ROSSA|医学成像数据集|数据标注数据集

ROSSA数据集是由重庆大学计算机学院和厦门大学翔安医院眼科部门合作创建的，包含918张OCTA图像及其对应的血管标注。该数据集通过Segment Anything Model (SAM)半自动标注，显著提高了标注效率。ROSSA数据集是目前最大的OCTA血管分割数据集，旨在解决医学领域数据不足的问题，特别是在提高诊断效率和准确性方面具有重要应用价值。

AI搜集汇总

数据集介绍

构建方式

ROSSA 数据集的构建方式主要采用半自动标注方法。首先，研究人员手动标注了300张OCTA血管图像，然后使用这些数据对Segment Anything Model (SAM)进行微调。微调后的SAM可以快速地根据少量点提示输出准确的像素级掩膜，从而大大提高了标注速度。最终，研究人员使用SAM标注了618张OCTA血管图像，并以此构建了ROSSA数据集。数据集包含918张OCTA图像及其对应的血管标注，并被分为训练集、验证集和测试集。

特点

ROSSA 数据集的特点如下：1) 数据规模大：目前已知最大的OCTA血管分割数据集，包含918张OCTA图像，能够有效缓解该领域数据不足的问题；2) 标注质量高：采用半自动标注方法，并结合少量手动修正，保证了标注的准确性；3) 使用方便：数据集被分为训练集、验证集和测试集，方便研究人员进行模型训练和评估。

使用方法

使用 ROSSA 数据集进行模型训练和评估的步骤如下：1) 数据准备：下载 ROSSA 数据集，并根据需要将其分为训练集、验证集和测试集；2) 模型选择：选择合适的神经网络模型进行血管分割任务，例如本文提出的 FRNet；3) 模型训练：使用训练集训练模型参数，并使用验证集选择最佳模型；4) 模型评估：使用测试集评估模型的性能，例如使用 Dice 系数和准确率作为评价指标；5) 模型部署：将训练好的模型部署到实际应用场景中，例如用于 OCTA 图像的自动血管分割。

背景与挑战

背景概述

光学相干断层扫描血管造影术 (OCTA) 是一种无创成像技术，可以揭示高分辨率的视网膜血管。在本研究中，我们提出了一种用于 OCTA 图像中视网膜血管分割的高精度和高效神经网络。该网络在保持与其他最先进方法相当准确度的同时，具有更少的参数和更快的推理速度，例如比 U-Net 轻量化 110 倍，推理速度提高 1.3 倍，非常适合工业应用。这是通过将修改后的 Recurrent ConvNeXt Block 应用于全分辨率卷积网络实现的。此外，我们还创建了一个包含 918 张 OCTA 图像及其对应血管注释的新数据集。该数据集在 Segment Anything Model (SAM) 的帮助下进行半自动注释，这大大提高了注释速度。为了社区的福利，我们的代码和数据集可以从 https://arxiv.org/abs/2309.09483 获取。

当前挑战

OCTA 图像中的血管分割具有以下挑战：1) 血管细小且复杂，难以分割；2) 数据集规模较小，难以训练高性能模型；3) 模型参数量较大，推理速度较慢，难以应用于实际场景。为了解决这些挑战，我们提出了一个全分辨率卷积网络 (FRNet)，该网络由几个修改后的 Recurrent ConvNeXt Block 组成。该网络在保持与其他最先进方法相当准确度的同时，具有更少的参数和更快的推理速度。此外，我们还创建了一个包含 918 张 OCTA 图像及其对应血管注释的新数据集 (ROSSA)，该数据集在 SAM 的帮助下进行半自动注释，这大大提高了注释速度。

常用场景

经典使用场景

ROSSA数据集作为视网膜血管分割研究的重要资源，其经典使用场景主要集中在对OCTA图像中视网膜血管的自动分割和识别。通过该数据集，研究人员可以训练深度学习模型，从而实现对OCTA图像中血管结构的精准分割，为临床诊断和疾病治疗提供重要依据。此外，ROSSA数据集还可以用于评估和比较不同血管分割算法的性能，推动相关领域的技术发展。

实际应用

ROSSA数据集的实际应用场景广泛，主要包括：1) 帮助眼科医生进行视网膜疾病的诊断和治疗，例如通过自动分割OCTA图像中的血管，可以更准确地评估视网膜病变的程度和范围；2) 促进OCTA技术在工业领域的应用，例如可以应用于自动驾驶汽车的视觉感知系统，提高车辆的行驶安全性。

衍生相关工作

ROSSA数据集的发布，衍生出了一系列相关研究工作。例如，基于ROSSA数据集，研究人员可以探索更先进的血管分割算法，例如基于深度学习的端到端分割模型；同时，还可以研究血管分割技术在其他领域的应用，例如病理图像分析、生物医学图像分割等。