OCTDL

OCTDL数据集是由德国弗里德里希-亚历山大大学埃尔兰根-纽伦堡的模式识别实验室与俄罗斯乌拉尔联邦大学合作创建的，包含2064张光学相干断层扫描（OCT）图像，主要用于基于图像的深度学习方法研究。该数据集涵盖了多种眼科疾病，如年龄相关性黄斑变性、糖尿病性黄斑水肿等。数据集的创建过程涉及使用Optovue Avanti RTVue XR设备进行图像采集，并通过经验丰富的眼科专家进行解释和分类。OCTDL数据集的应用领域广泛，旨在通过深度学习技术提高眼科疾病的诊断和监测效率。The OCTDL dataset was collaboratively developed by the Pattern Recognition Lab at Friedrich-Alexander-Universität Erlangen-Nürnberg in Germany and the Ural Federal University in Russia. It comprises 2064 optical coherence tomography (OCT) images, primarily intended for research on image-based deep learning approaches. This dataset covers a variety of ophthalmic diseases, such as age-related macular degeneration, diabetic macular edema, and others. The construction of the dataset involved image acquisition using an Optovue Avanti RTVue XR device, as well as interpretation and classification by experienced ophthalmologists. The OCTDL dataset has a wide range of application scenarios, aiming to improve the efficiency of diagnosis and monitoring for ophthalmic diseases through deep learning technologies.

搜集汇总

数据集介绍

构建方式

OCTDL 数据集的构建方式是通过收集来自 821 名患者的 2064 张光学相干断层扫描 (OCT) 图像，这些图像涵盖了与年龄相关的黄斑变性 (AMD)、糖尿病性黄斑水肿 (DME)、黄斑前膜 (ERM)、视网膜动脉阻塞 (RAO)、视网膜静脉阻塞 (RVO) 和玻璃体黄斑界面疾病 (VID) 相关的病理条件。这些图像使用 Optovue Avanti RTVue XR 设备以光栅扫描协议进行采集，并具有动态扫描长度和图像分辨率。每张视网膜 B 扫描图像都由经验丰富的视网膜专家进行解释和编目。

特点

OCTDL 数据集的特点是包含 2064 张高分辨率 OCT B 扫描图像，这些图像允许观察以黄斑中心为中心的视网膜层、后玻璃体和脉络膜血管。该数据集涵盖了多种疾病和眼部状况，包括 AMD、DME、ERM、NO、RAO、RVO 和 VID。数据集还包括每个图像的标签，这些标签是根据疾病组和视网膜病理进行标记的，这使得数据集对于基于图像的深度学习方法非常有用。

使用方法

使用 OCTDL 数据集的方法包括下载数据集并将其存储在本地计算机上。数据集存储在 JPG 格式的单独文件夹中，这些文件夹对应于疾病标签。每个文件名由疾病标签、患者 ID 和序列号组成。此外，还有一个名为 'OCTDL_labels.csv' 的附加文件，其中包含有关每个图像的详细标签信息。研究人员可以使用这些标签来训练深度学习模型，以自动检测和分类视网膜疾病。

背景与挑战

背景概述

光学相干断层扫描（OCT）作为一种非侵入性成像技术，在眼科学中具有广泛的应用。OCT能够可视化视网膜层，在视网膜疾病的早期检测和监测中发挥着至关重要的作用。OCT利用光波干涉原理创建视网膜微结构的详细图像，使其成为诊断眼病的宝贵工具。本研究介绍了OCTDL数据集，这是一个包含2000多张OCT图像的开放访问数据集，这些图像根据疾病组和视网膜病理进行了标记。该数据集包括患有年龄相关性黄斑变性（AMD）、糖尿病性黄斑水肿（DME）、视网膜前膜（ERM）、视网膜动脉阻塞（RAO）、视网膜静脉阻塞（RVO）和玻璃体黄斑界面疾病（VID）的患者的OCT记录。图像使用Optovue Avanti RTVue XR以动态扫描长度和图像分辨率进行光栅扫描协议采集。每个视网膜b扫描通过将扫描区域集中在黄斑中心进行采集，并由经验丰富的视网膜专家进行解释和编目。在本工作中，我们应用了基于图像的深度学习分类技术来处理这个新的开放访问数据集。

当前挑战

OCTDL数据集面临的挑战包括：1）解决的领域问题，即视网膜疾病的早期检测和监测；2）构建过程中所遇到的挑战，包括图像的采集、标记和分类。为了解决这些挑战，研究团队采用了深度学习分类技术，并使用VGG16和ResNet50等经典卷积神经网络架构在OCTDL数据集上进行了实验。此外，研究团队还探索了将OCTDL数据集与其他公开可用的OCT数据集相结合的方法，以提高分类准确性。未来的工作将包括扩展数据集以包括更罕见的疾病，并进一步探索深度学习和人工智能在眼科学中的应用。

常用场景

经典使用场景

在眼科领域，光学相干断层扫描（OCT）作为一种非侵入性成像技术，对于视网膜疾病的早期检测和监测至关重要。OCTDL数据集的推出，为基于图像的深度学习方法提供了一个宝贵资源。该数据集包含了超过2000张OCT图像，涵盖了年龄相关性黄斑变性（AMD）、糖尿病性黄斑水肿（DME）、视网膜前膜（ERM）、视网膜动脉阻塞（RAO）、视网膜静脉阻塞（RVO）和玻璃体黄斑界面疾病（VID）等多种疾病和眼况。这些高分辨率的OCT B扫描图像以黄斑为中心，使得视网膜层、后部玻璃体体和脉络膜血管的结构可视化。OCTDL数据集为深度学习模型在视网膜疾病分类、分割和早期疾病检测方面的研究提供了数据支持。

解决学术问题

OCTDL数据集的推出解决了当前眼科领域深度学习方法研究中数据集规模有限、疾病种类不够全面的问题。通过提供大量标注的OCT图像，该数据集为研究人员提供了更多样化的数据资源，有助于提高深度学习模型在视网膜疾病诊断和监测方面的准确性和鲁棒性。此外，OCTDL数据集还包含了多种疾病和眼况的病理条件，为研究视网膜疾病的发生、发展和治疗提供了数据支持。这对于推动眼科领域深度学习方法的研究和应用具有重要意义。

衍生相关工作

OCTDL数据集的推出，为眼科领域深度学习方法的研究和应用提供了新的方向。基于该数据集，研究人员可以开发更多种类的深度学习模型，如用于OCT图像分割、病变检测和定量分析的模型。此外，OCTDL数据集还可以与其他公开的OCT图像数据集进行整合，进一步扩大数据集规模和疾病种类，从而提高深度学习模型在视网膜疾病诊断和监测方面的性能。未来，基于OCTDL数据集的研究成果有望在眼科临床实践中得到广泛应用，为提高眼科疾病的诊断和治疗水平做出贡献。