摘要：该数据集由捷克共和国俄斯特拉发大学医院采集，包含188名新生儿患者的6,004张视网膜后段图像，大部分为早产儿。
数据集概述
该数据集由捷克共和国俄斯特拉发大学医院采集，包含188名新生儿患者的6,004张视网膜后段图像，大部分为早产儿。早产儿视网膜病变（ROP）是一种血管增殖性疾病，可导致早产儿视力损伤甚至失明，是全球儿童失明的主要原因之一。数据使用三种数字视网膜成像系统采集：Clarity RetCam 3、Natus RetCam Envision和Phoenix ICON。数据集包含不同质量的图像（部分低质量图像保留以增加数据多样性，反映婴幼儿不配合检查的临床真实场景），配套匿名化患者信息（性别、胎龄、出生体重、概念后年龄、诊断代码、plus病变形态等）。数据集为开发儿童视网膜疾病诊断算法提供独特基础数据。
数据结构与关键特征
据集采用三种组织结构：（1）images文件夹按患者ID/系列层级组织，同一患者不同检查日期形成多个系列；（2）images_stack文件夹将所有图像平铺于单层目录；（3）images_stack_without_captions文件夹存储无图像内嵌标注的版本。所有图像采用JPG格式（最小压缩/无损压缩），文件命名编码完整临床信息：患者ID_性别_胎龄GA_出生体重BW_概念后年龄PA_诊断代码DG_plus病变PF_设备D_系列S_图像编号.jpg（如001_F_GA41_BW2905_PA44_DG2_PF0_RC3_S01_1表示女性患者、胎龄41周、出生体重2905克、概念后年龄44周、诊断出血、无plus病变、RetCam 3采集）。配套Excel/CSV文件记录完整患者元数据。诊断类型包括正常、出血、ROP不同分期和plus病变等，设备差异和图像质量变异反映多中心采集场景。
应用价值与研究方向
该数据集为ROP早期筛查和分级诊断自动化提供关键资源，可显著降低新生儿重症监护室（NICU）眼科筛查负担并减少漏诊率。技术层面支持深度学习分类模型训练（ROP分期诊断）、血管分割算法开发（U-Net+VGG-16已验证）、图像增强技术验证（低质量图像恢复）和跨设备域适应研究。研究方向包括：plus病变自动检测（血管扭曲度和充盈度量化）、时序分析预测ROP进展风险、注意力机制定位病变区域、小样本学习应对罕见严重病例、可解释性AI生成临床可信的诊断依据、以及多模态融合（结合患者胎龄、体重等临床参数提升预测准确率），为远程ROP筛查、教育培训和治疗时机决策提供AI辅助工具，GitHub仓库提供配套图像增强代码，促进方法学复现和算法对比研究。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-293
文件大小：7.4G
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)