Ophthalmic Image Analysis-Ocular Disease Intelligent Recognition (OIA-ODIR)

OIA-ODIR数据集是由南开大学计算机学院等机构联合创建，包含10,000张来自5,000名患者双眼的眼底图像，涵盖8种眼科疾病。该数据集旨在模拟真实医疗场景，支持多疾病检测，通过深度学习模型进行基准测试，发现网络规模的简单增加并不能有效提升多疾病分类性能，需要结合多疾病特征的结构化特征融合方法。数据集的应用领域包括眼科疾病的自动诊断和筛查，旨在解决医疗资源不足和手动诊断效率低下的问题。

The OIA-ODIR dataset was jointly created by the School of Computer Science of Nankai University and other institutions. It consists of 10,000 fundus images from both eyes of 5,000 patients, covering 8 types of ophthalmic diseases. This dataset aims to simulate real clinical scenarios, support multi-disease detection, and serve as a benchmark for deep learning models. Through benchmark testing, it was revealed that simply increasing the network scale cannot effectively improve multi-disease classification performance, and structured feature fusion methods integrating multi-disease features are necessary. The dataset's application scenarios include automatic diagnosis and screening of ophthalmic diseases, aiming to address the issues of insufficient medical resources and low efficiency of manual diagnosis.

搜集汇总

数据集介绍

构建方式

Ophthalmic Image Analysis-Ocular Disease Intelligent Recognition (OIA-ODIR) 数据集的构建基于临床眼底图像数据库，涵盖了来自中国26个省份487家临床医院的超过160万张图像。该数据集精选了5000名患者的10,000张眼底图像，每张图像均标注了8种常见眼科疾病，包括糖尿病视网膜病变、青光眼、白内障等。数据集的标注工作由专业标注团队和仲裁团队完成，确保了标注结果的准确性和可靠性。

特点

OIA-ODIR 数据集的显著特点在于其多疾病标注和双目图像的结合，这更贴近临床实际应用场景。数据集不仅包含多种眼科疾病的标注，还提供了患者左右眼的眼底图像，以及患者的年龄和性别信息。此外，数据集的规模较大，涵盖了多种分辨率和拍摄条件的图像，为深度学习模型的训练提供了丰富的数据支持。

使用方法

OIA-ODIR 数据集适用于多种眼科疾病的智能识别和分类任务。研究者可以使用该数据集训练深度学习模型，以实现对多种眼科疾病的自动检测和分类。数据集的标注信息和患者信息可以用于多标签分类、特征融合和疾病预测等任务。此外，数据集还可以用于开发图像描述生成算法，为临床诊断提供更丰富的信息支持。

背景与挑战

背景概述

在眼科领域，早期视网膜筛查是预防由眼科疾病引起的失明的一种经济有效的方法。临床上，由于医疗资源的匮乏，人工诊断耗时且可能导致病情延误。随着深度学习的发展，一些针对眼科疾病的研究取得了良好成果，但大多数研究仅基于单一疾病。在视网膜筛查中，眼科医生通常会根据双眼视网膜图像进行多疾病诊断，因此我们发布了一个包含8种疾病的视网膜图像数据集，以满足实际医疗场景的需求。该数据集包含5000名患者的10,000张视网膜图像，由南开大学计算机科学学院、中国科学院计算技术研究所和北京尚工医疗技术有限公司的研究团队创建。通过这一工作，我们希望推动相关领域的进一步研究。

当前挑战

该数据集面临的挑战包括：1) 多疾病分类的复杂性，现有研究大多集中于单一疾病，而实际临床中需要同时诊断多种疾病；2) 数据集构建过程中遇到的挑战，如图像质量的不一致性、病变区域与背景像素对比度低、病变形状不规则以及不同相机拍摄的同一病变点存在较大差异；3) 数据集中的类别不平衡问题，某些罕见疾病样本数量较少，增加了多标签疾病识别的难度。此外，如何有效地融合左右眼图像的特征，以及如何在模型设计中为不同疾病制定合适的特征提取方案，也是当前研究中需要克服的难题。

常用场景

经典使用场景

Ophthalmic Image Analysis-Ocular Disease Intelligent Recognition (OIA-ODIR) 数据集的经典使用场景主要集中在眼科疾病的智能识别与分类。该数据集包含了10,000张来自5,000名患者的双眼眼底图像，标注了8种常见眼科疾病。研究者利用这些图像进行深度学习模型的训练，以实现对多种眼科疾病的自动检测与分类，从而辅助眼科医生进行早期筛查和诊断。

衍生相关工作

OIA-ODIR 数据集的发布催生了一系列相关研究工作。例如，研究者利用该数据集开发了多种深度学习模型，用于眼科疾病的分类和检测。此外，该数据集还促进了多模态数据融合的研究，如结合患者年龄、性别等信息进行更精准的疾病预测。这些研究不仅提升了眼科疾病的诊断准确性，也为其他医学影像分析领域提供了借鉴。

数据集最近研究

最新研究方向

在眼科图像分析领域，Ophthalmic Image Analysis-Ocular Disease Intelligent Recognition (OIA-ODIR) 数据集的最新研究方向主要集中在多疾病检测和分类上。该数据集包含了10,000张来自5,000名患者的双眼眼底图像，涵盖8种常见眼科疾病，旨在模拟真实的临床场景。前沿研究不仅关注单一疾病的检测，更强调多疾病特征的融合与分类，以提高诊断的准确性和效率。相关研究通过先进的深度神经网络模型，探索了特征融合方法在多疾病分类中的应用，发现简单的网络扩展并不能显著提升性能，而结构化的特征融合方法则显得尤为重要。这一研究方向不仅推动了眼科疾病的早期筛查技术，也为计算机辅助诊断系统的发展提供了新的思路和基准。

相关研究论文

• A Benchmark of Ocular Disease Intelligent Recognition: One Shot for Multi-disease Detection

  南开大学计算机学院 · 2021年