表1_深度学习与光学相干断层扫描在青光眼中的应用：弥合结构成像的诊断差距
该数据集为Table_1文档，主题为深度学习与OCT在青光眼结构成像诊断中的应用。
基本信息
资源简介
表1_深度学习与光学相干断层扫描在青光眼中的应用：弥合结构成像的诊断差距
【一句话概览】
本数据集是 figshare 公开的结构化表格数据集，收录 1 个文件、合计 86.00 KB，主题涵盖 deep learning、artificial intelligence、glaucoma、optical coherence tomography、aging，可用于统计建模、特征工程与队列分析，CC BY 4.0 许可开放获取。
【数据集背景】
本数据集源站标题为《Table_1_Deep learning and optical coherence tomography in glaucoma: Bridging the diagnostic gap on structural imaging.docx》。配套论文《Retinal Nerve Fiber Layer Imaging with Spectral-Domain Optical Coherence Tomography》发表于 Ophthalmology（2009），DOI：10.1016/j.ophtha.2009.04.013。源站首次发布：2022-09-22。
【数据内容】
源站原始描述：Glaucoma is a leading cause of progressive blindness and visual impairment worldwide. Microstructural evidence of glaucomatous damage to the optic nerve head and associated tissues can be visualized using optical coherence tomography (OCT). In recent years, development of novel deep learning (DL) algorithms has led to innovative advances and improvements in automated detection of glaucomatous damage and progression on OCT imaging. DL algorithms have also been trained utilizing OCT data to improv…
中文译文（机器翻译，仅供快速理解，请以原文为准）：青光眼是全球进行性失明和视力损害的主要原因。使用光学相干断层扫描（OCT）可显现青光眼性损伤累及视神经乳头及相关组织的微结构证据。近年来，新型深度学习（DL）算法的发展推动了在 OCT 成像上自动检测青光眼性损伤及其进展的创新性进展与改进。
【数据结构与技术规格】
文件数 1 个，合计 86.00 KB。Table_1_Deep learning and optical coherence tomography in glaucoma: Bridging the diagnostic gap on structural imaging.docx：undefined，86.00 KB。数据集 DOI：10.3389/fopht.2022.937205.s002。
【主题与分类】
源站学科分类：Ophthalmology and Optometry not elsewhere classified、Ophthalmology、Medicine。主题标签：deep learning、artificial intelligence、glaucoma、optical coherence tomography、aging、basic sciences。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://frontiersin.figshare.com/articles/dataset/Table_1_Deep_learning_and_optical_coherence_tomography_in_glaucoma_Bridging_the_diagnostic_gap_on_structural_imaging_docx/21184483
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Thompson, Atalie C.; Falconi, Aurelio; Sappington, Rebecca M. (2022). Table_1_Deep learning and optical coherence tomography in glaucoma: Bridging the diagnostic gap on structural imaging.docx. Frontiers. Dataset
【使用注意】
· 源站最后修改于 2023-06-02，引用时请注意版本时效。
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。
暂未开放公开下载
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。
免登录有偿下载
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（Figshare）
- 源站标题：Table_1_Deep learning and optical coherence tomography in glaucoma: Bridging the diagnostic gap on structural imaging.docx
- DOI：10.3389/fopht.2022.937205.s002
- 发布日期：2022-09-22
- 文件数：1 个
- 文件总体积：86.00 KB
- 源站页面：https://frontiersin.figshare.com/articles/dataset/Table_1_Deep_learning_and_optical_coherence_tomography_in_glaucoma_Bridging_the_diagnostic_gap_on_structural_imaging_docx/21184483
命令行下载
curl -L -o "Table_1_Deep learning and optical coherence tomography in glaucoma: Bridging the diagnostic gap on structural imaging.docx" "https://ndownloader.figshare.com/files/37560865"
文件清单
Table_1_Deep learning and optical coherence tomography in glaucoma: Bridging the diagnostic gap on structural imaging.docx（86.00 KB）
文件总体积 86.00 KB（源站 API 实测）。
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。
数据说明
Glaucoma is a leading cause of progressive blindness and visual impairment worldwide. Microstructural evidence of glaucomatous damage to the optic nerve head and associated tissues can be visualized using optical coherence tomography (OCT). In recent years, development of novel deep learning (DL) algorithms has led to innovative advances and improvements in automated detection of glaucomatous damage and progression on OCT imaging. DL algorithms have also been trained utilizing OCT data to improve detection of glaucomatous damage on fundus photography, thus improving the potential utility of color photos which can be more easily collected in a wider range of clinical and screening settings. This review highlights ten years of contributions to glaucoma detection through advances in deep learning models trained utilizing OCT structural data and posits future directions for translation of these discoveries into the field of aging and the basic sciences.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fopht.2022.937205.s002（source: https://frontiersin.figshare.com/articles/dataset/Table_1_Deep_learning_and_optical_coherence_tomography_in_glaucoma_Bridging_the_diagnostic_gap_on_structural_imaging_docx/21184483）。
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。
