视网膜多普勒全息数据集

该视网膜多普勒全息数据集由朗之万研究所创建，专门用于视网膜动静脉分割研究。数据集包含145个样本，采集自7位不同患者，包含手工标注的动静脉掩膜标签。数据源自高速相机以37,000帧/秒采集的512×320像素干涉图，通过全息多普勒技术生成功率多普勒视频和M0图像。数据集通过离线渲染和频域滤波处理，保留了血流动力学时序特征。主要应用于视网膜微血管疾病诊断，旨在解决传统空间分割方法在低对比度全息数据中难以区分动静脉的难题。

This retinal Doppler holography dataset was developed by the Langevin Institute exclusively for retinal arteriovenous segmentation research. It comprises 145 samples collected from 7 distinct patients, accompanied by manually annotated arteriovenous mask labels. The dataset originates from 512×320 pixel interferograms acquired by a high-speed camera at 37,000 frames per second, based on which power Doppler videos and M0 images are generated via holographic Doppler technology. Processed through offline rendering and frequency-domain filtering, the dataset retains the hemodynamic temporal features. It is primarily applied in the diagnosis of retinal microvascular diseases, aiming to address the challenge that traditional spatial segmentation methods struggle to differentiate arteriovenous vessels in low-contrast holographic data.

搜集汇总

数据集介绍

构建方式

视网膜多普勒全息数据集的构建依托于先进的多普勒全息成像技术，该技术通过马赫-曾德尔干涉仪采集视网膜的干涉图样，并以每秒37,000帧的高速率记录原始数据。原始干涉图经过菲涅耳传播重建至视网膜平面，并采用奇异值分解滤波消除眼球运动伪影，再通过短时傅里叶变换进行高频滤波，保留与红细胞运动相关的多普勒频移。最终，通过计算多普勒功率谱密度的零阶矩生成功率多普勒图像，形成包含47名患者共145个样本的数据集，每个样本均配有手工标注的动静脉掩膜。

特点

该数据集的核心特点在于其高时空分辨率的动态血流信息，能够同时捕捉视网膜血管形态与血流动力学行为。功率多普勒图像虽能清晰呈现血管网络，但丢失了时间波动特征；而通过心脏脉冲信号分析提取的相关性图谱和舒张-收缩差分图像，则有效凸显了动脉与静脉的时域区分性。数据集中血管对比度较低、脉络膜血管重叠等挑战，恰恰突显了时域信息在动静脉分割中的关键价值，为深度学习模型提供了独特的时空融合分析基础。

使用方法

数据集的典型应用遵循序列化分析流程：首先利用功率多普勒图像进行二值血管分割，继而通过骨架化处理提取血管段并计算其平均时域信号，识别具有显著收缩期响应的动脉区域。随后基于全局心脏脉冲信号生成像素级相关性图谱与舒张-收缩差分图像，最终将这三类时域特征与静态功率多普勒图像共同输入分割模型。该方法使传统U-Net等架构能有效融合时空信息，在动静脉分类任务中达到与复杂模型相当的精度，为视网膜血流定量研究提供了可靠基准。

背景与挑战

背景概述

视网膜多普勒全息数据集由EPITA的LRE实验室与朗之万研究所于2025年联合创建，聚焦于视网膜微血管健康评估的前沿研究。该数据集利用新兴的多普勒全息成像技术，以每秒37,000帧的高时间分辨率捕捉视网膜血流动力学特征，为核心研究问题——视网膜动静脉精确分割提供了动态数据支撑。其创新性在于突破了传统静态成像技术的局限，为糖尿病视网膜病变、青光眼等微血管疾病的定量分析开辟了新途径，显著推动了眼科诊断从形态学向功能学研究的范式转变。

当前挑战

该数据集面临双重技术挑战：在领域问题层面，视网膜动静脉分割需克服血管强度分布重叠、脉络膜血管干扰及小血管分辨率不足等固有难题；在构建过程中，原始干涉图需经过菲涅尔传播重建、运动伪影消除和频谱滤波等多步骤处理，而高频多普勒信号的噪声抑制与血流速度量化对算法鲁棒性提出极高要求。此外，传统空间分割方法在低对比度全息数据中表现受限，亟需开发能融合时空特征的深度学习框架以实现精准分类。

常用场景

经典使用场景

视网膜多普勒全息数据集在眼科影像分析领域主要用于动脉-静脉分割任务，其高时间分辨率的血流动态数据为区分血管类型提供了独特优势。该数据集通过捕捉心脏周期内血流速度的周期性变化，使得传统仅依赖空间特征的分割方法能够结合时序信息，显著提升动脉与静脉的分类准确性。在深度学习模型中，U-Net等架构通过整合相关性图谱和舒张-收缩帧差异图像，实现了对血管网络的精确语义分割，为视网膜血流动力学研究奠定了数据基础。

实际应用

在临床实践中，该数据集支持开发非侵入式视网膜血流监测系统，可用于高血压和阿尔茨海默病的早期筛查。通过量化血流速度与血管阻力的动态变化，医生能够评估微循环功能障碍程度。其37,000帧/秒的采集速率使得捕捉瞬时血流波动成为可能，为手术导航和药物治疗效果评估提供了实时反馈工具，显著提升了眼科诊疗的精准化水平。

衍生相关工作

该数据集催生了多类创新性研究方法，包括基于时序特征的U-Net++改进模型和混合Transformer架构。WNet通过卷积与自注意力机制的结合实现了全局上下文感知，而CSTA-Net则探索了多尺度特征融合策略。这些工作共同推动了时域分析在医学影像中的深度应用，衍生出基于心脏信号分析的血管分类标准流程，为动态医学影像分割领域建立了新的技术范式。