DIAMOND2024

本次基准测试包含来自法国和阿尔及利亚的 2 个不同数据集。但是，本次挑战的参与者将无法访问训练、验证或测试数据集，因此，将没有机会直接训练他们的模型。为了开发和本地测试您的算法，提供了一个使用来自深层糖尿病视网膜病变图像数据集 (DeepDRiD) 的图像生成的合成数据集。除了合成数据集外，还提供来自一名患者的真实图像数据。该数据集旨在让参与者更准确地了解他们将要处理的数据类型，并帮助他们微调预测模型。This benchmark consists of two distinct datasets sourced from France and Algeria. However, participants in this challenge will not have access to the training, validation, or test datasets, meaning they will have no opportunity to directly train their models. To develop and locally test their algorithms, participants are provided with a synthetic dataset generated using images from the Deep Diabetic Retinopathy Image Dataset (DeepDRiD). In addition to the synthetic dataset, real image data from a single patient is also provided. This dataset is designed to help participants gain a more accurate understanding of the type of data they will be handling, as well as to assist them in fine-tuning their predictive models.

搜集汇总

数据集介绍

构建方式

在糖尿病视网膜病变自动筛查研究领域，数据集的构建质量直接影响模型性能。DeepDRiD数据集通过整合三项大规模临床筛查项目——宁城糖尿病筛查项目、上海糖尿病并发症筛查项目以及全国糖尿病并发症筛查，系统性地采集了常规眼底图像与超广角眼底图像。其构建过程严格遵循临床研究规范，图像均来自真实世界筛查场景，确保了数据的代表性与多样性。数据标注由专业医师团队完成，针对疾病分级、图像质量评估等任务提供了精细的标签，并按照训练集、验证集及外部评估集进行划分，为模型开发与验证奠定了坚实基础。

特点

该数据集的核心特点在于其多模态与多任务导向的设计。它不仅包含常规眼底图像，还提供了超广角眼底图像，为研究不同成像技术下的病变表现创造了条件。数据集中每张图像均附有糖尿病视网膜病变的严重程度分级、图像整体质量、伪影、清晰度及视野定义等多维度标注，支持疾病分级与图像质量估计的双重研究目标。此外，数据集特别设计了迁移学习子挑战，通过提供分布差异明显的超广角图像，旨在推动模型在跨设备、跨场景下的泛化能力评估，紧密贴合临床实际应用需求。

使用方法

为便于研究者开展系统性的实验，数据集已按子挑战任务进行了结构化组织。对于疾病分级与图像质量估计任务，用户可分别使用`regular-fundus-training`和`regular-fundus-validation`中的图像与对应CSV标签文件进行模型训练与验证；未标注的外部评估集`Online-Challenge1&2-Evaluation`则可用于最终性能测试。针对迁移学习任务，`ultra-widefield_images`目录下的训练与验证集提供了超广角图像资源。研究者可依据各子目录内的Readme文档了解详细标签含义与数据来源，并参照原始挑战设置，构建端到端的模型开发与评估流程。

背景与挑战

背景概述

在糖尿病视网膜病变（Diabetic Retinopathy, DR）的早期筛查与诊断领域，自动化机器学习技术展现出巨大潜力，能够辅助医疗工作者实现高效精准的病情评估。DeepDRiD数据集由多个研究机构于2022年联合创建，核心研究聚焦于通过深度学习模型对DR进行分级、图像质量评估及跨域泛化分析。该数据集作为ISBI-2020挑战赛的基础，推动了DR智能诊断技术的进步，其双视角视网膜图像与超广角图像的设计，显著提升了模型在临床实践中的适用性与可靠性。

当前挑战

DeepDRiD数据集旨在应对糖尿病视网膜病变自动分级中的多重挑战：其一，在领域问题层面，模型需准确区分细微的病理特征差异，并处理图像质量参差不齐、伪影干扰等现实因素，确保分级结果的稳健性；其二，在构建过程中，数据采集涉及多中心协作，需统一不同设备的成像标准，同时标注工作依赖专业医师的精细判断，耗时耗力且需保证标注一致性。此外，超广角图像的引入虽拓展了诊断视野，但也对模型的跨域泛化能力提出了更高要求。

常用场景

经典使用场景

在眼科医学影像分析领域，DeepDRiD数据集为糖尿病视网膜病变的自动分级提供了关键支持。该数据集通过双视角眼底图像，使研究者能够构建深度学习模型，精确识别病变的严重程度，从正常到增殖性病变共五个等级。这一经典应用场景不仅模拟了临床诊断流程，还促进了算法在复杂医学图像中的鲁棒性提升，为大规模筛查奠定了技术基础。

实际应用

在实际医疗场景中，DeepDRiD数据集支撑的技术已逐步应用于早期筛查系统。通过集成自动分级模型，社区医院或偏远地区的筛查项目能够快速识别高危患者，实现及时转诊。图像质量评估模块则确保了采集图像的可用性，减少了因技术问题导致的漏诊。这些应用显著提高了糖尿病视网膜病变的筛查效率与覆盖率，为公共卫生管理提供了智能化工具。

衍生相关工作

基于DeepDRiD数据集，衍生了一系列经典研究工作。例如，在ISBI 2020挑战赛中，众多团队提出了创新的卷积神经网络与注意力机制，以优化双视角分级性能。后续研究进一步探索了多任务学习框架，将分级与质量评估相结合。此外，针对超广角图像的迁移学习，促进了领域自适应算法的进展，这些成果已在医学影像顶级会议与期刊上发表，持续推动该领域的算法演进。