RVO-ME: Um conjunto de dados OCT de tarefa dupla para segmentação e detecção de lesões maculares em oclusão da veia retinal

Por que isso importa para a visão

Quando uma veia importante na parte posterior do olho fica bloqueada, a visão pode ficar turva ou desaparecer, frequentemente sem aviso. Os médicos agora dependem de uma técnica de imagem poderosa, a tomografia de coerência óptica (OCT), para ver o inchaço e os danos na retina. Este artigo apresenta uma coleção de imagens cuidadosamente construída que ajuda computadores a aprender a interpretar esses exames, com o objetivo a longo prazo de diagnósticos e planejamento de tratamento mais rápidos e precisos para pessoas em risco de perder a visão.

Uma causa comum de perda súbita de visão

A oclusão da veia retinal é uma das principais doenças vasculares do olho, afetando estimadamente 28 milhões de pessoas no mundo. Quando uma veia retinal é bloqueada, fluido vaza para a parte central da retina, a mácula, causando edema macular e visão embaçada. Medicamentos que bloqueiam uma molécula de sinalização chamada VEGF melhoraram muito o tratamento, mas nem todos os pacientes respondem bem. Por isso, os médicos procuram sinais sutis em exames OCT que possam prever quem terá mais benefício e como a visão mudará ao longo do tempo. Até agora, o avanço no uso de inteligência artificial para interpretar esses exames foi retardado por um problema simples: não havia imagens de alta qualidade, rotuladas por especialistas e focadas especificamente nessa doença em número suficiente.

Construindo uma biblioteca detalhada de imagens

A equipe de pesquisa criou um novo conjunto de dados chamado RVO‑ME, composto por 3.012 imagens OCT em corte transversal da mácula coletadas de 146 olhos de 130 pacientes em um único hospital na China entre 2019 e 2024. Cada imagem passou por uma triagem rigorosa para excluir exames de baixa qualidade ou olhos com outras condições retinianas graves. Todas as informações pessoais foram removidas, e os pacientes deram consentimento por escrito para que suas imagens fossem usadas em pesquisa e em um recurso de dados público. As varreduras capturam a retina antes e depois do tratamento, oferecendo uma visão ampla de como a doença e suas complicações aparecem na prática clínica cotidiana.

Marcando as pistas minúsculas em cada exame

Para transformar essa biblioteca de imagens em um campo de treinamento para computadores, os autores precisaram traçar manualmente os sinais chave que mais importam para a visão. Três oftalmologistas em início de carreira usaram software especializado para contornar bolsas de fluido dentro e sob a retina, desenhar linhas finas marcando duas bandas importantes de alta reflectividade e posicionar pontos sobre pequenos pontos brilhantes conhecidos como focos hiperreflectivos. Essas marcações foram então verificadas e corrigidas por um especialista sênior de retina, que avaliou cada conjunto de rótulos e devolveu tentativas de menor qualidade para revisão. Antes de começar em larga escala, a equipe realizou um exercício de consistência no qual os treinandos rotularam as mesmas imagens em dias diferentes, confirmando que suas marcações concordavam em grande parte, especialmente para as áreas maiores de fluido. Treinamento extra foi focado nas bandas mais delicadas e em forma de fio, que são facilmente borradas em olhos doentes.

Das marcações de especialistas às máquinas inteligentes

No conjunto de dados final, cada imagem OCT tem uma imagem “máscara” correspondente na qual cada pixel pertence ao fundo ou a uma das quatro estruturas-chave, e cada pequeno ponto brilhante é armazenado para tarefas de detecção. Os autores dividiram as imagens em grupos separados para treinamento e teste de modo que o mesmo paciente nunca aparecesse em ambos, evitando que os computadores simplesmente memorizem olhos individuais. Em seguida, testaram vários algoritmos populares de análise de imagem nessa coleção. Para as regiões maiores de fluido, modelos de segmentação modernos alcançaram precisão sólida, com uma abordagem U‑Net++ apresentando o melhor desempenho geral. Para os pontos brilhantes pontuais, um método de detecção mais complexo em duas etapas (Faster‑RCNN) superou em muito um modelo mais rápido e de etapa única, refletindo o quão desafiador é localizar características minúsculas espalhadas por imagens médicas ruidosas.

Como esse recurso pode moldar o cuidado ocular futuro

Esse conjunto de dados por si só não muda como os pacientes são tratados, e tem limitações: todas as varreduras vêm de um único tipo de aparelho OCT e de pacientes de uma única origem étnica. Ainda assim, preenche uma lacuna crucial: até agora não existia uma coleção pública de OCT macular dedicada ao inchaço relacionado a veias que capturasse simultaneamente bolsas de fluido e estruturas retinianas finas junto com pequenos pontos brilhantes. Ao tornar as imagens, as marcações de especialistas e o código de exemplo para análise computacional abertos ao público, os autores fornecem um ponto de referência comum para pesquisadores em todo o mundo. Algoritmos melhores, treinados com esses dados, poderão um dia ajudar oftalmologistas a medir rapidamente a gravidade da doença, prever quais pacientes se beneficiarão mais das injeções e acompanhar a recuperação com mais precisão, apoiando, em última instância, um cuidado mais personalizado e eficiente para pessoas que enfrentam perda de visão por oclusão da veia retinal.

Citação: 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

Palavras-chave: oclusão da veia retinal, edema macular, tomografia de coerência óptica, conjunto de dados de imagem médica, inteligência artificial em oftalmologia