BRAMD

Name: BRAMD
Creator: Technion-IIT, Haifa, Israel
Published: 2025-05-08 22:31:02
License: 暂无描述

arXiv2025-05-08 更新2025-05-13 收录

下载链接：

http://arxiv.org/abs/2505.05291v1

下载链接

链接失效反馈

官方服务：

资源简介：

BRAMD数据集是本研究新引入的开放数据集，包含587张眼底图像，来自472名患者。这些图像带有AMD标签，由专家进行标注。数据集涵盖了多种成像条件和视场（FOV）。BRAMD数据集旨在帮助研究人员开发和应用眼底图像分析模型，以提高AMD检测的准确性和效率。该数据集的创建过程涉及与巴西圣保罗联邦大学的合作，并得到了相应的伦理审批。BRAMD数据集的应用领域主要在于眼科疾病检测，特别是用于中晚期AMD的识别。

The BRAMD dataset is a newly introduced open-access dataset in this study, comprising 587 fundus images from 472 patients. All images are labeled with AMD annotations by professional medical experts. The dataset encompasses diverse imaging conditions and fields of view (FOV). The primary purpose of the BRAMD dataset is to assist researchers in developing and deploying fundus image analysis models to enhance the accuracy and efficiency of AMD detection. The development of this dataset was conducted in collaboration with the Federal University of São Paulo, Brazil, and received appropriate ethical approval. The BRAMD dataset is mainly applied in ophthalmic disease detection, particularly for the recognition of intermediate and advanced AMD.

提供机构：

Technion-IIT, Haifa, Israel

创建时间：

2025-05-08

原始信息汇总

数据集概述

基本信息

标题: Benchmarking Ophthalmology Foundation Models for Clinically Significant Age Macular Degeneration Detection
作者: Benjamin A. Cohen, Jonathan Fhima, Meishar Meisel, Baskin Meital, Luis Filipe Nakayama, Eran Berkowitz, Joachim A. Behar
提交日期: 2025年5月8日
arXiv标识符: arXiv:2505.05291v1
DOI: https://doi.org/10.48550/arXiv.2505.05291
领域: 电气工程与系统科学 > 图像与视频处理 (eess.IV)

摘要

研究背景: 自监督学习（SSL）使视觉变换器（ViTs）能够从大规模自然图像数据集中学习鲁棒表示，增强其跨领域泛化能力。
研究内容: 在视网膜成像中，基于自然或眼科数据预训练的基础模型显示出潜力，但域内预训练的益处尚不确定。本研究在七个数字眼底图像（DFI）数据集（总计70,000张专家标注图像）上对六种SSL预训练的ViTs进行基准测试，用于中度至晚期年龄相关性黄斑变性（AMD）识别。
主要发现:
- 在自然图像上预训练的iBOT表现出最高的分布外泛化能力（AUROCs为0.80-0.97），优于域特定模型（AUROCs为0.78-0.96）和未预训练的基线ViT-L（AUROCs为0.68-0.91）。
- 研究结果挑战了域内预训练的必要性假设。
数据集发布: 发布了BRAMD，一个来自巴西的开放访问DFI数据集（n=587），带有AMD标签。

技术细节

评论: 10页，3张图
主题分类:
- 图像与视频处理 (eess.IV)
- 人工智能 (cs.AI)
- 计算机视觉与模式识别 (cs.CV)
- 组织与器官 (q-bio.TO)

相关链接

PDF链接: http://arxiv.org/pdf/2505.05291v1
HTML链接: http://arxiv.org/html/2505.05291v1
TeX源码: http://arxiv.org/format/2505.05291v1

搜集汇总

数据集介绍

构建方式

BRAMD数据集是专为年龄相关性黄斑变性（AMD）检测研究而构建的高质量眼底图像数据集。该数据集由巴西圣保罗联邦大学（UNIFESP）合作开发，包含587张经过专家标注的眼底图像，涵盖472名患者。图像采集采用两种设备：Canon CR（437张，分辨率2390×1880）和Nikon NF5050（158张，分辨率2672×2056）。数据标注严格遵循临床标准，AMD病例（295张）包括湿性AMD、地理萎缩（GA）或大玻璃膜疣（LD），对照组（292张）为糖尿病视网膜病变患者。所有诊断均通过临床检查和OCT扫描确认，确保了数据的临床可靠性。

使用方法

该数据集主要用于开发和验证AMD自动检测算法。研究者可通过PhysioNet平台获取开放访问权限，图像已进行标准化预处理（包括背景裁剪、方形填充和518×518像素的双线性插值缩放）。典型工作流程包括：1）使用BRAMD作为外部测试集验证模型跨域泛化能力；2）参与多中心联合训练提升模型鲁棒性；3）结合Grad-CAM等可解释性技术分析模型决策依据。配套提供的AMDNet模型（基于iBOT架构）在BRAMD上达到0.977 AUROC，可作为性能基准。数据集特别适用于研究AMD亚型（NVAMD/GA/LD）的差异化识别及年龄相关诊断偏差分析。

背景与挑战

背景概述

BRAMD数据集是由Technion-IIT、Hillel Yaffe医疗中心以及São Paulo联邦大学的研究团队于2025年联合发布的开放访问眼底图像数据集，包含587张专家标注的年龄相关性黄斑变性（AMD）图像。该数据集旨在为AMD检测任务提供高质量的训练和测试资源，特别关注中度至晚期AMD的识别。AMD是全球40岁以上成年人不可逆视力丧失的主要原因，预计到2040年将影响2.88亿人。BRAMD的发布填补了现有数据集中巴西人群代表性不足的空白，为跨地域、跨设备的AMD检测模型泛化性研究提供了重要基础。

当前挑战

在AMD检测领域，主要挑战包括：1) 疾病表征的多样性，如玻璃膜疣（LD）、地图样萎缩（GA）和新生血管性AMD（NVAMD）的形态差异显著；2) 数据分布偏差，不同地区、设备和人群的眼底图像存在较大差异；3) 共病干扰，如视网膜色素上皮病变、高度近视等疾病易导致假阳性。在数据集构建过程中，挑战体现在：1) 多中心数据协调，需统一不同设备的成像参数（如50°与45°视野）；2) 专家标注一致性，尤其是对'可疑AMD'边缘病例的判定；3) 小样本难题，相较于自然图像，高质量医疗影像的获取成本高昂。

常用场景

经典使用场景

BRAMD数据集在眼科医学研究中被广泛用于评估和比较不同基础模型在年龄相关性黄斑变性（AMD）检测任务中的性能。该数据集通过提供587张经过专家标注的数字眼底图像（DFIs），为研究人员提供了一个标准化的基准测试平台，用于验证模型在识别中度至晚期AMD方面的准确性和泛化能力。特别是在跨域（OOD）评估中，BRAMD数据集帮助揭示了模型在不同地理区域和成像条件下的稳健性。

解决学术问题

BRAMD数据集解决了AMD自动检测中的关键学术问题，包括模型在多样化数据集上的泛化能力和域适应性问题。通过整合来自巴西的临床数据，该数据集填补了现有数据在拉丁美洲人群中的空白，为研究AMD的种族差异提供了重要资源。此外，其公开可访问的特性促进了算法透明度和可重复性研究，推动了眼科人工智能领域的标准化进程。

实际应用

在实际临床场景中，BRAMD数据集支持开发可部署的AMD筛查工具，尤其适用于资源有限地区的早期诊断。基于该数据集训练的模型（如AMDNet）已通过Lirot.ai平台提供，辅助眼科医生快速识别高风险患者。其与OCT扫描的临床诊断一致性验证了其在远程医疗和基层医疗中的潜在应用价值。

数据集最近研究