FLUID：用于糖尿病性黄斑水肿预测的纵向多设备超广角眼底数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.19102235

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

FLUID数据集是一个纵向超广角（UWF）眼底成像数据集，旨在支持糖尿病性黄斑水肿（DME）检测与预测的研究。它包含在常规临床实践中使用多种成像设备（主要是OPTOS和EIDON系统）获取的多模态临床与影像数据。该数据集包括每位患者多次就诊期间采集的视网膜图像，从而能够对疾病进展进行纵向分析。每个样本都关联有人口统计学和临床元数据，包括年龄、性别、成像设备、眼别和DME标签。提供了两个关键标注变量：（i）当前DME状态（DME_label）和（ii）后续就诊时的未来DME状态（next_DME_label），从而支持疾病演变研究和预测建模。FLUID数据集的一个关键优势在于其纵向结构，这使得能够研究糖尿病视网膜病变相关并发症的时间动态和进展模式。

此外，纳入多设备采集引入了真实的领域变异性，使该数据集特别适合开发和评估稳健且具有泛化能力的机器学习模型。该数据集以图像级别进行组织，每个条目对应一张UWF眼底图像，并关联唯一的患者标识符和就诊信息。图像已标准化和匿名化处理，患者标识符已替换为合成ID。数据集还包含协调统一的元数据字段，以便于下游分析。FLUID数据集的潜在应用包括：开发用于DME检测和预测的深度学习模型、疾病进展的纵向建模、领域自适应与设备不变表征学习、多模态与临床数据融合方法、未来疾病发作预测模型的基准测试。该数据集的局限性包括DME标签中的类别不平衡以及潜在

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。