Rotterdam artery-vein segmentation (RAV) dataset

Das Rotterdam-Arterien-Venen-Segmentierungs- (RAV-) Dataset bietet eine vielfältige Sammlung von Farbfundusbildern mit hochwertigen, durch Konnektivitätsprüfung validierten Segmentierungsmasken, um die Entwicklung robuster maschineller Lernmodelle für die retinale Gefäßanalyse unter realen Bedingungen zu unterstützen.

Das Wesentliche

Das „Rotterdam-Adern-Verzeichnis": Eine Landkarte für die Augenheilkunde

Stellen Sie sich das menschliche Auge wie eine kleine, belebte Stadt vor. Die Blutgefäße in der Netzhaut sind die Straßen dieser Stadt. Manche sind breiter und schneller (die Arterien, die sauerstoffreiches Blut bringen), andere sind etwas ruhiger und führen das verbrauchte Blut ab (die Venen).

Früher mussten Ärzte diese Straßen auf Fotos mühsam von Hand nachzeichnen, um zu sehen, ob die Stadt gesund ist oder ob es Staus, Unfälle oder Baustellen gibt. Das war wie das manuelle Abmessen jedes einzelnen Straßenabschnitts in einer ganzen Metropole – extrem zeitaufwendig und für große Projekte kaum machbar.

Heute helfen Computer dabei, diese Straßen automatisch zu erkennen. Aber damit ein Computer das wirklich gut kann, braucht er einen perfekten Lehrmeister. Und genau hier kommt diese neue Studie ins Spiel.

Was ist das „RAV-Datenset"?

Die Forscher aus Rotterdam haben ein riesiges, digitales Archiv erstellt, das sie das RAV-Datenset nennen. Man kann es sich wie einen hochauflösenden Atlas vorstellen, der 206 Fotos von Augen enthält.

Aber das Besondere an diesem Atlas ist nicht nur, dass er Fotos zeigt, sondern dass er detaillierte Landkarten dazu liefert:

1. Das Originalfoto: Wie das Auge aussieht.
2. Die „Arterien-Karte": Alle roten Straßen sind rot markiert.
3. Die „Venen-Karte": Alle blauen Straßen sind blau markiert.
4. Die „Unbekannten": Straßen, die man nicht sicher zuordnen kann, sind grau markiert.

Warum ist das so besonders?

Stellen Sie sich vor, Sie wollen einen Navigationssystem-Algorithmus trainieren. Wenn Sie ihm nur Fotos von sonnigen Tagen mit perfekten Straßen zeigen, wird er bei Regen oder Nebel scheitern.

Das RAV-Datenset ist wie ein Trainingslager für extreme Bedingungen:

• Vielfalt: Es enthält Bilder von vielen verschiedenen Kameras (wie verschiedene Autofirmen) und aus verschiedenen Zeitepochen.
• Herausforderungen: Die Forscher haben bewusst auch Bilder aufgenommen, die etwas unscharf sind oder schlechte Qualität haben. Warum? Weil die echte Welt nicht immer perfekt ist. Ein guter KI-Algorithmus muss auch dann noch die „Straßen" finden können, wenn das Licht schlecht ist oder das Bild verrauscht.
• Genauigkeit: Die Forscher haben nicht einfach nur grob gemalt. Sie haben ein spezielles Werkzeug entwickelt, mit dem Experten die Straßen nachgezeichnet und dabei besonders auf die Verbindungen geachtet haben. Wenn eine rote Straße über eine blaue kreuzt, wurde sichergestellt, dass der Computer versteht, dass beide weiterlaufen, auch wenn sie sich überlagern.

Wie haben sie das gemacht? (Die „KI-Hilfe")

Statt alles von Null zu zeichnen, haben die Forscher einen cleveren Trick angewendet:

1. Zuerst hat eine KI alle Blutgefäße grob erkannt (wie ein Roboter, der alle Straßen in der Stadt grob umrandet).
2. Dann kamen menschliche Experten ins Spiel. Sie haben sich diese grobe Umrandung angesehen und sie korrigiert und verfeinert. Sie haben entschieden: „Das hier ist eine rote Straße, das dort eine blaue."
3. Besonders wichtig: Sie haben geprüft, ob die Straßen wirklich zusammenhängen. Wenn ein Stück fehlt, haben sie es nachgezeichnet.

Das ist wie bei einem Bauprojekt: Ein Bagger (die KI) gräbt den groben Graben aus, und die Handwerker (die Menschen) kommen danach, um die Kanten glatt zu ziehen und sicherzustellen, dass keine Lücken entstehen.

Was bringt uns das?

Dieses Datenset ist ein Geschenk an die Wissenschaft. Es ermöglicht es, intelligentere Computerprogramme zu entwickeln, die:

• Krankheiten wie Bluthochdruck, Diabetes oder sogar Alzheimer früher erkennen können (denn die „Straßen" im Auge verraten viel über den Zustand des ganzen Körpers).
• Robuster sind und auch bei schlechten Fotos noch zuverlässig arbeiten.
• In Zukunft vielleicht sogar automatisch Screening-Untersuchungen durchführen, um Krankheiten zu verhindern, bevor sie Symptome zeigen.

Zusammenfassend: Die Forscher aus Rotterdam haben einen riesigen, vielseitigen und sorgfältig geprüften „Lehrbuch" für Computer erstellt, damit diese lernen können, die feinen Blutgefäße in unseren Augen so gut zu lesen wie ein erfahrener Arzt – und das sogar unter schwierigen Bedingungen.

Technische Zusammenfassung

Technische Zusammenfassung: Rotterdam Artery-Vein (RAV) Dataset

1. Problemstellung

Die retinale Gefäßstruktur bietet einen nicht-invasiven Einblick in die menschliche Mikrozirkulation und dient als wichtiger Biomarker für systemische Erkrankungen (z. B. Hypertonie, kardiovaskuläre Krankheiten, neurodegenerative Störungen). Die genaue Messung dieser Biomarker erfordert eine präzise Segmentierung des Gefäßbaums aus Farbfundusaufnahmen (CFIs) sowie eine korrekte Klassifizierung jedes Gefäßsegments als Arterie oder Vene.

Bisherige Herausforderungen umfassen:

• Fehlende große, diverse Datensätze: Bestehende Datensätze (wie RITE, HRF, DRIVE) sind oft klein, homogen oder auf spezifische Patientengruppen (z. B. nur Diabetiker oder nur Makula-zentrierte Bilder) beschränkt.
• Mangel an Vielfalt: Es fehlt an Daten, die eine breite Palette von Bildgebungsgeräten, Aufnahmebedingungen und häufigen okulären Pathologien abdecken.
• Qualitätsprobleme: Viele automatisierte Systeme schließen Bilder mit suboptimaler Qualität aus, obwohl diese oft noch wertvolle vaskuläre Informationen enthalten.
• Manueller Aufwand: Die manuelle Erstellung von Arterien-Venen-Masken ist extrem zeitaufwendig und für groß angelegte Studien ungeeignet.

2. Methodik

Datenerhebung und Stichprobenziehung:

• Quelle: Die Bilder stammen aus der niederländischen Rotterdam Study (RS) und weiteren Kohorten (MYST, AMD-Life) des Erasmus University Medical Center.
• Umfang: Der Datensatz enthält 206 Farbfundusaufnahmen (CFIs).
• Vielfalt: Die Bilder decken ein breites Altersspektrum (>40 Jahre), verschiedene Geräte (von alten analogen Kameras bis zu modernen OCT-Geräten), unterschiedliche Aufnahmebedingungen und sowohl makula- als auch scheiben-zentrierte Sichtfelder ab.
• Qualitätskontrolle: Im Gegensatz zu strikten automatischen Filtern wurden Bilder bewusst eingeschlossen, die von Algorithmen oft als „unbrauchbar" eingestuft werden, sofern sie noch verwertbare Gefäßinformationen enthielten. Dies dient der Erhöhung der Robustheit von Trainingsmodellen.

Annotation (Human Labelling):

• Hybrid-Ansatz: Um den manuellen Aufwand zu reduzieren, wurde ein Workflow entwickelt, der auf KI-generierten Gefäßsegmentierungen basiert.
• Prozess:
  1. Ein Modell liefert eine initiale Segmentierung des gesamten Gefäßbaums.
  2. Experten (Grader) nutzen eine benutzerdefinierte Schnittstelle, um diese Maske in separate Ebenen für Arterien, Venen und Unbekannte Gefäße zu unterteilen.
  3. Kreuzungen (Crossings): An Stellen, wo Arterien und Venen sich kreuzen, werden beide Masken explizit markiert, um die Topologie des darunterliegenden Gefäßbaums zu erhalten (anstatt nur das sichtbare, überlagernde Gefäß zu markieren).
  4. Konnektivität: Ein spezielles Werkzeug visualisiert verbundene Komponenten, um Lücken in den Masken zu erkennen und zu korrigieren.
• Validierung: Die Inter-Rater-Übereinstimmung wurde durch vier unabhängige Grader gemessen (mittels Cohen's Kappa und Dice-Score).

3. Key Contributions (Hauptbeiträge)

• RAV-Datensatz: Ein öffentlicher, hochwertiger Datensatz mit 206 Bildern in drei Modi:
  1. Original-RGB-Fundusbilder.
  2. Kontrastverstärkte Versionen.
  3. RGB-kodierte Arterien-Venen-Masken (Rot = Arterien, Blau = Venen, Grün = Unbekannt).
• Auflösung und Format: Alle Bilder und Masken sind auf 1024x1024 Pixel (PNG) standardisiert und zentriert.
• Methodischer Fortschritt: Demonstration eines effizienten Annotations-Workflows, der durch KI-Vorsegmentierung den manuellen Aufwand drastisch senkt, während die Qualität durch menschliche Überprüfung (Human-in-the-Loop) sichergestellt wird.
• Öffentlicher Zugang: Der Datensatz ist unter einer Creative Commons Lizenz (CC BY-NC 4.0) verfügbar und dient als Benchmark für das System VascX.

4. Ergebnisse

• Datenvielfalt: Der Datensatz zeichnet sich durch eine hohe Heterogenität aus (verschiedene Geräte, Pathologien, Bildqualitäten), was ihn ideal für das Training generalisierbarer Modelle macht.
• Qualität der Annotation: Die Inter-Rater-Übereinstimmung war sehr hoch:
  • Arterien: Cohen's Kappa = 0,882; Dice-Score = 0,906.
  • Venen: Cohen's Kappa = 0,890; Dice-Score = 0,899.
  • Hinweis: Die Autoren weisen darauf hin, dass diese Werte aufgrund des KI-unterstützten Ansatzes (Start mit einer guten Maske) möglicherweise höher ausfallen als bei einer rein manuellen Neuanfertigung.
• Leistung: Die auf diesem Datensatz trainierten Modelle (Teil des VascX-Systems) zeigten State-of-the-Art-Leistung bei der Segmentierung auf verschiedenen Datensätzen.

5. Signifikanz und Translationsrelevanz

• Robustheit: Durch die Einbeziehung von Bildern unterschiedlicher Qualität und von verschiedenen Geräten können damit trainierte KI-Modelle besser mit realen klinischen Bedingungen umgehen und sind weniger anfällig für Fehler bei neuen Geräten.
• Klinische Anwendung: Verbesserte Arterien-Venen-Segmentierung ermöglicht genauere Berechnungen von Biomarkern (Kaliber, Tortuosität), was die automatisierte Früherkennung und Diagnose systemischer sowie okulärer Krankheiten verbessert.
• Community-Beitrag: Der Datensatz füllt eine Lücke in der Verfügbarkeit großer, annotierter Daten für die Ophthalmologie und fördert die Entwicklung generalisierbarer Algorithmen für die „Oculomics".

Zusammenfassend stellt das RAV-Dataset einen wichtigen Schritt hin zu robusteren, klinisch anwendbaren KI-Tools für die Analyse retinaler Gefäße dar, indem es eine Kombination aus großer Datenvielfalt, hochwertigen Annotationen und einem effizienten Annotationsprozess bietet.