Tear Film Multitask (TFM) Dataset

TFM数据集是一个用于多任务泪膜分析的综合数据集，包含15个高分辨率视频（共6247帧），每个视频帧都标注了三种视觉任务：帧级分类（'清晰'、'闭合'、'破裂'、'模糊'）、Placido环检测和像素级TFBU区域分割。数据集用于开发和评估全面的泪膜分析模型，为干眼症的诊断提供可靠的数据支持。

The TFM Dataset is a comprehensive dataset for multi-task tear film analysis, consisting of 15 high-resolution videos with a total of 6247 frames. Each video frame is annotated with three visual tasks: frame-level classification (with labels 'clear', 'closed', 'ruptured', and 'blurred'), Placido ring detection, and pixel-level TFBU region segmentation. This dataset is used to develop and evaluate comprehensive tear film analysis models, providing reliable data support for the diagnosis of dry eye syndrome.

搜集汇总

数据集介绍

构建方式

在眼表疾病诊断领域，泪膜破裂分析对于干眼症评估至关重要。TFM数据集的构建基于15段高分辨率普拉西多环成像视频，通过逐帧提取获得6,247张图像，并采用多任务标注策略。所有图像均经过专业临床标注，涵盖帧级分类（清晰/闭合/破裂/模糊）、普拉西多环目标检测及像素级泪膜破裂区域分割。数据集按4:1:1比例划分为训练集、验证集和测试集，标注过程借助X-AnyLabeling工具确保精度与一致性。

特点

该数据集作为首个面向多任务泪膜分析的综合资源，其显著特点体现在三维度标注体系。分类任务依据临床诊断标准定义四类帧状态；检测任务精确定位瞳孔区域的三层普拉西多环结构；分割任务通过基于外环检测的裁剪策略构建TF-Crop子集，将泪膜破裂像素占比从0.18%提升至0.93%，有效缓解类别不平衡问题。数据集提供原始高分辨率图像与标准化裁剪版本，支持从端到端诊断流程到专项算法研究的多元需求。

使用方法

针对临床自动化诊断场景，数据集支持分级式分析流程。研究者可基于分类标签筛选有效帧序列，通过检测模型定位兴趣区域并实施空间标准化，最终利用分割模型量化破裂区域。集成化管线TF-Collab展示了典型应用范式：先通过时序分类确定破裂时间点，再经目标检测裁剪瞳孔区域，最后在归一化坐标系中执行像素级分割并映射回原始空间。该方法在保持临床可解释性的同时，实现了每秒92帧（GPU）/20帧（CPU）的实时处理效能。

背景与挑战

背景概述

泪膜破裂分析作为干眼综合征诊断的关键环节，长期依赖临床医师手动观察，存在主观性强、效率低下等局限。由重庆邮电大学研究团队于2025年创建的泪膜多任务数据集，首次通过15段高分辨率视频构建包含6247帧的多维度标注资源，涵盖帧级分类、普拉西多环检测与像素级分割三大任务。该数据集通过整合计算机视觉与深度学习技术，为干眼症诊断提供了标准化评估基准，显著推动了眼表疾病诊断从经验依赖向客观量化的范式转变。

当前挑战

在泪膜破裂分析领域，核心挑战在于突破传统人工观测的局限性，实现自动化、高精度的病理区域识别与量化。具体表现为：模型需应对仅占图像总面积0.18%的泪膜破裂区域与背景间的极端类别不平衡；破裂区域形态不规则、边界模糊的特征对分割算法提出更高要求；临床实时诊断需求与模型计算效率间的矛盾亟待解决。数据集构建过程中，高分辨率视频帧的精准标注需克服医学图像标注成本高昂、多任务协同标注标准统一等难题，同时需通过普拉西多环定位与区域裁剪策略优化数据分布。

常用场景

经典使用场景

在眼表疾病诊断领域，TFM数据集作为首个多任务泪膜分析基准，主要应用于自动化泪膜破裂区域分割研究。该数据集通过整合帧级分类、Placido环检测和像素级分割标注，为开发端到端诊断算法提供了标准化测试平台。其高分辨率视频序列和精细化标注使研究人员能够系统性评估模型在复杂临床场景下的泛化能力，尤其适用于探索干眼症诊断中动态泪膜稳定性量化方法。

实际应用

在临床实践中，TFM数据集支撑的自动化系统已实现实时泪膜稳定性评估。集成分类、检测与分割模型的TF-Collab管道可同步输出破裂时间与空间分布图，将传统依赖人工观察的FBUT检测转化为标准化量化流程。该系统在GPU与CPU平台分别达到92.2/20 FPS处理速度，满足门诊实时诊断需求，显著降低观察者间变异性与诊断主观性，为基层医疗机构提供可靠辅助工具。

衍生相关工作

基于TFM数据集衍生的研究主要沿三个方向拓展：其一是轻量化分割架构优化，如TF-Net采用的MobileOne-mini骨干网络与重参数化技术，推动移动端部署；其二是多任务学习范式创新，后续工作尝试将分类检测分割任务统一于端到端框架；其三是临床验证体系完善，多家机构利用该数据集开展干眼症亚型分类研究，建立泪膜动力学与疾病严重程度的关联模型。