RVD

arXiv2023-07-13 更新2024-08-06 收录

下载链接：

http://arxiv.org/abs/2307.06577v1

下载链接

链接失效反馈

官方服务：

资源简介：

该数据集包含635个智能手机拍摄的眼底视频，来自四个不同诊所的415名50至75岁的患者。数据集提供了空间和时间维度上全面的视网膜结构精确标注，旨在推动血管分割领域的发展。具体包括三种空间标注：整体视网膜结构的二值血管掩码、区分静脉和动脉的通用静脉-动脉掩码以及进一步表征每个动脉和静脉粒度的精细静脉-动脉掩码。此外，数据集还提供了捕捉血管搏动特征的时间标注，有助于检测需要精细血流动力学波动识别的眼部疾病。

This dataset contains 635 fundus videos captured by smartphones, collected from 415 patients aged 50 to 75 years across four distinct clinics. It provides comprehensive and precise annotations of retinal structures across both spatial and temporal dimensions, aiming to advance the field of vascular segmentation. Specifically, it includes three types of spatial annotations: binary vascular masks for the overall retinal vasculature, general arteriovenous masks that distinguish between veins and arteries, and fine-grained arteriovenous masks that further characterize the granularity of each individual artery and vein. Additionally, the dataset offers temporal annotations that capture the characteristics of vascular pulsation, which facilitates the detection of ocular diseases requiring precise identification of hemodynamic fluctuations.

创建时间：

2023-07-13

搜集汇总

数据集介绍

构建方式

在视网膜血管分析领域，传统数据集多基于静态图像与台式设备采集，难以捕捉血管的动态特性。RVD数据集通过手持式智能手机眼底成像设备，在四个临床中心采集了415名50至75岁患者的635段视频，帧率25fps，总帧数超过13万。数据采集后，研究团队进行了严格的质量控制，包括利用光学流检测与去除模糊帧，并通过模板匹配算法稳定视盘区域以消除眼球运动影响。为确保标注质量，由专业临床医生参与，从每段视频中选取最具代表性的关键帧进行标注，构建过程兼顾了临床实用性与数据科学性。

使用方法

该数据集支持视网膜血管分割领域的多项研究任务。在空间分割任务中，研究者可利用三级血管掩码进行二值分割、动静脉分类及细粒度血管分级分割，评估指标包括mIoU、mAcc与mFscore。在时间分析任务中，数据集支持SVP存在性分类与时域定位，可采用LRCN、I3D等视频理解模型，以准确率、AUROC及帧级mAP等指标进行评估。数据划分遵循患者ID隔离原则，确保训练集与测试集间样本独立性，以降低评估偏差。鉴于其显著的域偏移特性，该数据集亦适用于领域自适应、跨设备泛化等前沿研究方向，为开发鲁棒且适用于便携设备的视网膜分析算法提供了宝贵资源。

背景与挑战

背景概述

视网膜血管分割作为眼科影像分析的核心任务，其研究进展高度依赖于高质量数据集的构建。传统数据集如DRIVE、STARE等多基于静态图像与台式设备采集，虽推动了基础分割算法的发展，却难以捕捉血管的动态波动特性，且设备可及性限制了数据规模的扩展。2023年，由澳大利亚多所大学联合发布的RVD数据集，首次采用手持智能手机设备采集眼底视频，涵盖635段视频、超过13万帧图像，并提供了空间与时间维度的精细标注。该数据集的创立，旨在通过视频模态记录血管的连续脉动，为视网膜血管动力学研究与眼部疾病诊断开辟了新的数据基础。

当前挑战

RVD数据集所针对的视网膜血管分割任务，面临从静态图像到动态视频分析的范式转换挑战。在领域问题层面，视频数据需处理时序上的血管脉动捕捉、运动模糊与光照变化干扰，以及细粒度血管结构（如小动脉与静脉的分级标注）的精确分割，这对现有模型的时空建模与细节感知能力提出了更高要求。在构建过程中，数据采集受手持设备稳定性、临床操作差异及患者眼球运动的影响，导致视频存在抖动与噪声；标注工作则因需整合空间多层次分割（二值血管掩码、动静脉区分掩码、细粒度宽度分级掩码）与时间标注（自发性视网膜静脉搏动的存在性、持续时间及峰谷定位），而变得异常复杂与耗时，需依赖专业临床医生进行多次校验以确保标注一致性。

常用场景

经典使用场景

在视网膜血管分析领域，RVD数据集凭借其视频模态与手持设备采集特性，为血管分割任务提供了动态研究平台。该数据集最经典的使用场景在于训练和评估能够处理时序信息的血管分割模型。研究者利用其连续的帧序列，能够捕捉血管的搏动特性，从而超越传统静态图像在表征视网膜动态特征方面的局限。这种基于视频的分析，使得模型能够学习血管在时间维度上的形态变化，为理解视网膜生理功能提供了更丰富的上下文信息。

解决学术问题

RVD数据集主要解决了视网膜血管分析中因数据模态单一和设备限制带来的若干学术问题。它突破了传统静态图像数据集无法表征血管动态搏动的瓶颈，为研究血流动力学波动与眼疾关联提供了数据基础。同时，数据集通过手持设备采集，引入了真实的临床操作变异和光照变化，迫使模型学习更具鲁棒性的特征，以应对与台式设备数据之间的域差异问题。其多层次的空间标注（二值血管、动静脉区分、细粒度动静脉）系统性地支持了从粗到细的血管结构解析研究。

实际应用

该数据集的实际应用紧密关联于便携式眼科诊断设备的开发与算法优化。通过模拟真实临床环境下由手持设备采集的视频数据，RVD能够用于训练和验证适用于基层医疗或远程医疗场景的自动诊断系统。这些系统旨在实现对糖尿病视网膜病变、青光眼等疾病的早期筛查，其核心是通过分析视频中血管的形态和搏动模式来识别病理特征。数据集提供的自发视网膜静脉搏动（SVP）标注，直接服务于颅内压异常等与血管动力学相关疾病的辅助检测，推动了从“静态形态分析”到“动态功能评估”的临床诊断范式演进。

数据集最近研究