The SUSTech-SYSU dataset for automatically segmenting and classifying corneal ulcers

SUSTech-SYSU数据集是一个用于自动分割和分类角膜溃疡的眼部荧光素染色图像数据集。该数据集包含712张眼部染色图像及其对应的角膜溃疡分割标签，每张图像还附有三种分类标签：一般溃疡模式、特定溃疡模式和溃疡严重程度。此数据集不仅为研究不同分割和分类算法的准确性和可靠性提供了极好的机会，还促进了基于监督学习的新算法的开发，特别是在深度学习框架中。

The SUSTech-SYSU dataset is a collection of ocular fluorescein staining images designed for the automatic segmentation and classification of corneal ulcers. This dataset comprises 712 stained eye images along with their corresponding corneal ulcer segmentation labels. Each image is also annotated with three classification labels: general ulcer pattern, specific ulcer pattern, and ulcer severity. This dataset not only provides an excellent opportunity to study the accuracy and reliability of various segmentation and classification algorithms but also facilitates the development of new algorithms based on supervised learning, particularly within deep learning frameworks.

原始信息汇总

数据集概述

名称: SUSTech-SYSU数据集
目的: 用于自动分割和分类角膜溃疡
类型: 眼科荧光素染色图像数据集
包含内容:

• 712张眼科染色图像
• 相应的金标准溃疡分割标签
• 每张图像的三重类别标签：
  • 一般溃疡模式标签
  • 特定溃疡模式标签
  • 溃疡严重程度标签

应用:

• 评估不同分割和分类算法的准确性和可靠性
• 促进基于监督学习的深度学习框架算法的发展

数据集详细信息

作者: Lijie Deng, Junyan Lyu, Haixiang Huang 等
出版物:

• Deng, L., Lyu, J., Huang, H. et al. The SUSTech-SYSU dataset for automatically segmenting and classifying corneal ulcers. Sci Data 7, 23 (2020). https://doi.org/10.1038/s41597-020-0360-7
• Wang Z., Lyu J., Luo W., Tang X. (2021) Adjacent Scale Fusion and Corneal Position Embedding for Corneal Ulcer Segmentation. In: Fu H., Garvin M.K., MacGillivray T., Xu Y., Zheng Y. (eds) Ophthalmic Medical Image Analysis. OMIA 2021. Lecture Notes in Computer Science, vol 12970. Springer, Cham. https://doi.org/10.1007/978-3-030-87000-3_1

搜集汇总

数据集介绍

构建方式

在眼科领域，角膜溃疡的自动分割与分类研究面临高质量数据集的匮乏问题。为此，SUSTech-SYSU数据集应运而生，该数据集精心收集了712张眼科荧光染色图像，并为其配备了相应的金标准溃疡分割标签。此外，每张图像还附有三重分类标签，分别涵盖溃疡的总体模式、具体模式及严重程度，从而为监督学习算法提供了丰富的训练资源。

特点

SUSTech-SYSU数据集的显著特点在于其多维度的标注信息，不仅包含溃疡的分割标签，还提供了详细的分类信息，涵盖了溃疡的多种特征。这种多层次的标注设计使得该数据集在深度学习框架下的应用尤为突出，能够有效支持角膜溃疡的分割与分类算法的开发与验证。

使用方法

使用该数据集时，用户需首先配置Python 3.8.5及Pytorch 1.7.1环境，并安装相关依赖包。随后，可通过指定配置文件进行训练与测试。数据集的训练与测试均在NVIDIA GPU上进行，确保了计算效率与模型性能。

背景与挑战

背景概述

角膜溃疡是一种常见的眼科病症，其自动分割与分类对于眼科诊断具有重要意义。SUSTech-SYSU数据集由南方科技大学与中山大学联合创建，旨在为角膜溃疡的自动分割与分类提供高质量的数据支持。该数据集包含712张眼科荧光染色图像及其对应的黄金标准分割标签，不仅涵盖了溃疡的形态特征，还提供了三种分类标签：一般溃疡模式、具体溃疡模式及溃疡严重程度。这一数据集的发布填补了该领域高质量数据集的空白，为深度学习等监督学习算法的发展提供了坚实的基础，推动了角膜溃疡诊断技术的进步。

当前挑战

SUSTech-SYSU数据集在构建过程中面临多项挑战。首先，获取高质量的眼科荧光染色图像及其精确的分割标签是一项技术难题，需要专业的医学知识和复杂的图像处理技术。其次，角膜溃疡的形态多样性和复杂性增加了分类的难度，要求算法能够准确识别和区分不同的溃疡模式。此外，数据集的标注工作需要大量的人力和时间投入，确保标注的准确性和一致性。这些挑战不仅影响了数据集的构建效率，也对后续算法的性能提出了更高的要求。

常用场景

经典使用场景

SUSTech-SYSU数据集在眼科医学领域中扮演着至关重要的角色，其经典使用场景主要集中在角膜溃疡的自动分割与分类任务上。通过提供712张眼科荧光染色图像及其对应的黄金标准分割标签，该数据集为研究者们提供了一个高质量的基准，用于开发和验证基于监督学习的角膜溃疡分割算法。特别是，该数据集不仅包含溃疡的分割标签，还提供了三种分类标签，分别对应溃疡的总体模式、具体模式以及严重程度，从而为多维度的分析和算法设计提供了丰富的数据支持。

衍生相关工作

基于SUSTech-SYSU数据集，研究者们已经开展了一系列相关工作，推动了眼科医学图像分析领域的技术进步。例如，Wang等人提出的“相邻尺度融合与角膜位置嵌入”算法，通过结合多尺度特征和位置信息，显著提升了角膜溃疡的分割精度。此外，该数据集还激发了其他研究者对眼科图像处理技术的兴趣，衍生出了一系列基于深度学习的分割与分类模型。这些工作不仅丰富了眼科医学图像分析的理论体系，也为实际应用提供了更为可靠的技术支持。

数据集最近研究

最新研究方向

在眼科医学领域，角膜溃疡的自动分割与分类研究正逐渐成为前沿热点。SUSTech-SYSU数据集的推出，为这一领域的研究提供了高质量的图像数据和相应的金标准分割标签，极大地推动了基于监督学习的深度学习算法的发展。该数据集不仅包含了712张眼科荧光染色图像及其对应的角膜溃疡分割标签，还提供了三种分类标签，分别涵盖溃疡的总体模式、具体模式及严重程度。这些丰富的标注信息为研究者提供了多维度的分析视角，促进了角膜溃疡分割与分类算法的精度和可靠性评估。此外，该数据集的应用还激发了对邻近尺度融合和角膜位置嵌入等创新技术的探索，进一步提升了算法的性能和临床应用潜力。