GOALS Challenge

GOALS Challenge数据集是由中山眼科中心和百度公司智能医疗部合作创建，包含300张环视OCT图像，用于支持AI技术在OCT辅助诊断青光眼领域的研究。数据集内容包括视网膜神经纤维层、神经节细胞-内丛状层和脉络膜层的分割掩码及青光眼标签。数据集的创建过程涉及由经验丰富的眼科医生手动标注，并通过高级医生审核以确保标注质量。该数据集主要应用于青光眼的层分割和分类研究，旨在通过AI技术提高青光眼的早期诊断准确性。

The GOALS Challenge Dataset was jointly developed by the Zhongshan Ophthalmic Center and the Intelligent Healthcare Department of Baidu. It comprises 300 panoramic OCT images to support AI research on OCT-assisted glaucoma diagnosis. The dataset includes segmentation masks of three ocular layers: the retinal nerve fiber layer (RNFL), ganglion cell-inner plexiform layer (GCIPL), and choroidal layer, as well as glaucoma-related labels. During its creation, the dataset was manually annotated by experienced ophthalmologists and reviewed by senior physicians to ensure annotation quality. This dataset is primarily utilized for research on glaucoma layer segmentation and classification, aiming to improve the accuracy of early glaucoma diagnosis through artificial intelligence technologies.

搜集汇总

数据集介绍

构建方式

在眼科医学影像研究领域，构建高质量标注数据集是推动人工智能辅助诊断技术发展的基石。GOALS Challenge数据集的构建依托中山大学眼科中心过去五年积累的青光眼研究队列，从中随机选取300幅视盘周围OCT图像。所有图像均采用TOPCON DRI扫频源OCT设备采集，原始格式为BMP或JPG，经统一转换为1100×800分辨率的PNG格式。标注工作由具有五年以上临床经验的十位眼科医生组成的iChallenge-GOALS研究组完成，采用五轮交叉标注机制：将图像随机分为10个子集，每幅图像由五位不同医生独立标注视网膜神经纤维层、神经节细胞内丛状层和脉络膜的上下边界，最后由资深眼科专家对标注结果进行融合与校验，通过像素值分配生成最终的分割掩膜。数据集按患者维度划分为训练集、预赛集和决赛集，确保同一患者的眼部图像归属于同一分区。

特点

该数据集在青光眼OCT影像分析领域展现出鲜明的专业特性。其核心价值在于提供了视盘周围环形扫描的OCT图像，这种成像方式能够清晰呈现视网膜各层结构的横截面信息，特别适用于观察青光眼特征性的视网膜神经纤维层变薄现象。数据集同时包含层分割与疾病分类双重标注：分割标注精确勾勒了RNFL、GCIPL和脉络膜三个关键解剖结构的边界，分类标签则基于完整临床检查记录确定青光眼诊断。数据分布具有临床代表性，涵盖66名患者99只眼睛，年龄跨度与性别比例符合真实世界流行病学特征。图像分辨率经过标准化处理，标注流程采用多专家交叉验证与权威复核机制，确保了标注结果的可靠性与一致性。

使用方法

研究者可通过AI Studio竞赛平台获取该数据集，并按照挑战赛设计的双任务框架开展研究。对于层分割任务，需开发算法对OCT图像中的RNFL、GCIPL和脉络膜区域进行像素级分割，评估时采用结合区域重叠度与边界精度的复合指标，其中RNFL分割结果被赋予更高权重以体现其临床重要性。对于青光眼分类任务，需构建模型根据OCT图像判断青光眼患病状态，评估体系综合灵敏度、特异度、准确率、F1分数和AUC五项指标。官方提供的基线模型为U-Net架构的层分割网络和ResNet50分类网络，采用PaddlePaddle框架实现。参赛者可在训练集上开发模型，在预赛集和决赛集上进行测试，最终得分由两个任务得分加权计算得出，其中层分割任务占比80%，以强调解剖结构定量分析在青光眼评估中的核心地位。

背景与挑战

背景概述

青光眼作为一种慢性神经退行性疾病，是全球不可逆性失明的主要诱因之一，其病理特征表现为视网膜神经节细胞及其轴突的渐进性退化，导致视网膜神经纤维层变薄与视神经损伤。光学相干断层扫描技术凭借其无创、高分辨率等优势，成为评估青光眼结构性损伤的关键影像学工具，尤其视盘周围OCT图像能够清晰呈现视网膜各层次的截面信息。为推进人工智能技术在OCT辅助青光眼诊断领域的研究，百度智能医疗单元与中山大学中山眼科中心于2022年联合发起GOALS挑战赛，并于MICCAI会议期间发布了包含300张视盘周围OCT图像的数据集，聚焦于视网膜层次分割与青光眼分类两大核心任务。该数据集的构建融合了多中心临床资源与资深眼科医生的精细标注，旨在为相关算法研发提供标准化评估基准，助力早期青光眼的精准筛查与病程监测。

当前挑战

在青光眼诊断领域，OCT图像分析面临多重挑战：视网膜层次结构复杂且个体差异显著，尤其是神经纤维层、神经节细胞复合体等关键区域的薄层变化需毫米级精度量化；青光眼早期形态学改变细微，与正常老化或其它眼底病变特征易混淆，要求分类模型具备高特异性与鲁棒性。数据集构建过程中，标注工作依赖多名眼科医生手动勾画视网膜层次边界，存在主观差异与一致性难题，需通过多轮标注融合与资深专家仲裁以提升标注可靠性；此外，数据来源于单一医疗中心且样本规模有限，可能影响模型在不同人群与设备间的泛化能力。同时，数据集中正负样本平衡性虽经设计，但青光眼亚型与病程阶段的多样性覆盖仍显不足，对算法全面表征疾病谱系提出更高要求。

常用场景

经典使用场景

在眼科医学影像分析领域，GOALS Challenge数据集为研究者提供了环绕视盘的OCT图像，其经典应用场景集中于视网膜层分割与青光眼分类的双重任务。通过精确标注的视网膜神经纤维层、神经节细胞内丛状层及脉络膜层边界，该数据集支持开发先进的深度学习模型，以自动化方式量化青光眼相关的结构变化，从而辅助临床诊断决策。

解决学术问题

该数据集有效解决了青光眼早期诊断中OCT图像分析的关键学术难题，包括视网膜层结构的精确分割与疾病分类的自动化评估。通过提供高质量标注数据，它促进了算法在层边界定位与疾病特征提取方面的性能提升，为理解青光眼病理机制提供了量化工具，推动了医学影像人工智能研究的标准化进程。

衍生相关工作

围绕GOALS Challenge数据集，已涌现一系列经典研究工作，包括基于U-Net架构的改进分割网络与ResNet变体的分类模型优化。这些研究不仅提升了层分割的精度与鲁棒性，还探索了多任务学习框架，将结构分析与疾病诊断相结合，进一步推动了跨模态眼科影像分析领域的技术创新与学术交流。