角膜炎诊断时纳入参与者及眼别特征（按病原体分层）
该数据为一份 DOCX 表格文件，来自 figshare 源站，对应基于眼前节图像区分细菌性与真菌性角膜炎的深度学习分类系统研究
基本信息
资源简介
角膜炎诊断时纳入参与者及眼别特征（按病原体分层）
Table_1_Deep learning-based classification system of bacterial keratitis and fungal keratitis using anterior segment images.DOCX
该数据为一份 DOCX 表格文件，来自 figshare 源站，对应基于眼前节图像区分细菌性与真菌性角膜炎的深度学习分类系统研究。表格呈现角膜炎诊断时纳入参与者及眼别的特征，并按病原体分层。源站描述提及研究使用经角膜刮片培养确诊的 107 例患者的 684 张眼前节照片，并设计 Lesion Guiding Module (LGM) 与 Mask Adjusting Module (MAM) 两个模块。该表格可用于了解研究队列的基线构成与分层信息，支撑细菌性与真菌性角膜炎自动分类系统的结果解读（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
配套论文《Topical antibiotics for the management of bacterial keratitis: an evidence-based review of high quality randomised controlled trials》发表于 British Journal of Ophthalmology（2014），DOI：10.1136/bjophthalmol-2013-304660。源站首次发布：2023-05-18。
【数据内容】
源站描述（机器翻译，仅供参考）：引言：感染性角膜炎是一种威胁视力的疾病。细菌性与真菌性角膜炎在早期常被混淆，因此正确诊断并针对病原体优化治疗至关重要。抗菌药物与抗真菌药物完全不同，且真菌性角膜炎的预后更差。由于微生物鉴定耗时较长，在获得准确诊断之前必须根据病灶外观开始经验性治疗。因此，我们利用所提出的两个模块——Lesion Guiding Module (LGM) 与 Mask Adjusting Module (MAM)——开发了一套基于眼前节照片的自动化深度学习（DL）细菌性与真菌性角膜炎诊断系统。方法：我们使用了 684 张眼前节照片，来自 107 例经角膜刮片培养确诊为细菌性或真菌性角膜炎的患者。两项广泛
【数据结构与技术规格】
文件数 1 个，合计 405.52 KB。数据集 DOI：10.3389/fmed.2023.1162124.s001。
【主题与分类】
源站学科分类：Radiology and Organ Imaging、Foetal Development and Medicine、Obstetrics and Gynaecology、Primary Health Care、Medical and Health Sciences not elsewhere classified、Dermatology。主题标签：anterior segment image、bacterial keratitis、convolutional neural network (CNN)、deep learning (DL)、fungal keratitis、infectious keratitis、lesion guiding module (LGM)、mask adjusting module (MAM)。本站分类：感染性疾病。
【适用方向】
源站学科分类标注为 Radiology and Organ Imaging、Foetal Development and Medicine、Obstetrics and Gynaecology、Primary Health Care、Medical and Health Sciences not elsewhere classified、Dermatology。
【获取与许可】
源站页面：https://frontiersin.figshare.com/articles/dataset/Table_1_Deep_learning-based_classification_system_of_bacterial_keratitis_and_fungal_keratitis_using_anterior_segment_images_DOCX/22917890
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Won, Yeo Kyoung; Lee, Hyebin; Kim, Youngjun; Han, Gyule; Chung, Tae-Young; Ro, Yong Man; et al. (2023). Table_1_Deep learning-based classification system of bacterial keratitis and fungal keratitis using anterior segment images.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-based classification system of bacterial keratitis and fungal keratitis using anterior segment images.DOCX
- DOI：10.3389/fmed.2023.1162124.s001
- 发布日期：2023-05-18
- 文件数：1 个
- 文件总体积：405.52 KB
- 源站页面：https://frontiersin.figshare.com/articles/dataset/Table_1_Deep_learning-based_classification_system_of_bacterial_keratitis_and_fungal_keratitis_using_anterior_segment_images_DOCX/22917890
命令行下载
curl -L -o "Table_1_Deep learning-based classification system of bacterial keratitis and fungal keratitis using anterior segment images.DOCX" "https://ndownloader.figshare.com/files/40652297"
文件清单
Table_1_Deep learning-based classification system of bacterial keratitis and fungal keratitis using anterior segment images.DOCX（405.52 KB）
文件总体积 405.52 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
引言感染性角膜炎是一种威胁视力的疾病。细菌性和真菌性角膜炎在早期常难以区分，因此正确诊断并针对病原体优化治疗至关重要。抗菌药物与抗真菌药物完全不同，且真菌性角膜炎的预后更差。由于微生物鉴定耗时较长，必须在准确诊断前根据病灶外观开始经验性治疗。因此，我们基于眼前节照片，利用所提出的两个模块——病灶引导模块（Lesion Guiding Module, LGM）和掩膜调整模块（Mask Adjusting Module, MAM），开发了一套基于深度学习（DL）的细菌性与真菌性角膜炎自动化诊断系统。方法我们使用了来自107例经角膜刮片培养确诊为细菌性或真菌性角膜炎患者的684张眼前节照片。分析中纳入了宽光束和裂隙光束图像。我们将基线分类器设为ResNet-50。
LGM旨在学习眼科医生标注的病灶位置信息，而裂隙光束MAM则在训练阶段用于从两种不同图像（宽光束和裂隙光束）中提取正确的特征点。随后，我们使用来自谷歌图像搜索和眼科教科书的98张图像对我们的算法进行了外部验证。结果共使用来自88名患者的594张图像进行训练，来自19名患者的90张图像用于测试。与基线网络ResNet-50的诊断准确性相比，采用LGM和MAM的所提方法显示出显著更高的准确性（81.1%对87.8%）。我们进一步观察到，该模型在使用开源数据集时诊断性能有显著提升（64.2%对71.4%）。LGM和MAM模块在消融研究中显示出积极作用。讨论本研究表明，一种新型的基于深度学习的诊断算法利用两种类型的前节照片诊断细菌性和真菌性角膜炎具有潜力。所提出的包含LGM和裂隙光束MAM的网络在提高诊断准确性和克服训练数据少及图像类型多的局限性方面具有稳健性。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fmed.2023.1162124.s001（source: https://frontiersin.figshare.com/articles/dataset/Table_1_Deep_learning-based_classification_system_of_bacterial_keratitis_and_fungal_keratitis_using_anterior_segment_images_DOCX/22917890）。
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。
