FunPiQ

FunPiQ是由维也纳医科大学研究团队创建的首个面向眼底图像像素级质量评估的公开基准数据集，旨在解决传统图像级质量评估标准不统一、任务依赖性强的问题。该数据集包含300张从EyeQ、BRSET和mBRSET三个公开数据集中精选的眼底图像，涵盖美国与巴西两国的多设备采集数据，并由眼科专家进行像素级的三类质量标注（优/可用/差）。数据构建过程通过平衡疾病类型、退化类型与设备多样性进行采样，并采用专家监督的精细化标注流程。该数据集主要应用于眼科人工智能领域，为开发可解释的局部质量评估模型提供基准测试平台，推动眼底图像筛查的自动化质量控制系统发展。FunPiQ is the first publicly available benchmark dataset for pixel-level quality assessment of fundus images, developed by a research team from the Medical University of Vienna. It aims to address the issues of inconsistent evaluation standards and high task-dependency in traditional image-level quality assessment tasks. This dataset contains 300 fundus images carefully selected from three public datasets: EyeQ, BRSET and mBRSET, covering data collected via multiple devices from both the United States and Brazil. These images were annotated by ophthalmologists with three pixel-wise quality categories: excellent, usable, and poor. During the dataset construction, sampling was performed to balance disease types, degradation types and device diversity, and a fine-grained annotation workflow supervised by domain experts was adopted. This dataset is primarily applied in the field of ophthalmic artificial intelligence, serving as a benchmark platform for developing interpretable local quality assessment models and promoting the advancement of automated quality control systems for fundus image screening.

原始信息汇总

数据集概述：FunPiQ

FunPiQ 是一个用于眼底图像像素级质量评估的新基准数据集，旨在提供基于解剖可见性的、与任务无关且可解释的眼底图像质量评估（FIQA）。

核心特性

• 任务类型：像素级质量标注数据集。
• 创新点：首个提供像素级质量标注的眼底图像质量评估（FIQA）基准。
• 设计理念：基于解剖可见性进行像素级质量评估，该方法比传统的图像级标注更具任务无关性和可解释性。

数据集构成

该数据集的标注文件可通过 GitHub Release 下载，标注文件格式为索引PNG（Indexed PNG）。原始眼底图像来源于以下三个公开数据集：

• EyeQ：需遵循官方预处理脚本获取调整大小后的图像。
• BRSET：无需预处理。
• mBRSET：无需预处理。

标注格式与类别映射

标注以索引PNG格式存储，推荐使用PIL（Pillow）读取。像素值对应的类别如下：

像素值	RGB颜色	视觉颜色	类别名称
0	(0, 0, 0)	黑色	背景
1	(106, 153, 78)	绿色	高质量
2	(232, 168, 56)	黄色	可用质量
3	(193, 69, 69)	红色	低质量

注意：加载标注时，请使用PIL，避免使用OpenCV的默认读取方式（如cv2.imread），以防止调色板展平或插值，破坏类别映射。

相关方法与评估

• 提出的方法：EFIQA-CP，一种可解释性设计的（EBD）方法，利用基于解剖可见性的质量伪标签，通过非负正-无标签学习（Non-Negative Positive-Unlabeled learning）训练CNN。
• 评估任务：对分类方法（含事后解释）、异常检测方法和EBD方法进行了广泛评估，结果表明EBD方法（尤其是EFIQA-CP）性能更优。

配套资源

• 论文：可在 arXiv 获取。
• 源代码：可在 GitHub 代码目录 获取。
• 模型权重：可在 GitHub Release 下载。
• 数据集标注：可在 GitHub Release 下载。

搜集汇总

数据集介绍

构建方式

在眼底图像质量评估领域，现有数据集多依赖图像级标注，难以刻画局部退化。FunPiQ作为首个像素级质量评估基准，通过从EyeQ（美国）、BRSET和mBRSET（巴西）三个公开数据集中精心采样300张图像构建而成，其中三分之二数据源自巴西这一中低收入国家，确保了退化类型、种族背景和采集设备的多样性。所有图像均经过专业阅片师在眼科医生监督下进行像素级三分类标注：良好（结构清晰锐利）、可用（轻度降质但可识别）和差（严重伪影导致不可判读），从而实现了对不同质量区域的精细刻画。

特点

FunPiQ的核心特点在于其像素级标注的精细度与任务无关性。不同于传统图像级质量评判标准因下游诊断任务而异，FunPiQ基于解剖结构的可见性定义局部质量，可灵活耦合特定解剖区域需求以实现动态图像级质量控制。该数据集涵盖从高端台式设备到手机便携相机的多种硬件来源，包含了光照不均、焦点模糊、视野遮挡和伪影等多种退化类型，特别强调重度退化图像（差等级）中仍存在的优质和可用区域，为评估模型的空间定位能力提供了独特测试场景。

使用方法

FunPiQ定位于评估模型的局部质量预测与可解释性表现。使用者可将其作为测试基准，采用二次加权卡帕系数评估预测质量图与真值之间的序数一致性，利用平均Dice系数衡量各质量类别的分割重合度，并针对医疗场景最关注的“拒绝”任务（即区分差区域与可用/良好区域），计算Dice、AUC和特异性为95%时的敏感性等指标。论文提供官方代码、预训练权重和数据集，支持加载模型后直接计算上述指标，并建议通过自助法（10,000次迭代）进行统计显著性检验，从而公正比较不同方法的定位精度。

背景与挑战

背景概述

眼底彩色照相（CFP）作为眼科大规模筛查中最普遍的成像模态，在揭示视网膜病变及全身健康状况方面发挥着不可替代的作用。然而，CFP极易受到光照不均、对比度不足等局部退化因素的干扰，使得眼底图像质量评估（FIQA）成为确保临床诊断可靠性的关键环节。现有FIQA数据集虽提供了图像层面的质量标签，却因评估标准依附于具体下游任务而呈现主观性与异质性，难以形成统一基准。针对这一困境，维也纳医科大学人工智能研究所的彭伟·王及其合作者于2026年推出了FunPiQ数据集，首次为FIQA领域提供了像素级质量标注。该数据集精选自EyeQ、BRSET及mBRSET三个公开资源，涵盖300张图像，由经验丰富的标注员在眼科医师监督下完成标注，旨在以解剖结构可见性为锚点，构建任务无关、可解释的局部质量评估基准，推动了FIQA从全局向精准定位的范式转变。

当前挑战

FunPiQ核心致力于解决FIQA领域中图像级评估标准不一且无法量化局部退化的根本难题。传统图像级标签因诊断任务而异，导致同一图像在不同数据集中质量判定分歧显著，模型泛化能力受限。更甚者，退化往往发生于局部区域，图像级标注无法揭示病变或伪影的空间分布，削弱了评估的临床可信度。在数据集构建过程中，挑战亦不容小觑：从跨数据集采样时需平衡退化类型、种族多样性及设备差异，到像素级标注的高昂人力成本与专业门槛，每一步均需审慎设计。此外，现有方法如EFIQA虽引入可解释性设计，却受限于伪标签噪声与缺乏全局上下文，在黄斑等血管稀疏区域易产生误判，凸显了应对伪标签鲁棒性与局部特征表征能力的双重挑战。

常用场景

经典使用场景

在眼底图像分析领域，眼底彩照（CFP）作为大规模筛查的核心影像模态，其质量易受光照不均、对比度不足等局部退化因素影响，传统图像级质量评估（FIQA）受限于主观判据与任务依赖性。FunPiQ数据集首次提供了像素级质量标注，为评估和定位局部退化区域提供了标准化基准。其经典使用场景在于，研究者利用FunPiQ评估各类FIQA模型在像素级别上的预测精度与可解释性，尤其聚焦于模型能否准确区分‘优质’、‘可用’与‘不可用’区域，从而实现对眼底图像局部质量的精细量化刻画。

解决学术问题

FunPiQ数据集填补了眼底图像质量评估领域缺乏像素级标注基准的空白，解决了传统图像级FIQA标准不统一、依赖下游任务专家知识且无法定量评估局部退化的学术问题。该数据集推动了任务无关、可解释的局部质量评估方法的发展，使研究者能客观比较端到端模型、事后解释方法与内建可解释方法在定位退化区域上的表现，揭示了可解释设计（EBD）方法的显著优势，并促进了如EFIQA-CP等利用解剖可见性先验与正无标签学习的创新方法诞生，显著提升了FIQA模型的鲁棒性与临床可信度。

衍生相关工作

FunPiQ数据集的发布催生了一系列衍生工作，其中最具代表性的是EFIQA-CP方法，它采用宽而浅的卷积神经网络作为特征适配器，并通过非负正无标签学习（nnPU）处理伪标签噪声，在FunPiQ上实现了最先进的性能。此外，该数据集还激励了更多可解释性设计的FIQA方法研究，如EyeQual的局部补丁评分机制和基于解剖先验的EFIQA架构，这些工作共同推动了从图像级到像素级的范式转变。未来，FunPiQ还将促进结合解剖定位的动态质量判据、多读标注一致性分析以及跨域泛化评估等研究方向的发展。