ISBI2026

这是一个用于视网膜血管分割的全息多普勒成像数据集，包含成对的图像和分割掩膜，用于计算成像、视网膜血流分析以及深度学习血管分割的研究。数据集由功率多普勒图像、对应的动脉和静脉分割掩膜，以及动脉信号的时间信息组成，包括相关图和diasys图像。所有图像采用PNG格式，大小为1023×1023像素，并经过了一系列预处理。

原始信息汇总

视网膜血管分割数据集概述

数据集基本信息

• 数据集名称：Retinal Vessel Segmentation from Holographic Doppler Imaging
• 许可证：CC-BY-NC-4.0
• 语言：英语
• 数据规模：小于1K样本
• 文件格式：PNG（8位灰度图）

研究领域与任务

• 主要任务：图像分割
• 应用领域：医学影像、全息成像、视网膜分析、血管分割、深度学习、动静脉分割、多普勒成像
• 研究方向：计算成像、视网膜血流分析、基于深度学习的血管分割

数据描述

成像特征

• 成像模态：视网膜全息激光多普勒成像
• 典型图像尺寸：1023 × 1023像素
• 采样方式：高速干涉采集的视网膜视场
• 预处理：时间SVD滤波、菲涅耳重建、功率多普勒累积

数据类型

• 输入类型：
  • 功率多普勒强度图像（M0）
  • 相关图
  • 舒张期图像
• 目标类型：动静脉分割掩码（血管与背景的二元分割掩码）
• 类别定义：0-背景，1-血管

数据集结构

dataset/ ├── train/ │ ├── measure_001/ │ │ ├── M0.png │ │ ├── diasys.png │ │ ├── correlation.png │ │ ├── arteryMask.png │ │ └── veinMask.png │ └── ... └── val/

测量数据命名规范

测量数据格式：id_eye_number

• id：唯一患者标识
• eye：R（右眼）或L（左眼）
• number：同一眼睛的测量序号

技术背景

全息多普勒成像通过分析光学干涉图的时间波动，实现视网膜定量血流映射。该数据集包含功率多普勒图像及其对应的动静脉分割掩码，代表了通过激光多普勒全息术观察到的视网膜血流空间分布。

搜集汇总

数据集介绍

构建方式

在眼科医学影像研究领域，ISBI2026数据集通过全息多普勒成像技术构建而成。该技术利用高速干涉测量采集视网膜图像，经过时间奇异值分解滤波、菲涅耳重建及功率多普勒累积等预处理步骤，生成包含功率多普勒图像、相关性图谱和舒张期图像的多模态数据。每例样本均配有精确标注的动静脉分割掩膜，数据以1023×1023像素的8位灰度PNG格式存储，确保了影像信息的完整性与可计算性。

特点

该数据集的核心特征在于其多模态影像的协同呈现，不仅包含反映血流空间分布的功率多普勒图像，还提供了基于动脉信号的时间动态特征——相关性图谱与舒张期图像。数据样本按患者编号、眼别和测量序列进行系统组织，支持视网膜血管的精细分割研究。特别值得注意的是，所有分割掩膜采用二值化标注策略，将血管与背景明确区分，为深度学习模型提供了结构清晰的监督信号。

使用方法

研究人员可通过分层目录结构访问数据集，训练集与验证集分别存放于独立目录。每个测量样本包含五类核心文件：功率多普勒基础图像、时间动态特征图像及动静脉分割标签。使用时应首先加载M0.png作为模型输入，并对应加载arteryMask.png与veinMask.png作为分割监督目标。建议将相关性图谱与舒张期图像作为辅助特征，以提升血管功能状态分析的维度，具体操作流程可参照即将发布的ISBI2026会议论文。

背景与挑战

背景概述

视网膜血管分割作为医学影像分析的关键环节，在眼科疾病诊断和血流动力学研究中具有重要价值。ISBI2026数据集由研究团队基于全息多普勒成像技术构建，通过激光干涉测量法实现了视网膜血流定量可视化。该数据集通过高速干涉采集系统获取视网膜区域的全息多普勒图像，结合时空信号分析生成动脉静脉分割标注，为计算成像领域提供了新型血管结构解析基准。

当前挑战

视网膜血管分割面临细小分支结构辨识与动脉静脉区分的技术难点，尤其在低信噪比区域易产生分割断裂。数据集构建过程中需克服干涉条纹噪声抑制、运动伪影校正等挑战，同时标注工作需应对血管边界模糊与交叉区域判别困难。多模态图像配准与时空特征融合进一步增加了数据处理的复杂性。

常用场景

经典使用场景

在眼科医学影像分析领域，ISBI2026数据集为视网膜血管分割任务提供了标准化基准。该数据集通过全息多普勒成像技术捕获视网膜血流动力学信息，其经典应用场景聚焦于训练深度神经网络实现动静脉血管的精确像素级分割。研究人员可基于功率多普勒图像与对应血管掩码，构建端到端的语义分割模型，推动计算机辅助诊断系统的智能化发展。

解决学术问题

该数据集有效解决了视网膜血管定量分析中的关键学术难题。通过提供同步采集的多模态影像数据，包括相关图与舒张期图像等时序特征，显著提升了血管形态学参数测量的可重复性。其价值在于建立了全息成像与深度学习方法的交叉研究范式，为探索视网膜微循环系统的生理病理机制提供了可靠的数据支撑，对眼科疾病早期诊断具有重要理论意义。

衍生相关工作

基于该数据集的经典衍生研究包括多尺度特征融合网络架构的开发，如结合U-Net与注意力机制的血管分割模型。相关成果进一步催生了视网膜动静脉分类算法优化，推动了眼科影像分析社区建立标准化评估协议。这些工作不仅拓展了计算成像在生物医学中的应用边界，也为动态血管功能分析奠定了方法学基础。