ROSE

ROSE数据集是由中国科学院宁波工业技术研究院慈溪生物医学工程研究所创建的视网膜OCT-Angiography血管分割数据集，旨在解决OCTA图像中血管自动分割的挑战。该数据集包含229张OCTA图像，每张图像均由专家进行中心线级别或像素级别的精确标注。数据集的创建过程涉及从不同设备获取图像，并确保所有数据均符合机构伦理委员会的批准。ROSE数据集的应用领域包括视网膜血管相关疾病的早期诊断和疾病进展评估，特别是在神经退行性疾病的研究中显示出巨大潜力。The ROSE dataset is a retinal OCT-Angiography (OCTA) vascular segmentation dataset developed by the Cixi Institute of Biomedical Engineering, Ningbo Institute of Industrial Technology, Chinese Academy of Sciences, aiming to address the challenges of automatic vascular segmentation in OCTA images. This dataset contains 229 OCTA images, each of which has been accurately annotated at the centerline level or pixel level by experts. The dataset creation process involves acquiring images from diverse devices, and all data have received approval from the Institutional Review Board. The application areas of the ROSE dataset include early diagnosis of retinal vascular-related diseases and assessment of disease progression, and it demonstrates great potential particularly in neurodegenerative disease research.

搜集汇总

数据集介绍

构建方式

ROSE数据集的构建旨在解决视网膜血管OCT-A图像分割的挑战，尤其是针对低毛细血管可见性和高血管复杂性。数据集由229张OCT-A图像组成，这些图像具有中心线级别或像素级别的血管标注。ROSE数据集分为两个子集：ROSE-1和ROSE-2，分别来自两个不同的设备。ROSE-1包含117张图像，来自39名受试者，其中包括26名阿尔茨海默病患者和13名健康对照。ROSE-2包含112张图像，来自112只眼睛，这些眼睛患有各种黄斑病变。所有图像均为3×3毫米²范围内的SVC层正面血管造影图。为了确保数据集的质量，所有血管均由人类专家在中心线级别和/或像素级别进行手动标注。

使用方法

使用ROSE数据集进行视网膜OCT-A图像分割研究时，研究人员可以采用以下方法：首先，将数据集分为训练集和测试集，用于训练和验证分割算法。其次，利用数据集中的血管标注，评估分割算法的性能。此外，研究人员还可以通过分析分割结果，探索视网膜微血管网络与神经退行性疾病之间的关系。为了方便使用，ROSE数据集的源代码和评估工具已经公开发布，可供研究人员下载和使用。

背景与挑战

背景概述

视网膜血管在眼底成像技术中扮演着至关重要的角色，其形态变化不仅能用于识别和分类全身性疾病、代谢性疾病和血液疾病的严重程度，还能促进对疾病进展的理解和治疗效果的评估。光学相干断层扫描血管造影术（OCTA）作为一种新兴的无创成像技术，能够产生高分辨率的视网膜血管3D图像，已被越来越多地接受为观察视网膜血管的无价工具。然而，OCTA图像中的视网膜血管自动分割技术尚未得到充分研究，主要挑战包括低毛细血管可见性和高血管复杂性。为了解决这些问题，研究人员首次构建了一个名为ROSE的视网膜OCTA血管分割数据集，该数据集包含229张具有血管注释的OCTA图像，旨在促进相关领域的研究。

当前挑战

ROSE数据集面临的挑战主要包括：1) OCTA图像中的视网膜血管自动分割技术尚未得到充分研究，需要进一步提高分割精度；2) OCTA图像中存在低信号-噪声比（SNR）、不同深度层血管外观的差异性、投影、运动和阴影伪影等问题，增加了准确分割的难度，尤其是对于密集连接的毛细血管；3) 现有的分割方法难以检测微血管网络中不同血管厚度和成像深度之间的细微差异。为了应对这些挑战，研究人员提出了一个名为OCTA-Net的新型分割网络，该网络采用分阶段的粗到细分割策略，能够分别检测厚薄血管，并通过引入分基粗分割模块和分基细分割模块，优化视网膜微血管的形状和轮廓。

常用场景

经典使用场景

ROSE数据集主要应用于视网膜OCTA图像中的血管分割任务。该数据集包含229张OCTA图像，其中血管标注分为中心线级和像素级。OCTA-Net网络被提出用于分割OCTA图像中的血管，该网络分为粗分割阶段和细分割阶段。粗分割阶段利用split-based coarse segmentation (SCS)模块产生初步的置信图，细分割阶段则通过split-based refined segmentation (SRS)模块进一步优化分割结果。实验结果表明，OCTA-Net在OCTA图像的血管分割任务中取得了优异的性能。

解决学术问题

ROSE数据集解决了OCTA图像中血管分割任务缺乏公开数据集的问题。此外，OCTA-Net网络通过引入split-based coarse-to-fine vessel segmentation approach，有效地分割了OCTA图像中的厚血管和薄血管，并在不同类型的视网膜图像中取得了准确的分割结果。此外，OCTA-Net网络还提供了视网膜微血管的分数维分析，证明了视网膜微血管分析在研究神经退行性疾病中的潜力。

实际应用

ROSE数据集及其提出的OCTA-Net网络在实际应用中具有重要意义。OCTA图像的血管分割可以帮助医生更准确地诊断和治疗与视网膜血管相关的疾病，如青光眼、糖尿病视网膜病变和年龄相关性黄斑变性等。此外，视网膜微血管分析还可以用于研究神经退行性疾病，如阿尔茨海默病和轻度认知障碍等。

数据集最近研究

最新研究方向

视网膜光学相干断层扫描血管造影术（OCTA）作为一种非侵入性成像技术，在毛细血管级别分辨率的视网膜血管成像方面得到广泛应用。然而，由于毛细血管可见度低和血管复杂性高等挑战，OCTA中视网膜血管的自动分割研究尚不充分。ROSE数据集的创建填补了这一空白，为研究人员提供了229张带有血管标注的OCTA图像，这些图像包括中心线级别或像素级别的标注，以支持分割算法的训练和验证。此外，ROSE数据集还引入了OCTA-Net，这是一种新的基于分割的粗到细血管分割网络，能够分别检测厚薄血管。通过在ROSE数据集上的评估，OCTA-Net在OCTA血管分割方面优于传统和其他深度学习方法。此外，研究还提供了分割微血管的分形维数分析，统计分析表明健康对照组和阿尔茨海默病组之间存在显著差异。这表明视网膜微血管分析可能为研究各种神经退行性疾病提供新的方案。

相关研究论文

• ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New Model

  中国科学院宁波工业技术研究院慈溪生物医学工程研究所 · 2020年