-ONE DL	485	正常 313；青光眼 172（随机划分与按医院划分两变体）
DL 随机划分变体	485	同一总集按随机方式两分；训练/测试单侧规模以解压目录统计为准（README 未逐列公布）
DL 按医院划分变体	485	训练集 = HUC 全部；测试集 = HUMS + HCSC 全部（医院级零重叠）

注：v2 的 455 幅中包含 v1 的图像（官方承认的版本继承关系），v1+v2 不能相加为 624 个独立样本；同理 DL 的 485 幅是三版本去重整合后的总量。跨版本统计一律以"独立图像"口径去重。

§3.3 数据格式

内容	格式	说明
眼底图像	JPG	v3 为 2,144×1,424 立体拼接图（单幅 1,072×1,424）；v1/v2 为单目图
分割掩码（DL 版）	PNG	视盘与视杯二值掩码，逐图提供
分割掩码（DCSeg 原生）	TXT	径向轮廓极坐标点列表，需官方脚本转换为 PNG/NumPy
CNN 权重	H5	论文 10 个 CNN 在两种划分下的训练权重
划分文件	ZIP 内目录结构	随机划分与按医院划分两个变体目录
文档	官方 GitHub README	下载入口、基准表、许可条款与 DCSeg 转换脚本说明
历史版本包	v1/v2/v3 原始分发包	经原始发布页分发（站点可用性不稳定，建议按论文 DOI 溯源）

§3.4 存储规模

官方以 ZIP 分发包提供图像、分割掩码与 CNN 权重三个独立压缩包（下载入口见 §6.2），未公布官方压缩包体积数字，故本页不给出具体 MB 值。按 v3 分辨率 2,144×1,424 的 JPG 与 485 幅总量估算，全库在数百 MB 量级，普通笔记本本地存储即可承载，无需对象存储或云端数据仓。

存储布局建议：保持官方 ZIP 的目录结构原样解压（划分目录与掩码命名空间相互引用），不要"摊平"后再重组——官方掩码文件名与图像文件名一一对应，摊平易破坏配对关系并给复现埋雷（详见 §4.0）。

§3.5 标注方式

标注分两类：诊断标签与分割掩码。诊断标签来自临床诊断流程（青光眼专家依据临床资料判定，v1 进一步做五分组分期），并非纯眼底阅片标签——这意味着标签质量高于单图阅片，但也意味着"图像上不可见的信息"可能参与了标签判定，建模时需注意（见 §7.1）。分割掩码全部为专家手工勾画：v1 每图 5 位专家视盘轮廓，以参考点出发 8 个轴向、每轴 5 个取样点的径向平均合成金标准；v3 每图 2 位专家使用 DCSeg 交互工具分别勾画视盘与视杯；DL 统一版每图 1 位青光眼专家用 DCSeg 勾画双结构。掩码以 DCSeg 原生 TXT（径向极坐标点）保存，配套 PNG 二值图与官方 Python 转换脚本。

DCSeg 的"参考点 + 径向轮廓"范式值得单独说明：专家在结构中心定义参考点，沿多条径向轴标记边界点，轮廓以极坐标点列表（TXT）存储，再栅格化为 PNG。相比逐像素涂刷，该范式标注效率高、天然适配视盘/视杯这类近似椭圆结构，且 TXT 保留了亚像素级轮廓信息；代价是边界分辨率受径向采样密度限制，凹陷边界（如视杯）需要更密的采样——坑点 3 的格式陷阱即源于此双格式设计。

§3.6 标注者资质与一致性

标注者均为西班牙三院的青光眼方向眼科专家（v1 论文作者含 HUC 眼科医师）。一致性证据：文献对 v3 双专家标注计算 Dice 系数，视盘专家间差异约 5%、视杯约 7%，平均标准差约 2%——视杯一致性低于视盘符合立体眼底像上凹陷边界本就模糊的临床事实。需要注意 v1 的 5 专家金标准、v2 的单专家标注、v3 的双专家标注与 DL 的单专家标注并非同一批人完成，跨版本合并使用时标注者效应不可忽略（2020 年 IAS 论文将此列为三版本混用的首要风险）。

v2 的单专家标注未公布一致性数据，是该版本后来被 DL 统一版取代的原因之一；DL 统一版选择"单专家 + 统一工具"而非多专家合成，换取全库口径一致，论文明确将其定位为"便于深度学习使用的参考标准"而非金标准。需要金标准级标注时，应回到 v1（视盘五专家合成）与 v3（双专家立体像）——这正是 §3.0 抉择矩阵把"基准复现"与"金标准方法学"两个用途分开的原因。

§3.7 采集周期

按版本发布时间推算：v1 于 2011 年 CBMS 会议发表，v2 于 2014 年发布，v3 于 2015 年随 DCSeg 工具论文发布，RIM-ONE DL 于 2020 年 11 月发表于 Image Analysis & Stereology 39 卷 3 期。官方未逐版公开具体采集起止日期，全库时间跨度以 2011/2020（版本发布跨度）为准。

时间线上有两个细节值得注意：其一，v2（2014）与 v3（2015）发布时间接近但设计理念相反——v2 走"同相机扩规模"路线，v3 走"换相机提质量"路线，两者的差异是理解版本选择的钥匙；其二，DL 版（2020）晚 v3 五年才出现，恰逢医学影像深度学习从"各自为战"转向"统一基准"的行业转折点，其"统一标签 + 官方划分 + 开源权重"三件套正是对这一转折的响应。

§3.8 地域覆盖

三所西班牙大学医院：Hospital Universitario de Canarias（HUC，特内里费，加那利群岛）、Hospital Universitario Miguel Servet（HUMS，萨拉戈萨）、Hospital Clínico Universitario San Carlos（HCSC，马德里）。各版本覆盖范围：

版本	覆盖机构	城市
v1	HUC + HUMS + HCSC	特内里费 / 萨拉戈萨 / 马德里
v2	HUC + HUMS	特内里费 / 萨拉戈萨
v3	仅 HUC	特内里费
DL	三院合并（保留医院归属）	—

人群以西班牙（欧洲裔为主）就诊人群为代表，无亚洲、非洲人群覆盖；DL 统一版按医院归属保留机构信息，并直接用于按医院划分变体。

§3.9 设备规格

版本	相机/机身	视场	分辨率
v1/v2	Nidek AFC-210 免散瞳眼底相机 + Canon EOS 5D Mark II（21.1 兆像素）	水平/垂直 45°	官方未统一公布像素尺寸
v3	Kowa WX 3D 免散瞳立体眼底相机	视盘中心 34°（立体像对水平 20°/垂直 27°）	2,144×1,424（单幅 1,072×1,424）
DL 统一版	混合三版本来源（无新采集）	随来源版本	随来源版本（v3 来源须裁剪）

两代相机的色彩响应与照明协议差异，是按医院划分性能落差（§8.1）的物理来源之一；v1/v2 像素尺寸官方未统一公布，涉及逐像素测量的研究应以掩码派生的相对量（如 CDR）替代绝对毫米数。

§3.10 深度溯源链

采集层：三院眼科门诊临床采集 → 版本化发布（v1 2011/v2 2014/v3 2015）→ RIM-ONE DL 统一整理（2020）。
标注层：临床诊断（专家 adjudication）→ DCSeg 手工分割（v1 五专家视盘/v3 双专家视盘视杯/DL 单专家全量）→ 径向极坐标 TXT + PNG 双格式。
分发层：拉拉古纳大学 MIAG 研究组官方 GitHub（miag-ull/rim-one-dl）+ 三条 bit.ly 直链 → Idiap mednet/bob 等第三方工具包协议化适配 → 千方病案医数集结构化编目。
背书链：每一层均有同行评审论文或官方仓库文本背书，可追溯至 DOI 10.5566/ias.2346（DL 统一版）与 10.1109/CBMS.2011.5999143（v1 奠基论文）；原始发布页可用性不稳定时，以论文 DOI 为最终溯源锚点。

§3.11 四版本差异速查表

供数据治理审计与论文协议声明逐项引用：

维度	v1（2011）	v2（2014）	v3（2015）	DL（2020）
规模	169 幅	455 幅	159 幅	485 幅
相机	Nidek AFC-210	Nidek AFC-210	Kowa WX 3D 立体	混合三版本来源
视场	45°	45°	34°（立体对 20°×27°）	随来源
分辨率	官方未统一公布	官方未统一公布	2,144×1,424 拼接	随来源
标注	5 专家视盘	单专家视盘	2 专家视盘 + 视杯	单专家视盘 + 视杯
机构	三院	两院	单院	三院合并
官方划分	无	无	无（DRIU 99/60 社区协议）	随机 + 按医院双划分
立体像	无	无	有（须裁左半）	随 v3 来源
标签口径	五分组	二分类	二分类（疑似细分口径不一）	统一二分类
许可与获取	免费研究用途	免费研究用途	免费研究用途	免费研究用途，三 ZIP 直链
优势任务	分类（五分期梯度）	分类（较大样本）	分割（视杯可标注）	分类基准与部署评测

§4 数据结构

§4.0 目录树

RIM-ONE DL 图像包与分割包解压后的目录结构如下（依据官方 README 描述重构的预览，具体文件夹命名以解压结果为准）：

RIM-ONE_DL/
├── images/                            # 图像 ZIP 解压（两变体划分）
│   ├── partitioned_by_hospital/       # 按医院划分变体
│   │   ├── Training Set/              # HUC 采集图像
│   │   │   ├── Normal/                # 正常（标签 0）
│   │   │   └── Glaucoma/              # 青光眼（标签 1）
│   │   └── Test Set/                  # HUMS + HCSC 采集图像
│   │       ├── Normal/
│   │       └── Glaucoma/
│   └── partitioned_randomly/          # 随机划分变体（结构同上）
│       ├── Training Set/
│       │   ├── Normal/
│       │   └── Glaucoma/
│       └── Test Set/
│           ├── Normal/
│           └── Glaucoma/
├── reference_segmentations/           # 分割 ZIP 解压
│   └── All_Segmentations/             # 每图一组：视盘 + 视杯
│       ├── <image_id>_Disc_All.png    # 视盘掩码（PNG）
│       ├── <image_id>_Cup_All.png     # 视杯掩码（PNG）
│       ├── <image_id>_Disc_All.txt    # DCSeg TXT（径向轮廓）
│       └── <image_id>_Cup_All.txt
└── cnn_weights/                       # CNN 权重 ZIP 解压
    ├── partitioned_randomly/
    │   ├── VGG19.h5                   # 每架构一个 H5 权重文件
    │   ├── VGG16.h5
    │   └── ...
    └── partitioned_by_hospital/
        ├── VGG19.h5
        └── ...

原版包说明：v1/v2/v3 原始分发包按"诊断组名"直接建文件夹（如 Normal、Early Glaucoma、OHT 等），与 DL 统一版的"划分变体 → 训练/测试 → 类别"三层结构不同；使用原版包时先建立"组名 → 标签"映射再批量读取，避免按目录名硬编码。原版包与 DL 包的图像存在重叠（DL 由三版本整合而来），不可视为两个独立数据源（§5.3 泄漏通道 1）。

§4.1 DAIMS 字段字典

字段名	类型	说明	示例值	AI 用途	观测误差/注意	信息性缺失编码	取值范围
image_id	string	图像文件名主键	`200.png`	唯一索引、跨包对齐	v1/v2/v3/DL 各自命名空间，勿跨版本混排	—	库内唯一
diagnosis_label	int	诊断标签（由目录名派生）	0 = 正常 / 1 = 青光眼	分类任务目标	v3 的"疑似"类在 DL 中未单独保留	—
hospital_source	string	采集医院（按划分目录推断）	HUC / HUMS / HCSC	域标签、按医院划分	v3 全部为 HUC	—
image	JPG 矩阵	眼底彩照	v3：2,144×1,424 立体拼接	分类/分割输入	必须裁剪立体对左半（见坑点 2）	—	RGB 8-bit
disc_mask	PNG 二值	视盘掩码	与原图同尺寸的 0/1 图	视盘分割目标	由 DCSeg 径向轮廓栅格化	—
cup_mask	PNG 二值	视杯掩码	与原图同尺寸的 0/1 图	视杯分割目标、CDR 计算	v1/v2 原版无此字段	v1/v2 视杯缺失=结构不可标注
dcseg_txt	TXT	DCSeg 原生径向轮廓点	极坐标点列表	高保真轮廓重建	不可当像素掩码直接读（见坑点 3）	—	官方格式
partition_variant	string	官方划分变体	`partitioned_randomly` / `partitioned_by_hospital`	评测协议选择	混用导致不可比（见坑点 5）	—
stereo_pair	bool	是否为立体拼接图	宽 2,144 → True（仅 v3 来源）	裁剪策略开关	宽 2,144 时必须裁左半	—
label_source	目录名	诊断标签的物理来源	`.../Normal/200.jpg` → 0	分类标签读取的唯一来源	目录名即标签，勿另建标签文件造成双源	—
source_version	string	来源版本（推断）	v1/v2/v3	版本级审计与去重	官方未逐图标注，需按相机/分辨率指纹推断	—	{v1, v2, v3}（推断值）
subject_id	—（缺失）	受试者级 ID	官方未发布	分组切分的理想单位	无法由文件名恢复，需 pHash + 眼别指纹推断	缺失即"未发布"	不存在
disc_cup_pair	结构对	视盘+视杯联合分析单元	`<image_id>_Disc_All` + `_Cup_All` 成对出现	CDR 计算的基本单位	掩码须成对读取，单边缺失败即跳过	v1/v2 无视杯对	成对或仅有 Disc

§4.2 标签分布

统一版 RIM-ONE DL 的二分类标签分布为：正常 313 幅（64.5%）、青光眼 172 幅（35.5%），阳性比约 1:1.8——远高于自然筛查场景中的青光眼患病率，属于刻意均衡化的研究分布。版本粒度上：v3 为 85 正常/74 青光眼（近均衡），v2 为 255/200，v1 为 118 正常对 51 例各期青光眼（12 早期/14 中期/14 晚期/11 高眼压）。使用 v1 做早期青光眼检测时须意识到每组仅十余幅，任何分组级结论都应配交叉验证而非单次划分。

两种官方划分的内部构成 README 未逐列公布，使用时应以解压后目录的实测统计为准，并把"划分变体 × 训练/测试规模 × 阳性比"三元组固化进实验元数据。注意随机划分的测试集混合三院图像，按医院划分的测试集仅含 HUMS 与 HCSC——两套测试集的人群构成不同，Acc 本身不可互比（§8.1 警告），但两套结果的差值是合法的泛化读数。

§4.3 关键统计

统计项	正常	青光眼	来源口径
垂直 CDR	0.42±0.10	0.60±0.17	RIM-ONE（v3 掩码派生，文献综述值）
水平 CDR	0.40±0.11	0.57±0.16	同上
面积 CDR	0.18±0.09	0.37±0.19	同上
专家间 Dice 差异（视盘）	—	约 5%	v3 双专家标注
专家间 Dice 差异（视杯）	—	约 7%	v3 双专家标注
专家间平均标准差	—	约 2%	v3 双专家标注（文献综述值）

注意：CDR 在原始发布中并非逐图字段，而是由掩码几何派生的统计量（表中数值为文献综述口径）；在自己的管线中计算 CDR 时，垂直/水平/面积三种定义的数值不可混用（定义见 §6.9 代码）。

§4.4 数据层级

RIM-ONE 的实体层级为：受试者（患者）→ 眼（左/右眼可分别成图）→ 图像（单目一图；v3 为立体对拼接图）。官方未公开受试者级 ID，患者信息仅能通过"版本内同受试者多图"与"跨版本受试者重叠"两条间接线索推断——这直接决定了 §5.3 的泄漏风险等级：任何按图像随机划分都可能把同一患者的图分进训练与测试两侧。立体像对是第三层陷阱：v3 的 2,144×1,424 实为左右两幅 1,072×1,424 的拼接，同一眼的立体对若未裁剪而同时使用，相当于同眼同瞬间的双份数据。

层级	粒度	实例	对划分的意义
受试者	患者个体	官方未发布 ID	分组切分的理想单位（不可直接获得）
眼	左/右眼	同受试者双眼强相关	次级分组单位，需指纹推断
图像	单幅 JPG	库的最小分发单元	现有划分的实际单位
立体对	左右拼接图	仅 v3 来源	必须作为单一样本处理

同受试者双眼同时入集时，两个样本的相关性远高于独立同分布假设——这是 §5.4 受试者级交叉验证的直接动因。

§4.5 缺失值与信息性缺失

RIM-ONE 为图像库，无表格型缺失单元格，但存在三类"结构性缺失"：(1) 视杯掩码在 v1/v2 原版整体缺位——不是数据错误而是立体像缺失导致的不可标注，属于信息性缺失（缺失本身携带"该版本无法量化视杯"的语义）；(2) 患者人口学字段（年龄/性别/种族）官方未发布，全部此类字段应视为"未采集"而非"缺失"；(3) v1 五专家标注仅覆盖视盘，v1 无视杯。表中不存在以 -999、NA 之类的哨兵值编码的缺失。

缺失类型	影响范围	性质	建议处理
视杯掩码	v1/v2 原版全部图像	信息性缺失（无立体像不可标注）	需要视杯时改用 v3/DL 版
人口学字段	全库	未采集（非缺失）	不做亚组分析，或向发布方另行申请
逐例采集日期	全库	未公开	仅按版本发布年近似，禁止虚构时间戳
受试者 ID	全库	未发布	pHash + 眼别指纹自行推断（§6.10）

§4.6 图像-掩码对齐与坐标约定

使用分割掩码时的三条对齐约定：

同尺寸同方向：掩码与原图逐像素对齐，无需配准；v3 来源图裁剪立体对左半时，掩码必须用同一窗口同步裁剪——"只裁图不裁掩码"是分割任务最常见的静默错误（坑点 2 的姊妹坑）。
二值语义：PNG 掩码的前景/背景取值以官方脚本输出为准；自行读取时先统计唯一值再映射 {0, 1}，避免把 255/0 与 1/0 两种编码混用导致全图反转。
双格式等价性：DCSeg TXT 是轮廓的参数化表示，PNG 是其栅格化结果，两者描述同一结构；混用两来源时以 PNG 为准做抽查，需要亚像素边界再回读 TXT。
标签目录即标签源：诊断标签不在掩码或元数据文件中，仅由划分目录名编码；任何"从路径解析标签"的脚本都必须处理目录名中的空格（Training Set / Test Set）。

§5 划分与使用建议

§5.1 官方划分

RIM-ONE DL 是唯一提供官方划分的版本，含两种变体：随机划分（从全部 485 幅随机构建训练/测试集）与按医院划分（HUC 图像全部入训练集，HUMS 与 HCSC 图像全部入测试集）。官方明确要求：使用原版划分以保证论文间可比，且不得混入其他数据库图像训练或调参。v1/v2/v3 原版从未建立官方划分——v3 社区通行的是 Maninis 等人（DRIU，MICCAI 2016）确立的 99 训练/60 测试切分，被 Idiap mednet 等主流工具包采纳为默认协议。

“使用原版划分"这一要求的实际约束力比看上去强：官方排行榜数字全部基于这两套变体，自建划分的结果既不能进官方口径对表，也会被审稿人要求补官方划分实验。若研究目的（如受试者级泛化）确实无法使用官方划分，正确姿势是"官方划分为主实验 + 自建划分为补充分析”，并在补充分析中公布划分文件与随机种子。

§5.2 社区惯例与推荐策略

推荐策略按任务选择：分类任务直接用 DL 双变体并报告两套结果（差距本身就是泛化证据）；v3 分割任务用 DRIU 99/60 划分以与 DRIU、mednet 等基线可比；需要更多数据时用 v3 双专家协议中的 exp1 训练/exp2 做人类基线测试。自建划分时必须先做受试者级去重（同一眼、test-retest 对、跨版本重复），再按受试者分层切分。

# 自建受试者级划分的最小示例（防泄漏；官方无受试者 ID，分组键需自行推断）
import numpy as np
from sklearn.model_selection import GroupShuffleSplit

# group_key：受试者-眼 指纹。无官方 ID 时，可由文件名前缀、
# 图像指纹（pHash 聚类）与眼别联合推断；
# v3 来源图裁剪后，同一眼的 test-retest 对必须映射到同一组。
groups = np.array([infer_group_key(p) for p in image_paths])

gss = GroupShuffleSplit(n_splits=1, test_size=0.3, random_state=42)
train_idx, test_idx = next(gss.split(image_paths, labels, groups=groups))

§5.3 泄漏风险（重点）

RIM-ONE 的泄漏风险在眼底数据集中属于最高一档，共四条通道：(1) 版本内重复——v2 明确含 v1 重复图与 test-retest 近重复对，几乎相同的两张图分居训练/测试两侧会直接虚高精度；(2) 跨版本受试者重叠——官方声明 v2 与 v3 部分受试者相同，三版本混合训练时同一人可能出现在两侧；(3) 立体对未裁剪——拼接立体像的两半是同眼同瞬间成像，视作两条样本属于自我复制；(4) 医院级信息泄漏——若按医院划分却把 HUC 图像掺入测试，域偏移效应即被中和。四条通道的检查脚本与处理代码见 §6.3 与 §6.5 坑点 1、2。

泄漏通道	检测方法	修复动作
版本内重复（v2 含 v1 重复与 test-retest）	pHash 汉明距离阈值判定近重复	去重或强制并入同侧（坑点 1）
跨版本受试者重叠	跨版本指纹聚类比对	以"受试者-眼"分组切分
立体对未裁剪	读取尺寸断言（宽 2,144）	统一裁左半 1,072×1,424（坑点 2）
医院信息泄漏	划分审计脚本核对目录归属	使用官方按医院目录，禁止手工挪图

§5.4 交叉验证建议

对 v1 的五分组小样本任务（早期/中期/晚期/高眼压各 11-14 幅），推荐分层 5 折交叉验证并以受试者为折叠单位；对 v3 双专家协议，可用 exp1 做 5 折训练、exp2 全程冻结为人类基线，避免基线污染。所有 CV 实验均应同时报告随机与按医院两种口径（DL 版）或说明所用划分出处，否则结果不可横向比较。

小样本 CV 的两条纪律：其一，增强策略只在训练折内拟合（如 CLAHE 参数、亮度统计），不得在全集上预计算，否则验证折信息渗入；其二，每组十余幅时折间方差极大，应报告各折全部数值而非仅均值，让读者看到分布。

§5.5 外部验证建议

推荐方向：RIM-ONE DL → REFUGE 训练集（设备与人群双切换，REFUGE 训练 400 幅来自 Zeiss Visucam 500）；RIM-ONE v3 → Drishti-GS（西班牙人群 → 印度人群，最大的人口学跨度）；反向 REFUGE → RIM-ONE 可检验大模型小数据迁移。注意三库标签判据不同（REFUGE 标签结合 OCT 与视野，RIM-ONE 依临床诊断，ACRIMA 为单医生眼底阅片），跨库性能差异不能全部归因于域偏移，须在论文中显式讨论标签口径差异。

外部验证的另一方向常被忽略：小库 → 大库。RIM-ONE 训练的模型在 REFUGE 测试集上的表现，等价于一次免费的"规模与设备外推"实验；反向迁移（REFUGE → RIM-ONE）则可检验大数据预训练权重在小库微调中的收益。两个方向都不需要额外的许可协调，是低成本、高信息量的标准动作。

§6 AI 就绪指南 ⭐

§6.0 环境准备

# 依赖：Python 3.10+，PyTorch 2.x，OpenCV，Pillow
pip install torch torchvision opencv-python-headless pillow numpy scikit-learn
# 可选：albumentations（增强）、timm（预训练主干）
# pip install albumentations timm

§6.1 快速上手

目录结构预期：假设你把官方图像 ZIP 解压到 data_root/rim-one-dl/images/partitioned_randomly/，分割 ZIP 解压到 data_root/rim-one-dl/reference_segmentations/。下面所有代码的 data_root 变量即指向 data_root/rim-one-dl/。最小可用子集：images/partitioned_randomly/Training Set/Normal 与 .../Glaucoma 两个目录的 JPG 即可启动分类训练，无需解压分割包。

import pathlib
from PIL import Image

# 目录结构预期：data_root 下 images/ 与 reference_segmentations/ 两个包
data_root = pathlib.Path("data_root/rim-one-dl")
img_dir = data_root / "images" / "partitioned_randomly" / "Training Set" / "Normal"

# 读取第一张图确认分辨率（v3 来源图为 2144x1424 立体拼接，须裁左半）
sample = next(img_dir.glob("*.jpg"))
image = Image.open(sample).convert("RGB")
print(sample.name, image.size)   # 例如 ('1.jpg', (2144, 1424)) 或其他版本尺寸

§6.2 数据获取

资源	链接	内容	许可要点
图像 ZIP	https://bit.ly/rim-one-dl-images	485 幅 JPG，随机+按医院两变体划分	研究与教育用途免费，无需申请
分割 ZIP	https://bit.ly/rim-one-dl-reference-segmentations	每图视盘/视杯掩码（PNG + DCSeg TXT）	同上
CNN 权重 ZIP	https://bit.ly/rim-one-dl-cnn-weights	论文 10 个 CNN 的 H5 权重	同上
官方仓库	https://github.com/miag-ull/rim-one-dl	README、转换脚本、基准表	同上

# 无需注册，直接下载（短链由官方 GitHub README 提供）
mkdir -p data_root/rim-one-dl && cd data_root/rim-one-dl
curl -L -o images.zip "https://bit.ly/rim-one-dl-images"
curl -L -o segmentations.zip "https://bit.ly/rim-one-dl-reference-segmentations"
curl -L -o cnn_weights.zip "https://bit.ly/rim-one-dl-cnn-weights"
unzip images.zip && unzip segmentations.zip && unzip cnn_weights.zip

许可确认动作：下载前在官方 README 核对许可章节原文并把快照（含访问日期）存入实验记录；研究与教育用途之外的任何场景——包括企业内部试点——应先获得发布方书面授权，再决定是否入库。

§6.3 预处理全流程

核心步骤：立体对裁剪 → 掩码格式转换（DCSeg TXT → NumPy/PNG）→ 视盘中心裁剪 → 光照归一化（CLAHE，应对 §3.1 所述的低照度差异）→ 尺寸标准化。

预处理顺序不可调换：必须先裁立体对，再做任何统计归一化（CLAHE、直方图匹配），否则立体对两半的亮度差异会污染统计量；掩码操作必须与图像操作同序同参，建议把两者封装在同一函数中（§6.4 的 Dataset 类即遵循此序）。

import numpy as np
import cv2

def load_rim_one_image(path, crop_stereo=True):
    """读取 RIM-ONE 图像并处理立体对。
    v3 图像为左右两幅 1072x1424 的拼接（总 2144x1424），
    社区标准做法：取左半 1072x1424（与 Idiap mednet 的 _CROP_COORDINATES 一致）。
    v1/v2 单目图直接返回。
    """
    img = cv2.imread(str(path), cv2.IMREAD_COLOR)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    if crop_stereo and img.shape[1] == 2144 and img.shape[0] == 1424:
        img = img[:, :1072, :]          # 只保留立体对左半
    return img

def clahe_on_green(img, clip_limit=2.0, tile=(8, 8)):
    """低照度/低对比图像的光照归一化：对绿通道做 CLAHE。
    眼底分析惯例使用绿通道（血管与视盘对比度最高）。"""
    green = img[:, :, 1]
    clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=tile)
    img[:, :, 1] = clahe.apply(green)
    return img

def crop_to_disc(img, disc_mask, target=512, pad_ratio=0.5):
    """以视盘掩码质心为中心裁剪 ROI（社区标准做法）。
    pad_ratio 控制视盘直径的外扩倍数，0.5 表示裁剪边长 = 视盘直径 x 2。"""
    ys, xs = np.nonzero(disc_mask)
    cy, cx = ys.mean(), xs.mean()
    r = (xs.max() - xs.min()) / 2 * (1 + pad_ratio) * 2
    half = max(int(r), target // 2)
    H, W = img.shape[:2]
    y0, x0 = max(0, int(cy - half)), max(0, int(cx - half))
    y1, x1 = min(H, int(cy + half)), min(W, int(cx + half))
    patch = img[y0:y1, x0:x1]
    patch = cv2.resize(patch, (target, target), interpolation=cv2.INTER_AREA)
    return patch

def dcseg_txt_to_mask(txt_path, height=1424, width=1072):
    """DCSeg TXT 径向轮廓 → 像素掩码的占位实现。
    生产环境请直接使用官方脚本：
    github.com/miag-ull/rim-one-dl 的 generate_dir_binary_masks.py
    （批量把 DCSeg TXT 转为 PNG/NumPy，避免重复造轮子引入口径偏差）。"""
    raise NotImplementedError("请使用官方 generate_dir_binary_masks.py 转换后再读取 PNG")

§6.4 PyTorch DataLoader（完整可运行）

import pathlib
import torch
from torch.utils.data import Dataset, DataLoader
from PIL import Image
import numpy as np

class RimOneClassificationDataset(Dataset):
    """RIM-ONE DL 二分类数据集（随机划分变体）。

    目录结构预期（data_root 拼接关系）：
    data_root/images/partitioned_randomly/{Training Set,Test Set}/{Normal,Glaucoma}/*.jpg
    最小可用子集：Training Set 下的 Normal 与 Glaucoma 两个目录。
    """

    def __init__(self, data_root, split="Training Set",
                 variant="partitioned_randomly", transform=None,
                 crop_stereo=True):
        self.samples, self.labels = [], []
        base = pathlib.Path(data_root) / "images" / variant / split
        for label, cls in enumerate(["Normal", "Glaucoma"]):
            for p in sorted((base / cls).glob("*.jpg")):
                self.samples.append(p)
                self.labels.append(label)
        self.transform = transform
        self.crop_stereo = crop_stereo

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

    def __getitem__(self, idx):
        img = Image.open(self.samples[idx]).convert("RGB")
        if self.crop_stereo and img.size == (2144, 1424):
            img = img.crop((0, 0, 1072, 1424))   # 立体对取左半
        if self.transform is not None:
            img = self.transform(img)
        return img, torch.tensor(self.labels[idx], dtype=torch.long)

# transform：无 albumentations 时的最小可用管线
from torchvision import transforms
train_tf = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.RandomHorizontalFlip(),
    transforms.ColorJitter(brightness=0.2, contrast=0.2),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
eval_tf = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

data_root = "data_root/rim-one-dl"
train_ds = RimOneClassificationDataset(data_root, "Training Set",
                                       "partitioned_randomly", transform=train_tf)
test_ds = RimOneClassificationDataset(data_root, "Test Set",
                                      "partitioned_randomly", transform=eval_tf)
train_loader = DataLoader(train_ds, batch_size=16, shuffle=True, num_workers=4)
test_loader = DataLoader(test_ds, batch_size=32, shuffle=False, num_workers=4)
print(f"train={len(train_ds)}, test={len(test_ds)}")

工程提醒：目录名含空格（Training Set / Test Set），shell 与配置文件中一律加引号；若只下载图像 ZIP，以上 DataLoader 依然可用——分割包是可选依赖，仅在训练分割模型或做 ROI 裁剪时需要。

分割任务的 Dataset 在分类版基础上增加双掩码读取，注意掩码必须与图像同窗口裁剪：

class RimOneSegmentationDataset(Dataset):
    """RIM-ONE DL 分割数据集（图像 + 视盘/视杯 PNG 掩码）。

    预期：data_root/reference_segmentations/All_Segmentations/ 内
    <image_id>_Disc_All.png 与 <image_id>_Cup_All.png 与图像文件名对应。
    """

    def __init__(self, image_paths, seg_dir, transform=None, crop_stereo=True):
        self.image_paths = list(image_paths)
        self.seg_dir = pathlib.Path(seg_dir)
        self.transform = transform
        self.crop_stereo = crop_stereo

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

    def __getitem__(self, idx):
        stem = pathlib.Path(self.image_paths[idx]).stem
        img = Image.open(self.image_paths[idx]).convert("RGB")
        disc = Image.open(self.seg_dir / f"{stem}_Disc_All.png")
        cup = Image.open(self.seg_dir / f"{stem}_Cup_All.png")
        if self.crop_stereo and img.size == (2144, 1424):
            box = (0, 0, 1072, 1424)          # 图像与掩码必须同窗口裁剪（§4.6）
            img, disc, cup = img.crop(box), disc.crop(box), cup.crop(box)
        img = np.asarray(img)
        mask = np.stack([np.asarray(disc) > 0, np.asarray(cup) > 0])   # (2,H,W)
        if self.transform is not None:
            img, mask = self.transform(img, mask)
        return img, torch.from_numpy(mask.copy()).float()

§6.5 坑点清单（8 个真实失败模式）

⚠️ 坑点 1：三版本混合训练引入患者级重复泄漏（分类：数据泄漏）

问题：v2 是 v1 的扩展版，官方明确其含 v1 重复图像与 test-retest 近重复对，且 v2 与 v3 存在受试者重叠；把 v1+v2+v3 直接合并成"大训练集"再随机划分，会让近乎相同的图分居训练/测试两侧，精度虚高数个百分点。
症状：合并训练的模型精度显著高于单版本实验，换一张严格去重的测试集后性能骤降；逐图感知哈希（pHash）比对会发现大量近重复对。
解决：

简单方法：只用 RIM-ONE DL 统一版（官方已整合去重并固定划分），放弃自行合并。

进阶方法：必须合并时，先对全量图像计算感知哈希与文件指纹，聚类去重；再以"受试者-眼"为键做分组切分（GroupShuffleSplit），禁止图像级随机划分。

SOTA 方法：按医院划分变体做主实验，随机划分仅作参考；并用 2020 年 IAS 论文的五项风险清单做数据治理审计。
参考：RIM-ONE DL 论文（IAS 2020）、官方仓库 README

⚠️ 坑点 2：v3 立体对未裁剪，等效样本翻倍（分类：预处理陷阱）

问题：v3 的 2,144×1,424 图像是左右两幅 1,072×1,424 立体像的拼接，同一眼同一瞬间的两幅几乎相同；未裁剪直接 resize 到 224×224 训练，等于把每幅图复制两份，且网络可能学习两半间的细微视差伪特征。
症状：训练损失异常平稳；对同一幅图随机水平翻转增强后预测不一致；分割输出在图像右半区系统性偏移或出现"双重视盘"。
解决：

简单方法：加载后统一裁剪 img.crop((0, 0, 1072, 1424))（左半），与 Idiap mednet 工具包的 _CROP_COORDINATES 一致。

进阶方法：在 DataLoader 前置断言尺寸，宽为 2,144 时自动裁剪并记录日志；掩码同步裁剪同一窗口。

SOTA 方法：裁剪后保留立体对的右半作为独立的"重现性检验子集"，用于评估模型对同眼重复成像的输出稳定性。
参考：mednet rimoner3 数据模块源码

⚠️ 坑点 3：DCSeg TXT 掩码不是像素图，直接读取得到空掩码（分类：工程陷阱）

问题：官方分割包中的 TXT 是 DCSeg 工具的径向轮廓点（围绕参考点的极坐标采样列表），不是栅格掩码；用 np.loadtxt 后当二值图用，形状与语义全错。
症状：掩码可视化全黑或报形状错误；Dice 全为 0 或 NaN；训练时分割分支立即收敛到全背景。
解决：

简单方法：只用 ZIP 里的 PNG 掩码（与 TXT 等价、已栅格化）。

进阶方法：需要亚像素轮廓时，运行官方脚本 generate_dir_binary_masks.py 批量把 TXT 转 NumPy/PNG，保持与论文同口径。

SOTA 方法：以径向轮廓重建连续边界，用软标签（boundary-aware loss）训练，缓解 1,072×1,424 高分辨率下掩码栅格化的锯齿误差。
参考：官方转换脚本

⚠️ 坑点 4：v3 的 74 例青光眼细分口径不一致，"疑似"类左右二分类结果（分类：标签理解）

问题：v3 总量 159 = 85 正常 + 74 青光眼，但文献对 74 的内部构成有两种表述：一派写"39 青光眼 + 35 疑似"，另一派按 39 早期 + 35 中晚期理解；把"疑似"并入阳性或阴性，二分类结果可相差十余个百分点。
症状：复现他人论文时 AUC 对不上；审稿人质疑标签定义；同一份 v3 在不同仓库里类别数量不同。
解决：

简单方法：只用 DL 统一版的二分类标签（官方已统一 adjudication，无疑似类歧义）。

进阶方法：坚持用 v3 时，在论文中显式声明疑似类的归属并引用所用仓库的 README 口径；做敏感性分析（疑似归阳 vs 归阴两套结果）。

SOTA 方法：把疑似类单列为第三类做三分类（如早期工作 3-LbNets 的思路），并在报告时同时给出合并后的二分类。
参考：综述 arXiv:2204.05591、Ophthalmology Science 2024 对 RIM-ONE 标签机制的复核

⚠️ 坑点 5：原版无官方划分，混用社区划分导致数字不可比（分类：评估误用）

问题：v1/v2/v3 原版从未建立训练/测试划分（2020 年 IAS 论文明确承认）；v3 社区通行 DRIU 的 99/60 划分，但大量论文自行随机划分，同一数据集上的报告值可差 5-10 个点，无法对表。
症状：你的模型"超过 SOTA"，但测试集与基线不同；复现者无法对齐结果。
解决：

简单方法：分类任务用 DL 官方双划分；v3 分割任务用 DRIU 99/60（mednet 默认协议）。

进阶方法：自定义划分时在论文中公布划分文件与随机种子，并报告与官方/DRIU 划分的重叠度。

SOTA 方法：同时报告随机与按医院两种划分，把差距作为泛化能力指标写入结论。
参考：RIM-ONE DL 论文、mednet 划分参考

⚠️ 坑点 6：低照度与低对比图像拖垮视杯分割（分类：预处理陷阱）

问题：v3 图像的光照与对比度差异显著，部分为低照度图，视盘与视杯边界本来就模糊，直接训练会让小目标（视杯约占图像面积 1-2%）学习失败。
症状：视杯 Dice 明显低于视盘且方差大；错误样本集中在暗图；CLAHE 后训练损失骤降。
解决：

简单方法：对绿通道做 CLAHE（§6.3 代码），或训练前按图像亮度统计做直方图匹配归一化。

进阶方法：以视盘为中心裁剪 ROI（社区标准做法）再放大到 512×512，让视杯占据足够像素比例；配合 boundary loss 关注边缘。

SOTA 方法：极坐标变换把视盘区域展开为矩形（极径×角度），将环形结构变成规则网格，显著稳定视杯边界学习。
参考：光照差异与 suspect 归类处理实例

⚠️ 坑点 7：标签是临床诊断而非眼底阅片，"图像不可见信息"抬高上限（分类：偏倚陷阱）

问题：RIM-ONE 的正常/青光眼标签来自临床诊断 adjudication（可参考视野、OCT 等图像外信息），部分青光眼在眼底像上形态学改变轻微；模型学习"从单图预测临床诊断"时，存在不可约化的贝叶斯误差，且与纯阅片标签的数据集（如 ACRIMA）不可直接比较。
症状：精度逼近 0.93-0.95 后继续加模型不再提升；错误样本多为早期/疑似形态。
解决：

简单方法：接受该误差上限，报告 AUC 与以敏感度@特异度 0.85 为主的临床口径（官方基准即如此）。

进阶方法：与 REFUGE（标签结合 OCT/视野的病历级判据）交叉验证，检验模型学到的是形态学信号还是数据集特异捷径。

SOTA 方法：多任务学习同时预测分割与诊断，用 CDR 等结构中间量约束分类头，提升跨库一致性。
参考：Ophthalmology Science 2024 各库标签机制对比

⚠️ 坑点 8：按医院划分出现性能断崖，随机划分高估部署表现（分类：评估误用）

问题：官方基准显示同一 VGG19 从随机划分到按医院划分，Acc 从 0.9315 跌至 0.8563、AUC 从 0.9867 跌至 0.9272——版本间/医院间的设备与色彩风格差异构成真实域偏移；只报告随机划分会系统性高估跨院部署能力。
症状：院内验证极好、外院测试崩掉；t-SNE 按医院聚成三团。
解决：

简单方法：始终并列报告两种划分；部署前用按医院划分的数字做容量规划。

进阶方法：加入颜色恒常化（背景/视盘灰度归一）与设备指纹批归一化（per-site BN）。

SOTA 方法：与 Drishti-GS、REFUGE 组成多中心协议做域自适应/联邦学习训练（如 UniDDG 一类多中心框架），以 RIM-ONE 按医院划分为内部 held-out。
参考：官方基准表、多中心分割工作

§6.6 数据增强（安全与危险）

增强	是否安全	理由与参数建议
水平翻转	✅（裁剪立体对之后）	眼底左右眼镜像对称；但必须在立体对裁剪前禁用翻转，否则左右半互翻产生伪样本
亮度/对比度抖动	✅	幅度 ≤0.2-0.3，模拟设备与曝光差异；过强会抹掉视杯凹陷阴影
CLAHE/直方图匹配	✅	针对 §3.1 所述低照度差异，属"修复性增强"
小角度旋转（≤15°）	✅	拍摄头位差异；超过 15° 会破坏水平视场语义
垂直翻转	❌	破坏上方血管弓与 ISNT 解剖规律，制造生物学不可能样本
大幅 hue 平移	❌	视盘苍白度与盘沿血色素是青光眼线索，色相旋转破坏诊断特征
随机擦除/Cutout 作用于视盘区	❌	视盘即诊断 ROI，遮挡等于摧毁标签证据
弹性形变	❌	杯盘形态本身是标签来源，形变直接改变诊断语义
高斯模糊/轻微散焦	✅（小核）	模拟离焦拍摄；核尺寸 ≤3-5 px，过强会抹平杯盘边界
灰度化	❌	颜色是眼底判读核心线索之一（苍白度/血色素），灰度化直接删除信息通道

§6.7 模型推荐

模型	任务	推荐理由	参考性能（官方/文献口径）
VGG19	分类	官方基准最佳，复现成本低	随机划分 AUC 0.9867/Acc 0.9315；按医院 Acc 0.8563
VGG16	分类	官方基准次佳	随机划分 Acc 0.9247
ResNet50	分类	官方基准与迁移学习标配	随机划分 Acc 0.91
U-Net/编码-解码结构	视盘/视杯分割	小样本分割首选，DRIU 一脉基线	v3 DRIU 划分 99/60 协议
M-Net 类多尺度网络	视盘/视杯联合分割	极坐标+多尺度，专为盘区设计	ORIGA/REFUGE 文献口径
小波散射网络（WISN）	分类	小数据免微调特征，已报告最高之一	随机 98%/按医院 89%（文献报告）
DRIU（VGG 多任务一脉）	视盘+视杯联合分割	分类与分割共享主干，v3 99/60 协议下的成熟基线	DRIU 2016 口径

§6.8 硬件需求

场景	GPU	显存	说明
分类微调（224×224，batch 16）	单张消费级卡（RTX 3060 级）	≥8 GB	全库 485 幅，epoch 分钟级
分割训练（ROI 512×512，batch 8）	单张 2080 Ti/A10 级	≥11 GB	建议先裁 ROI 再训练
全图高分辨率分割（1,072×1,424）	A100/4090 级	≥24 GB	或用滑动窗口/极坐标压缩分辨率
推理	CPU 可行	4 GB 内存	部署可转 ONNX/TensorRT
多库联合训练（RIM-ONE + REFUGE 等）	单张 4090/A100 级	≥24 GB	跨库分辨率不一，注意显存峰值与 batch 对齐

§6.9 评估指标代码

import numpy as np
from sklearn.metrics import roc_auc_score, confusion_matrix

def dice_coeff(pred, gt, eps=1e-7):
    """分割 Dice 系数；pred/gt 为 0/1 二值数组（视盘或视杯掩码）"""
    pred, gt = pred.astype(bool), gt.astype(bool)
    inter = np.logical_and(pred, gt).sum()
    return (2.0 * inter + eps) / (pred.sum() + gt.sum() + eps)

def vertical_cdr(cup_mask, disc_mask):
    """垂直杯盘比：视杯与视盘垂直直径之比（v3 双掩码派生）"""
    def v_extent(mask):
        ys = np.nonzero(mask)[0]
        return ys.max() - ys.min() if len(ys) else 0.0
    return v_extent(cup_mask) / max(v_extent(disc_mask), 1)

def horizontal_cdr(cup_mask, disc_mask):
    """水平杯盘比：视杯与视盘水平直径之比"""
    def h_extent(mask):
        xs = np.nonzero(mask)[1]
        return xs.max() - xs.min() if len(xs) else 0.0
    return h_extent(cup_mask) / max(h_extent(disc_mask), 1)

def areal_cdr(cup_mask, disc_mask):
    """面积杯盘比：视杯与视盘前景像素面积之比"""
    return cup_mask.astype(bool).sum() / max(disc_mask.astype(bool).sum(), 1)

def clinical_metrics(y_true, y_score, target_specificity=0.85):
    """官方口径指标：AUC + 特异度固定为 0.85 时的敏感度 + Acc"""
    auc = roc_auc_score(y_true, y_score)
    # 以测试集正常类样本的分位数定阈值，使特异度≈0.85（官方 README 口径）
    normal_scores = np.asarray(y_score)[np.asarray(y_true) == 0]
    thr = np.quantile(normal_scores, 1 - target_specificity)
    pred = (np.asarray(y_score) >= thr).astype(int)
    tn, fp, fn, tp = confusion_matrix(y_true, pred, labels=[0, 1]).ravel()
    se = tp / (tp + fn) if (tp + fn) else 0.0
    sp = tn / (tn + fp) if (tn + fp) else 0.0
    acc = (tp + tn) / (tp + tn + fp + fn)
    return {"AUC": round(auc, 4), "Se@Sp0.85": round(se, 4),
            "Sp": round(sp, 4), "Acc": round(acc, 4)}

使用说明：dice_coeff 适用于视盘/视杯二值掩码；三种 CDR 函数需要 DL 版或 v3 的双掩码，且垂直/水平/面积三种定义数值不同、不可混用；clinical_metrics 复现官方 Se@Sp0.85 口径——阈值只用测试集正常类分位数计算，与官方 README 的操作点定义一致。

§6.10 MLOps 笔记

数据版本化：把"用了哪个 RIM-ONE 版本 + 哪个划分变体"写入实验元数据（DVC/MLflow tag），这是本库最常见的不可复现根因。
划分指纹：训练前对划分文件计算哈希并入库，坑点 5 的划分混用可被 CI 拦截。
去重门禁：入库前跑 pHash 近重复检测（阈值建议 ≤10 汉明距离视为重复），覆盖 v2 test-retest 风险。
域偏移监控：线上按设备/医院分组监控 AUC 漂移，以按医院划分的 7.5 个点跌幅为告警基线。
许可合规：训练产物（模型权重）对外分发前复核"禁止商业用途"条款对下游的传导性，商业场景须另行获得授权。
图像-掩码配对校验：CI 中抽样断言掩码非空且与图像同尺寸，覆盖坑点 3 的自动化防线。
目录名空格处理：划分目录含空格（Training Set），shell 与 CI 脚本中一律加引号，避免静默截断路径。
协议三元组入库：发布模型时附"划分变体 + 预处理版本 + 指标口径"三元组，他人才能与官方表对表。

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型	描述	严重程度	缓解措施
标签判据偏倚	标签为临床诊断（可含图像外信息），非纯眼底阅片；与阅片标签数据集不可直接比较	高	与 REFUGE 交叉验证；报告时显式声明标签机制
设备/中心偏倚	每版本单一相机（v1/v2 Nidek、v3 Kowa），三院色彩风格各异	高	按医院划分评估；颜色恒常化
版本标签不一致	v1 五分组、v2 二分、v3 含疑似细分，且标注者并非同一批人	高	用 DL 统一版；禁止跨版本直接拼接标签
疾病谱偏倚	近均衡阳性比（172/485）远高于真实筛查患病率	中	报告 AUC/Se@Sp 而非 Acc；部署前按真实患病率校准
人口学偏倚	西班牙/欧洲裔就诊人群，无亚非人群覆盖	中	用 Drishti-GS（印度）做外部验证
重复样本偏倚	v2 含重复与 test-retest 图；v2/v3 受试者重叠	高	pHash 去重 + 受试者级切分
版本标注者漂移	v1 五专家/v2 单专家/v3 双专家/DL 单专家协议各异，标注者效应与版本效应叠加	中	论文中声明掩码来源版本；跨版本不混评

§7.2 标注质量

分割标注由青光眼专家以专用工具（DCSeg）完成，一致性有量化证据：v3 双专家视盘 Dice 差异约 5%、视杯约 7%（平均标准差约 2%），符合"视杯边界天然更模糊"的临床预期；v1 的 5 专家金标准通过 8 方位径向采样取平均，方法学上强调降低单专家偏差。局限性：DL 统一版掩码为单专家标注，无逐图二次复核信息；诊断标签的 inter-rater 一致性官方未发布；疑似类的归属在不同文献中口径不一。综合评级：分割金标准可信度高（尤其 v3 双专家协议），分类标签可信但机制需知情使用。

一致性量化指标	数值	口径
专家间 Dice 差异（视盘）	约 5%	v3 双专家独立标注
专家间 Dice 差异（视杯）	约 7%	v3 双专家独立标注
专家间平均标准差	约 2%	v3 双专家独立标注

三点使用建议：做分割人机对比时，模型 Dice 落在专家间差异带（±5%/±7%）之内即可声明"达到人类基线水平"，无需追求超越任意单个专家；v1 五专家合成协议可作为"金标准合成方法学"研究的对照组；DL 单专家掩码的用途应限定于大规模训练而非最终评测。

§7.3 泛化性

目标场景	失效风险	证据
跨医院部署（HUC → HUMS/HCSC）	高：Acc 跌约 7.5 个点	官方按医院划分基准（VGG19 0.9315→0.8563）
跨设备（Nidek/Kowa → Zeiss/Canon）	高：色彩与分辨率双重域差	DL → REFUGE 训练集迁移为文献常见失败案例
跨人群（西班牙 → 南亚）	中-高：盘沿形态与色素分布差异	RIM-ONE ↔ Drishti-GS 跨库协议
早期青光眼检出	高：早期形态与正常重叠，且 OHT/疑似归属影响阈值	v1 仅 12 幅早期样本；文献对 suspect 归类的敏感性讨论
自然筛查患病率场景	中：近均衡训练分布导致 PPV 高估	172/485 的阳性比 vs 真实患病率
跨库标签判据迁移（→ ACRIMA 等）	中-高：临床诊断标签 vs 单医生眼底阅片	各库标签机制对比（坑点 7）
立体与单目输入混训	中：视角、分辨率与色彩三重交错	DL 版混合 v3 与 v1/v2 来源

§7.4 伦理

数据来自西班牙三所大学医院眼科常规诊疗，图像公开发布前完成脱敏（不包含姓名、身份标识、检查日期等直接标识符）；许可明确限定研究与教育用途、免费且无需向作者申请许可，但禁止复制、再分发与未经授权的商业用途。患者知情同意依发布时的机构规范执行（官方未公开逐例同意书细节，使用时如需伦理复审应援引原始论文与许可条款）。本页观点：RIM-ONE 属于低个人敏感度的图像级数据，但仍建议下游使用方在本机构伦理框架内登记使用。

再分发的边界值得显式说明：许可禁止的"再分发"同样覆盖衍生场景，例如把原图上传至公开网页、打包进公开数据产品或放入公开模型演示页。公开演示的正确做法是仅展示模型输出（分割热图、分类结果、聚合指标），不回传原图。

§7.5 公平性

人群覆盖以西班牙（欧洲裔）就诊人群为主，模型迁移至色素更深的视网膜人群（如南亚、非洲）时，视盘色素沉着与血管对比的分布差异可能放大误差；性别、年龄维度官方未公开分层信息，无法做亚组审计。建议公平性敏感场景下与 ORIGA（新加坡马来人群）、Drishti-GS（印度人群）构成跨族群评测三角，并报告分组敏感度。跨库评测时还应意识到：三库的相机、视场角与构图差异与人群差异纠缠，单次跨库实验无法把两者分离，严谨结论需要至少两个外部库的三角互证。

§7.6 数据漂移

版本内漂移风险低（每版本单一相机、固定采集协议）；版本间漂移显著（相机更换、视场角变化、分辨率跳变），跨版本合并训练时特征分布明显分层；时间维度的慢漂移（2011-2015 间眼科成像实践演进）未系统量化。运营建议：以按医院划分的性能跌幅（约 7.5 个点）作为跨域部署前的先验预期，并在新院落地时做小规模校准集微调而非直接零样本上线。上线后持续监控应以分组指标为核心：按设备批次与医院分别跟踪 AUC 与 Se@Sp0.85，任何单组跌破按医院划分基准即触发校准流程。

§7.7 DAIMS 24 项评估

#	检查项	状态	说明
1	宽格式	✅	图像-掩码-标签三件套目录结构，可直接表格化为宽表
2	唯一标识	⚠️	文件名即主键，但跨版本命名空间重叠且无患者级 ID
3	特殊字符	✅	目录名含空格（Training Set），代码中需引号处理，无其他特殊字符
4	重复行	❌	v2 官方承认含重复图与 test-retest 近重复；跨版本受试者重叠
5	缺失编码	✅	无哨兵值缺失；结构性缺失（v1/v2 无视杯）语义明确
6	标签标识	✅	标签由目录名显式编码（Normal/Glaucoma），无歧义
7	罕见类分组	⚠️	v1 各期仅 11-14 幅，分组级结论须交叉验证
8	偏倚评估	✅	官方提供按医院划分 + 2020 论文专章复盘五项风险
9	数据字典	⚠️	官方 README 描述结构但无正式字段字典，本页 §4.1 为社区补全
10	信息性缺失解释	✅	视杯在 v1/v2 的缺位可由立体像缺失完全解释
11	设备记录	✅	每版本相机/视场/分辨率均有论文级记录
12	共线性	✅	单模态图像库，无表格特征共线性问题
13	编码映射	⚠️	官方未提供 ICD-11/SNOMED 映射，本页为按概念匹配的参考映射
14	时间戳处理	❌	官方未公开逐例采集日期，仅能按版本发布年近似
15	划分建议	✅	DL 官方双划分 + v3 DRIU 99/60 社区协议，双轨可用
16	泄漏讨论	✅	官方明示版本间重复与受试者重叠（2020 论文五项风险）
17	标签分布	✅	各版本/各划分的分布可由目录直接统计
18	测量偏倚	✅	标签判据（临床诊断 vs 阅片）在论文与 README 中可追溯
19	外部验证建议	✅	REFUGE/ACRIMA/Drishti-GS 独立成库，跨库验证路径清晰
20	版本记录	✅	v1/v2/v3/DL 四版本时间线与差异均有论文背书
21	预处理脚本	✅	官方提供 DCSeg→PNG/NumPy 转换脚本与 CNN 权重
22	合规要求	✅	许可条款明确（研究教育免费、禁商用、禁再分发）
23	多模态对齐	❌	无 OCT/视野等多模态配对数据（对照 REFUGE）
24	去标识化	✅	公开发布的脱敏眼底图，无直接标识符

DAIMS 评分：17.5 / 24

评分解读：17.5 分处于"研究就绪、运营需审慎"区间。强项在版本治理（官方双划分、风险自披露、转换脚本齐备）与标签溯源（每版标注者与判据可查）；失分集中在三条硬伤——重复样本需自行去重、无患者级时间戳、无多模态配对。与 REFUGE（挑战赛级文档与多模态标签判据）相比，RIM-ONE 胜在版本可追溯与双专家分割协议，败在规模与元数据完备度。

对你意味着什么：(1) 分类项目直接采用 DL 双划分，可以省掉划分设计并自动获得域偏移读数；(2) 凡涉及 v2 或跨版本合并，必须先跑 pHash 去重与受试者级切分，否则结果不可信；(3) 需要患者级纵向信息或多模态（OCT/视野）的项目，RIM-ONE 不提供，应转向 REFUGE 或机构自有数据；(4) 商业化产品不要基于本库训练或微调，许可明确禁止商业用途；(5) 元数据表（年龄/性别/采集日期）需要自行向发布者申请或放弃相应分析；(6) 论文协议声明直接套用 §8.3 的三要素模板，可避免最常见的审稿返工。

§7.8 外部验证矩阵

外部数据集/场景	来源机构	评估任务	性能指标	相对内部变化	关键发现
RIM-ONE DL 按医院划分（HUMS+HCSC）	HUMS 萨拉戈萨/HCSC 马德里	青光眼分类	VGG19 Acc 0.8563（内部随机 0.9315）	−7.5 个点	跨医院域差即为本库内置的最大外部验证
Drishti-GS（外测）	Aravind 眼科医院（印度）	视盘/视杯分割	文献常作纯外测集	无直接可比常数	西班牙→印度人群与设备双切换
REFUGE 训练/验证集	中山眼科中心（中国）	联合多中心分割	多中心框架（如 UniDDG 类工作）的标准四中心之一	—	RIM-ONE-r3 的 99/60 DRIU 划分为各中心统一协议
GPT-4V 零样本阅片	UCSD 研究者	青光眼判读	从 RIM-ONE 抽样 100 幅做零样本实验	—	大模型零样本与专用 CNN 的差距研究（2024）
ACRIMA（外测方向）	FISABIO Oftalmología（西班牙瓦伦西亚）	青光眼分类	同域不同机构，单医生眼底阅片标签	需自行实验	西班牙同域跨中心 + 标签判据切换的双重检验

§8 基准性能与生态

§8.1 排行榜（官方 README 口径）

随机划分变体（Test Set）：

排名	模型	AUC	Se@Sp0.85	Acc	关键技术	完整引用	代码
1	VGG19	0.9867	1.0000	0.9315	迁移学习微调	Fumero Batista et al., 2020, Image Analysis & Stereology 39(3):161-167. DOI 10.5566/ias.2346	官方权重
2	VGG16	0.9834	0.9615	0.9247	迁移学习微调	同上	同上
3	Xception	0.9771	0.9808	0.9178	迁移学习微调	同上	同上
4	ResNet50	0.9755	0.9808	0.9110	迁移学习微调	同上	同上

按医院划分变体（Test Set：HUMS+HCSC）：

排名	模型	AUC	Se@Sp0.85	Acc	关键技术	完整引用	代码
1	VGG19	0.9272	0.8750	0.8563	迁移学习微调	Fumero Batista et al., 2020, Image Analysis & Stereology 39(3):161-167. DOI 10.5566/ias.2346	官方权重
2	VGG16	0.9177	0.8214	0.8506	迁移学习微调	同上	同上
3	InceptionV3	0.9015	0.7500	0.8046	迁移学习微调	同上	同上
4	WISN（小波散射网络）	—	—	0.89（Acc，文献口径）	免学习特征+线性分类器	Abbasi et al., 2023, BMC Ophthalmology（PMC9979468）	未公开

⚠️ 数值不可直接横向比较，原因有三：

测试集不同：随机划分测试集含三院图像，按医院划分测试集仅 HUMS+HCSC，任务难度不同；

指标口径不同：WISN 的 89% 为文献报告值，其指标定义与官方表存在差异；

预处理不一致：不同论文对立体对裁剪、ROI 裁剪与疑似类归属的处理各异，输入分布不同。

§8.2 SOTA 总结与选型建议

随机划分口径下 10 个官方 CNN 的 Acc 集中于 0.75-0.93，头部模型间差距 ≤2 个点，说明在 485 幅规模上架构红利已尽，提升空间转向数据侧（外部数据增强、多库联合训练）与协议侧（按医院划分的域适应）。选型建议：复现与对比选 VGG19（官方权重直接下载）；追求临床部署口径看 Se@Sp0.85（随机划分下 VGG19 达 1.0000 但按医院降至 0.8750）；分割任务优先 U-Net/DRIU 一脉并锁定 99/60 协议；域自适应方法学论文按 UniDDG 组合（Drishti-GS+RIM-ONE-r3+REFUGE×2）搭建四中心协议。

为什么 VGG19 在小数据上反超 ResNet/Xception：485 幅量级下，微调收益主要来自预训练特征的可迁移性而非架构容量；VGG 系在 ImageNet 上学到的低层纹理特征与眼底血管、盘沿形态匹配度高，且均匀卷积堆叠在小样本微调中方差更小。这一"架构红利耗尽"现象在多个百幅级医学影像基准上重复出现，提示复现者不要以架构先进性预估排名。

选型上应区分两类目标：以对表刷榜为目标，锁定官方权重与官方划分逐项对齐；以部署为目标，把按医院划分的 Se@Sp0.85（VGG19 为 0.8750）视为更接近现实的情形操作点，同时保留随机划分结果作为同分布上界用于回归测试。两类结果并列报告，是目前社区认可的诚实姿势。

§8.3 评测协议

分类：官方两种划分、三指标（AUC、Se@Sp0.85、Acc）；Se 的阈值由测试集正常类分位数确定使 Sp≈0.85，与临床筛查操作点一致。分割：v3 用 DRIU 99/60 划分 + Dice 系数，Idiap mednet 提供 exp1/exp2/avg 六种协议（双专家×两结构+平均标注）；DL 统一版掩码亦可用于分割训练但无官方划分，需自行固定种子。所有论文须声明：划分变体、疑似类归属、立体对裁剪与否三项协议要素。

协议三要素（任何结果声明前必须写明）：划分变体（random/hospital）、疑似类归属、立体对裁剪与否。
阈值约定：Se@Sp0.85 的阈值由测试集正常类分位数确定，§6.9 代码即官方口径的最小复现。
分割协议名：跨论文比较时写明 mednet 协议名（exp1-disc 与 avg-cup 是不同数字）。
不确定度：百幅级测试集上建议报告 Bootstrap 置信区间，并禁止在测试集上做任何形式的模型选择。

数据集	规模	与 RIM-ONE 关系	获取
REFUGE	1,200 幅	独立挑战赛库，分割 SOTA 主战场；外部验证首选	官方挑战站
Drishti-GS	101 幅	印度人群分割经典库，纯外测惯例	公开下载
ACRIMA	705 幅	西班牙同域不同机构（瓦伦西亚 FISABIO），单医生阅片标签	申请获取
ORIGA-light	650 幅	新加坡人群，含分级元数据	学术申请
DRIONS-DB	110 幅	西班牙萨拉戈萨（HUMS）视盘分割库，与 RIM-ONE v1 同院	公开下载

表中规模与人群构成均为文献综述口径，入库前请以各库官方页核对最新版本。

§8.5 关键论文 Top 5

Fumero F., Alayón S., Sanchez J.L., Sigut J., Gonzalez-Hernandez M. “RIM-ONE: An open retinal image database for optic nerve evaluation.” CBMS 2011, 1-6. DOI 10.1109/CBMS.2011.5999143 —— 数据集奠基论文：169 幅 + 5 专家视盘金标准，被引 791+（截至 2026-09）。
Fumero F., Sigut J., Alayón S., Gonzalez-Hernandez M., Gonzalez de la Rosa M. “Interactive Tool and Database for Optic Disc and Cup Segmentation of Stereo and Monocular Retinal Fundus Images.” 2015, Václav Skala-UNION Agency —— v3 立体像与 DCSeg 双专家分割的出处。
Fumero Batista F.J., Diaz-Aleman T., Sigut J., Alayon S., Arnay R., Angel-Pereira D. “RIM-ONE DL: A Unified Retinal Image Database for Assessing Glaucoma Using Deep Learning.” Image Analysis & Stereology 39(3):161-167, 2020. DOI 10.5566/ias.2346 —— 统一版与官方双划分，当前推荐主口径。
Maninis K.-K., Pont-Tuset J., Arbeláez P., Van Gool L. “Deep Retinal Image Understanding (DRIU).” MICCAI 2016 —— 确立 RIM-ONE-r3 的 99/60 社区划分，被 mednet 等工具包采纳。
Abbasi H. et al. “Wavelet image scattering based glaucoma detection.” BMC Ophthalmology, 2023. PMC9979468 —— 在 RIM-ONE DL 上报告 98%/89%（随机/按医院）的免微调特征基线。
Gómez-Valverde J.J. et al.（深度学习青光眼筛查评估流程）PMC8874723 —— RIM-ONE r3 光照差异与 suspect 归类处理的实验范例。
“Glaucoma Detection and Feature Identification via GPT-4V Fundus Image Analysis.” Ophthalmology Science, 2024 —— 在 RIM-ONE 抽样上对比大模型零样本与专用 CNN 的差距。

§8.6 社区活跃度

官方 GitHub 仓库 miag-ull/rim-one-dl 获 34 stars、4 forks（截至 2026-09 检索快照），README 提供基准表并开放"提交你的结果"通道（需声明仅用官方训练集与划分）。v1 原始论文被引 791+ 次、RIM-ONE DL 论文被引 165 次（Google Scholar，截至 2026-09），引用网络以中国、新加坡、印度、西班牙的眼科 AI 团队为主。第三方生态包括 Idiap 的 mednet/bob 工具包（协议化适配）与多个 Kaggle/教学镜像，无官方维护的在线排行榜。

引用网络的地理分布（中国、新加坡、印度、西班牙团队为主）与库本身的人群构成（西班牙）形成互补：大量跨人群与跨设备实验以 RIM-ONE 为源域或目标域，这反过来强化了其"域偏移测试床"的生态位；v3 工具论文被引 66 次，集中于分割方法学与标注协议研究。

§8.7 生态快照

资源	类型	链接	Star 截至 2026-09	推荐理由
miag-ull/rim-one-dl	官方仓库	https://github.com/miag-ull/rim-one-dl	34	基准表+转换脚本+下载入口的唯一权威源
Idiap mednet（rimoner3 模块）	工具包	https://mednet.readthedocs.io/en/stable/_modules/mednet/data/segment/rimoner3.html	—	六种协议化的 v3 分割评测（exp1/exp2/avg）
bob.db.rimoner3	工具包	https://www.idiap.ch/software/bob/docs/bob/bob.db.rimoner3/v1.0.0/index.html	—	v3 接口封装，双 GT 人类基线协议
RIM-ONE DL 论文页	期刊	https://www.ias-iss.org/ojs/IAS/article/view/2346	—	统一版方法论与五项风险复盘全文
IAS 2020 论文 PDF（Zenodo 镜像）	文献	https://zenodo.org/records/10631446/files/IAS_2346-6451.pdf	—	官方站点不稳定时的全文备份入口

§9 相关资源与引用

§9.1 官方资源清单

官方 GitHub 仓库（README 含下载链接、基准表、许可条款）：https://github.com/miag-ull/rim-one-dl
图像下载（ZIP，两变体划分）：https://bit.ly/rim-one-dl-images
分割掩码下载（PNG + DCSeg TXT）：https://bit.ly/rim-one-dl-reference-segmentations
CNN 权重下载（H5）：https://bit.ly/rim-one-dl-cnn-weights
原始发布页（拉拉古纳大学 MIAG 研究组，可用性不稳定）：http://medimrg.webs.ull.es/research/retinal-imaging/rim-one/
RIM-ONE DL 期刊全文：Image Analysis & Stereology 39(3)：https://www.ias-iss.org/ojs/IAS/article/view/2346
IAS 2020 论文 PDF（Zenodo 镜像，官方站点不稳定时的备份）：https://zenodo.org/records/10631446/files/IAS_2346-6451.pdf
许可条款全文：以官方 GitHub README 许可章节为准（研究与教育免费；禁止商业与再分发）
下载完整性自检：官方未公布 ZIP 体积与校验和，下载后先核对图像目录计数与掩码文件数是否与 README 描述一致，再入库
同域姐妹库入口：DRIONS-DB（HUMS 视盘分割库）与 ACRIMA（瓦伦西亚 FISABIO），用途与获取方式见 §8.4
v3 六协议评测入口：Idiap mednet rimoner3 模块（exp1/exp2/avg × disc/cup，见 §8.7）
问题反馈入口：官方 GitHub 仓库的 Issues 页（下载、掩码转换与划分问题的第一求助点）

§9.2 BibTeX 引用

@inproceedings{fumero2011rimone,
  author    = {Fumero, Francisco and Alay{\'o}n, Silvia and Sanchez, Jos{\'e} L. and Sigut, Jos{\'e} and Gonzalez-Hernandez, Marta},
  title     = {{RIM-ONE}: An open retinal image database for optic nerve evaluation},
  booktitle = {24th International Symposium on Computer-Based Medical Systems (CBMS)},
  pages     = {1--6},
  year      = {2011},
  doi       = {10.1109/CBMS.2011.5999143}
}

@article{fumero2020rimonedl,
  author  = {Fumero Batista, Francisco Jos{\'e} and Diaz-Aleman, Tinguaro and Sigut, Jose and Alayon, Silvia and Arnay, Rafael and Angel-Pereira, Denisse},
  title   = {{RIM-ONE DL}: A Unified Retinal Image Database for Assessing Glaucoma Using Deep Learning},
  journal = {Image Analysis \& Stereology},
  volume  = {39},
  number  = {3},
  pages   = {161--167},
  year    = {2020},
  doi     = {10.5566/ias.2346}
}

@proceedings{fumero2015interactive,
  author    = {Fumero, Francisco and Sigut, Jose and Alay{\'o}n, Silvia and Gonz{\'a}lez-Hern{\'a}ndez, Marta and Gonz{\'a}lez de la Rosa, Manuel},
  title     = {Interactive Tool and Database for Optic Disc and Cup Segmentation of Stereo and Monocular Retinal Fundus Images},
  publisher = {V{\'a}clav Skala - UNION Agency},
  year      = {2015}
}

§9.3 引用指南

使用任一版本的数据均应引用 RIM-ONE DL 论文（Fumero Batista et al., 2020）——它同时覆盖三版本整合与划分协议；使用 v1 五专家金标准时追加 2011 年 CBMS 论文；使用 v3 双专家立体分割或 DCSeg 工具时追加 2015 年论文。在方法学论文中还应声明所用划分变体、疑似类处理与立体对裁剪三项协议要素，与官方 README 的可比性要求保持一致。

投稿前再核三件事：所用版本与划分变体的名称拼写与官方 README 一致（RIM-ONE DL 而非 RIM-ONE v3）；基准数字引用官方表或原始论文页码而非二手综述；Zenodo/期刊页等一手链接可访问。任何一步缺失都可能成为审稿意见。

§10 AI 使用声明卡

§10.1 本页面使用的 AI 模型

模型名称：fast-model（CodeBuddy Code 内置写作模型）
用途：资料检索整理、结构化写作、代码示例生成
能力边界：fast-model 不具备临床判断能力，医学表述均经编辑部对照文献核对；模型知识截止后的数据集动态（新版本、许可变更）不在本页覆盖范围

§10.2 AI 参与范围

AI 参与本页面的全部初稿写作（信息检索、结构组织、正文撰写、代码示例），最终内容由千方病案医学编辑部人工审核后发布。代码示例经逻辑走查与依赖版本核对，但未在真实下载包上端到端运行——目录名与文件名以官方 ZIP 解压结果为准，使用前请按 §6.1 的目录预期核对路径。

§10.3 输入来源

Fumero F. et al. RIM-ONE: An open retinal image database for optic nerve evaluation. CBMS 2011. DOI 10.1109/CBMS.2011.5999143
Fumero Batista F.J. et al. RIM-ONE DL: A Unified Retinal Image Database for Assessing Glaucoma Using Deep Learning. Image Analysis & Stereology 39(3):161-167, 2020. DOI 10.5566/ias.2346
Fumero F. et al. Interactive Tool and Database for Optic Disc and Cup Segmentation of Stereo and Monocular Retinal Fundus Images. Václav Skala-UNION Agency, 2015
官方仓库 README：miag-ull/rim-one-dl. https://github.com/miag-ull/rim-one-dl
Diaz M. Machine Learning for Glaucoma Assessment using Fundus Images（UPV 学位论文，REFUGE/RIM-ONE 描述）. https://riunet.upv.es/bitstream/handle/10251/124351/
Literature Review on Artificial Intelligence Methods for Glaucoma Screening, Segmentation, and Classification. https://pmc.ncbi.nlm.nih.gov/articles/PMC8878383/
Automatic detection of glaucoma via fundus imaging and artificial intelligence: A review. arXiv:2204.05591. https://arxiv.org/pdf/2204.05591
mednet rimoner3 数据模块（Idiap Research Institute）. https://mednet.readthedocs.io/en/stable/_modules/mednet/data/segment/rimoner3.html
bob.db.rimoner3 文档（Idiap Research Institute）. https://www.idiap.ch/software/bob/docs/bob/bob.db.rimoner3/v1.0.0/index.html
Abbasi H. et al. Wavelet image scattering based glaucoma detection. BMC Ophthalmology, 2023. PMC9979468. https://pmc.ncbi.nlm.nih.gov/articles/PMC9979468/
Soltani A.A. et al.（ARESM）论文（RIM-ONE CDR 统计与专家间差异）. http://e-space.mmu.ac.uk/619463/6/10.1007%252Fs10916-017-0859-4.pdf
Gómez-Valverde J.J. 等工作的评估流程（RIM-ONE r3 光照差异与 suspect 归类）. Evaluations of Deep Learning Approaches for Glaucoma Screening. PMC8874723. https://pmc.ncbi.nlm.nih.gov/articles/PMC8874723/
Glaucoma Detection and Feature Identification via GPT-4V Fundus Image Analysis. Ophthalmology Science, 2024. https://www.ophthalmologyscience.org/article/S2666-9145(24)00203-3/fulltext
Shi Y. et al. Harnessing Deep Learning for Early Glaucoma Detection（数据集对比表）. Atlantis Press. https://www.atlantis-press.com/article/126003423.pdf
Wang J. et al. Rethinking domain generalization（UniDDG，多中心协议）. arXiv:2501.04741. https://arxiv.org/pdf/2501.04741v5
Google Scholar 作者档案（Silvia Alayón，引用计数）. https://scholar.google.cl/citations?user=rkRyhrkAAAAJ

以上 16 条来源覆盖本页全部关键数字；检索时间为 2026-09-05，动态数据（引用数、Star 数）以该日期为快照。

§10.4 人工校验记录

内容模块	审核者	审核方式	审核状态
frontmatter 与 INFOBOX 数字	千方病案医学编辑部	逐项对照 FACTS.md 来源 URL	✅ 已通过/已验证
§1 概览与版本时间轴	千方病案医学编辑部	与官方 README、IAS 2020 论文交叉核对	✅ 已通过/已验证
§2 医学背景与编码映射	千方病案医学编辑部	ICD-11/SNOMED CT 概念核对（标注为参考映射）	✅ 已通过/已验证
§3-§4 规格与数据结构	千方病案医学编辑部	与官方下载包描述核对	✅ 已通过/已验证
§6 代码示例	千方病案医学编辑部	逻辑走查 + 依赖版本核对	✅ 已通过/已验证
§7 DAIMS 与坑点	千方病案医学编辑部	与 2020 论文五项风险、官方基准表对齐	✅ 已通过/已验证
§8-§9 基准与引用	千方病案医学编辑部	BibTeX 与 DOI 逐条核对	✅ 已通过/已验证
§5 划分与泄漏分析	千方病案医学编辑部	与 2020 论文五项风险、mednet 协议逐条对齐	✅ 已通过/已验证
§6.3-§6.4 代码与目录预期	千方病案医学编辑部	与官方 README 目录描述逐项核对	✅ 已通过/已验证

§10.5 AI 生成章节标注

全页面初稿由 AI 生成，经人工审核修订后发布；其中 §6.5 坑点与 §7.7 DAIMS 评估为 AI 依据公开文献与官方文档归纳，观点性表述（如评分解读、选型建议）代表编辑部立场。§3.11 差异速查表与 §4.6 对齐约定为编辑部整理的操作性约定，供参考而非官方规范。

§10.6 最后人工审核日期

2026-09-05（与 §0 审核日期一致）

页面状态：published（全部内容已完成审核并发布）