RVO-ME：用于视网膜静脉阻塞黄斑病变分割与检测的双任务 OCT 数据集

这对视力为何重要

当眼后部的一条大型静脉被阻塞时，视力可能会模糊或消失，常常毫无征兆。医生依赖一种强大的成像技术——光学相干断层扫描（OCT）——来观察视网膜的肿胀和损伤。本文介绍了一个精心构建的图像集合，帮助计算机学习解读这些扫描，长期目标是为有失明风险的人群实现更快、更准确的诊断与治疗决策。

导致突发视力丧失的常见原因

视网膜静脉阻塞是眼部常见的血管疾病之一，全球估计影响约 2800 万人。当视网膜静脉被阻塞时，液体渗入视网膜中央的黄斑，导致黄斑水肿和视力模糊。抑制一种称为 VEGF 的信号分子的药物大大改善了治疗效果，但并非所有患者都能得到良好反应。因此，医生会在 OCT 扫描中寻找细微迹象，以预测谁最可能受益以及视力将如何随时间变化。迄今为止，利用人工智能解读这些扫描的进展受制于一个简单的问题：缺乏足够多、专门针对这类疾病并由专家标注的高质量图像。

构建详尽的影像库

研究团队创建了一个名为 RVO‑ME 的新数据集，由 2019 至 2024 年间在中国一家医院从 130 名患者的 146 只眼中采集的 3,012 张黄斑 OCT 横断面图像构成。每张图像都经过严格筛选，以排除质量差的扫描或存在其他严重视网膜疾病的眼睛。所有个人信息均被移除，患者书面同意其图像用于研究并作为公共数据资源发布。扫描包括治疗前后的图像，提供了疾病及其并发症在日常临床实践中表现的全面视角。

在每张扫描中标记微小线索

为了把这份影像库转化为计算机的训练样本，作者需要手工描绘对视力最重要的关键体征。三名初级眼科医生使用专业软件勾画出视网膜内外的液体囊腔，绘制两条重要高反射带的细线，并在被称为高反射灶的微小亮点上放置标记点。随后由一名高级视网膜专家对这些标注进行检查和校正，对质量较低的标注退回修改。团队在大规模标注前进行了一次一致性测试，让培训者在不同日期标注相同图像，以确认他们的标注总体一致，尤其是在较大液体区域上的一致性更高。对在病变眼中容易模糊的细线状结构进行了额外培训。

从专家标注到智能机器

在最终数据集中，每张 OCT 图像都有一个对应的“掩码”图像，其中每个像素要么属于背景，要么属于四种关键结构之一，且每个微小亮点都作为检测任务的单独点保存。作者将图像按病人分组为训练集和测试集，确保同一名患者的图像不会同时出现在两者中，从而防止计算机简单记忆个别眼睛。随后他们在该集合上测试了若干流行的图像分析算法。对于较大的液体区域，现代分割模型取得了稳健的准确性，其中 U‑Net++ 方法总体表现最佳。对于针尖大小的亮点，复杂的两阶段检测方法（Faster‑RCNN）远优于更快的一阶段模型，反映出在嘈杂的医学图像中查找分散的极小特征的挑战性。

该资源如何影响未来眼科护理

该数据集本身并不会直接改变患者的治疗，但它存在局限：所有扫描来自同一种 OCT 仪器和同一民族背景的患者。然而它填补了一个关键空白：此前没有公开的黄斑 OCT 收藏专门针对与静脉相关的水肿，同时将液体囊腔、细小视网膜结构和微小亮点一起记录。通过公开图像、专家标注和示例计算机分析代码，作者为全球研究者提供了一个共同的参考点。在这样的数据上训练出更好的算法，未来可能帮助眼科医生更快地量化病情严重度、预测哪些患者最能从注射治疗中受益并更精确地追踪恢复，从而最终为面临因视网膜静脉阻塞而失明风险的人群提供更个性化、更高效的护理。

引用: 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

关键词: 视网膜静脉阻塞, 黄斑水肿, 光学相干断层扫描, 医学影像数据集, 眼科的人工智能