OCT5k：视网膜层多疾病多分级标注数据集

数据集获取

源站：https://doi.org/10.5522/04/22128671

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

视网膜层的厚度和外观是诊断和研究眼科疾病的重要标志。尽管用于扫描和存储大量数据的成像设备日益普及，但分析视网膜图像并生成试验终点仍是一项手动、易出错且耗时的工作。特别是，缺乏针对不同疾病的大量高质量标签阻碍了自动化算法的开发。因此，我们为1672次光学相干断层扫描（OCT）汇编了5016个像素级手动标签，这些扫描涵盖了两种不同疾病以及健康受试者，以帮助 democratize 开发新型自动化技术的过程。我们还为566次扫描的子集收集了4698个边界框注释，涵盖9类疾病生物标志物。由于视网膜形态、强度范围以及对比度和亮度的变化，设计能够泛化到不同疾病类型的分割和检测方法具有挑战性。虽然基于机器学习的方法可以克服这些挑战，但训练需要高质量的专家注释。

公开可获取的带注释图像数据集通常包含的图像数量有限，且/或仅涵盖单一类型的疾病，大多数仅由单一标注者进行注释。为填补这一空白，我们提出一个全面的多标注者、多疾病数据集，用于训练基于机器学习的算法。所提出的数据集涵盖三个扫描子集（年龄相关性黄斑变性、糖尿病性黄斑水肿和健康），以及两种任务类型的注释（语义分割和目标检测）。

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。