Grand Challenge：IDRiD 眼底图像分析数据集
本挑战赛评估用于分析眼底照片的自动化技术。我们针对视网膜病灶（如渗出物、微动脉瘤和出血）的分割，以及视盘和中央凹的检测。此外，我们还寻求根据 DR 和 DME 的严重程度对眼底图像进行分级
基本信息
资源简介
Grand Challenge：IDRiD 眼底图像分析数据集
Grand Challenge: IDRiD 是一个面向眼底照片自动化分析的公开发布数据集，来源于 idrid.grand-challenge.org。该数据集以挑战赛形式组织，目标在于推动眼底图像自动分析技术的发展。其核心任务涵盖视网膜病灶的分割，包括渗出物、微动脉瘤和出血等病变区域，同时涉及视盘与中央凹的检测，以及根据糖尿病视网膜病变（DR）和糖尿病性黄斑水肿（DME）的严重程度对眼底图像进行分级。在本站分类中，该数据集归属于眼及附器疾病下的其他类别。整体而言，该数据集围绕眼底图像的病灶分割、关键结构检测与疾病严重程度分级三大方向构建，服务于医学图像分析与眼科辅助诊断相关研究。
【数据集背景】
该数据集以 Grand Challenge 挑战赛的形式发布，来源站为 idrid.grand-challenge.org。其设立目的是评估用于分析眼底照片的自动化技术。眼底照片是眼科临床中常用的影像检查形式，通过对眼底图像的自动化分析，可以辅助识别与糖尿病视网膜病变等相关的病理改变。该挑战赛聚焦于视网膜病灶的分割、视盘和中央凹的检测，以及根据 DR 和 DME 的严重程度进行图像分级，反映出眼底图像自动分析在病变定位与疾病分级两个层面的研究需求。
【数据内容】
该数据集涉及的内容围绕眼底照片展开。具体任务包括：对视网膜病灶进行分割，病灶类型涵盖渗出物、微动脉瘤和出血；检测视盘和中央凹；以及根据 DR 和 DME 的严重程度对眼底图像进行分级。上述任务共同构成了该数据集在图像分析层面的主要目标，即从眼底照片中识别和定位病变区域与关键解剖结构，并对疾病严重程度做出判定。
【采集与来源】
该数据集来源于 idrid.grand-challenge.org。源站未提供关于采集设备、采集地点、采集时间、受试人群及样本量等具体信息。
【适用场景】
该数据集适用于评估眼底照片的自动化分析技术。具体而言，可用于视网膜病灶（如渗出物、微动脉瘤和出血）的分割任务，视盘和中央凹的检测任务，以及根据 DR 和 DME 严重程度对眼底图像进行分级的任务。因此，其适用场景集中在医学图像分析、眼科影像自动判读以及糖尿病视网膜病变与糖尿病性黄斑水肿相关的研究与算法评测方向。
【使用方法】
源站未提供关于数据下载方式、目录结构、标注格式、评测指标及提交方式等具体使用说明。
【质量与限制】
源站未提供关于数据质量、标注一致性、样本偏差及使用限制等方面的具体说明。
【引用与许可】
源站未提供关于引用格式与许可条款的具体信息。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
需登录公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
暂未开放有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://idrid.grand-challenge.org/
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
数据说明
这项挑战旨在评估用于分析眼底照片的自动化技术。我们的目标是分割视网膜病变，如渗出物、微血管瘤和出血，并检测视盘和黄斑。此外，我们还寻求根据DR和DME的严重程度对眼底图像进行分级。
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。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
