Multicenter UWF-SLO Vessel Segmentation (MU-VS) dataset

本研究创建了首个多中心UWF-SLO血管分割数据集（MU-VS），包含来自两个医院的60张UWF-SLO图像，旨在支持跨中心血管分割研究。数据集涵盖多种疾病类别，由专业眼科医生使用Photoshop软件手动标注血管。创建过程采用了一种高效的Cascade Uncertainty-Predominance (CUP)选择策略，以减少标注负担。该数据集的应用领域主要集中在提高UWF-SLO图像中血管分割的准确性，以辅助眼科疾病的诊断和治疗。This study developed the first multi-center UWF-SLO vascular segmentation dataset (MU-VS), which includes 60 UWF-SLO images from two hospitals and is intended to support cross-center vascular segmentation research. The dataset covers multiple disease categories, with blood vessels manually annotated by professional ophthalmologists using Photoshop software. An efficient Cascade Uncertainty-Predominance (CUP) selection strategy was adopted during the dataset construction process to reduce the annotation burden. The main application of this dataset focuses on improving the accuracy of vascular segmentation in UWF-SLO images, so as to assist the diagnosis and treatment of ophthalmic diseases.

原始信息汇总

SFADA-UWF-SLO 数据集概述

简介

本项目引入了一种新的医学图像分割设置，称为源无主动域适应（SFADA）。SFADA旨在促进跨中心的医学图像分割，同时保护数据隐私并减少医疗专业人员的工作量。通过仅需要最少的标注工作，SFADA实现了有效的模型转移，并取得了与完全监督方法相当的结果。

数据集

感谢您的兴趣，代码和数据正在整理中，即将上线！

引用

如果您发现我们的工作对您的研究有用或相关，请考虑引用：

@article{wang2024advancing, title={Advancing UWF-SLO Vessel Segmentation with Source-Free Active Domain Adaptation and a Novel Multi-Center Dataset}, author={Wang, Hongqiu and Luo, Xiangde and Chen, Wu and Tang, Qingqing and Xin, Mei and Wang, Qiong and Zhu, Lei}, journal={arXiv preprint arXiv:2406.13645}, year={2024} }

搜集汇总

数据集介绍

构建方式

Multicenter UWF-SLO Vessel Segmentation (MU-VS) 数据集的构建基于多中心合作，涵盖了来自两家不同医疗机构的60张超广角扫描激光眼底成像（UWF-SLO）图像。这些图像通过Optos California和200Tx相机采集，并由专业眼科医生使用Photoshop软件进行手动标注，确保血管分割的精确性。为了增强数据集的多样性和实用性，研究团队还整合了现有的公开数据集PRIME-FP20，进一步丰富了数据集的疾病类别和图像分辨率。通过这种多中心数据的整合，MU-VS数据集为跨中心血管分割研究提供了坚实的基础。

特点

MU-VS数据集的特点在于其多中心性和高分辨率。数据集包含来自不同医疗机构的UWF-SLO图像，涵盖了多种视网膜疾病类别，如视网膜静脉阻塞（RVO）、糖尿病视网膜病变（DR）等。每张图像的分辨率高达3900×3072像素，提供了丰富的细节信息，有助于精确的血管分割。此外，数据集的跨中心特性使得其能够有效模拟真实临床场景中的域偏移问题，为域适应算法的验证提供了理想的实验平台。

使用方法

MU-VS数据集的使用方法主要围绕跨中心血管分割任务展开。研究人员可以利用该数据集进行域适应算法的验证和优化，特别是在源域数据不可访问的情况下。通过结合Cascade Uncertainty-Predominance (CUP)选择策略，用户可以选择少量高价值的图像块进行标注，从而显著减少标注成本。此外，数据集还可用于评估不同深度学习模型在跨中心场景下的性能，帮助研究人员开发更具鲁棒性的血管分割算法。

背景与挑战

背景概述

Multicenter UWF-SLO Vessel Segmentation (MU-VS) 数据集是由香港科技大学（广州）、电子科技大学、四川大学华西医院等多家机构的研究人员共同构建的，旨在推动超广角扫描激光眼底成像（UWF-SLO）中血管分割的研究。该数据集于2024年发布，首次整合了来自多个医疗中心的UWF-SLO图像，涵盖了多种视网膜疾病类别，如视网膜静脉阻塞（RVO）和糖尿病视网膜病变（DR）等。UWF-SLO技术因其广泛的视网膜覆盖范围和对外周病变的卓越成像能力，逐渐成为眼科诊断的重要工具。然而，由于不同医疗中心之间的设备差异和患者群体多样性，模型在跨中心应用时往往表现不佳。MU-VS数据集的构建为跨中心血管分割研究提供了宝贵的资源，推动了领域内无源域适应（Source-Free Domain Adaptation, SFADA）技术的发展。

当前挑战

MU-VS数据集面临的挑战主要体现在两个方面。首先，UWF-SLO图像的高分辨率特性使得手动标注极为耗时且昂贵，单张图像的标注通常需要专家耗费约18小时。其次，跨中心数据集的域偏移问题显著，不同医疗中心的成像设备和患者群体差异导致模型在跨域应用时性能下降。尽管无监督域适应（UDA）技术在一定程度上缓解了这一问题，但其性能仍远低于全监督模型。此外，医疗数据的隐私和安全问题也限制了源域数据的访问。为解决这些挑战，研究人员提出了基于补丁的无源域主动适应（SFADA）框架，通过Cascade Uncertainty-Predominance (CUP) 选择策略，高效识别少量有价值的图像补丁进行标注，显著减少了标注负担并提升了模型性能。

常用场景

经典使用场景

Multicenter UWF-SLO Vessel Segmentation (MU-VS) 数据集在视网膜血管分割领域具有重要的应用价值。该数据集通过整合来自多个医疗中心的超广角扫描激光眼底成像（UWF-SLO）数据，为跨中心、跨领域的血管分割研究提供了标准化的评估基准。其经典使用场景包括训练和验证深度学习模型，尤其是针对不同医疗中心之间的域适应问题。通过该数据集，研究人员能够评估模型在跨中心数据上的泛化能力，从而推动血管分割技术的进一步发展。

衍生相关工作

MU-VS 数据集的发布推动了多中心视网膜血管分割领域的相关研究。基于该数据集，研究人员提出了多种改进的域适应和主动学习方法，如基于 CUP 策略的源自由域适应框架。此外，该数据集还激发了多模态图像分割、弱监督学习等领域的研究兴趣。例如，Li 等人提出的弱监督迭代学习方法以及 Qiu 等人设计的双流超分辨率网络，均在一定程度上借鉴了 MU-VS 数据集的设计理念，进一步拓展了视网膜血管分割的研究边界。

数据集最近研究

最新研究方向

在超广角扫描激光眼底成像（UWF-SLO）领域，血管分割的精确性对于视网膜疾病的诊断至关重要。近年来，随着深度学习技术的快速发展，基于UWF-SLO图像的血管分割研究取得了显著进展。然而，由于不同医疗中心之间的数据分布差异（即域偏移），模型在一个数据集上训练后，在其他数据集上的表现往往不尽如人意。针对这一问题，最新的研究提出了基于无源域主动适应（Source-Free Active Domain Adaptation, SFADA）的框架，通过设计级联不确定性-主导性（Cascade Uncertainty-Predominance, CUP）选择策略，主动推荐少量有价值的图像块进行标注，从而显著提升了跨中心UWF-SLO血管分割的准确性。此外，首个多中心UWF-SLO血管分割数据集（MU-VS）的构建，为跨中心研究提供了宝贵资源，推动了该领域的进一步发展。这一研究方向不仅解决了标注成本高的问题，还为未来高分辨率医学图像分割任务提供了新的思路。

相关研究论文

• Advancing UWF-SLO Vessel Segmentation with Source-Free Active Domain Adaptation and a Novel Multi-Center Dataset

  香港科技大学（广州） · 2024年