Brachycephalic Dog Nostril Images for Stenosis Degree Classification

本研究首次提出了一种针对短头犬种鼻孔狭窄程度分类的新型图像数据集，包含190张法国斗牛犬的鼻孔图像。数据集由多姆博斯科天主教大学与OdontoPet诊所合作，从2021年7月至2023年4月收集，涵盖了95只不同性别、年龄和体型的法国斗牛犬。数据集详细记录了鼻孔的狭窄程度，分为轻度、中度和重度，以及非狭窄状态。该数据集旨在通过深度学习技术，自动识别和分类鼻孔狭窄程度，以辅助兽医和宠物主人在诊断和治疗短头犬呼吸障碍方面提供科学依据。

This study proposes for the first time a novel image dataset for classifying the severity of nostril stenosis in brachycephalic dog breeds, which includes 190 nostril images of French Bulldogs. The dataset was collected between July 2021 and April 2023 through a collaboration between Dom Bosco Catholic University and OdontoPet Clinic, and involves 95 French Bulldogs with diverse genders, ages and body types. The dataset comprehensively records the severity of nostril stenosis, which is categorized into four grades: mild, moderate, severe and non-stenotic. This dataset aims to facilitate automatic identification and classification of nostril stenosis severity via deep learning technologies, so as to provide scientific basis for assisting veterinarians and pet owners in the diagnosis and treatment of respiratory disorders in brachycephalic dogs.

搜集汇总

数据集介绍

构建方式

短头犬阻塞性气道综合征是影响某些犬种健康与福祉的常见呼吸系统疾病，而鼻孔狭窄程度的精确评估对于该疾病的诊断至关重要。该数据集由190张斗牛犬鼻孔图像构成，图像采集于2021年7月至2023年4月，与巴西OdontoPet诊所合作完成。拍摄对象为95只1岁以上的法国斗牛犬，使用多种智能手机在自然光照条件下，于距犬面部约40厘米处采集正面及轻微倾斜角度的照片。每只鼻孔的狭窄程度由兽医依据Liu等人的标准独立分类为轻度、中度和重度，并利用LabelMe工具对图像进行裁剪标注。数据集包含轻度56张、中度66张、重度65张，以及3张非狭窄图像（归入轻度类别），整体类别分布较为均衡。

特点

该数据集是首个专门用于斗牛犬鼻孔狭窄程度分类的图像资源，填补了该领域的空白。其独特之处在于图像采集环境的多样性——包括不同光照、拍摄角度和手机型号，这模拟了真实应用场景中的非受控条件，增加了分类任务的挑战性。狭窄程度的视觉差异极为细微，尤其是中度与重度之间，使得该数据集成为细粒度图像分类的典型案例。此外，数据集规模较小（仅190张），但通过颜色抖动、随机灰度化、随机翻转等丰富的数据增强技术，可有效提升模型的泛化能力。实验表明，该问题颇具难度，MobileNetV3在多分类中达到中位f-score 53.77%，ResNet50在二分类中达到72.08%。

使用方法

研究者可将该数据集用于训练和评估深度学习模型，以实现犬鼻孔狭窄程度的自动分类。数据集支持两种任务建模：一是三分类问题（轻度、中度、重度），二是二分类问题（重度与非重度）。建议使用十折交叉验证进行评估，每折中20%的训练集用于验证。图像需统一缩放至256×256像素，像素值归一化至[0,1]区间。由于数据集较小，推荐采用强数据增强策略，特别是颜色相关的变换，以引导模型关注鼻孔与周围组织的差异。已测试的架构包括ResNet50、MobileNetV3、DenseNet201、SwinV2和MaxViT，优化器可选用SGD或Adagrad及其与SAM的结合。结果分析建议关注f-score、召回率和混淆矩阵，尤其注意重度狭窄的识别性能。

背景与挑战

背景概述

短头犬品种因其扁平的面部特征而备受青睐，然而，选择性繁殖导致了短头阻塞性气道综合征（BOAS）这一严重呼吸系统疾病的高发，其中鼻孔狭窄是核心病理表现之一。该数据集由巴西Dom Bosco天主教大学与OdontoPet诊所的研究团队于2021年至2023年间构建，Gabriel Toshio Hirokawa Higa等人为创建者。数据集包含190张斗牛犬鼻孔图像，涵盖轻度、中度和重度狭窄三类，并附有少量非狭窄样本。这是首个针对鼻孔狭窄程度分类的图像数据集，旨在通过深度学习辅助兽医和宠物主人自动评估狭窄等级，从而改善短头犬的福利。该数据集的出现填补了该领域图像资源的空白，为计算机视觉在兽医诊断中的应用开辟了新方向。

当前挑战

该数据集面临的核心挑战在于图像分类的细粒度与数据复杂性。狭窄程度间的视觉差异极为细微，尤其是轻度和中度之间的界限模糊，导致多分类任务中模型最高中位f-score仅为53.77%。构建过程中，非狭窄短头犬极为罕见，导致非狭窄样本仅有三张，迫使将其归入轻度狭窄类，加剧了类别不平衡。此外，图像采集环境多样，包括不同智能手机、自然光照、拍摄角度和距离，引入了分辨率、光照和姿态的显著变化，远超放射影像等受控场景。模型需同时应对这些复杂因素，并在资源有限的设备上实现高效推断，这对网络架构的鲁棒性和泛化能力提出了严峻考验。

常用场景

经典使用场景

在伴侣动物福利日益受到关注的背景下，短头犬品种的呼吸道健康问题成为兽医学与计算机视觉交叉领域的研究热点。该数据集聚焦于斗牛犬鼻孔狭窄程度的图像分类，提供了190张涵盖轻度、中度及重度狭窄的鼻孔图像，并包含少量非狭窄样本。其经典使用场景在于利用深度学习模型对鼻孔图像进行自动化的狭窄程度分级，为犬类短头阻塞性气道综合征的客观评估提供视觉计算支撑。

衍生相关工作

该数据集衍生了一系列深度学习架构的对比研究工作，包括ResNet50、MobileNetV3、DenseNet201等卷积神经网络，以及SwinV2、MaxViT等基于Transformer的模型。后续工作可围绕数据增强策略优化、跨品种泛化能力提升、以及轻量化模型在嵌入式设备上的部署展开。此外，该数据集也为探索弱监督学习、域适应等技术在兽医学图像分析中的应用提供了基础，并可能催生针对其他短头犬品种（如巴哥犬、英国斗牛犬）的扩展数据集构建。

数据集最近研究

最新研究方向

在伴侣动物健康与福利日益受到关注的背景下，短头犬阻塞性气道综合征（BOAS）的早期诊断成为兽医领域的前沿议题。Brachycephalic Dog Nostril Images for Stenosis Degree Classification数据集应运而生，作为首个聚焦于斗牛犬鼻孔狭窄程度图像分类的公开资源，为深度学习在兽医影像分析中的落地提供了关键支撑。当前研究热点集中于利用卷积神经网络与视觉Transformer架构（如MobileNetV3、ResNet50及SwinV2）对轻度、中度及重度狭窄进行多分类与二分类判别，尤其侧重重度狭窄的精准识别——这一与动物痛苦程度直接相关的临床指标。尽管受限于样本量小与类间差异细微，模型在二元分类中最高可达72%的中位F1分数，表明该任务虽具挑战但具备可行性。该数据集不仅填补了短头犬呼吸系统疾病智能诊断的空白，更推动了宠物医疗从经验判断向数据驱动转型，对提升动物福祉与优化临床决策具有深远意义。

相关研究论文

• A New Machine Learning Dataset of Bulldog Nostril Images for Stenosis Degree Classification

  多姆博斯科天主教大学 · 2024年