STARE — 结构化视网膜分析：视网膜血管分割经典基准

INFOBOX — STARE 一屏速览

维度	内容
本质	视网膜彩色眼底图 + 手工血管分割标注的经典老牌公开数据集（非挑战赛、非新采集）
发起	1975 年 Michael Goldbaum, M.D.（UCSD）发起，NIH 资助；图像来自 Shiley Eye Center + SD VA Medical Center
主论文	Hoover, Kouznetsova & Goldbaum, IEEE TMI 2000;19(3):203-210，doi:10.1109/42.845178
视神经论文	Hoover & Goldbaum, IEEE TMI 2003;22(8):951-958（fuzzy convergence 算法）
核心规模	20 幅眼底图（10 有病变 + 10 无病变），700×605，24 bit/px，PPM
标注	两组独立人工血管掩码：Adam Hoover（.ah）+ Valentina Kouznetsova（.vk）
设备	Topcon TRV-50 眼底相机，35° 视场（模拟胶片数字化）
全库	官方页述底层 约 400 幅原始图像；扩展 40 幅血管标注 / 80 幅视神经 / 10 幅动静脉
任务	血管分割（主）+ 视神经/视盘检测（次）+ 动静脉分类（10 图）
获取	官方页匿名直链直接下载（无需申请）
许可	Research only（研究与教育用途），版权 UCSD；无标准 SPDX 许可
边界	与库内 OCT 家族（oct2017/octa-500/octdl/octid）模态不同，非别名
定位	与 DRIVE、CHASE_DB1 并列为视网膜血管分割三大经典小样本基准

§0 导读：这个数据集解决什么问题

一句话：STARE 把"眼底照片里哪些像素是血管"变成一道可被算法迭代刷分的标准题——它比深度学习早了整整二十年。

视网膜血管的形态（管径、分叉、迂曲度、动静脉交叉）是糖尿病、高血压、动脉硬化等全身性疾病的重要观察窗口。医生在眼底照相上目视判断血管异常，主观且难以量化；要让计算机"看见"血管，第一步就是给血管划定像素级的边界。STARE 正是为这一步而生的早期标准库：由眼科医生 Michael Goldbaum 于 1975 年在 UCSD 发起，用一台 Topcon TRV-50 眼底相机拍下眼底照、数字化成 700×605 的彩色图像，再请两位专家手工勾出血管网络，最终在 2000 年随 IEEE TMI 论文对外公开。

它解决的问题可拆成三层：

1. 算法可比较——有了统一图像与金标准，不同血管分割方法才能在同一把尺子上比出高下。STARE 与后来的 DRIVE、CHASE_DB1 共同构成了视网膜血管分割"经典三件套"。
2. 人工基线可量化——两位专家各自独立标注（.ah 与 .vk），天然提供了"人与人之间一致到什么程度"的参照，这正是评估"机器是否达到人类水平"的锚点。
3. 方法可复现——论文同时公开了匹配滤波（matched filter）中间结果与算法输出样例，使"分段阈值探测"这一经典方法有迹可循。

为什么今天还值得看：STARE 诞生于模拟胶片时代，图像带病变多样性与真实伪影，是检验分割算法鲁棒性的"小而刁钻"的试金石；同时作为最老牌的公开眼底标注库之一，它的演化（20 图 → 40 图 → 80 图）本身就是一部微缩的医学数据标注史。理解 STARE，理解的是"人工标注如何成为 AI-Ready 资产"的起点。

不适合谁：想用大数据训练现代深度模型的人——20 幅图的规模注定它只适合做迁移学习评测、小样本方法验证、标注一致性研究，而非从零训练大模型的主数据集。

§1 数据集速览：十问十答

Q1：STARE 是什么的缩写？
STructured Analysis of the Retina，中文常译"结构化视网膜分析"。官方页写作 “The STARE (STructured Analysis of the Retina) Project”。

Q2：它是什么时候、谁做的？
1975 年由 Michael Goldbaum, M.D. 在加州大学圣地亚哥分校（University of California, San Diego, UCSD）发起，由美国国立卫生研究院（NIH）资助。图像与临床数据由 UCSD 的 Shiley Eye Center 与圣地亚哥退伍军人医疗中心（Veterans Administration Medical Center）提供。历史上 30 余人参与，Adam Hoover 自述 1996-2004 参与。

Q3：公开的核心数据到底是什么？
20 幅视网膜彩色眼底图，每幅配两组独立的人工二值血管分割标注：一组来自 Adam Hoover（文件名后缀 .ah），一组来自 Valentina Kouznetsova（.vk）。

Q4：图像多大、什么格式？
700×605 像素（宽×高），24 bits/pixel（每通道 8 bit），彩色，原始格式为 PPM（portable pixmap），可 gzip 压缩为 .ppm.gz，以 tar 打包分发。

Q5：和 DRIVE、CHASE_DB1 什么关系？
三者常被并列为视网膜血管分割的经典小样本基准。DRIVE（2004，40 图，565×584）与 CHASE_DB1（2012，28 图，565×584）出现更晚、分辨率更低但样本更"标准"；STARE 更老、分辨率略高，且以"双专家标注 + 病变多样性"见长。它们互不派生，是平行独立的数据集。

Q6：怎么下载？要申请吗？
不用申请。官方页 cecas.clemson.edu/~ahoover/stare/ 提供匿名直链，图像、标注、算法结果、中间结果均可直接下载（tar+PPM）。这是 STARE 最友好的一点。

Q7：许可是什么？能商用吗？
官方声明为 Research only（研究与教育用途），版权归 University of California, San Diego。没有标准 SPDX 许可证，也没有明确的商业使用授权。商用前须回官方页核对或联系权利人。

Q8：为什么分辨率一会儿写 700×605，一会儿写 605×700？
同一像素数，只是宽×高与高×宽两种写法转置。本条目统一按"700 宽 × 605 高"主写（与官方/Kaggle/openmedlab 口径一致），并保留 605×700 写法存照。

Q9：STARE 有多少张图？20 还是 400？
两个都对，指不同层次。核心公开子集 = 20 幅（即有血管标注、被论文实验用的那 20 张）；底层全库 ≈ 400 幅原始临床视网膜图像。官方页还述及扩展工作：血管分割手工标注达 40 幅、视神经检测 ground truth 达 80 幅。

Q10：它和 OCT 数据集是一回事吗？
不是。STARE 是彩色眼底照（color fundus photography），二维彩色视网膜表面照；库内 oct2017/octa-500/octdl/octid 等属 OCT（光学相干断层扫描），是纵向切面灰度图。二者模态、解剖视图、任务均不同，不可互相替代。

Q11：.ah 和 .vk 标注哪个是"标准答案"？
没有唯一的"标准答案"。学界惯例以 .ah（Adam Hoover）作金标准训练与测试，以 .vk（Valentina Kouznetsova）作人类基线——因为两位都是专家，两组标注的差异本身就是研究对象。

Q12：为什么 STARE 的图像看起来"糊"？
因为它源自 1980 年代模拟胶片拍摄后数字化：胶片颗粒、扫描噪声、不均匀照明、低分辨率（最细血管仅 1-2 像素宽）共同造成。这正是它的"难"与价值所在。

§2 数据构成与规格

2.1 规模、来源与机构构成

STARE 的资产由一条清晰的历史脉络串起：

• 1975：Goldbaum 在 UCSD 发起 STARE 项目，目标是"让系统自动诊断眼底疾病"。
• 图像来源：Shiley Eye Center（UCSD）与 San Diego VA Medical Center 提供的临床视网膜图像，共约 400 幅原始图像。
• 2000：Hoover、Kouznetsova、Goldbaum 发表血管分割论文，公开 20 幅实验图像 + 两组人工血管标注。
• 2003：Hoover 与 Goldbaum 发表视神经检测论文，公开 80 幅带 ground truth 的视神经检测图像，并提出 fuzzy convergence（模糊汇聚）算法。

其中血管分割工作的官方页列出全部 20 幅实验图像的编号：
0001, 0002, 0003, 0004, 0005, 0044, 0077, 0081, 0082, 0139, 0162, 0163, 0235, 0236, 0239, 0240, 0255, 0291, 0319, 0324。

这 20 幅中，10 幅有病变、10 幅无病变（中文综述口径），病变涵盖黄斑变性、高血压性视网膜病变、糖尿病视网膜病变等，使该子集天然带有"真实世界的难度"。

2.2 采集规格与格式

项	规格
相机	Topcon TRV-50 眼底相机
视场	35°
分辨率	700 × 605 像素（宽 × 高）
位深	24 bits/pixel（每通道 8 bit/plane）
成像链	模拟胶片拍摄 → 数字化扫描
原始格式	PPM（portable pixmap），可 gzip 压缩 .ppm.gz
打包	tar 归档，按图像/标注/结果分组

关键工程点：STARE 是胶片时代的数字遗产——图像带胶片颗粒、扫描噪声与不均匀照明。这对分割算法既是干扰也是考验，很多论文把它当作"难样本"来源。

2.3 标注结构与目录组织

官方页与社区整理后的目录结构如下：

stare-images/      # 原图 20 幅
  im0001.ppm.gz
  im0002.ppm.gz
  ...
labels-ah/         # Adam Hoover 人工血管标注 20 幅
  im0001.ah.ppm.gz
  im0002.ah.ppm.gz
  ...
labels-vk/         # Valentina Kouznetsova 人工血管标注 20 幅
  im0001.vk.ppm.gz
  im0002.vk.ppm.gz
  ...

• .ah 标注：Adam Hoover 手工勾画，通常用作训练/测试金标准。
• .vk 标注：Valentina Kouznetsova 手工勾画，通常用作**“human” 人类基线**，用于衡量算法是否达到人类专家水平。
• 两组标注互为独立观测者 → 构成天然的**观察者间一致性（inter-observer agreement）**研究素材。

标注为二值血管掩码（PPM 灰度图），像素级语义分割真值；社区使用时通常按阈值（>0 或中值）二值化。

2.4 与库内 OCT 家族的模态边界

这是本条目要特别强调的一条避坑线：库内已有多个"眼底/OCT"名称相近的条目，容易在检索时混淆。

• oct2017 (rid 311)：OCT 断层图分类（Kermany 2018），20 万+ 灰度断层图。
• octa-500 (rid 341)：OCTA 血管成像（optical coherence tomography angiography）。
• octdl (rid 690)、octid (rid 697)：OCT 图像分类库。
• retouch (rid 321)：OCT 体数据液体分割。

以上全部是 OCT 模态——纵向光学切面、灰度为主。而 STARE 是 彩色眼底照（color fundus）——从正面拍摄的视网膜表面彩色图像。二者是"断层"与"表面照"的根本区别。检索时用 “fundus/vessel segmentation” 而非 “OCT” 才能命中 STARE 这一类。

2.5 临床标注体系：44 → 39 的表现编码

除血管/视神经图像标注外，STARE 项目还积累了临床层面的结构化标注：

• 数据采集时向专家查询了 44 种表现（manifestations）；
• 编码阶段归并为 39 个值；
• 每幅图像附带**诊断码（diagnosis codes）**与逐图诊断（diagnoses），以文本文件形式提供。

这一层使 STARE 不只是"血管分割图库"，还带有早期结构化眼科文本标注的雏形——对研究"影像 + 诊断文本"联合建模的人有额外价值。

2.6 在视网膜血管分割基准谱系中的位置

数据集	年份	图像数	分辨率	特点
STARE	2000	20	700×605	双专家标注、病变多样、最老牌
DRIVE	2004	40	565×584	荷兰糖尿病筛查、划分固定（20/20）
CHASE_DB1	2012	28	565×584	儿童心脏健康研究、多中心
HRF	2013	45	3504×2336	高分辨率、三组病变对照

STARE 在这条谱系里扮演"元老"角色：它最早确立了"公开图 + 人工血管掩码"的范式，后续数据集在规模、分辨率、规范化划分上逐一改进。今天做血管分割研究，STARE 往往是最"必修"的入门基准之一。

2.7 图像级标注统计（据 Dataset Ninja 整理）

第三方可视化平台 Dataset Ninja 对 STARE 的 20 幅标注图给出了像素统计（供参考，非官方）：

• 单幅血管（vessels）掩码的像素覆盖比例约在 7%-10% 区间；
• 掩码最小像素数约 364,900，中位约 660,610，最大约 864,860；
• 图像尺寸统一为 605×700（该平台按高×宽书写，与本条目 700×605 主写为同一像素数）；
• 该平台记录图像总数 397（其中 377 幅无标注，60 个标注对象 = ah 20 + vk 20 + filter probing 20）。

这些数字帮助建立直觉：血管像素只占整幅图的十分之一左右，是典型的类别不平衡分割任务——这也是评估时不能只看 Accuracy 的根本原因（全预测为背景也能得约 90% 准确率）。

2.8 类别不平衡与评估陷阱

正因为血管仅占约 7%-10% 的像素，STARE 上的分割评估必须警惕"准确率幻觉"：

• 一个把全图判为非血管的"懒惰模型"，Accuracy 也能达到约 90%；
• 因此文献更看重 Sensitivity（召回） 与 AUC / F1 / IoU；
• 细血管（末梢血管）的召回尤其困难，是各方法拉开差距的关键区域。

这也是 STARE 虽小、却仍能区分方法优劣的原因——难样本与类别不平衡使高分不再平凡。

2.9 图像老化带来的真实挑战

STARE 图像源自 1980 年代模拟胶片拍摄后数字化，存在若干"现代数据集不会有的"干扰：

• 胶片颗粒与扫描噪声：细血管边缘模糊；
• 不均匀照明：眼底中心亮、周边暗，暗区血管对比度骤降；
• 低分辨率：700×605 下，最细血管可能只有 1-2 像素宽；
• 病变遮挡：出血、渗出、drusen 等病灶与血管颜色相近，易误判。

这些恰恰构成 STARE 的"鲁棒性价值"：能在 STARE 上稳定工作的算法，通常对真实临床杂乱图像更有抵抗力。

2.10 与 DRIVE 的图像差异：为什么 STARE 更"刁钻"

同为 20 幅级的血管分割库，STARE 与 DRIVE 的图像性格差异明显：

差异点	STARE	DRIVE
分辨率	700×605（更高）	565×584
视场	35°	45°（Canon CR5 机型）
成像	胶片扫描	数字相机
病变比例	10/20 有病变	7/40 有糖尿病视网膜病变
主要难点	胶片伪影 + 病变多样	划一性强、样本略多

简言之，DRIVE 更"干净规范"，STARE 更"脏而多样"。这也是为什么有些论文在以 DRIVE 为主的评测里加测 STARE——用一个更难的集子来证明鲁棒性。

2.11 STARE 的"全库"里还有什么

若不局限于血管子集，STARE 项目主页还盘点了其他资产，检索者值得知道它们的存在：

• 约 400 幅原始临床图像（含更早的模拟胶片资料）；
• 诊断码与逐图诊断（文本）；
• 44 项专家表现（特征）查询记录，编码后为 39 值，映射文件公开；
• 视神经检测的 80 幅 ground truth；
• 动脉/静脉标注的 10 幅（双专家）；
• 匹配滤波中间结果 MSF 与算法输出样例。

这些资产使 STARE 更像一个"小型眼底研究档案"，而非单一任务数据集。使用前建议先浏览项目主页，避免只用 20 图而错过其他层。

§3 方法背景：从匹配滤波到模糊汇聚

STARE 的价值有一半在于它是经典血管分割算法的试验田。理解它，需要理解它伴随的那套方法。

3.1 主论文的方法：分段阈值探测匹配滤波响应

主论文标题即方法名——“Locating Blood Vessels in Retinal Images by Piece-wise Threshold Probing of a Matched Filter Response”（通过匹配滤波响应的分段阈值探测定位血管）。核心思想三步：

1. 匹配滤波（matched filter）：血管在局部近似"暗色的、有方向的、有宽度的带状结构"。用一组不同方向、不同尺度的模板（多为高斯截面）与图像卷积，响应最强的位置即疑似血管。
2. 分段探测（piece-wise probing）：单一全局阈值无法兼顾粗细血管与不均匀照明。方法对匹配滤波响应在不同阈值下分段探测，逐段判断哪些像素确为血管。
3. 血管网络输出：合并各段结果，得到二值血管网络。

这套思路的关键贡献在于对不均匀照明的鲁棒性——眼底图像中心亮、边缘暗，血管在暗区容易被阈值吞掉。分段探测与匹配滤波结合，正是当年应对这一真实难点的方案。

3.2 论文公开的实验配置

官方页明确列出了实验对象：

• 20 幅实验图像（见 §2.1 编号）；
• 两组手工血管标注（.ah / .vk）；
• 算法输出样例：原文 “Some of our results (those with the 4th parameter set)”——即部分参数集的匹配滤波探测结果；
• 中间结果 MSF：matched spatial filter 的输出，官方页提供下载，方便他人复现与改进；
• Windows 演示程序：可实时演示"阈值探测匹配滤波响应"的分割过程；
• 源码：Microsoft Visual C 编写，图像处理部分为纯 C（与 GUI 分离）。

这种"图 + 标注 + 中间结果 + 代码 + 演示"的打包方式，在 2000 年是相当超前的可复现工程实践。

3.3 视神经检测：模糊汇聚（fuzzy convergence）

第二篇论文（IEEE TMI 2003）解决的是视神经/视盘检测。观察基础是：视神经的最稳定特征不是颜色或亮度（病变时会被遮挡），而是血管网络的汇聚点——所有大血管都从这里发散。

方法即 fuzzy convergence（模糊汇聚）：

• 输入二值血管分割；
• 每根血管表示为贡献投票的"模糊段"，在空间域累加投票；
• 输出汇聚图像，阈值化后定位最显著汇聚点即视神经。

当汇聚点不明显时，退化为"光照均衡后最亮区域"作为次特征。这套方法输出了 80 幅视神经检测 ground truth，成为该项目第二大公开资产。

3.4 补充资产：动脉/静脉标注

官方页还提及 10 幅图像的动脉/静脉（artery/vein）标注，由 expert 1 与 expert 2 分别完成。这类 A/V 分类标注比二值血管掩码更细，是研究"动静脉交叉、管径比"等高阶指标的稀缺素材——注意它只覆盖 10 幅，规模很小。

3.5 方法史意义

STARE 伴随的方法（匹配滤波 + 分段探测 + 模糊汇聚）代表了深度学习之前视网膜图像分析的成熟阶段。它们今天仍有价值：

• 作为可解释的基线，与深度模型对照；
• 作为预处理/后处理模块，嵌入深度流水线；
• 作为教学案例，展示"如何针对眼底解剖先验设计算子"。

3.6 匹配滤波的数学直觉

以最简形式说明匹配滤波为何适合血管检测。视网膜血管的横截面近似一个"暗色凹陷"，可用高斯曲线建模：

f(x) = -A · exp(-x² / (2σ²))   （沿垂直于血管方向的截面）

把这样一个模板在多个方向 θ 与多个尺度 σ 上旋转、缩放，与图像卷积：

响应(x, y) = max_θ,σ  [ img(x, y) * f_θ,σ ]

响应最大的位置即为疑似血管中心线。方向覆盖解决血管走向多样，尺度覆盖解决血管粗细不一。这正是 STARE 主论文方法的骨架。

3.7 为什么需要"分段（piece-wise）"

单一全局阈值 T 在眼底图上会失效：

• 若 T 偏松，暗区噪声被误判为血管（假阳性）；
• 若 T 偏紧，暗区真血管被漏掉（假阴性）。

分段探测的做法：不追求一个"万能 T"，而是根据局部响应强度分成若干区间，每段用不同判据。直觉上——亮区信噪比高、可严判；暗区信噪比低、需宽松+形状约束。这一"分区施策"思想后来被无数方法继承（如自适应阈值、多尺度融合）。

3.8 从算法到数据：STARE 的"自产自证"闭环

值得注意的是，STARE 既是数据又是方法论文的实验场：

• 数据（20 图 + 双标注）支撑算法评测；
• 算法（匹配滤波探测）产出可视化结果；
• 中间结果（MSF）与代码又被公开，供他人复现。

这种"数据-方法-中间产物同源公开"的做法，在 2000 年是相当超前的开放科学实践，也解释了它为何能被后续二十年反复引用。

§4 评估与基准

4.1 标准评价指标

视网膜血管分割文献惯例使用四类像素级指标：

指标	含义	公式要点
Sensitivity / TPR（敏感度/召回）	血管像素被正确检出的比例	TP / (TP + FN)
Specificity / TNR（特异度）	非血管像素被正确排除的比例	TN / (TN + FP)
Accuracy（准确率）	全部像素分类正确的比例	(TP + TN) / (TP+TN+FP+FN)
AUC（ROC 曲线下面积）	敏感度-特异度权衡的综合	ROC 积分

补充常用：Jaccard / IoU（交并比）、F1 / Dice（F1 = 2TP/(2TP+FP+FN)）。

STARE 社区惯例用 .ah 标注作金标准，.vk 标注作人类基线；对照两者即可得到"算法 vs 人类专家"的横向比较。

4.2 文献中的参考性能（示例）

检索到的近年迁移学习工作给出 STARE 上的典型量级（非官方基准，仅示意学界常见水平）：

• 某 U-Net + VGG19（ImageNet 预训练）方案：Accuracy 0.9668 / AUC 0.9851 / Jaccard 0.8975（Springer 2024）；
• 同一方案在 DRIVE 上 Accuracy 0.9728 / AUC 0.9961 / Jaccard 0.9175——在 STARE 上略低，作者归因于 STARE 图像更难（病变更多、胶片伪影）。

这类"统一数值量级"（AUC 约 0.98、Accuracy 约 0.96-0.97）在 STARE 上十分常见，反映该库经二十年方法迭代后已被"刷到接近饱和"，新方法更多比拼鲁棒性、可解释性与跨库泛化。

4.3 为什么 STARE 的指标不能直接横比

STARE 有一个著名的方法学障碍：没有官方固定的 train/test 划分。

• 不同论文自行划分（常见对半 10/10，也有留一法、交叉验证）；
• 有的用 .ah 训练 + .vk 测试，有的反之；
• 图像预处理（是否裁剪 FOV 掩码、是否做对比度增强）各异。

结果是同一算法在不同论文里报告的 STARE 指标可能相差较大，直接横向对比需谨慎。这是与 DRIVE（固定 20/20 划分）相比的明显短板。

4.4 衍生基准：STARE 作为"原料"

STARE 常被后续基准当作组成部分复用（EyeDataHub 记录的谱系，均为派生而非本体）：

• MM-Retinal-Reason：STARE 列为 CFP/OCT 来源之一；
• MultiEYE：STARE 列入公开 fundus/OCT 来源集合；
• MuReD：以 STARE + RFMiD + ARIA 为图像来源并做后处理；
• retinal_vessel_robustness：含 DRIVE、STARE、CHASE_DB1 的增强版本，用于鲁棒性评测。

这些衍生工作说明：STARE 虽小，却持续作为评测拼图中的基础砖块活跃在文献里。

4.5 临床解读的边界

需要提醒的是：STARE 的血管掩码是结构分割真值，不是疾病诊断标签。它可以支撑"血管形态测量（管径/迂曲度/分叉）"，但把分割精度直接等同于临床诊断价值是过度引申。用它做疾病预测时，标签仍需另行获取（STARE 项目本身带诊断码，但需与官方页面核实对应关系）。

4.6 几种常见评估协议对比

协议	做法	优点	缺点
对半划分	10 训练 / 10 测试	简单直观	方差大，结果依赖划分运气
留一交叉验证（LOO）	每次留 1 幅测试	用尽数据	计算量大，20 次训练
5 折交叉验证	分批轮换	折中	需自行固定随机种子
.ah 训 / .vk 测	跨标注者	检验标注者偏置	与常规金标准口径不符

建议：报告 STARE 结果时明确写出协议 + 随机种子 + 预处理，否则数字不可信、不可比。这是审稿人最容易挑的点之一。

4.7 人工一致性：一个被忽视的基准

STARE 最独特的评估资产，是两位人类专家的一致性本身。逻辑如下：

• 若算法 A 与 .ah 金标准的一致程度，低于 .vk 与 .ah 的一致程度，则 A 尚未达到"人类水平"；
• 若超过，则可以说 A 在该指标上"与人类专家相当或更优"（前提是划分公正）。

这条"人类基线标尺"是 STARE 相对很多只有单一标注的数据集的独有优势。可惜文献中真正系统使用它做对照的工作并不算多——多数论文只用 .ah 训练+测试，把 .vk 束之高阁，浪费了这份资产。

4.8 与 DRIVE 的指标可比性说明

由于 DRIVE 有官方固定 20/20 划分，其文献指标相对可比；STARE 无固定划分，其指标"自带噪声"。因此常见的一种严谨做法是：

• 在 DRIVE 上做主对比（可比性强）；
• 在 STARE 上做补充验证（鲁棒性/泛化）；
• 二者结合报告，避免单一数据集结论偏差。

这也是"DRIVE + STARE 成对出现"的深层原因。

4.9 常见混淆：AUC 与 Accuracy 谁更重要

在血管分割这类类别不平衡任务里，两个指标的地位并不平等：

• Accuracy 受背景主导，全背景预测也能约 90%，参考价值有限；
• AUC 不依赖阈值，衡量整体区分能力，更稳健；
• Sensitivity 直接反映"细血管抓到了多少"，临床意义强；
• Specificity 反映"背景误报多少"。

因此读 STARE 论文时，若只报 Accuracy 而不报 AUC/敏感度，需保持警惕。一个诚实的 STARE 结果通常同时给出 SE/SP/ACC/AUC。

4.10 复现时的三个"脏细节"

1. FOV 遮罩：眼底图四角为黑色背景，必须用掩码排除，否则"背景像素"被算进评估会虚高 Accuracy；
2. 标注二值化阈值：.ah/.vk 掩码为灰度 PPM，阈值选择影响真值像素数；
3. 图像对齐：原图与标注必须逐像素对齐（同尺寸），注意有的镜像做过重采样。

这三点不写清，复现结果就会漂移——这也是 STARE 文献指标分散的技术原因之一。

§5 与库内条目的关系

5.1 同族图谱（视网膜血管分割经典集）

STARE 在库内有一批"血缘最近"的邻居，均属视网膜血管分割谱系：

• drive (rid 241)：DRIVE——40 图 565×584，2004，荷兰糖尿病筛查。与 STARE 最常并列，是血管分割评测的"标配组合"。
• chase-db1 (rid 251)：CHASE_DB1——28 图 565×584，2012，儿童心脏健康研究。与 STARE/DRIVE 并称三件套。
• hrf (rid 261)：HRF——45 图 3504×2336，高分辨率三组（健康/糖尿病视网膜病变/青光眼）。

5.2 眼底图与视网膜疾病同域条目

• drishti-gs (rid 301)：视盘/视杯分割——与 STARE 的视神经检测工作主题相关。
• rim-one (rid 291)：视盘/视杯 + 血管标注。
• iostar (rid 767)：视网膜血管 + 动静脉标注——与 STARE 的 10 幅动静脉标注主题呼应。
• fives (rid 741)、g1020 (rid 764)：眼底图分割/青光眼分类。
• rfmid (rid 271)：多疾病视网膜眼底图——MuReD 衍生基准的共同来源（STARE 亦为其来源之一）。
• idrid (rid 191)、deepdrid (rid 211)、e-ophtha (rid 231)：糖尿病视网膜病变分级/病灶分割。

5.3 务必区分的"伪邻近"条目

• OCT 家族：oct2017 (311)、octa-500 (341)、octdl (690)、octid (697)、retouch (321)——OCT 断层模态，与 STARE 的彩色眼底照本质不同。
• stsr (rid 677)：slug 词根与 stare 相近，但并非 STARE 别名（本条目已单独核验，暂按非同族处理，建议主会话二次确认其实际内容）。

5.4 建议互链点小结

互链条目	rid	互链理由
drive	241	血管分割经典组合，最常并列引用
chase-db1	251	血管分割三件套之一
hrf	261	高分辨率眼底血管对照
rfmid	271	MuReD 衍生基准共同来源
drishti-gs	301	视盘/视杯分割主题相关
rim-one	291	视盘/视杯 + 血管
iostar	767	动静脉标注主题呼应
idrid	191	糖尿病视网膜病变同域
deepdrid	211	糖尿病视网膜病变同域
e-ophtha	231	眼底病灶同域
fives	741	眼底图分割同域
g1020	764	眼底图分类同域

5.5 检索路径建议

• 想找"血管分割入门基准" → STARE(本条) + DRIVE(241) + CHASE_DB1(251)
• 想找"高分辨率血管图" → HRF(261)
• 想找"眼底疾病诊断标签" → IDRiD(191) / DeepDRiD(211) / RFMiD(271)
• 想找"OCT 断层" → oct2017(311) / octa-500(341) / OCTDL(690)（注意与 STARE 模态不同）
• 想找"视盘/视杯" → Drishti-GS(301) / RIM-ONE(291)

§6 获取与许可：怎么进、能不能用

6.1 获取路径

STARE 的获取体验在同类老数据集中属"友好档"，但藏在大学个人主页里，检索者常找不到门。

入口	地址	内容
项目主页	cecas.clemson.edu/~ahoover/stare/	项目概述、资产清单、两篇论文、源码
血管分割工作页	ces.clemson.edu/ahoover/stare/probing/index.html	20 图 + 两组标注 + 算法结果 + 中间结果
视神经工作页	项目主页内链接	80 幅视神经 ground truth
全库原始图像	项目主页 “~400 raw images” 链接	约 400 幅原始临床图像

关键点：匿名直链，无需注册、无需申请、无需填写表单。点击即可下载 tar 包（PPM/.ppm.gz）。这在 2000 年前后的医学数据共享中并不多见。

6.2 许可条款细读

STARE 的许可状态是本条目最需要"打灯"的地方：

• 官方与多处引用写 “Research only”（仅研究）或 “Used for Research and Educational Purposes”（研究与教育用途）；
• 版权归 University of California, San Diego（PeerJ、eyeDataHub 均标 UCSD）；
• 没有标准 SPDX 许可证（如无明确的 CC BY / CC BY-NC 等）；
• 没有商业使用的明确授权。

因此：

1. 学术研究/教学：按官方声明可放心使用。
2. 商业用途：无明确授权，须回官方页核对或联系权利人，不可默认可用。
3. 第三方镜像的许可不等于本体许可——见下。

6.3 第三方镜像与许可陷阱

社区流传大量 STARE 镜像，检索时极易被误导：

镜像	地址	许可口径	注意
Kaggle 合集	umairinayat/retinal-vessel-segmentation-datasets	“Other”	FIVES+HRF+CHASE+STARE+DRIVE 合集，STARE 20 图 700×605
Kaggle 单库	vidheeshnacode/stare-dataset	见页面	多篇论文引用
Mendeley Data	frv89hjgrr/1（Wang 2023）	CC BY 4.0	这是合集方的许可，非 STARE 本体许可
Dataset Ninja	datasetninja.com/stare	平台声明	非官方可视化平台，visualization 工具
Bob (Idiap)	bob.db.stare	接口	只提供加载器，不含原始数据
mednet	mednet.data.segment.stare	接口	同上，需自行从官方获取

避坑铁律：Mendeley 合集标 CC BY 4.0，指的是该合集作者对合集的许可，不能倒推 STARE 本体是 CC BY 4.0。以官方页声明（Research only）为准。

6.4 AI-Ready 评估：STARE 的可获取性光谱位置

把 STARE 放进"AI-Ready"视角评价：

加分项：

• 匿名直链，获取零摩擦（anonymous_direct）；
• 图 + 标注 + 中间结果 + 代码 + 演示齐全，可复现性强；
• 双专家标注，天然带人工基线；
• 范式清晰（图→掩码），易接入标准分割框架。

减分项：

• 规模极小（20 图），不足以独立训练深度模型；
• 无标准 SPDX 许可，商用边界模糊；
• 无官方固定划分，指标不可横比；
• 无显式版本号，页面内容随年份漂移；
• 托管在个人主页，长期可用性依赖个人维护。

结论：STARE 属"高可获取性 + 高历史价值 + 低规模"的经典型资产。它最适合作为评测集/迁移目标/基线参照，而非主力训练集。

6.5 与库内可获取性光谱的对照

• 完全开放直链：STARE(本条)、DRIVE(241)——匿名下载；
• 平台托管：CHASE_DB1(251)、IDRiD(191) 等——经 Kaggle/挑战赛平台；
• 请求制：部分临床数据集——需申请。

STARE 与 DRIVE 同属"最开放"一档，这也是它们能成为二十年经典基准的重要前提。

6.6 抓取与留档的工程建议

由于官方页托管在个人主页、无版本号，工程上建议：

1. 首次抓取即冻结快照：wget -r -np -nH --cut-dirs=... http://ces.clemson.edu/ahoover/stare/probing/ 或逐 tar 包下载，存本地/对象存储；
2. 记录抓取时间戳与页面哈希：便于日后校验是否漂移；
3. 校验完整性：确认 20 幅原图、20+20 标注、算法结果/中间结果均在；
4. 在论文中写明抓取日期：如 “retrieved from cecas.clemson.edu/~ahoover/stare/ on 2026-09-30”。

6.7 许可沟通建议（若需商用）

若确有商业使用需求，理性路径是：

1. 先读官方页声明，确认是否已覆盖你的场景；
2. 若不覆盖，联系权利人（版权标 UCSD；维护页属 Clemson 的 Hoover）说明用途；
3. 保留书面授权证据；
4. 不要因为第三方镜像标了 CC BY 就直接商用——那只是镜像方的声明。

§7 生态与影响

7.1 学术影响力

STARE 是被引用数以千计的老牌基准（主论文 IEEE TMI 2000 至今持续高被引）。它在文献中的典型出现方式：

• 血管分割论文的标准评测集之一（几乎必与 DRIVE 并列）；
• 医学图像分割综述中的经典小样本示例（如 “Data efficient deep learning for medical image analysis” survey, arXiv:2310.06557）；
• 迁移学习/域适应研究的跨库目标（DRIVE→STARE 泛化实验）。

7.2 作为"原料"的持续复用

STARE 的价值不仅在于被单独评测，还在于被组装进更大的基准（见 §4.4）：MM-Retinal-Reason、MultiEYE、MuReD、retinal_vessel_robustness 都把它列为来源。这种"老数据当砖块"的复用，是经典数据集长寿的典型模式。

7.3 教学与工程生态

• 框架支持：Idiap 的 Bob 工具箱（bob.db.stare）、mednet 的 DataModule 都提供了 STARE 加载器，说明它已进入标准工具链；
• Kaggle 生态：多个 Kaggle 数据集以 STARE 为组成部分，供给教学与竞赛练习；
• 可视化平台：Dataset Ninja / Supervisely 提供 STARE 的在线浏览与转换（213.39 MB Supervisely 格式）。

7.4 在眼底 AI 发展史中的位置

如果把眼底 AI 分成三个阶段：

1. 手工特征时代（1980s-2000s）：STARE 诞生于此，匹配滤波/形态学主导；
2. 机器学习时代（2000s-2015s）：STARE/DRIVE/CHASE_DB1 作为标准评测；
3. 深度学习时代（2015 至今）：STARE 转为小样本评测与鲁棒性检验角色。

STARE 横跨三个阶段，是少见的"活化石"级基准。它的持续存在提醒人们：基准的寿命往往比方法长。

7.5 局限与批评

诚实地看，STARE 也有明显局限：

• 规模：20 图在深度时代接近"玩具级"，统计结论稳健性有限；
• 划分缺失：无官方 train/test，文献结果不可横比；
• 老化：胶片来源、低分辨率、无标准许可，与现代大库（如 UK Biobank、EyePACS）不可比；
• 专属性：只覆盖血管/视神经两任务，疾病标签需另行对接。

正因如此，STARE 今天的定位应明确为"评测与教育基准"，而非主力训练集。

7.6 与其他经典老基准的对照

把 STARE 与同代/异域的老基准对照，能勾勒出"医学数据共享史"的一角：

数据集	领域	公开年	规模	共同点
STARE	眼底血管	2000	20 图	小、经典、双标注、直链
DRIVE	眼底血管	2004	40 图	小、经典、固定划分
MNIST（医学外）	手写数字	1998	7 万	小、经典、直链
早期 X 光库	胸部	1990s	数百	小、经典

它们共同示范了"数据集长寿"的配方：小而不删、直链可取、规格简单、许可明晰（或至少可解释）。

7.7 对当代研究的现实意义

在动辄百万图的大模型时代，STARE 的现实意义有三：

• 过拟合探测：小数据上表现差，可能暴露模型对特定设备/伪影的过拟合；
• 样本效率基准：研究"少样本/零样本是否可行"的天然试验场；
• 历史对照：为"我们比二十年前进步了多少"提供坐标原点。

§8 方法学启示：三条可迁移的经验

8.1 双专家标注 = 内置的人工基线

STARE 最有远见的设计，是让两位专家独立标注同一批图像。这带来的好处：

• 直接量化观察者间一致性——“人类专家自己都做不到 100% 一致”，为算法评估提供了现实锚点；
• 允许"算法 vs 人类"的横向比较——若算法 AUC 超过 .vk 对 .ah 的一致水平，才谈得上"超人"；
• 为标注不确定性建模提供素材（哪些像素专家都分歧？）。

可迁移：任何新数据集若想支撑"是否达人类水平"的论断，双标注是低成本高回报的设计。

8.2 公开中间结果 = 可复现性的早期实践

STARE 不只给最终标注，还给了**匹配滤波中间结果（MSF）**与算法输出样例。这让后人能：

• 从中间结果出发改进，而非从头复现；
• 诊断"哪一步出错"；
• 对比不同方法的中间表示。

可迁移：数据集的"可复现性"不只体现在给真值，还体现在给中间产物与代码。

8.3 老数据的长寿来自"可组合性"

STARE 能被 MuReD、MultiEYE 等新基准反复用作原料，关键在于它的接口简单（图 → 掩码）与获取开放（匿名直链）。

可迁移：一个数据集想长寿，规格越简单、许可越清晰、获取越无摩擦，被复用的概率越高。复杂打包与模糊许可会加速其"考古化"。

8.4 给标注项目设计者的清单

从 STARE 的经验反推，设计一个"AI-Ready 眼底标注数据集"应至少覆盖：

• [ ] 规格明确：分辨率、位深、格式、设备、视场，逐项写清；
• [ ] 双标注：至少两位独立标注者，附一致性统计；
• [ ] 划分明确：给出官方 train/test，固定随机种子；
• [ ] 许可是许可：用标准 SPDX，或写清使用边界；
• [ ] 版本可溯：给语义版本号与变更日志；
• [ ] 获取无摩擦：匿名直链或稳定 DOI；
• [ ] 中间产物：若方法有阶段，公开中间结果；
• [ ] 文档完整：数据卡（datasheet）、标注指南、类别定义；
• [ ] 长期托管：放机构/平台，不放个人主页。

STARE 在前两条做得好（双标注、中间产物），在后几条（划分、许可、版本、托管）是短板——这正是后来者需要补课的地方。

§9 与库内条目的关系（深化）

9.1 家族图谱

视网膜血管分割经典集
├── STARE (本条, 2000, 20图, 700×605)   ← 元老，双专家标注
├── DRIVE (rid 241, 2004, 40图, 565×584) ← 最常并列，划分固定
├── CHASE_DB1 (rid 251, 2012, 28图, 565×584)
└── HRF (rid 261, 2013, 45图, 3504×2336) ← 高分辨率

视网膜血管延伸主题
├── IOSTAR (rid 767)     动静脉标注
├── Drishti-GS (rid 301) 视盘/视杯
└── RIM-ONE (rid 291)    视盘/视杯 + 血管

视网膜疾病标签库（可对接 STARE 结构真值）
├── IDRiD (rid 191)      糖尿病视网膜病变分级
├── DeepDRiD (rid 211)   糖尿病视网膜病变分级
├── RFMiD (rid 271)      多疾病（MuReD 共同来源）
└── e-ophtha (rid 231)   眼底病灶

模态边界（非同类，务必区分）
└── OCT 家族: OCT2017(311) / OCTA-500(341) / OCTDL(690) / OCTID(697) / RETOUCH(321)

9.2 检索路径建议

• 写血管分割论文选基准 → STARE + DRIVE + CHASE_DB1（经典三件套）
• 做跨库泛化 → DRIVE(241) ↔ STARE(本条) 互测
• 做高分辨率对比 → 加入 HRF(261)
• 做动静脉分类 → STARE(10图) + IOSTAR(767)
• 做视盘检测 → STARE(80图视神经) + Drishti-GS(301) + RIM-ONE(291)
• 对接疾病标签 → STARE 结构真值 + IDRiD(191)/RFMiD(271) 疾病标签
• 排除混淆 → 检索时避开 “OCT” 关键词，改用 “fundus/vessel”

9.3 与库内 OCT 条目的边界声明

重申一条硬边界：STARE 是彩色眼底照，不是 OCT。库内 oct2017(311)、octa-500(341)、octdl(690)、octid(697)、retouch(321) 均为 OCT/OCTA 断层模态。二者：

维度	STARE	OCT 家族
模态	彩色眼底照（表面）	OCT 断层（纵切面）
色彩	RGB 彩色	多为灰度
主要任务	血管分割、视神经检测	病灶分类、液体分割
时代	1975 发起 / 2000 公开	2014 以后为主

检索者若把 STARE 当作 OCT 变体，会犯模态级错误。

9.4 与 DRIVE/CHASE_DB1 联合使用的实操建议

实践中"三件套联用"有几种常见套路，各有取舍：

套路	做法	目的
分库评测	各自训练、各自测试	报告各库指标，最保守
合并训练	三库图像混合训练	检验数据多样性带来的增益
跨库泛化	一库训练、他库测试	检验域偏移鲁棒性
顺序微调	大库预训练 → 小库微调	少样本适配

提醒：三库分辨率、设备、人群均不同（DRIVE 荷兰筛查 / CHASE_DB1 儿童 / STARE 成人病变混合），合并或跨库时须统一预处理并说明，否则结果不可信。

9.5 一条"检索防错"清单

为避免把 STARE 与近名条目搞混，检索时逐项自查：

• [ ] 我要的是彩色眼底照还是 OCT 断层？（决定是否命中 STARE）
• [ ] 我要的是血管分割还是视盘/视杯？（前者 STARE，后者 Drishti-GS/RIM-ONE）
• [ ] 我要的是结构真值还是疾病标签？（前者 STARE，后者 IDRiD/RFMiD）
• [ ] 我看到的 “stare” 是本条目还是 stsr(677)？（词根相近，需核对）
• [ ] 我看到的分辨率写法是否转置？（700×605 vs 605×700 同图）

五问齐过，基本可避免踩到本条目反复强调的混淆坑。

§10 避坑清单：八个已踩过的坑

坑 1：把 STARE 当成 OCT 数据集

表现：检索/引用时把 STARE 归入 OCT（光学相干断层扫描）系列，与 oct2017、octa-500、OCTDL 混为一谈。
真相：STARE 是彩色眼底照（color fundus photography）——从正面拍摄的视网膜表面彩色图像；OCT 是纵向断层的灰度切面。模态、解剖视图、任务均不同。
规避：检索用 “fundus / retinal vessel”，避开 “OCT”；库内互链时明确标注模态差异（库内 OCT 家族 rid 见 §9.3）。

坑 2：把 STARE 的 20 张图当成全部资产

表现：以为 STARE"只有 20 张图"，因此低估它在视神经/动静脉/临床标注上的价值。
真相：核心公开子集是 20 幅（有血管标注），但底层全库约 400 幅原始图像；扩展含 40 幅血管标注、80 幅视神经检测 ground truth、10 幅动静脉标注，以及 44→39 的专家表现编码。
规避：区分"核心血管子集 20"与"全库约 400 / 扩展 40+80+10"三层次。

坑 3：把第三方镜像的 CC BY 4.0 当成 STARE 本体许可

表现：看到 Mendeley/Kaggle 上 STARE 合集标 “CC BY 4.0”，就认为 STARE 可自由商用。
真相：CC BY 4.0 是合集整理者对其合集的许可声明，不是 STARE 本体许可。STARE 官方声明是 Research only（研究与教育用途），版权归 UCSD，无标准 SPDX 许可，无明确商用授权。
规避：一切许可以官方页 cecas.clemson.edu/~ahoover/stare/ 为准；商用须先核对授权。

坑 4：误信 “University of Vermont” 的机构归属

表现：引用 openmedlab/Awesome-Medical-Dataset 的描述，把 STARE 创建者 Goldbaum 说成 “University of Vermont”。
真相：官方一手页明确 Michael Goldbaum 在 University of California, San Diego（UCSD）；Vermont 是第三方二次整理的传抄错误。
规避：机构信息以官方页 + 论文署名为准（UCSD / Clemson）；遇到 Vermont 一律标为存照错误。

坑 5：被 700×605 与 605×700 两种写法搞混

表现：看到不同来源写不同分辨率，怀疑是两套数据或不同版本。
真相：同一像素数，只是"宽×高"与"高×宽"两种写法转置（700 宽 × 605 高 = 605 高 × 700 宽）。
规避：本条目统一按 700×605（W×H） 主写并注转置口径；引用时标注方向避免歧义。

坑 6：以为 STARE 有官方固定 train/test 划分

表现：直接横向比较不同论文在 STARE 上报告的指标，得出"某方法更强"的结论。
真相：STARE 无官方固定划分，各论文自定（对半、留一、交叉验证），且 .ah/.vk 用法不一（谁训练谁测试）。指标不可直接横比。
规避：比较时须核对划分协议与预处理；引用指标注明来源论文的划分方式。

坑 7：忽略双标注的"人类基线"用法

表现：只用 .ah 标注当金标准，把 .vk 晾在一边。
真相：.vk 通常用作 “human” 人类基线，是判断"算法是否达人类水平"的关键参照；忽略它就浪费了 STARE 最有价值的设计。
规避：做评测时同时报告"算法 vs .ah 金标准"与".vk vs .ah 人类一致水平"两组数字。

坑 8：忽视"无版本号 + 个人主页托管"的可用性风险

表现：把 STARE 当作有稳定版本、有机构长期托管的现代数据集来规划项目。
真相：STARE 无显式版本号，内容随年份漂移（2000 版 20 图 vs 后续 40/80 图）；托管在 Clemson 个人主页（~ahoover），维护依赖个人。
规避：项目中冻结抓取时点快照；引用时写明抓取日期；重要资产本地留档。

§11 总结

11.1 三句话总结

1. STARE 是视网膜血管分割的元老基准：1975 年 UCSD 发起，2000 年公开 20 幅 700×605 彩色眼底照 + 两组独立人工血管标注。
2. 它最大的价值是"双专家标注 + 全开放获取"：既提供人工一致性基线，又零摩擦可下载，因而二十年持续被复用。
3. 它今天是评测/教育/迁移基准，而非训练主力：20 图规模决定了它适合小样本验证与鲁棒性检验，不适合从零训练大模型。

11.2 适合谁

• 血管分割方法研究者：需要经典小样本评测集与人工基线；
• 迁移学习/域适应团队：DRIVE→STARE 或反之的跨库泛化实验；
• 标注一致性研究者：双专家标注是难得的研究素材；
• 医学 AI 教学者：结构清晰、获取方便，适合课堂演示；
• 数据集史/基准研究者：三阶段演化的"活化石"案例。

11.3 不适合谁

• 要从零训练深度模型：20 图规模远不够；
• 需要疾病诊断标签：STARE 主资产是结构分割真值，疾病标签需另行对接；
• 需要商用授权：官方仅 Research only，无明确商用许可；
• 需要 OCT 断层数据：模态不符，应查库内 OCT 家族。

11.4 30 秒决策卡

你的需求	结论
血管分割经典基准	✅ STARE + DRIVE(241) + CHASE_DB1(251)
高分辨率血管图	✅ 改看 HRF(261)
动静脉分类	✅ STARE(10图) + IOSTAR(767)
视盘/视神经检测	✅ STARE(80图) + Drishti-GS(301)
疾病诊断标签	⚠️ 改看 IDRiD(191)/RFMiD(271)
OCT 断层	❌ 改看 oct2017(311)/octa-500(341)
大规模深度训练	❌ 20 图不够，改看大库

FAQ（高频问答 28 问）

A. 基础认知

A1. STARE 全称是什么？
STructured Analysis of the Retina，结构化视网膜分析。

A2. 谁做的？
1975 年 Michael Goldbaum, M.D. 在 UCSD 发起；发表论文的两位合作者是 Adam Hoover（Clemson）与 Valentina Kouznetsova（UCSD）。

A3. 什么时候公开的？
主论文 2000 年 3 月发表于 IEEE TMI，随论文公开 20 幅图与两组标注。

A4. 主论文引文是什么？
Hoover A, Kouznetsova V, Goldbaum M. “Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response.” IEEE Trans Med Imaging. 2000;19(3):203-210. doi:10.1109/42.845178。

A5. 还有别的论文吗？
有。Hoover & Goldbaum, IEEE TMI 2003;22(8):951-958，视神经检测（fuzzy convergence）。

A6. STARE 是挑战赛吗？
不是。无 leaderboard、无截止日，是静态公开数据集。

A7. STARE 属于哪个学科范畴？
医学影像（医学图像分割 / 眼科影像），疾病关联糖尿病视网膜病变、高血压性视网膜病变、黄斑变性。

B. 数据与获取

B1. 有多少张图？
核心公开子集 20 幅（10 有病变 + 10 无病变）；底层全库 约 400 幅。

B2. 图像多大？
700×605 像素（宽×高），24 bits/pixel，彩色。

B3. 什么格式？
PPM，可 gzip 压缩为 .ppm.gz，tar 打包。

B4. 拍摄设备？
Topcon TRV-50 眼底相机，35° 视场。

B5. 怎么下载？
官方页匿名直链，无需申请：cecas.clemson.edu/~ahoover/stare/。

B6. 标注有几组？
两组独立人工血管标注：Adam Hoover（.ah）与 Valentina Kouznetsova（.vk）。

B7. 有划分吗？
无官方固定 train/test 划分，各论文自定（常见对半 10/10）。

B8. 还有别的标注吗？
有：80 幅视神经 ground truth、10 幅动静脉标注、44→39 专家表现编码、逐图诊断码。

C. 许可与合规

C1. STARE 什么许可？
官方声明 Research only（研究与教育用途），版权 UCSD；无标准 SPDX 许可。

C2. 能商用吗？
无明确商用授权，须回官方页核对或联系权利人，不可默认可用。

C3. Kaggle 上的 STARE 能用吗？
镜像可用，但镜像的许可声明不等于本体许可；以官方页为准。

C4. Mendeley 标 CC BY 4.0 是怎么回事？
那是合集方对合集的许可，不是 STARE 本体许可。

C5. 引用要引什么？
引 IEEE TMI 2000 主论文（doi:10.1109/42.845178），视神经工作另引 TMI 2003。

D. 使用与工程

D1. 怎么接入 PyTorch？
社区有加载器：mednet 的 mednet.data.segment.stare、Bob 的 bob.db.stare；或直接用 PIL 读 PPM。

D2. .ah 和 .vk 怎么用？
惯例 .ah 作金标准训练/测试，.vk 作人类基线。

D3. 掩码怎么二值化？
PPM 灰度，按阈值处理（社区常用 >0 或中值）；注意不同论文阈值不一。

D4. 需要裁剪 FOV 吗？
需要。眼底图有黑色 FOV 边界，评测时通常用掩码排除背景。

D5. 指标多少算正常？
文献常见 Accuracy 约 0.96-0.97、AUC 约 0.98；具体随划分与预处理变化。

D6. 为什么我的指标和别人对不上？
划分、预处理、阈值不同所致；STARE 无官方划分，横向对比需谨慎。

D7. 能和 DRIVE 一起训练吗？
能，跨库训练/泛化是常见做法，但须注意分辨率与设备差异（域偏移）。

D8. 图像质量差怎么办？
STARE 源自胶片扫描，有伪影与不均匀照明；可做对比度增强/光照均衡，但须在论文中说明以免影响可比性。

D9. 与 OCT 数据集能混用吗？
不能。模态不同（表面照 vs 断层），任务与解剖视图均不同。

D10. 老页面会失效吗？
有可能——托管在个人主页、无版本号，务必本地冻结快照。

D11. 怎么区分 STARE 与 stsr(677)？
二者非别名，词根相近易混；stsr 实际内容建议二次核实，本条目已标注。

D12. 想找更多眼底血管库怎么办？
按 §9.2 检索路径：DRIVE(241)、CHASE_DB1(251)、HRF(261)、IOSTAR(767) 等。

E. 历史与定位

E1. STARE 为什么叫"活化石"？
它 1975 年发起、2000 年公开，横跨手工特征、机器学习、深度学习三个时代，至今仍被引用，生命力罕见。

E2. 它现在还有用吗？
有。作为小样本评测、鲁棒性检验、跨库迁移与教学素材，价值稳定；但不适合作唯一训练集。

E3. 当年为什么公开？
论文实验需要可复现的金标准；作者把图像、标注、中间结果、代码一并公开，是早期开放科学实践。

E4. 它推动了什么？
一是确立"公开图 + 人工血管掩码"范式；二是提供双标注人工基线；三是成为后续无数方法的共同起跑线。

E5. 它的最大局限是什么？
规模小（20 图）与无官方划分，导致统计结论稳健性有限、指标不可横比。

E6. 想复现经典论文怎么开始？
从官方页下载 20 图与 .ah/.vk 标注，按 §4.6 选定协议，用附录 F/G 的骨架读取与评估。

E7. 为什么文献里常和 DRIVE 一起出现？
DRIVE 有固定划分、可比性强；STARE 更难、更老。二者互补，一起报告可兼顾可比性与鲁棒性。

E8. STARE 有没有"续作"？
没有官方续作。但它的图像被 MuReD、MultiEYE 等衍生基准复用，可视为"以原料形式延续"。

F. 边界与陷阱

F1. STARE 图像的黑色圆角要处理吗？
要。那是 FOV 外的背景，评估时必须遮掉，否则 Accuracy 虚高。

F2. 直接拿 .ah 训练、.vk 测试公平吗？
不算不公平，但要说明口径；更常规做法是用 .ah 作金标准、.vk 作人类基线。

F3. 为什么不同论文 STARE 指标差很多？
划分、预处理、二值化阈值、FOV 处理不同所致——STARE 无官方协议是主因。

F4. 能把 STARE 和其他库直接合并吗？
可以但需统一分辨率与预处理，并注意设备/人群域偏移。

F5. 数据集会消失吗？
托管在个人主页，存在失效风险；务必自查时留档，论文注明抓取日期。

F6. 有官方数据卡吗？
没有现代意义的 datasheet；信息分散在官方页与两篇论文里。

F7. 商用到底行不行？
官方仅 Research only，无明确商用授权；商用前须联系权利人确认。

F8. 我该引用哪个版本？
引用 IEEE TMI 2000 主论文（doi:10.1109/42.845178），并注明抓取日期与页面 URL。

事实清单（硬事实 34 条）

1. 全称：STructured Analysis of the Retina（STARE）。
2. 项目发起：1975 年，Michael Goldbaum, M.D.，University of California, San Diego。
3. 资助方：U.S. National Institutes of Health（NIH）。
4. 数据来源：UCSD Shiley Eye Center + San Diego VA Medical Center。
5. 历史参与者：30 余人（医学/科学/工程背景）。
6. Adam Hoover 自述参与期：1996-2004。
7. 主论文：IEEE TMI 2000;19(3):203-210，doi:10.1109/42.845178。
8. 视神经论文：IEEE TMI 2003;22(8):951-958。
9. 核心公开子集：20 幅眼底图。
10. 病变构成：10 幅有病变 + 10 幅无病变。
11. 分辨率：700×605（W×H，转置写法 605×700 同像素数）。
12. 位深：24 bits/pixel。
13. 格式：PPM（可 gzip）。
14. 采集设备：Topcon TRV-50，35° 视场。
15. 图像编号：0001,0002,0003,0004,0005,0044,0077,0081,0082,0139,0162,0163,0235,0236,0239,0240,0255,0291,0319,0324。
16. 血管标注组 1：Adam Hoover（.ah），20 幅。
17. 血管标注组 2：Valentina Kouznetsova（.vk），20 幅。
18. 底层全库：约 400 幅原始临床视网膜图像。
19. 血管分割手工标注扩展：40 幅。
20. 视神经检测 ground truth：80 幅。
21. 动静脉标注：10 幅，双专家。
22. 专家表现查询：44 种，编码归并为 39 值。
23. 附加资产：匹配滤波中间结果（MSF）、算法输出样例、Windows 演示、Visual C 源码（图像处理为纯 C）。
24. 获取方式：官方页匿名直链，无需申请。
25. 许可：Research only（研究与教育用途）。
26. 版权：University of California, San Diego。
27. 无标准 SPDX 许可证。
28. 无官方固定 train/test 划分。
29. 无显式版本号。
30. 机构归属（官方）：UCSD（发起/临床）/ Clemson（Hoover 维护页）。
31. 机构传抄错误：openmedlab 写 “University of Vermont”（错）。
32. 官方维护页：cecas.clemson.edu/~ahoover/stare/。
33. 血管工作页：ces.clemson.edu/ahoover/stare/probing/index.html。
34. 库内查重：stare 在 ai_ready_dataset 命中 0 行，无撞库。

术语表（24 条）

术语	英文	含义
眼底照	color fundus photograph	从正面拍摄的视网膜表面彩色图像
血管分割	blood vessel segmentation	逐像素判定血管/非血管
匹配滤波	matched filter	用方向/尺度模板卷积检测带状血管结构的经典算子
分段阈值探测	piece-wise threshold probing	对不同响应段分别设阈值，抗不均匀照明
模糊汇聚	fuzzy convergence	以血管网络汇聚点定位视神经的算法
视神经/视盘	optic nerve / optic disc	血管汇聚处，眼底解剖标志
观察者间一致性	inter-observer agreement	不同标注者之间的一致程度
人类基线	human baseline	用第二标注者衡量人类专家表现水平
敏感度	sensitivity / recall / TPR	真阳性率
特异度	specificity / TNR	真阴性率
AUC	area under ROC curve	ROC 曲线下面积
Dice / F1	Dice coefficient	分割重叠综合指标
Jaccard / IoU	intersection over union	交并比
FOV	field of view	眼底镜视野，含黑色边界需掩码
域偏移	domain shift	不同设备/来源图像分布差异
PPM	portable pixmap	一种无压缩图像格式
糖尿病视网膜病变	diabetic retinopathy (DR)	糖尿病致视网膜微血管病变
高血压性视网膜病变	hypertensive retinopathy	高血压致视网膜血管改变
黄斑变性	macular degeneration	黄斑区退行性病变
迂曲度	tortuosity	血管弯曲程度，形态学指标
AI-Ready	AI-ready	数据集可直接用于 AI 训练/评测的程度
DAIMS	Data Asset Interoperability and Management	数据资产管理维度框架
元老基准	legacy benchmark	年代早但持续被引用的基准
可组合性	composability	数据集被其他基准复用组装的能力

附录

附录 A：条目信息速查卡

项	值
slug	stare
官方名	STARE: STructured Analysis of the Retina
发起	1975, Michael Goldbaum (UCSD)
主论文	IEEE TMI 2000;19(3):203-210
doi	10.1109/42.845178
核心规模	20 幅 / 700×605 / 24bit
全库	~400 幅
标注	.ah + .vk 双专家
许可	Research only
获取	匿名直链
官方页	cecas.clemson.edu/~ahoover/stare/

附录 B：DAIMS 评估全表

DAIMS 维度	评估	说明
数据来源合法性	高	临床图像经 UCSD/VA 提供，项目合规公开
许可清晰度	低	仅 Research only，无 SPDX 许可，商用边界模糊
元数据完整性	中	有命名/编号/诊断码/表现编码，但无结构化数据卡
数据质量	中	胶片来源、低分辨率、有伪影与不均匀照明
标注质量	高	双专家独立手工标注，附人类基线
标注一致性信息	中	双标注可算一致性，但官方未给一致性统计
可获取性	高	匿名直链，无需申请
可复现性	中高	有中间结果/代码/演示，但无官方划分
版本管理	低	无版本号，内容随年份漂移
规模充分性	低	20 图，深训不足
文档充分性	中	官方页内容简，多为论文补充
互操作性	中	图→掩码接口简单，易接入；但格式老（PPM）
时效性	低	1975 发起/2000 公开，图像老化
可解释性支撑	中高	算法可解释，配套中间结果
长期可用性	低	个人主页托管，依赖个人维护
AI-Ready 总评	中	高获取 + 高标注质量 + 低规模 + 低许可清晰度

附录 C：逐项证据链自证

事实	来源	URL
1975 发起 / UCSD / NIH / Shiley / VA	官方项目页	cecas.clemson.edu/~ahoover/stare/
20 图编号 / 两组标注 / 中间结果	官方血管工作页	ces.clemson.edu/ahoover/stare/probing/index.html
论文引文 / doi / 页卷	IEEE Xplore / openmedlab	doi:10.1109/42.845178
~400 全库 / 40 血管 / 80 视神经 / 10 动静脉 / 44→39	官方项目页	cecas.clemson.edu/~ahoover/stare/
700×605 / Topcon TRV-50 / 35°	MDPI 2017	mdpi.com/2227-9059/5/2/12
Research only / 版权 UCSD	EyeDataHub / PeerJ	khosravipooya.com/EyeDataHub/datasets/stare
10 有病变 + 10 无病变	中文综述（Google Scholar）	彩色眼底图像视网膜血管分割方法研究进展
Vermont 错误	openmedlab（存照）	github.com/openmedlab/Awesome-Medical-Dataset
397 图（377 未标注）	Dataset Ninja	datasetninja.com/stare
Kumar 2024 性能示例	Springer 2024	doi:10.1007/s42979-024-03403-1

附录 D：数据获取决策树

想要视网膜血管分割数据？
├── 要经典小样本 + 双标注 → STARE（本条，匿名直链）
│     ├── 想要固定划分 → 改看 DRIVE(241)
│     └── 想要更大规模 → 改看 CHASE_DB1(251)
├── 要高分辨率 → HRF(261)
├── 要动静脉标注 → STARE(10图) + IOSTAR(767)
├── 要视盘/视神经 → STARE(80图) + Drishti-GS(301)
├── 要疾病标签 → IDRiD(191) / DeepDRiD(211) / RFMiD(271)
└── 要 OCT 断层 → OCT2017(311) / OCTA-500(341)

附录 E：许可合规使用规范

使用场景	是否允许	依据
学术研究	✅	Research only 明确覆盖
教学演示	✅	研究与教育用途
论文发表（含图像）	✅（注明来源+版权 UCSD）	研究与教育用途
商业产品训练	❌ 未授权	无明确商用许可
二次分发的重新许可	❌ 不可	版权属 UCSD
引用第三方镜像 CC BY 4.0 声明	⚠️ 不能倒推本体	合集方许可 ≠ 本体许可

附录 F：PPM 读取与预处理骨架（Python）

# STARE 原始为 PPM/.ppm.gz，用 PIL 读取
from PIL import Image
import gzip, io

def load_ppm_gz(path):
    with gzip.open(path, 'rb') as f:
        return Image.open(io.BytesIO(f.read())).convert('RGB')

# 读原图与两组标注
img = load_ppm_gz('stare-images/im0001.ppm.gz')      # 700x605 RGB
ah  = load_ppm_gz('labels-ah/im0001.ah.ppm.gz')       # 血管标注(.ah)
vk  = load_ppm_gz('labels-vk/im0001.vk.ppm.gz')       # 血管标注(.vk)

# 二值化（社区常用 >0 或中值阈值）
import numpy as np
ah_bin = (np.array(ah.convert('L')) > 0).astype(np.uint8)

附录 G：评价指标计算骨架

import numpy as np

def metrics(pred, gt):
    tp = np.sum((pred == 1) & (gt == 1))
    tn = np.sum((pred == 0) & (gt == 0))
    fp = np.sum((pred == 1) & (gt == 0))
    fn = np.sum((pred == 0) & (gt == 1))
    se  = tp / (tp + fn + 1e-8)          # 敏感度/召回
    sp  = tn / (tn + fp + 1e-8)          # 特异度
    acc = (tp + tn) / (tp + tn + fp + fn + 1e-8)
    f1  = 2*tp / (2*tp + fp + fn + 1e-8)
    iou = tp / (tp + fp + fn + 1e-8)
    return dict(SE=se, SP=sp, ACC=acc, F1=f1, IoU=iou)

附录 H：与 DRIVE 的关键差异对照表

维度	STARE	DRIVE
年份	2000	2004
图像数	20	40
分辨率	700×605	565×584
划分	无官方	固定 20/20
标注	双专家（.ah/.vk）	双专家（1st/2nd）
来源	UCSD/VA 临床	荷兰筛查
获取	匿名直链	挑战赛平台

附录 I：与 CHASE_DB1 / HRF 对比

维度	STARE	CHASE_DB1	HRF
年份	2000	2012	2013
图数	20	28	45
分辨率	700×605	565×584	3504×2336
人群	成人病变混合	儿童	健康/DR/青光眼三组
特点	元老、双标注	多中心儿童	高分辨率对照

附录 J：坑点档案（与 §10 对照）

坑号	一句话	规避
坑 1	当成 OCT	认准 color fundus
坑 2	以为只有 20 图	区分 20 / ~400 / 40+80+10
坑 3	误信镜像 CC BY	以官方 Research only 为准
坑 4	误信 University of Vermont	官方为 UCSD
坑 5	分辨率写反	700×605 W×H 主写
坑 6	以为有官方划分	各论文自定，不可横比
坑 7	忽略 .vk 人类基线	双标注一起报告
坑 8	忽视可用性风险	冻结快照

附录 K：STARE 时间线总表

时间	事件
1975	Goldbaum 在 UCSD 发起 STARE 项目
1975-2000	采集约 400 幅原始图像，Shiley/VA 提供
1996-2004	Adam Hoover 参与项目
2000-03	IEEE TMI 发表血管分割论文，公开 20 图 + 两组标注
2003-08	IEEE TMI 发表视神经检测论文，公开 80 图 ground truth
2000s-2010s	成为血管分割标准评测集，渐扩至 40 血管标注
2015 至今	深度时代转为小样本评测/鲁棒性/迁移基准

附录 L：交叉引用与互链声明

本条目与库内 DRIVE(241)、CHASE_DB1(251)、HRF(261)、IOSTAR(767)、Drishti-GS(301)、RIM-ONE(291)、RFMiD(271)、IDRiD(191)、DeepDRiD(211)、e-ophtha(231)、FIVES(741)、G1020(764) 存在主题关联；与 OCT2017(311)、OCTA-500(341)、OCTDL(690)、OCTID(697)、RETOUCH(321) 存在模态边界关系（非同族）。检索者应据模态与任务选择，勿混用。

附录 M：一句话给检索者

STARE 是"眼底血管分割的活化石"——双专家标注 + 匿名直链是它的双翼，20 幅规模 + Research only 是它的双限。想评测、想教学、想研究一致性，找它；想深训、想商用、想要 OCT，别看它。

附录 N：双口径存照细则

本条目成稿遵循"三源互证、冲突存照"原则，逐一存照如下：

项	口径 A	口径 B	本条目处理
机构归属	官方页：UCSD	openmedlab：University of Vermont	按 UCSD 写；Vermont 标为传抄错误
分辨率写法	700×605（W×H，Kaggle/官方）	605×700（H×W，Wiley/Dataset Ninja）	主写 700×605 并注转置
图像总数	官方页：~400 raw	Dataset Ninja：397（377 未标注）	主写 ~400，注 397 细分
标注量	论文页：20 图血管	官方页扩展：40 血管 / 80 视神经 / 10 动静脉	分层次并列写明
许可	官方：Research only	Mendeley 合集：CC BY 4.0	按官方写；CC BY 标为合集方许可

附录 O：与 panda-plus 等库内条目的写手规范一致性声明

本条目遵循千方病案医数集 AI-Ready Wikipedia 的成稿规范：

• frontmatter 含 title/subtitle/description/summary（keywords）/schema_org/category_tags/data_tags/patient_count/data_source；
• title 严格形如「<官方名> (<slug>) — <中文副标题> — AI-Ready Wikipedia | 千方病案医数集」；
• schema_org 含 MedicalWebPage / Dataset / cr:RecordSet / ScholarlyArticle，cr:RecordSet 为节点式；
• URL 一律占位 https://www.qianfanghub.com/ai-ready-dataset/stare/788；
• 含 DAIMS 评估表（附录 B）、坑点清单（§10）、FAQ、术语表、事实清单；
• 中文为主，术语首现标英文。

附录 P：STARE 资产清单速查（下载后应有哪些文件）

类别	内容	数量
原图	stare-images/imXXXX.ppm.gz	20
Hoover 标注	labels-ah/imXXXX.ah.ppm.gz	20
Kouznetsova 标注	labels-vk/imXXXX.vk.ppm.gz	20
算法输出样例	第 4 参数集结果 PPM	20（或部分）
中间结果	匹配滤波 MSF 输出 PPM	20（或部分）
演示程序	Windows 可执行	1
源码	Visual C / 纯 C 图像处理	1 套

（视神经工作页另有 80 幅视神经 ground truth；项目主页另有约 400 幅原始图像与诊断/表现文本文件。）

附录 Q：常见错误速查表

错误表述	正确表述
STARE 是 OCT 数据集	STARE 是彩色眼底照数据集
STARE 只有 20 张图	核心 20 图，底层全库约 400 幅
STARE 是 CC BY 4.0	官方为 Research only，无 SPDX 许可
STARE 由 University of Vermont 创建	由 UCSD Goldbaum 发起
STARE 分辨率为 605×605	为 700×605（605×700 为转置写法）
STARE 有官方 train/test	无官方划分，各论文自定
.vk 标注可忽略	.vk 是人类基线，重要
STARE 页面永久稳定	个人主页托管，须冻结快照

附录 R：给不同读者的三行速读

• 研究者：20 图 + 双标注，用 .ah 训练/评测、.vk 作人类基线；报告务必写明划分与预处理。
• 标注/数据工程者：双坐标注是亮点，但缺划分/许可/版本是三个必须补的坑。
• 教学者：从"匹配滤波 → 分段探测 → 模糊汇聚"讲清算法史，再落到 Python 读取与指标计算。

附录 S：STARE vs 现代大库的定位光谱

维度	STARE	现代眼底大库（如 EyePACS/UK Biobank）
规模	20 图	万-十万级
分辨率	700×605	2000+
许可	Research only	多为 DUA 受控
用途	评测/教学/一致性	训练/筛查
获取	匿名直链	申请/协议
时代	2000	2015+

STARE 与这些大库不是替代关系，而是不同光谱位置：一个轻量开放、一个海量受控。研究中常见"大库训练 → STARE 评测"的组合。

附录 T：术语中英对照速查（补充）

中文	英文	出现节
匹配空间滤波	matched spatial filter (MSF)	§3
分段阈值探测	piece-wise threshold probing	§3
模糊汇聚	fuzzy convergence	§3
视神经检测	optic nerve detection	§3
人类基线	human baseline	§4
观察者间一致性	inter-observer agreement	§7
视场掩码	field-of-view mask	§4
域偏移	domain shift	§9
样本效率	sample efficiency	§7

附录 U：联用评测配置模板（示例）

# 伪代码：DRIVE 主对比 + STARE 补充验证
1. 在 DRIVE(20/20 官方划分) 上训练并报告 SE/SP/ACC/AUC
2. 在 STARE 上以 .ah 为金标准，采用 5 折交叉验证
3. 同时计算 .vk vs .ah 的人类基线指标（同折）
4. 报告：[算法 vs .ah] 与 [.vk vs .ah] 并列
5. 说明：FOV 掩码策略、二值化阈值、随机种子、抓取日期

此模板兼顾可比性（DRIVE 固定划分）与鲁棒性（STARE 难样本 + 人类基线）。

附录 V：参考来源汇总

来源	类型	URL
STARE 项目主页（Clemson 托管）	一手官方	cecas.clemson.edu/~ahoover/stare/
STARE 血管分割工作页	一手官方	ces.clemson.edu/ahoover/stare/probing/index.html
Hoover 等 IEEE TMI 2000	主论文	doi:10.1109/42.845178
Hoover & Goldbaum IEEE TMI 2003	视神经论文	vol.22 no.8 pp.951-958
MDPI Biomedicines 2017	规格/设备佐证	mdpi.com/2227-9059/5/2/12
openmedlab Awesome-Medical-Dataset	第三方整理	github.com/openmedlab/Awesome-Medical-Dataset
EyeDataHub STARE 条目	获取/许可佐证	khosravipooya.com/EyeDataHub/datasets/stare
Dataset Ninja STARE	像素统计佐证	datasetninja.com/stare
PeerJ CS-3911	许可/版权佐证	peerj.com/articles/cs-3911
Springer SNAPP 2024	性能示例佐证	doi:10.1007/s42979-024-03403-1

（抓取时点：2026-09-30；网络环境：HuggingFace 主站受限，未涉及；官方页 curl 需带 User-Agent 且部分 https 路径返回空，http 路径可读。）

附录 W：本条目写作说明

• 采用三源互证：官方页（一手）+ 论文（一手）+ 第三方整理（二手佐证）；
• 冲突处逐条存照（见附录 N）；
• 未查证事项列入"遗留疑点"并标注；
• 所有硬数字均可回溯到上表来源；
• 遵循千方病案医数集 AI-Ready Wikipedia 规范（附录 O）。

附录 X：STARE 一句话问答集（给快速检索者）

你可能在问	直接回答
STARE 是什么？	视网膜彩色眼底图 + 双专家血管标注的老牌公开数据集
多少张图？	核心 20 幅；底层全库约 400 幅
多大分辨率？	700×605（W×H）
谁做的？	UCSD Goldbaum 发起；Hoover/Kouznetsova 标注
什么时候？	1975 发起，2000 公开
什么许可？	Research only，版权 UCSD
怎么下载？	官方页匿名直链
和 DRIVE 什么关系？	并列的经典血管分割基准，无派生关系
和 OCT 一样吗？	不一样，模态不同
能做深度训练吗？	规模太小，适合评测/迁移/教学

附录 Y：维护与更新提示

• 本条目事实以 2026-09-30 抓取时点 为准；
• 官方页为个人主页托管，若日后失效，可回溯 Wayback Machine 或第三方镜像（注意许可口径）；
• 若发现官方页有版本更新（新增标注、修改声明），应重抓并更新本条目对应章节与附录 N 存照表。

---

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：

• octa-25k — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 糖尿病视网膜病变 / 评测基准
• octid — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 糖尿病视网膜病变
• iostar — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 糖尿病视网膜病变 / 评测基准
• corn-nerve — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
• fgadr — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 糖尿病视网膜病变
• origa-light — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
• riga — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
• cataract-1k — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 图像分类 / 评测基准
• daroct — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 糖尿病视网膜病变 / 评测基准
• mbrset — 共享标签：医学影像 / 眼科影像 / 图像分类 / 糖尿病视网膜病变 / 评测基准

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。