RVO‑ME: набор данных OCT для двойной задачи сегментации и детекции макулярных поражений при окклюзии ретинальной вены

Почему это важно для зрения

Когда крупная вена в задней части глаза закупоривается, зрение может стать размытым или пропасть, часто без предупреждения. Врачи теперь опираются на мощный метод визуализации — оптическую когерентную томографию (ОКТ) — чтобы увидеть отёк и повреждения сетчатки. В этой статье представлен тщательно собранный набор изображений, который помогает компьютерам научиться читать такие сканы с долгосрочной целью — ускорить и повысить точность диагностики и планирования лечения людей, рискующих потерять зрение.

Распространённая причина внезапной потери зрения

Окклюзия ретинальной вены — одно из ведущих сосудистых заболеваний глаза, которым страдают, по оценкам, около 28 миллионов человек во всём мире. При блокировке ретинальной вены жидкость просачивается в центральную часть сетчатки — макулу, вызывая макулярный отёк и затуманивание зрения. Препараты, блокирующие сигнальную молекулу VEGF, значительно улучшили лечение, но не все пациенты на них хорошо реагируют. Поэтому врачи ищут тонкие признаки на ОКТ‑сканах, которые могут предсказать, кому лечение принесёт наибольшую пользу и как будет меняться зрение со временем. До сих пор прогресс в использовании искусственного интеллекта для анализа таких сканов сдерживался простой проблемой: не хватало качественных, экспертно размеченных изображений, специально посвящённых этому заболеванию.

Создание подробной библиотеки изображений

Исследовательская группа создала новый набор данных под названием RVO‑ME, состоящий из 3012 поперечных ОКТ‑изображений макулы, полученных от 146 глаз 130 пациентов в одном госпитале в Китае в период с 2019 по 2024 год. Каждое изображение прошло строгий отбор, чтобы исключить сканы низкого качества или глаза с другими серьёзными заболеваниями сетчатки. Личные данные были удалены, а участники дали письменное согласие на использование их изображений в исследованиях и в публичном ресурсе данных. Снимки охватывают сетчатку как до, так и после лечения, давая широкий обзор того, как заболевание и его осложнения выглядят в повседневной клинической практике.

Разметка мелких признаков на каждом скане

Чтобы превратить эту библиотеку изображений в тренировочную площадку для компьютеров, авторам потребовалось вручную обвести ключевые признаки, имеющие наибольшее значение для зрения. Трое молодых офтальмологов с помощью специализированного программного обеспечения выделяли карманы жидкости внутри и под сетчаткой, проводили тонкие линии, отмечая два важных светорассеивающих слоя, и ставили точки на крошечных ярких пятнах, известных как гиперрефлективные фокусы. Эти разметки затем проверял и корректировал старший специалист по сетчатке, который оценивал каждую серию меток и возвращал для доработки менее качественные варианты. Перед масштабной работой команда провела упражнение на согласованность, в котором обучающиеся размечали одни и те же изображения в разные дни, подтвердив большую степень совпадения разметки, особенно для более крупных областей жидкости. Дополнительное обучение было направлено на более деликатные нитевидные слои, которые легко размываются при заболевании.

От экспертной разметки к интеллектуальным машинам

В финальном наборе данных каждое ОКТ‑изображение имеет соответствующее «масочное» изображение, где каждый пиксель принадлежит либо фону, либо одной из четырёх ключевых структур, а каждая крошечная яркая точка сохранена для задач детекции. Авторы разделили изображения на отдельные группы для обучения и тестирования так, чтобы один и тот же пациент никогда не появлялся в обеих, что предотвращает простое запоминание конкретных глаз компьютером. Они затем протестировали несколько популярных алгоритмов анализа изображений на этой коллекции. Для более крупных областей жидкости современные модели сегментации продемонстрировали высокую точность, при этом подход U‑Net++ показал лучшие результаты в целом. Для точечных ярких пятен гораздо лучше себя показал более сложный двухэтапный метод детекции (Faster‑RCNN) по сравнению с более быстрым одноэтапным моделем, что отражает сложность обнаружения мельчайших признаков, рассеянных по зашумлённым медицинским изображениям.

Как этот ресурс может повлиять на будущее офтальмологии

Сам по себе этот набор данных не меняет подходы к лечению пациентов и имеет ограничения: все сканы получены на одном типе аппарата ОКТ и от пациентов одной этнической группы. Тем не менее он заполняет важную нишу: до сих пор не существовало публичной коллекции макулярных ОКТ, посвящённой венозному отёку, которая одновременно фиксировала бы карманы жидкости, тонкие структуры сетчатки и крошечные яркие пятна. Открытый доступ к изображениям, экспертной разметке и примерному коду для компьютерного анализа даёт исследователям по всему миру общую точку опоры. Улучшенные алгоритмы, обученные на таких данных, могут в будущем помочь офтальмологам быстро измерять тяжесть заболевания, предсказывать, какие пациенты получат наибольшую пользу от инъекций, и точнее отслеживать восстановление, что в конечном итоге поддержит более персонифицированную и эффективную помощь людям, сталкивающимся с потерей зрения из‑за окклюзии ретинальной вены.

Цитирование: 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

Ключевые слова: окклюзия ретинальной вены, макулярный отёк, оптическая когерентная томография, набор данных медицинской визуализации, искусственный интеллект в офтальмологии