Real Fundus (RF)

Real Fundus (RF) 数据集由深圳湾实验室和深圳国际科技信息中心创建，包含120对低质量（LQ）和高质量（HQ）的临床眼底图像。该数据集用于评估和研究真实临床环境下的眼底图像恢复问题。数据集的创建过程包括图像的捕捉、选择和校准，确保了图像对的空间对齐和质量。Real Fundus (RF) 数据集主要用于解决眼底图像在临床诊断中的降质问题，特别是在自动化图像分析系统中的应用。The Real Fundus (RF) dataset was created by Shenzhen Bay Laboratory and Shenzhen International Science and Technology Information Center, which contains 120 pairs of low-quality (LQ) and high-quality (HQ) clinical fundus images. This dataset is used to evaluate and research fundus image restoration issues in real clinical settings. The creation process of the dataset includes image capture, selection and calibration, ensuring spatial alignment and quality consistency of the image pairs. The Real Fundus (RF) dataset is mainly aimed at addressing the degradation problems of fundus images in clinical diagnosis, especially for applications in automated image analysis systems.

搜集汇总

数据集介绍

构建方式

Real Fundus (RF) 数据集的构建过程严格遵循临床实践，旨在解决现有眼底图像重建数据集缺乏真实临床场景数据的问题。数据集收集过程包括三个步骤：拍摄、选择和校准。首先，使用ZEISS VISUCAM200眼底相机直接拍摄低质量（LQ）眼底图像，避免了人工合成数据与实际临床数据的差异。其次，从超过30,000个眼部实例的医院数据库中手动选择LQ和高质量（HQ）眼底图像对，确保图像对来自同一只眼睛，以提高数据集的多样性。最后，使用Photoshop软件对图像对进行空间对齐和黑边裁剪，以提升数据集的质量。

特点

RF数据集的特点在于其真实性和多样性。该数据集包含120对LQ和HQ眼底图像对，图像大小为2560×2560像素，覆盖了不同年龄和眼底状态的患者。与合成数据集相比，RF数据集更能反映真实临床场景下的眼底图像退化情况，如散焦模糊、运动模糊、伪影、过曝和过暗等。此外，RF数据集还展示了不同退化类型对临床诊断的影响，如散焦模糊对血管分割和视盘/杯检测的影响。

使用方法

RF数据集可用于眼底图像重建算法的评价和研究。数据集已按3:1的比例分为训练集和测试集。研究者可以使用训练集中的数据来训练和验证眼底图像重建模型，然后使用测试集中的数据来评估模型的性能。RF数据集的公开可用性为研究者提供了一个真实临床场景下的眼底图像重建基准，有助于推动相关领域的研究和应用。

背景与挑战

背景概述

视网膜图像在眼科疾病的早期检测和诊断中发挥着至关重要的作用。然而，由于不同设备和眼科医生的操作，视网膜图像的质量存在很大差异。低质量的视网膜图像容易导致临床筛查的不确定性，并通常增加误诊的风险。因此，真实视网膜图像的恢复研究具有重要意义。不幸的是，目前尚未有针对这一任务的真正临床基准数据集。在这篇论文中，作者首先建立了一个临床数据集，名为Real Fundus (RF)，包括120对低质量和高质量的图像。然后，他们提出了一种基于Transformer的生成对抗网络（RFormer），用于恢复临床视网膜图像的真实退化。网络中的关键组件是窗口自注意力块（WSAB），它捕获非局部自相似性和长距离依赖性。为了生成更美观的结果，引入了基于Transformer的判别器。在临床基准上的广泛实验表明，所提出的RFormer显著优于现有技术。此外，下游任务（如血管分割和视盘/杯检测）的实验进一步证明了所提出的RFormer对临床视网膜图像分析和应用的益处。

当前挑战

真实视网膜图像恢复的挑战包括：1) 真实临床基准的缺乏；2) 低质量视网膜图像的退化类型复杂，难以通过人工退化模型完全模拟；3) 传统基于CNN的方法在捕捉非局部自相似性和长距离依赖性方面存在局限性；4) 真实临床退化图像的收集和校准过程需要严格的标准和大量的人力和物力投入。

常用场景

经典使用场景

在眼科学领域，眼底图像是用于早期眼科疾病检测和诊断的重要工具，包括青光眼、糖尿病视网膜病变、白内障和老年性黄斑变性等。然而，不同设备和眼科医生的操作会导致眼底图像质量的显著差异，低质量（LQ）图像会降低临床筛查的准确性，增加误诊风险。因此，真实眼底图像的恢复研究具有重要意义。Real Fundus (RF) 数据集的建立为这一研究提供了宝贵的资源，它包括 120 对低质量和高质量眼底图像对，用于训练和评估眼底图像恢复算法。基于 RF 数据集，研究人员提出了基于 Transformer 的生成对抗网络 (RFormer)，该网络通过窗口自注意力块（WSAB）捕捉非局部自相似性和长距离依赖性，有效地恢复了真实眼底图像的退化。RFormer 在临床基准测试中表现出色，显著优于现有方法，并促进了下游任务（如血管分割和视盘/杯检测）的性能提升。

实际应用

RF 数据集的实际应用场景包括但不限于眼底图像的恢复和增强，以提高临床诊断的准确性。此外，RF 数据集还可以用于开发眼底图像分析工具，如血管分割和视盘/杯检测，以辅助眼科医生进行疾病诊断。随着技术的不断发展，RF 数据集有望在眼底图像相关的其他研究领域发挥重要作用，如眼底图像分类、眼底图像分割和眼底图像的自动分析等。

衍生相关工作

RF 数据集的建立和 RFormer 算法的提出为眼底图像恢复领域的研究开辟了新的方向。基于 RF 数据集，研究人员可以进一步探索 Transformer 模型在眼底图像恢复中的应用，并开发出更先进的算法。此外，RF 数据集还可以用于训练其他眼底图像分析模型，如眼底图像分类、眼底图像分割和眼底图像的自动分析等，以促进眼底图像相关研究的深入发展。