Eye Retinal DEtachment ultraSound (ERDES)

ERDES数据集是一个开放获取的超声视频数据集，用于视网膜脱离和黄斑状态的分类。数据集由俄亥俄州立大学眼科超声实验室和亚利桑那大学急诊医学系创建，包含5381个视频片段，总时长约5小时10分钟。数据集包括无视网膜脱离、视网膜脱离和黄斑状态（黄斑完整或黄斑脱离）三个主要类别，旨在促进机器学习模型在检测视网膜脱离方面的开发和评估。数据集在亚利桑那大学获得机构审查委员会（IRB）批准，并由三个临床专家独立评审，以确保诊断准确性和可靠性。The ERDES dataset is an open-access ultrasound video dataset for the classification of retinal detachment and macular status. Created by the Ocular Ultrasound Laboratory at The Ohio State University and the Department of Emergency Medicine at the University of Arizona, the dataset contains 5,381 video clips with a total duration of approximately 5 hours and 10 minutes. It includes three main categories: no retinal detachment, retinal detachment, and macular status (macula intact or macular detachment), aiming to facilitate the development and evaluation of machine learning models for retinal detachment detection. The dataset was approved by the Institutional Review Board (IRB) of the University of Arizona and independently reviewed by three clinical experts to ensure diagnostic accuracy and reliability.

搜集汇总

数据集介绍

构建方式

ERDES数据集的构建过程体现了严谨的医学影像采集标准与深度学习数据处理的深度融合。研究团队采用多中心协作模式，在亚利桑那大学急诊科环境中，通过高频线性宽带阵列换能器（5-12MHz）采集眼部超声视频。所有数据均遵循标准化扫描协议，由经过POCUS专业培训的医师操作，确保患者体位、扫描角度等参数的一致性。视频素材经Qpath医学影像管理平台自动化脱敏处理后，采用三级专家标注机制：三位眼科超声专家独立完成视网膜脱离（RD）、后玻璃体脱离（PVD）及黄斑状态（完整/脱离）的分类标注，最后由第四位专家进行质量控制。针对超声图像中眼球位置偏移的挑战，团队创新性地采用YOLOv8模型实现自动化的感兴趣区域（ROI）定位，通过151帧手动标注数据训练，最终实现全数据集精准的眼球结构裁剪。

特点

作为首个面向视网膜脱离超声诊断的开放基准数据集，ERDES具有鲜明的临床价值与技术特色。数据集包含5,381个超声视频片段，总时长逾5小时，涵盖非RD（4,233例）、PVD（646例）和RD（502例）三大类别，其中RD病例进一步细分为黄斑完整（199例）与黄斑脱离（303例）亚型。数据分布真实反映了临床实践中RD约1/10,000的年发病率特征。每个视频片段均附带精确到帧的时空标注信息，并采用分层文件夹结构组织，支持从粗粒度（RD检测）到细粒度（黄斑状态判别）的多层次研究需求。特别值得注意的是，数据集保留了超声设备多样性（Philips、GE等不同厂商）带来的成像差异，增强了模型在真实医疗场景中的泛化能力。

使用方法

该数据集支持端到端的视网膜脱离智能诊断系统开发，推荐采用两级级联分析框架。第一阶段使用3D CNN或Vision Transformer架构构建RD检测模型，建议采用3D U-Net等时空网络处理平均4秒的超声视频片段，其测试集灵敏度达95%。对于RD阳性样本，第二阶段可采用相同架构进行黄斑状态分类，最佳模型F1-score达0.857。研究团队已在GitHub开源完整的数据预处理代码（包括YOLOv8 ROI定位模块）和八种基准模型实现方案。为保障研究可复现性，数据集按72%/8%/20%比例预设分层划分的训练-验证-测试集，并配套提供标准化评估指标（灵敏度、特异度等）。对于临床部署场景，建议参考论文提出的决策阈值（P≥0.5），优先保证模型灵敏度以降低漏诊风险。

背景与挑战

背景概述

ERDES（Eye Retinal DEtachment ultraSound）数据集由俄亥俄州立大学PCVLab与亚利桑那大学急诊医学部于2025年联合发布，是首个专注于视网膜脱离（RD）及黄斑状态分类的超声视频开放基准数据集。该数据集包含5,381段眼部超声视频，涵盖非RD、RD伴黄斑附着及黄斑脱离三种临床关键类别，旨在解决眼科急诊中RD快速诊断与治疗优先级判定的难题。其创新性在于首次将超声影像与黄斑状态评估结合，填补了深度学习在眼科超声领域应用的数据空白，对推动AI辅助诊断系统在资源有限地区的普及具有重要意义。

当前挑战

该数据集面临双重挑战：在领域问题层面，视网膜脱离的超声影像存在膜状结构动态漂浮、设备噪声干扰等特征，且黄斑状态判别需捕捉毫米级细微解剖差异，现有模型对低信噪比视频的时空特征提取能力不足；在构建层面，需克服超声设备异构性（5-12MHz探头差异）、眼球位置偏移导致的ROI提取困难，以及临床罕见病例（RD年发病率约1/10,000）带来的数据不平衡问题。此外，专家标注一致性验证与HIPAA合规性脱敏处理进一步增加了数据集构建复杂度。

常用场景

经典使用场景

ERDES数据集在眼科超声影像分析领域具有重要应用价值，尤其在视网膜脱离（RD）和黄斑状态分类方面。该数据集通过提供大量标注的超声视频片段，支持研究人员开发深度学习模型，用于自动检测视网膜脱离并区分黄斑是否脱离。这种自动化的诊断工具有助于解决临床中超声图像解读的复杂性和专业性要求高的问题，为眼科急诊提供快速、准确的辅助诊断。

衍生相关工作

ERDES数据集的发布推动了多项相关研究的发展，包括基于3D CNN和Transformer架构的视网膜脱离检测模型。例如，研究团队利用该数据集开发了两阶段诊断流程，先检测视网膜脱离，再分类黄斑状态。此外，该数据集还激发了更多关于眼科超声影像自动分析的研究，如结合多模态数据的深度学习模型，进一步提升了诊断的鲁棒性和泛化能力。

数据集最近研究

最新研究方向

随着人工智能在医学影像分析领域的快速发展，ERDES数据集为视网膜脱离（RD）和黄斑状态分类的研究提供了重要支持。该数据集通过提供标记的超声视频片段，促进了深度学习模型在RD检测和黄斑状态评估中的应用。前沿研究主要集中在利用时空卷积神经网络（CNN）和视觉变换器（ViT）架构，开发高效的两阶段诊断流程。第一阶段模型用于区分RD与非RD病例，第二阶段模型则专注于黄斑状态的分类。这种分层诊断方法不仅模拟了临床决策流程，还显著提升了诊断的准确性和时效性。ERDES的开源特性进一步推动了多中心合作研究，为资源有限地区的医疗诊断提供了新的技术支持。

相关研究论文

• ERDES: A Benchmark Video Dataset for Retinal Detachment and Macular Status Classification in Ocular Ultrasound

  俄亥俄州立大学眼科超声实验室（PCVLab, The Ohio State University, USA）和亚利桑那大学急诊医学系（Department of Emergency Medicine, University of Arizona, USA） · 2025年