遇见数据集

Shanghai

收藏
Hugging Face2026-08-30 更新2026-08-31 收录
官方服务:

资源简介:

Kaphathy/Shanghai 是一个眼科数据集,包含来自Topcon DRI-OCT Triton设备的OCT、眼底和SLO图像。所有图像均为黄斑中心扫描,经过FDA认证。数据集提供OCT B-scan灰度图像、彩色眼底图像(RGB校正)、SLO参考灰度图像,以及对应的9层分割标签(uint8索引PNG)。此外,每个文件包含元数据JSON(包括尺寸、扫描模式、配准框、质量信息),以及全局标签映射和批次统计。该数据集可用于眼科图像分割、疾病诊断、图像分析等任务。

Kaphathy/Shanghai is an ophthalmology dataset containing OCT, fundus, and SLO images from the Topcon DRI-OCT Triton device. All images are macular central scans, FDA certified. The dataset provides OCT B-scan grayscale images, color fundus images (RGB corrected), SLO reference grayscale images, and corresponding 9-layer segmentation labels (uint8 indexed PNG). Additionally, each file includes metadata JSON (including size, scan mode, registration box, quality information), as well as global label mapping and batch statistics. This dataset can be used for tasks such as ophthalmic image segmentation, disease diagnosis, and image analysis.

创建时间:
2026-08-29
原始信息汇总

数据集概述

数据集名称:Kaphathy/Shanghai
数据集类型:眼科影像数据集,涵盖OCT(光学相干断层扫描)、眼底图像和SLO(扫描激光眼底)图像。


数据内容

数据集基于Topcon DRI-OCT Triton设备采集的.fda文件进行解码,以黄斑为中心,包含以下类型的文件:

  • OCT B扫描图像images/{id}/bscan_*.png,灰度PNG格式。
  • 彩色眼底图像images/{id}/fundus.png,RGB校正后的PNG格式。
  • SLO参考图像images/{id}/slo.png,灰度PNG格式。
  • 分割标签labels/{id}/bscan_*_label.png,9层分割结果,以uint8索引PNG格式存储。
  • 元数据meta/{id}.json,包含尺寸、扫描模式、配准框、质量等信息。
  • 标签映射legend.json,提供标签值与层名称的对应关系。
  • 批次统计summary.json,提供批次统计数据。

数据结构说明

每个样本由唯一标识符{id}组织,包含图像、对应标签及元数据文件,便于进行多模态眼科影像分析和分割任务。

搜集汇总
数据集介绍
Shanghai 数据集图片
构建方式
上海数据集源自临床眼科影像的深度整合,涵盖Topcon DRI-OCT Triton设备采集的视网膜断层扫描(OCT)、眼底彩照与扫描激光检眼镜(SLO)图像,数据以结构化格式存储,包含原始B扫描、标注分层(9层分割)、元数据及统计信息,构建过程注重图像配准与质量控制,确保多模态影像的空间一致性。
特点
该数据集的核心特色在于其多模态性与精细标注,同时提供OCT断层、眼底彩照和SLO参考图,支持跨模态分析;9层视网膜分割标注基于专家知识,元数据涵盖扫描模式、质量评分等,便于筛选与标准化处理,为视网膜疾病研究提供了高精度、多维度的基准资源。
使用方法
研究应用时,可加载PNG图像与JSON元数据,利用legend.json映射分割标签至解剖层名称,结合summary.json获取批统计信息。适用于训练深度学习模型进行OCT分层分割、多模态图像融合及疾病诊断辅助任务,需注意图像索引与标签文件的对齐,并根据质量控制指标筛选有效样本。
背景与挑战
背景概述
随着眼科影像学技术的迅猛发展,光学相干断层扫描(OCT)、眼底照相及扫描激光眼底检查(SLO)已成为视网膜疾病诊断与监测的核心工具。然而,多模态眼科影像的整合分析及自动化解剖结构分层仍面临数据稀缺与标注标准不统一的瓶颈。在此背景下,Kaphathy等人构建了Shanghai数据集,该数据集源自Topcon DRI-OCT Triton设备采集的以黄斑为中心的图像数据,涵盖OCT B扫描、彩色眼底图像及SLO参考图像,并附带精细的9层视网膜分层标注及丰富的元数据。该数据集于近年发布,其多模态联合特性为视网膜分割算法、跨模态配准及临床辅助诊断研究提供了高价值的基准资源,显著推动了眼科影像人工智能领域的发展。
当前挑战
Shanghai数据集所应对的领域挑战主要集中于视网膜OCT图像中复杂解剖结构的分割难题,尤其涉及9层边界在不同病理条件下的准确辨识,以及OCT、眼底与SLO多模态图像间的精确配准与融合。构建过程中,技术难点在于解码Topcon专有的.fda文件格式,确保图像信号不失真;同时,对每个B扫描进行像素级多层标注需依赖专家知识,工作量大且易受主观差异影响。此外,不同扫描模式、图像质量差异及注册框位置变动,均对数据标准化和模型泛化能力构成严峻考验,促使研究者需设计更鲁棒的算法以应对真实临床场景的复杂性。
常用场景
经典使用场景
在眼科影像人工智能的研究浪潮中,Shanghai数据集以其精细的视网膜分层标注脱颖而出,成为眼科OCT图像分割领域的基准性资源。该数据集涵盖了Topcon DRI-OCT Triton设备采集的黄斑中心OCT B-scans,并配套提供色彩校正后的眼底彩照与SLO参考图,为多模态眼科影像的联合分析提供了理想平台。其核心经典使用场景聚焦于视网膜9层结构的自动分割任务,研究者可基于逐像素的层次标签,训练并验证深度学习模型的像素级分类性能,从而推动OCT图像中视网膜层边界精准定位技术的前沿探索。
衍生相关工作
围绕Shanghai数据集,研究者们已衍生出一系列具有影响力的工作。在算法层面,其促进了基于U-Net及其变体的编码器-解码器结构的优化,并孕育了多尺度特征融合、注意力机制等新型分割模型的性能验证。在理论层面,数据集中多模态影像的提供催生了跨模态学习的研究范式,推动了无监督与半监督分层分割方法的探索。此外,该数据集还常作为迁移学习与域适应研究的基准,激发了针对不同OCT设备间域偏移问题的有效解决方案,为构建鲁棒性更强的眼科AI系统提供了重要参照。
数据集最近研究
最新研究方向
在眼科影像人工智能领域,多模态与高精度结构解析正成为突破性方向。Shanghai数据集以Topcon DRI-OCT Triton设备采集的眼底OCT B-scan、彩色眼底图及SLO参考图像为核心,提供了包含9层视网膜结构分割的精细标注,为深度学习模型在视网膜疾病诊断、层间病理变化量化及多模态图像配准等前沿研究中提供了关键基准。该数据集与当前热点的可解释性AI、少样本学习及跨设备泛化研究紧密关联,其精细的元数据和质控信息支持了图像质量评估、扫描模式识别等创新探索,对推动精准眼科医学和自动化筛查系统的发展具有深远意义。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务