Awesome Ophthalmology Dataset

这是一个多模态、多疾病的眼科数据集集合，涵盖角膜、AMD、青光眼、糖尿病视网膜病变、近视等多种眼科疾病的数据集，包括OCT、OCTA等多种成像技术。

This is a multimodal, multi-disease ophthalmic dataset collection, which includes datasets of various ophthalmic diseases such as corneal disorders, AMD, glaucoma, diabetic retinopathy, myopia and other related conditions, and involves multiple imaging modalities including OCT and OCTA.

原始信息汇总

眼科数据集概览

数据集总览

• 数据集名称：Awesome Ophthalmology Dataset
• 最后更新日期：2026-04-18
• 总条目数：77个数据集
• 顶级分类轨道数：14个
• 数据集简介：一个涵盖多模态、多疾病、角膜、年龄相关性黄斑变性、青光眼、糖尿病视网膜病变、光学相干断层扫描、光学相干断层扫描血管成像等领域的眼科数据集集合。

数据集分类与数量

分类轨道	焦点描述	数据集数量
多模态	结合多种眼科信号、图像-文本对或配对模态的数据集。	3
多疾病	围绕广泛的视网膜疾病覆盖而非单一诊断家族构建的集合。	3
角膜	角膜和前节显微成像或相关眼科成像资源。	1
年龄相关性黄斑变性	专注于年龄相关性黄斑变性及相邻视网膜结构标注的数据集。	3
青光眼	用于青光眼检测、分级、分割、进展和视野导向的资源。	10
糖尿病视网膜病变	用于糖尿病视网膜病变分级、病变标注和筛查的数据集。	5
近视	病理性近视和近视相关眼科成像基准。	3
分割与分类	用于分割、血管分析和相关分类任务的通用视网膜成像数据集。	26
术中光学相干断层扫描	术中OCT和密切相关的手术OCT参考。	1
纵向	为顺序随访、进展分析或重复访问研究设计的数据集。	2
配准	常用于视网膜图像配准和对应性评估的资源。	3
光学相干断层扫描血管成像	OCTA数据集和OCTA特定的质量或FAZ基准。	2
光学相干断层扫描	涵盖分类、结构分析和病变分割的视网膜OCT数据集。	12
额外精选	在此存储库中已整理的、超出导入参考列表的额外公共条目。	3

重点数据集示例

青光眼

• GRAPE
• Harvard glaucoma DP
• PAPILA
• iChallenge-GAMMA

糖尿病视网膜病变

• IDRiD
• MAPLES-DR
• MMRDR
• DRSeg_TJDR

血管与动静脉分析

• FIVES
• ROSE
• Fundus_AV_WIDE
• LES-AV

配准与随访

• FIRE
• FIMD
• LongDRScreening_20150209
• SIGF-database

数据集详情页面

每个数据集在 resources/ 目录下均有独立的详情页面（.md 文件），提供快照描述、官方链接等信息。

搜集汇总

数据集介绍

构建方式

在眼科影像数据日益丰富的背景下，Awesome Ophthalmology Dataset通过系统化地收集与整合公开数据集构建而成。该数据集以多模态、多疾病为导向，广泛涵盖了眼底图像、光学相干断层扫描（OCT）、光学相干断层扫描血管成像（OCTA）等多种影像类型。构建过程注重数据的标准化与规范化，每个子数据集均配有详细的元数据描述，包括影像来源、疾病标签、分割标注及临床信息，确保了数据的一致性与可用性。

特点

本数据集的核心特点在于其全面性与多样性，覆盖了青光眼、糖尿病视网膜病变、年龄相关性黄斑变性等多种眼科疾病。数据集不仅包含静态影像，还纳入了视频序列与纵向随访数据，支持从分类、分割到疾病进展分析等多种研究任务。特别值得一提的是，数据集整合了多模态信息，如眼底与OCT的配对数据，为跨模态学习与融合分析提供了宝贵资源。

使用方法

研究人员可通过数据集提供的分类轨道快速定位所需资源，每个子数据集均附有官方链接与详细档案页。使用前需仔细阅读各数据集的许可协议与使用条款，确保符合伦理与法律要求。数据可用于训练与验证机器学习模型，尤其在疾病自动诊断、病灶分割及多模态融合等前沿方向具有重要价值。建议结合临床知识进行数据预处理与增强，以提升模型的泛化能力与鲁棒性。

背景与挑战

背景概述

眼科影像数据集在医学人工智能领域扮演着关键角色，为疾病诊断、病灶分割和预后分析提供重要数据支撑。Awesome Ophthalmology Dataset作为一个综合性资源库，汇集了多模态、多疾病的眼科影像数据，涵盖青光眼、糖尿病视网膜病变、年龄相关性黄斑变性等主要致盲眼病。该数据集由多个研究机构共同维护，包括哈佛医学院、杜克大学等知名学术机构，其核心研究问题在于解决眼科影像数据分散、标注标准不统一的问题，通过系统化整理促进跨模态算法开发和临床转化研究。自持续更新以来，该数据集已成为眼科人工智能研究的重要基础设施，推动了从单一疾病分类向多病种联合诊断的技术演进。

当前挑战

该数据集致力于解决眼科影像分析中的多重挑战：在领域问题层面，需要应对多模态数据融合的复杂性，例如将OCT、OCTA和眼底彩照进行跨模态对齐；同时需处理疾病进展的纵向分析，这对青光眼等慢性病的早期预警至关重要。在构建过程中，数据集面临标注一致性的难题，不同医疗机构对病灶边界的界定存在差异；数据异构性显著，各子集的采集设备、分辨率和协议各不相同；此外，隐私保护要求使得临床数据的脱敏处理与可用性之间需要精细平衡。这些挑战共同构成了眼科人工智能从算法研究走向临床部署的关键瓶颈。

常用场景

经典使用场景

在眼科医学影像分析领域，该数据集作为多模态、多疾病的综合性资源，为研究者提供了丰富的眼底图像、OCT及OCTA数据。其经典使用场景集中在视网膜疾病的自动诊断与分级任务中，例如利用深度学习模型对青光眼、糖尿病视网膜病变等常见眼病进行精准分类与病变区域分割。通过整合多种成像模态，该数据集支持跨模态特征融合研究，促进了从单一图像分析向多源信息协同诊断的范式转变。

衍生相关工作

围绕该数据集，已衍生出一系列经典研究工作。例如，基于iChallenge-GAMMA等子集的青光眼分级与视盘分割算法，推动了U-Net变体及注意力机制在眼科影像中的广泛应用。IDRiD数据集则催生了针对糖尿病视网膜病变的细粒度病变检测模型。此外，OCTA-500等血管成像数据促进了视网膜血管网络重建与血流动力学分析的新方法，而多模态数据集如FDDM TOPCON-MM激发了跨模态特征学习与融合技术的创新探索。

数据集最近研究

最新研究方向

在眼科人工智能领域，多模态数据集正成为推动精准诊疗的前沿热点。结合眼底彩照、OCT、OCTA等多种影像模态的数据，如FDDM TOPCON-MM和MM-Retinal，支持跨模态融合分析，助力模型理解疾病的多维度特征。与此同时，针对青光眼、糖尿病视网膜病变等慢性病的纵向数据集，如GRAPE和SIGF-database，使疾病进展预测与个性化管理成为可能，反映了临床对动态监测的迫切需求。手术视频数据集OphNet的涌现，则标志着眼科计算研究向术中实时辅助的延伸，为智能手术导航奠定基础。这些方向共同凸显了数据集从静态诊断向动态、多源、手术场景拓展的趋势，深刻影响着眼科AI模型的泛化能力与临床转化路径。