基于风险因素数据与数字视网膜图像预测糖尿病视网膜病变

数据集获取

源站：https://clinicaltrials.gov/study/NCT03694145

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

条件：糖尿病视网膜病变、糖尿病黄斑水肿。本研究是一项包含五个目标的资助项目中的第三个目标。该研究将比较和评估以下两者的预测准确性：(a) 为分级糖尿病视网膜病变及评估糖尿病黄斑水肿存在与否而开发的机器学习模型，以及 (b) 验光师阅片者的评估，两者均基于数字视网膜图像，并以经委员会认证的眼科医师和/或视网膜专科研究员在洛杉矶县阅片中心对300名糖尿病患者进行的标准护理散瞳视网膜检查作为参照。在这项研究中，研究人员将招募300至500名符合条件的糖尿病患者，在洛杉矶县阅片中心接受由经委员会认证的眼科医师和/或视网膜专科研究员进行的现场眼科检查。该研究将分两次访视进行：远程视网膜筛查和现场眼科检查。研究参与者将参与并因此获得补偿的现场散瞳眼科检查，遵循的是在不使用远程视网膜筛查的环境中患者所接受的常规标准护理。

每年进行散瞳眼底检查是所有糖尿病患者的护理标准。

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。