Proptosis Detection Datasets

用于甲状腺眼病等系统性疾病的早期迹象——眼球突出检测的合成数据集和临床数据集。

Synthetic and clinical datasets for exophthalmos detection to identify early signs of systemic diseases such as thyroid eye disease.

原始信息汇总

数据集概述

基本信息

• 数据集名称: Proptosis Medical Screening Computer Vision Project
• 研究主题: 利用自监督学习进行早期医学筛查：突眼检测的试点研究
• 研究目标:
  • 评估自监督学习在低数据场景下的有效性
  • 开发一种非侵入性的突眼早期筛查工具

数据集内容

• 数据类型:
  • 合成或玩具数据集（用于概念验证）
  • 临床突眼筛查数据（匿名化处理）
• 应用场景: 检测突眼的早期面部特征（可能预示甲状腺眼病和肿瘤等系统性疾病）

研究阶段

1. 概念验证阶段:
   • 使用受控玩具数据集（如动物图像）验证自监督学习方法
   • 建立基线性能和鲁棒评估指标
2. 临床应用阶段:
   • 在匿名临床图像上微调模型
   • 与监督学习方法进行性能比较

团队信息

• 主要研究者: Aryan Sajith (3学分)
• 其他贡献者:
  • Dhriti Madireddy
  • Aaditya Saini
  • Grace Zhou
• 顾问: Professor Erik Learned-Miller
• 学期: 2025年春季

相关文档

• 项目提案: Project Proposal

项目状态

• 当前阶段: 未开始（各阶段均未完成）
  • 阶段1: 文献综述
  • 阶段2: 玩具问题实验
  • 阶段3: 临床应用
  • 阶段4: 综合与总结

搜集汇总

数据集介绍

构建方式

Proptosis Detection Datasets的构建采取了双阶段策略，初期通过合成或玩具数据集进行原理验证，随后在获取必要伦理批准和保障措施的基础上，应用于实际临床数据。第一阶段，通过动物图像等控制性玩具数据集确立基线性能和稳健评估指标；第二阶段，对模型进行微调，以实现对临床图像中甲状腺眼病等疾病的早期迹象——眼球突出的检测，并与监督学习基准进行比较。

特点

该数据集的特点在于其创新性地结合了自我监督学习技术，旨在解决数据稀缺场景下的医学筛查问题。它包含了合成数据集和临床数据集两部分，不仅有助于验证自我监督学习在医学筛查领域的可行性，而且为开发非侵入性早期筛查工具提供了实验基础。数据集在构建过程中严格遵守伦理规范，确保了数据的安全性和隐私性。

使用方法

数据集的使用方法将在项目进展中不断完善。目前，用户可以通过查阅项目资料了解数据集的基本结构和使用背景。具体使用时，需根据项目提供的代码和训练脚本在相应环境下进行模型的训练和评估。随着项目的深入，详细的设置和使用指南将会被制定出来，以便用户能够有效地利用该数据集进行研究和开发。

背景与挑战

背景概述

Proptosis Detection Datasets是针对眼部疾病早期筛查的计算机视觉项目所开发的数据集。该项目旨在探索自我监督学习技术在识别甲状腺眼病等系统性疾病的早期征兆——眼球突出（Proptosis）中的微妙面部指标。研究始于2025年春季学期，由Aryan Sajith主导，并在Erik Learned-Miller教授的指导下进行。该数据集的创建，旨在评估自我监督学习在数据稀缺场景中的有效性，并开发一种非侵入式的早期筛查工具。

当前挑战

该数据集在构建过程中所面临的挑战主要包括：1)如何有效利用自我监督学习技术从有限的临床数据中提取有用的特征，以解决眼球突出这一领域问题；2)确保数据集的多样性和代表性，从而提高模型的泛化能力；3)在遵守伦理规范和隐私保护的前提下，获取并使用临床图像数据。此外，项目还面临将自我监督学习模型从玩具数据集转移到实际临床应用中的性能挑战，以及如何与监督学习方法相比较以验证其有效性。

常用场景

经典使用场景

在计算机视觉辅助医疗筛查领域，Proptosis Detection Datasets数据集的经典应用场景在于，通过自我监督学习技术，实现对突眼症状的早期发现。该数据集首先在合成或玩具数据集上进行原理验证，进而应用于临床突眼筛查数据，旨在开发一种非侵入性的早期筛查工具。

解决学术问题

该数据集解决了在数据稀缺场景下自我监督学习有效性的评估问题，以及如何利用计算机视觉技术进行突眼等疾病的早期筛查问题。其研究对于推动低数据环境下机器学习模型的应用具有重要的学术价值，并为相关疾病早期诊断提供了新的技术路径。

衍生相关工作

基于该数据集的研究衍生出了多个相关工作，包括对自我监督学习技术的改进、临床图像处理方法的优化，以及更多疾病筛查模型的开发。这些研究进一步拓展了数据集的应用范围，推动了医学图像分析领域的发展。