信息速览
INFOBOX — WOIVES 一屏速览
维度 内容 本质 首个公开的超广视野扫频源 OCTA（UWF SS-OCTA）视网膜血管分割数据集（官方宣称 to our knowledge the first） 全称 Widefield swept-source OCTA Image dataset based on VEssel Segmentation 团队 清华大学深圳国际研究生院为主；通讯 Peiwu Qin（秦培武）/ Chengming Yang 采集 深圳市眼科医院，2023 年 4—12 月；伦理批号 2024KYPJ012 规模 206 眼 / 152 受试者；临床特征子集 177 眼 / 130 受试者 视野 单次采集 24×20 mm²（480 mm²）≈120°，是 OCTA-500（36 mm²）的 13.3×、DRAC（144 mm²）的 3.3× 图像 1536×1280 px PNG；TowardPi SS-OCTA，A-scan 400k/s，轴向 3.8 µm / 横向 10 µm 标注 5 名初级眼科医师 SAM-OCTA 协同 → 像素平均融合软概率图 → 2 名 >5 年专家复核精修 标注形态 概率软标签 P∈[0,1]（uint8 [0,255]/255），不发布二值掩码 任务 浅层视网膜 OCTA 单通道血管分割（输出 [0,1] 概率图） 伴生方法 PG-Mamba：极坐标扫描（Radial Out/In）+ Dynamic FOV Gating 的 U 形视觉状态空间模型 主结果 Dice 89.81%、IoU 82.20%、Soft Dice 85.99%、clDice 91.97%、MAE 0.0257（六项中五项最优） 获取 Zenodo 公开直链（DOI 10.5281/zenodo.21904672，2.4 GB） 许可 数据 CC BY 4.0；代码 Apache-2.0；论文投稿 IEEE JBHI 审稿中 库内互链 octa-500（rid 341）、octa-25k（rid 859）
WOIVES 是一件"把视网膜血管成像的视窗一下子拉大三倍"的数据集工程。在它出现之前，公开的 OCTA 血管分割基准几乎都困在黄斑区的方寸之地——OCTA-500 是 6×6 mm²、ROSE 是 3×3 mm²，最大的 DRAC 也只有 12×12 mm²，而且标注的是糖尿病视网膜病变（DR）病灶而非完整血管树。WOIVES 用一台国产扫频源 OCTA（图湃医疗 TowardPi）在单次采集里拍下 24×20 mm²（480 mm²）、约 120° 的眼底，把可分析的血管网络从后极部一路铺到周边部，并把 206 只眼标成了"概率"而不是"非黑即白"的血管掩码。它同时回答了两个问题：超广视野下的血管该怎么标（五名初级医师 + SAM-OCTA 协同、两名资深专家终审的软标签流水线），以及标完该怎么评（叠加软 Dice、Brier、clDice 与下游血管量化，而非只看二值 Dice）。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——Zenodo 公开直链、CC BY 4.0、2.4 GB 一个 zip，比多数医学数据集都省事；但注意软标签不是二值掩码，需自己定阈值（坑 2）。
- 关心它与 OCTA-500/ROSE/DRAC 的区别：直奔 §2 与 §4 的横向对照——视野面积、疾病焦点、标注形态、是否带眼轴四条差异一表看清（§2.5、§4.1）。
- 做分割模型评测：直奔 §5——官方 five-fold split、七个基线、PG-Mamba 全指标可直接对标；但引用任何数字前先读 §5.5 的统计卫生守则。
§0 导读：这个数据集解决什么问题
要理解 WOIVES 的价值，得先理解 OCTA（optical coherence tomography angiography，光学相干断层血管成像）这项技术近年来的"视野焦虑"。OCTA 无需注射造影剂，就能给出具有深度分辨率的视网膜与脉络膜血管图像，已经成为定量血管分析的主力模态——从血管密度（VD）、血管长度密度（VLD）、分形维数（FD）到血管连通性，一系列量化指标都建立在它之上。问题是，这些量化指标全部依赖一个前置步骤：血管分割。分割不准，薄血管丢失、边界糊掉，下游的每一个数字都会跟着偏。
而分割的难度，随视野面积急剧上升。传统的黄斑区 OCTA 只覆盖 3×3、6×6 mm² 的一小块视网膜；高度近视（high myopia）带来的却是全眼球的轴性延长，视网膜与脉络膜的血管改变并不局限于后极部，而是弥漫到更大范围。用一块 6×6 mm² 的小窗口去刻画高度近视的血管异常，就像用门缝去打量一整间屋子。超广视野（ultra-widefield, UWF）扫频源 OCTA（SS-OCTA）本可以把窗户开大——单次采集就能到 24×20 mm²（约 120°），中央与周边血管形态一览无余——但公开的血管分割基准长期缺席：没有专门的超广视野标注，也没有配套的评测方法。
WOIVES 的回答分三层，恰好对应它的名字与论文的三项贡献。
第一层是数据。它提供了据作者所知首个公开的超广视野 SS-OCTA 血管分割数据集：206 只眼、来自 152 名受试者，视野 24×20 mm²，覆盖从正视眼（emmetropia）到高度近视（SE ≤ −6.0 D）的连续屈光谱，并配套 177 眼 / 130 人的完整眼科生物测量（眼轴、球镜等效、眼压、中央角膜厚度等）。这让它不仅能做分割，还能做"血管形态 ↔ 眼轴"这类高度近视专属的二次分析——这是 OCTA-500、ROSE、DRAC 都不具备的组合。
第二层是标注方法。超广视野图像的血管过密、面积过大，逐像素手工勾画成本失控。WOIVES 用两阶段人机协同流水线破局：第一阶段由 5 名初级眼科医师各自借助 SAM-OCTA（一个基于 Segment Anything Model 的 OCTA 血管交互分割模型）给出二值结果，再按像素平均融合成软概率图；第二阶段由 2 名五年以上经验的资深专家补漏、去假阳、修边界。最终产物不是硬掩码，而是保留标注者分歧的概率软标签——血管边界处 P∈(0,1) 的中间值，恰好记录了不同医师对模糊细小血管的判断差异。
第三层是评测范式。既然标签是连续的，评测就不该只用阈值化的 Dice/IoU。WOIVES 的正交论文（arXiv:2609.12574）补充了软 Dice、MAE、Brier 分数、clDice（拓扑连续性），并进一步把分割误差传递到血管量化指标（VD/FD/VLD/NCC）上，形成"重叠—概率—拓扑—下游量化"四层评测。配套提出的 PG-Mamba 模型则用两种极坐标扫描顺序（Radial Out / Radial In）补强传统方向扫描，在瓶颈层引入 Dynamic FOV Gating。
§0 读法三则：
- 这个条目是"数据集 + 方法论文 + 软标签范式"三合一：数据本体是 206 眼软标签 OCTA，方法是 PG-Mamba，范式是软标签多级评测——前两者各有许可与直链（§6）。
- 全文硬数字均出自 arXiv:2609.12574 正文与表格，或 Zenodo 记录页与 README；两者若有一致性冲突一律在坑点或附录存照（本条目未发现实质冲突，但相机口径需注意，见 §2.3）。
- 检索时若把 “WOIVES” 当成 “OCTA-500 的别名/后继” 去搜会一无所获——它与此前库内两条 OCTA 条目（octa-500 rid 341、octa-25k rid 859）是独立数据集（§9）。
§1 数据集速览：十问十答
Q1：WOIVES 是什么？名字怎么来的？
WOIVES 是一个用于视网膜血管分割与定量血管分析的超广视野扫频源 OCTA 数据集。名字是首字母缩略自官方全称 Widefield swept-source OCTA Image dataset based on VEssel Segmentation（Zenodo README §1 逐字母标注）。中文可理解为"面向血管分割的超广视野扫频源 OCTA 图像数据集"。
Q2：谁做的？在哪儿采的？
由清华大学深圳国际研究生院领衔，联合清华大学、中药广东省实验室·横琴实验室、河北医科大学第一医院医学人工智能实验室、南方科技大学医院共同完成。通讯作者为 Peiwu Qin（秦培武）与 Chengming Yang，共同第一作者为 Yang Liu 与 Yibing Shen。全部影像采集于深圳市眼科医院，时间跨度为 2023 年 4 月至 12 月，经该院伦理委员会批准（批号 2024KYPJ012），符合《赫尔辛基宣言》，所有受试者签署书面知情同意。
Q3：数据规模到底多大？
核心分割队列为 206 只眼、152 名受试者，即 206 张浅层视网膜 OCTA 图像与 206 张一一对应的概率软标签。此外还有一个临床特征子集——177 只眼、130 名受试者——具备完整的眼科生物测量元数据。注意这是"嵌套"结构：206 眼是全部可分割的成像队列，177 眼是其中有完整临床信息的那部分，剩余 29 眼仍在元数据表中，只是生物测量字段为空。
Q4：图像是什么规格？
单次采集视野 24×20 mm²（480 mm²），约合广角眼底 120°；发布图像为 1536×1280 像素的 PNG。成像设备为图湃医疗（TowardPi Medical Technology，中国）的扫频源 OCTA，A-scan 速度高达 40 万次/秒，轴向分辨率 3.8 µm、横向分辨率 10 µm。
Q5：视野"超广"到什么程度？
把面积摆开看最直观：OCTA-500 是 6×6 mm²（36 mm²），ROSE 是 3×3 mm²（9 mm²），DRAC 是 12×12 mm²（144 mm²）。WOIVES 的 480 mm² 是 OCTA-500 的 13.3 倍、DRAC 的 3.3 倍。更重要的是纵深组合：WOIVES 同时具备超广视野血管标注、全深度脉络膜成像与眼轴测量，这个组合在现有公开基准中据作者所知尚无先例。
Q6：覆盖哪些人群？
按球镜等效（spherical equivalent, SE）分三组：正视眼 SE ∈ [+2.0 D, −0.25 D]；近视 SE ≤ −0.5 D；高度近视 SE ≤ −6.0 D。队列整体偏近视/高度近视（作者在局限性中明确承认"more myopic and highly myopic eyes than emmetropic eyes"），因此适合研究血管与眼轴关系，但不适合估计人群患病率。
Q7：血管是怎么标的？为什么是"软"标签？
两阶段人机协同。阶段一：5 名初级眼科医师各自用 SAM-OCTA 交互式分割，得到 5 张二值掩码，再按像素平均：P(x) = (1/5)·ΣMᵢ(x)。阶段二：2 名五年以上经验的资深专家复核精修，重点补漏血管、剔除假阳、修正边界。最终保留概率图而非二值化——血管最细、信噪比最低的周边区域边界本就模糊，硬阈值会把标注者的分歧一并抹掉，软标签则显式保留它。
Q8：软标签怎么读？有官方二值掩码吗？
软标签存为 PNG、uint8、值域 [0,255]，概率 = 像素值/255。P≈1 是高置信血管区，P≈0 是背景，中间值代表边界不确定性。WOIVES v1.0 不发布独立的官方二值真值掩码——若你的实验需要二值标签，必须自行选定阈值并明确报告阈值策略（论文评估时用固定阈值 0.5）。
Q9：配套的模型是什么？成绩如何？
配套模型叫 PG-Mamba，一个 U 形视觉状态空间（visual state space）模型。它把 Mamba 的选择性扫描与两种极坐标扫描顺序结合起来（Radial Out 向外、Radial In 向内），并在编码器-解码器瓶颈处加了 Dynamic FOV Gating 做空间调制。在受试者级五折交叉验证下，Dice 达 89.81%、IoU 82.20%、Soft Dice 85.99%、clDice 91.97%、MAE 0.0257，六项主指标中五项最优；唯一失手的是 Brier 分数，被 Transformer 阵营的 H2Former 以 0.0146 拿下最低。
Q10：怎么下载？要花钱或申请吗？
不需要。数据在 Zenodo 公开直链（DOI 10.5281/zenodo.21904672），许可为 CC BY 4.0，可自由重用与再分发（需注明出处）。整包 WOIVES_v1.0.zip 约 2.4 GB，另有独立的 LICENSE.txt 与 README.md。代码在 GitHub syb1234567/PG-Mamba，Apache-2.0 许可。
§2 数据构成与规格
2.1 规模、采集地与队列结构
WOIVES 的队列是"两层嵌套"设计，理解这一点是读懂后续所有数字的前提。
| 队列 | 眼数 | 受试者数 | 说明 |
|---|---|---|---|
| 成像队列（imaging cohort） | 206 | 152 | 全部用于分割实验、交叉验证与血管量化分析；含质控通过的 UWF OCTA 与专家精修血管标注 |
| 临床特征子集（clinically characterized subset） | 177 | 130 | 在成像队列之内，另具备完整眼科元数据（眼轴、SE、IOP、CCT、屈光诊断等） |
成像队列的英文原文描述是 “206 eyes from 152 participants with quality-controlled UWF OCTA images and expert-refined vessel annotations”；临床子集是 “177 eyes from 130 participants additionally provides complete ophthalmic metadata”。两者是包含关系，不是并列关系。
采集全部在深圳市眼科医院完成，时间为 2023 年 4 月至 12 月。研究经该院伦理委员会批准（批号 2024KYPJ012），遵循《赫尔辛基宣言》，全体受试者提供书面知情同意。
2.2 成像设备与采集参数
| 参数 | 取值 |
|---|---|
| 设备 | TowardPi Medical Technology（图湃医疗，中国）扫频源 OCTA（SS-OCTA） |
| A-scan 速度 | 最高 400,000 scans/s |
| 轴向分辨率 | 3.8 µm |
| 横向分辨率 | 10 µm |
| 单次采集视野（FOV） | 24 × 20 mm²（≈120° 广角眼底） |
| 发布图像尺寸 | 1536 × 1280 像素 |
| 发布格式 | PNG |
对每只眼，系统最多采集六种血管造影/En face 图像：浅层视网膜（内界膜到外丛状层）、深层视网膜（外丛状层到 Bruch 膜）、全层视网膜（浅层与深层叠加），加上三张脉络膜 En face 图——脉络膜毛细血管、脉络膜中大型血管、整个脉络膜。血管分割标注只在浅层视网膜图像上进行。
辅助模态方面，彩色眼底照相（CFP）用 SW8800 免散瞳眼底相机（Suowei 索维，中国）单视野、以黄斑中心凹为中心拍摄；超广视野 SLO 用 Optos Daytona（Optos，英国）系统拍摄，采用低强度多波长激光扫描（含红、绿波长），单张覆盖可达约 200°。
眼科检查所用设备：（眼压）NT-530P 非接触式眼压计（NIDEK）；（客观验光）PRK-7000 自动验光仪（Potec）；（主觉验光）VT-10 综合验光仪（Topcon）；（眼轴、中央角膜厚度、角膜曲率）IOLMaster 700 光学生物测量仪（Carl Zeiss Meditec）。
2.3 图像处理与质量控制
采集后，全部图像先经人工审查，凡有严重伪迹、失焦、运动模糊或曝光错误的图像一律剔除。保留图像依次经过去标识化（移除个人可识别信息）、统一尺寸缩放、归一化（标准化像素强度分布）三步。随附的临床元数据（人口学、眼科生物测量、屈光测量、诊断分类）被整理为结构化表格，并去除全部可识别信息。
需要特别存照的是：发布的 OCTA 文件是设备导出的原始 1536×1280 PNG，不含模型专用的缩放、归一化或分块（tiling）预处理。README 明确写道 “Model-specific resizing, normalization, tiling, or other preprocessing is not embedded into the released OCTA files and should be treated as downstream processing.”。这意味着任何训练流程中的 512×512 分块等操作，都是研究者自己的下游处理，不是数据集自带属性。
质控剔除的四类显式伪迹（人工审查阶段）：
| 类别 | 具体表现 | 为何剔除 |
|---|---|---|
| 严重伪迹 | 投影伪影、分层错位、条带 | 会在血管区域制造非解剖结构，误导分割 |
| 失焦 | 整体或局部模糊 | 薄血管无法分辨，标注无意义 |
| 运动模糊 | 眼球移动导致的拖影 | 血管断裂或重叠，破坏拓扑 |
| 曝光错误 | 过曝或欠曝 | 血流信号饱和或缺失，改变表观血管密度 |
这四类之外，尚有不构成"剔除"但会影响质量的边缘情形（如周边区信噪比天然偏低）。由于官方未发布逐眼的质控评分或伪迹等级，研究者无法按"图像质量"做子集筛选——要么全用，要么自行评估。这是 WOIVES 在"可用性"维度上的一处留白。
离线预处理的三步与边界：去标识化（剥离可识别信息）→ 统一尺寸缩放 → 归一化（标准化像素强度分布）。这三步改变的是"存储形态"而非"解剖内容"；但正因归一化已被执行过一次，研究者若再叠加自己的归一化，需意识到是二阶归一化，可能压缩动态范围。
2.4 多模态文件清单（子集不完整，务必注意）
WOIVES v1.0 的各类文件数并非都是 206，辅助模态只覆盖部分眼。官方 README 给出的完整清单如下：
| 组成 | 文件/记录数 |
|---|---|
| 成像队列受试者 | 152 |
| 成像队列眼数 | 206 |
| 浅层视网膜 OCTA | 206 |
| 概率软血管标签 | 206 |
| 深层视网膜 OCTA | 160 |
| 全层视网膜 OCTA | 160 |
| En face 脉络膜毛细血管 | 160 |
| En face 脉络膜 | 171 |
| En face 脉络膜中大型血管 | 137 |
| 彩色眼底照相（CFP） | 63 |
| 扫描激光检眼镜（SLO） | 128 |
| 具备完整眼科元数据的眼数 | 177 |
| 具备完整眼科元数据的受试者数 | 130 |
核心分割基准只有一条 1:1 链：206 张浅层视网膜 OCTA ↔ 206 张概率软标签。所有其他模态都是不完整子集。若研究者的多模态实验需要"四种模态齐全"的样本，可用眼会在 63 眼（CFP 数量）以下——这是选择 WOIVES 做多模态研究前必须核对的硬约束（坑 4）。
2.5 公开元数据的字段结构
WOIVES 的 metadata/ 目录含三张 CSV 表，分别对应受试者级、眼级与数据字典。
participants.csv（受试者级） 字段：
subject_id—— 匿名受试者标识gender—— 性别age_group_2023—— 隐私保护的 10 岁年龄段，以 2023-12-31 为固定参考日派生family_history_high_myopia—— 高度近视家族史clinical_metadata_available—— 是否具备完整临床元数据
eye_metadata.csv（眼级） 为 206 张已发布浅层 OCTA 每张一行，字段：
eye_id、subject_id、laterality—— 眼标识、受试者标识、眼别superficial_octa_filename、soft_label_filename—— 图像与软标签文件名biometrics_available—— 生物测量是否可用- 生物测量：眼轴长度、中央角膜厚度、AL/K 比、矫正视力（logMAR）、球镜屈光误差、柱镜屈光误差、散光轴、眼压、屈光诊断
关键口径声明：年龄只以 age_group_2023（10 岁段）给出，不发布确切出生日期；该年龄段以 2023-12-31 为固定参考日，不应被解读为成像采集当日的精确个人年龄。对不具备完整临床元数据的眼，对应生物测量字段留空，而非把该眼从表中删除——因此 206 行全部保留，只是部分行字段缺失（这也解释了为何"临床子集"是 177 眼）。
data_dictionary.csv（数据字典） 定义各公开字段的单位、分类取值与派生规则。README 特别提醒研究者查阅数据字典，而非仅凭列名推断单位——这在跨数据集整合元数据时是避免单位错配的关键。
2.6 与既有公开 OCTA 数据集的横向对照
论文 Table I 给出了 WOIVES 与代表性公开 OCTA 数据集的对照。下表按原表转写（保留原口径，含 DRAC 的脚注说明）：
| 数据集 | 年份 | 技术 | FOV (mm²) | 面积 | 规模 | 标注 | 疾病焦点 | 眼轴 | 脉络膜 |
|---|---|---|---|---|---|---|---|---|---|
| OCTA-500 | 2024 | SD-OCT (Optovue) | 6 × 6 | 36 mm² | 500 眼 | 血管（二值） | DR, AMD, CNV | ✗ | ✗ |
| ROSE-1 | 2021 | SD-OCT (RTVue XR) | 3 × 3 | 9 mm² | 117 眼 | 血管（二值） | 阿尔茨海默病 | ✗ | ✗ |
| ROSE-2 | 2021 | SD-OCT (Heidelberg) | 3 × 3 | 9 mm² | 112 眼 | 血管（二值） | 黄斑疾病 | ✗ | ✗ |
| DRAC | 2022 | SS-OCT (VG200D) | 12 × 12 | 144 mm² | 174 图像‡ | DR 病灶（二值） | 糖尿病视网膜病变 | ✗ | 部分 |
| WOIVES（本文） | 2026 | SS-OCT (TowardPi) | 24 × 20 | 480 mm² | 206 眼 | 血管（软概率） | 高度近视 | ✓ | 全深度 |
‡ DRAC 规模口径脚注：DRAC 共含 1,103 张超广角 OCTA（UW-OCTA）图像；其病灶分割任务使用 109 张训练 + 65 张测试图像，未报告受试者级或眼级计数。DRAC 标注针对 DR 病灶而非血管树，因此并非血管分割基准。引用 DRAC 规模时务必带此脚注，否则会把"174 张图像"误当成"174 只眼"（坑 3）。
表中缩写：DR = 糖尿病视网膜病变；AMD = 年龄相关性黄斑变性；CNV = 脉络膜新生血管；SD-OCT = 谱域 OCT；SS-OCT = 扫频源 OCT。
从表里可以读出 WOIVES 的四条差异化定位：面积最大（13.3× OCTA-500、3.3× DRAC）、标注形态最独特（唯一的软概率血管标注）、疾病焦点错位（唯一面向高度近视而非 DR/AMD/AD）、唯一提供眼轴与全深度脉络膜。
2.7 目录结构与文件命名
官方 README §7 给出的 v1.0 发布结构如下：
WOIVES_v1.0/
│
├── README.md
├── LICENSE.txt
│
├── Image/
│ ├── CFP/ *.jpg
│ ├── SLO/ *.jpg
│ └── OCTA/
│ ├── Enface_choriocapillaris/ *.png
│ ├── Enface_choroid/ *.png
│ ├── Enface_choroidal medium and large vessels/ *.png
│ ├── OCTA_deep retina/ *.png
│ ├── OCTA_full retina/ *.png
│ └── OCTA_superficial retina/ *.png
│
├── Label/
│ └── mask_*.png
│
├── metadata/
│ ├── participants.csv
│ ├── eye_metadata.csv
│ └── data_dictionary.csv
│
├── splits/
│ └── fold_split.json
│
└── assets/
├── 000003_R_superficial_octa.png
├── 000003_R_soft_label.png
├── 000003_R_cfp.jpg
└── 000003_R_slo.jpg
文件命名约定：图像使用匿名的六位受试者标识符加眼别后缀，例如 000003_R.png（000003 = 匿名受试者 ID，_R = 右眼，_L = 左眼）。对应的软血管标签用同一眼标识符加 mask_ 前缀：Image/OCTA/OCTA_superficial retina/000003_R.png ↔ Label/mask_000003_R.png。不同影像目录下共享同一匿名眼标识符的文件属于同一只眼；某辅助模态文件夹中缺少某眼标识符，即表示该模态在这只眼上不可用。
v1.0 不包含跨模态统一的 image_manifest.csv，辅助模态的可用性只能通过"同名眼标识符是否出现在对应目录"来判断。官方承诺未来小版本可能补上统一清单。
§3 采集与标注流水线
3.1 入选标准与排除标准
受试者按球镜等效分为三组：
- 正视眼：SE ∈ [+2.0 D, −0.25 D]
- 近视：SE ≤ −0.5 D
- 高度近视：SE ≤ −6.0 D
排除标准（凡有玻璃体视网膜手术史或严重玻璃体视网膜病变者排除）：增生性糖尿病视网膜病变、视网膜静脉或动脉阻塞、视网膜色素变性、中心性浆液性脉络膜视网膜病变、青光眼、视网膜炎症、视神经疾病。
这套标准把"会影响血管形态的混杂病变"尽量剔除，使数据集聚焦于屈光状态这一单一变量对血管的影响——这正是"面向高度近视分析"定位的体现。
3.2 标注流水线的两阶段设计
血管分割标注只在浅层视网膜 OCTA 图像上进行。鉴于超广视野图像空间跨度大、血管密度高，作者设计了两阶段人机协同流水线。
阶段一：多标注者 SAM-OCTA 协同标注
5 名初级眼科医师各自独立标注每张图像，借助 SAM-OCTA——一个改编自 Segment Anything Model（SAM）、专用于 OCTA 血管分割的开源交互式分割模型。每位标注者提供正/负提示引导模型，产出一张初始二值分割掩码。5 张标注随后按像素平均聚合为软概率图：
P(x) = (1/5) · Σ_{i=1..5} M_i(x)
其中 Mᵢ(x) 是第 i 位标注者的二值标注。P 接近 1 表示血管区高度一致，接近 0 表示背景，中间值保留标注者之间的分歧与不确定性。
阶段二：资深专家复核精修
2 名具有五年以上临床经验的高级眼科医师复核并精修融合后的标注，重点处理：遗漏的血管、假阳性区域、血管边界刻画。公开发布保留最终标注的软概率表示，而不转换为二值硬掩码；WOIVES v1.0 不发布独立的二值血管掩码集。
3.3 软标签的技术格式与读取方式
软血管标注的存储规格：格式 PNG、数据类型 uint8、存储范围 [0, 255]、对应概率范围 [0, 1]。恢复连续概率图的方式为 P = 像素值 / 255。官方 README 给出的读取示例：
from PIL import Image
import numpy as np
label = np.asarray(
Image.open("Label/mask_000003_R.png"),
dtype=np.float32
)
probability = label / 255.0
print(probability.min(), probability.max())
接近 1.0 表示高置信血管区，接近 0.0 表示背景，中间值保留标注不确定性。README 特别强调：若下游实验需要二值标签，用户应明确报告所用的阈值策略；WOIVES v1.0 不包含官方二值真值掩码。
3.4 为什么软标签是设计选择而非妥协
软标签不是"没标完的中间产物"，而是有明确论据的设计决策，论文列出两层理由。
第一层是边界本身的模糊性。 在超广视野 OCTA 图像中，血管边界——尤其是周边区域最细的可分辨血管——因信噪比降低与部分容积效应（partial volume effect）而本质上不明确。融合后的概率图自然把每张图像分解为三类区域：确定血管区（P≈1）、确定背景（P≈0）、不确定边界带（0<P<1，即标注者意见相左处）。传统二值标注强制一个硬阈值，把这种分歧直接丢弃；软标签则显式保留它。
第二层是对训练的直接影响。 论文指出，该设计直接作用于模型训练：复合损失函数（软 Dice + MSE）作用于连续概率输出，使网络学习"分级置信度"而非在模糊边界上过度自信（overcommit）。推理时，软标签感知的预测能给出更精细的血管边界估计，进而惠及下游血管量化（§5.4）。
这一选择也与医学图像分割的方法学趋势一致——论文引用了 SoftSeg 等工作对软目标价值的论证。值得强调的是，软标签的训练价值有实证支撑：在消融与对比实验中，即便所有基线都用同一套复合损失训练（意味着它们同样受益于软标签监督），PG-Mamba 仍取得优势，这说明软标签是所有方法共享的"地基"，而模型差异体现在此地基之上的建模能力。
3.5 标注流水线的成本与可复制性
WOIVES 的流水线设计隐含着一个现实约束：超广视野图像的逐像素手工标注成本极高。5 名初级医师 + SAM-OCTA 的组合，本质上是把"人手勾画"改造成"人手给提示、模型出初稿、多份初稿投票融合"，从而把医师的知识密集劳动从逐像素操作中解放出来。资深专家只在融合结果上做精修，而非从零开始，这也是把专家时间集中在"纠错与边界判断"这一最需要经验环节的常见策略（与库内 panda-plus 的"学生注释→高年级复核→专家终审"三层流水线异曲同工，但 WOIVES 用 5 名标注者并行 + AI 辅助替代了层级复核）。
需要注意这不是"无监督自动标注"：SAM-OCTA 只是辅助工具，每一张初始掩码都有人工提示与人工把关，最终结果还经资深专家逐张复核。把它当作"AI 自动标注数据集"是对流程的误读。
3.6 标注质量的可验证性与局限
WOIVES 的标注流水线在可验证性上有其强项，也有明确的边界。
强项一：多标注者提供内在分歧信号。 5 名标注者独立标注后平均，中间概率值直接反映"哪些像素多人意见不一"。研究者可以据此分析标注难度分布（例如周边薄血管的不确定带是否显著更宽），这是单一标注者数据集无法提供的。
强项二：专家终审有明确资质门槛。 复核者为"具有五年以上临床经验的高级眼科医师"，且复核聚焦三类具体任务（补漏血管、去假阳、修边界），而非笼统的"过一遍"。
强项三：软标签保留了二值化所丢失的信息。 若研究者需要二值标签，可以选阈值得到；反过来，二值标签无法"还原"出软标签。从这个意义上，软标签是信息更丰富的超集表示。
边界一：无独立的标注一致性量化报告。 论文与 README 未给出标注者间一致性指标（如 Dice 或 kappa）的数值。中间概率值的统计分布可以部分推断分歧程度，但官方未发布标注者间一致性硬数字，研究者无法直接引用"标注者一致性 = X%"这类结论。
边界二：软标签的"概率"语义有上限。 正如坑 7 所述，它是标注共识信息而非校准生物概率。P=0.6 不代表"该像素 60% 概率是血管"，而代表"5 名标注者中有 3 名判为血管（经专家精修后）"。这一语义差异在把软标签用于概率敏感的下游任务时必须牢记。
边界三：标注只覆盖浅层视网膜。 深层与脉络膜血管层无分割标签，因此任何"全层血管树"分析在 WOIVES 上都无法直接开展。
3.7 屈光分组与排除标准的临床含义
WOIVES 的入选/排除标准不是随手写的，它服务于"面向高度近视"这一核心定位。
为什么按球镜等效（SE）而非按诊断分组？ SE 是屈光状态的连续定量代理，用它划分正视/近视/高度近视，比"是否诊断为病理性近视"更具操作性，也便于跨研究对比。三个阈值（+2.0/−0.25 D、−0.5 D、−6.0 D）与国际近视分类惯例一致。
为什么排除那么多眼底病变？ 排除标准剔除了增生性糖尿病视网膜病变、视网膜血管阻塞、视网膜色素变性、中心性浆液性脉络膜视网膜病变、青光眼、视网膜炎症、视神经疾病——这些病变都会独立地改变视网膜血管形态，若不排除，就无法把观察到的血管差异归因于"屈光状态/眼轴"这一目标变量。这是典型的混杂控制设计。
代价是什么？ 队列因此不代表"眼科门诊人群"或"普通人群"——它是一个经过严格筛选的相对健康但屈光偏近视的队列。这一代价换来的是"血管形态 vs 眼轴"分析的内部效度，但牺牲了外部效度（不能外推到有眼底病变的人群，也不能用于患病率估计）。论文在局限性中明确承认：队列"more myopic and highly myopic eyes than emmetropic eyes"，需要更多平衡人群的多中心研究来评估外部效度。
3.8 队列构成与代表性
WOIVES 的队列构成可用三句话概括：206 眼 / 152 名受试者（成像队列）、其中 177 眼 / 130 名受试者具备完整临床元数据（临床子集）、受试者以近视与高度近视为主。
从 152 到 130 意味着什么。 受试者级少了 22 人（152−130），眼级少了 29 眼（206−177）。这说明"临床元数据缺失"集中在部分受试者身上，而非随机散布——研究者若做"血管指标 vs 眼轴"的相关分析，实际可用样本是 177 眼而非 206 眼，用 206 作为样本量会高估统计功效。
计数的三重一致性：participants.csv 的受试者行数、eye_metadata.csv 的眼行数、Label/ 下软标签文件数，三者在 v1.0 中应分别对应 152（或 130）、206、206。由于元数据缺失是"字段留空"而非"行删除"，eye_metadata.csv 应保留全部 206 行。研究者加载后建议做一次行数断言（assert len(df) == 206），以防止解压不完整或误用子集文件。
为什么"代表性问题"值得单独写一节。 医学影像数据集的可用边界，往往不取决于图像本身，而取决于队列构成能支持什么结论。WOIVES 因为刻意排除眼底病变、且屈光分布偏近视，它的 206 眼可以支持"血管形态随屈光/眼轴变化"的内部比较，不能支持"某指标的患病率""某疗法在一般人群的效果"这类外推性结论。把这层边界写清楚，是避免数据集被误用的关键一步。
分层建议。 若研究需要平衡的正视/近视/高度近视对比，WOIVES 的三组人数并不均衡（明确偏向近视侧）。做组间比较时应报告每组的实际眼数，并在样本量悬殊时采用对样本量不敏感的检验（或明确声明功效限制）。论文在讨论中已建议以更多平衡人群的多中心研究补足这一点。
§4 官方评测协议
4.1 受试者级五折交叉验证
WOIVES 随附论文定义并发布了官方评测协议：受试者级五折交叉验证（subject-level five-fold cross-validation），划分文件为 splits/fold_split.json。划分元数据为 n_splits=5、seed=0、total_eyes=206、total_subjects=152。
各折的眼数分布如下：
| 折 | 训练眼 | 验证眼 | 测试眼 |
|---|---|---|---|
| Fold 0 | 135 | 29 | 42 |
| Fold 1 | 136 | 29 | 41 |
| Fold 2 | 136 | 29 | 41 |
| Fold 3 | 137 | 28 | 41 |
| Fold 4 | 136 | 29 | 41 |
核心约束：每折内，属于同一受试者的全部已发布眼必须留在同一训练/验证/测试分区，以防止受试者泄漏（subject leakage）。五折的测试分区加总恰好覆盖全部 206 眼与 152 名受试者，每只眼、每位受试者各被评测一次。README 明确建议：若要与官方基准直接对比，应使用随附 split，而非自行新建随机眼级划分——因为同一受试者的双眼高度相关，若被随机分到不同折，测试集与训练集之间会产生信息泄漏，导致指标虚高。
实现上，划分采用 GroupKFold 分组，并额外从训练部分中切出 subject-disjoint 的验证集用于模型选择与早停。
4.2 多层级评价指标
WOIVES 论文主张"重叠—概率—拓扑"三层评价，而非仅用二值重叠指标。各指标口径如下：
| 层级 | 指标 | 含义与口径 |
|---|---|---|
| 重叠 | Dice | 阈值化预测与二值化参考之间的像素级重叠 |
| 重叠 | IoU | 交并比，同为阈值化后计算 |
| 概率 | Soft Dice | 直接在连续预测图与软标签之间计算，不阈值化 |
| 概率 | MAE | 连续图上的像素级绝对误差，线性累加偏差 |
| 概率 | Brier | 连续图上的概率敏感评分，对大幅单点误差加权更重 |
| 拓扑 | clDice | 骨架化血管结构之间的中心线 Dice，对血管连续性敏感 |
阈值口径：所有模型输出 [0,1] 概率图；二值指标统一用固定阈值 0.5，不做模型特定的阈值调优。
这一"多层级"设计是 WOIVES 评测观的核心：Dice/IoU 只看二值重叠，无法区分"边界置信度校准得好不好"；Soft Dice/MAE/Brier 补上概率层面的信息；clDice 则专门盯住血管结构连通性——薄血管断成两截时，Dice 可能还行，clDice 会立刻掉下来。
4.3 训练与推断细节
所有模型用 PyTorch 实现，在单张 NVIDIA RTX 3090 GPU 上训练。训练使用 512×512 图像分块（tile）（坐标由模块内部在当前分块上计算，极坐标信息不作为额外输入通道）。全分辨率推断使用 512×512 滑窗、50% 重叠，重叠处的概率预测取平均。
数据增强包括随机翻转、旋转、裁剪。优化器为 AdamW，余弦退火学习率，权重衰减 10⁻²。初始学习率：PG-Mamba 及 Transformer 类、Mamba 类模型为 3×10⁻⁴；CNN 类基线为 1×10⁻³。早停与模型选择在 subject-disjoint 验证集上完成。所有对比方法使用同一复合损失函数，全程固定随机种子。
4.4 对比方法与架构族
对比 7 个分割方法，跨三个架构族：
- CNN 族：U-Net、UNet++、R2U-Net
- Transformer 族：Swin-UNet、H2Former
- Mamba 族：VM-UNet、AC-MambaSeg
其中 AC-MambaSeg 原为皮肤病变分割提出，作者在 WOIVES 上用相同单通道输入与复合损失重新训练。所有基线都在相同协议下重训，保证了对比的公平性。
§5 PG-Mamba：配套方法与基准结果
5.1 方法动机：为什么扫描顺序重要
PG-Mamba 的出发点是一个常被忽视的架构细节：二维特征如何串行化为一维序列。Mamba（以及更一般的状态空间模型 SSM）处理的是序列，而图像是二维的——把二维特征图喂进选择性状态空间算子之前，必须先"扫描"成一条或多条序列。扫描顺序因此决定了空间位置沿序列如何排布，进而影响状态信息如何在空间上传播。
传统的做法是用有限的一组预定义方向扫描（水平、垂直、主对角、副对角）。论文的洞察是：对于超广视野视网膜血管这种以视盘为辐射中心的树状结构，纯方向扫描未必是最优的空间排序——血管更多是沿径向（从视盘向外）延伸的。由此引入两种极坐标扫描顺序。
5.2 整体架构
PG-Mamba 采用 U 形编码器-解码器架构，输入单通道 UWF OCTA 图像，输出 [0,1] 的血管概率图。要点：
- 输入经 4×4、步长 4 卷积做分块嵌入（patch embedding），映射到 96 维特征空间
- 编码器含四个 Polar Block 阶段，深度为 [2, 2, 9, 2]，通道维度为 [96, 192, 384, 768]；相邻阶段之间用 Patch Merge 层做 2× 下采样
- Dynamic FOV Gating 仅施加于瓶颈（bottleneck）特征
- 解码器镜像编码器层级，用 Polar Block + Patch Expand 层做 2× 上采样，并与对应编码器阶段做加法跳跃连接
- 最后经 4× 分块扩展恢复原始分辨率，接 1×1 卷积与 sigmoid 激活，输出全分辨率概率图
- 训练与推断都在 512×512 分块上进行，极点坐标在由当前分块派生的特征图上内部计算
5.3 两个核心模块
Polar Block 与 Polar-Scan SS2D：Polar Block 建立在视觉状态空间块（VSS block）之上，主要改动是把其选择性扫描操作替换为 Polar-Scan SS2D。后者在传统方向扫描之外，引入两种基于极坐标的扫描顺序。对尺寸为 H×W 的特征图，位置 (i,j) 的局部极坐标定义为：
r_{i,j} = sqrt((i - c_h)^2 + (j - c_w)^2)
θ_{i,j} = atan2(i - c_h, j - c_w)
其中 c_h = ⌊H/2⌋、c_w = ⌊W/2⌋ 为特征图中心。设 L = H·W，两种扫描的极坐标得分（polar score）为：
q_RO(i,j) = (L+1)·r_{i,j} + λ_θ·(θ_{i,j} + π)
q_RI(i,j) = -(L+1)·r_{i,j} + λ_θ·(θ_{i,j} + π)
其中 λ_θ = 10 在所有实验中固定。按得分排序空间位置即得 Radial Out（径向向外） 与 Radial In（径向向内） 两种排列。径向项符号相反，使两种扫描的主导径向顺序相反；角度项共同决定每条极坐标序列内的遍历次序。完整扫描集合为：
S = { s_H, s_V, s_MD, s_AD, s_RO, s_RI }
即水平、垂直、主对角、副对角四条传统方向扫描，加径向向外、径向向内两条极坐标扫描，共六条。每条扫描路径由对应的选择性状态空间参数处理，再经逆排列还原到原始空间布局，六张还原后的特征图直接求和聚合为 Polar-Scan SS2D 的输出。
Dynamic FOV Gating：作为辅助空间调制模块，只作用在编码器-解码器瓶颈处。它构造一个归一化极坐标网格，与瓶颈特征拼接后经两层 3×3 卷积（带 GroupNorm 与 ReLU）生成内容自适应的软掩码 M_soft；同时定义一个固定径向支撑硬掩码：
M_hard(i,j) = I(r̃_{i,j} ≤ τ), τ = 1.15
两者逐元素相乘得到门控瓶颈特征 F_out = F ⊙ M_soft ⊙ M_hard。软掩码提供特征相关的加权，硬掩码施加固定的径向约束。两个掩码都是空间性的、跨通道共享。
损失函数：由于标注是软概率图，采用软 Dice 损失与均方误差的复合损失（各占一半权重），软 Dice 项促进空间重叠，MSE 提供连续标注的逐像素监督。
5.4 分割结果（Table II）
受试者级五折交叉验证下的定量对比如下（均值 ± 标准差，最优加粗、次优下划线）：
| 架构族 | 模型 | Dice (%) | IoU (%) | Soft Dice (%) | clDice (%) | MAE | Brier |
|---|---|---|---|---|---|---|---|
| CNN | U-Net | 87.78 ± 1.49 | 78.80 ± 2.18 | 83.31 ± 1.44 | 90.76 ± 1.19 | 0.0288 ± 0.0027 | 0.0166 ± 0.0022 |
| CNN | UNet++ | 88.92 ± 0.95 | 80.68 ± 1.36 | 85.07 ± 0.86 | 91.47 ± 0.94 | 0.0265 ± 0.0014 | 0.0158 ± 0.0013 |
| CNN | R2U-Net | 85.97 ± 1.73 | 75.98 ± 2.80 | 82.40 ± 1.58 | 88.18 ± 2.00 | 0.0337 ± 0.0039 | 0.0219 ± 0.0030 |
| Transformer | Swin-UNet | 89.04 ± 0.64 | 80.90 ± 0.79 | 85.34 ± 0.59 | 90.96 ± 0.84 | 0.0269 ± 0.0010 | 0.0168 ± 0.0010 |
| Transformer | H2Former | 88.02 ± 1.02 | 79.17 ± 1.45 | 82.44 ± 2.02 | 91.42 ± 1.09 | 0.0283 ± 0.0030 | 0.0146 ± 0.0017 |
| Mamba | VM-UNet | 89.37 ± 0.53 | 81.45 ± 0.59 | 85.61 ± 0.52 | 91.59 ± 0.72 | 0.0265 ± 0.0010 | 0.0163 ± 0.0010 |
| Mamba | AC-MambaSeg | 88.49 ± 1.32 | 79.97 ± 1.91 | 75.76 ± 4.29 | 90.95 ± 1.20 | 0.0464 ± 0.0103 | 0.0156 ± 0.0021 |
| Mamba | PG-Mamba | 89.81 ± 0.92 | 82.20 ± 1.23 | 85.99 ± 0.82 | 91.97 ± 1.01 | 0.0257 ± 0.0015 | 0.0156 ± 0.0015 |
读表要点：
- PG-Mamba 在六项指标中拿下五项最优（Dice、IoU、Soft Dice、clDice、MAE）。
- 唯一例外是 Brier 分数：H2Former 取得最低值 0.0146，PG-Mamba 与 AC-MambaSeg 并列次低 0.0156。这说明"概率最校准"的桂冠并不属于 PG-Mamba。
- 对最强整体基线 VM-UNet 的提升幅度不大：五折平均 Dice 仅高 0.44 个百分点，clDice 高 0.38 个百分点。论文对此并不讳言，用 “modest in magnitude” 描述。
- 眼级配对 Wilcoxon 符号秩检验（合并五次测试预测，n=206 眼）显示，PG-Mamba 与 VM-UNet 在 Dice、IoU、Soft Dice、MAE、Brier、clDice 上均有差异（均 p < 10⁻¹²）；与其余基线在重叠、拓扑指标以及 Soft Dice、MAE 上显著（均 p < 10⁻³）。例外仍集中于 Brier：H2Former 更优（p = 5×10⁻⁴），AC-MambaSeg 与 PG-Mamba 差异不显著。
- 概率层指标提供互补信息：AC-MambaSeg 的 Brier 与 PG-Mamba 相当，但 Soft Dice 明显更低、MAE 明显更高；H2Former 的 Brier 最低，但重叠与拓扑不如 PG-Mamba。单看 Brier 不足以刻画稀疏前景下与连续血管标注的一致性。
5.5 消融（Table III）
在相同协议下逐步拆解两个模块的贡献：
| 配置 | Dice (%) | clDice (%) | Brier |
|---|---|---|---|
| VM-UNet（参照） | 89.37 ± 0.53 | 91.59 ± 0.72 | 0.0163 ± 0.0010 |
| − Polar（− Gate，四方向） | 89.43 ± 1.01 | 91.54 ± 1.21 | 0.0162 ± 0.0018 |
| − Gate（六方向，无门控） | 89.67 ± 0.93 | 91.73 ± 1.13 | 0.0158 ± 0.0016 |
| PG-Mamba（完整） | 89.81 ± 0.92 | 91.97 ± 1.01 | 0.0156 ± 0.0015 |
- 极坐标扫描的作用：加入径向向外、径向向内两个分支（−Polar → −Gate）使五折平均 Dice 从 89.43% 升至 89.67%，clDice 从 91.54% 升至 91.73%，Brier 从 0.0162 降至 0.0158。眼级配对分析支持 Dice 的提升（p = 1.3×10⁻⁷）。
- Dynamic FOV Gating 的作用：在六方向配置上加门控（−Gate → 完整）进一步把 Dice 从 89.67% 升至 89.81%、clDice 从 91.73% 升至 91.97%，Brier 从 0.0158 降至 0.0156。Dice（p = 1.2×10⁻⁵）与 clDice（p = 1.1×10⁻⁷）的提升在眼级配对分析中均显著。
- 受控消融呈现"四方向 → 六方向极坐标 → 完整 PG-Mamba"的逐级提升，支持两个模块的互补贡献；完整模型在受控 PG-Mamba 配置中取得最佳 Dice、clDice 与 Brier。
论文提醒：−Polar 配置接近但不完全等同于官方 VM-UNet 实现，故参照行与受控行存在细微差异，比较应限于受控 PG-Mamba 块内。
5.6 下游血管量化分析（Table 结果见 Fig. 3）
分割好不好，最终要看它导出的临床量化指标准不准。论文从每个二值化预测与其对应的"标注导出参考"中提取四项互补测量：
- 血管密度 VD：有效成像区内血管像素占比
- 分形维数 FD：有效视野内盒计数法估计
- 归一化血管长度密度 VLD：骨架化血管像素数 / 每 10³ 视野像素
- 归一化连通域计数 NCC：8-连通分量数 / 每 10⁵ 视野像素，作为连通性敏感代理
预测与软标注均以固定阈值 0.5 二值化后提取测量。对每只眼计算预测导出值与标注导出值之间的绝对误差，并将 PG-Mamba 与 U-Net、R2U-Net、VM-UNet 做眼级配对 Wilcoxon 检验，对 12 项血管测量比较施加 Holm 校正。
结果：PG-Mamba 在 VD、FD、VLD 三项取得最低中位绝对误差，分别为 0.0081、0.0109、1.3414；对应地，U-Net 为 0.0095、0.0121、1.5393，R2U-Net 为 0.0160、0.0256、3.3652，VM-UNet 为 0.0096、0.0121、1.5606。这三项上，PG-Mamba 与各对比模型的配对绝对误差差异在 Holm 校正后均显著（p_Holm < 0.05）。
NCC 呈现不同模式：PG-Mamba 中位绝对误差 9.2508，而 U-Net 为 7.9610、R2U-Net 为 10.0523、VM-UNet 为 7.7960。配对分析显示，PG-Mamba 的 NCC 误差显著低于 R2U-Net（p_Holm < 0.001），但显著高于 U-Net（p_Holm < 0.01）与 VM-UNet（p_Holm < 0.001）。即 PG-Mamba 在 VD/FD/VLD 的优势并未均匀延伸到这一连通性敏感指标。
论文对此的解释是：不同血管测量对分割的不同性质敏感——VD 主要反映分割出的血管面积，FD 概括几何复杂度，VLD 依赖骨架化血管网络的延展程度，而 NCC 对小的断开区域与局部断裂特别敏感（连通性的变化会直接改变检测到的分量数）。因此，"分割性能提升"可以伴随多项下游测量误差下降，但不必然意味着每个连通性敏感量都更优。论文还特意声明：该分析评估的是与标注导出参考的一致性，不应被解读为对临床测量准确性的独立验证。
5.7 PG-Mamba 设计取舍的深层解读
把 PG-Mamba 的设计拆开看，有几处值得单独说明的工程判断。
为什么是"极坐标"而不是更多方向扫描？ 传统方向扫描（水平/垂直/对角）本质上是在笛卡尔坐标系里做四组线性遍历。要提升覆盖，最直接的做法是加更多方向（如 8 方向、16 方向），但边际收益递减，且每个方向都增加计算开销。论文的洞察是换坐标系——视网膜血管从视盘向外呈辐射状，径向与角向才是这个解剖结构的"自然坐标系"。两种极坐标扫描（向外、向内）各覆盖一个径向遍历顺序，用最小的扫描数增量（4→6）捕捉了血管的辐射先验。
为什么极坐标扫描的角项系数 λ_θ 固定为 10？ λ_θ 控制径向项与角项在排序得分中的相对权重。由于径向项乘了 (L+1)（L=H·W，数值很大），λ_θ=10 实际上让径向成为主导、角度作为同半径内的次级排序依据。固定而非学习这个系数，是为了保持扫描构造的确定性与可复现性，避免引入额外超参。论文在局限性中承认这是"固定极坐标扫描构造"，并建议未来研究更自适应的扫描顺序策略。
为什么 Dynamic FOV Gating 只在瓶颈？ 瓶颈层特征分辨率最低但感受野最大，是施加"全局视野约束"最经济的层级。该模块的硬掩码是固定径向支撑 M_hard(i,j)=I(r̃ ≤ 1.15)，本质上是在瓶颈处告诉网络"关注视野中心区域的特征"——这与超广视野图像中心清晰、周边质量下降的成像特性吻合。论文承认"只用在瓶颈"，并将多尺度空间调制列为未来工作。
为什么损失是软 Dice + MSE 而不是纯 Dice？ 因为标注是连续的。纯 Dice 需要阈值化，会丢弃软标签的连续信息；软 Dice 直接作用于概率图，MSE 补充逐像素的连续监督。两者各占一半权重，是在"区域重叠"与"像素级精度"之间取平衡。
参数量与算力门槛。 论文未给出 PG-Mamba 的参数量/FLOPs 硬数字（本条目按实核，不臆造），但给出了训练配置：单张 RTX 3090，512×512 分块。这说明模型规模落在消费级高端 GPU 可训练范围内——对复现者是一个实用信号。
5.8 PG-Mamba 在 Mamba 医学分割谱系中的定位
PG-Mamba 并非凭空出现，它站在 Mamba 医学分割的方法链上：
| 前作/同类 | 关键贡献 | 与 PG-Mamba 的关系 |
|---|---|---|
| Mamba (Gu & Dao, COLM 2024) | 输入依赖的选择性状态空间建模，线性复杂度长序列处理 | PG-Mamba 的算子基础 |
| VMamba | 把 Mamba 扩展到视觉（VSS block + 二维选择性扫描） | PG-Mamba 的 Polar Block 建立在其 VSS block 之上 |
| VM-UNet | 把视觉状态空间块嵌入 U 形医学分割框架 | PG-Mamba 的直接对标基线之一 |
| SegMamba | 多方向状态空间建模用于医学分割 | 同属"扫描顺序"探索方向 |
| LocalMamba | 窗口化选择性扫描 + 跨层扫描配置搜索 | 共同论点：串行化顺序是重要设计选择 |
| PG-Mamba（本文） | 在方向扫描外加两种极坐标扫描 + 瓶颈门控，面向超广视野 OCTA | — |
定位的关键差异在于领域特异性：LocalMamba 等在自然图像/通用医学分割上做扫描配置的自动搜索，而 PG-Mamba 明确针对具有辐射状血管先验的超广视野 OCTA，把解剖学先验（血管从视盘辐射）直接编码进扫描顺序的构造中。这是一种"用手工几何先验替代自动搜索"的设计哲学——代价是泛化到非辐射状结构时优势可能消失，收益是在目标域上以极小代价（Dice +0.44 pp）获得一致改进。
必须强调：论文自己也承认这个改进"modest in magnitude"（幅度不大）。PG-Mamba 的价值更多在于展示了一条可复用的思路（用解剖先验设计扫描顺序），而非宣称一个碾压性的 SOTA。研究者若要在此基础上继续，最自然的延展是"自适应扫描"——让网络自己学习最优的扫描排序，而非固定极坐标构造。
5.9 评测协议的方法学要点
官方评测协议中有几处方法学细节值得单独拎出，因为它们直接影响结果的解读。
配对检验的粒度与局限。 论文报告两类检验：眼级配对 Wilcoxon（n=206）与受试者级敏感性分析。眼级检验把同一受试者的双眼视为独立样本，但双眼高度相关——论文明确指出"these eye-level tests do not fully account for bilateral correlation"，因此把眼级的极小 p 值（如 p<10⁻¹²）不应解读为存在巨大实际效应的证据，受试者级分析是作为敏感性检查而非主结论。这一自省式声明是读这组数字的重要前提。
Holm 校正的使用。 血管量化部分涉及 12 项比较（4 测量 × 3 对比模型），论文施加 Holm 校正控制族错误率，而非直接报原始 p 值。引用显著时应注明是校正后（p_Holm）还是校正前。
阈值固定为 0.5，不做模型特定调优。 这是一个刻意的公平性约束——若允许每个模型自选最优阈值，Dice 等二值指标会被人为抬高且不可比。固定阈值牺牲了各模型的最优二值表现，换来的是可比性。
软标签监督对所有方法一致。 所有对比方法用同一套复合损失训练，意味着软标签带来的收益被平均分配给了所有方法，模型间的差异反映的是架构而非"是否用了软标签"。这一点在解读"软标签有用"时必须厘清——论文没有做"软标签 vs 硬标签"的对照实验，因此不能据此断言软标签相比硬标签在 WOIVES 上有多少提升（这会是一个值得补做的消融）。
推断策略统一。 全分辨率推断统一用 512×512 滑窗 + 50% 重叠 + 概率平均，避免不同模型因推断策略不同而产生差异。
§6 获取、许可与版本链
6.1 三处官方落脚点
WOIVES 没有单一门户，而是把"数据、许可、代码"分摊在三处，研究者需要分别取用：
| 落脚点 | 地址 | 内容 | 许可 |
|---|---|---|---|
| Zenodo（数据） | https://doi.org/10.5281/zenodo.21904672 |
WOIVES_v1.0.zip（约 2.4 GB）、README.md、LICENSE.txt |
CC BY 4.0 |
| arXiv（论文） | https://arxiv.org/abs/2609.12574 |
数据集论文预印本（v1，2026-09-11） | arXiv 默认非独占许可 |
| GitHub（代码） | https://github.com/syb1234567/PG-Mamba |
PG-Mamba 训练/评测代码 | Apache-2.0 |
三处的许可彼此独立：数据的 CC BY 4.0 只约束数据本身，不自动延伸到代码（Apache-2.0）与论文文本（arXiv 许可）。若你要把 PG-Mamba 代码作为对照基线纳入自己的流水线，需另行遵守 Apache-2.0 的署名与变更说明要求。
6.2 下载与校验流程
标准取用步骤如下：
- 打开 Zenodo 记录页
10.5281/zenodo.21904672，在 Files 区块确认三个文件：WOIVES_v1.0.zip、README.md、LICENSE.txt。 - 下载 zip（约 2.4 GB）。不要只下载 README——数据本体在 zip 内。
- 解压后先读根目录
README.md，其中第 13 节写明许可，第 4 节写明目录布局与命名规则。 - 按 README 的文件清单核对：主任务 206 对（图像 + 软标签），辅助模态数量因模态而异（见 §2.4），不要假定"每眼八个模态齐全"。
- 使用前先做一次随机抽样目视检查：软标签必须是灰度图而非二值图（详见 6.4）。
6.3 版本链与引用规范
当前为 v1.0.0（Published 2026-08-12），Zenodo 概念 DOI 指向该数据集族，版本 DOI 指向 v1.0.0 快照。论文 arXiv 为 v1（2026-09-11），状态是"Submitted to IEEE JBHI, Under review"——即尚未通过同行评审。
因此引用时建议双引：正文引用论文预印本用于方法描述，数据可用性声明引用 Zenodo 版本 DOI 并注明版本号（v1.0.0）与访问日期。若日后出现 v1.1 或 v2，务必在论文中写明具体版本：软标签类数据集一旦修订标注，旧版与新版结果不可直接横比。
6.4 使用前必做的一致性检查
软概率标注是 WOIVES 最大的特色，也是最容易被误用之处。进入流水线前，请至少完成以下检查：
- 确认标签是概率而非掩膜：读入一张
_R.png，观察唯一值数量。若只有 {0, 255} 两值，说明你误下了某个二值化派生文件或做了错误转换。 - 确认归一化约定：按 README，标签以
uint8存储、取值范围[0, 255]，像素值除以 255 得到[0,1]的概率。若直接按二值掩膜训练，会丢失不确定性信息。 - 确认划分是按受试者而非按眼：五折划分文件中的每折记录含
total_eyes与total_subjects，同一受试者的双眼必须落在同一折，否则会因双眼相关性造成指标虚高。 - 确认评估用软标签指标:论文同时报告 Dice/IoU（阈值化后）与 Soft Dice / Brier（直接对概率），若你只报告 Dice，将无法与论文的软标签承诺对上。
6.5 已知的获取障碍与替代路径
- 主站访问：Zenodo 记录页偶发风控（HTTP 403 “unusual traffic”），重试或更换网络环境即可；文件直链与预览页通常可用。
- 镜像：HuggingFace 主站在受限网络中不可达，若有基于 WOIVES 的 HF 派生镜像，请改走
hf-mirror.com镜像域名。 - 仅需代码时：GitHub 仓库
syb1234567/PG-Mamba与数据相互独立，可单独克隆。
§7 生态位与影响
7.1 它填补了什么空白
在 WOIVES 出现之前，公开 OCTA 血管分割数据集普遍停留在 3×3 mm² 到 12×12 mm² 的小视场（见表 I：OCTA-500 为 6×6 mm²、ROSE-1/ROSE-2 为 3×3 mm²、DRAC 为 12×12 mm²）。小视场意味着：
- 视盘与黄斑难以同时入画，周边视网膜血管形态（对糖尿病视网膜病变、视网膜静脉阻塞等的外周改变敏感）被系统性遗漏；
- 模型的感受野内缺少大尺度血管弓结构，学到的更多是局部纹理而非全局血管拓扑；
- 跨设备、跨视场的泛化性无法被评估，因为没有第二个视场尺度可比。
WOIVES 的 24×20 mm²（480 mm²，约 120°） 超广视野把这个尺度提高了一个数量级，且配以扫频源（swept-source）成像与软概率标注，这两个属性在既有公开 OCTA 数据集中都不常见。它因此占据了"超广视野 + SS-OCTA + 软标注"这一组合的生态位。
7.2 与相邻数据集的定位差异
相对 OCTA-500（库内 rid 341）：OCTA-500 是 6×6 mm² 视场、500 眼规模、以二值掩膜为主，覆盖多任务（分割 + 疾病分类）；WOIVES 视场大一个数量级但规模仅 206 眼，任务聚焦于血管分割与下游量化。两者不是大小关系，而是不同设计取舍：一个以规模与多任务取胜，一个以视场与标注形式取胜。强行合并两者做"更大训练集"会引入视场分布偏移。
相对 OCTA-25K（库内 rid 859）：OCTA-25K 的定位是规模导向（具体视场与规模以该条目为准），靠大数据量支撑自监督或预训练；WOIVES 的 206 眼在数量上完全无法与之相比，它的价值在标注质量与视野尺度，适合作为高置信评测集或超广视野迁移的验证端，而非预训练语料。
相对 ROSE-1/ROSE-2 与 DRAC：这三者均为小视场、且（如表 I 所示）以图像或眼科数计而非以眼计，指标口径与 WOIVES 不可直接对齐。
7.3 可能催生的下游方向
- 超广视野血管拓扑建模：480 mm² 视野让"血管弓整体形态""周边血管密度梯度"成为可学习的对象，可能推动图神经网络 / 拓扑感知损失在这类数据上的应用。
- 不确定性感知分割：软标签天然支持概率输出校准、Brier 分数、置信度阈值调优等研究，这是二值掩膜数据集无法开展的。
- 跨视场迁移：以 OCTA-500 等小视场数据预训练、以 WOIVES 微调（或反向），是检验尺度泛化性的天然实验设计。
- 多模态对齐：WOIVES 附带 CFP、SLO、深层/全层 OCTA 等辅助模态，为"眼底彩照 ↔ OCTA 血管"的跨模态配准与生成提供了配对样本。
7.4 需要克制的地方
- 论文明确声明血管量化分析评估的是与标注导出参考的一致性，不是临床测量准确性的独立验证。任何以 WOIVES 为据宣称"AI 测量达到临床精度"的说法都超出了论文支持范围。
- 单中心、单设备（TowardPi）、队列以近视与高度近视为主的构成，意味着其分布代表性有限，迁移到其他设备或其他人群时需要重新验证。
- 206 眼的规模在深度学习中偏小，评测结果的方差较大（论文已用五折与 Wilcoxon 检验缓解，但样本量本身无法改变）。
§8 方法学启示
8.1 软概率标注：把"标注歧义"变成可学习的信号
血管边界在 OCTA 上并非一条数学曲线——不同医师对同一根细血管是否"算血管"的判断可以不同。传统做法是让多位标注者投票后二值化，把分歧抹掉；WOIVES 的做法是保留分歧，把 5 名初级医师各自的概率图平均成一张软标签，再交 2 名高级专家复核修正。
这一设计有三层意义：
- 保留不确定性：软标签在血管边界附近呈现中间灰度，直接编码了"这里医师们没把握"的信息。
- 降低个体标注偏差：平均操作天然平滑了个别标注者的系统性偏移。
- 改变评估范式：可以用 Soft Dice / Brier 直接评价概率输出的质量，而不必先做一轮阈值化——阈值化本身就是一次信息损失。
代价是：使用者必须理解软标签的读写约定（见 6.4），且无法直接获得一份"标准二值金标准"——需要自己设定阈值，而阈值选择会影响所有二值指标。
8.2 小样本高成本场景下的流水线设计
WOIVES 的标注流水线是"AI 辅助 + 多人并行 + 专家精修"的组合，而非传统的"多人独立标注 + 一致性仲裁"。这个选择值得单独拎出来讨论：
- AI 辅助（SAM-OCTA 出初稿）把标注者的操作从"逐像素勾画"降到"给提示、修边界"，人力成本数量级下降；
- 多人并行（5 名医师）保证初稿经多数融合，抵消单模型的系统性错误；
- 专家精修（2 名高级专家）把最贵的人力只花在最需要经验的地方。
这三个环节缺一不可：去掉 AI 辅助则成本回到不可承受，去掉多人则引入单点偏差，去掉专家则软标签缺乏权威锚定。对任何面临"高分辨率 + 高标注成本"的数据集建设者，这套分工都具参考价值。
8.3 评估协议：为什么必须按受试者划分
双眼数据存在强相关性（同一人的左右眼在血管形态、疾病状态上高度相似）。若按"眼"随机划分训练/测试，同一受试者的另一只眼很可能落在训练集，测试集于是"见过这个人的血管风格"，指标被高估。WOIVES 采用 subject-level 五折，并在每折记录 total_eyes=206、total_subjects=152，明确以受试者为单位切分。这是一个其他眼科数据集使用者应当照搬的协议细节。
8.4 多指标报告的诚实性
WOIVES 的基准表同时报告 Dice、IoU、Soft Dice、clDice、MAE、Brier 六项，且如实标注 PG-Mamba 在 Brier 上并非最优（H2Former 更低），并在血管量化分析中如实指出 PG-Mamba 的 NCC 误差反而高于 U-Net 与 VM-UNet，同时解释原因（NCC 对局部断裂敏感，与 Dice 的提升方向不完全一致）。这种"主指标赢、副指标如实承让并给解释"的写法，比只挑赢的指标报告更接近方法学诚实，也更值得后续论文效仿。
8.5 与库内条目的方法学呼应
WOIVES 与 panda-plus 在"高成本医学标注的流水线设计"上形成呼应：panda-plus 走的是层级复核（学生标注 → 高年级复核 → 专家终审），WOIVES 走的是平行融合 + 专家精修（5 名同级医师 + AI 辅助 → 平均融合 → 2 名专家复核）。两条路线都指向同一结论：为了在专家时间有限的约束下产出可信标注，必须把"劳动密集"与"经验密集"环节分离开。二者可作为同一主题下的对照案例。
§9 与库内条目的关系
9.1 直接相邻：OCTA 血管分割家族
| 库内条目 | rid | 视场 | 规模 | 标注形态 | 与 WOIVES 的关系 |
|---|---|---|---|---|---|
| OCTA-500 | 341 | 6×6 mm² | 500 眼 | 二值掩膜为主 | 同任务（OCTA 血管分割）但小视场；可作跨视场迁移的实验对照组 |
| OCTA-25K | 859 | 见该条目 | 见该条目 | 见该条目 | 规模导向；可作预训练语料，WOIVES 作超广视野验证端 |
| WOIVES（本条目） | — | 24×20 mm² | 206 眼 | 软概率标注 | 首个超广视野 SS-OCTA 软标注血管分割集 |
三者的互链价值在于形成**"预训练 → 微调 → 高置信评测"的完整链条**：OCTA-25K 提供量，OCTA-500 提供多任务与中等视场，WOIVES 提供大视场与软标签评测。任何以其中一条为主题的分析页，都应显式链接另外两条，并写明"独立数据集"四字，避免读者误以为它们是同一数据集的不同版本。
9.2 方法学呼应：高成本医学标注流水线
| 库内条目 | 关系 |
|---|---|
| panda-plus | 同为"高成本医学标注 + 分级复核流水线"的范例，走层级复核路线（学生标注 → 高年级复核 → 专家终审），与 WOIVES 的平行融合路线（5 名同级医师 + SAM-OCTA → 平均融合 → 2 名专家复核）形成对照 |
| 病理分割类条目 | 同样面临"超高分辨率 + 逐像素标注昂贵"的约束，可类比其瓦片化与 AI 辅助策略 |
两条路线指向同一结论：在专家时间有限的约束下，必须把"劳动密集"环节与"经验密集"环节分离。二者可作为同一主题下的对照案例互链。
9.3 模态邻居：眼底与 OCT 家族
WOIVES 附带 CFP（彩色眼底照，63 例）与 SLO（扫描激光眼底，128 例）辅助模态，因此与任何收录眼底彩照、OCT 断层或糖尿病视网膜病变筛查的数据集都存在模态级互链点。检索库内"眼科影像"标签（VOCAB L2）下的条目即可找到候选邻居。互链的语义应明确写成"模态互补 / 可做跨模态配准"，而非"同数据集"。
9.4 术语桥梁
WOIVES 引入了若干在本库其他 OCTA 条目中尚未成体系的概念，跨条目引用时建议统一术语：
- 超广视野（ultra-widefield, UWF）：本库 OCTA 条目此前多为 3×3 至 12×12 mm²；UWF 指 ≥ 约 24 mm 的视野尺度。
- 扫频源 OCTA（SS-OCTA）：相对于谱域（SD-OCTA），以可调谐激光为光源，扫描速度与穿透力更高（本集 400,000 A-scans/s）。
- 软概率标注（soft probability annotation）：本库现有 OCTA 条目普遍为二值掩膜，WOIVES 的概率标签是新的标注形态，直接支持 Soft Dice / Brier 等校准类评估。
- Dynamic FOV Gating / Polar 扫描：PG-Mamba 首创的模块名，非通用术语，引用时应加括号说明。
9.5 互链落地建议
| 互链方向 | 建议语义 | 落点 |
|---|---|---|
| WOIVES → OCTA-500 | “跨视场迁移：6×6 mm² vs 24×20 mm² 的尺度差” | rid 341 条目页 |
| WOIVES → OCTA-25K | “预训练语料 vs 高置信评测集” | rid 859 条目页 |
| WOIVES → panda-plus | “高成本医学标注流水线：层级复核 vs 平行融合” | panda-plus 条目页 |
| 反向（上述三条 → WOIVES） | 在各自的"相邻数据集"章节引用本页 | 本页 URL |
注意：互链不是合并。三者在视场、规模、标注形态上差异显著，直接混合训练会引入分布偏移，任何合并使用都必须显式声明并做域适应。
§10 避坑清单：使用 WOIVES 前必须知道的八个坑
坑 1：把 WOIVES 当成 OCTA-500 或 octa-25k 的别名/后继。 它与此前库内两条 OCTA 条目均为独立数据集——不同团队、不同采集机构、不同设备、不同规模、不同标注形态。若在检索中把三者混为一谈，会得出错误的规模/许可/视野结论（§9.3 有三源区分依据）。
坑 2：以为软标签可以直接当二值掩码用。 WOIVES v1.0 不发布官方二值真值掩码。软标签是 uint8 [0,255] 的概率图（P = 值/255）。论文评估用固定阈值 0.5，但这是论文的选择，不是数据集强制。你要做二值实验，必须自己选阈值并明确报告——否则不同论文的 Dice 数字因阈值不同而不可比。
坑 3：把 DRAC 的"174 图像"当成"174 只眼"。 论文 Table I 对 DRAC 标 “174 images‡”，脚注说明 DRAC 共 1,103 张 UW-OCTA，其病灶分割任务用 109 训练 + 65 测试，未报告受试者/眼级计数。转引该表时丢脚注会制造错误对照。
坑 4：假设 206 眼在每种模态都齐全。 只有浅层视网膜 OCTA 与软标签是 206 份。CFP 仅 63 眼、SLO 128 眼、深层/全层视网膜各 160 眼、脉络膜 171 眼、脉络膜中大型血管 137 眼。多模态实验的可用样本受最小模态数约束（若需四模态齐全，可用样本 ≤ 63 眼）。v1.0 也没有跨模态统一 manifest，只能靠同名眼标识符判断可用性。
坑 5：在 WOIVES 上自行随机划分眼级交叉验证，然后与官方基准比数字。 206 眼来自 152 人，双眼相关性强。官方用 GroupKFold 强制同人双眼同折并发布 splits/fold_split.json。自行随机划分会产生 subject leakage，指标虚高且不可比。要与官方基准对比，必须用随附 split。
坑 6：只报 Dice 就下"模型更好"的结论。 WOIVES 的对比里，Brier 最优是 H2Former（0.0146）而非 PG-Mamba；NCC 误差最优是 VM-UNet/U-Net 而非 PG-Mamba。Dice 高 ≠ 概率校准好 ≠ 连通性好 ≠ 下游量化准。引用任何"最优"结论前，必须写明是哪一层指标、在哪个口径下最优。
坑 7：把软标签当作"经校准的生物学概率"。 论文明确声明软概率图是"多标注者在每像素给定标签的加权平均、反映标注共识与分歧"，不应解读为经过校准的真实生物学概率（“should not be interpreted as calibrated biological probabilities”）。把它喂给需要校准概率的下游模型时须重新校准。
坑 8：把 WOIVES 的性能当作临床有效性证据。 数据集单中心单设备采集，队列偏近视/高度近视。论文反复声明其血管测量分析是"与标注导出参考的一致性"，不是临床测量准确性的独立验证。任何"模型在 WOIVES 上达 XX% 故可用于临床诊断"的推断都是越界。
坑点速记：1 撞库 / 2 软标签≠二值 / 3 DRAC 脚注 / 4 模态不齐 / 5 划分泄漏 / 6 单指标误判 / 7 软标签≠校准概率 / 8 非临床有效性。
§11 总结
11.1 三句话总结
- WOIVES 是首个公开的超广视野扫频源 OCTA 视网膜血管分割数据集：206 眼 / 152 人，24×20 mm²（480 mm²，OCTA-500 的 13.3 倍），面向高度近视分析，带眼轴与全深度脉络膜成像。
- 它的标签是概率软标签（5 名初级医师 SAM-OCTA 协同 + 2 名资深专家复核融合），不发布二值掩码，支持软标签监督与不确定性敏感评测。
- 它公开且易得：Zenodo CC BY 4.0 直链（2.4 GB），方法代码 Apache-2.0，配套 PG-Mamba 在六项指标中五项最优（Dice 89.81%）。
11.2 适合谁
- 研究超广视野视网膜血管分割的团队（需要大视野、周边血管的基准）
- 做软标签 / 不确定性感知分割 / 概率校准的方法研究者（这是它的独门数据）
- 研究高度近视相关血管改变与眼轴关系的临床研究者（需要眼轴 + 血管的双维数据）
- 需要公开直链、无申请门槛的复现基准的开发者
11.3 不适合谁
- 需要现成二值血管掩码直接训练的研究者（WOIVES 不给，得自己阈值化）
- 需要多中心、多设备泛化评估的研究者（WOIVES 单中心单设备）
- 需要深层/脉络膜血管标注的研究者（当前只有浅层视网膜）
- 需要患病率估计的流行病学研究者（队列屈光分布偏斜）
11.4 30 秒决策卡
| 你的需求 | WOIVES 是否合适 |
|---|---|
| 大视野（>12×12 mm²）血管分割基准 | ✅ 库内最大（480 mm²） |
| 软标签 / 概率标注 | ✅ 独一份 |
| 二值血管掩码 | ❌ 需自行阈值化 |
| 眼轴与血管联合分析 | ✅ 177 眼有完整生物测量 |
| 深层/脉络膜血管标注 | ❌ 仅浅层视网膜 |
| 多中心 / 多设备泛化 | ❌ 单中心单设备 |
| 零门槛公开直链 | ✅ CC BY 4.0，2.4 GB |
| 临床有效性验证 | ❌ 研究数据集，非诊断系统 |
FAQ（高频问答 20 问）
A. 基础认知
1. WOIVES 这个名字怎么读？是什么意思？
读作"沃维斯"。全称首字母缩略：Widefield swept-source OCTA Image dataset based on VEssel Segmentation（面向血管分割的超广视野扫频源 OCTA 图像数据集）。
2. 它和 OCTA-500、ROSE、DRAC 有什么本质区别？
四条：(1) 视野最大（480 mm²，13.3× OCTA-500、3.3× DRAC）；(2) 唯一用软概率血管标注；(3) 疾病焦点是高度近视（其余为 DR/AMD/AD）；(4) 唯一提供眼轴与全深度脉络膜成像。
3. 它是挑战赛数据集吗？
不是。WOIVES 是公开发布的基准数据集，没有配套竞赛，但随附官方五折 split 供标准化评测。
4. "206 眼 / 152 人"和"177 眼 / 130 人"是什么关系？
嵌套关系。206 眼 / 152 人是完整成像队列（全部有分割标注）；177 眼 / 130 人在其内，另有完整眼科生物测量元数据。剩余 29 眼保留在元数据表中但生物测量字段缺失。
5. 图像是什么设备拍的？
图湃医疗（TowardPi Medical Technology，中国）的扫频源 OCTA（SS-OCTA），单次采集 24×20 mm²，A-scan 速度 40 万次/秒，轴向 3.8 µm / 横向 10 µm。
B. 数据与获取
6. 怎么下载？
Zenodo 公开直链：DOI 10.5281/zenodo.21904672。整包 WOIVES_v1.0.zip 约 2.4 GB，另有独立 LICENSE.txt 与 README.md。
7. 需要申请或付费吗？
不需要。数据公开直链、无 gated 限制、CC BY 4.0（许可允许含商业在内的重用），只需署名。
8. 许可具体是什么？
数据集 CC BY 4.0（Creative Commons Attribution 4.0 International）；代码 Apache-2.0；论文 arXiv perpetual non-exclusive license。注意数据许可不含 NC 限制，允许商业使用。
9. 图像是原始导出还是有预处理？
发布的 OCTA 是设备导出的原始 1536×1280 PNG，不含模型专用的缩放、归一化、分块预处理——这些属于下游处理。
10. 有官方二值掩码吗？
没有。v1.0 只发布概率软标签（uint8 [0,255] → 概率 = 值/255），不含二值真值掩码。
C. 标注与技术
11. 软标签怎么读？
P = 像素值/255。P≈1 高置信血管，P≈0 背景，中间值代表边界不确定性。论文评估用固定阈值 0.5 二值化。
12. 谁标的？可靠吗？
两阶段：5 名初级眼科医师用 SAM-OCTA 各自标注后像素平均融合；2 名五年以上经验资深专家复核精修。SAM-OCTA 是辅助工具，人工全程把关。
13. 为什么用软标签不用硬掩码？
超广视野周边血管最细、信噪比最低，边界本质模糊，多位标注者会分歧。软标签保留这种分歧（P∈(0,1)），而非用硬阈值抹平。论文还援引 SoftSeg 等证据说明软标签训练能改善概率校准与小结构敏感性。
14. 标注覆盖哪些层？
仅浅层视网膜 OCTA（内界膜到外丛状层）。深层视网膜、脉络膜无血管分割标注。
15. 软标签是"真实生物学概率"吗？
不是。它是多标注者共识信息，论文明确声明不应解读为经校准的真实生物学概率。
D. 基准与结果
16. 官方评测协议是什么？
受试者级五折交叉验证（GroupKFold，seed=0），划分文件 splits/fold_split.json，同一受试者双眼必同折，防 subject leakage。
17. 有哪些指标？
三层：重叠（Dice、IoU）、概率（Soft Dice、MAE、Brier）、拓扑（clDice）；另有下游血管量化（VD、FD、VLD、NCC）。
18. PG-Mamba 成绩如何？
Dice 89.81%、IoU 82.20%、Soft Dice 85.99%、clDice 91.97%、MAE 0.0257——六项中五项最优。唯 Brier 被 H2Former 以 0.0146 拿下最低。
19. PG-Mamba 的核心创新是什么？
两点：Polar-Scan SS2D（在传统四方向扫描外加 Radial Out / Radial In 两种极坐标扫描顺序，共六条）与 Dynamic FOV Gating（瓶颈处的软掩码 × 固定径向硬掩码，τ=1.15）。
20. 提升幅度大吗？
不大。相对最强基线 VM-UNet，Dice 仅 +0.44 个百分点。论文用 “modest but consistent” 描述，强调改进是小而一致的，而非大幅领先。
事实清单（硬事实 30 条）
- 全称首字母：Widefield swept-source OCTA Image dataset based on Vessel Segmentation
- 采集机构：深圳市眼科医院
- 采集时间：2023 年 4—12 月
- 伦理批号：2024KYPJ012
- 成像队列：206 眼 / 152 受试者
- 临床特征子集：177 眼 / 130 受试者
- 单次采集视野：24 × 20 mm²（480 mm²）
- 视野角度：约 120° 广角眼底
- 图像尺寸：1536 × 1280 px
- 相对面积：13.3× OCTA-500（36 mm²）、3.3× DRAC（144 mm²）
- 成像设备：TowardPi（图湃医疗）扫频源 OCTA
- A-scan 速度：400,000 scans/s
- 轴向分辨率：3.8 µm
- 横向分辨率：10 µm
- 屈光分组：正视 [+2.0, −0.25] D / 近视 ≤ −0.5 D / 高度近视 ≤ −6.0 D
- 标注者：5 名初级眼科医师 + 2 名 >5 年资深专家
- 辅助模型：SAM-OCTA
- 融合方式：5 张二值掩码像素平均
- 软标签格式：PNG / uint8 / [0,255] → P = 值/255
- 无官方二值掩码（v1.0）
- 主指标阈值：0.5
- 交叉验证：受试者级五折，GroupKFold，seed=0
- 折内眼数（Train/Val/Test）：135/29/42、136/29/41、136/29/41、137/28/41、136/29/41
- PG-Mamba Dice：89.81 ± 0.92%
- PG-Mamba IoU：82.20 ± 1.23%
- PG-Mamba Soft Dice：85.99 ± 0.82%
- PG-Mamba clDice：91.97 ± 1.01%
- PG-Mamba MAE：0.0257 ± 0.0015
- PG-Mamba Brier：0.0156 ± 0.0015（H2Former 最低 0.0146）
- 数据集许可：CC BY 4.0；代码 Apache-2.0；DOI 10.5281/zenodo.21904672
术语表（24 条）
| 缩写/术语 | 全称 | 中文 |
|---|---|---|
| OCTA | Optical Coherence Tomography Angiography | 光学相干断层血管成像 |
| SS-OCTA | Swept-Source OCTA | 扫频源 OCTA |
| SD-OCT | Spectral-Domain OCT | 谱域 OCT |
| UWF | Ultra-Widefield | 超广视野 |
| FOV | Field of View | 视野 |
| VD | Vessel Density | 血管密度 |
| VLD | Vessel Length Density | 血管长度密度 |
| FD | Fractal Dimension | 分形维数 |
| NCC | Normalized Connected-Component Count | 归一化连通域计数 |
| clDice | Centerline Dice | 中心线 Dice |
| MAE | Mean Absolute Error | 平均绝对误差 |
| Brier score | — | 布里尔分数（概率校准评分） |
| SE | Spherical Equivalent | 球镜等效 |
| IOP | Intraocular Pressure | 眼压 |
| CCT | Central Corneal Thickness | 中央角膜厚度 |
| AL | Axial Length | 眼轴 |
| CFP | Color Fundus Photography | 彩色眼底照相 |
| SLO | Scanning Laser Ophthalmoscopy | 扫描激光检眼镜 |
| SAM | Segment Anything Model | 分割一切模型 |
| SSM | State Space Model | 状态空间模型 |
| SS2D | 2D Selective Scan | 二维选择性扫描 |
| PG-Mamba | Polar-Gated Mamba | 极坐标门控 Mamba |
| GroupKFold | — | 分组 K 折（防同组泄漏） |
| DAIMS | Discoverability/Accessibility/Interoperability/Metadata/Sustainability | 数据可发现/可访问/可互操作/元数据/可持续 |
附录
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| slug | woives-octa |
| 官方全称 | WOIVES: An Ultra-Widefield Swept-Source OCTA Dataset for Retinal Vessel Segmentation |
| 论文 | arXiv:2609.12574（cs.CV，2026-09-11 v1，投稿 IEEE JBHI 审稿中） |
| 数据 DOI | 10.5281/zenodo.21904672（v1.0.0，2026-08-12） |
| 代码 | https://github.com/syb1234567/PG-Mamba（Apache-2.0） |
| 规模 | 206 眼 / 152 人（子集 177 眼 / 130 人） |
| 许可 | 数据 CC BY 4.0 / 代码 Apache-2.0 |
| category_tags | 医学影像、眼科影像、医学图像分割、评测基准 |
| 抓取时点 | 2026-10-07 |
附录 B：DAIMS 评估全表
| 维度 | 等级 | 说明 |
|---|---|---|
| Discoverability（可发现性） | ✅ 高 | arXiv + Zenodo + GitHub 三处可检索；全称首字母拆解明确；DOI 可解析 |
| Accessibility（可访问性） | ✅ 高 | Zenodo 公开直链、无需申请、CC BY 4.0；2.4 GB 单包；代码公开克隆 |
| Interoperability（可互操作性） | ⚠️ 中 | 图像 PNG、元数据 CSV、划分 JSON——格式通用；但无跨模态统一 manifest，多模态对齐需靠文件名推断 |
| Metadata（元数据） | ✅ 高 | 18.1 kB README 详尽（结构/命名/软标签格式/划分/伦理/许可/局限）；participants.csv + eye_metadata.csv + data_dictionary.csv 三级元数据 |
| Sustainability（可持续性） | ✅ 高 | Zenodo 长期归档（DOI 持久化）+ GitHub 版本控制；README 承诺持续版本维护 |
| AI-Ready 综合 | ✅ 高 | 数据与代码均公开直链、结构良好、划分标准、文档完整；主要减分项为多模态不齐与需自行阈值化 |
附录 C：逐项证据链自证
| 事实 | 证据来源 |
|---|---|
| 206 眼 / 152 人 | arXiv 摘要 + 正文 §III-D + Zenodo 页面 + README §1 四处一致 |
| 24×20 mm²（480 mm²） | arXiv 正文 §III-A + Table I + Zenodo 页面 |
| 5 名初级医师 + 2 名专家 | arXiv 正文 §III-C + Zenodo README §5 |
| 软标签 uint8 [0,255] | Zenodo README §6（含代码示例） |
| 无二值掩码 | Zenodo README §5（“does not release a separate binary vessel-mask set”） |
| 五折划分各折眼数 | Zenodo README §10 表格 |
| PG-Mamba 全指标 | arXiv 正文 §V-B Table II |
| H2Former Brier 最低 | arXiv 正文 §V-B 明确文字 |
| NCC 例外 | arXiv 正文 §V-D |
| CC BY 4.0 | Zenodo README §13 + LICENSE.txt 预览正文 |
| 伦理批号 2024KYPJ012 | arXiv 正文 §III-A + Zenodo README §12 |
| GitHub Apache-2.0 | GitHub API license 字段 |
附录 D：数据获取决策树
你要用 WOIVES 做什么？
│
├─ 血管分割（浅层视网膜）
│ ├─ 需要二值标签 → 自行选阈值（论文用 0.5）并报告，无官方二值掩码
│ └─ 用软标签训练 → 直接读 Label/mask_*.png，P = 值/255
│
├─ 多模态分析（OCTA + CFP + SLO）
│ └─ 先数最小模态：CFP 仅 63 眼 → 四模态齐全样本 ≤ 63 眼
│
├─ 高度近视 / 眼轴关联分析
│ └─ 用 177 眼临床子集（含完整生物测量），注意 29 眼字段缺失
│
└─ 与官方基准对比
└─ 必须用 splits/fold_split.json，勿自行随机划分（防 subject leakage）
附录 E：软标签使用规范（务必遵守）
| 场景 | 正确做法 | 错误做法 |
|---|---|---|
| 训练监督 | 用连续 P∈[0,1] + 软 Dice/MSE 复合损失 | 直接用 [0,255] 整数当标签 |
| 二值评估 | 固定阈值（如 0.5）并明确报告阈值 | 用不同阈值取最优再对比 |
| 概率校准评估 | 用 Brier / 校准曲线 | 用 Dice 冒充校准质量 |
| 下游量化 | 二值化后提取 VD/FD/VLD/NCC，报告与标注参考的一致性 | 声称验证了临床测量准确性 |
附录 F：五折 split 复现骨架
import json
with open("splits/fold_split.json", "r", encoding="utf-8") as f:
split = json.load(f)
fold0_train = split["folds"]["fold0"]["train"]
fold0_val = split["folds"]["fold0"]["val"]
fold0_test = split["folds"]["fold0"]["test"]
print(len(fold0_train), len(fold0_val), len(fold0_test))
# 预期 fold0: 135 29 42（其余折见 §4.1 表）
自检要点：五折 test 集合应不重不漏地覆盖全部 206 眼；任一受试者的双眼不应跨越 train/test 边界。
附录 G：软标签加载与二值化骨架
from PIL import Image
import numpy as np
# 读软标签
label = np.asarray(Image.open("Label/mask_000003_R.png"), dtype=np.float32)
prob = label / 255.0 # 概率图 [0,1]
# 二值化（论文口径阈值 0.5；若改阈值必须在论文中报告）
binary = (prob >= 0.5).astype(np.uint8)
# 三类区域统计
vessel = (prob >= 0.99).sum() # 确定血管
background = (prob <= 0.01).sum() # 确定背景
uncertain = ((prob > 0.01) & (prob < 0.99)).sum() # 不确定边界带
print(vessel, background, uncertain)
附录 H：统计指标速查
| 指标 | 口径 | 敏感于 |
|---|---|---|
| Dice | 二值重叠（阈值 0.5），F1 的像素版 | 整体重叠 |
| IoU | 二值交并比 | 整体重叠 |
| Soft Dice | 连续预测图 vs 软标签，不阈值化 | 概率层一致性 |
| MAE | 连续图逐像素绝对误差线性累加 | 平均偏差 |
| Brier | 概率敏感评分，重罚大幅单点误差 | 概率校准 |
| clDice | 骨架化中心线 Dice | 血管连通性 |
| VD | 血管像素占比 | 分割血管面积 |
| FD | 盒计数分形维数 | 几何复杂度 |
| VLD | 骨架化像素 / 10³ 视野像素 | 骨架网络延展 |
| NCC | 8-连通分量 / 10⁵ 视野像素 | 小断开与局部断裂 |
附录 I：与库内 octa-500（rid 341）的关系声明
WOIVES 与 octa-500 是独立数据集，非别名、非版本后继、非合并视图。区分要点：
| 维度 | octa-500 | WOIVES |
|---|---|---|
| 团队/来源 | — | 清华深研院 + 深圳市眼科医院 |
| 设备 | SD-OCT (Optovue) | SS-OCT (TowardPi) |
| 视野 | 6×6 mm²（36 mm²） | 24×20 mm²（480 mm²） |
| 规模 | 500 眼 | 206 眼 |
| 标注 | 血管（二值） | 血管（软概率） |
| 疾病焦点 | DR, AMD, CNV | 高度近视 |
| 眼轴 | ✗ | ✓ |
| 脉络膜 | ✗ | 全深度 |
WOIVES 在论文 Table I 中把 OCTA-500 列为主要对照基准，明确以"13.3× 视野"作为差异化定位。库内后续互链时，两者应作为同族可比对象（同属视网膜血管分割）而非同一条目处理。
附录 J：PG-Mamba 与基线全表（论文 Table II 转写）
| 架构族 | 模型 | Dice (%) | IoU (%) | Soft Dice (%) | clDice (%) | MAE | Brier |
|---|---|---|---|---|---|---|---|
| CNN | U-Net | 87.78 | 78.80 | 83.31 | 90.76 | 0.0288 | 0.0166 |
| CNN | UNet++ | 88.92 | 80.68 | 85.07 | 91.47 | 0.0265 | 0.0158 |
| CNN | R2U-Net | 85.97 | 75.98 | 82.40 | 88.18 | 0.0337 | 0.0219 |
| Transformer | Swin-UNet | 89.04 | 80.90 | 85.34 | 90.96 | 0.0269 | 0.0168 |
| Transformer | H2Former | 88.02 | 79.17 | 82.44 | 91.42 | 0.0283 | 0.0146 |
| Mamba | VM-UNet | 89.37 | 81.45 | 85.61 | 91.59 | 0.0265 | 0.0163 |
| Mamba | AC-MambaSeg | 88.49 | 79.97 | 75.76 | 90.95 | 0.0464 | 0.0156 |
| Mamba | PG-Mamba | 89.81 | 82.20 | 85.99 | 91.97 | 0.0257 | 0.0156 |
（上表为标准差省略版，完整 ± 标准差见 §5.4。）
附录 K：血管量化误差表（Fig. 3 数值）
| 测量 | PG-Mamba | U-Net | R2U-Net | VM-UNet | PG-Mamba 优势 |
|---|---|---|---|---|---|
| VD | 0.0081 | 0.0095 | 0.0160 | 0.0096 | 最低（Holm p<0.05） |
| FD | 0.0109 | 0.0121 | 0.0256 | 0.0121 | 最低（Holm p<0.05） |
| VLD | 1.3414 | 1.5393 | 3.3652 | 1.5606 | 最低（Holm p<0.05） |
| NCC | 9.2508 | 7.9610 | 10.0523 | 7.7960 | 劣于 U-Net 与 VM-UNet（Holm p<0.01/0.001） |
（数值为中位绝对误差，越低越好。NCC 一列加粗为最优值所在模型。）
附录 L：双口径登记表
| 项 | 口径 A | 口径 B | 条目采用 |
|---|---|---|---|
| 视野面积 | 论文 24×20 mm²（480 mm²） | 摘要渲染 24x20mm^2 | 480 mm²（三源一致） |
| Zenodo 创作者 | Zenodo 记录 2 人（Liu/Shen） | 论文 15 作者 | 数据引 2 人、方法引 15 人 |
| 发布时序 | Zenodo 2026-08-12 | arXiv 2026-09-11 | 分别注明 |
| DRAC 规模 | Table I"174 images" | 脚注"共 1,103 张，任务用 109+65" | 带脚注引用 |
| 通讯作者 | 论文 Peiwu Qin / Chengming Yang | Zenodo README 联系人 Yibing Shen | 区分"论文通讯"与"数据联系人" |
附录 M：维护计划与触发点
| 触发条件 | 应更新内容 |
|---|---|
| 论文正式发表（IEEE JBHI 录用） | 补正式卷期/DOI，替换 arXiv 口径 |
| WOIVES 发布 v1.1+ | 更新版本链、文件数、是否补统一 manifest |
| PG-Mamba 仓库更新 | 刷新 star 数、commit 时点 |
| 库内新增 ROSE/DRAC 条目 | 补 §9.1 家族图谱行与互链 |
| Zenodo 记录变更 | 复核 DOI、文件 md5、许可 |
附录 N：缩写速查
| 缩写 | 全称 |
|---|---|
| WOIVES | Widefield swept-source OCTA Image dataset based on Vessel Segmentation |
| OCTA | Optical Coherence Tomography Angiography |
| UWF | Ultra-Widefield |
| SS-OCTA | Swept-Source OCTA |
| PG-Mamba | Polar-Gated Mamba |
| SAM | Segment Anything Model |
| SS2D | 2D Selective Scan |
| VD/VLD/FD/NCC | Vessel Density / Vessel Length Density / Fractal Dimension / Normalized Connected-Component Count |
| clDice | Centerline Dice |
| SE/IOP/CCT/AL | Spherical Equivalent / Intraocular Pressure / Central Corneal Thickness / Axial Length |
| CFP/SLO | Color Fundus Photography / Scanning Laser Ophthalmoscopy |
| DAIMS | Discoverability / Accessibility / Interoperability / Metadata / Sustainability |
附录 O：检索路径示范（关键词组合与查询式）
| 目标 | 推荐查询式 | 预期命中 |
|---|---|---|
| 论文 | “WOIVES” AND (“ultra-widefield” OR “SS-OCTA”) AND “vessel segmentation” | arXiv:2609.12574 |
| 数据集 | site:zenodo.org WOIVES / doi:10.5281/zenodo.21904672 | Zenodo 记录 21904672 |
| 代码 | github.com syb1234567 PG-Mamba | GitHub 仓库 |
| 团队谱系 | Peiwu Qin Tsinghua Shenzhen OCTA && Chengming Yang | 作者团队其他工作 |
| 同类竞品 | OCTA-500 / ROSE / DRAC + retinal vessel segmentation | 附录 I/papers 对照 |
| 高度近视血管 | “high myopia” AND “vessel density” AND “OCTA” AND “axial length” | 高度近视分析文献 |
| 反例（勿用） | “woives-octa” 作为 OCTA-500 的版本/别名 | 无命中（坑 1） |
附录 P：基于本数据集的研究检查清单（12 项）
- 许可核对：确认你的用途符合 CC BY 4.0（含商业），并准备署名文案。
- 阈值声明：任何二值实验必须写明所用阈值（论文用 0.5），否则数字不可与官方基准比。
- 划分使用：与官方基准对比时用
splits/fold_split.json，切勿自行随机划分。 - 模态核对：多模态实验先确认最小模态的可用样本数（CFP 仅 63 眼）。
- 软标签语义：记住软标签是共识信息，非校准生物概率；需校准概率请重新校准。
- 元数据完整性：用 177 眼临床子集做生物测量分析时，注意 29 眼字段缺失、勿当 0 处理。
- 指标分层报告：至少报重叠 + 概率 + 拓扑三层；"最优"须指明是哪层。
- NCC 警觉：若关注连通性，注意 PG-Mamba 在 NCC 上并非最优。
- Brier 警觉：Brier 最优者不是 PG-Mamba，勿一概而论。
- 单中心声明：任何泛化性结论必须声明单中心单设备局限。
- 临床边界：性能数字不等于临床有效性；血管测量是"与标注参考的一致性"。
- 版本存照：引用数字时注明抓取时点与版本（v1.0.0）。
尾注
本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-07，抓取与核验时点见附录 A。事实陈述以论文（arXiv:2609.12574）、Zenodo 记录（DOI 10.5281/zenodo.21904672）与其 README/LICENSE、GitHub 仓库（syb1234567/PG-Mamba）为源，三源互证。相机口径、DRAC 规模脚注、Zenodo 创作者与论文作者差异等原始文档细节已在坑点与附录 L 存照。条目与库内 octa-500（rid 341）、octa-25k（rid 859） 等条目互链，构成眼科 OCTA / 视网膜影像家族的完整检索面。后续维护触发点见附录 M。
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：
- drive — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
- iostar — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
- oculusgraphy-erg — 共享标签：眼科影像 / 医学图像分割 / 评测基准
- rossa — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
- corn-nerve — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
- idrid — 共享标签：医学影像 / 眼科影像 / 医学图像分割
- fairseg — 共享标签：医学影像 / 眼科影像 / 医学图像分割
- tg3k — 共享标签：医学影像 / 医学图像分割 / 评测基准
- openpros — 共享标签：医学影像 / 医学图像分割 / 评测基准
- retouch — 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。
