基于弱标注的可解释眼底疾病报告生成系统

数据集获取

源站：https://clinicaltrials.gov/study/NCT06918028

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

疾病：视网膜疾病、脉络膜疾病、病理性近视、糖尿病视网膜病变、年龄相关性黄斑变性、脉络膜新生血管。1. 用于视网膜疾病诊断的多模态眼底成像人工智能模型。人工智能模型在基于多模态眼底成像辅助诊断各种视网膜疾病方面已展现出巨大潜力。近年来，人工智能在眼底疾病影像诊断领域迅速发展。利用精确标注的单模态图像大型数据集，可以开发出高精度的诊断模型。眼底照相为临床医生提供初步诊断印象，其获取途径广泛，可使用简单的成像设备甚至移动设备进行拍摄。例如，Cen等人利用249,620张精确标注的眼底照片训练了一个深度学习系统，用于诊断39种常见视网膜疾病，每种疾病的诊断准确率均超过90%。然而，仅凭眼底照相提供的疾病信息有限，难以区分表现相似的疾病。

此外，其诊断准确性在很大程度上依赖于图像质量和临床医生的专业水平，这可能导致漏诊或误诊。光学相干断层扫描（OCT）可对视网膜各层进行三维分析，清晰揭示视网膜内和视网膜下积液等病变的严重程度和位置。OCT已成为视网膜疾病的标准诊断和鉴别诊断工具，对于指导年龄相关性黄斑变性和糖尿病性黄斑水肿等疾病的精准治疗和随访至关重要。AI辅助的OCT分析可进一步促进视网膜疾病的随访和个性化治疗。例如，Fauw等人利用14,884张OCT图像诊断了10多种视网膜疾病，并绘制了病变位置。视网膜疾病的准确诊断还依赖于动态和功能性证据。眼底荧光素血管造影（FFA）和吲哚菁绿血管造影（ICGA）对于定位、c

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。