用于眼底摄影伪影减少的CycleGAN深度学习技术

数据集获取

源站：https://doi.org/10.17632/dh2x8v6nf8

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。

数据集大小约 308.1 MB。

数据说明

在此，我们提出了一种深度学习技术，用于自动移除眼底照片中的伪影。通过使用CycleGAN模型，我们基于低质量图像合成减少了伪影的视网膜图像，并在独立测试数据集中验证了该技术。本研究共纳入2,206张匿名视网膜图像。我们收集了不合格的眼底照片，其中包括正常和病理性的视网膜图像。含有和不含伪影的照片均通过使用与视网膜相关的英文关键词从Google图像和数据集搜索中抓取。搜索策略基于关键词“眼底摄影”、“视网膜图像”、“伪影”、“质量评估”、“视网膜图像分级”、“糖尿病视网膜病变”、“年龄相关性黄斑变性”、“青光眼”、“白内障”和“眼底数据集”。带有伪影的图像由作者手动分类。最终，收集了1,146张带有伪影的图像和1,060张无伪影的图像。实验过程遵循《赫尔辛基宣言》。本研究无需伦理委员会批准；相反，研究人员使用了开放的基于网络和去标识化的数据。

我们利用CoLaboratory的CycleGAN教程页面来开发和验证CycleGAN模型，所有代码均可在该网页获取（https://www.tensorflow.org/tutorials/generative/cyclegan）。**此数据集可能包含MESSIDOR、HRF、FIRE、DRIVE、Kaggle DMR以及来自谷歌图像搜索的免费图像。我们将含有和不含伪影的图像进行分类，以研究伪影减少的效果。**

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。