基于AI的视网膜动静脉分割新突破：Fundus-AVSeg高分辨率眼底图像数据集发布

本研究针对现有视网膜动静脉分割数据集样本量不足、分辨率低、疾病多样性欠缺等问题，由清华大学深圳国际研究生院联合深圳市眼科医院团队构建了包含100例高分辨率眼底图像的Fundus-AVSeg数据集。该数据集通过专业眼科医生像素级标注，涵盖糖尿病视网膜病变(DR)、青光眼、年龄相关性黄斑变性(AMD)等疾病类型，并首次引入图像质量评估指标。实验表明，基于该数据集训练的ResUNet模型动脉分割DSC达81.51%，为心血管疾病早期筛查提供了高质量AI训练资源。

　　

视网膜血管形态变化是心血管疾病、糖尿病等全身性疾病的早期窗口指标，但传统人工分割存在效率低下、主观性强等问题。尽管已有RITE、AV-INSPIRE等公开数据集，其样本量不足、分辨率低（普遍<1000像素）且缺乏疾病多样性，严重制约AI模型的临床应用。更关键的是，现有数据集多源自健康人群，难以反映真实临床场景中糖尿病视网膜病变(DR)、青光眼等疾病对血管形态的影响。

清华大学深圳国际研究生院联合深圳市眼科医院的研究团队在《Scientific Data》发表了迄今最大规模的视网膜动静脉分割专用数据集Fundus-AVSeg。该研究通过ZEISS VISUCAM200和Canon眼底相机采集100例高分辨率图像（2656×1992/1280×1280像素），包含40例正常、20例DR、20例AMD和20例青光眼病例，每例均经专业眼科医生团队采用3D slicer软件进行像素级标注（动脉/静脉/交叉点/不确定血管四类）。创新性引入低质量样本（占17%）以模拟临床实际，并通过交叉验证确保标注一致性（医生间MIoU>0.95）。

关键技术包括：1）多中心队列设计（深圳市眼科医院2022年临床病例）；2）双盲标注-仲裁机制（6名初级医师独立标注+高级医师复核）；3）基于3D slicer的精细化标注流程；4）ResUNet等四种深度学习模型验证。

【Dataset characteristics】
数据集包含亚洲人群100例（男女57:43，平均51±11.2岁），动脉像素占比52.89%（DR病例达54.21%），静脉44.40%，交叉点仅1.92%。低质量图像在DR、AMD、青光眼组均匀分布（3-6例/组）。

【Inter-consistency and intra-consistency assessments】
标注质量评估显示：医师自身两次标注MIoU达0.9759，初级医师间MIoU 0.9523，与高级医师一致性MIoU 0.9523，证实标注可靠性。

【Available for AI training】
基准测试中，ResUNet表现最优（动脉DSC 81.51%，静脉84.87%），但动脉-静脉交叉点分割仍具挑战（IoU仅40.16%）。

该研究首次构建了覆盖多种眼底疾病的动静脉分割标准数据集，其三大创新点：1）规模突破（100例全新建构，非现有数据集重标注）；2）临床贴合（包含DR/青光眼/AMD病理样本）；3）质量分级体系。尽管存在未涵盖视网膜静脉阻塞等疾病的局限，但为开发临床可用的AI辅助诊断工具提供了关键基础设施。数据集已开源（Figshare DOI:10.6084/m9.figshare.27938034），代码见GitHub（AI-thpremed/Basic-Seg-Experiment）。