graduation_thesis_dataset

该数据集是一个眼科医学图像数据集，整合了六个公开子集：APTOS19、DDR、DR_Detect、IDRiD、Messidor-2（归类为mydratic）和mBRSET（归类为non-mydratic）。所有数据均为训练集，包含总计约110,518张图像（各子集样本数：APTOS19: 5,316；DDR: 12,426；DR_Detect: 88,702；IDRiD: 450；Messidor-2: 1,740；mBRSET: 4,884）。每条数据包含以下字段：图像（image）、成像模态（modality）、数据来源（source）、标签（label）、患者ID（patient_id）、眼侧（eye_side）、adjudicated_dme（整型）、adjudicated_gradable（整型）、risk_of_macular_edema（整型）和原始文件名（original_filename）。数据集适用于糖尿病视网膜病变检测、黄斑水肿风险评估等医学图像分析任务。本数据集为眼科医学图像数据集，整合了六个公开子集：APTOS19、DDR、DR_Detect、IDRiD、Messidor-2（归为散瞳（mydratic）组）以及mBRSET（归为非散瞳（non-mydratic）组）。所有数据均为训练集，总计包含约110,518张图像，各子集的样本量分别为：APTOS19：5,316张；DDR：12,426张；DR_Detect：88,702张；IDRiD：450张；Messidor-2：1,740张；mBRSET：4,884张。每条数据包含以下字段：图像（image）、成像模态（modality）、数据来源（source）、标签（label）、患者ID（patient_id）、眼侧（eye_side）、adjudicated_dme（经审定的糖尿病黄斑水肿指标，整型）、adjudicated_gradable（经审定的可分级性指标，整型）、risk_of_macular_edema（黄斑水肿风险指标，整型）以及原始文件名（original_filename）。本数据集适用于糖尿病视网膜病变检测、黄斑水肿风险评估等医学图像分析任务。

原始信息汇总

数据集概述

该数据集是一个用于眼科疾病（特别是糖尿病视网膜病变 DR 及黄斑水肿 DME）研究的图像数据集，整合了多个公开数据源。所有数据均提供训练集，并包含统一的特征结构。

数据集配置与规模

数据集包含以下 6 个配置（config），每个配置对应一个数据子集：

1. data_no_dup/mydratic/APTOS19

   • 总样本量：5316
   • 数据集大小：约 3.63 GB
   • 下载大小：约 9.55 GB

2. data_no_dup/mydratic/DDR

   • 总样本量：12426
   • 数据集大小：约 4.00 GB
   • 下载大小：约 3.26 GB

3. data_no_dup/mydratic/DR_Detect

   • 总样本量：88702
   • 数据集大小：约 97.43 GB
   • 下载大小：约 95.73 GB

4. data_no_dup/mydratic/IDRiD

   • 总样本量：450
   • 数据集大小：约 184.84 MB
   • 下载大小：约 184.84 MB

5. data_no_dup/mydratic/Messidor-2

   • 总样本量：1740
   • 数据集大小：约 600.75 MB
   • 下载大小：约 401.08 MB

6. data_no_dup/non-mydratic/mBRSET

   • 总样本量：4884
   • 数据集大小：约 44.07 MB
   • 下载大小：约 43.51 MB

特征说明

每个样本包含以下字段：

• image：眼底图像数据。
• modality：成像模态（字符串）。
• source：数据来源（字符串）。
• label：图像标签（字符串），通常指疾病分级。
• patient_id：患者标识符（字符串）。
• eye_side：左右眼标识（字符串）。
• adjudicated_dme：经仲裁判定的黄斑水肿状态（整型）。
• adjudicated_gradable：经仲裁判定的图像是否可分级（整型）。
• risk_of_macular_edema：黄斑水肿风险等级（整型）。
• original_filename：原始文件名（字符串）。

数据划分

所有配置均仅提供 train（训练）划分，无验证集或测试集。训练集是唯一的数据划分。

搜集汇总

数据集介绍

构建方式

该数据集名为graduation_thesis_dataset，旨在汇聚多个公开的糖尿病视网膜病变（DR）眼底图像数据集，构建一个统一格式的大规模医学影像资源。数据集整合了APTOS19、DDR、DR_Detect、IDRiD、Messidor-2等五个散瞳眼底图像子集，以及一个非散瞳眼底图像子集mBRSET。每个子集均包含视网膜图像、图像模态、来源、标签、患者ID、眼别、黄斑水肿判定、图像可分级性、黄斑水肿风险及原始文件名等标准化字段。各子集数据按训练集划分，原始数据经去重处理后以Parquet格式存储，确保数据一致性与高效加载。

特点

该数据集最显著的特点在于其多源异构数据的整合与统一标注规范。六个子集覆盖了从450到88702例不等的样本规模，总计超过11万张眼底图像，数据总量庞大且来源多样，有效提升了糖尿病视网膜病变研究的样本丰富性。每个样本均包含患者层面的结构化信息（如眼别、患者ID），以及经过专家裁决的细粒度标注（如黄斑水肿风险分层），支持多任务学习需求。非散瞳子集的引入进一步扩展了数据在实际筛查场景中的适用性。

使用方法

用户可通过HuggingFace Datasets库便捷加载使用该数据集。加载时需指定config_name参数选择特定子集，例如`data_no_dup/mydratic/APTOS19`，或遍历所有子集进行联合训练。每个子集默认按训练集拆分，可直接用于模型训练与评估。数据集中的图像以`PIL.Image`对象形式返回，便于直接输入深度学习框架。用户还可依据`adjudicated_gradable`等字段过滤低质量样本，或利用`patient_id`实现患者层级的数据划分，避免数据泄露。其标准化字段设计降低了多数据集迁移学习中的数据预处理成本。

背景与挑战

背景概述

graduation_thesis_dataset是一个专注于糖尿病视网膜病变（DR）诊断的多源眼底图像数据集，由研究者整合自APTOS19、DDR、DR_Detect、IDRiD、Messidor-2及mBRSET六大公开数据集。该数据集创建于近年，旨在为深度学习驱动的眼底疾病筛查提供统一、高质量的基准资源。核心研究问题在于如何利用多模态、多来源的异构眼底影像数据构建稳健的DR自动分级模型，以克服单一数据集在规模、标注一致性和人口多样性上的局限。通过合并逾十万张眼底图像并统一标注体系（包括DME、可分级性和黄斑水肿风险等细粒度标签），该数据集显著推动了DR智能诊断领域的数据标准化进程，成为模型训练与跨域泛化评估的重要基石。

当前挑战

该数据集所解决的领域挑战主要源于DR诊断中数据异构性与标注不一致的问题。不同来源的眼底图像在采集设备、光照条件、分辨率上差异显著，且原始数据集的病变分级标准（如国际五级或二分类系统）和元数据完备程度参差不齐，直接训练模型易导致性能衰减和域漂移。构建过程中，团队面临的核心困难包括：去除患者级重复图像以确保独立同分布、统一六类数据源中DME与黄斑水肿风险的标注定义、以及平衡各子集样本量悬殊（从450例至88702例不等）所引入的类别与域偏移。此外，处理总规模超95GB的高分辨率视网膜图像时，数据清洗、格式转换与元数据对齐亦需精密工程化设计，以维护数据完整性与计算可行性。

常用场景

经典使用场景

graduation_thesis_dataset是一个面向糖尿病视网膜病变（DR）诊断的综合性医学影像数据集，融合了APTOS19、DDR、DR_Detect、IDRiD、Messidor-2和mBRSET等多个公开权威的眼底图像资源。该数据集的经典使用场景主要集中在基于深度学习的DR分级与病变检测任务上。研究者可借助其丰富的图像模态和精细的标注信息（如黄斑水肿风险、可分级性判断等），构建多分类或二分类模型，以自动识别背景期、非增殖期与增殖期等不同阶段的视网膜病变，从而推动计算机辅助诊断技术的发展。

衍生相关工作

基于graduation_thesis_dataset的丰富资源，学术界已衍生出多项具有影响力的经典工作。例如，研究人员利用该数据集探索了对比学习在跨数据集视网膜图像表示学习中的潜力，提出了能够克服域差异的通用特征提取框架。此外，针对黄斑水肿风险评估和DR可分级性预测等细粒度任务，相关研究设计了多任务学习结构，有效提升了模型在多种病理特征同时存在时的诊断准确性。这些工作不仅推动了眼科人工智能领域的理论发展，也为后续研究提供了可复用的基准模型与训练范式。

数据集最近研究

最新研究方向

该数据集整合了多个公开的糖尿病视网膜病变（DR）眼底图像库，覆盖了散瞳与免散瞳、不同种族与设备来源的影像数据，并统一标注了黄斑水肿风险、可分级性等临床细粒度标签。当前研究聚焦于利用多源大规模数据构建鲁棒的DR智能诊断模型，尤其是探索跨数据集泛化能力与公平性评估。结合全球糖尿病并发症防控热点，该数据集为开发适用于真实临床场景（如低资源地区免散瞳筛查）的AI系统提供了交叉验证基准，推动了眼底疾病从实验室基准向社区级部署的转化研究。