Tear Film Multitask (TFM) Dataset

TFM数据集是一个用于多任务泪膜分析的综合性公开数据集，包含从15个高分辨率视频中提取的6,247张图像，每张图像都被精心标注了三个互补的视觉任务：图像分类（将帧分为'清晰'、'闭合'、'破裂'和'模糊'）、目标检测（定位普拉西多环和瞳孔区域）和像素级语义分割（勾画泪膜破裂区域）。这种多任务标注方案为开发和应用全面的泪膜分析模型提供了丰富的资源。

The TFM Dataset is a comprehensive public dataset for multi-task tear film analysis. It contains 6,247 images extracted from 15 high-resolution videos. Each image has been meticulously annotated with three complementary visual tasks: image classification (classifying frames into "clear", "closed", "ruptured" and "blurred"), object detection (localizing the Placido ring and pupil regions), and pixel-level semantic segmentation (outlining the tear film rupture regions). This multi-task annotation scheme provides a rich resource for the development and deployment of comprehensive tear film analysis models.

搜集汇总

数据集介绍

构建方式

在干眼症诊断领域，泪膜破裂分析对评估眼表健康至关重要。TFM数据集通过采集15段高分辨率泪膜视频，从中提取6,247帧图像，并采用多任务标注策略构建而成。每帧图像均经过专业标注，涵盖帧级分类（清晰、闭合、破裂、模糊）、Placido环目标检测及像素级泪膜破裂区域分割，所有标注均通过X-AnyLabeling工具完成，确保了数据的精确性与一致性。

特点

该数据集作为首个面向多任务泪膜分析的综合性资源，其突出特点在于同步提供三类视觉任务标注。通过Placido环检测框裁剪生成的TF-Crop子集，有效缓解了原始图像中泪膜破裂区域仅占0.18%的极端类别不平衡问题。数据集包含的帧级状态分类与空间定位信息，为开发端到端诊断算法提供了完整的时空上下文支撑。

使用方法

基于该数据集构建的TF-Collab集成管道，通过级联式架构实现了临床诊断流程的自动化。系统首先利用分类模型过滤无效帧并确定破裂时间，继而通过检测模型定位瞳孔区域以标准化输入，最后采用轻量化分割网络TF-Net完成精确的泪膜破裂区域分割。该流程支持实时处理，可直接输出标准化坐标下的破裂区域映射，为干眼症定量诊断提供可靠工具。

背景与挑战

背景概述

泪膜破裂分析是诊断干眼症的关键环节，传统方法依赖临床医师手动观察，存在主观性强、效率低下等问题。为应对这一挑战，重庆邮电大学研究团队于2025年发布了泪膜多任务数据集，该数据集包含15段高分辨率视频的6247帧图像，首次提供帧级分类、普拉西多环检测和像素级泪膜破裂区域分割的三重标注。该资源填补了干眼症诊断领域缺乏标准化基准数据的空白，为开发自动化诊断系统奠定了坚实基础。

当前挑战

在泪膜破裂分析领域，核心挑战在于精准分割形态不规则、边界模糊的破裂区域，同时需克服正负样本比例严重失衡的技术难题。数据集构建过程中，研究团队面临标注一致性保障、多尺度特征捕捉以及高分辨率图像处理等困难。此外，临床应用中还需解决无效帧过滤、感兴趣区域标准化等流程整合问题，这些因素共同构成了泪膜分析自动化道路上的主要障碍。

常用场景

经典使用场景

在眼表疾病诊断领域，TFM数据集为泪膜破裂分析提供了首个多任务基准框架。该数据集通过整合帧级分类、Placido环检测和像素级分割标注，支撑了从视频筛选到病理区域量化的全流程算法开发。其高分辨率视频序列与精细注释结构，使研究人员能够系统评估模型在真实临床场景下的综合性能，为干眼症自动化诊断奠定了数据基础。

解决学术问题

该数据集有效解决了泪膜分析领域长期存在的标注数据匮乏与任务孤立问题。通过提供统一的多任务注释标准，显著降低了算法开发中的主观偏差，为突破传统手动观测的局限性提供了量化依据。其构建的基准性能体系不仅推动了轻量化分割模型的发展，更通过TF-Collab管道实现了分类、检测与分割任务的协同优化，为眼科影像分析提供了可复现的研究范式。

衍生相关工作

基于TFM数据集的多任务特性，研究者相继开发出系列创新工作。TF-Net通过结构重参数化与特征金字塔优化，在保持实时性的同时提升了小目标分割精度；TF-Collab管道则开创了多模型协同的泪膜分析范式。这些成果进一步催生了针对不规则边界的分割损失函数改进、跨模态预训练策略探索，以及面向临床部署的模型压缩研究，持续推动着眼科人工智能的技术演进。