企业官网建设流程全解析

大概五年前我第一次做视网膜血管分割，遇到的第一个问题不是模型选什么，而是该拿什么数据训练。搜了一圈，DRIVE、STARE、CHASE_DB1、REFUGE、DiaRetDB1这些名字反复出现，但没人告诉我它们之间到底有什么区别：哪个适合当训练集，哪个只能当测试集，哪个下载下来就能直接跑，哪个还要自己造掩膜，哪个甚至根本不是做血管分割的。这篇文章就把这几个数据集一次讲透，顺便把评估协议、预处理细节和选型思路一起理清楚，给正准备入坑眼底图像分析的朋友省点时间。

1. 眼底图像公开数据集：为什么会扎堆出现在血管分割任务里

视网膜血管分割这个任务，输入是一张眼底彩照，输出是每个像素属于血管还是背景，本质上就是逐像素二分类。听起来不复杂，但它对临床的意义非常大：糖尿病视网膜病变、高血压、动脉硬化都会在眼底血管上留下形态变化，比如血管迂曲、粗细不均、分叉角度异常。医生靠肉眼观察这些变化，耗时且主观，所以从很早开始，计算机辅助分析就是眼科影像研究的重点方向。

但这里有个很现实的问题——标注成本。让一个医生手工描绘一张眼底图的完整血管网络，通常需要几个小时，而且不同医生的标注结果还不完全一致。如果每个研究团队都自己标注数据，那整个领域根本跑不起来。公开数据集的出现，让所有人能在统一标准下训练模型、对比算法，这也是DRIVE、STARE这些老数据集能流行二十年的根本原因。

为什么会有这么多数据集，而不是一个统一的大数据集？因为眼底图像的数据分布实在太散了。拍摄设备不同、人群不同（成人/儿童）、疾病谱不同、图像分辨率不同，都会导致模型在一个数据集上效果好、换到另一个数据集上效果明显下降。所以这个领域慢慢形成了一个惯例：一个新方法出来，至少要在一个数据集上训练，在另一个数据集上做外部验证，才能说明它真的有泛化能力。

顺便说一句，这五个数据集虽然经常被并列提起，但它们并不完全属于同一类。DRIVE、STARE、CHASE_DB1是有逐像素血管标注的，做血管分割直接拿它们训练和测试没问题。而REFUGE的主标注是视盘和视杯，DiaRetDB1的主标注是糖尿病病变区域，它们本身并不提供血管像素级标签。很多人一开始没注意到这点，把REFUGE下载下来想做血管分割，结果发现根本没有血管标注，白折腾一场。后面我会把每个数据集的真实属性讲清楚。

2. 逐个拆解DRIVE、STARE、CHASE_DB1、REFUGE、DiaRetDB1

这五个数据集的特点差异很大，我按"真正适合血管分割"的顺序来拆，前三个是主力，后两个是经常被误用的。

2.1 DRIVE：最常被引用的基准测试集

DRIVE全称是Digital Retinal Images for Vessel Extraction，来自荷兰Utrecht大学医学中心的糖尿病视网膜病变筛查项目，2004年发布，是目前血管分割领域引用量最高的数据集，没有之一。

数据规模是40张眼底彩照，官方明确划分为训练集20张、测试集20张。拍摄设备是Canon CR5非散瞳眼底相机，45°视场角，图像尺寸约565×584像素，不同论文里有时写584×565，其实是同一个尺寸，只是宽高的定义顺序不同。这个分辨率放到今天看很低，但在2004年已经是规范的数据集了。

标注方面，训练集的每一张图提供一套手动分割的血管标注，测试集的每一张图提供两套独立的手动标注。这里有个容易忽略的细节：DRIVE的标注并不是眼科医生完成的，而是由经过训练的观察者完成的。所以这套标注的精度上限，不完全等同于临床专家水平。测试集提供两套标注的目的，是为了评估观察者之间的一致性，也给算法性能提供了一个"人标上界"的参考。

获取方式是在官网填写使用协议，获批后下载。整个压缩包解压后包含images（原始图像）、manual1和manual2（两套标注）以及mask（FOV掩膜）几个目录，结构很清晰。因为太经典，网上也有很多镜像，但我建议还是走官方渠道，至少能确认文件没被动过手脚。

实际使用中，DRIVE最适合做的事情是当主测试集。模型在它上面跑出来的AUC、准确率、灵敏度，可以直接和论文数据库里几千篇文章对比，这是其他数据集替代不了的。

2.2 STARE：小样本、病理丰富的难度担当

STARE全称是STructured Analysis of the REtina，由美国加州大学圣迭戈分校发布，比DRIVE还要早一点，2000年左右就出来了。

它只有20张眼底图像，用Topcon TRV-50眼底相机拍摄，35°视场角，图像尺寸700×605像素。这20张图里大约一半正常，一半带有明显病理，比如视网膜母细胞瘤、视网膜前膜这些严重病变。正因为病理比例高，STARE上的血管分割难度通常比DRIVE更大——病变区域的血管会和病灶混在一起，对比度不均匀，模型很容易在病灶边缘产生假阳性。

STARE每张图有两套独立的人工标注，分别来自两位标注者。常见做法是选其中一套作为ground truth，另一套也可以用来做灵敏度分析或作为训练数据扩充。但要注意，STARE官方没有像DRIVE那样给出训练/测试划分，所以你在论文里看到的"STARE result"到底怎么来的，必须自己在方法部分写清楚。有的组用10张训练10张测试，有的组用留一法交叉验证，指标结果差别不小。

另外STARE没有提供官方FOV掩膜，这是它和DRIVE、CHASE_DB1的一个明显差异。后面预处理部分我会专门讲怎么自己补一个掩膜。

2.3 CHASE_DB1：儿童眼底与两张独立标注

CHASE_DB1全称是Child Heart and Health Study in England，来自英国一项儿童心脏健康队列研究。这个背景本身就很有意思：它采集的是儿童眼底图像，视盘大小、血管粗细比例、血管走向都和成人数据有明显差异，所以天然适合做跨年龄段泛化测试。

数据集包含28张眼底图像，图像尺寸1280×960像素，比DRIVE、STARE都要大一圈。每张图同样有两套独立的人工标注，而且质量不错。这个数据集没有官方训练/测试划分，加上样本量实在太小，直接拿来训练深度学习模型很容易过拟合，所以主流用法是作为外部测试集，或者和DRIVE合并成训练集来扩充数据多样性。

获取方式比较麻烦，原项目官网已经不太稳定，经常打不开。好在GitHub上有很多镜像仓库，搜索CHASE_DB1就能找到。下载后建议核对一下文件数量和尺寸，确认不是被二压过的版本。

2.4 REFUGE：严格来说不是血管数据集

REFUGE是一个与MICCAI挑战赛相关的眼底图像数据集，由中山大学中山眼科中心等机构组织发布，共1200张眼底彩照，官方划分为训练集、验证集、测试集各400张。图像采集自两种不同设备，分辨率在1600×1600到2100×2100之间，数据量在所有眼底公开数据集里算比较大的。

但它的标注重点是视盘和视杯的分割，以及青光眼诊断标签。换句话说，它根本没有血管的像素级标注。那为什么会被列进视网膜血管分割数据集的清单里？我理解是因为很多综述在整理"眼底图像公开资源"时，会把所有眼底彩照数据集放一起列出来，久而久之大家就误以为它也是血管分割数据集了。

那它对做血管分割的人有没有价值？有，但用法不同。一是可以拿来做预训练，1200张图足够训练一个眼底图像的表征模型；二是可以用它训练视盘/视杯分割模型，帮你定位视盘区域，在做血管分割时排除掉视盘区域的干扰；三是如果要研究跨数据集适配，REFUGE可以作为一个规模更大的目标域数据源。但如果你是想找血管标注来训练分割网络，REFUGE不是你要找的东西。

2.5 DiaRetDB1：病变标注的"元老"

DiaRetDB1全称是Diabetic Retinopathy Database 1，来自芬兰库奥皮奥大学，也就是现在的东芬兰大学，主要面向糖尿病视网膜病变检测任务。

它包含89张眼底图像，分辨率1500×1152像素左右，50°视场角，其中绝大多数是不同程度的糖尿病视网膜病变，少量正常图像作为对照。标注由4位医学专家独立完成，标注内容是微动脉瘤、出血、硬渗出、软渗出这些病变区域，每个标记还带有置信度信息。

和REFUGE一样，DiaRetDB1也没有逐像素血管标注。它的价值在于：如果你研究的是DR病变检测，它是早期最经典的数据集之一；如果你做的是血管分割，它有时被用来测试模型在病变图像上的鲁棒性——因为血管分割在病变区域特别容易出错。但严格来说，它不属于血管分割的训练/测试基准。

五个数据集的基本情况可以先看这张表：

3. 评估协议里的门道：掩膜、双标注与指标口径

很多人跑通一个模型后，报告出来的指标却和论文对不上，问题往往不在模型，而在评估协议。眼底图像血管分割这个领域，评估协议里的细节比大多数人想象中要多。

3.1 FOV掩膜：不评估背景才能拿到合理分数

眼底相机拍摄出来的照片不都是有效区域，图像四周通常有一圈黑色背景，这部分像素不包含任何视网膜信息。如果在整张图上计算准确率，黑色背景占了很大比例，而模型只要学会"把背景预测为非血管"就能获得很高的准确率，这个分数显然没有意义。

DRIVE和CHASE_DB1都提供了FOV掩膜，告诉你哪些像素属于有效的眼底区域。正规的做法是：只在FOV掩膜内部计算灵敏度、特异性、准确率和AUC，背景像素完全不参与指标计算。STARE没有官方掩膜，通常的做法是从绿色通道里用阈值分割或Otsu自动阈值把圆形眼底区域提取出来，再自己生成一个掩膜。这个掩膜的边缘如果处理不好，会影响最终指标的稳定性。

注意：如果你用了不同方式生成STARE的FOV掩膜，指标的绝对值会有微小差异，这在论文对比时不太公平。建议公开你的掩膜生成代码，这样别人能复现你的评估过程。

3.2 双标注：跨观察者一致性就是性能上限

DRIVE测试集和STARE、CHASE_DB1都有两套人工标注。这两套标注之间本身就不完全一致，在血管边缘、细小血管处经常出现一个标了另一个没标的情况。换句话说，算法的预测不可能同时和两套标注完全一致。

所以这个领域有一个不成文的参考：把其中一套标注当作金标准计算模型指标，另一套标注也当作"模型"去算同样的指标，得到的分数就是人类标注者之间的差异水平。模型的指标如果接近这个水平，就已经很好了，没必要追求无限接近100%的准确率。这一点在写论文分析结果时很有用，可以直观地说明模型性能已经逼近人工标注的上限。

3.3 常用指标：谁在高分，谁在裸泳

血管分割最常报告的指标是准确率（ACC）、灵敏度（Se）、特异性（Sp）、AUC和Dice系数。

准确率最容易虚高，因为血管像素通常只占FOV内部像素的10%左右，哪怕把所有像素都预测为非血管，准确率也有90%。所以只看准确率没有任何意义，必须结合灵敏度和特异性一起看。灵敏度衡量的是血管被找出来的比例，特异性衡量的是背景被正确排除的比例，两者此消彼长，很多方法通过调阈值就能在两者之间滑动。

AUC不依赖阈值选择，是论文里最常用来排名的指标。经典U-Net在DRIVE上的AUC通常在0.96到0.98区间，后续很多改进模型能到0.98以上；STARE由于病变更多、标注一致性更差，同模型报告出来的AUC普遍比DRIVE低一到两个百分点，这是正常现象。如果你看到某篇论文在STARE上分数比DRIVE还高，就得留意一下它的评估设置是否合理。

4. 数据加载和预处理中最容易被坑的六个细节

数据集下载好只是第一步，真正上手的时候坑特别多。我把自己踩过的、以及在开源社区里高频出现的问题集中整理一下，每个都是实操里会遇到的真问题。

4.1 文件格式与标签二值化

DRIVE的手动分割标注是GIF格式的索引图像，读出来后像素值不一定是0和1，有的地方是0和255，还有的因为压缩算法在血管边缘产生一些中间值。直接用0和1去监督训练，边缘部分会被当作错误类别，导致模型在血管边缘的预测变模糊。

正确的做法是：读取标签后先做一次二值化，比如label = (label > 127).astype(uint8)，把标签统一成0和1。STARE的标注格式也类似，CHASE_DB1的标注一般直接提供二值图像，但保险起见加载后还是检查一下像素取值集合。

4.2 FOV掩膜的处理：STARE无现成掩膜

DRIVE和CHASE的掩膜是现成的，直接用就好。但掩膜也要做尺寸对齐，原始图像如果被裁剪或缩放，掩膜必须跟着做一模一样的几何变换，否则FOV区域和图像对不上，后面所有指标全是错的。

STARE需要自己生成掩膜。我的做法是：取绿色通道，做一次高斯模糊，然后用Otsu阈值分割，把最大的连通域保留下来作为FOV。生成之后做一次形态学闭运算，填掉眼底边缘可能出现的细小孔洞。这个流程能应付STARE的绝大多数图像，但对某些病变特别严重的图，视网膜边缘和背景对比度很低，阈值分割可能不准确，需要在验证时用肉眼检查一遍掩膜覆盖是否合理。

4.3 绿色通道优先

眼底彩照的三个通道里，红色通道往往过曝，血管和背景对比度低；蓝色通道受噪声影响大，视网膜细节弱；绿色通道的血管和背景对比度最高，是所有预处理流程里最稳定的选择。绝大多数血管分割模型都是只用绿色通道作为输入，或者在输入层把三通道都喂进去但让网络自己学习权重，后者需要更大的模型容量和更多训练数据。

如果做跨数据集训练，我建议统一取绿色通道进行单通道输入，这样不同数据集的色域差异对模型的影响会小很多。很多人忽略这一点，直接拿RGB图训练，换到另一个数据集后颜色分布一变，性能掉得厉害。

4.4 对比度增强与归一化

眼底图像受拍摄环境、设备差异影响，光照不均匀很常见，血管在图像边缘往往比较暗。CLAHE（对比度受限自适应直方图均衡化）几乎是这个领域的标配预处理，能显著提升血管的可见度。我常用的参数是clipLimit=2.0、tileGridSize=(8,8)，效果稳定。但要注意，CLAHE会同时增强噪声，如果增强强度过大，细小血管和噪声之间的边界会变模糊，反而增加假阳性。

归一化上，最稳妥的是按数据集统计均值方差做标准化，而不是简单除以255。多个数据集混合训练时，最好在预处理阶段就把每个数据集的像素分布对齐，比如先做CLARE再统一标准化，比用原始像素值直接训练要稳定得多。

4.5 小样本的训练/测试划分

DRIVE有官方划分，直接用，不用纠结。但STARE和CHASE_DB1样本量很小，划分方式会影响最终指标，所以在论文里必须明确写清楚。

STARE的常见做法有两种，一种是随机选10张训练、10张测试，多次随机并报告平均值；另一种是留一法交叉验证，对20张图轮流做测试。这两种方式报告的指标不可直接对比，留一法训练集更大，通常分数会更高一些。CHASE_DB1没有官方划分，我个人建议如果做交叉验证，保证同一个人的两张图（如果存在）不跨训练集和测试集，避免数据泄漏。

4.6 类别不平衡处理

前面提到，FOV内部血管像素大约只占10%到12%，这是个典型的严重类别不平衡问题。如果直接拿交叉熵损失训练，模型会倾向把所有像素都预测为背景，虽然准确率高，但血管一条也找不出来。

通用的方案有三个方向。一是用Dice损失，或者BCE与Dice的组合损失，这是目前的主流做法。二是加权交叉熵，给血管像素更高的权重。三是用Focal Loss，让模型更关注那些难分的细小血管和边缘像素。我的经验是，BCE + Dice的组合在大多数场景下最稳，参数也少，调起来不费劲；如果你的模型已经很强了，再试Focal Loss说不定还能再挤一点提升，但要小心过拟合。

预处理里还有一些零碎的增强技巧，比如随机旋转、翻转、弹性变换、亮度对比度扰动。有一点值得注意：眼底图像的解剖结构有天然的方向性，视盘、黄斑的位置和血管走向都有生理规律，所以平移增强的幅度不要太大，否则会给模型引入不真实的几何分布，导致在测试集上出现奇怪的误分割。

5. 数据集选型：从任务出发，而不是从名气出发

数据集选型这件事，说到底是看你到底要解决什么问题。不同目的，选择逻辑完全不一样。

5.1 不同任务对应数据集

如果你做的是常规血管分割深度学习算法验证，我建议主数据集用DRIVE，这是领域公认的基准，跑出来的结果能和几乎所有已发表工作对比。光看DRIVE还不够，审稿人大概率会要求补充外部验证，这时CHASE_DB1和STARE就是最好的选择——样本量小，但对泛化能力的检验非常有效。

如果你做的是跨数据集泛化或域适应研究，常规设置是DRIVE作为源域，STARE或CHASE_DB1作为目标域，目标域可以用少量标注做无监督适配，或者完全零样本测试。CHASE因为是儿童眼底，和DRIVE的成人眼底差异明显，域偏移更大，测试难度也更高，更适合用来展示域适应方法的有效性。

如果你的任务和青光眼相关，REFUGE是必须用的数据集，它提供视盘和视杯的精细分割标注以及青光眼诊断标签，是目前这个子领域里数据量最大的公开资源之一。预训练也可以考虑用它的1200张图，先训练一个眼底图像的分类或重建任务，再迁移到血管分割，在小数据集上往往能带来肉眼可见的提升。

如果你的任务和DR病变检测相关，DiaRetDB1是经典选择，但今天它更适合做早期对比，或者作为多个数据集中的一个来扩充病变类型的覆盖度。实际做DR检测时，我个人还会建议补充IDRiD、DDR这些更新的数据集，它们的病变标注更细、图像质量更高。

5.2 跨数据集泛化测试建议

做血管分割研究，一个常见的误区是：在DRIVE上训练，然后在DRIVE上反复调参测试，最后只报告DRIVE的指标。这种做法问题很大，因为一旦你在某个测试集上迭代足够多次，模型很可能已经间接过拟合了测试集，指标反映的不再是真实泛化能力。

更靠谱的做法是：把DRIVE当训练集，把STARE和CHASE_DB1当真正的"未知数据"来测试，只在最后阶段跑一次。这样得到的跨数据集指标虽然比同数据集低，但它才是模型真实落地时的表现。我自己的经验是，DRIVE训练的模型直接测CHASE_DB1，AUC大概率会掉2到8个百分点，具体的下降幅度取决于模型的鲁棒性和预处理是否统一。这个下降不是模型不行，而是域差异的客观体现，写论文时不用怕暴露这个数值，反而是体现工作严谨性的加分项。

不过，正式发表时我建议还是把"同数据集指标"和"跨数据集指标"分开报告，不要混在一起比较。同数据集内看模型容量和训练策略，跨数据集看泛化能力，两者反映的是不同维度的性能。

5.3 写作与实验中的常见误区

有一个很常见的坑必须提醒：有人会把DRIVE测试集的第二套标注拿来参与训练。DRIVE测试集提供两套标注，如果拿其中一套做人标参考、另一套做训练，这本质上是把测试集的标注信息泄漏到了训练阶段。虽然这里泄漏的不是图像本身，而是标注信息，但指标会虚高，审稿人一旦发现基本是大硬伤。要做严格的对照实验，训练过程中永远只使用训练集提供的标注。

另外一个容易被忽略的问题是掩膜对齐。DRIVE的标注文件和原始图像是严格对齐的，但如果你的数据增强里包含随机旋转和裁剪，FOV掩膜、标签、原始图像必须使用完全相同的变换参数。用图像库的随机数时，最好为三张图传入同一个seed，否则旋转角度不一致，标签和图像错位，模型根本学不出有效特征。

提示：检查对齐问题有一个很笨但很有效的方法——把原始图像的绿色通道和标注做半透明叠加，肉眼扫一遍。如果血管的标注位置和图像里的血管对得上，说明管线没问题；如果边缘错位，优先检查插值方式，标签和掩膜必须用最近邻插值，用双线性插值会把标签边缘变模糊。

5.4 我的个人选择

如果现在让我重新搭一套血管分割实验，我会这样配：训练集用DRIVE的全部20张加上CHASE_DB1的全部28张，40多张图虽然还是不多，但相比单用DRIVE能增加不少血管形态多样性。外部测试用STARE和DRIVE测试集，其中DRIVE测试集作为主测试集，STARE作为泛化验证。如果任务允许，再用REFUGE做个无监督预训练，把视盘定位的辅助信息也利用起来。这套组合不会被审稿人挑"只有一个数据集"的毛病，工作量又可控。

最后再分享一个实际经验：数据集的预处理管线一旦确定，中间任何一步都不要频繁改动。我见过不少项目，模型没换，只因为换了CLAHE参数，指标就出现两三个百分点的波动，折腾半天才查到原因。先把管线的每个环节固定下来，记录清楚，然后再谈模型创新——否则你根本分不清涨点是模型带来的还是数据处理带来的。