lhb19105086998/GAMMA

GAMMA是首个公开的多模态青光眼分级数据集，为每个样本配对提供2D彩色眼底照片和3D OCT体积数据。该数据集作为GAMMA挑战赛（OMIA8 / MICCAI 2021）的一部分发布，旨在鼓励开发结合眼底和OCT信息进行自动青光眼分级的算法。GAMMA is the first public multi-modality glaucoma grading dataset that pairs 2D color fundus photographs with 3D OCT volumes for each sample. It was released as part of the GAMMA challenge (OMIA8 / MICCAI 2021) to encourage algorithms that combine fundus and OCT information for automatic glaucoma grading.

搜集汇总

数据集介绍

构建方式

GAMMA数据集是首个面向青光眼分级的多模态公开数据集，由OMIA8与MICCAI 2021联合举办的GAMMA挑战赛正式发布。该数据集精心采集了276名中国患者的300组配对样本，每组样本均包含一张以黄斑或视盘为中心的二维彩色眼底照片，以及一张以黄斑为中心的三维光学相干断层扫描（OCT）容积图像。青光眼分级的金标准基于当日视野平均偏差（MD）阈值划定：正常与早期（MD > -6 dB）、中期（-12 dB < MD ≤ -6 dB）及晚期（MD ≤ -12 dB），并将中晚期合并为进展期。数据集还额外提供了眼底图像上的视盘/视杯分割掩膜及中心凹坐标作为辅助标注。

特点

该数据集的核心特色在于其前瞻性的多模态配对设计，将二维眼底图像的形态学信息与三维OCT容积的结构层次信息有机结合，为青光眼智能分级提供了互补性数据源。数据集包含约50%的青光眼样本，其中早期占52%、中期占28.7%、晚期占19.3%，类别分布均衡。OCT图像采用Topcon DRI OCT Triton设备以3×3 mm的正面视野采集，每幅容积包含256张B扫描；眼底图像则经由KOWA和Topcon TRC-NW400相机拍摄。所有图像均经过人工质量审核，并按照训练集、初步测试集和最终测试集各约100组配对样本的比例划分，便于模型训练与评估。

使用方法

推荐研究者采用多模态融合框架，联合眼底图像与OCT容积进行青光眼分级预测，以充分利用形态学线索（如视盘视杯比）与结构特征（如视网膜神经纤维层厚度）的协同增益。数据集提供的视盘/视杯分割掩膜和中心凹坐标可用于辅助任务，增强模型的可解释性与局部特征提取能力。使用时需注意遵守CC BY-NC-ND许可协议，禁止商业用途和衍生作品。数据集的官方下载与详细信息可通过GAMMA Grand Challenge页面（https://gamma.grand-challenge.org/）获取，相关研究应引用GAMMA挑战论文（arXiv:2202.06511）。

背景与挑战

背景概述

GAMMA数据集于2021年由MICCAI OMIA8研讨会的GAMMA挑战赛发布，是首个公开的配对二维眼底彩照与三维OCT体积的多模态青光眼分级数据集。该数据集由Wu J.、Fang H.、Li F.、Fu H.等研究人员主导，源自中国276例患者（年龄19-77岁）的300对样本，其中约50%为青光眼病例，并根据视野平均偏差（MD）阈值将其划分为正常、早期和进展期。GAMMA的发布填补了多模态眼科影像数据集的空白，推动了融合眼底形态学与OCT结构特征进行自动化青光眼分级的研究，为临床辅助诊断提供了基准资源。

当前挑战

青光眼分级的核心挑战在于整合二维和三维异质影像模态，以克服单一模态（如仅眼底图像）在检测早期结构损伤时的灵敏度不足。GAMMA数据集要求算法同时处理眼底盘缘分割、中心凹定位及体积OCT中视网膜神经纤维层缺损的多尺度特征，而300对样本的有限规模和患者间解剖变异增加了模型泛化与过拟合风险。在构建过程中，挑战还包括：跨设备（KOWA与Topcon相机）眼底图像的色彩和光照标准化、OCT体积与眼底图像的精确配准，以及基于主观MD阈值的金标准分级可能引入的噪声。

常用场景

经典使用场景

GAMMA数据集作为首个公开的配对2D眼底彩照与3D OCT体积的多模态青光眼分级数据集，其经典使用场景集中于融合眼底形态学特征与OCT结构信息的深度学习模型开发。研究者常利用该数据集训练多模态融合网络，将二维眼底图像中的视盘与视杯分割结果、杯盘比等形态学指标，与三维OCT体积中提取的视网膜神经纤维层厚度等结构参数相结合，以实现对正常眼、早期青光眼及进展期青光眼的精确分级。该数据集的辅助任务——视盘/视杯分割与中央凹定位——常作为多任务学习的组成部分，用于增强主任务的解释性与性能。

衍生相关工作

GAMMA数据集衍生了一系列具有代表性的相关工作，主要体现在多模态融合方法的设计与评测方面。例如，2023年发表的GAMMA挑战赛总结论文（Medical Image Analysis）系统对比了参赛团队提出的多种融合架构，揭示了早期融合策略在充分利用OCT体积三维信息上的优势。后续工作包括基于注意力机制的可变形多模态融合网络、利用对比学习对齐眼底与OCT特征空间的方法，以及引入临床先验知识（如视盘位置）引导多任务学习的模型。这些工作共同构建了多模态青光眼分级的方法论谱系，为后续研究提供了可复现的基线与评估标准。

数据集最近研究

最新研究方向

GAMMA数据集作为首个公开的配对2D眼底彩照与3D OCT体积的多模态青光眼分级数据集，正引领着眼科AI领域从单一模态分析向多模态融合的前沿转型。当前研究热点集中于设计轻量化且可解释的跨模态注意力机制，以协同捕捉眼底视盘/视杯形态与OCT视网膜神经纤维层厚度等结构性生物标志物，从而提升早期青光眼分级的灵敏度和特异性。该数据集在MICCAI 2021挑战赛中推出后，催生了大量融合层次化特征与辅助分割任务的创新架构，推动了对青光眼诊断金标准的非侵入式、自动化评估，其公开的300例配对样本和临床元数据为验证模型泛化性与公平性提供了关键基准，在全球老龄化加剧背景下具有显著的临床转化价值与社会意义。