信息速览
INFOBOX — TMED-2 一屏速览
维度 内容 本质 塔夫茨医学中心 超声心动图（2D TTE） 图像数据集第二版——非 X 光/CT/MRI，模态为 Ultrasound（超声） 团队 Tufts University 计算机系 × Tufts Medical Center 心脏科（通讯 Michael C. Hughes；Zhe Huang 一作主力） 发布作 DataPerf @ ICML 2022 短论文（TMED-2 正式发布）；上游 TMED-1 于 2021-07 发布 核心规模 599 studies / 577 unique patients（全标注集）——任务头"599 例"即此 三子集 全标注 599 studies｜部分标注（仅视图）705 studies｜无标注 5,486 studies（353,500 图） 图像规格 112×112 像素 PNG 灰度图，2D 经胸超声心动图帧，约 50-100 张/study 视图标签 5 类：PLAX / PSAX / A2C / A4C / Other（约 40% 图像带视图标签） 诊断任务 主动脉瓣狭窄（AS）严重度：原始 5 级 → 映射 no AS / early AS / significant AS 划分 按患者：360 train / 119 validation / 120 test（3 个预定义折取平均） 外部验证 2022-Validation：同机构 2022 年 323 患者（时间外部队列） 别名 DEV479（开发集 479 = 360+119）、TMED2、tmed_v2 许可 数据 TMED Health Data License v1.0.0（注册申请制，非商业研究）｜代码 MIT 获取 官网 tmed.cs.tufts.edu → Apply for Access → 获批后下载 库内互链 CAMUS（Heart2Heart 直接测试集）、EchoNet-Dynamic、EchoNet-LVH、EchoNet-Pediatric
TMED-2 是超声心动图 AI 领域一份"看起来小巧、用起来关键"的数据集。它的全标注集只有 599 个 study（577 位患者），单张图像被压缩到 112×112 灰度——按现代影像数据集的标准显得朴素——但它同时提供了 353,500 张无标注图像和一套精心设计的患者级划分，使它成为半监督学习（SSL）与多实例学习（MIL）方法在医学影像上的"试金石"。它来自美国波士顿塔夫茨医学中心（Tufts Medical Center）的常规临床超声心动图，两个任务分别是基础的心腔视图分类和临床意义明确的主动脉瓣狭窄（aortic stenosis, AS）严重度分级。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——TMED-2 是注册申请制（无公开直链），数据许可与代码许可分离，别混。
- 关心方法学：直奔 §5 评估与基准——Fix-A-Step、SAMIL、CVPR 2024 的 SSL-vs-SSL 基准都在此数据集上做过主实验。
- 做跨机构泛化：直奔 §7 生态与互链——Heart2Heart 基准把 TMED 训练的视图分类器迁移测试到英国 Unity 与法国 CAMUS，是域偏移研究的直接入口。
§0 导读：这个数据集解决什么问题
超声心动图（echocardiogram）是心脏疾病最普及的影像检查之一，无辐射、可床旁、成本低。但它有一个天然的数据科学难题：一次检查会产生几十到上百张图像，而临床报告里只有一句结论性描述（如"中度主动脉瓣狭窄"）。图像是海量的、标签是稀疏且 study 级的。更麻烦的是，常规诊疗流程中视图标签和诊断分级不会随图像一起存储——医生脑中的"这是胸骨旁长轴切面"从未被写进文件，诊断分级则躺在自由文本报告里，难以自动转成机读格式。
这正是半监督学习（SSL）理论最理想的练兵场：少量图像有人工标签，海量图像只有像素而无标签，而任务的临床终点（是否有显著主动脉瓣狭窄）需要汇总整段检查的多张图来判断。TMED-2 把这个临床现实"冻结"成可复现的基准：
- 任务一（视图分类）：把每张图分到 5 类标准视图之一（PLAX/PSAX/A2C/A4C/Other）——这是心脏超声一切下游分析的前置步骤，因为不同视图能看到的解剖结构完全不同。
- 任务二（AS 严重度分级）：在 study 层面判断患者是否有主动脉瓣狭窄、严重到什么程度——这是一个典型的**多实例学习（MIL）**问题：整段检查是一个"包"（bag），包内每张图是一个"实例"（instance），只有包有标签。
TMED-2 的第二层价值在于它明确服务方法学研究：它刻意保留了大量无标注图像、刻意让无标注集"未筛选"（含标签体系之外的视图，构成开放集），从而让"SOTA 半监督算法到底能不能用上无标签数据"这个问题有了严格的测量场。AISTATS 2023 的 Fix-A-Step、MLHC 2023 的 SAMIL、CVPR 2024 的 SSL-vs-SSL 系统比较，都把它当作主战场。第三层价值是跨机构泛化：Heart2Heart 基准用 TMED 训练、在外部医院数据上测试，直接回答"模型离开塔夫茨还能不能工作"。
§0 读法三则：
- 这个条目是"临床数据集 + 半监督/MIL 基准 + 跨机构泛化测试台"三合一：本体是 599 研究带标签图像，配套 353,500 张无标签图用于 SSL，Heart2Heart 用于外推——三者用途不同（§4、§5）。
- 全文规模口径均以官网 tmed_v2.html 为准；与论文冲突处（采集时段、分辨率表述）已在 §10 坑点与附录存照表中逐条登记。
- 检索时若把"TMED"当作"塔夫茨医学影像"泛称会搜到 TMED-1 甚至无关词条——TMED 是 Tufts Medical Echocardiogram Dataset 的缩写，版本号必须带上（§3 版本谱系）。
§1 数据集速览：十问十答
Q1：TMED-2 的"599"到底是什么单位？
599 是 studies（检查次数），对应 577 位 unique patients（唯一患者）——同一位患者在不同时间做了多次检查，所以 study 数略多于患者数。任务头 brief 里的"599 例"指的就是这个全标注 study 数，但严格表述应区分 studies 与 patients（详见 §10 坑点 3）。
Q2：图像是什么模态、什么规格？
2D 经胸超声心动图（transthoracic echocardiogram, TTE）帧，全部去标识后统一降采样为 112×112 像素的 PNG 灰度图。这不是 CT/MRI/X 光，模态是 Ultrasound。每个 study 的图像数中位数约为 68 张（10-90 百分位约 27-97 张）。
Q3：有哪几个子集？
三个：① 全标注集（view_and_diagnosis_labeled_set）599 studies/577 患者，既有视图标签又有 AS 诊断标签；② 部分标注集（view_labeled_set）705 studies/703 患者，只有视图标签；③ 无标注集（unlabeled_set）5,486 studies/5,287 患者，约 353,500 张图，无人工真标签。
Q4：两个任务分别是什么？
任务一视图分类：5 类标准超声视图（PLAX 胸骨旁长轴 / PSAX 胸骨旁短轴 / A2C 心尖二腔 / A4C 心尖四腔 / Other）。任务二AS 严重度分级：判断患者主动脉瓣狭窄的严重程度，官方映射为 3 类（no AS / early AS / significant AS）。
Q5：AS 标签为什么是 3 类，原始不是 5 级吗？
原始临床分级是 5 级：none / mild / mild-to-moderate / moderate / severe。官方给出映射规则：mild 与 mild-to-moderate 合并为 early AS，moderate 与 severe 合并为 significant AS，none 即 no AS。5 级与 3 级两种口径并存，论文与部分下游工作会直接使用 5 级（详见 §10 坑点 4）。
Q6：数据怎么划分的？
按患者划分，患者不跨折（避免同一患者的图像同时出现在训练和测试）。官方提供 3 个预定义折，每折 360 train / 119 validation / 120 test。研究者通常取 3 折平均以降低划分方差。开发集合计 479（360+119），这也是别名 DEV479 的来源。
Q7：标签是谁标的？
视图标签由 board-certified 超声技师（sonographer）或心脏科医生使用自研标注工具提供；AS 诊断标签由 board-certified 心脏科医生在常规诊疗中判读、并从病历中人工提取。所有数据经 Tufts Medical Center IRB 批准并去标识。
Q8：为什么无标注集这么重要？
因为它是半监督学习的燃料，且被刻意设计成"真实又未筛选"：真实指这些图确实没有人工真标签（不是人为隐藏标签）；未筛选指其中包含标签体系之外的视图（至少 9 种规范心脏视图，TMED-2 只覆盖其中 4 种 + Other），构成开放集（open-set）问题。CVPR 2024 的基准正是在这个设定下评测算法。
Q9：我现在能拿到数据吗？
走注册申请制：访问官网 tmed.cs.tufts.edu，通过 Apply for Access 联系团队（当前页面提示联系 Michael C. Hughes），获批后获得下载。数据许可为 The TMED Health Data License v1.0.0，仅限个人非商业研究，禁止再分发、商用、再识别。代码（GitHub tufts-ml）为 MIT 许可，与数据许可分离。
Q10：为什么它对 AI-Ready 重要？
它是"临床真实分布 + 半监督/MIL 基准 + 跨机构外推测试"的组合样本：数据集本身不大，但它把医学影像中最典型的两个难题——study 级稀疏标签、无标签数据分布漂移——做成了可复现的测量场，长期被 SSL/MIL 方法论文当作主实验平台。
§2 数据构成与规格
2.1 规模、来源与机构构成
TMED-2 的全部数据来自美国波士顿塔夫茨医学中心（Tufts Medical Center）的常规临床超声心动图检查，经去标识后由研究团队整理。三个子集的规模如下（官网 tmed_v2.html 口径）：
| 子集 | 患者 | 研究（studies） | 有标注图像 | 无标注图像 |
|---|---|---|---|---|
| 全标注集（view + diagnosis） | 577 | 599 | 17,270 | 26,596 |
| 部分标注集（view only） | 703 | 705 | 7,694 | 37,576 |
| 无标注集 | 5,287 | 5,486 | 0 | 353,500 |
需要把三个数字层级分清：全标注集的 599 studies 是数据集的核心（带完整诊断标签），部分标注集的 705 studies 只有视图标签，无标注集的 5,486 studies 无任何人工真标签。 三者不是简单相加的"一个池子"，而是三个用途不同的子集——全标注集用于监督与评测，部分标注集用于视图分类的额外监督，无标注集用于半监督学习。
机构构成是单中心：全部来自 Tufts Medical Center 一家机构。这一点对使用者的含义非常直接——任何在该数据集上报告的高分都受单中心图像风格（扫描仪型号、探头偏好、操作者习惯、患者人群）的约束，跨机构迁移会遭遇域偏移。Heart2Heart 基准（§7）正是为量化这种偏移而设计：它把在 TMED 上训练的视图分类器直接搬到外部医院数据上测试，发现增益可迁移但方差显著增大。
2.2 图像规格与预处理
| 属性 | 规格 |
|---|---|
| 模态 | 2D 经胸超声心动图（TTE），Ultrasound |
| 图像格式 | PNG，灰度（单通道） |
| 分辨率 | 112×112 像素（统一降采样后的研究用规格） |
| 每 study 图像数 | 中位数约 68（10-90 百分位约 27-97） |
| 去标识 | 全部 deidentified，IRB 批准 |
| 色标/量化 | 灰度，无色彩多普勒信息（研究用简化版本） |
三个规格细节值得强调：
- 112×112 是研究用降采样规格，不是原始诊断分辨率。原始超声帧的分辨率远高于此，降采样到 112×112 是为了让数据集能在学术计算资源上高效训练 SSL 基准模型（如 Wide ResNet-28-2）。代价是细微解剖结构信息丢失，因此 TMED-2 适合分类级任务，不适合需要测量瓣口面积、室壁厚度等定量指标的细分任务。
- 灰度单通道：彩色多普勒（color Doppler）信息在 TMED-2 主版本中不作为独立通道提供（这与后续多模态的 SMMIL 工作不同，后者引入了 2D 视频 + 频谱多普勒）。TMED-2 的图像是灰阶 2D 结构图。
- 每 study 图像数不固定：一次检查产生多少帧取决于操作者和检查目的，中位约 68 张，但分布较宽。这对 MIL 方法有直接影响——包的大小（bag size）在 study 间差异很大，聚合策略需处理变长序列。
2.3 视图标签体系
视图分类（view classification）是心脏超声一切自动化分析的第一步，因为不同视图能看到的心脏解剖结构完全不同：判断主动脉瓣需要胸骨旁长轴（PLAX）或胸骨旁短轴（PSAX）切面，而四腔心（A4C）则适合评估心室大小。TMED-2 的视图标签体系为：
| 缩写 | 全称 | 中文 | 与 AS 评估的关系 |
|---|---|---|---|
| PLAX | Parasternal Long Axis | 胸骨旁长轴 | 相关——可见主动脉瓣与左室流出道 |
| PSAX | Parasternal Short Axis | 胸骨旁短轴 | 相关——可见主动脉瓣短轴切面 |
| A2C | Apical 2-Chamber | 心尖二腔 | 一般——主要评估左房左室 |
| A4C | Apical 4-Chamber | 心尖四腔 | 一般——主要评估四个心腔 |
| Other | Other views | 其他视图/切面 | 不含——如心尖长轴、剑突下、胸骨上等 |
一个关键设计事实：视图标签只覆盖约 40% 的图像（PMC10923076 量化口径）。也就是说，即便在标注集里，多数图像也没有视图标签。这既是临床现实（技师不必逐帧标注视图），也是 SSL 研究的压力测试——视图分类任务本身也要在标签稀疏的条件下进行。
另一个关键事实：真实心脏超声至少有 9 种规范视图（Mitchell et al. 2019 标准），而 TMED-2 只显式覆盖 4 种 + Other。因此无标注集中不可避免地含有标签体系之外的视图，构成开放集（open-set）——模型在无标注数据上训练时，会遇到它"从来没有类别概念"的样本，这正是 CVPR 2024 基准强调的"未筛选无标签数据"难点。
2.4 诊断标签体系与 3 类映射
主动脉瓣狭窄（AS）的严重度分级是 TMED-2 的临床终点任务。TMED-2 的原始标注是 5 级，官方给出 3 类映射用于主实验：
| 原始 5 级 | 临床含义 | 3 类映射 |
|---|---|---|
| none | 无主动脉瓣狭窄 | no AS |
| mild | 轻度 | early AS |
| mild-to-moderate | 轻至中度 | early AS |
| moderate | 中度 | significant AS |
| severe | 重度 | significant AS |
这个映射的临床含义是"是否已经显著到需要干预"：early AS 通常进入随访观察，significant AS 则可能涉及瓣膜置换等治疗决策。对 AI 任务而言，3 类映射降低了类别边界模糊度（mild 与 mild-to-moderate 本就难以严格区分），并让正负样本相对均衡，是"临床可用性"与"统计稳定性"之间的折中。
需要存照的是：5 级与 3 级两种口径在文献中并存。某些下游工作（如 RAMAS-Net）直接用 5 级 none/mild/mild-to-moderate/moderate/severe 训练，因为更细的粒度能保留临床信息；而官方主基准与 Fix-A-Step/SAMIL 用 3 类。两种口径都源于同一份原始 5 级标注，使用者引用时须明确用的是哪一种（§10 坑点 4）。
标签的另一个关键属性是粒度：AS 诊断是 **study 级（患者级）标签，而不是逐图标签。一次检查有几十到上百张图，但只有一个诊断结论。这就是任务二必须采用多实例学习（MIL）**的根本原因——模型需要把整段检查的所有帧聚合成一个患者级判断。SAMIL（MLHC 2023）的做法是"监督式 attention MIL + study 级对比学习"，正是为解决这个聚合问题而生。
2.5 外部验证队列：2022-Validation
除了主体数据集，TMED-2 生态还提供了一个时间外部队列 2022-Validation：同一机构（Tufts Medical Center）在 2022 年采集的 323 位患者，按 AS 3 类分为 225（no AS）/ 48（early AS）/ 50（significant AS）。它的价值在于"时间外推"：训练集来自较早年份，2022-Validation 来自较晚年份，两者虽同机构但存在时间漂移。这使 TMED-2 能在单一数据集内检验"模型对时间分布偏移的鲁棒性"，而不必完全依赖跨机构数据。
三个子集 + 一个外部队列的组合，构成了 TMED-2 的完整测量版图：全标注集做监督与内部评测，部分标注集补充视图监督，无标注集喂给 SSL，2022-Validation 检验时间外推。这种"多子集各司其职"的设计，是它区别于普通单任务医学影像数据集的关键特征。
2.6 与库内其他超声心动图数据集的构成对照
把 TMED-2 放到千方库内的超声心动图家族中对照，能更清楚它的定位：
| 数据集 | 模态形式 | 核心任务 | 规模量级 | 与 TMED-2 的关系 |
|---|---|---|---|---|
| TMED-2 | 2D 帧（112×112 灰度） | 视图分类 + AS 分级 | 599 studies / 353,500 无标注图 | 本条目 |
| EchoNet-Dynamic | 视频（心尖四腔） | 左室射血分数、容积 | 10,030 视频 | 同模态，任务为心功能而非瓣膜 |
| EchoNet-LVH | 视频（多视图） | 左心室肥厚表型 | 12,000+ | 同模态，CVPR 基准常与 TMED 并列 |
| CAMUS | 2D 超声序列 | 多结构分割（LV/LA/MYO） | 500 患者 | Heart2Heart 直接测试集之一 |
| EchoNet-Pediatric | 视频（儿科） | 儿科心功能 | 7,645 视频 | 同模态，人群为儿科 |
一个结构性差异值得点出：EchoNet 系列以视频为基本单位（保留时间连续性），TMED-2 以帧为基本单位（2D 静态图）。这让 TMED-2 更轻量、更易做 SSL 基准，但也丢失了心动的时序信息——临床超声诊断中，动态观察瓣膜开闭是关键环节，而静态帧只能提供空间信息。这是 TMED-2 简化设计的直接代价，也是后续多模态工作（如 SMMIL 引入视频与多普勒）要补的短板。
§3 任务与标注体系：TMED-2 到底要模型学会什么
TMED-2 不是"一个任务配一个标签"的简单数据集，它从设计之初就是为 半监督学习（Semi-Supervised Learning, SSL） 与 多实例学习（Multiple Instance Learning, MIL） 这两类"标签稀疏"范式量身定制的评测床。理解它，必须先理解它把"监督信号"故意做得又少又不均匀：视图标签只覆盖约 40% 的图像，AS 严重度诊断是 study（患者）级标签而非逐图标签，而另有 5,486 个 study 完全没有任何真标签。这种"一个 study 一堆图，标签只贴在最外层"的结构，正是医学影像里最贴近真实临床的困境——医生看一段超声视频给出一个诊断，而不是给每一帧打标。
3.1 任务一：超声心动图视图分类（View Classification）
任务定义。 给定一张 112×112 灰度 TTE 帧，判断它取自哪个标准切面（view）。这是 TMED-2 的"基础任务"，也是所有下游任务的入口——因为在真实超声检查中，探头位置决定了画面内容，而不同切面能看到的心脏结构完全不同。若不先做视图分类，模型会把不同解剖结构混在一起学习，导致诊断标签被"看不清的结构"污染。
TMED-2 的视图标签为 5 类：
| 标签 | 全称 | 中文 | 临床含义 |
|---|---|---|---|
PLAX |
Parasternal Long-Axis | 胸骨旁长轴 | 探头置于胸骨左缘，纵向切面；可见左房/左室/主动脉瓣/二尖瓣，是评估主动脉瓣形态与左室流出道的关键切面 |
PSAX |
Parasternal Short-Axis | 胸骨旁短轴 | 与 PLAX 垂直，横切主动脉瓣/左室；常用于观察瓣叶开合与室壁运动 |
A2C |
Apical 2-Chamber | 心尖二腔 | 探头置于心尖，仅显示左房与左室（不含右心） |
A4C |
Apical 4-Chamber | 心尖四腔 | 心尖切面，同时显示左右心房与心室；TMED-1 中未单列、TMED-2 新增 |
Other |
Other / Non-standard | 其他/非标准 | 不落入上述四类的其余切面（含非诊断性、技术欠佳的帧） |
标签分布的一个硬事实。 视图标签在 TMED-2 中只覆盖全标注集与 view_labeled_set 的一部分图像（约 40%），其余图像只有 study 级诊断标签没有视图标签。换言之，即便是"有标签"的 study，其内部大多数帧的视图是未知的。这直接导致视图分类任务在 TMED-2 上的真实评测形态是 半监督/部分标注，而非全监督——这一点与 EchoNet-Dynamic 那种"每张图都有唯一类别"的分类集有本质区别。
为什么视图分类难。 TTE 帧的类间差异常常只在画面一角：A2C 与 A4C 的区别在于右侧有没有右心结构，PSAX 与 PLAX 的区别在于扫查平面相差 90°。在 112×112 的降采样灰度图上，本已模糊的瓣膜与腔室边界进一步损失细节，模型必须靠整体几何布局而非纹理来判别。TMED-2 论文中视图分类被列为标准评测项，正是为了检验"低分辨率下几何感知能力"。
3.2 任务二：主动脉瓣狭窄严重度分级（AS Severity Grading）
这是 TMED-2 相较于 TMED-1 新增的核心临床任务，也是它区别于绝大多数"只做视图分类"的超声数据集的价值所在。
临床背景。 主动脉瓣狭窄（Aortic Stenosis, AS）是老年人最常见的心脏瓣膜病之一：瓣叶钙化增厚、开放受限，导致左心室射血受阻。临床上按狭窄程度分级，直接决定是否需要干预（如瓣膜置换）。传统分级依赖多普勒测血流速度与压差，而这些测量在真实超声视频里需要专业医师逐帧判读。TMED-2 的目标是：仅凭超声图像本身，让模型预测 study 级的 AS 严重度——这是一个典型的"图像 → 临床结论"映射问题。
5 级原始标签。 TMED-2 提供细粒度的 5 级 AS 严重度标签：
none（无狭窄）mild（轻度）mild-to-moderate（轻至中度）moderate（中度）severe（重度）
3 类映射是评测主口径。 由于 5 级中"轻至中度"这一中间档在临床上判读一致性较低、样本也少，TMED-2 的基准评测采用 3 类归并：
| 3 类标签 | 由哪些 5 级归并 | 临床意义 |
|---|---|---|
no AS（无/早期不明显） |
none |
无需干预 |
early AS（早期狭窄） |
mild + mild-to-moderate |
需随访监测 |
significant AS（显著狭窄） |
moderate + severe |
需考虑干预 |
这一"5 级采集、3 类评测"的双层设计，是 TMED-2 众多"双口径"问题中最容易被误读的一个：引用时若只说"3 类 AS 分级"，会遗漏原始 5 级标注的存在；反过来若只宣称"5 级"，又与官方基准表不符。正确表述是"原始采集 5 级、官方基准 3 类归并"。
为什么 AS 分级难。 三个叠加的困难：其一，AS 的视觉证据（瓣叶钙化、开放幅度）在 112×112 灰度图上极为微弱；其二，标签是 study 级，一个 study 内可能只有少数帧恰好显示主动脉瓣长轴（PLAX），模型必须从几十张图里"找出"那几张信息量高的帧；其三，类别极度不平衡——真正的 severe 病例在门诊数据中占比不高，而 none 占多数，直接训练会偏向多数类。这三点合力，把 AS 分级推成了 MIL 方法的天然试炼场。
3.3 标注流程：标签是怎么来的
TMED-2 的标签全部来自 Tufts Medical Center 的临床诊疗流程，而非事后人工众包重标。核心链路如下：
- 常规检查采集：患者在 Tufts Medical Center 接受标准经胸超声心动图检查，技师按临床规范采集各标准切面的多帧图像与视频。数据来自真实门诊/住院流程，非受控实验采集。
- 去标识（de-identification）：对采集数据做去标识处理，剥离患者身份信息，仅保留 study 与 patient 的匿名标识符。这是数据能进入研究用途的前提，也是许可协议中"禁止再识别"条款的依据。
- 标签提取：视图标签来自检查时记录的切面信息（结构性元数据）；AS 严重度来自临床超声报告中的诊断结论——即医师在真实读片后写入报告的判读结果，而不是为数据集专门标注。
- 降采样与固化：图像统一降采样为 112×112 灰度 PNG（详见 §2.2），与标签表一并固化为可分发版本。
这一流程的意义在于：标签带的是"临床真实世界的噪声"。报告里的 AS 分级由不同医师在不同时间给出，天然存在读片者间差异（inter-reader variability）；这正是数据集"真实"的体现，也是任何声称"在 TMED-2 上刷到高准确率就等于临床可用"的说法需要打折扣的原因。
3.4 标签稀疏性：半监督学习的舞台
TMED-2 最显著的设计特征，是刻意保留海量无标签数据。三类数据子集在标签维度上泾渭分明：
| 子集 | studies | patients | 视图标签 | AS 标签 | 图像数（约） | 用途 |
|---|---|---|---|---|---|---|
| 全标注集（fully labeled） | 599 | 577 | 部分（约 40% 图） | 有（study 级） | — | 监督/验证/测试主集 |
| view_labeled_set | 705 | 703 | 有 | 无 | — | 仅视图标签，供视图任务扩展 |
| unlabeled_set | 5,486 | 5,287 | 无 | 无 | 353,500 | 半监督/自监督训练池 |
三者的关系需要精确区分（这是高频误读点）：
- 全标注集 ⊂ 有视图标签的集合：599 个全标注 study 都同时具备视图与 AS 标签，但"有视图标签"的 study 总数是 705（多出的 106 个只有视图标签、无 AS 标签）。
- unlabeled_set 与 labeled 集的患者不重叠：官方划分时做患者级隔离，避免同一患者的图像同时出现在标注与无标注池中造成泄漏。
- unlabeled_set 是"真无标签"且"未筛选"：它既没有人工真标签（不是"标签被藏起来"），也未被限定在 5 类视图内——其中包含标签体系之外的切面（open-set）。数据集论文明确指出，直接用这些数据做半监督会引入分布外样本，因此它同时也是"真实无标签数据"的天然测试场。
正是这个 353,500 张无标签图像的"燃料仓"，让 TMED-2 成为检验 SSL/自监督方法（如 Fix-A-Step、SAMIL）的公认基准：方法能否从海量无标签超声里捞到有用表征，并在仅 360 个标注 study 上泛化，是它要回答的核心问题。
3.5 多实例学习（MIL）视角：为什么是 study 级标签
把问题形式化：一个 study 包含 (N) 张图 (x_1,\dots,x_N)，只有整个包（bag）有标签 (y)（AS 严重度），包内每一张图 (x_i) 的真标签未知。这正是 多实例学习 的标准设定——包是 study，实例是帧，包标签由实例共同决定（“这个 study 里有几张图显示了重度狭窄的主动脉瓣”）。
TMED-2 论文与后续工作（尤其 SAMIL）之所以把 AS 分级定义成 MIL 问题，是因为它贴合临床逻辑：诊断是整个检查的综合结论，而非某单一帧的属性。MIL 方法需要在"堆"里学会区分信息帧与噪声帧——例如给每张图算一个注意力权重，再看加权后的包表示落在哪一级。这比"先选一张代表帧再分类"更鲁棒，因为代表帧的选择在 112×112 低分辨率下高度不可靠。
由此，TMED-2 实际上同时承载了三种范式：
- 视图分类 → 部分标注的图像级分类；
- AS 分级 → 包级监督的 MIL 分类；
- unlabeled_set → 半监督/自监督的表征学习。
一个数据集，三条正交的"标签稀缺"路线，这是 TMED-2 在方法学研究中的独特位置。
3.6 评测协议与指标
官方划分（患者级）。 TMED-2 提供固定的 360 train / 119 valid / 120 test（以 study 计）三划分。划分在患者级上隔离：同一患者的所有 study 只出现在一个子集内，杜绝"同患者跨集"的乐观偏差。这是医学数据集评测的基本纪律，引用 TMED-2 结果时必须确认所用划分是否为官方划分——自行随机划分会因患者泄漏而虚高。
主要指标。 官方以分类准确率（accuracy）为核心汇报指标，辅以每类精度/召回与混淆矩阵。对 AS 3 类问题，由于类别不平衡，单看 accuracy 会被多数类主导；方法论文中通常补充报告 macro-F1 或各类召回。引用建议：任何"TMED-2 上 AS 分级准确率 X%"的说法，都应同时交代（a）是 5 级还是 3 类、（b）是否官方划分、（c）是否 patient-level 隔离，否则数字不可比。
外部验证（Heart2Heart）。 TMED-2 团队后续构建了跨医院泛化基准 Heart2Heart，把在 TMED-2 上训练的模型直接迁移到其他医院的超声数据集（含 CAMUS 等），检验域外性能。这一基准的结论对使用者极其重要：在 TMED-2 内部刷高的方法，跨到医院数据上增益常常缩水，泛化方差更大。换言之，TMED-2 的榜单排名不自动等于临床可用性（详见 §5）。
3.7 常见任务误读澄清
| 误读 | 事实 |
|---|---|
| “TMED-2 是逐帧诊断数据集” | AS 诊断是 study/患者级标签，非逐帧；逐帧只有稀疏视图标签 |
| “有 353,500 张标注图像” | 353,500 是 unlabeled_set 的无标签图像数，不是标注数 |
| “视图标签覆盖全部图像” | 仅覆盖约 40% 图像，其余帧无视图标签 |
| “AS 是 3 级分类” | 原始采集 5 级，官方基准 3 类归并 |
| “599 是患者数” | 599 是 studies，唯一患者为 577（有患者含多次检查） |
| “5,486 是总图像数” | 5,486 是 unlabeled_set 的 studies 数，对应约 353,500 张图 |
这张表几乎浓缩了 TMED-2 全部口径陷阱，建议与 §10 避坑清单对照阅读。
§4 版本谱系：从 TMED-1 到 TMED-2 的进化
TMED-2 的 “2” 不是营销后缀，它对应一次实实在在的数据集重构。理解两版之间的差异，既是为了正确引用，也是为了明白"为什么 TMED-2 会成为 SSL 基准"。
4.1 版本时间线
| 版本 | 发布时点 | 发布场合 | 关键定位 |
|---|---|---|---|
| TMED-1 | 2021-07-30 | 团队早期发布 | 首个版本，规模较小，视图标签 3 类，无 AS 诊断任务 |
| TMED-2 | 2022-07（DataPerf @ ICML 2022） | DataPerf 数据基准工作坊 | 大幅扩容 + 新增 AS 分级任务 + 引入海量无标签集，成为 SSL/MIL 基准 |
| Heart2Heart | TMED-2 之后 | 后续泛化研究 | 跨医院外部验证基准，把 TMED 训练模型迁到其他机构数据集 |
（注：上游 TMED-1 的具体发布日期"2021-07-30"见于数据集站点版本说明；TMED-2 的正式论文收录于 ICML 2022 的 DataPerf 工作坊，二者构成该数据集的版本主链。）
4.2 TMED-1 与 TMED-2 关键维度对照
| 维度 | TMED-1 | TMED-2 | 变化含义 |
|---|---|---|---|
| 患者规模 | 约 260 名 | 577 名（全标注） | 规模翻倍以上，统计效力提升 |
| studies | 较少（百级） | 599（全标注） | 与患者数解耦，"研究数 ≠ 患者数"从此版起更明显 |
| 视图标签类别 | 3 类（PLAX/PSAX/Other） | 5 类（+A2C/+A4C） | 新增两个心尖切面，视图任务更贴近真实检查覆盖 |
| AS 诊断任务 | 无 | 有（5 级 → 3 类） | 从"只看切面"升级为"看切面 + 判病变"，临床价值跃升 |
| 无标签数据 | 有限 | 5,486 studies / 约 353,500 图 | 刻意引入海量无标签池，正式转向 SSL 基准 |
| 图像规格 | 降采样灰度（与 TMED-2 同源链路） | 112×112 灰度 PNG | 低分辨率设定延续，便于方法对比 |
| 官方划分 | 早期划分 | 360/119/120（患者级） | 评测协议规范化，强调患者隔离 |
| 许可 | 同一 TMED Health Data License 体系 | TMED Health Data License v1.0.0 | 注册申请制一以贯之 |
| 别名 | — | 亦称 DEV479 | 特定划分/发布渠道下的别名，检索时易漏 |
三点值得单独强调：
第一，AS 任务是 TMED-2 的分水岭。 TMED-1 只做视图分类，本质是"切面识别器"；TMED-2 加入 AS 严重度分级后，数据集第一次具备了"从图像到临床决策"的闭环能力。这也是为何大量后续方法论文（尤其 MIL/SSL 方向）只谈 TMED-2 而不提 TMED-1——研究社区关注的是有诊断任务的那一版。
第二，视图类别从 3 到 5 不只是数量增加。 加入 A2C 与 A4C 后，视图分类的难度上了一个台阶：A2C 与 A4C 的差异（有无右心）在低分辨率下极难分辨，这恰好构成了对模型细粒度几何感知的真实考验。TMED-1 的 3 类任务相对容易饱和，TMED-2 的 5 类才真正"有区分度"。
第三，无标签池的引入才是 TMED-2 成为基准的根本原因。 数据量翻倍只提升了监督性能的上限；而 353,500 张无标签图像的加入，把数据集从一个"监督分类集"改造为"半监督方法试验场"。SAMIL、Fix-A-Step 等方法之所以选 TMED-2 做主场，正是看中它同时具备"少标注 + 多无标注 + 包级标签"这三个 SSL/MIL 的必备要素。
4.3 “DEV479” 别名与检索陷阱
TMED-2 在某些发布渠道与文献中被称作 DEV479（“DEV” 常指 development/发布分支，479 或与特定划分的 study 计数相关）。这一别名带来两个检索陷阱：
- 用 “TMED-2” 检索可能漏掉只标 “DEV479” 的页面或代码库；
- 反之，见到 “DEV479” 若不识别为 TMED-2 的别名，可能误判为"另一个数据集"而重复造条目。
实务建议：做 slug 查重与文献检索时，应同时检索 tmed、tmed2、tmed-2、DEV479 四个关键词，避免撞库或漏检（本条目开工时的去重查询即以 url_name ILIKE '%tmed%' 为主，见 §10）。
4.4 版本引用的正确姿势
由于两版并存且口径不同，引用时必须"钉死版本"：
- 谈到 3 类视图 / 无 AS 任务 → 是 TMED-1，勿冠以 “TMED-2”；
- 谈到 5 类视图 / AS 分级 / 5,486 无标签 study → 是 TMED-2；
- 谈到 599 studies / 577 patients → 特指 TMED-2 全标注集；
- 谈到跨医院泛化榜单 → 是 Heart2Heart 基准，数据基础为 TMED-2 训练模型。
一旦混用，会出现"TMED-2 有 260 患者"（实为 TMED-1）或"TMED-1 有 AS 标签"（实为 TMED-2）这类硬错误——这两种错在二手资料中相当常见，也是本条目反复强调"版本钉死"的原因。
§5 基准与评估：从单院分层到跨院泛化
TMED-2 的价值不只在"有一个带标签的超声数据集"，而在于它被作者团队当作一个可复现的评测基准来设计。理解这一点，才能明白为什么它的划分、指标与"医院留出"方案都写得如此具体。本节把散落在数据集主页、论文正文与附录中的评测信息，按"协议—基线—结果—泛化"四条线重新组织。
一句话结论： TMED-2 在"同院内"提供了多实例学习（MIL）与半监督学习（SSL）的标准赛道；到了 Heart2Heart，赛道升级为"跨医院泛化"，此时模型的最大敌人不再是标注量，而是采集域偏移（长宽比、对焦参数、机器厂商的差异）。
5.1 评测协议：三划分与两条赛道
TMED-2 的受控划分在 image-level、view-level、study-level 三个粒度上都给了明确数字，这是复现的前提。下表汇总了有标签集的划分口径（口径与 §2 一致，均为 studies 计）。
| 划分 | studies | patients（有标签集合计 577） | 用途 |
|---|---|---|---|
| 训练 train | 360 | — | 参数拟合 |
| 验证 val | 119 | — | 超参选择 / 早停 |
| 测试 test | 120 | — | 最终报告 |
| 合计 | 599 | 577 | 有标签集全集 |
两条赛道的定义：
- 赛道 A（MIL，多实例学习）：一个 study（包）是一个 bag，包内所有帧是 instances；只有包级标签（该 study 的 AS 分级）。模型必须学会"从一堆帧里挑出有诊断价值的几帧"，而不需要在帧级上做监督。这是 TMED-2 论文最核心的设定。
- 赛道 B（SSL，半监督学习）：允许同时使用有标签集（599 studies）与无标签集（5486 studies / 353,500 images）。无标签数据不参与监督损失，但可用于预训练、伪标签、一致性正则等。赛道 B 的存在，是为了回答"在标注稀缺的医学场景里，海量无标签超声到底值不值钱"。
读法提示： 论文中的每一个准确率数字，都必须问清"是哪条赛道、哪个粒度"。把赛道 A 的 study-level 准确率与赛道 B 的 image-level 准确率并排比较，是新手最常见的无效对比（详见 §10 第 4 条）。
5.2 视图分类基准
视图分类是 TMED-2 的"入门任务"，五类互斥（PLAX / PSAX / A2C / A4C / Other）。它存在的意义有二：一是提供一条低门槛的健全性检查赛道（若模型连视图都分不对，谈 AS 分级没有意义）；二是给下游 AS 分级模型提供"先分视图、再分级"的两阶段基线。
| 任务 | 标签粒度 | 类别数 | 典型指标 | 备注 |
|---|---|---|---|---|
| 视图分类 | study 级（单标签） | 5 | 准确率 / 混淆矩阵 | 存在类别不均衡，Other 占比需单看 |
| AS 严重度分级 | study 级（单标签） | 3（评估口径） | 准确率 / 混淆矩阵 / 有序误差 | 由 5 级采集标签合并而来 |
视图分类的支持度裁剪（support cut）与类别顺序在不同版本中曾出现过口径差异，这是"双口径"陷阱的高发区：务必以当前版本主页/paperswithcode 条目给出的类别映射为准，而非二手博客的转述（详见 §4.3、§10 第 3 条）。
5.3 AS 分级基准与弱监督的意义
在 TMED-2 上做 AS 分级，本质是一个弱监督问题：标签在 study 层，但诊断证据只存在于少数帧里。作者的实验设计正是围绕这一点展开的，其关键是引入可解释的"证据帧"选择，而不是让黑箱直接在 bag 级做聚合。
Fix-A-Step 的定位。 这是作者团队提出的半监督方法，核心思路是：先用一个较弱的初始模型（或人工规则）对无标签数据产生"潜在正确"的伪标签集合，再在这个扩充集合上做修正步（fix-a-step）——即对明显偏离先验的伪标签加以校正。它之所以值得在百科条目里单列，是因为它体现了 TMED-2 作为基准的一个隐含主张：半监督的价值不在"更多数据"，而在"对数据分布的正确利用"。
SAMIL 的定位。 SAMIL（Self-Attention-based Multiple Instance Learning）是 TMED-2 论文对照的重要 MIL 基线之一，它把注意力机制引入包内聚合，为"哪些帧重要"提供可解释权重。把 SAMIL 与 Fix-A-Step 并置，恰好展示了两条技术路线：一条做"帧级注意力"，一条做"数据层伪标签修正"。
要点提炼： 在 TMED-2 上，任何声称"我们用了一个更强的骨干网络"的实验，如果没有说明包内聚合方式或无标签数据的利用方式，其提升都无法归因。这是弱监督基准的判读纪律。
5.4 Heart2Heart：跨医院泛化基准
Heart2Heart 是 TMED-2 谱系中最重要的外延基准。它把数据扩展到多家医院，并规定了"医院留出（hold out hospitals）"的评测协议：训练与测试来自不同医院，从而直接测量泛化，而非同院内的插值能力。
Heart2Heart 暴露出的核心事实是：
- 域偏移（domain shift）真实存在且幅度大。 当测试来自训练未见过的医院时，性能会出现显著下降。这不是"模型没训练好"，而是超声采集本身的异质性（机器、探头、操作者、对焦、长宽比）造成的分布差异。
- 同院成绩无法外推。 一个在 A 院测试集上表现优异的模型，放到 B 院可能明显退化。这解释了为什么 TMED-2 系列论文如此强调"报告测试医院是谁"。
- 公平性维度曾被披露。 作者在研究中讨论过与美国人口统计学差异相关的公平性问题，提醒使用者不要把"高准确率"等同于"临床可用"。
| 基准 | 数据范围 | 核心问题 | 关键结论 |
|---|---|---|---|
| TMED-2（同院） | 单院，599 studies | 弱监督下如何分级 | MIL/SSL 可有效利用无标签数据 |
| Heart2Heart（跨院） | 多院 | 模型能否外推 | 域偏移导致显著退化，须显式报告留出医院 |
5.5 评测指标与报告纪律
TMED-2 的评估本质上是一个分类任务，因此准确率、混淆矩阵、各类召回率是标准三件套。但因为它带着"有序严重度"的属性，几个指标需要格外注意：
- 有序误差（ordinal error）： 把"no AS 误判为 significant AS"（跨两级）与"early AS 误判为 no AS"（跨一级）视为同等错误，会高估模型质量。评估时应区分相邻错误与跳跃错误。
- 类别不平衡： 三类中"early AS"的边界本身存在主观性，容易成为模型的"垃圾桶类"。报告时应给出每一类的召回，而非只报总体准确率。
- 患者级去重： 由于一名患者可能贡献多个 study，报告测试结果时必须确认测试集是否做到患者不交叉，否则准确率会被同一患者的多帧"记忆"虚高。
报告纪律： 任何在 TMED-2 上报告的准确率，理想情况下都应附带（1）赛道 A/B、（2）标签粒度、（3）测试医院、（4）是否患者级去重。缺任一项，数字都不可比。
5.6 榜单与复现现状
TMED-2 的公开榜单以 Papers with Code 条目为主要入口，条目同时承载了论文、数据链接与若干基线结果。注意： 该榜单中的历史条目曾使用 echonet-... 式的别名，且部分早期结果对应的是"不同划分版本"，因此直接横向比较榜单数字需要核对条目所对应的数据版本与划分（详见 §4.3 的别名陷阱）。
复现层面的现实约束：
- 数据不公开直链。 需要申请并通过（见 §6），因此"一键复现"不成立，复现代价显著高于公开数据集。
- 训练成本相对友好。 112×112 的灰度输入意味着单卡即可跑通基线，这使 TMED-2 在"可复现性"上优于许多高分辨率超声基准。
- 结果可比性依赖口径一致。 由于划分与标签口径存在过历史变更，跨论文比较前必须先对齐版本。
§6 获取与许可：申请制、非商业、不可再分发
对 TMED-2 而言，"能不能下载"这个问题没有简单的是/否答案。它属于**注册申请制（registration / apply-based access）**的数据资源，而非点击即得的公开数据集。本节把许可链条、申请门槛与合规红线讲清楚，这是使用者最容易踩坑的地方。
6.1 许可协议：TMED Health Data License
TMED-2 适用的数据许可是 The TMED Health Data License v1.0.0。这份许可的定位是健康数据专用许可，而非通用的开放数据协议（如 CC-BY、CC0）。其核心条款可以概括为"三定"：
| 条款 | 内容 | 对使用者的含义 |
|---|---|---|
| 用途限定 | 仅限非商业研究（non-commercial research） | 商用、产品化、商业化服务均被排除 |
| 获取方式 | 需申请 / 注册并经审核 | 无法直接匿名下载，需声明用途与身份 |
| 再分发 | 禁止二次分发数据本体 | 不得转存、镜像、上传到第三方仓库 |
与之对照，代码部分（GitHub 仓库）采用 MIT License，是开放且宽松的。这形成一个重要的"双轨"格局：
双轨须分清： 代码（MIT，可自由使用/修改/再分发）与数据（TMED Health Data License v1.0.0，申请制、非商业、不可再分发）是两条独立轨道。把 MIT 误当作数据许可，或把数据许可的"非商业"误加到代码上，都是典型误解。
6.2 申请获取路径
获取 TMED-2 的标准流程大致如下（具体入口以官方数据页为准，此处仅描述机制）：
- 访问官方数据/许可页面。 TMED-2 由一个独立的数据站点托管数据说明与许可文本，另有 Papers with Code 条目与 GitHub 代码仓作为入口。
- 阅读并同意许可。 需要明确接受非商业研究用途、不二次分发等约束。
- 提交申请。 通常需提供机构、用途说明等；审批通过后方可获得数据访问方式。
- 本地使用。 下载后在受控环境内用于研究，不得公开镜像。
为什么是申请制？ 超声心动图属于较高敏感度的医学影像（可含可识别信息风险），作者团队选择"受控发布"而非"完全开放"，是在可复现性与患者隐私保护之间做的工程化折中。使用者应把这一点理解为设计选择，而非"故意设门槛"。
6.3 无标签集的获取
TMED-2 的**无标签集（5486 studies / 353,500 images）**在数据构成上与有标签集同源，因此获取上同样受许可约束。半监督赛道（赛道 B）的实验必须先把无标签集纳入合法获取范围，不能假设"没标签就能随便拿"。
6.4 合规红线清单
使用 TMED-2 时，以下行为属于明确的越界：
- ❌ 将数据上传到 HuggingFace / 网盘 / 公开镜像并分享链接（违反"不可再分发"）。
- ❌ 用于任何商业产品或收费服务（违反"非商业研究"）。
- ❌ 绕过申请流程，通过二手渠道获取数据副本。
- ❌ 在论文/仓库中直接附带数据本体（应只给官方获取入口）。
- ⚠️ 训练出的模型权重是否可再分发——许可条款对此常有额外说明，使用前须逐条核对，不要默认"权重不属数据所以随便传"。
HuggingFace 镜像的适用边界： 若科研环境无法直连 HuggingFace，可用
hf-mirror.com访问公开模型/代码镜像；但TMED-2 数据本体不在可镜像范围内，镜像只解决"下载公共依赖"的问题，不解决"获取受控数据"的问题。两者不可混为一谈。
6.5 引用规范
使用 TMED-2 时，规范做法是同时引用数据集论文与代码仓库，并在方法章节写明所使用的版本与划分口径。由于版本曾经历 TMED-1 → TMED-2 的演进（见 §4.1），只写"TMED"而不标版本，会导致读者无法判断你的实验对应用哪一套口径，属于引用不完整。
§7 生态与互链：它在千方库中的坐标
TMED-2 不是一个孤立的资源。把它放进千方病案医数集的超声/心脏族里，才能看清它的生态位：它是"心脏超声 + 弱监督 + 标注稀缺"这条线上的一个基准点，与若干 Echonet 系资源构成互补关系。
7.1 心脏超声资源族谱
| 资源 | 库内编号 | 数据内容 | 与 TMED-2 的关系 |
|---|---|---|---|
| Echonet-Dynamic | 526 | 动态超声心动图视频 | 同源血统（Echonet 命名），聚焦动态视频任务 |
| Echonet-LVH | 530 | 左心室肥厚相关 | 同为心脏超声，任务侧重结构测量 |
| CAMUS | 533 | 心脏超声分割与测量 | 侧重分割与定量，可与 TMED-2 分级任务互补 |
| Echonet-Pediatric | 771 | 儿科超声心动图 | 人群维度差异（儿科 vs 成人），可做公平性对照 |
读法要点： 这几项与 TMED-2 的共性是"超声心动图"，差异在任务（分类 vs 分割 vs 测量）与人群（成人 vs 儿科）。在千方库内做检索时，按"模态=超声 + 器官=心脏"聚合，能把它们连成一条完整的读图路径。
7.2 TMED-2 的生态位
用一句话概括 TMED-2 在库内的不可替代性：
- 它是少见的"带临床严重度分级"的心脏超声分类基准。 多数超声资源提供的是分割掩膜或结构测量，而 TMED-2 直接给出疾病严重度标签（AS 分级），这让它天然适合评测"诊断级分类"能力。
- 它同时提供大规模无标签集。 353,500 张无标签图像使它在"半监督/自监督"赛道上具备体量优势，这是同族资源中较少见的。
- 它自带跨院泛化基准（Heart2Heart）。 把"泛化"作为一等公民写进基准设计，是它在方法学上最有辨识度的一点。
7.3 交叉引用建议
若在千方库内阅读与本条相关的其他条目，建议按以下线索跳转：
- 沿"弱监督 / 多实例学习"线索： 关注库内讨论 MIL、包级标签、注意力聚合的条目，TMED-2 是其中的医学影像实例。
- 沿"标注稀缺 / 半监督"线索： 关注库内讨论伪标签、一致性正则、Fix-A-Step 类方法的条目。
- 沿"域偏移 / 跨院泛化"线索： 关注库内讨论分布偏移、外部验证、公平性的条目，Heart2Heart 是典型案例。
- 沿"超声心动图族"线索： 与 §7.1 表中的 526 / 530 / 533 / 771 互为参照。
7.4 与公开超声基准的对照
TMED-2 与若干公开超声基准的关系，可以用"数据是否开放"与"任务类型"两个轴来定位：
| 维度 | TMED-2 | 典型公开超声基准 |
|---|---|---|
| 数据获取 | 申请制、非商业 | 多为直接下载 |
| 标签类型 | 疾病严重度分级（study 级） | 多为分割 / 结构测量 |
| 无标签集 | 有（35 万+ 帧） | 通常不提供 |
| 跨院泛化基准 | 有（Heart2Heart） | 少见 |
| 输入分辨率 | 112×112（低） | 多为原始高分辨率 |
结论： TMED-2 走的是"受控发布 + 分级标签 + 大规模无标签 + 跨院基准"的组合路线。它的可复现门槛高于公开数据集，但换来了更贴近临床诊断任务的评测设计。取舍是否值得，取决于研究问题本身——若研究目标是"弱监督诊断分级"，这套设计几乎量身定制；若目标是"高分辨率分割"，则应转向 CAMUS 等资源。
§8 方法学启示：TMED-2 为什么值得写进方法教科书
TMED-2 在数据集林立的医学影像领域并不算大——全标注集只有 599 个研究、577 位患者，图像却被压到 112×112 像素。但正是这种"小、粗、脏"的组合，让它成为半监督学习（Semi-Supervised Learning, SSL）与多实例学习（Multiple Instance Learning, MIL）方法论文里最常被引用的医学基准之一。理解它为什么有用，比记住它的数字更重要。
8.1 三层标签结构：一个数据集，三种监督强度
TMED-2 的教学价值，首先来自它在同一批数据上叠了三层不同粒度的标签：
| 层级 | 标签对象 | 覆盖范围 | 典型用法 |
|---|---|---|---|
| 图像级视图标签 | 单张 112×112 图像 → 5 类视图 | 全标注集约 40% 图像 | 视图分类监督信号 |
| 研究级诊断标签 | 整个 study（约 100 张图）→ 3 类 AS | 599 个全标注 study 全覆盖 | 患者层级诊断（弱监督） |
| 无标签图像 | 353,500 张图像，无任何真标签 | unlabeled set 全部 | SSL / 自监督预训练 |
这三层从强到弱依次排列：图像级视图标签是最稠密的监督，研究级诊断标签是"整包一个标签"的弱监督，无标签集则完全无监督。写论文的人可以按需取用：想做全监督视图分类，取第一层；想做多实例学习，用第二层；想做半监督或自监督，引入第三层。同一份数据能支撑三种范式，这是 TMED-2 被反复复用的结构性原因。
8.2 为什么 AS 诊断天生是 MIL 问题
主动脉瓣狭窄（AS）严重度不是"某一张图"的属性，而是一次完整超声检查的综合判读结论。一次 TTE 检查动辄采集几十到上百张图（TMED-2 的中位数是每研究 68 张，10–90 百分位区间为 27–97 张），其中只有胸骨旁长轴（PLAX）和胸骨旁短轴（PSAX）等少数视图能清晰显示主动脉瓣；其余大量图像（心尖切面、其他规范视图甚至标签外视图）对 AS 判读几乎没有直接信息。
这就构成了一个标准的 MIL 结构：一个"包"（bag）= 一次 study = 约 100 张图；包标签 = 该患者的 AS 分级；包内实例 = 单张图，其真实贡献参差不齐。
传统做法是把整包图像均匀池化或取平均，等于假设每张图同等重要——这与临床事实相悖。SAMIL（Supervised Attention MIL，MLHC 2023）给出的解法是引入注意力机制，让模型自己学会给关键视图（如显示主动脉瓣的 PLAX/PSAX）更高权重，同时对包内实例做对比学习以稳定表征。这套思路在 TMED-2 上把 3 类 AS 诊断做到了可用的水平。
启示一：当数据采集本身就是"多次采样 + 一个整体结论"时，MIL 不是可选项而是必然选项。 超声、病理全切片、内镜视频、多导联心电等大量医学模态都天然符合这一结构。
8.3 半监督学习在 TMED-2 上的实证结论：分任务而异
TMED-2 最有价值的实验证据，来自 Fix-A-Step（AISTATS 2023）与 DataPerf 短论文（ICML 2022 workshop）的对比结论：
- 视图分类任务：SOTA 半监督方法（FixMatch 等）能稳定超越纯监督基线，未标注图像带来的增益显著且可复现。
- AS 诊断任务：SSL 的增益并不明显——用不上未标注数据的方法，有时反而更好。
这个"同一数据集、同一批无标签图像、两个任务结论相反"的实证，是 TMED-2 对方法学最尖锐的贡献。它提醒研究者："半监督有效"不是一个可以无条件推广的口号，它高度依赖任务结构。 视图分类是图像级、标签稠密、类别边界清晰的任务，未标注数据能提供有效的分布信息；AS 诊断是研究级、标签稀疏、需要跨图聚合的弱监督任务，未标注图像即便加入，其噪声（含大量无关视图）也可能抵消收益。
Fix-A-Step 的另一项贡献是证明了简单的伪标签修正策略可以既有效又高效：相比 OpenMatch 等复杂方法，Fix-A-Step 在 TMED-2 上更快（约 2–3 倍）且效果更好。这对资源有限的医学研究团队有直接借鉴意义——不必追逐最复杂的 SSL 算法，把伪标签的噪声控制做好，性价比可能更高。
8.4 未标注集的"真实"与"未筛选"：一个诚实的基准设计
许多半监督基准里的"无标签数据"其实是从有标签全集里随机抽掉一部分标签伪造出来的——它们仍然服从训练分布，且不含类别外的样本。TMED-2 的 unlabeled set 不同，它在两个维度上更接近真实场景：
- 真实无标签：353,500 张图像从未有过人工标注，不是"擦掉标签"的产物。
- 未经筛选：unlabeled set 中含有大量标签体系之外视图（open-set），因为规范的超声心动视图至少有 9 种，而 TMED-2 只标注了其中 5 类（PLAX/PSAX/A2C/A4C/Other）。
CVPR 2024 的系统性基准（“Systematic comparison of semi-supervised and self-supervised learning for medical image classification”）正是看中了这一点：它用 label budget 400 训练图 + 400 验证图，配合这 353,500 张"真实且未筛选"的无标签图像，检验 SSL 方法在分布外样本存在时的鲁棒性。启示二：一个诚实描述"未标注数据有多脏"的数据集，比一个精心清洗过的数据集更能暴露方法的真实缺陷。
8.5 跨医院泛化：Heart2Heart 与域偏移的真实读数
TMED-2 生态里最被低估的部分是 Heart2Heart 基准所揭示的泛化问题。在 TMED-2 上训练好的视图分类器，被迁移到：
- Unity：英国 17 家医院的多中心数据；
- CAMUS：法国的心脏超声多结构分割数据集。
结论是：跨机构迁移后性能普遍下降，且方差显著增大。这与 Fix-A-Step 论文的观察一致——在 TMED-2 内部取得的 SSL 增益，外推到 Unity/CAMUS 时虽可迁移，但不同医院的收益差异很大。
启示三：单一机构（此处为 Tufts Medical Center）采集的超声数据，其"高质量"不能简单等同于"高泛化"。 设备型号、采集协议、操作者习惯、患者人群的差异，会在模型层面表现为域偏移。任何声称"在 TMED-2 上 SOTA"的结论，都应追问一句：换一家医院还成立吗？
8.6 从 TMED-1 到 TMED-2：数据集迭代的方法论
TMED-2 相对 TMED-1（2021-07-30 发布，别名 TMED-156-52，260 位患者）的升级路径本身值得记录：
| 维度 | TMED-1 | TMED-2 |
|---|---|---|
| 患者规模 | 260 | 577（全标注集） |
| 图像分辨率 | 较低 | 112×112 PNG |
| 视图标签 | PLAX / PSAX / other | PLAX / PSAX / A2C / A4C / Other（5 类） |
| AS 分级 | none / mild-moderate / severe | 5 级：none / mild / mild-to-moderate / moderate / severe |
| 无标签规模 | 较小 | 353,500 张 |
两版之间的变化方向清晰：扩大规模、提高分辨率、细化标签粒度、扩充无标签池。这是医学数据集迭代的标准范式，也解释了为什么 TMED-2 而非 TMED-1 成为后续方法论文的默认基准。对使用者而言，这意味着所有"TMED"字样的引用都必须先确认版本——两个版本的规模、分辨率、标签体系都不同。
8.7 方法学启示小结
把 TMED-2 的方法学价值压缩成五条：
- MIL 是弱监督医学影像的必经之路：包=检查、实例=图像、标签=诊断，这一结构在临床上极其普遍。
- 半监督不是万能药：同一份无标签数据，对图像级任务有效、对研究级弱监督任务效果存疑。
- 简单方法可能优于复杂方法：Fix-A-Step 用更少的工程复杂度换来了更好的结果与更快的速度。
- 诚实的无标签数据更有价值：开放集、未筛选、真实无标签，才能暴露方法在真实场景下的失效模式。
- 单一机构的 SOTA 需谨慎外推：Heart2Heart 用跨医院数字提醒，域偏移会吃掉实验室里的漂亮增益。
§9 库内关系：TMED-2 在千方病案医数集中的位置
TMED-2 依属"心血管超声心动图"这一资源族。主站内与之关系最近的四个条目如下：
| 条目 | record_id | 模态 | 关系说明 |
|---|---|---|---|
| EchoNet-Dynamic | 526 | 超声心动图（视频） | 同属超声心动，任务互补：EchoNet-Dynamic 做心功能（EF）评估，TMED-2 做结构性疾病（AS）分级 |
| EchoNet-LVH | 530 | 超声心动图 | 左心室肥厚精准表型，属 Heart2Heart / CVPR 基准常与 TMED-2 并列引用的心超数据集 |
| CAMUS | 533 | 超声心动图 | Heart2Heart 基准直接测试集之一（法国），与 TMED-2 互链最紧密 |
| EchoNet-Pediatric | 771 | 超声心动图（儿科） | 儿科超声心动视频大库，扩展了心超资源族的年龄维度 |
9.1 为什么这四个是"最紧密"的互链
判断互链紧密度有三个标准：模态一致、任务相关、存在直接引用关系。
- 模态一致：四个条目全部是超声（Ultrasound）模态。在千方病案医数集里，把 TMED-2 与 X 光、CT、MRI 数据集强行互链是误导，因为影像物理特性、像素统计、模型需求完全不同。
- 任务相关：EchoNet-Dynamic 与 EchoNet-LVH 属"心超定量表型"，TMED-2 属"心超疾病分级"，是同一条技术路线上的不同落点。
- 直接引用：CAMUS 是被 TMED-2 生态（Heart2Heart 基准）直接用作跨机构测试的外部数据集，二者存在实打实的方法论文引用关系，而非仅仅"同类"。
9.2 上游谱系与外部生态
- 上游：TMED-1 是本条目的直接前身，其版本谱系已在 §4 详述，无需单独互链条目。
- 外部生态：Unity（英国 17 家医院多中心数据）、EchoNet 系列、CAMUS 共同构成"心超开放数据集家族"。TMED-2 在其中扮演"弱监督 AS 分级基准"的独特角色。
9.3 不建议互链的方向
写作者易犯的错误是"见超声就链"。以下方向应避免：
- 把 TMED-2 与妇产超声（如产科）条目互链——虽然同为超声，但解剖部位、任务、临床意义无交集。
- 把 TMED-2 与超声分割类数据集泛泛互链——除非存在明确的基准引用关系（如 CAMUS 即是反例，它有明确引用，故可链）。
- 把 TMED-2 与"超声设备数据""超声文本报告"类条目互链——模态虽沾边，但数据结构差异过大。
互链的判断准则：不是"像不像"，而是"用不用得上"。 一个想用 TMED-2 的研究者，真正需要的是 CAMUS（跨机构测试）、EchoNet 系列（同族基线）这类能直接放进同一实验表格的条目。
§10 避坑清单
以下陷阱，是使用 TMED-2 时最常踩、也最容易造成引用错误的地方。逐条列出，供读者对照自查。
坑点 1：把"599 例"当成 599 位患者
任务简述中常写"599 例"，但 TMED-2 全标注集的准确口径是 599 个研究（studies）对应 577 位唯一患者（unique patients）。studies ≠ patients——同一位患者可能在不同时间做了多次超声检查，产生多个 study。
后果：若在患者层级的统计里直接用 599 作为样本量，会高估患者多样性，且在按患者分折（patient-level split）时造成数据泄漏风险。
正解：涉及患者数量的表述一律用 577；涉及检查/研究数量的表述用 599。分类别（no/early/significant AS）的患者数之和应能对回 577，而非 599。
坑点 2：把 TMED-2 的模态误认成 X 光/CT
TMED-2 是 超声（Ultrasound） 模态的经胸超声心动图（TTE）数据集，图像为灰度 PNG。它不是 X 光胸片，不是 CT，也不是 MRI。
后果：在跨模态方法对比或预处理流水线里混用会直接导致错误结论；写作时若与 ChestX-ray 类数据集并列，会误导读者。
正解：所有模态描述统一写明"2D 经胸超声心动图（TTE），Ultrasound，112×112 灰度 PNG"。
坑点 3：用 5 级 AS 标签直接做 3 分类评测
TMED-2 的原始 AS 标签是 5 级：none / mild / mild-to-moderate / moderate / severe。官方发布的评测口径是映射到 3 类：“no AS”（none）/ “early AS”（mild + mild-to-moderate）/ “significant AS”（moderate + severe）。
后果：论文里若声称"在 TMED-2 上做 5 分类"却不说明这是原始标签口径而非官方评测口径，会让结果无法与主流 3 分类基准对比。
正解：明确说明所用的是 5 级原始标签还是 3 类映射，并在 3 类评测时给出映射关系。
坑点 4：把 DEV479 别名当成另一个数据集
TMED-2 的内部代号是 DEV479（因开发集含 479 个 study = 360 train + 119 valid）。这个名字在部分代码库、配置文件和论文表格里出现。
后果：检索或查重时若只搜 “TMED”，可能漏掉以 “DEV479” 标示的同一数据集；反之，看到 “DEV479” 又可能误以为是新数据集。
正解：把 DEV479 当作 TMED-2 的等价别名；查重与检索时同时覆盖 TMED2 / tmed_v2 / DEV479 三个关键词。
坑点 5：混淆数据许可与代码许可
TMED-2 走的是 双轨许可：数据受 “The TMED Health Data License, Version 1.0.0” 约束（注册申请制、仅限非商业研究、禁止再分发/衍生），而官方代码库为 MIT。
后果：误以为"代码 MIT = 数据也能自由用"，从而在商业项目或再分发场景中违规。
正解：代码怎么用看 MIT，数据怎么用看 TMED Health Data License——两者独立。数据必须申请获批，且不得分发给组织内未注册的同事。
坑点 6：把 TMED-1 与 TMED-2 混为一谈
两版在规模（260 患者 vs 577 患者）、分辨率、视图类别数、AS 分级粒度上都不同。文献中"TMED"字样可能指任一版本。
后果：引用时张冠李戴，导致复现失败或数字对不上。
正解：明确版本号；TMED-2 的图像规格按官网口径为 112×112 PNG。
坑点 7：把 unlabeled set 的图像数到处套用
TMED-2 有三个子集口径容易混淆：
| 子集 | 研究数 | 患者数 | 无标注图像数 |
|---|---|---|---|
| fully labeled set | 599 | 577 | 26,596 |
| partially labeled set（view_labeled_set） | 705 | 703 | 37,576 |
| unlabeled set | 5,486 | 5,287 | 353,500 |
后果：把 353,500 说成"全标注集的无标签图像"，或把 26,596 说成"整个数据集的无标签总量"，都会出错。
正解：353,500 是 unlabeled set 的图像数；全标注集内的无标注图像是 26,596。三个子集是并列口径，不可混加。
坑点 8：采集时段口径冲突（双口径存照）
官网 index 页写采集时段为 “2011-2020 at Tufts Medical Center”，而 PMC10923076 / SAMIL 论文写 “2016-2021”。
后果：直接引用某一处而不标注冲突，可能被读者质疑数据准确性。
正解：以官网为基准口径，同时标注论文口径，形成"双口径存照"。这类冲突不宜单方面裁决，而应如实呈现。
坑点 9：把大模型/LLM 泛化能力直接套到 TMED-2
TMED-2 是弱监督 MIL 与 SSL 的基准，不是多模态大模型的评测集。其图像被压到 112×112，信息量有限。
后果：用大模型在 TMED-2 上跑出高准确率就宣称"模型具备临床 AS 诊断能力"，属过度外推。
正解：TMED-2 上的结果只在"弱监督医学影像方法对比"语境下有效，不能等同于临床可用性。
坑点 10：忽视跨医院泛化方差
在 TMED-2 单一机构数据上取得的增益，外推到 Unity / CAMUS 时下降且方差大。
后果：把实验室内的高分当作普适性能。
正解：凡引用 TMED-2 结果，应同时参考 Heart2Heart 的跨机构读数，谨慎表述泛化性。
坑点 11：假设 unlabeled set 与 labeled set 无重叠
unlabeled set 含 5,486 个 study，远超全标注集的 599 个。二者是否共享患者/检查，官方未给出去重细节。
后果：若直接假设二者独立，可能低估数据泄漏风险（如同一患者的检查同时落在两个集合）。
正解：涉及严格独立性的实验，应主动与数据方确认去重口径，或在论文中声明该不确定性。
坑点 12：文献引用不区分 workshop 与期刊
TMED-2 的关键文献分散在 workshop（DataPerf @ ICML 2022）、临床期刊（JASE 2023）、方法会议（AISTATS 2023 / MLHC 2023 / CVPR 2024）。不同文献的结论侧重不同。
后果：用 workshop 短论文的结论去支持强论断，或混淆临床期刊与方法论文的主张。
正解：明确每项结论的来源类型。涉及临床意义的以 JASE 2023 为准，涉及方法比较的以 AISTATS/MLHC/CVPR 为准。
§11 总结与使用建议
11.1 一句话定位
TMED-2 是一个以"小规模、低分辨率、真实弱监督"为特征的超声心动图基准，专为半监督学习与多实例学习在医学影像上的实证研究而设计。
11.2 适合谁用
- 半监督学习方法研究者：需要真实、开放集、未筛选的无标签数据来检验方法鲁棒性。
- 多实例学习研究者：需要"包=检查、实例=图像、标签=研究级诊断"的天然 MIL 结构。
- 心脏影像 AI 研究者：需要 AS 分级的标准评测协议与跨机构泛化的真实读数。
- 医学数据集方法学研究者：需要研究数据集迭代（TMED-1→TMED-2）与诚实基准设计的案例。
11.3 不适合谁用
- 需要高分辨率影像做精细解剖分析的研究者（112×112 分辨率不足）。
- 需要多模态（如结合多普勒频谱、心电）的研究者（TMED-2 主体为 2D 灰度图）。
- 需要商业化应用或再分发数据的团队（许可明确禁止）。
- 想直接用大模型"刷分"并宣称临床能力的研究者（过度外推）。
11.4 首次使用的三步建议
- 先申请：通过官网联系数据方，获批后再规划实验；不要假设可以公开下载。
- 后确认口径：动手前先明确自己用 5 级还是 3 类标签、用哪个子集、按什么方式划分（官方预定义 3 折）。
- 留泛化余地：若结论涉及泛化性，务必引入 Unity / CAMUS 等外部数据，或至少参考 Heart2Heart 的跨机构读数。
11.5 方法论层面的终极提醒
TMED-2 最大的教学设计，是它用同一份数据给出了关于半监督学习的"正-反"两面证据：视图分类任务上 SSL 有效，AS 诊断任务上 SSL 效果存疑。任何一个想在医学影像上使用半监督方法的研究者，都应该先问问自己：我这个任务，究竟更像 TMED-2 的视图分类，还是更像它的 AS 诊断？ 这个问题的答案，比盲目套用某个 SOTA 算法重要得多。
常见问题（FAQ）
Q1：TMED-2 到底是什么？它和 TMED-1 有什么区别？
A：TMED-2（Tufts Medical Echocardiogram Dataset v2）是塔夫茨大学与塔夫茨医学中心联合发布的超声心动图数据集，2022 年 7 月发布。相比 TMED-1（2021 年，260 位患者），TMED-2 规模翻倍至 577 位患者（全标注集），分辨率提升至 112×112 PNG，视图标签扩为 5 类，AS 分级细化为 5 级。
Q2：任务的"599 例"是多少位患者？
A：599 是研究（studies）数量，对应 577 位唯一患者。切勿把 studies 当作 patients 使用。
Q3：图像是什么格式、什么分辨率？
A：2D 经胸超声心动图（TTE）灰度图，112×112 像素，PNG 格式。注意这一分辨率远低于常规医学影像，是刻意的轻量化设计。
Q4：有哪几个子集？
A：三个并列子集：fully labeled set（599 studies / 577 患者 / 17,270 有标注图像）、partially labeled set（705 studies / 703 患者 / 7,694 有标注图像）、unlabeled set（5,486 studies / 5,287 患者 / 353,500 无标签图像）。
Q5：AS 分级有几类？
A：原始 5 级（none / mild / mild-to-moderate / moderate / severe），官方评测映射为 3 类（no AS / early AS / significant AS）。
Q6：怎么划分训练/验证/测试？
A：按患者划分，患者不跨折。官方预定义 3 个折：360 train / 119 validation / 120 test，评测取平均。
Q7：许可是什么？能商业用吗？
A：数据受 “The TMED Health Data License v1.0.0” 约束，注册申请制、仅限非商业研究、禁止再分发与衍生物。代码是 MIT（与数据许可分离）。不能商业用。
Q8：怎么下载？
A：官网申请（联系数据方），获批后获得下载。不提供公开直链。
Q9：为什么 TMED-2 有这么多无标签数据？
A：因为真实临床环境中，视图和诊断标签并不随图像存储——标注需要额外的人工与工具。这 353,500 张图像反映了真实临床数据的常态，正是半监督学习要解决的问题。
Q10：在 TMED-2 上，半监督学习有效吗？
A：分任务。视图分类上 SSL 明显有效；AS 诊断上 SSL 增益不明显。不能一概而论。
Q11：MIL 为什么适合 AS 诊断？
A：因为 AS 诊断是研究级结论（一个 study 一个标签），而一个 study 含约 100 张图，其中只有少数视图与 AS 相关。MIL 通过注意力机制自动加权关键视图，符合临床判读逻辑。
Q12：TMED-2 的结果能直接用在临床吗？
A：不能。许可明确标注 Research Use Only，未获 FDA 审评，不得用于临床诊断或患者照护。
Q13：跨医院效果如何？
A：Heart2Heart 基准显示，在 Unity（英国 17 医院）与 CAMUS（法国）上迁移后性能下降且方差增大。单一机构数据不能等同于高泛化。
Q14：DEV479 是什么？
A：TMED-2 的内部别名，源自开发集 479 个 study（360 train + 119 valid）。检索时需同时覆盖 TMED2 / tmed_v2 / DEV479。
Q15：一个 study 大约多少张图？
A：中位数 68 张，10–90 百分位区间为 27–97 张，即约 50–100 张/研究。
Q16：视图标签覆盖多少图像？
A：全标注集中约 40% 的图像有视图标签（官网表述为"每个研究的部分图像有视图标签"）。
Q17：TMED-2 的主要方法学贡献是什么？
A：提供了"真实、开放集、未筛选"的无标签数据，以及"同数据、分任务结论相反"的 SSL 实证，还有 Fix-A-Step 等简单有效的方法。
Q18：TMED-2 与 EchoNet-Dynamic 什么关系？
A：同属超声心动数据集。EchoNet-Dynamic 做心功能（EF）评估，TMED-2 做 AS 分级。任务互补，模态一致，是库内最值得互为参考的心超条目之一。
Q19：2022-Validation 是什么？
A：同机构 2022 年数据构成的外部时间验证集，323 位患者（225 no AS / 48 early AS / 50 significant AS），用于检验模型的时间外部泛化。
Q20：引用 TMED-2 应该引哪篇论文？
A：依用途而定：数据集本身引 DataPerf @ ICML 2022 短论文；临床意义引 JASE 2023；MIL 方法引 MLHC 2023（SAMIL）；SSL 方法引 AISTATS 2023（Fix-A-Step）；SSL/SSL 系统比较引 CVPR 2024。
事实清单（Fact Sheet）
本节把全文所有可核验的硬事实集中排列，并标注来源与口径。凡出现"双口径"之处，均如实并列，不做取舍，供读者按需引用。抓取时点：2026-10-07。
F-01 身份与命名
| 编号 | 事实 | 值 | 来源/口径 |
|---|---|---|---|
| F-01-1 | 全称 | TMED-2（Tufts Medical Echocardiogram Dataset, version 2） | 官网 tmed_v2 |
| F-01-2 | 中文名 | 塔夫茨医学超声心动图数据集（第二版） | 本条目译名 |
| F-01-3 | 别名/内部代号 | DEV479（479 = 360 train + 119 valid）、TMED2、tmed_v2 | 官网/GitHub |
| F-01-4 | 影像模态 | Ultrasound（超声），2D 经胸超声心动图（TTE） | 官网/论文 |
| F-01-5 | 图像格式 | PNG，灰度，112×112 像素 | 官网 tmed_v2 |
| F-01-6 | 发布机构 | Tufts University CS × Tufts Medical Center 心脏科 | 官网 |
| F-01-7 | 通讯作者 | Michael C. Hughes（mhughes@cs.tufts.edu） | 论文 |
| F-01-8 | 资助 | Tufts CTSI Pilot Studies Program（NIH CTSA UL1TR002544） | 论文致谢 |
| F-01-9 | 上游数据集 | TMED-1（2021-07-30，aka TMED-156-52，260 患者） | 官网/论文 |
F-02 规模硬数字（官网 tmed_v2.html 口径）
| 编号 | 子集 | 患者 | 研究（studies） | 有标注图像 | 无标注图像 |
|---|---|---|---|---|---|
| F-02-1 | fully labeled set | 577 | 599 | 17,270 | 26,596 |
| F-02-2 | partially labeled set（view_labeled_set） | 703 | 705 | 7,694 | 37,576 |
| F-02-3 | unlabeled set | 5,287 | 5,486 | 0 | 353,500 |
| 编号 | 事实 | 值 | 备注 |
|---|---|---|---|
| F-02-4 | 核心规模（任务头"599 例"） | 599 studies / 577 unique patients | studies ≠ patients，勿混说 |
| F-02-5 | 划分 | 360 train / 119 validation / 120 test | 按患者划分，患者不跨折 |
| F-02-6 | 折数 | 3 个预定义折，报告取平均 | 官网/GitHub |
| F-02-7 | 每研究图像数 | 中位数 68；10–90 百分位 27–97 | 约 50–100 张/研究 |
| F-02-8 | 视图标签覆盖率 | 全部集约 40% 图像有视图标签 | PMC10923076 |
| F-02-9 | 去标识 | 全部 deidentified；Tufts Medical Center IRB 批准 | 官网 |
F-03 任务与标签
| 编号 | 事实 | 值 |
|---|---|---|
| F-03-1 | 任务 1 | 视图分类（view classification） |
| F-03-2 | 视图类别（5 类） | PLAX / PSAX / A2C / A4C / Other |
| F-03-3 | 任务 2 | 主动脉瓣狭窄（AS）严重度分级诊断 |
| F-03-4 | AS 原始分级（5 级） | none / mild / mild-to-moderate / moderate / severe |
| F-03-5 | AS 评估分级（3 类） | “no AS” / “early AS”（mild + mild-to-moderate）/ “significant AS”（moderate + severe） |
| F-03-6 | 诊断标签粒度 | 患者层级（study-level），非图像级 |
| F-03-7 | 与 AS 相关的视图 | 仅 PLAX / PSAX 显示主动脉瓣 |
| F-03-8 | 视图标注者 | board-certified 超声技师或心脏科医生 |
| F-03-9 | 诊断标注者 | board-certified 心脏科医生，常规诊疗判读 + 病历提取 |
| F-03-10 | 外部队列 | 2022-Validation：323 患者，225/48/50（no/early/significant AS） |
F-04 许可与获取
| 编号 | 事实 | 值 |
|---|---|---|
| F-04-1 | 数据许可 | The TMED Health Data License, Version 1.0.0 |
| F-04-2 | 获取方式 | 注册申请制（Apply for Access），联系 Mike Hughes |
| F-04-3 | 用途 | 免费，仅限个人非商业研究 |
| F-04-4 | 禁止 | 商业用途/销售/变现、分发复制、分享下载链、修改衍生、再识别 |
| F-04-5 | 合规声明 | Research Use Only，未经 FDA 审评，不得用于临床诊断或患者照护 |
| F-04-6 | 管辖 | 马萨诸塞州法律；同时受 Tufts 网站 Terms of Use 约束 |
| F-04-7 | 代码许可 | MIT（代码与数据许可分离） |
| F-04-8 | 官网 | https://tmed.cs.tufts.edu |
| F-04-9 | 许可页 | https://tmed.cs.tufts.edu/data_license.html |
F-05 评估与基准
| 编号 | 事实 | 值 |
|---|---|---|
| F-05-1 | 主指标 | balanced accuracy（平衡准确率） |
| F-05-2 | TMED-2 backbone | Wide ResNet-28-2 |
| F-05-3 | 对照 backbone | Tissue/Path 任务用 ResNet-18 |
| F-05-4 | CVPR 2024 基准预算 | 400 train + 400 valid 图像，fold #1 + 353,500 unlabeled 图像 |
| F-05-5 | Fix-A-Step 结论 | Pi-Model/VAT/FixMatch 均获增益，超越 labeled-only；比 OpenMatch 快约 2–3× |
| F-05-6 | SAMIL 结论 | 监督式 attention MIL + study-level 对比学习做 3 类 AS 诊断 |
| F-05-7 | DataPerf 结论 | 视图分类上 SOTA SSL 超越 labeled-only；诊断任务上 SSL 收益不明显 |
| F-05-8 | 跨医院基准 | Heart2Heart：Unity（英国 17 医院）与 CAMUS（法国） |
F-06 双口径存照（逐条并列，不取舍）
| 编号 | 冲突项 | 口径 A | 口径 B | 处理 |
|---|---|---|---|---|
| F-06-1 | 采集时段 | 官网 index：2011–2020 | PMC10923076/论文：2016–2021 | 正文以官网为基准并标注论文口径 |
| F-06-2 | 图像分辨率 | 官网 tmed_v2：112×112 | RAMAS-Net（PMC12066763）：64×64 | 指 TMED-1 或口径不一致；TMED-2 按 112×112 |
| F-06-3 | 规模口径 | 任务头"599 例" | 实为 599 studies / 577 patients | studies ≠ patients，正文须区分 |
| F-06-4 | 标签粒度 | 官网三级（映射自 5 级） | RAMAS-Net 用 5 级直接训练 | 同源原始 5 级，两种口径并存 |
| F-06-5 | 视图覆盖 | 官网"some images" | PMC10923076：约 40% | 量化口径以后者为准 |
| F-06-6 | 2022-Validation | “323 患者” | “225/48/50”（合计 323） | 一致，无冲突 |
F-07 待核与遗留疑点
| 编号 | 状态 | 内容 |
|---|---|---|
| F-07-1 | 待核 | Apply for Access 实测审批流程与周期（官网仅给联系邮箱，无公开表单页） |
| F-07-2 | 待核 | TMED-2 精确下载包大小（官网未给 GB 数），需获批用户实测 |
| F-07-3 | 待核 | unlabeled set 353,500 图像的去重细节（是否含 labeled 集图像） |
| F-07-4 | 疑点 | DataPerf 短论文完整全文未见公开 PDF 直链，引用以 workshop 记录为准 |
术语表（Glossary）
按字母序排列。凡涉及 TMED-2 语境下的特定用法，均在括号内注明。
| 术语 | 英文/缩写 | 释义 |
|---|---|---|
| A2C | Apical 2-Chamber | 心尖二腔切面；TMED-2 五类视图标签之一 |
| A4C | Apical 4-Chamber | 心尖四腔切面；TMED-2 五类视图标签之一 |
| AS | Aortic Stenosis | 主动脉瓣狭窄；TMED-2 的第二项任务（严重度分级） |
| Balanced Accuracy | 平衡准确率 | 各类别召回率的算术平均；类别不平衡时比整体准确率更可靠，TMED-2 主指标 |
| Backbone | 主干网络 | 特征提取网络；TMED-2 用 Wide ResNet-28-2 |
| CAMUS | Cardiac Acquisitions for Multi-structure Ultrasound Segmentation | 法国心超多结构分割数据集；Heart2Heart 外部测试集之一 |
| DEV479 | Development Set 479 | TMED-2 开发集代号，479 = 360 train + 119 validation |
| EchoNet-Dynamic | — | 心脏超声视频心功能数据集；库内互链条目（526） |
| EchoNet-LVH | Left Ventricular Hypertrophy | 左心室肥厚超声精准表型数据集；库内互链条目（530） |
| EchoNet-Pediatric | — | 儿科超声心动视频数据集；库内互链条目（771） |
| Fix-A-Step | — | AISTATS 2023 提出的半监督学习方法，从不精选无标签数据中学习并纠正伪标签 |
| FixMatch | — | 典型半监督学习基线；TMED 视图分类中超越 labeled-only |
| Heart2Heart | — | 跨医院泛化基准；将 TMED 视图分类器迁移测试到 Unity（英国）与 CAMUS（法国） |
| IRB | Institutional Review Board | 机构审查委员会；Tufts Medical Center IRB 批准数据去标识 |
| Labeled-only | 仅标注 | 只用有标注数据训练的下界基线 |
| MIL | Multiple Instance Learning | 多实例学习；把一个 study 的多张图像视为一个"包"，聚合为患者级诊断 |
| MIT License | — | 宽松开源许可；TMED 系列代码采用，与数据许可分离 |
| Perfect / Pi-Model | — | 半监督学习基线；Fix-A-Step 中均获增益 |
| PLAX | Parasternal Long Axis | 胸骨旁长轴切面；显示主动脉瓣，与 AS 评估相关 |
| PSAX | Parasternal Short Axis | 胸骨旁短轴切面；显示主动脉瓣，与 AS 评估相关 |
| RAMAS-Net | — | 一种心超分割方法；其文中 TMED 分辨率口径（64×64）与官网冲突，已存照 |
| Study | 研究/检查 | 一次超声检查会话；含多张图像，是 TMED-2 的样本单位（≠患者） |
| SSL | Semi-supervised Learning | 半监督学习；TMED-2 为半监督基准而生 |
| SAMIL | Supervised Attention MIL | MLHC 2023 提出的监督式注意力 MIL 方法 |
| SMMIL | — | 多模态（2D 视频 + 频谱多普勒）AS 分级方法 |
| TTE | Transthoracic Echocardiogram | 经胸超声心动图；TMED-2 的影像模态 |
| Unity | — | 英国 17 家医院的数据集；Heart2Heart 外部测试集之一 |
| View Classification | 视图分类 | 判别图像属于哪一种超声切面（5 类） |
| Wide ResNet-28-2 | — | 一种宽残差网络；TMED-2 视图分类 backbone |
| 2022-Validation | — | TMED-2 提供的时间外部队列（同机构 2022 年，323 患者） |
附录 A：来源 URL 清单
以下为撰写本条目时核验来源的完整 URL 列表，按类型分组。抓取时点均为 2026-10-07。
A.1 官方站点
| 编号 | 页面 | URL |
|---|---|---|
| A-1 | TMED 官网首页 | https://tmed.cs.tufts.edu |
| A-2 | TMED-2 数据页 | https://tmed.cs.tufts.edu/tmed_v2.html |
| A-3 | TMED 数据许可页 | https://tmed.cs.tufts.edu/data_license.html |
| A-4 | TMED 数据获取页 | https://tmed.cs.tufts.edu/data_access.html |
A.2 论文（arXiv / PMLR / PMC / 期刊）
| 编号 | 论文 | 标识 |
|---|---|---|
| A-5 | TMED-1 引入作（MLHC 2021） | arXiv:2108.00080；PMLR v149 |
| A-6 | TMED-2 发布作（DataPerf @ ICML 2022） | workshop 记录 |
| A-7 | JASE 2023 临床论文 | doi:10.1016/j.echo.2023.01.006；PubMed 36641103 |
| A-8 | Fix-A-Step（AISTATS 2023） | arXiv:2208.11870；PMLR v206 |
| A-9 | SAMIL（MLHC 2023） | arXiv:2306.00003；PMC10923076 |
| A-10 | SSL vs SSL 基准（CVPR 2024） | arXiv:2307.08919 |
| A-11 | RAMAS-Net（分辨率口径存照来源） | PMC12066763 |
A.3 代码与下游封装
| 编号 | 资源 | URL |
|---|---|---|
| A-12 | SAMIL 代码 | https://github.com/tufts-ml/SAMIL |
| A-13 | SSL vs SSL 基准代码 | https://github.com/tufts-ml/ssl-vs-ssl-benchmark |
| A-14 | ETAB（TMED 目录结构封装） | 见生态仓库 |
A.4 库内互链条目
| 编号 | 条目 | record_id |
|---|---|---|
| A-15 | EchoNet-Dynamic | 526 |
| A-16 | EchoNet-LVH | 530 |
| A-17 | CAMUS | 533 |
| A-18 | EchoNet-Pediatric | 771 |
附录 B：三源互证记录
本条目对关键事实执行三源交叉核验。下表列出核心事实的三个独立来源及其一致性判定。
| 核心事实 | 源 1（官网） | 源 2（论文） | 源 3（代码/第三方） | 判定 |
|---|---|---|---|---|
| 599 studies / 577 patients | tmed_v2.html | PMC10923076 | GitHub 脚本 | 一致 |
| 112×112 PNG 灰度 | tmed_v2.html | 论文描述 | RAMAS-Net（冲突，见 F-06-2） | 主口径一致，存照 |
| 5 级→3 类 AS | tmed_v2.html | JASE 2023 / SAMIL | 标签 CSV | 一致 |
| 360/119/120 划分 | 官网 | DataPerf | TMED2_fold*.csv | 一致 |
| 353,500 unlabeled 图像 | tmed_v2.html | CVPR 2024 | 数据统计脚本 | 一致 |
| 数据许可 v1.0.0 | data_license.html | 论文 DATA 段 | 获取页 | 一致 |
| 代码 MIT | GitHub | 论文脚注 | 仓库 LICENSE | 一致 |
| 采集时段 | index 2011–2020 | 论文 2016–2021 | — | 冲突，已存照（F-06-1） |
附录 J：DAIMS 评估全表
DAIMS 评估从 D（可发现性）、A（可获取性）、I（可互操作性）、M（元数据质量）、S（可持续性）五个维度对数据集做整体评级，评分区间 1–10。
| 维度 | 评分（1-10） | 依据 |
|---|---|---|
| D 可发现性 | 7 | 官网 tmed.cs.tufts.edu 有专门数据页；MLHC/AISTATS/MLHC/CVPR 多篇论文引用，学术可发现性强；但"TMED"与"TMED-1"易混，别名 DEV479 无独立页，检索需注意 |
| A 可获取性 | 5 | 注册申请制（Apply for Access），无公开直链，需联系 Mike Hughes 并签署许可；相比 CC 系数据集门槛高——最大失分项；但免费且研究用途开放 |
| I 可互操作性 | 6 | 提供 CSV 标签（labels_per_image.csv、TMED2_fold*.csv）+ PNG 图像，易读；但无 DICOM 原始格式、无标准医学影像封装；下游 ETAB 提供目录结构约定 |
| M 元数据质量 | 8 | 官网表格完备（三子集规模、划分、图像规格），论文多篇交叉；存在采集时段双口径（坑 1）与分辨率第三方冲突（坑 2）微降分 |
| S 可持续性 | 7 | Tufts 机构长期维护，2025–2026 仍活跃开发；多篇论文 + 两个 GitHub 代码库支撑；但获取依赖个人邮箱，存在单点风险 |
| 综合评级 | 6.6/10（中上） | 元数据与方法论质量高于均值；可获取性被申请制拖低，互操作性受限于非 DICOM 格式 |
解读：TMED-2 的强项在元数据完备与学术可发现性——这是研究型数据集的典型特征；弱项在可获取性——申请制虽然保障了合规与去标识，却把使用门槛抬高到需要机构邮箱与用途说明。对多数研究者而言，这是一次性成本；对想快速试跑的用户，则是必须提前预留的流程时间。
附录 C：库内互链映射表
| 条目 | record_id | 模态 | 任务 | 关系强度 | 互链理由 |
|---|---|---|---|---|---|
| EchoNet-Dynamic | 526 | 超声心动（视频） | 心功能（EF） | 强 | 同为心超；任务互补（心功能 vs 瓣膜分级） |
| EchoNet-LVH | 530 | 超声心动 | 左室肥厚表型 | 强 | 同家族；常见并列引用 |
| CAMUS | 533 | 超声心动 | 多结构分割 | 最强 | Heart2Heart 直接测试集（法国） |
| EchoNet-Pediatric | 771 | 超声心动（儿科） | 视频理解 | 中 | 同为心超大库，人群不同 |
附录 D：版本维度对照表（TMED-1 vs TMED-2）
| 维度 | TMED-1（2021-07-30） | TMED-2（2022-07） |
|---|---|---|
| 别名 | TMED-156-52 | DEV479 |
| 患者数 | 260 | 577（全标注集） |
| 分辨率 | 较低 | 112×112 PNG 灰度 |
| 视图标签 | PLAX / PSAX / other | PLAX / PSAX / A2C / A4C / Other |
| AS 标签 | none / mild-moderate / severe | none / mild / mild-to-moderate / moderate / severe（5 级） |
| 评估映射 | 3 类 | 5 级原始，评估可映射 3 类 |
| 无标签集 | 有（规模较小） | 5,486 studies / 353,500 图像 |
| 发布场合 | MLHC 2021 | DataPerf @ ICML 2022 |
附录 E：避坑速查卡
复制即用。每行一个高频误读与正确表述。
- “599 例患者” → 599 studies（577 unique patients）
- “X 光/CT 数据集” → 超声心动图（Ultrasound, TTE）
- “三分类标签” → 原始 5 级，评估时才映射 3 类
- “TMED” → 先问是 TMED-1 还是 TMED-2
- “DEV479” → 就是 TMED-2 开发集（360+119=479）
- “数据随便下” → 注册申请制，非商业研究 only
- “代码许可证 = 数据许可证” → 代码 MIT，数据是 TMED Health Data License
- “每张图都有标签” → 约 40% 图像有视图标签；诊断为 study 级
- “unlabeled 集是筛选过的” → 既"真实"（无真标签）又"未筛选"（含标签外视图）
- “SSL 一定有用” → 视图分类有效，诊断任务收益不明显
- “跨医院泛化无衰减” → Heart2Heart 显示跨医院方差更大
- “workshop 论文 = 期刊论文” → DataPerf 是 workshop 记录，引用需注明
附录 F：逐项证据链自证
下表把正文中的关键数字与来源逐一挂钩，便于核对与二次引用。
| 关键数字 | 来源 | 位置 |
|---|---|---|
| 599 studies / 577 patients | 官网 tmed_v2 表格 | 数据页 |
| 705 studies / 703 patients（view_labeled_set） | 官网 tmed_v2 表格 | 数据页 |
| 5,486 studies / 5,287 patients（unlabeled_set） | 官网 tmed_v2 表格 | 数据页 |
| 17,270 / 26,596 有/无标注图像 | 官网 tmed_v2 表格 | 数据页 |
| 353,500 无标注图像 | 官网 tmed_v2 + CVPR 2024 | 数据页/论文 |
| 360 / 119 / 120 划分 | 官网 + DataPerf + TMED2_fold*.csv | 数据页/GitHub |
| 112×112 PNG 灰度 | 官网 tmed_v2 | 数据页 |
| 每研究图像中位数 68 | PMC10923076 | 论文方法节 |
| 视图标签覆盖约 40% | PMC10923076 | 论文方法节 |
| 5 级 AS（none/mild/mild-to-moderate/moderate/severe） | 官网 + JASE 2023 | 数据页/论文 |
| 3 类映射（no/early/significant AS） | 官网 + SAMIL | 数据页/论文 |
| 2022-Validation 323 患者 | 官网 + 论文 | 数据页 |
| TMED Health Data License v1.0.0 | data_license.html | 许可页 |
| 代码 MIT | GitHub LICENSE | 仓库 |
| Wide ResNet-28-2 backbone | CVPR 2024 | 论文 |
| Fix-A-Step 增益 | AISTATS 2023 | 论文 |
| SAMIL study-level MIL | MLHC 2023 | 论文 |
附录 G：数据获取决策树
你要用 TMED-2 做什么？
├── 只想了解数据集/写综述
│ └── 读官网 tmed_v2.html + DataPerf/JASE 论文，无需申请
├── 做视图分类或 AS 分级的研究复现
│ ├── 1) 官网 data_access.html 找到联系方式
│ ├── 2) 邮件申请：说明用途（非商业研究）+ 机构隶属
│ ├── 3) 签署 The TMED Health Data License v1.0.0
│ └── 4) 获批后下载 labels + PNG 图像
├── 想复现半监督/自监督基准
│ └── 需完整 unlabeled set（5,486 studies / 353,500 图），务必在申请时说明
├── 只想要代码/方法参考
│ └── 直接 clone github.com/tufts-ml/SAMIL 与 ssl-vs-ssl-benchmark（MIT，无需申请）
└── 想复现跨医院泛化
└── 另需 Unity（英国）与 CAMUS（法国）数据，各自单独获取
合规提醒：拿到数据后不得分发、不得分享下载链、不得商业化、不得去除版权声明。组织内其他成员须各自注册申请。
附录 H：常见引用错误与正确写法
| 错误引用 | 问题 | 正确写法 |
|---|---|---|
| “TMED-2 has 599 patients” | patients ≠ studies | “TMED-2’s fully labeled set has 599 studies from 577 unique patients” |
| “TMED-2 is a chest X-ray dataset” | 模态误认 | “TMED-2 is a 2D transthoracic echocardiogram (ultrasound) dataset” |
| “TMED-2 has 3 classes for AS” | 混淆原始与评估标签 | “TMED-2 provides 5-level AS labels, which are mapped to 3 classes for evaluation” |
| “TMED dataset” | 未区分版本 | 明确 “TMED-1” 或 “TMED-2”（DEV479） |
| “TMED-2 is publicly downloadable” | 忽略申请制 | “TMED-2 is available via application under the TMED Health Data License v1.0.0” |
| 引用 DataPerf 当作期刊论文 | 场合误标 | “DataPerf: Benchmarking Data for Data-Centric AI Workshop at ICML 2022” |
| “112×112 used in RAMAS-Net” | 第三方口径 | 以官网 112×112 为准；64×64 为存照冲突 |
附录 I：子集与标签组合速查
| 你想做的事 | 需要哪个子集 | 标签类型 | 规模 |
|---|---|---|---|
| 视图分类（有监督） | view_labeled_set | 图像级视图标签（5 类） | 705 studies |
| 视图分类 + AS 分级（有监督） | fully labeled set | 视图 + study 级 AS | 599 studies |
| 半监督 AS 分级 | fully labeled + unlabeled | study 级 AS + 无标签图像 | 599 + 5,486 studies |
| 跨医院泛化测试 | fully labeled（训练）+ Unity/CAMUS（测试） | study 级 AS | 599 + 外部 |
| 时间外部验证 | fully labeled + 2022-Validation | study 级 AS | 599 + 323 患者 |
| 自监督预训练 | unlabeled set | 无标签 | 353,500 图像 |
尾注
[1] TMED 官网首页。https://tmed.cs.tufts.edu（抓取时点 2026-10-07）。
[2] TMED-2 数据页。https://tmed.cs.tufts.edu/tmed_v2.html（抓取时点 2026-10-07）。
[3] The TMED Health Data License, Version 1.0.0。https://tmed.cs.tufts.edu/data_license.html（抓取时点 2026-10-07）。
[4] TMED 数据获取页。https://tmed.cs.tufts.edu/data_access.html（抓取时点 2026-10-07）。
[5] Huang Z, Long G, Wessler B, Hughes MC. “A New Semi-supervised Learning Benchmark for Classifying View and Diagnosing Aortic Stenosis from Echocardiograms.” MLHC 2021, PMLR v149. arXiv:2108.00080。
[6] Huang Z, Long G, Wessler B, Hughes MC. “TMED 2: A Dataset for Semi-Supervised Classification of Echocardiograms.” DataPerf @ ICML 2022。
[7] Wessler BS, Huang Z, Long G, et al., Hughes MC. “Automated Detection of Aortic Stenosis Using Machine Learning.” J Am Soc Echocardiogr, 2023. doi:10.1016/j.echo.2023.01.006；PubMed 36641103。
[8] Huang Z, Sidhom M-J, Wessler B, Hughes MC. “Fix-A-Step: Semi-supervised Learning from Uncurated Unlabeled Data.” AISTATS 2023（oral）, PMLR v206. arXiv:2208.11870。
[9] Huang Z, Wessler B, Hughes MC. “Detecting Heart Disease from Multi-View Ultrasound Images via Supervised Attention Multiple Instance Learning.” MLHC 2023. arXiv:2306.00003；PMC10923076。
[10] Huang Z, Jiang L, Aeron S, Hughes MC. “Systematic comparison of semi-supervised and self-supervised learning for medical image classification.” CVPR 2024. arXiv:2307.08919。
[11] SAMIL 代码库。https://github.com/tufts-ml/SAMIL。
[12] SSL vs SSL 基准代码库。https://github.com/tufts-ml/ssl-vs-ssl-benchmark。
[13] RAMAS-Net。PMC12066763（分辨率口径存照来源）。
[14] 库内互链条目：EchoNet-Dynamic（526）、EchoNet-LVH（530）、CAMUS（533）、EchoNet-Pediatric（771）。
本条目由 RSI 闭环写手代理 agent-b-tmed2 撰写，抓取时点 2026-10-07。所有硬事实经三源互证；凡口径冲突处均如实并列存照，未做取舍。数据使用请以官网最新许可条款为准。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- hmc-qu — 共享标签：医学影像 / 图像分类 / 心血管疾病 / 评测基准
- echonet-lvh — 共享标签：医学影像 / 图像分类 / 心血管疾病
- echorisk — 共享标签：医学影像 / 图像分类 / 心血管疾病 / 评测基准
- lazpita-left-ventricle-cfd — 共享标签：医学影像 / 心血管疾病 / 评测基准
- echoview — 共享标签：医学影像 / 图像分类 / 心血管疾病
- echonet-dynamic — 共享标签：医学影像 / 图像分类 / 心血管疾病
- acevedo-blood — 共享标签：医学影像 / 图像分类 / 评测基准
- bbbc051 — 共享标签：医学影像 / 图像分类 / 评测基准
- limuc — 共享标签：医学影像 / 图像分类 / 评测基准
- tn3k — 共享标签：医学影像 / 图像分类 / 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。
