FAROS

FAROS数据集由中山大学中山眼科中心发布，包含40张来自不同病患的OCTA图像，涵盖健康与疾病状态。该数据集通过半自动方法获得像素级的RVC和FAZ标注，旨在解决现有OCTA数据集标注不足的问题。FAROS数据集的应用领域包括眼科疾病的诊断与治疗，特别是通过OCTA图像分析评估视网膜血管网络和无血管区的情况。The FAROS dataset was released by the Zhongshan Ophthalmic Center of Sun Yat-sen University. It contains 40 OCTA images from distinct patients, covering both healthy and diseased states. The dataset provides pixel-level annotations of retinal vascular coverage (RVC) and foveal avascular zone (FAZ) acquired via a semi-automated approach, aiming to address the shortage of annotated data in existing OCTA datasets. The application fields of the FAROS dataset encompass the diagnosis and treatment of ophthalmic diseases, especially the assessment of retinal vascular networks and foveal avascular zones through OCTA image analysis.

搜集汇总

数据集介绍

构建方式

在眼科影像分析领域，光学相干断层扫描血管成像（OCTA）为视网膜微血管结构的评估提供了关键工具。FAROS数据集的构建采用了一种半自动方案，以解决像素级标注中的人力与时间成本问题。具体流程为：首先基于ROSE-1数据集训练一个多任务分割模型（OMSN），生成初步的视网膜血管网络（RVC）和中心凹无血管区（FAZ）分割掩膜；随后，由五位影像专家和临床医生使用Adobe Photoshop软件对这些掩膜进行手动修正与精校，最终通过共识形成高质量的像素级标注真值，确保了标注的准确性与一致性。

特点

FAROS数据集在OCTA影像资源中展现出独特价值，其核心特点在于提供了全面的像素级标注。该数据集包含40幅OCTA图像，覆盖健康受试者及糖尿病视网膜病变、年龄相关性黄斑变性、视网膜静脉阻塞等多种病理状态，增强了数据的临床代表性。图像分辨率为304×304像素，聚焦于3mm×3mm的中心凹区域，并采用ZEISS PlexElite 9000扫频源OCTA设备采集，保证了影像的高质量与细节丰富性。与现有部分标注数据集相比，FAROS首次实现了RVC与FAZ的同步完整标注，为多任务学习模型提供了可靠基准。

使用方法

FAROS数据集适用于推动OCTA影像的自动化分割与量化分析研究。在使用时，研究者可将其划分为训练集、验证集和测试集，建议遵循原文中的6:2:2比例以保障模型评估的稳健性。该数据集支持单任务（如单独分割RVC或FAZ）与多任务（同步分割RVC和FAZ）学习场景，可直接输入至深度学习网络（如OMSN）进行端到端训练。预处理阶段需注意图像尺寸的统一与增强策略的应用，如随机旋转和对比度调整，以提升模型泛化能力。分割结果可通过Dice系数、平衡准确率等指标进行量化评估，助力于视网膜微结构分析的算法优化与临床诊断探索。

背景与挑战

背景概述

光学相干断层扫描血管成像（OCTA）作为一种非侵入性、高分辨率的视网膜血管功能成像技术，在眼科及系统性疾病的评估中展现出重要价值。然而，针对OCTA图像中视网膜血管网络（RVN）和黄斑无血管区（FAZ）等微结构的精确分割，长期以来受限于高效算法与全标注数据集的稀缺。为此，中山大学眼科中心的研究团队于2022年创新性地构建了全标注视网膜OCTA分割数据集（FAROS），该数据集通过半自动标注方法提供了像素级的视网膜血管（包括毛细血管）与FAZ标注，填补了该领域高质量标注数据的空白。FAROS的建立不仅推动了OCTA图像分析技术的发展，也为多任务分割模型的训练与验证提供了可靠基础，对促进人工智能在视网膜疾病诊断中的应用具有深远影响。

当前挑战

在OCTA图像分析领域，核心挑战在于实现对视网膜微结构的高精度自动化分割，以支持大规模疾病筛查与量化评估。具体而言，RVN与FAZ的同步分割面临复杂解剖结构变异、图像噪声干扰以及毛细血管级细节提取困难等问题，传统方法往往难以兼顾分割的准确性与效率。此外，数据集的构建过程亦存在显著挑战：手动标注像素级视网膜毛细血管耗时耗力且易受主观差异影响；而现有公开数据集的标注不全或图像质量参差不齐，限制了模型泛化能力的提升。FAROS数据集通过半自动标注策略部分缓解了标注负担，但仍需应对原始图像分辨率差异、病理样本多样性不足以及标注一致性维护等难题。

常用场景

经典使用场景

在眼科影像分析领域，FAROS数据集作为首个像素级全标注的光学相干断层扫描血管成像（OCTA）数据集，其经典应用场景集中于视网膜微血管网络（RVN）和中心凹无血管区（FAZ）的自动化分割研究。通过结合半自动标注方法，该数据集为深度学习模型提供了高质量的训练与验证基础，显著提升了OCTA图像中细微毛细血管和复杂FAZ边界的识别精度，推动了视网膜血管结构定量评估的标准化进程。

解决学术问题

FAROS数据集有效解决了OCTA影像分析中长期存在的两大挑战：一是缺乏能够同时分割RVN和FAZ的高效算法，二是全标注数据集的稀缺性。通过提供像素级的视网膜血管及FAZ标注，该数据集支持多任务分割模型的开发，促进了模型在复杂微结构识别中的泛化能力，并为糖尿病视网膜病变、年龄相关性黄斑变性等疾病的早期诊断提供了可靠的量化依据，从而填补了该领域数据资源的空白。

衍生相关工作

FAROS数据集的发布催生了一系列相关研究，尤其是在多任务OCTA图像分割领域。基于该数据集，研究者们进一步优化了如OMSN等网络架构，引入了注意力机制与多尺度特征融合技术，提升了模型对毛细血管和FAZ边缘的敏感性。同时，该数据集也为跨设备、跨疾病的泛化性研究提供了基准，推动了如ACRROSS、VAFF等半监督与多任务学习方法的演进，丰富了视网膜影像分析的方法学体系。