TFM数据集：用于自动 tear film break-up 分割的新型多任务数据集与集成管线
计算机视觉与模式识别
2025-10-09 v2
摘要
tear film break-up（TFBU）分析是诊断干眼综合征的关键，但自动化TFBU分割仍具有挑战，原因在于缺乏标注数据集和集成解决方案。本文介绍了Tear Film Multi-task（TFM）数据集，这是第一个全面的多任务 tear film 分析数据集，包含15个高分辨率视频（总计6247帧），标注了三个视觉任务：帧级分类（'clear'、'closed'、'broken'、'blur'）、Placido Ring检测和像素级TFBU区域分割。基于该数据集，我们首先提出了TF-Net，一个新型且高效的基线分割模型。TF-Net采用MobileOne-mini主干网络并采用重参数化技术，结合增强的特征金字塔网络，以实现准确性和计算效率之间良好的平衡，适用于临床应用的实时需求。我们进一步通过与TFM数据集上多个状态最佳（SOTA）医学图像分割模型进行比较，在TFM分割子集上建立了基准性能。此外，我们设计了TF-Collab，一个新型集成实时管线， synergistically 利用在TFM数据集上训练的三个任务模型。通过依次编排帧分类用于BUT确定、瞳孔区域定位用于输入标准化和TFBU分割，TF-Collab完全自动化了分析。实验结果表明，所提出的TF-Net和TF-Collab均显示出色，为未来的眼表诊断研究奠定了基础。我们的代码和TFM数据集均可在https://github.com/glory-wan/TF-Net 获取。
引用
@article{arxiv.2510.05615,
title = {TFM Dataset: A Novel Multi-task Dataset and Integrated Pipeline for Automated Tear Film Break-Up Segmentation},
author = {Guangrong Wan and Jun liu and Qiyang Zhou and Tang tang and Lianghao Shi and Wenjun Luo and TingTing Xu},
journal= {arXiv preprint arXiv:2510.05615},
year = {2025}
}