시각 언어 모델 (Vision-language models) 은 시력학 (ophthalmology) 분야에 상당한 가능성을 가지고 있지만, 그 개발은 여전히 희소한 대규모 고품질 이미지 텍스트 데이터셋에 의존합니다. 우리는 PubMed Central 의 15,842 개 오픈 액세스 논문에서 추출한 102,023 개의 시력학 이미지 캡션 쌍으로 구성된 계층적 데이터셋인 PubMed-Ophtha 를 소개합니다.

기존의 데이터셋과 달리, 이 데이터셋은 논문의 PDF 에서 직접 풀 해상도로 이미지를 추출하고 구성 패널 (panels), 패널 식별자, 개별 이미지로 분해합니다. 각 이미지는 영상 모달리티 (imaging modality) -- 색소막 촬영 (color fundus photography), 광간섭 단층촬영 (optical coherence tomography), 망막 영상 (retinal imaging), 또는 기타 -- 과 화살표와 같은 주석 표시의 존재를 나타내는 마크 상태 (mark status) 로 주석됩니다. 캡션은 두 단계 LLM 접근법을 사용하여 패널 수준 하캡션으로 분할되며, 인간 주석 데이터에서 평균 문장 BLEU 점수는 0.913 입니다.

패널 및 이미지 검출 모델의 mAP@0.50 은 각각 0.909 과 0.892 로, 이미지 추출의 중간 IoU 는 0.997 입니다. 재현성을 지원하기 위해 우리는 인간 주석된 기준 데이터 (human-annotated ground-truth data), 모든 훈련 모델, 그리고 전체 데이터셋 생성 파이프라인도 함께 공개합니다.