RVO-ME: Ein Dual‑Task‑OCT‑Datensatz zur Segmentierung und Detektion makulärer Läsionen bei retinaler Venenverschlusskrankheit

Warum das für das Sehvermögen wichtig ist

Wenn eine große Vene im hinteren Bereich des Auges verstopft wird, kann das Sehvermögen verschwimmen oder verloren gehen, häufig ohne Vorwarnung. Ärztinnen und Ärzte nutzen heute eine leistungsfähige Bildgebungstechnik, die optische Kohärenztomographie (OCT), um Schwellungen und Schäden in der Netzhaut sichtbar zu machen. Dieser Artikel stellt eine sorgfältig zusammengestellte Bildsammlung vor, die Computern hilft, diese Aufnahmen zu interpretieren, mit dem langfristigen Ziel schnellerer und präziserer Diagnose und Therapieplanung für Menschen, die vom Sehverlust bedroht sind.

Eine häufige Ursache plötzlichen Sehverlusts

Der retinale Venenverschluss gehört zu den führenden Gefäßerkrankungen des Auges und betrifft schätzungsweise 28 Millionen Menschen weltweit. Wenn eine Netzhautvene verstopft ist, tritt Flüssigkeit in den zentralen Bereich der Netzhaut, die Makula, aus, was zu Makulaödem und verschwommenem Sehen führt. Medikamente, die ein Signalmolekül namens VEGF hemmen, haben die Behandlung deutlich verbessert, doch nicht alle Patientinnen und Patienten sprechen gut darauf an. Ärztinnen und Ärzte suchen deshalb in OCT‑Scans nach subtilen Hinweisen, die vorhersagen können, wer am meisten profitieren wird und wie sich das Sehvermögen über die Zeit verändert. Bisher wurde der Fortschritt beim Einsatz künstlicher Intelligenz zur Auswertung dieser Aufnahmen durch ein einfaches Problem gebremst: Es gab nicht genügend hochwertige, fachkundig annotierte Bilder, die speziell diese Erkrankung abdecken.

Aufbau einer detaillierten Bildbibliothek

Das Forschungsteam erstellte einen neuen Datensatz namens RVO‑ME, bestehend aus 3.012 OCT‑Querschnittsbildern der Makula, gewonnen aus 146 Augen von 130 Patientinnen und Patienten an einem einzigen Krankenhaus in China im Zeitraum 2019–2024. Alle Bilder wurden streng gesichtet, um Aufnahmen von schlechter Qualität oder Augen mit anderen schweren Netzhauterkrankungen auszuschließen. Alle personenbezogenen Daten wurden entfernt, und die Patienten gaben eine schriftliche Einwilligung zur Nutzung ihrer Bilder für Forschung und eine öffentliche Datenressource. Die Scans erfassen die Netzhaut sowohl vor als auch nach der Behandlung und geben so einen breiten Einblick, wie die Erkrankung und ihre Komplikationen in der klinischen Praxis erscheinen.

Die winzigen Hinweise in jedem Scan markieren

Um diese Bildbibliothek zu einer Trainingsgrundlage für Computer zu machen, mussten die Autorinnen und Autoren die wichtigsten, für das Sehen relevanten Zeichen von Hand nachzeichnen. Drei Assistenzärztinnen und ‑ärzte der Augenheilkunde verwendeten spezialisierte Software, um Flüssigkeitsansammlungen innerhalb und unterhalb der Netzhaut zu umfahren, dünne Linien zu ziehen, die zwei wichtige lichtreflektierende Banden markieren, und Punkte auf winzige helle Flecken zu setzen, die als hyperreflektive Foci bezeichnet werden. Diese Markierungen wurden anschließend von einer erfahrenen Netzhautspezialistin bzw. einem -spezialisten geprüft und korrigiert; minderwertige Markierungen wurden zur Überarbeitung zurückgegeben. Bevor die groß angelegte Arbeit begann, führte das Team eine Übung zur Konsistenz durch, bei der die Trainees dieselben Bilder an verschiedenen Tagen bezeichneten, was bestätigte, dass ihre Markierungen größtenteils übereinstimmten, insbesondere bei den größeren Flüssigkeitsbereichen. Zusätzliches Training konzentrierte sich auf die empfindlicheren, fadenähnlichen Banden, die bei erkrankten Augen leicht verschwimmen.

Von Expertenmarkierungen zu intelligenten Maschinen

Im finalen Datensatz hat jedes OCT‑Bild eine zugeordnete „Maske“, in der jedes Pixel entweder zum Hintergrund oder zu einer von vier Schlüsselstrukturen gehört, und jeder winzige helle Punkt wird für Detektionsaufgaben separat gespeichert. Die Autorinnen und Autoren teilten die Bilder in getrennte Gruppen für Training und Tests auf, sodass derselbe Patient niemals in beiden Gruppen auftaucht und die Computer nicht einfach einzelne Augen auswendig lernen können. Anschließend testeten sie mehrere verbreitete Bildanalysealgorithmen an dieser Sammlung. Für die größeren Flüssigkeitsbereiche erreichten moderne Segmentierungsmodelle solide Genauigkeit, wobei ein U‑Net++‑Ansatz insgesamt am besten abschnitt. Bei den punktförmigen hellen Flecken übertraf eine komplexere zweistufige Detektionsmethode (Faster‑RCNN) ein schnelleres Einstufenmodell deutlich, was die Schwierigkeit widerspiegelt, winzige Merkmale über verrauschte medizinische Bilder verteilt zu finden.

Wie diese Ressource die künftige Augenversorgung prägen könnte

Dieser Datensatz verändert für sich genommen nicht die Behandlung von Patientinnen und Patienten und hat Einschränkungen: Alle Scans stammen von einem einzigen OCT‑Gerätetyp und von Patientinnen und Patienten einer ethnischen Herkunft. Dennoch schließt er eine wichtige Lücke: Bisher gab es keine öffentliche makuläre OCT‑Sammlung, die venenbedingte Schwellungen gewidmet war und sowohl Flüssigkeitstaschen als auch feine Netzhautstrukturen zusammen mit winzigen hellen Punkten abbildete. Indem die Autorinnen und Autoren die Bilder, Expertenmarkierungen und Beispiel‑Analysecodes offen zugänglich machen, stellen sie einen gemeinsamen Referenzpunkt für Forschende weltweit bereit. Bessere Algorithmen, die auf solchen Daten trainiert sind, könnten eines Tages Augenärztinnen und -ärzten helfen, den Schweregrad der Erkrankung schnell zu messen, vorherzusagen, welche Patientinnen und Patienten am meisten von Injektionen profitieren, und die Erholung präziser zu verfolgen — letztlich zur Unterstützung einer personalisierteren und effizienteren Versorgung von Menschen mit Sehverlust durch retinalen Venenverschluss.

Zitation: Xiong, F., Li, G., Gao, W. et al. RVO-ME: A Dual-Task OCT Dataset for Segmentation and Detection of Macular Lesions in Retinal Vein Occlusion. Sci Data 13, 349 (2026). https://doi.org/10.1038/s41597-026-06695-5

Schlüsselwörter: retinale Venenverschlusskrankheit, makulaödem, optische Kohärenztomographie, Datensatz medizinischer Bildgebung, Künstliche Intelligenz in der Augenheilkunde