ROSSA — OCTA 视网膜血管分割数据集（918 张 / MIT / SAM 半自动标注）

INFOBOX — ROSSA 一屏速览

维度	内容
本质	OCTA（光学相干断层扫描血管成像）视网膜血管分割数据集，随 FRNet 方法论文一体发布
发布	arXiv:2309.09483（v1 2023-09-18）；仓库自述 ICASSP 2024；GitHub nhjydywd/OCTA-FRNet
规模	918 张 320×320 OCTA 图像 + 像素级血管二值标注
标注构成	300 张人工（train 100 + val 100 + test 100）+ 618 张 SAM 半自动（全部作训练）
官方划分	train 718（100 manual + 618 sam）/ val 100 / test 100
标注工具	SAM（Segment Anything Model，Meta）半自动标注 + 人工修正
关联方法	FRNet——约 100k 参数、<1MB，比 U-Net 轻约 110× 快约 1.3×；ROSSA 上 Dice≈92.4% / Acc≈98.4%
任务	视网膜血管像素级二值分割（血管 vs 背景）
获取	GitHub 直链（clone nhjydywd/OCTA-FRNet，数据在 dataset/ROSSA/）——无申请、无 gated
许可	MIT License（Copyright © 2023 Haojian Ning），代码数据同 LICENSE
团队	Haojian Ning（一作）、Chengliang Wang、Xinrun Chen、Shiying Li
库内互链	octa-500（rid 341）、octa-25k（rid 859）、woives-octa（rid 865）

ROSSA 是一个"方法论文顺带交出的数据礼包"：作者为验证自己设计的高效视网膜血管分割网络 FRNet，用 Meta 的 SAM 半自动标注了 918 张 OCTA 图像，把标注成本从"逐像素手绘"压缩成"机器初画、人来修"，然后把数据集连同代码一起以 MIT 许可丢上 GitHub。它没有独立的挑战赛、没有 leaderboard，却在发布后成为 OCTA 血管分割领域被反复引用的公共基准——与 OCTA-500 并列，是评测该任务时最常被拿出来对比的两个数据集之一。

导语读法三则：

1. 只想下数据：直奔 §6——GitHub 直链 clone 即可，数据就在 dataset/ROSSA/，MIT，无需申请。
2. 关心标注质量：直奔 §3 与 §5——"300 人工 vs 618 SAM"的构成是这份数据集最需要理解的一件事，直接决定你该用哪部分。
3. 要做横向评测：直奔 §2 与 §7——看它和 OCTA-500 的规模/尺寸差异，以及文献里被引用的划分口径分歧。

§0 导读：这个数据集解决什么问题

视网膜血管的形态（密度、分支、弯曲度、无血管区面积）是糖尿病视网膜病变、青光眼、高血压视网膜病变等一系列眼病和全身血管病变的镜像窗口。要训练自动分割血管的模型，就需要"图像 + 逐像素血管标注"的配对数据；而像素级血管标注极其昂贵——眼科医生在 320×320 的图上手工描出每一根血管，一张就要花费可观的专家时间，这是 OCTA 血管分割数据集长期稀缺的根本原因。

ROSSA 的回答是"半自动标注"。作者引入 Meta 的 Segment Anything Model（SAM）先自动生成血管掩码候选，再由人工修正，从而把标注瓶颈从"全手工"变成"机器初画 + 人审核"。918 张的规模在发布时是公开 OCTA 血管分割数据集中最大的之一（同期主要对手 OCTA-500 为 500 张 OCTA 加其他模态）。作者刻意保留了 300 张纯人工标注作为"高质量锚点"，另 618 张为 SAM 辅助——这个分层结构使得研究者既能用全部 918 张做大规模预训练，也能只挑那 300 张做严格评测。

与纯粹的数据集论文不同，ROSSA 是方法驱动的数据发布：它的核心目的是验证 FRNet（一个约 10 万参数、不足 1MB 的全分辨率卷积网络）能达到与大型模型相当的精度却轻量百倍。因此条目要把两件事一起讲清楚——数据是什么（918 张 OCTA + 分层标注），以及数据是为谁服务的（FRNet 及后续 OCTA 血管分割模型）。

§0 读法三则：

1. 本条目是"数据集 + 方法论文"二合一：数据与其评测价值不可分开理解，§3-§4 讲数据、§7 讲评测。
2. 全文硬数字均出自 GitHub readme 逐条与 arXiv 摘要；第三方机构归属、正式会议出处等未获官方互证的项已在 §9/坑点存照。
3. 检索时注意区分 **ROSSA（918 张，本条目）**与 OCTA-500（500 张，rid 341）、OCTA-25K（rid 859）——三者名字都含 OCTA，但规模、任务侧重点、发布方都不同（坑 1）。

0.1 ROSSA 一句话定位

把 ROSSA 塞进一句话：它是"用 SAM 半自动标注的、918 张规模的 OCTA 视网膜血管分割数据集，以 MIT 许可在 GitHub 免费直链公开"。三个关键词——OCTA、血管分割、半自动标注——分别界定了它的模态、任务与生产方法。

0.2 它解决的三重问题

问题	ROSSA 的回答
数据稀缺	918 张，发布时是公开 OCTA 血管分割集中规模最大者之一
标注昂贵	SAM 半自动标注 + 300 张人工锚点，把成本压到可承受
获取门槛	MIT + GitHub 直链，无申请、无 gated，任何人均可下载

0.3 它不解决什么（预期管理）

前面讲"解决什么"，同样重要的是讲清"不解决什么"，避免误用：

• 不做疾病诊断：无疾病标签，只是血管分割的上游数据。
• 不做血管分型：动脉/静脉不区分，只是笼统的"血管"。
• 不做 FAZ 分析：无中心凹无血管区标注。
• 不保证标签绝对干净：618 张是 SAM 半自动，存在机器错误残余。
• 不提供患者层面信息：无法做患者级分层研究。

理解这五条"不做"，比记住它"做"什么更能帮你判断它是否适合你的项目。

§1 数据集速览：十问十答

Q1：ROSSA 是什么、名字什么意思？
ROSSA 是一个 OCTA 视网膜血管分割数据集，全称可理解为 Retinal OCTA Vessel Segmentation dataset，随 FRNet 方法论文（arXiv:2309.09483）发布。它提供 918 张 OCTA 图像及其对应的血管二值标注。

Q2：918 张是怎么构成的？
按官方 GitHub readme 逐条：train_manual 100 张（NO.1-100，人工标注，训练集）+ train_sam 618 张（NO.301-918，SAM 半自动，训练集）+ val 100 张（NO.101-200，人工标注）+ test 100 张（NO.201-300，人工标注）。100+618+100+100 = 918，自洽。

Q3：图像规格是什么？
320×320 像素的 OCTA 视网膜图像，配同尺寸的血管二值分割掩码（血管/背景两类）。较低的分辨率是天然约束也是双刃剑：训练与推理成本低，但细小血管末端的细节可能在缩放中损失。

Q4：谁标注的、怎么标？
300 张（train_manual + val + test）为纯人工标注；618 张（train_sam）为 SAM（Segment Anything Model）半自动标注——SAM 先生成候选掩码，人工再修正。SAM 的使用"极大提高了标注速度"（论文原话大意）。

Q5：为什么训练集要拆成 train_manual 和 train_sam？
因为两类标注的工艺不同、质量层级不同。把 100 张人工精标与 618 张 SAM 半自动标注分开存放，让使用者可以自主选择：只信人工标签就只用 train_manual，要规模就加上 train_sam。这是一种透明的数据组织方式，把"标签质量分层"直接暴露在目录结构上。

Q6：配套的 FRNet 是什么？
FRNet 是论文提出的轻量全分辨率分割网络：用改进的 Recurrent ConvNeXt Block 在保持全分辨率的前提下建模血管的长程依赖，参数量约 0.13M、磁盘占用 <1MB。它比 U-Net 轻约 110 倍、推理快约 1.3 倍（arXiv 摘要口径），目标场景是算力受限的临床部署。

Q7：在 ROSSA 上能跑到什么精度？
论文报告的 FRNet 最强配置：Dice 92.37% / Acc 98.38%（arXiv:2309.09483）。这是官方基线，可作为在此数据集上评测新方法时的参照点。

Q8：怎么获取？
GitHub 公开直链 https://github.com/nhjydywd/OCTA-FRNet，git clone 后数据就在 dataset/ROSSA/ 目录内，无独立下载表单、无 gated 申请。仓库还附带 OCTA_500 (3M)、OCTA_500 (6M) 两个邻接数据集。

Q9：许可是什么？
MIT License，Copyright © 2023 Haojian Ning。数据与代码被置于同一 LICENSE 之下。注意 MIT 文本面向 “Software”，数据可否商用存在文本解释空间（见 §6 与坑 6）。

Q10：它和库内的 OCTA-500 是一回事吗？
不是。ROSSA（918 张，320×320）与 OCTA-500（500 张，含 3M/6M 投影）是两个不同的数据集，只是 FRNet 官方脚本同时在两者上做 benchmark。库内查重确认二者非别名关系（§9）。

§2 数据构成与规格

2.1 规模、构成与官方划分

ROSSA 共含 918 张 OCTA 图像及像素级血管标注，按标注来源和官方用途分为四组：

子集	张数	编号范围	标注方式	官方用途
train_manual	100	NO.1-100	人工标注	训练集
train_sam	618	NO.301-918	SAM 半自动标注	训练集
val	100	NO.101-200	人工标注	验证集
test	100	NO.201-300	人工标注	测试集
合计	918	NO.1-918	300 人工 + 618 SAM	train 718 / val 100 / test 100

两点值得注意：

1. 编号跳段：train_manual 用 NO.1-100、val 用 NO.101-200、test 用 NO.201-300，而 train_sam 却从 NO.301 起跳，把 NO.301-918 全部归入训练。编号连续但"训练池"跨越了两个不连续的机械区段（1-100 与 301-918），研究者按编号组织数据时需留意。
2. 训练集是唯一混入 SAM 标签的集合：验证集与测试集 100% 人工标注，说明作者有意把"质量最可靠的标签"留给了评测环节——这是负责任的设计，也让 ROSSA 的官方 test 成为可信度较高的评测集。

2.2 图像与掩码规格

属性	规格
模态	OCTA（Optical Coherence Tomography Angiography，光学相干断层扫描血管成像）
图像尺寸	320×320 像素
掩码尺寸	320×320 像素（与图像逐像素对齐）
标注类型	血管 / 背景二值分割
类别数	2（血管、背景）
格式	PNG 图像 + PNG 掩码（仓库 dataset/ROSSA/<split>/image、label）
组织方式	每 split 下分 image/ 与 label/ 两个子目录（见仓库 dataset.py 约定）

仓库 dataset.py 与 readme 定义了统一的目录结构：每个数据集（ROSSA / OCTA_500(3M) / OCTA_500(6M)）在 dataset/ 下各占一层，其内 train/val/test 各含 image（图像）与 label（掩码）两目录。所有图像 resize 到网络输入尺寸后训练。

2.3 标注来源：SAM 半自动标注管线

ROSSA 的方法学核心是半自动标注：用 Meta 的 Segment Anything Model（SAM）自动生成血管掩码候选，再由人工修正，从而压缩标注成本。论文摘要明确写道，数据集"借助 Segment Anything Model（SAM）半自动标注，极大提高了标注速度"。

这种生产方式是 ROSSA 相对于早期 OCTA 数据集的关键卖点，也带来一个必须理解的后果——标注质量分层：

子集	张数	标注来源	标签可靠性
train_manual + val + test	300	纯人工	高质量锚点
train_sam	618	SAM 半自动	较低（论文/下游区别对待）

下游研究的实证态度最能说明问题：LRNet 论文（PMC12572534）在实验中明确写"ROSSA 来自他人人工标注的 300 张和 SAM 辅助的 618 张，共 918 张；在我们的实验中，我们使用了他们人工标注的部分"。也就是说，SAM 子集在严肃评测中常被回避，只作训练增广。

2.4 标注类别与任务边界

ROSSA 的标注是纯二值：血管（vessel）与背景（background）。这带来清晰但严格的任务边界：

• 有：像素级血管/背景判定，可直接训练血管分割模型。
• 无：动脉/静脉分型、血管直径/密度量化、FAZ（黄斑中心凹无血管区）标注、疾病诊断标签。

对比之下，OCTA-500 含 FAZ 标注、OCTA-25K 侧重图像质量评估、WOIVES 采用软概率标注。若研究需要这些更细粒度的信息，ROSSA 不是合适的选择（见 §9 互链建议）。

2.5 与 OCTA-500 的对照

ROSSA 最常被拿来对比的是 OCTA-500（库内 rid 341）。FRNet 官方脚本把两者放在同一 benchmark 框架下：

项	ROSSA	OCTA-500
图像总数	918	500
子集结构	train_manual/train_sam/val/test	OCTA_6M + OCTA_3M
尺寸	320×320（单一）	400×400（6M）/ 304×304（3M）
官方 train/val/test	718/100/100	320/30/150（6M）等
标注来源	300 人工 + 618 SAM	人工（IPN-V2 方法论）
规模优势	张数更多	尺寸更大、含多任务

一句话取舍：要更大规模、能接受 SAM 标签 → ROSSA；要更大视野/更多任务标注 → OCTA-500。两者互补，实践中常同时使用（如 FRNet V2、LRNet、CP-BDRVS 都在两个数据集上并行评测）。

2.6 患者级元数据的缺口

必须正视的一点：ROSSA 不披露任何患者级信息——原始患者数量、眼别（左/右眼）、年龄、疾病谱、采集设备与采集中心均不可得。这带来两个实际后果：

1. 无法做患者级分层或去重核查：官方划分是否保证"同一患者的不同图像不跨 train/test"，无从确认。若存在同患者跨集，评测分数可能被乐观高估（数据泄漏）。
2. 无法做跨中心泛化审计：不知道图像来自几个中心、用什么设备，就无法评估域偏移。

这不是 ROSSA 独有的短板（许多视网膜数据集同样缺失），但它是使用者在报告泛化结论前必须意识到的边界。做严格研究时，建议先做划分泄漏的自查（如用图像相似度检测跨集近邻）。

2.7 数据治理要点速记

把 ROSSA 使用中最需要在项目文档里记录的治理信息汇总如下：

治理项	状态	使用者动作
许可	MIT（数据适用性存疑）	商用前书面确认
版本	无版本链	记录抓取日期与 commit hash
患者元数据	未披露	不假设患者级去重
标注分层	300 人工 + 618 SAM	评测限人工子集
划分	官方 718/100/100	报告时声明口径
镜像	仅 GitHub 官方	本地留档备份
疾病标签	无	不用于诊断任务
多类标注	无（仅二值）	不期待动静脉/FAZ

这份表格可直接作为项目"数据卡（data card）"的骨架：把一个数据集接入项目时，这八项是必须逐条交代清楚的。

2.8 数据规模在领域中的位置

用两个坐标轴定位 ROSSA 在 OCTA 数据集谱系中的位置：

• 横轴——规模：单数据集 OCTA 血管分割，ROSSA（918）> OCTA-500（500）> WOIVES（206 眼）。在"纯血管分割"这一类里，ROSSA 张数领先。
• 纵轴——标注细度：二值（ROSSA/OCTA-500）< 多任务（OCTA-500 含 FAZ）< 软概率（WOIVES）。在标注细度上，ROSSA 属基础档。

因此 ROSSA 的坐标是"规模大、细度基础"。它的最佳用途不是追求标注丰满度，而是提供数量充足、质量可控（人工锚点）的基础血管分割监督信号。理解这个坐标，就能判断何时该用它、何时该转向标注更细的数据集。

§3 SAM 半自动标注：这条流水线改变了什么

3.1 为什么 OCTA 血管标注是瓶颈

像素级血管标注的成本有两个来源。一是血管的形态复杂度：视网膜血管从视盘发出后反复分叉，末梢细如发丝，要在 320×320 的图上逐像素描出主干、分支与末梢，容不得成片涂抹。二是OCTA 的成像特性：OCTA 通过探测红细胞运动重建血流信号，毛细血管网密而弱，低灌注区的微血管信号微弱，边界模糊——人工在弱信号区判定"这里到底有没有血管"本身就有主观性。

传统的全人工标注因此极慢且有观察者间变异。ROSSA 的策略是把"轨迹生成"交给机器、把"轨迹校对"交给人：SAM 在图像上生成候选掩码，人工只做修正与验收。论文摘要把收益讲得很直接——SAM 的使用"极大提高了标注速度"（greatly speeds up the annotation work）。

3.2 分层保留：为什么留 300 张纯人工

一个自然的质疑是：既然 SAM 快，为什么不 918 张全用 SAM？作者的选择是混合——618 张 SAM 辅助、300 张纯人工。这份分层设计其实回答了一个更重要的问题：数据集需要一个可信的评测基准。

如果全部用半自动标签，测试集本身就带机器的系统性偏差，模型分数无法反映真实泛化能力。ROSSA 把 100 张验证集与 100 张测试集全部留给纯人工标注，等于给评测环节上了一道"质量保险"：训练可以用便宜的大规模 SAM 标签，但"考出来的分"是在干净标签上得到的。

3.3 使用者的态度：文献里的"区别对待"

ROSSA 发布后，下游研究对 618 张 SAM 子集的态度，是判断这个数据集质量分层的最硬证据。LRNet 论文（PMC12572534）在方法节写明：

“The ROSSA dataset came from 300 images manually annotated by others and 618 images assisted by SAM, with a total of 918 images. In our experiment, we used the parts that they labeled manually.”

即"我们只用了人工标注的那部分"。这说明在严肃评测语境中，SAM 子集的可信度未被完全接受。

对复用者的启示很清晰：

1. 训练阶段：918 张全用（含 SAM 子集）可扩大监督规模，但需警惕 SAM 标签在细小血管处的截断/粘连错误。
2. 评测阶段：优先在 300 张人工子集（尤其官方 test 的 100 张）上报告，或用人工子集做最终 benchmark。
3. 对比研究：若你的竞品报告用的是人工子集，你也要对齐到人工子集，否则分数不可比。

3.4 半自动标注这种生产模式的位置

把 ROSSA 放到"数据集标注生产模式"的光谱上，可以看到它代表的第三种路线：

模式	代表	标注者	规模上限	单张成本	误差结构
全人工	OCTA-500（IPN-V2）	眼科专家/受训标注员	低（百张级）	高	观察者间变异
半自动	ROSSA	SAM + 人工修正	中高（近千张级）	中	SAM 系统性错误残余
众包/自动	（OCTA 领域尚缺典型）	群体/纯模型	高	近零	聚合噪声/域偏差

ROSSA 的位置是"用机器的规模换人的判断力"：它不比全人工标签更准，但能以可接受的成本把公开数据推到近千张量级。这个折中正是 foundation-model 时代数据集工程的典型思路——大规模弱标签做预训练，小规模强标签做评测。

3.5 SAM 半自动标注的通用流程

把 ROSSA 的做法抽象成可迁移的流程：

步骤	内容	ROSSA 的具体做法
1 提示生成	给 SAM 提供点/框提示	基于血管区域生成候选
2 掩码生成	SAM 输出候选掩码	自动生成血管掩码
3 人工修正	修正误分/漏分	人工审核与编辑
4 质检分层	标记高质量/低质量	分离 300 人工 / 618 SAM
5 划分子集	高质量作评测	人工子集作 val/test

这套流程的关键在第 4、5 步——不是简单地把 SAM 输出当标签，而是显式标记哪些是高可靠标签、并把它们留给评测。很多"半自动"数据集的问题恰恰在于不做这个分层，导致评测集本身带着机器偏差。

3.6 半自动标注的误差结构

SAM 辅助的标注会引入一类特定误差，理解它们有助于判断 ROSSA 是否适合你的任务：

误差类型	表现	对训练的影响
细小血管漏分	末梢毛细血管未被 SAM 捕捉	模型低估细血管密度
血管粘连	相邻血管被合并为一块	分支拓扑失真
边界不精确	血管边缘模糊/锯齿	像素级 Dice 轻微下降
病灶混淆	强信号病灶被误判为血管	引入假阳性

这些误差在 300 张人工子集中被人工修正，在 618 张 SAM 子集中可能残留。若你的任务对细血管或拓扑结构敏感，建议以人工子集为主，并考虑对 SAM 子集做额外质控。

§4 FRNet：数据集配套的方法与它证明的事

4.1 FRNet 是什么

FRNet 是 ROSSA 配套设计的高效全分辨率（full-resolution）血管分割网络。它的核心改动是把改进的 Recurrent ConvNeXt Block 应用到全分辨率卷积网络上，从而在保持高分辨率特征（对细血管至关重要）的同时把参数量压到极低。

论文摘要给出的量化定位：FRNet “达到与其他 SOTA 方法相当的精度，同时参数更少、推理更快（例如比 U-Net 轻约 110 倍、快约 1.3 倍），非常适合工业应用”。

4.2 关键指标

指标	FRNet 变体最强配置	说明
Dice	92.37%	血管分割重叠度
Acc	98.38%	像素级准确率
参数量	0.13M（约 100k）	极轻量
推理时间	21.6ms	单张
相对 U-Net	轻约 110× / 快约 1.3×	效率宣称

（注：参数 0.13M 与"约 100k 参数"为同一量级的不同表述；推理时间随实现与硬件浮动，以论文报告为准。）

这些数字说明了一件事：在 OCTA 血管分割这个任务上，一个不足 1MB 的轻量网络可以打到大模型的精度。这对要在移动端/边缘设备部署眼底血管分析的场景有直接价值，也正是 ROSSA 想证明的——好数据 + 巧网络，不需要"堆参数"。

4.3 FRNet 之后的接力

ROSSA 并非只是 FRNet 的私有测试场。发布后它成为领域内公认的公共基准，被多个后续方法采用：

• FRNet V2（Biomimetics 2025，PMC12024856）：在 ROSSA + OCTA-500 上评测，加入 DWAM 注意力与 EFF 特征提取模块，用 Dice loss；数据增强含随机旋转、高斯噪声、随机锐化、翻转。
• LRNet（PMC12572534）：Link Residual Neural Network，在 ROSSA + OCTA-500(3M/6M) 上评测，指标扩充到 Acc/Dice/BACC/G-mean/IoU；值得注意的是它只用 ROSSA 的人工子集。
• CP-BDRVS / DCP（arXiv:2412.18089）：把 ROSSA 纳入五域（ROSSA/FIVES/IOSTAR/PRIME-FP20/VAMPIRE）广域视网膜血管分割任务，用 AP 指标；该文将 ROSSA 按 7:1:2 重新划分为 642/92/184，与官方 718/100/100 不同（详见 §7 与坑 3）。

这一串接力证明：ROSSA 从一个论文的副产品，变成了该子领域事实上的公共评测集之一。

4.4 与 OCTA-500 的方法学对照

FRNet 官方脚本在同一框架下跑 ROSSA 与 OCTA-500，两者的差异恰好构成一次天然的对照实验：

维度	ROSSA	OCTA-500
来源	单团队 + SAM 半自动	IPN-V2 方法论，多子集
规模	918（更多）	500（更少）
尺寸	320×320	400×400 / 304×304
视野	单一标准视野	3M/6M 两种视野
评测子集	300 人工（官方 test 100）	官方划分

结论：ROSSA 的价值是"规模 + 可获取性（MIT 直链）“，OCTA-500 的价值是"视野多样性 + 更细的划分”。真正的广域/多中心研究往往两个都用，而 ROSSA 因张数多、单尺寸规整，常被用作训练主力。

4.5 FRNet 的工程取舍：为什么"轻"有意义

FRNet 的设计哲学是把"够用就好"做到极致。三个取舍值得拆开看：

1. 全分辨率 vs 下采样：血管是细结构，编码器-解码器网络常用的下采样-上采样会丢失末梢细节。FRNet 全程保持输入分辨率，牺牲部分感受野换细节保真——对血管分割这个"细节优先"的任务是正确的偏置。
2. 循环结构 vs 堆叠深度：用 Recurrent ConvNeXt Block 在有限深度内扩大有效感受野，避免了"加深网络→参数暴涨"的老路。这是它能把参数压到约 100k 的关键。
3. 速度 vs 精度的平衡点：比 U-Net 快约 1.3 倍听起来不多，但结合"轻约 110 倍"，意味着它可以在算力受限设备（如便携眼底筛查仪）上实时推理——这正是作者说的"industrial applications friendly"。

4.6 轻量网络的评测陷阱

用 FRNet 这类轻量模型在 ROSSA 上报分数时，有几个容易忽略的陷阱：

陷阱	说明	规避
只报 Acc	Acc 98.38% 看似极高，但血管像素占比低，背景正确即可拉高 Acc	必须同报 Dice/IoU
混用划分	642/92/184 vs 718/100/100 分数不可比	声明口径
混用标注来源	SAM 子集与人工子集标签质量不同	评测限人工子集
忽略推理硬件	21.6ms 依赖具体硬件	报告硬件配置
过拟合小测试集	官方 test 仅 100 张	交叉验证或多划分报告

一句话：ROSSA 的官方 test 只有 100 张，单次评测的方差不可忽视，报告时建议补充多次运行或替代划分的稳健性分析。

4.7 数据集与方法的共生关系小结

ROSSA 与 FRNet 的关系是"数据—方法共生"的一个干净样本：

• 数据为方法提供舞台：918 张足够训练，300 张人工锚点足够评测，使 FRNet 的精度宣称可信。
• 方法为数据赋予意义：FRNet 的高效证明了这份数据能被轻量模型用好，反过来说明数据的信息量足够（不需要超大网络才能学到）。

对后来者的启示：如果你在构建数据集，配一个能证明其价值的方法，比单纯堆数据更有说服力；如果你在选数据集，看看它的原始论文方法是否轻量可行——这往往暗示数据质量与任务难度的合理匹配。

4.8 迁移到其他任务的适配点

虽然 ROSSA 定位是 OCTA 血管分割，其组织方式对其他视网膜任务也有借鉴：

你的任务	可复用的 ROSSA 资产	需补什么
眼底彩照血管分割	训练/评测范式、指标选择	换成 CFP 数据（如 FIVES/DRIVE）
血管分型（动/静脉）	数据加载与增强流程	需要分型标注
FAZ 分割	OCTA 处理经验	需要 FAZ 标注（如 OCTA-500）
图像质量评估	OCTA 图像域知识	需 IQA 标签（如 OCTA-25K）

一句话：ROSSA 的"骨架"（目录结构、划分范式、评测指标）可迁移，但"血肉"（具体标注）只服务血管分割。

§5 评估与使用指南

5.1 官方评估口径

FRNet 仓库提供了完整的评测脚手架：run_benchmark.py 一次性训练并评估 2 个模型（FRNet-base、FRNet）× 3 个数据集（ROSSA、OCTA_500 3M、OCTA_500 6M），共 6 组结果，输出为 JSON 保存到 result/ 目录。评估脚本为 evaluation.py，损失函数在 loss.py。

运行流程：

git clone https://github.com/nhjydywd/OCTA-FRNet
cd OCTA-FRNet
pip install -r requirements.txt
python run_benchmark.py

5.2 常用评估指标

文献在 ROSSA 上报告的指标以像素级分类指标为主：

指标	全称	含义
Dice	Dice coefficient / F1	预测血管与真值血管的重叠度（核心指标）
Acc	Accuracy	像素级准确率
IoU	Intersection over Union	交并比
BACC	Balanced Accuracy	平衡准确率（血管/背景类失衡时更稳健）
G-mean	Geometric Mean	敏感度与特异度的几何平均
AP	Average Precision	像素级平均精度（广域研究常用）

关键提醒：血管像素在整幅图中占比很小（高度类不平衡），单纯 Acc 会被"背景占比"抬高，因此Dice/IoU/BACC 比 Acc 更能反映真实分割质量。FRNet 报告的 Acc 98.38% 需结合其 Dice 92.37% 一起读——后者才是更诚实的指标。

5.2.1 为什么 Acc 会"说谎"：一个直观算例

假设一张 320×320 的图像中血管像素仅占 10%、背景占 90%。一个把所有像素都判为背景的"懒惰模型"能拿到 90% 的 Acc——却一根血管都没分对。这正是血管分割（及其它前景稀疏任务）评测的核心陷阱。

Dice 系数 = 2TP / (2TP + FP + FN)，在上述懒惰模型下 TP=0，Dice=0，立刻暴露问题。因此在 ROSSA 上，Dice 是比 Acc 灵敏得多的判别指标。FRNet 的 Acc 98.38% 之所以可信，是因为它的 Dice 同时达到 92.37%——两者都高才说明模型真的分对了血管。

实务建议：报告时至少给出 Dice + Acc 两栏；若要与 LRNet 等报告 BACC/G-mean 的工作对比，需补齐对应指标。

5.2.2 各指标的适用场景

指标	何时优先用
Dice	通用首选，血管分割的事实标准
IoU（Jaccard）	与 Dice 高度相关，分割竞赛常用
Acc	仅作辅助，务必与 Dice 并列
BACC	正负类严重失衡、关注两类均衡表现时
G-mean	同 BACC，强调敏感度/特异度几何平衡
AP	跨域/广域研究（如 CP-BDRVS）常用，对阈值不敏感

5.2.3 细血管的评测盲区

标准像素级 Dice 对大血管的权重天然高于细小血管（大血管像素多）。而临床上恰恰是毛细血管/末梢的异常（如糖尿病视网膜病变的微血管瘤、无灌注区）最有价值。这意味着：

• 即使 Dice 很高，模型在细血管上仍可能很差。
• 若研究关注微血管，建议补充按血管宽度的分层评测或拓扑类指标（如连通性、分支数），而非只看整体 Dice。

这是 ROSSA 这类数据集的共性局限——它提供的是像素级二值标签，不区分血管粗细等级。

5.3 划分口径：用哪套 train/val/test

这是使用 ROSSA 最容易踩的坑。存在两套划分：

口径	train	val	test	来源
官方（推荐）	718（100 manual + 618 sam）	100	100	GitHub readme
CP-BDRVS 论文	642	92	184	arXiv:2412.18089（7:1:2 重切）

CP-BDRVS 论文是按 7:1:2 比例对全部 918 张重新随机划分（642/92/184），不是官方划分。若你的对比对象用的是官方划分，就必须对齐；若引用 CP-BDRVS 的数字，务必注明用的是该文的重切划分，否则分数不可比（坑 3）。

5.4 训练实践建议

1. 数据增强：FRNet V2 的配置可参考——随机旋转、高斯噪声、随机锐化、翻转。血管分割对旋转/翻转天然友好（解剖结构各向同性），增强收益明显。
2. 归一化：两数据集在训练与测试时都做了图像归一化。
3. 损失函数：FRNet 用 Dice loss；LRNet 实验发现 DiceLoss + FocalLoss 组合最佳。类不平衡场景下，Dice/Focal 类损失通常优于纯交叉熵。
4. 人工子集优先：评测时用 300 张人工子集；若资源允许，可在 SAM 子集上做预训练再在人工子集上微调。
5. 尺寸对齐：ROSSA 为 320×320，若与 OCTA-500(400/304) 混训，需统一 resize；注意 resize 会改变血管像素占比，统计口径要一致。

5.5 复现检查清单

• [ ] 确认你用的是官方划分（718/100/100）还是重切划分（642/92/184），并在报告中声明。
• [ ] 确认评测仅用人工标注子集（若与只报人工子集的文献对比）。
• [ ] 报告至少同时给出 Dice 与 Acc（避免只用 Acc 掩盖类不平衡问题）。
• [ ] 注明是否使用了 SAM 子集参与训练。
• [ ] 核对图像是否做了增强/归一化，与对比方法保持一致。

§6 获取与许可：GitHub 直链 + MIT，最省事的组合

6.1 获取方式

ROSSA 的获取是这份数据集最友好的地方——无申请、无 gated、无表单。数据随代码仓库一并 clone：

git clone https://github.com/nhjydywd/OCTA-FRNet

克隆后数据位于 dataset/ROSSA/ 目录，其下结构：

dataset/ROSSA/
  train_manual/   (100 张，NO.1-100)
  train_sam/      (618 张，NO.301-918)
  val/            (100 张，NO.101-200)
  test/           (100 张，NO.201-300)

每个 split 目录下按 image/（图像）与 label/（掩码）组织。

获取路径总结：

渠道	地址	状态
官方（唯一）	github.com/nhjydywd/OCTA-FRNet	公开直链，数据+代码同仓库
第三方收录	selectdataset.com（收录页）	下载链接仍指向 GitHub，非独立镜像
HF/Kaggle/Zenodo/PhysioNet	—	未发现官方镜像

6.2 许可：MIT License

仓库根目录 LICENSE 原文为 MIT License，Copyright © 2023 Haojian Ning。MIT 是最宽松的许可之一：允许使用、复制、修改、合并、发布、分发、再许可与销售，条件是保留版权声明与许可声明。

对使用者的含义：

用途	是否允许
学术研究	✅ 明确允许
商业使用	✅ MIT 文本允许（但见下方注意）
再分发	✅ 允许（需保留版权与许可声明）
修改/衍生	✅ 允许
附加限制	❌ MIT 不允许附加额外限制

6.3 MIT 的边界：一个必须存照的点

MIT 的许可文本主语是 “the Software”（软件）。ROSSA 仓库把数据集与代码置于同一个 LICENSE 之下，但严格从文本看，MIT 是软件许可，数据是否随软件一并适用 MIT、可否商用，没有数据的单独条款说明。

实操建议：

1. 学术使用：无争议，直接用，引用论文即可。
2. 商业使用/再分发数据集本身：鉴于文本的模糊性，建议向作者（GitHub nhjydywd 或论文通讯作者）书面确认，或至少在合规文档中记录"仓库以 MIT 发布、数据集与代码同 LICENSE"这一事实。
3. 衍生模型：模型权重的许可边界由你自己的训练与发布协议决定，与数据许可需分别管理。

6.4 版本链

ROSSA 无版本链——自 2023-09-21 first upload 起内容稳定，未见 v2、未见改名。readme 末次更新 2024-01-09 仅为文字说明，未改动数据。这意味着：

• 引用 ROSSA 无需关心"用了哪个版本"的问题（对比那些有多版本、多口径的数据集，这是省心的）。
• 但反过来说，若作者未来修订数据，没有版本号可供区分——建议引用时记录抓取日期。

6.5 获取实操：一步步来

对于不熟悉 GitHub 的读者，完整步骤如下：

1. 确认环境：本地需安装 git。检查：git --version。
2. 克隆仓库：git clone https://github.com/nhjydywd/OCTA-FRNet。
3. 定位数据：进入 OCTA-FRNet/dataset/ROSSA/，可见 train_manual、train_sam、val、test 四个目录。
4. 核对张数：ls dataset/ROSSA/train_manual/image | wc -l 应为 100；train_sam/image 应为 618；val/image、test/image 各 100。
5. （可选）跑 baseline：pip install -r requirements.txt && python run_benchmark.py。

常见问题排查：

现象	原因	处理
clone 慢/失败	网络到 GitHub 不稳	换网络环境或使用镜像（注意镜像非官方，需核对）
数据目录为空	未完整 clone 或用了 sparse checkout	重新完整 clone
张数对不上	分支已变（罕见）	记录 commit hash，报告中注明

6.6 获取的伦理与合规提醒

即便许可是 MIT，使用医学影像数据仍有一些通用的合规考量：

1. 去标识：ROSSA 声称图像为去标识的 OCTA，但无患者级元数据，无法独立核实。若你的项目有严格的隐私审查，需先与机构 IRB 确认。
2. 不夸大代表性：图像来源中心未知，你的模型若在 ROSSA 上表现好，不能直接推断其对不同人群/设备的泛化能力。
3. 引用致谢：即使 MIT 只要求保留版权声明，学术界惯例仍应引用论文，尊重数据作者贡献。
4. 再分发谨慎：MIT 允许再分发，但鉴于数据适用性存疑（§6.3），再分发数据集本身前建议与作者确认。

这四条不是 MIT 强制的义务，而是负责任的医学数据使用惯例。

§7 生态与影响：从论文副产品到公共基准

7.1 被引用的方式

ROSSA 在文献中的角色，几乎总是"数据集"这一栏里的一个排头名。检索其引用者可见两类用法：

1. 作为训练/评测集之一：与 OCTA-500 并列出现——“我们在 OCTA-500 和 ROSSA 上验证方法”（FRNet V2 原话：validation on two common OCTA datasets: the OCTA-500 dataset and the ROSSA dataset）。
2. 作为"最大 OCTA 数据集"的论据：多位作者称其"迄今最大的 OCTA 血管分割数据集"（如 LRNet 原话：“ROSSA is also the largest OCTA dataset to date”，selectdataset 简介亦持此说）。

需要谨慎对待"最大"这一表述：它取决于统计口径（是否只算 OCTA 血管分割、是否只算单模态）。库内的 OCTA-25K（rid 859）在图像总数上远超 ROSSA，但任务侧重图像质量评估（IQA）与 FAZ 分割，不是纯血管分割；WOIVES（rid 865）在视野（超广视野）与标注形式（软概率）上另辟赛道。因此"最大 OCTA 血管分割数据集"这一头衔，应以"发布时点 + 任务限定"为前提引用（坑 4）。

7.2 下游方法谱系

从 ROSSA 出发的后续工作形成了一条清晰的方法演进线：

方法	出处	与 ROSSA 的关系
FRNet	arXiv:2309.09483（ICASSP 2024）	原始：发布 ROSSA + 提出 FRNet
FRNet V2	Biomimetics 2025（PMC12024856）	加 DWAM 注意力 + EFF 模块，在 ROSSA 上继续刷分
LRNet	PMC12572534	Link Residual Neural Network，用 ROSSA 人工子集评测
CP-BDRVS / DCP	arXiv:2412.18089	把 ROSSA 纳入五域广域分割
大量其他	检索可见	作为标准 baseline 数据集

7.3 任务生态位

把 ROSSA 放回 OCTA 分析的任务地图：OCTA 影像分析大致分为①血管分割 ②FAZ（中心凹无血管区）分割 ③图像质量评估 ④疾病分级。ROSSA 只做①，但做得规模大、获取最易。相比之下：

• OCTA-500（rid 341）：①+②，多子集，规模适中。
• OCTA-25K（rid 859）：③+②，图像数量最大，侧重 IQA。
• WOIVES（rid 865）：①，超广视野 + 软概率标注，规模小（206 眼）但视野独特。

ROSSA 生态位的准确描述是：单模态、单任务、规模领先、获取门槛最低的 OCTA 血管分割训练/基准集。

7.4 引用 ROSSA 的学术影响

从引用方式看，ROSSA 承担了两种角色：

1. 基准锚点（benchmark anchor）：新方法要证明"我的分割更准"，最省事的方式就是在 ROSSA（和/或 OCTA-500）上报一组 Dice 对比。这类引用是 ROSSA 被引的主力。
2. 半自动标注方法论案例：SAM 半自动标注 + 人工锚点的分层设计，被讨论"如何低成本构建医学分割数据集"的工作作为案例提及。

两种角色对应两类使用者：前者关心分数可比性（因此划分口径与标注子集的选择格外重要），后者关心流水线可复制性（因此 300 vs 618 的分层设计是关键看点）。

7.5 数据的"半衰期"问题

医学影像数据集有一个现实问题——长期无人维护。ROSSA 也不例外：仓库 readme 停在 2024-01-09，无版本更新、无镜像备份、无社区维护。这意味着：

• 若 GitHub 仓库未来下线或作者账号变动，数据将失去官方获取渠道（无 HF/Kaggle 镜像兜底）。
• 引用时记录抓取日期尤其重要（无版本号可供区分）。

对使用者的建议：downloading 后本地留档，并在论文中同时记录仓库 URL 与抓取日期；有条件的话，在机构内做数据备份。

§8 方法学启示：三条可迁移的经验

8.1 半自动标注是当下数据集的现实解

ROSSA 最有普适价值的贡献不是数据本身，而是它示范了一条规模化路径：用 SAM 之类的通用分割大模型生成候选，再人工修正。在标注成本恒为瓶颈的医学影像领域，这条流水线把"千张级像素标注"从不可行变为可行。可迁移要点：

1. 通用大模型（SAM）适配特定模态（此处为 OCTA 血管）需要人工兜底，不能全自动。
2. 保留一份纯人工标注子集作为"质量锚点"，是保证数据集可信度的关键设计。

8.2 数据与方法的绑定发布

ROSSA 与 FRNet 同篇发布，是"方法驱动数据"的典型。这种模式有利有弊：

• 利：数据规格与网络设计相互适配（如全分辨率对细血管），并借方法论文获得曝光。
• 弊：数据缺乏独立的、同行评审的数据描述文档，规格细节依赖仓库 readme；数据的长期维护与版本管理容易被忽视。

对使用者的提醒：引用这类"论文副产品"数据集时，务必双引——数据引论文，规格细节以仓库为准，并记录抓取日期。

8.4 从 ROSSA 看 OCTA 数据集的整体趋势

ROSSA 的诞生并非孤立事件，它踩中了 OCTA 数据集的几个趋势节点：

趋势	ROSSA 的体现	对领域的意义
半自动标注兴起	SAM 生成 + 人工修正	标注成本下降，数据规模上升
轻量模型导向	与 FRNet 绑定发布	数据与高效方法协同推动落地
许可宽松化	MIT 直链	降低研究到应用的摩擦
单任务深耕	只做血管分割	任务纯粹，评测口径清晰

反过来，它的短板也预示了下一代的改进方向：更完整的患者元数据、更多任务标注（分型/FAZ/疾病）、多中心数据、以及更精细的标签质量量化——这些正是假设生成类数据集（如 WOIVES 的软概率标注）试图填补的空白。

8.3 许可越宽松，合规越省心

MIT 直链是 ROSSA 相对同类数据集（许多 OCTA 数据集需申请、或限学术用途）的巨大优势。在合规层面，"可商用 + 可再分发 + 无申请"极大降低了研究到落地的摩擦。但宽松许可的代价是条款对数据与软件的适用性缺乏精确界定——这提醒我们：许可够用就好，但边界要自己查清（§6.3）。

§9 与库内条目的关系

ROSSA 与本库已有的三个 OCTA 条目构成一个完整的"OCTA 数据集家族"：

9.1 库内互链图谱

库内条目	rid	模态/任务	与 ROSSA 的关系
OCTA-500	341	OCTA 视网膜血管分割 + FAZ，500 张	最直接竞品：FRNet 官方脚本同时 benchmark 二者；常被并列对比
OCTA-25K	859	OCTA 图像质量评估（IQA）+ FAZ 分割	互补：规模大但任务不同（IQA vs 血管分割）
WOIVES	865	超广视野 OCTA 视网膜血管分割，206 眼，软概率标注	同任务竞品：血管分割，但视野更广、标注为软概率、规模更小
ROSSA（本条）	—	OCTA 视网膜血管分割，918 张，MIT	规模领先、获取最易

建议的互链关系：

• ROSSA ↔ octa-500（341）：双向强互链——同任务、同被 FRNet 评测、最常并列。任何做 OCTA 血管分割的检索者都应同时看到两者。
• ROSSA ↔ woives-octa（865）：同任务（血管分割）互链——"标准视野 vs 超广视野"是对比维度。
• ROSSA ↔ octa-25k（859）：同模态（OCTA）弱互链——任务不同（血管分割 vs IQA），作模态聚类链接。

检索面价值：用户在搜"OCTA 血管分割数据集"时，ROSSA 应作为"规模大、MIT 直链"的入口，并链向视野更广（WOIVES）与多任务（OCTA-500）的两个替代选项。

9.2 按需求路由到库内条目

你的需求	首选条目	理由
要最大规模的 OCTA 血管分割训练集	ROSSA（本条）	918 张，MIT 直链，规模领先
要含 FAZ 标注/多子集	OCTA-500（341）	FAZ + 3M/6M 多视野
要超广视野血管分割	WOIVES（865）	超广视野、软概率标注
要做 OCTA 图像质量评估	OCTA-25K（859）	大规模 IQA 基准
要轻量模型 + 数据一手包	ROSSA + FRNet	数据与网络同仓库，开箱即用

9.3 交叉引用的规范写法

在综述或多数据集论文中引用 ROSSA 时，建议规范写法：

“We evaluate on ROSSA (918 OCTA images; 300 manually annotated + 618 SAM-semi-automated; official split 718/100/100), using the manually annotated test subset of 100 images as the primary benchmark.”

要点：① 写清总数与标注构成；② 写清划分口径；③ 写清评测子集（人工 vs 含 SAM）。三样都写，才算完整交代了你在 ROSSA 上的实验设置。

§10 避坑清单：七个已踩过的坑

坑 1：ROSSA / OCTA-500 / OCTA-25K 三个名字别混。三者名字都含 OCTA，但 ROSSA 是 918 张（本条目）、OCTA-500 是 500 张（rid 341）、OCTA-25K 是 2.5 万张级 IQA 集（rid 859）。检索时务必核对张数与任务，不要把"A OCTA 数据集"当同一个东西。

坑 2：SAM 子集与人工子集质量不同。618 张是 SAM 半自动标注，可靠性低于 300 张人工标注。严肃评测要只用人工子集（LRNet 就是这么做的）。若把两部分的标签一视同仁，评测分数可能被 SAM 标签的偏差污染。

坑 3：两套划分口径不能混用。官方是 718/100/100（train_manual 100 + train_sam 618 作训练）；CP-BDRVS 论文按 7:1:2 重切为 642/92/184。引用数字时必须注明用哪套，否则跨论文分数不可比。

坑 4："最大 OCTA 数据集"有条件。这是发布时点 + 任务限定（单模态、纯血管分割）下的说法。OCTA-25K 在张数上远超 ROSSA（但任务是 IQA）。引用"最大"时请加上口径限定。

坑 5：机构归属未获官方互证。arXiv 原文页未列机构；第三方简介称"重庆大学计算机学院 + 厦门大学翔安医院眼科"。致谢中的重庆科技创新项目支持重庆大学侧署名，但两校合作的说法仅有第三方单一来源。转引时宜写"据第三方收录，由重庆大学与厦门大学团队合作"。

坑 6：MIT ≠ 数据无限制。MIT 文本主语是 “Software”，数据集与代码同 LICENSE，但数据可否商用、可否再分发数据集本身无单独条款。商业用途建议与作者书面确认。

坑 7：正式会议出处未实核。仓库 readme 自述论文发表于 ICASSP 2024，但 arXiv 页未标会议，正式论文集（IEEE Xplore）页面未实核。引用出处时以"arXiv:2309.09483（仓库自述 ICASSP 2024）"表述。

§11 总结

11.1 三句话总结

1. ROSSA 是一个 918 张、320×320 的 OCTA 视网膜血管分割数据集，由 300 张人工标注 + 618 张 SAM 半自动标注构成，是发布时点规模领先的公开 OCTA 血管分割集之一。
2. 它随 FRNet 方法论文（arXiv:2309.09483）一体发布，以 MIT 许可 + GitHub 直链获取，是本领域获取门槛最低的数据集之一。
3. 使用它的关键认知是"标注分层"：618 张 SAM 子集宜作训练增广，300 张人工子集（尤其官方 test 100 张）才是可信评测基准。

11.2 适合谁

• OCTA 血管分割模型开发者：需要一个规模大、获取零门槛的训练/基准集。
• 轻量化/边缘部署团队：FRNet 证明了 <1MB 网络可达 SOTA 精度，数据与方法可直接复用。
• 数据集工程研究者：SAM 半自动标注 + 人工锚点的分层设计是活的案例。
• 做跨域/广域视网膜血管分割的团队：ROSSA 是常见的一域（如 CP-BDRVS 的五域之一）。

11.3 不适合谁

• 需要动静脉分型、FAZ、或疾病标签的项目：ROSSA 只有二值血管标注。
• 需要严格患者级去重与元数据的研究：患者级信息全缺。
• 要求全部标签为纯人工的项目：618 张是 SAM 半自动，质量有分层。

11.4 30 秒决策卡

你的情况	行动
要立刻下数据跑通	git clone nhjydywd/OCTA-FRNet，数据在 dataset/ROSSA/，MIT 直链
要做 OCTA 血管分割评测	用官方 test 100 张人工子集，同时报 Dice 与 Acc
要对比 OCTA-500	两个都用（FRNet 官方脚本已同时支持），注意尺寸差异需 resize
要商用	先读 §6.3，建议与作者确认数据授权
要引用本数据集	引 arXiv:2309.09483；划分口径按官方 718/100/100

11.5 五个最常见的使用误区

1. 只报 Acc 不报 Dice：Acc 会被背景占比抬高，必须同报 Dice（§5.2.1）。
2. 训练评测都混用 SAM 与人工子集：评测应限人工子集，否则分数含机器标签偏差（坑 2）。
3. 不声明划分口径：官方 718/100/100 与重切 642/92/184 分数不可比（坑 3）。
4. 把 ROSSA 当"能做疾病诊断的数据集"：它只有血管二值标签，无诊断信息（§0.3）。
5. 假设患者级去重：官方未声明，跨集泄漏需自查（§2.6）。

11.6 一句话给不同读者

读者	一句话
学生/初学者	这是上手 OCTA 血管分割最省事的数据集——MIT 直链，clone 即用
研究者	评测时务必只用 300 张人工子集、声明划分口径、同报 Dice 与 Acc
工程师	FRNet 证明了 <1MB 网络可部署，数据与方法都在一个仓库
数据集构建者	学它的"SAM 半自动 + 人工锚点分层"设计，但补上它缺的患者元数据
合规/法务	许可 MIT，但数据适用性存疑，商用建议书面确认

FAQ（高频问答 40 问）

A. 基础认知

Q1：ROSSA 是挑战赛吗？
不是。它没有比赛、没有 leaderboard，是随 FRNet 方法论文发布的一个静态数据集，成果为论文 + 数据 + 代码三件套。

Q2：ROSSA 这个名字是缩写吗？
是的，可理解为 Retinal OCTA Vessel Segmentation dataset（视网膜 OCTA 血管分割数据集）。检索时用精确词 “ROSSA OCTA” 可避开同名干扰。

Q3：谁做的？
论文作者 Haojian Ning、Chengliang Wang、Xinrun Chen、Shiying Li 四人。第三方收录称由重庆大学计算机学院与厦门大学翔安医院眼科合作（未获官方互证，见坑 5）。

Q4：发表在哪里？
arXiv:2309.09483（2023-09-18）。仓库 readme 自述论文发表于 ICASSP 2024（正式论文集页面未实核，见坑 7）。

Q5：918 张怎么划分的？
train_manual 100（NO.1-100）+ train_sam 618（NO.301-918）+ val 100（NO.101-200）+ test 100（NO.201-300）。官方用途：train 718 / val 100 / test 100。

Q6：图像多大？
320×320 像素，配同尺寸血管二值掩码。

B. 标注与质量

Q7：SAM 是什么？
Segment Anything Model，Meta 发布的通用图像分割大模型。ROSSA 用它生成血管掩码候选，再人工修正。

Q8：为什么有 618 张是 SAM 标注？
为了规模。全人工标注 918 张成本过高，作者用 SAM 半自动把规模做到近千张级，同时保留 300 张纯人工作质量锚点。

Q9：SAM 子集能用吗？
能，但注意质量低于人工子集。建议训练可全用，评测只用人工子集（LRNet 就是只用人工子集）。

Q10：测试集是人工标注吗？
是的。官方 val（100）与 test（100）全部为人工标注，这是为了评测可信度的负责任设计。

Q11：有动静脉分型/FAZ/疾病标签吗？
没有。只有血管/背景二值分割。需要这些标签请用 OCTA-500（含 FAZ）或 WOIVES。

C. 获取与许可

Q12：怎么下载？
git clone https://github.com/nhjydywd/OCTA-FRNet，数据在 dataset/ROSSA/。

Q13：要申请吗？
不需要。公开直链，无 gated，无表单。

Q14：什么许可？
MIT License（Copyright © 2023 Haojian Ning），代码数据同 LICENSE。

Q15：能商用吗？
MIT 文本允许，但许可主语是 Software，数据适用性无单独条款。商业用途建议向作者确认（§6.3）。

Q16：有 HuggingFace 镜像吗？
未发现官方 HF/Kaggle/Zenodo 镜像，GitHub 是唯一官方来源。

D. 使用与评测

Q17：官方划分是？
train 718（100 manual + 618 sam）/ val 100 / test 100。

Q18：为什么有论文用 642/92/184？
那是 CP-BDRVS 论文（arXiv:2412.18089）按 7:1:2 自行重切的，不是官方划分（坑 3）。

Q19：核心指标是什么？
Dice 与 Acc 最常用；类不平衡场景下 Dice/IoU/BACC 比 Acc 更可靠。

Q20：FRNet 在 ROSSA 上多少分？
Dice 92.37% / Acc 98.38%，参数 0.13M，推理 21.6ms。

Q21：它和 OCTA-500 哪个好？
谈不上谁好：ROSSA 张数多（918 vs 500）、尺寸单一（320）且 MIT 直链；OCTA-500 尺寸更大、含 FAZ 与多子集。常并行使用。

E. 进阶

Q22：它是"最大 OCTA 数据集"吗？
在"发布时点 + 单模态 + 纯血管分割"口径下常这么说；但 OCTA-25K 张数远超它（任务是 IQA）。引用"最大"要加口径限定（坑 4）。

Q23：能复现 FRNet 结果吗？
能。仓库提供 run_benchmark.py，clone 后 pip install -r requirements.txt 即可跑 2 模型 × 3 数据集。

Q24：适合做基础模型预训练吗？
适合做血管分割任务的预训练数据（918 张、单任务）；若要做多任务/多模态预训练，需与其他 OCTA/眼底数据集组合。

F. 对比与选型

Q25：ROSSA 和 OCTA-500 该选哪个？
看你的取舍：要张数多、许可最宽松（MIT 直链）→ ROSSA；要更大视野（6M）、更大尺寸（400×400）、或需要 FAZ 标注 → OCTA-500。两者常一起用。

Q26：它和 WOIVES 有什么区别？
WOIVES（rid 865）是超广视野 OCTA 血管分割，206 眼、软概率标注；ROSSA 是标准视野、918 张、二值标注。规模对比：ROSSA 更大；视野/标注形式对比：WOIVES 更前沿（软概率）。

Q27：它和 OCTA-25K 呢？
任务不同。OCTA-25K（rid 859）侧重大规模图像质量评估（IQA）与 FAZ 分割，张数远超 ROSSA，但基准任务不是纯血管分割。二者在同模态下互补。

Q28：它是不是"最大"的 OCTA 血管分割数据集？
在"发布时点 + 单模态 + 纯血管分割"口径下常被这么称。但 OCTA-25K 张数更大（任务不同）。引用"最大"务必加口径限定（坑 4）。

Q29：能用于糖尿病视网膜病变诊断吗？
不能直接用于诊断分类——它没有疾病标签。但它是"血管分割"上游任务的训练数据，分割结果可作为下游诊断模型的特征来源。

G. 工程与复现

Q30：怎么跑官方 baseline？
clone 仓库 → pip install -r requirements.txt → python run_benchmark.py，会训练并评测 2 模型 × 3 数据集共 6 组，结果存 result/*.json。

Q31：数据加载要注意什么？
目录结构是 dataset/ROSSA/<split>/image 与 .../label；网络输入前需 resize 到统一尺寸并归一化（FRNet V2/LRNet 都做了归一化）。

Q32：训练要好多久？
数据集轻量（918 张 320×320），单卡即可快速跑通；具体时长依模型与增强配置而异，官方脚本为 benchmark 定位，非极致性能调优。

Q33：能做数据增强吗？
强烈建议。血管分割对旋转/翻转天然友好；FRNet V2 用了随机旋转、高斯噪声、随机锐化、翻转。

Q34：损失函数怎么选？
FRNet 用 Dice loss；LRNet 发现 DiceLoss + FocalLoss 组合最佳。类不平衡强烈，避免只用交叉熵。

Q35：怎么防止 SAM 子集污染评测？
评测只用 300 张人工子集（官方 val/test 各 100），训练可用 918 张全量。

Q36：可以和 OCTA-500 混训吗？
可以。FRNet 官方脚本就是多数据集框架；但尺寸不同（320 vs 400/304），需 resize 并注意血管像素占比变化。

Q37：怎么报告可复现结果？
声明：① 划分口径（718/100/100 或 642/92/184）；② 是否用 SAM 子集训练；③ 指标（Dice+Acc 同报）；④ 增强与归一化配置。

Q38：数据有版本号吗？
没有。无版本链，引用时记录抓取日期（坑 7 相关）。

Q39：官方有预训练权重吗？
仓库提供训练与评测代码，未见单独发布的预训练权重文件；其结果以论文报告为准。

Q40：遇到 SAM 标签错误怎么办？
SAM 子集在细小血管末端可能有截断/粘连。若你的任务对微血管敏感，建议只用人工子集，或用人工子集微调后再用 SAM 子集。

事实清单（硬事实 36 条）

1. ROSSA 是 OCTA 视网膜血管分割数据集。
2. 图像总数 918 张（GitHub readme + arXiv 摘要 + 多篇下游论文一致）。
3. 图像尺寸 320×320。
4. train_manual 100 张（NO.1-100，人工）。
5. train_sam 618 张（NO.301-918，SAM 半自动）。
6. val 100 张（NO.101-200，人工）。
7. test 100 张（NO.201-300，人工）。
8. 人工标注共 300 张，SAM 标注 618 张。
9. 官方划分 train 718 / val 100 / test 100。
10. 标注工具为 SAM（Segment Anything Model，Meta）。
11. 论文 arXiv:2309.09483，v1 提交 2023-09-18。
12. 作者 Haojian Ning、Chengliang Wang、Xinrun Chen、Shiying Li。
13. 仓库 github.com/nhjydywd/OCTA-FRNet。
14. 仓库 Initial commit 2023-09-06，first upload 2023-09-21，readme 更新 2024-01-09。
15. 许可 MIT License，Copyright © 2023 Haojian Ning。
16. 数据位于仓库 dataset/ROSSA/。
17. 任务为血管/背景二值分割。
18. 配套方法为 FRNet（full-resolution + Recurrent ConvNeXt Block）。
19. FRNet 约 100k 参数、<1MB。
20. FRNet 比 U-Net 轻约 110×、快约 1.3×。
21. FRNet 在 ROSSA 上 Dice 92.37% / Acc 98.38%。
22. 仓库 readme 自述论文发表于 ICASSP 2024。
23. CP-BDRVS 论文（arXiv:2412.18089）将 ROSSA 重切为 642/92/184。
24. LRNet 论文（PMC12572534）仅使用 ROSSA 的人工标注子集。
25. 标注类别为血管/背景二值（无动静脉分型、无 FAZ、无疾病标签）。
26. 数据格式为 PNG 图像 + PNG 掩码。
27. 仓库目录结构为每 split 下 image/ 与 label/ 两子目录。
28. 数据集无独立数据描述论文，规格依据仓库 readme。
29. 数据集无版本链（单版本，2023-09-21 起内容稳定）。
30. 无 HuggingFace/Kaggle/Zenodo/PhysioNet 官方镜像。
31. 患者级元数据（数量/眼别/年龄/疾病谱/设备/中心）均未披露。
32. 官方划分未声明患者级去重。
33. 论文未列作者机构（arXiv preprint 无 affiliation 段）。
34. 第三方收录称机构为重庆大学计算机学院 + 厦门大学翔安医院眼科（未获官方互证）。
35. 致谢列出重庆科技创新与应用发展重点项目（支持重庆大学侧署名）。
36. FRNet 在 ROSSA 上推理时间 21.6ms/张（论文报告口径）。

术语表（30 条）

术语	全称/英文	说明
OCTA	Optical Coherence Tomography Angiography	光学相干断层扫描血管成像，无创探测视网膜血流
ROSSA	Retinal OCTA Vessel Segmentation dataset	本数据集
FRNet	Full-Resolution Network	配套的全分辨率血管分割网络
SAM	Segment Anything Model	Meta 的通用分割大模型，用于半自动标注
半自动标注	semi-automatic annotation	SAM 生成候选 + 人工修正
血管分割	vessel segmentation	逐像素区分血管与背景
二值分割	binary segmentation	仅两类（血管/背景）
Dice	Dice coefficient	重叠度指标，核心评测指标
Acc	Accuracy	像素级准确率
IoU	Intersection over Union	交并比
BACC	Balanced Accuracy	平衡准确率
G-mean	Geometric Mean	敏感度与特异度几何平均
AP	Average Precision	平均精度
FAZ	Foveal Avascular Zone	中心凹无血管区（ROSSA 不含此标注）
IPN-V2	—	OCTA-500 的方法论来源
全分辨率网络	full-resolution network	保持高分辨率特征的分割网络
Recurrent ConvNeXt Block	—	FRNet 的核心模块
类不平衡	class imbalance	血管像素远少于背景像素
患者级去重	patient-level split	保证同患者不跨 train/test（ROSSA 未声明）
gated 数据集	gated dataset	需申请/同意条款才能访问（ROSSA 非 gated）
7:1:2 划分	—	CP-BDRVS 论文的重切比例
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability	数据可获取性评估框架
MIT License	—	宽松许可，允许商用与再分发
质量锚点	quality anchor	用于评测的纯人工标注子集
类别不平衡	class imbalance	血管像素占比低导致的监督偏斜
域偏移	domain shift	跨设备/跨中心导致的数据分布差异
软概率标注	soft-probability annotation	掩码取连续概率值而非二值（如 WOIVES）
全分辨率	full-resolution	网络全程保持输入分辨率、不下采样
Recurrent ConvNeXt	—	FRNet 借鉴的循环卷积骨干结构
图像质量评估	IQA	Image Quality Assessment，评估图像可用性

附录

附录 A：来源清单

源	URL	用途
arXiv 摘要页	https://arxiv.org/abs/2309.09483	论文标题、作者、摘要、提交日期
GitHub 仓库	https://github.com/nhjydywd/OCTA-FRNet	数据规格、划分、获取、readme
LICENSE 原文件	https://raw.githubusercontent.com/nhjydywd/OCTA-FRNet/main/LICENSE	许可确认（MIT）
FRNet V2 论文	https://pmc.ncbi.nlm.nih.gov/articles/PMC12024856/	ROSSA 尺寸/划分与 OCTA-500 对照
LRNet 论文	https://pmc.ncbi.nlm.nih.gov/articles/PMC12572534/	人工子集使用实证、指标
CP-BDRVS 论文	https://ar5iv.arxiv.org/html/2412.18089	7:1:2 重切划分
selectdataset 收录	https://www.selectdataset.com/dataset/bf8a49eb218ec11106c5edc6026bdd76	机构/简介（第三方，待核）

来源可信度分级：arXiv abs 页与 GitHub 官方仓库/LICENSE 为一手权威源；PMC 期刊论文为同行评审二手源；selectdataset 为第三方聚合源（仅用于交叉参考机构信息，不作为结论依据）。

附录 L：易混术语辨析

易混对	区别
ROSSA vs OCTA-500	918 张 vs 500 张；320×320 单一尺寸 vs 400/304 双尺寸
OCTA vs OCT	OCTA 成像血管（血流）；OCT 成像组织结构（横截面）
血管分割 vs 血管分型	前者区分血管/背景（ROSSA 做）；后者区分动脉/静脉（ROSSA 不做）
半自动标注 vs 众包标注	前者 SAM+专家修正；后者多人投票聚合
Dice vs Acc	Dice 关注血管重叠；Acc 关注全体像素，受背景占比影响大
硬标签 vs 软概率标签	前者二值（ROSSA）；后者连续概率（WOIVES）
Train (manual/sam) vs Val/Test	训练含 SAM+人工；验证/测试纯人工
官方划分 vs 重切划分	718/100/100（官方）vs 642/92/184（CP-BDRVS）
训练集 vs 评测集	训练集含 SAM 标签；评测集应为纯人工
血管分割 vs FAZ 分割	前者分割血管；后者分割无血管区（不同任务）
OCTA vs 眼底彩照（CFP）	OCTA 靠血流信号；CFP 为光学照片（模态不同）
患者级划分 vs 图像级划分	前者防同患者跨集；后者可能泄漏（ROSSA 未声明）
硬阈值 Dice vs 概率 AP	前者二值化后算；后者对阈值不敏感
分支/拓扑指标 vs 像素指标	前者关注连通结构；后者关注逐像素正确性

附录 B：DAIMS 评估全表

维度	评分	依据
D1 可发现性	✅	arXiv + GitHub 公开，检索即达
D2 永久标识	⚠️	arXiv ID 稳定；数据无 DOI
A1 可获取性	✅	GitHub 公开直链，无申请
A2 元数据可访问	✅	readme 描述清晰；但无独立数据论文
I1 互操作格式	✅	PNG 图像 + PNG 掩码，通用
I2 标准术语引用	✅	OCTA/血管分割标准术语
I3 目录结构规范	✅	image/label 结构统一
M1 元数据完整	⚠️	缺患者级元数据（数量/眼别/疾病谱）
M2 出处溯源	✅	论文 + 仓库明示
S1 版本管理	⚠️	无版本链，改动无版本号
S2 长期可持续	⚠️	依赖单一 GitHub 仓库与个人账号
S3 许可清晰度	✅	MIT，明确同 LICENSE
AI-Ready 综合	高	直链 + MIT + 规格清晰，唯元数据与版本管理偏弱

附录 C：基于本数据集的研究检查清单（10 项）

1. 划分口径：声明用官方 718/100/100 还是重切 642/92/184（坑 3）。
2. 标注分层：注明训练是否用 SAM 子集；评测是否限制在人工子集。
3. 指标选择：至少同时报 Dice 与 Acc，避免 Acc 掩盖类不平衡。
4. 尺寸处理：与 OCTA-500 混训需 resize，注意血管像素占比变化。
5. 许可核对：商用/再分发数据集前确认 MIT 对数据的适用性（§6.3）。
6. 引用完整：数据引 arXiv:2309.09483，方法引对应下游论文。
7. 元数据缺口：不假设患者级去重；跨中心研究需自行评估域偏移。
8. 类别映射：确认你的任务是二值（血管/背景），勿期待多类输出。
9. 时点存照：记录抓取日期（数据无版本号）。
10. 复现声明：报告数据增强与归一化配置，与对比方法对齐。

附录 D：检索路径示范

目标	推荐查询式	预期命中
本体论文	“ROSSA” AND “OCTA” AND “vessel segmentation”	arXiv:2309.09483
数据仓库	github nhjydywd OCTA-FRNet	官方仓库
划分对照	“ROSSA” AND (“642” OR “7:1:2”)	CP-BDRVS 论文
人工子集使用	“ROSSA” AND “manually annotated” AND OCTA	LRNet 论文
竞品	OCTA-500 / OCTA-25K / WOIVES + vessel segmentation	库内 rid 341/859/865
反例辨析	“ROSSA” 单独检索	注意与地名（Rossa，意大利）等无关命中区分

检索卫生两条：一、ROSSA 作大写检索易与意大利地名/人名混合，加 “OCTA” 或 “retinal” 限定；二、“largest OCTA dataset” 类表述务必核对口径与时点（坑 4）。

附录 E：缩写速查

缩写	全称
OCTA	Optical Coherence Tomography Angiography
ROSSA	Retinal OCTA Vessel Segmentation dataset
FRNet	Full-Resolution Network
SAM	Segment Anything Model
FAZ	Foveal Avascular Zone
IQA	Image Quality Assessment
Dice	Dice coefficient
IoU	Intersection over Union
BACC	Balanced Accuracy
AP	Average Precision
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability
MIT	Massachusetts Institute of Technology（此处指其制定的宽松许可文本）

附录 F：数据字典（仓库目录）

路径	类型	规模	语义
dataset/ROSSA/train_manual/image/*.png	图像	100（NO.1-100）	人工标注训练集图像，320×320
dataset/ROSSA/train_manual/label/*.png	掩码	100	对应血管二值掩码
dataset/ROSSA/train_sam/image/*.png	图像	618（NO.301-918）	SAM 半自动训练集图像
dataset/ROSSA/train_sam/label/*.png	掩码	618	对应血管二值掩码（SAM 生成+人工修正）
dataset/ROSSA/val/image/*.png	图像	100（NO.101-200）	人工标注验证集图像
dataset/ROSSA/val/label/*.png	掩码	100	对应血管二值掩码
dataset/ROSSA/test/image/*.png	图像	100（NO.201-300）	人工标注测试集图像
dataset/ROSSA/test/label/*.png	掩码	100	对应血管二值掩码

掩码取值：二值（血管=前景，背景=0）。加载示例：官方 dataset.py 的 prepareDatasets 统一读取 image/label 目录对。

抽样自检建议：任一 split 的 image 与 label 文件数应相等；图像尺寸应为 320×320；label 应仅含两档灰度值；train 张数应为 718（100+618）、val/test 各 100。

附录 G：库内 OCTA 数据集横向对照

维度	ROSSA	OCTA-500	OCTA-25K	WOIVES
rid	—（本条）	341	859	865
规模	918 张	500 张	2.5 万张级	206 眼
尺寸	320×320	400×400 / 304×304	见条目	见条目
主任务	血管分割	血管分割 + FAZ	图像质量评估 + FAZ	血管分割
标注形式	二值	多类	IQA + 分割	软概率
视野	标准视野	3M/6M 双视野	标准	超广视野
标注来源	300 人工 + 618 SAM	人工（IPN-V2）	见条目	见条目
许可	MIT	见条目	见条目	见条目
获取	GitHub 直链	见条目	见条目	见条目

选型速记：规模最大取 OCTA-25K（但任务偏 IQA）；血管分割规模领先且获取最易取 ROSSA；要视野多样性/多任务取 OCTA-500；要超广视野 + 软概率标注取 WOIVES。四者不是简单替代关系，而是覆盖 OCTA 分析不同任务面的组合。

附录 H：研究复现骨架（伪代码）

# 1. 数据准备
# git clone https://github.com/nhjydywd/OCTA-FRNet
# 数据位于 dataset/ROSSA/{train_manual,train_sam,val,test}/{image,label}

# 2. 划分选择
# 官方：train = train_manual + train_sam (718), val = val (100), test = test (100)
# 严格评测：只用人工子集（train_manual 100 / val 100 / test 100）

# 3. 预处理
# resize 到网络输入尺寸；归一化（FRNet V2/LRNet 均做归一化）

# 4. 增强（参考 FRNet V2）
# 随机旋转 / 高斯噪声 / 随机锐化 / 翻转

# 5. 损失
# Dice loss（FRNet）或 DiceLoss + FocalLoss（LRNet 最佳组合）

# 6. 评测
# 至少报告 Dice 与 Acc；类不平衡下补 IoU/BACC/G-mean
# 明确声明划分口径与是否使用 SAM 子集训练

附录 I：时间线（ROSSA 关键节点）

时间	事件	来源
2023-09-06	GitHub 仓库 Initial commit	仓库 commit 历史
2023-09-18	论文 v1 提交 arXiv（2309.09483）	arXiv abs 页
2023-09-21	仓库 first upload（代码 + dataset 目录）	仓库 commit 历史
2024-01-09	readme 末次更新（仅文字）	仓库 commit 历史
2024（自述）	论文发表于 ICASSP 2024	仓库 readme（未获正式出处互证）
2024-12	CP-BDRVS 论文（arXiv:2412.18089）	arXiv
2025	FRNet V2 发表（Biomimetics，PMC12024856）	期刊
2025	LRNet 发表（PMC12572534）	期刊
2026-10-08	本条目录入核验（抓取时点）	本条目

附录 J：常见检索陷阱与反例

检索词	陷阱	建议
ROSSA	与意大利地名 Rossa、人名混	加 “OCTA” 或 “retinal” 限定
“largest OCTA dataset”	无口径限定，随数据集迭代失真	核对任务与发布时点
“ROSSA OCTA-500”	二者常并列出现，易被误当同一集	核对张数（918 vs 500）
SAM + OCTA	SAM 被大量医学数据集采用，命中泛	加 “vessel segmentation”
ICASSP 2024 + ROSSA	会议出处未实核	以 arXiv ID 为主标识

附录 K：本条目核验强度说明

事实类别	核验强度	说明
918 张 / 划分 / 尺寸	强	GitHub readme + arXiv 摘要 + 3 篇下游论文一致
MIT 许可	强	LICENSE 原文件实抓
作者名单	强	arXiv abs 页
提交日期	强	arXiv abs 页
机构归属	弱	仅第三方单一来源，未获官方互证
正式会议出处	弱	仅仓库自述，未实核论文集
数据适用 MIT 的范围	弱	许可文本面向 Software，无数据条款
患者级信息	缺	官方未披露

核验强度分级供读者判断哪些结论可直接引用、哪些需附保留说明。

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-08，抓取与核验时点见附录 A。事实陈述以 arXiv:2309.09483 摘要页、GitHub 官方仓库 readme 与 LICENSE 原文件为一手源；数据规模与划分经 GitHub readme 逐条、arXiv 摘要、FRNet V2/LRNet/CP-BDRVS 三篇下游论文交叉核验一致。第三方机构归属、正式会议出处、许可对数据的适用范围等未获官方互证项已在 §9 与坑点存照。条目与库内 OCTA-500（rid 341）、OCTA-25K（rid 859）、WOIVES（rid 865）等条目互链，构成眼科 OCTA 影像分析的完整检索面。

---

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：

• woives-octa — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
• drive — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
• echonet-pediatric — 共享标签：医学影像 / 医学图像分割 / 评测基准 / 心血管疾病
• drions-db — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
• focus-fetal — 共享标签：医学影像 / 医学图像分割 / 评测基准 / 心血管疾病
• lazpita-left-ventricle-cfd — 共享标签：医学影像 / 评测基准 / 心血管疾病
• acdc — 共享标签：医学影像 / 医学图像分割 / 评测基准 / 心血管疾病
• iostar — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
• hmc-qu — 共享标签：医学影像 / 医学图像分割 / 评测基准 / 心血管疾病
• corn-nerve — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 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。