OCTA-25K-IQA-SEG

OCTA-25K-IQA-SEG是一个大规模的OCTA图像数据集，包含25,665张图像，分为四个子集：sOCTA-3×3-10k, sOCTA-6×6-14k, sOCTA-3×3-1.1k-seg, 和dOCTA-6×6-1.1k-seg。这些图像来自广州社区筛查中健康受试者或患有多种眼科疾病的患者，如糖尿病视网膜病变、糖尿病黄斑水肿、白内障、年龄相关性黄斑变性和中心性浆液性脉络膜视网膜病变。该数据集旨在通过深度学习技术提高OCTA图像质量评估和FAZ区域分割的准确性，从而辅助临床诊断和研究。OCTA-25K-IQA-SEG is a large-scale optical coherence tomography angiography (OCTA) image dataset containing 25,665 images, which are divided into four subsets: sOCTA-3×3-10k, sOCTA-6×6-14k, sOCTA-3×3-1.1k-seg, and dOCTA-6×6-1.1k-seg. These images are sourced from healthy subjects and patients with multiple ophthalmic diseases including diabetic retinopathy, diabetic macular edema, cataract, age-related macular degeneration and central serous chorioretinopathy during Guangzhou community-based screenings. This dataset aims to improve the accuracy of OCTA image quality assessment and foveal avascular zone (FAZ) region segmentation via deep learning technologies, so as to assist clinical diagnosis and research.

搜集汇总

数据集介绍

构建方式

OCTA-25K-IQA-SEG数据集的构建旨在解决光学相干断层扫描血管造影术(OCTA)图像质量评估和黄斑无血管区(FAZ)分割的挑战。该数据集由中山大学中山眼科中心的专业眼科医生标注，共包含25,665张OCTA图像，分为四个子集：sOCTA-3×3-10k、sOCTA-6×6-14k、sOCTA-3×3-1.1k-seg和dOCTA-6×6-1.1k-seg。数据集涵盖了从健康受试者和患有多种眼科疾病（如糖尿病视网膜病变、糖尿病黄斑水肿、白内障、年龄相关性黄斑变性和中心性浆液性脉络膜视网膜病变）的患者的OCTA扫描。为了确保数据质量，所有图像都由三位经验丰富的眼科医生独立标注，并对部分图像进行二次审核。

特点

OCTA-25K-IQA-SEG数据集具有以下几个显著特点：1) 大规模：是目前OCTA研究领域中规模最大的公开数据集，提供了丰富的图像资源。2) 多样性：包含了不同图像大小和格式的OCTA图像，以及不同质量的图像，有助于训练模型对不同条件的适应能力。3) 注释全面：提供了图像级别的质量评估标签和像素级别的FAZ区域掩模，方便研究人员进行多任务学习。4) 实用性：图像来源于实际临床环境，有助于模型在实际应用中的性能评估和验证。

使用方法

OCTA-25K-IQA-SEG数据集的使用方法如下：1) 数据下载：研究人员可以从Zenodo平台下载数据集。2) 数据预处理：根据研究需求对图像进行预处理，如缩放、归一化等。3) 模型训练：使用数据集中的训练集和验证集训练深度学习模型，如质量评估模型和FAZ分割模型。4) 模型评估：使用数据集中的测试集和外部测试集评估模型的性能。5) 应用研究：基于训练好的模型进行OCTA图像质量评估和FAZ分割的研究，如疾病诊断、治疗评估等。

背景与挑战

背景概述

OCTA-25K-IQA-SEG数据集的创建旨在应对光学相干断层扫描血管造影（OCTA）图像分析中的关键挑战。该数据集由中山大学中山眼科中心、四川大学等机构的研究人员于2021年7月创建，主要研究人员包括王宇飞、沈怡清、袁梦等。OCTA技术是一种非侵入性的成像技术，能够提供活体人眼视网膜和视神经头的微血管可视化。然而，OCTA图像的质量受到多种因素的影响，如患者配合程度、介质透明度、光学畸变等，导致图像质量差异较大。此外，在OCTA图像分析中，区分黄斑无血管区（FAZ）区域是一个关键问题，因为FAZ区域与视觉敏锐度疾病高度相关。为了解决这些问题，研究人员开发了一个自动化的计算机辅助OCTA图像处理系统（COIPS），并构建了一个大规模的OCTA数据集，即OCTA-25K-IQA-SEG。该数据集包含25,665张图像，分为四个子集，包括sOCTA-3×3-10k、sOCTA-6×6-14k、sOCTA-3×31.1k-seg和dOCTA-6×6-1.1k-seg。OCTA-25K-IQA-SEG数据集的创建对OCTA图像质量评估和FAZ区域分割相关领域的研究产生了重要影响。

当前挑战

OCTA-25K-IQA-SEG数据集面临的挑战主要包括：1) OCTA图像质量评估的挑战：传统的基于信号强度的图像质量评分方法无法有效识别运动伪影、离焦等缺陷，需要专业的知识和耗时的人工识别。2) 构建过程中的挑战：构建大规模的OCTA数据集需要大量的标注工作，且不同图像的质量差异较大，增加了模型训练和评估的难度。为了解决这些挑战，研究人员采用了深度学习技术，开发了自动化的OCTA图像处理系统（COIPS），并构建了一个大规模的OCTA数据集。此外，研究人员还采用了迁移学习等技术，提高了模型的泛化能力。

常用场景

经典使用场景

OCTA-25K-IQA-SEG数据集在光学相干断层扫描血管造影图像的质量评估和分割方面具有经典的应用场景。该数据集包含大规模的视网膜血管图像，通过深度学习技术进行图像质量评估和黄斑无血管区（FAZ）分割。通过自动化的处理流程，该系统可以帮助眼科医生在临床诊断和研究过程中提高效率，减少工作量。此外，该数据集还提供了图像级别的质量评估标签和像素级别的FAZ区域掩码，为研究人员提供了丰富的数据资源。

解决学术问题

OCTA-25K-IQA-SEG数据集解决了光学相干断层扫描血管造影图像质量评估和FAZ分割的学术研究问题。传统的图像质量评估方法主要基于信号强度，难以识别运动伪影和偏心伪影等问题。此外，FAZ分割的准确性对于视网膜血管疾病的诊断和随访具有重要意义。该数据集通过深度学习技术，实现了自动化的图像质量评估和FAZ分割，提高了评估和分割的准确性，为相关研究提供了有力支持。

衍生相关工作

OCTA-25K-IQA-SEG数据集衍生了与光学相干断层扫描血管造影图像相关的经典工作。该数据集的构建和发布为相关研究提供了丰富的数据资源，促进了深度学习技术在医学图像分析领域的应用。此外，基于该数据集的研究成果还可以为其他医学图像分析任务提供参考和借鉴，推动了医学图像分析领域的发展。