Name: Automated Cardiac Diagnosis Challenge (ACDC)
Creator: University of Lyon, CREATIS & University Hospital of Dijon

信息速览

数据集名称ACDC — 心脏 cine-MRI 分割与诊断挑战数据集 AI-Ready Wikipedia

数据类型约 2GB NIfTI,150 例 / 5 组各 30 例,1.5T 与 3.0T 双场强,RV/心肌/LV 三结构标注

规模150 例检查（100 例训练 + 50 例测试）

接入方式里昂大学 CREATIS 实验室 & 第戎大学医院（University of Lyon, CREATIS & University Hospital of Dijon） url: https://www.creatis.insa-lyon.fr/Challenge/acdc/

AI 就绪度

ACDC — 心脏 cine-MRI 分割与诊断挑战数据集 AI-Ready Wikipedia

INFOBOX


数据集名称	Automated Cardiac Diagnosis Challenge (ACDC)
英文全称	Automated Cardiac Diagnosis Challenge Dataset
别名/简称	ACDC、ACDC Challenge、MICCAI 2017 ACDC 挑战赛数据集
疾病分类	五组人群：正常（NOR）/ 既往心肌梗死（MINF，ICD-11：BA41-BJ5Z 缺血性心脏病谱）/ 扩张型心肌病（DCM，ICD-11：BC43）/ 肥厚型心肌病（HCM，ICD-11：BC44）/ 右心室异常（ARV，ICD-11：BC45.2 心律失常性右室心肌病谱）
SNOMED CT	22298006 Myocardial infarction / 195131000 Dilated cardiomyopathy / 31289004 Hypertrophic cardiomyopathy / 17621005 Normal finding（详见 §2.2）
数据模态	心脏 cine MRI（短轴位电影序列，3D+时间 4D NIfTI）
AI 任务类型	心脏多结构分割（RV/心肌/LV）、五类疾病分类、射血分数与心功能指标估计、半监督/域自适应基准
样本总数	150 例检查（5 组各 30 例）/ 300 幅标注 3D 体 / 2,978 张标注切片
数据大小	约 2 GB（.nii.gz 压缩包，随打包方式略有差异）
数据格式	NIfTI (.nii.gz) + Info.cfg 文本元数据
许可证	CC BY-NC-SA 4.0（社区通行转述口径；官方页以 MANDATORY_CITATION 强制引用 Bernard et al. 2018）
访问级别	开放下载（数据库注册后直接获取，无需审批）
DUO 标签	GRU, POA
语言	英文（文档与元数据；影像数据无语言属性）
首发日期	2017（MICCAI 2017 挑战赛发布）
最后更新	2022-12-31（挑战提交平台关闭，数据冻结；数据本体此后不再更新）
发布机构	里昂大学 CREATIS 实验室 & 第戎大学医院（University of Lyon, CREATIS & University Hospital of Dijon）
官方主页	https://www.creatis.insa-lyon.fr/Challenge/acdc/
下载地址	https://humanheart-project.creatis.insa-lyon.fr/database/#collection/637218c173e9f0047faa00fb
DOI	10.1109/TMI.2018.2837502（TMI 2018 总结论文；数据集本体无独立 DOI）
引用次数	3,000+（Google Scholar，截至 2026-09，TMI 2018 论文口径）
AI 就绪度评分	⭐⭐⭐⭐（4/5）— 开放无门槛、三结构全标注、格式标准统一；扣分项：仅 ED/ES 两帧标注、官方排行榜冻结、文献划分口径混乱、许可证原文缺显式 CC 声明
页面状态	published

§0 E-E-A-T 信任声明与免责声明

医学审核者：千方病案医学编辑部交叉审核：§2 医学背景（五类疾病入组标准与 ICD-11/SNOMED CT 映射、心功能参数临床定义）、§7 偏倚分析。

数据工程审核者：千方病案医学编辑部交叉审核：§4 DAIMS 数据字典（NIfTI 文件结构与标签值映射）、§5 数据划分策略、§6 预处理 Pipeline 和坑点。

审核日期：2026-09-18

审核方式：交叉审核

利益冲突声明：千方病案医数集与里昂大学 CREATIS、第戎大学医院及 MICCAI 学会无任何商业利益关联。本页面不销售 ACDC 数据集本身，仅提供 AI 就绪指南与学术信息服务。编辑者未接受上述机构的任何形式资助。

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。ACDC 要求使用者在任何成果中强制引用 Bernard et al. 2018（IEEE TMI）论文（下载包内附 MANDATORY_CITATION.md），社区通行转述口径为 CC BY-NC-SA 4.0（非商业、相同方式共享）。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 30 秒速览

是什么：MICCAI 2017 挑战赛发布的开放心脏 cine-MRI 数据集，150 例检查、五类人群各 30 例（NOR/MINF/DCM/HCM/ARV），每例附 RV/心肌/LV 三结构人工分割金标准（ED 与 ES 两帧）。
谁做的：法国里昂大学 CREATIS 实验室（Olivier Bernard 团队）联合第戎大学医院（Alain Lalande 团队）建库，总结论文发表于 IEEE TMI 2018（被引 3,000+）。
模态与规模：4D（3D+时间）NIfTI 短轴位 SSFP cine 序列，1.5T 与 3.0T 双场强，28-40 帧/例，面内分辨率 1.37-1.68 mm²/pixel，总量约 2 GB。
两大任务：①心脏结构多类分割（RV 腔/心肌/LV 腔，ED+ES 帧）；②五类疾病分类（基于 cine 影像与体表面积归一化生理参数）。
怎么拿：官方数据库注册后直接下载（约 2 GB 压缩包），无需伦理审批或凭证化申请；使用须引用 Bernard et al. 2018。
一句话评价：2D 医学分割新方法的标准试金石——规模小到单卡一小时能跑通、标注准到足以当金标准、坑多到足以写满一篇百科。

§1.1 摘要

ACDC（Automated Cardiac Diagnosis Challenge，自动化心脏诊断挑战）数据集源自法国第戎大学医院 6 年间积累的真实临床心脏 MRI 检查，由里昂大学 CREATIS 实验室与第戎大学医院联合整理，作为 MICCAI 2017 挑战赛的官方数据集发布。数据集包含 150 例来自不同患者的 cine MRI 检查，均匀分为五个子组：30 例正常受试者（NOR）、30 例既往心肌梗死患者（MINF）、30 例扩张型心肌病患者（DCM）、30 例肥厚型心肌病患者（HCM）与 30 例右心室异常患者（ARV），每组按明确的生理参数标准（射血分数、容积指数、心肌质量与室壁厚度）定义入组。所有检查以 1.5T 与 3.0T 两台 Siemens 扫描仪采集，SSFP 序列短轴位屏气成像，覆盖从心底到心尖的完整左心室范围。

标注方面，两位医学专家为每例的舒张末期（ED）与收缩末期（ES）帧提供右心室腔、心肌与左心室腔的逐像素人工分割，并给出临床参考测量与五组分类标签；挑战赛期间测试集 50 例标注保密，赛后全部公开。官方将 100 例划为训练集（每组 20 例）、50 例划为测试集（每组 10 例）。在 TMI 2018 总结论文中，九个研究组的深度学习分割方法与四个研究组的分类方法得到系统评测：最佳方法的临床指标自动提取与专家相关性达 0.97，五分类准确率达 0.96，这一结果使 ACDC 成为"深度学习心脏分析是否已被解决"这一命题的基准平台。此后近十年，ACDC 一直是 2D/3D 医学图像分割新架构（U-Net 变体、Transformer、Mamba、nnU-Net 生态）的标准试金石，社区平均 Dice 基准约 0.91-0.92。

§1.2 战略价值分析

门槛最低的心脏深度学习入场券：2 GB 体量、免审批下载、NIfTI 标准格式——从注册到跑通第一个分割实验通常不超过半天，是学生与新团队验证 pipeline 的首选靶场。
心脏影像分割的"MNIST"地位：2018-2026 年间几乎所有医学分割新方法（Attention U-Net、TransUNet、Swin-Unet、nnFormer、MedNeXt、SegMamba 等）都在 ACDC 上交过答卷，跨论文可比性在医学数据集中罕见地高。
标注质量经过挑战赛淬炼：150 例全部由两位医学专家完成标注并给出临床参考测量，金标准质量优于绝大多数事后开源的医学数据集。
双任务天然覆盖"分割+诊断"链路：从像素级分割到射血分数再到五类诊断，ACDC 完整模拟了"影像→结构→功能→诊断"的临床推理链，适合做端到端方法学验证。
半监督/域自适应/持续学习基准集散地：因标注仅覆盖 ED/ES 两帧、1.5T/3T 双域并存、五组分布均衡，ACDC 天然适配标签稀缺与分布偏移两类研究叙事，SSL4MIS 等半监督框架均以它为标配基准。
风险提示：规模天花板明确（150 例、单中心、只标两帧），它验证的是方法学有效性而非临床可部署性——发表审稿人常问"为什么只有 ACDC"，答案应当是 ACDC 之外另有外部验证集。

§1.3 横向对比

数据集	模态	规模	核心任务	获取门槛	许可口径	适合场景
ACDC	心脏 cine MRI（1.5T/3.0T）	150 例 / 300 幅标注 3D 体	三结构分割 + 五类分类	注册即下载	CC BY-NC-SA 4.0（转述）	分割基线、半监督、教育入门
M&Ms（Multi-Centre, Multi-Vendor）	心脏 cine MRI（多厂商多中心）	345 例	四结构分割 + 域自适应	申请审批	研究用途	域泛化、厂商偏移研究
MMWHS	心脏 CT + MRI 双模态	60 例（20 CT + 40 MRI）	七子结构分割	申请审批	研究用途	3D 全心分割、跨模态
Sunnybrook	心脏 cine MRI	45 例	LV 分割 + 心功能	注册下载	开放	心功能量化入门
UK Biobank CMR	心脏 cine MRI	数万例级	心脏结构与功能大规模分析	凭证化申请	受限	大规模预训练、群体影像学

ACDC 的差异化定位：规模最小但标注最"纯"——同量级数据集中唯一同时具备挑战赛级金标准、双场强分布与五类疾病均衡分组的开箱即用数据集；若研究目标是域泛化与多中心偏移，应选 M&Ms 而非 ACDC。

§1.4 版本演进时间轴

2017-06 至 2017-10：ACDC 挑战赛在 MICCAI 2017（STACOM workshop）期间举办，训练集 100 例带标注发布，测试集 50 例标注保密，参赛者通过官方评测网站在线提交。
2018-05 至 2018-11：总结论文 “Deep Learning Techniques for Automatic MRI Cardiac Multi-structures Segmentation and Diagnosis: Is the Problem Solved?” 发表于 IEEE TMI（vol. 37, no. 11, pp. 2514-2525），系统评测 10 个分割方法与分类结果。
2018 年后：挑战赛提交平台保持开放，允许新方法持续提交榜单；测试集 50 例标注向公众开放。
2022-12-31：官方提交平台关闭，最终排行榜冻结；数据与标注继续通过 humanheart-project 数据库开放下载。
2023 年至今：数据本体冻结不再更新，社区转向在 ACDC 上做半监督、联邦学习、基础模型微调等新范式基准；各社区镜像版（2D 切片版、重排版）涌现，格式与划分口径开始分化。

§1.5 典型 AI 应用场景

多结构心脏分割基线：RV/心肌/LV 三类逐像素分割，2D 逐切片与 3D 体分割两条技术路线的公共起跑线。
心功能自动量化：由 ED/ES 分割推导 EDV、ESV、EF 与心肌质量，对标专家参考测量（TMI 2018 报告相关性 0.97）。
五类疾病自动分类：直接从 cine 影像或衍生特征分类 NOR/MINF/DCM/HCM/ARV（挑战赛分类任务冠军准确率 0.96）。
半监督医学分割：以 5%/10% 标注比例切片训练，ACDC 是 SSL4MIS 等半监督框架的默认数据集之一。
多域与域自适应研究：1.5T 与 3.0T 双场强子集构成天然的两域划分，用于域偏移与泛化实验。
医学分割基础模型评测：SAM/MedSAM/ MedSAM2 等分割基础模型在 ACDC 上的零样本与微调性能是标准评测口径之一。
教学与课程实验：体量小、标注全、坑点典型，是医学影像课程与新人 onboarding 的标准教具。

§2 医学背景

§2.1 ICD-11 疾病分类锚定

ACDC 的五个分组在 WHO ICD-11（MMS, v2026-01）中均有对应锚点，五分类任务的"类别语义"因此可直接映射到标准疾病编码：

ACDC 组别	中文名称	ICD-11 锚定	ICD-10 对照
NOR	正常对照	无疾病编码（健康志愿者）	Z00.0（一般健康查体，供参考）
MINF	既往心肌梗死	慢性缺血性心脏病块 BA60-BA6Z（心梗后慢性期，病史锚定）	I25.2（陈旧性心肌梗死）
DCM	扩张型心肌病	BC43.0（Dilated cardiomyopathy）	I42.0
HCM	肥厚型心肌病	BC43.1（Hypertrophic cardiomyopathy，子码 BC43.10-BC43.1Z）	I42.1
RV/ARV	致心律失常性右室心肌病	BC43.2（Arrhythmogenic right ventricular cardiomyopathy）	I42.8

注意两点编码细节：其一，官方页面将第五组写作 “RV”，部分文献与镜像仓库写 “ARV” 或 “ARVC”，编码对齐时以"右心室异常/致心律失常性右室心肌病"为语义锚；其二，MINF 的入组标准是"既往心梗 + LVEF<40%"，属于缺血性心脏病慢性期表现，而非 ICD-11 BA41（急性心肌梗死）或 BA42（随后性/复发性心肌梗死），切勿错锚。
上述 ICD-11 码位以 WHO ICD-11 浏览器 v2026-01 口径为准（BC43 = 心肌病块：BC43.0 扩张型、BC43.1 肥厚型、BC43.2 致心律失常性右室型）；ICD-10 对照列仅作跨库检索辅助。
编码使用场景：将 ACDC 组别接入医院术语服务、FHIR 资源或 OMOP CDM 时使用；若仅做数据集内实验，Group 字符串本身就是完备标签，无需强行编码化。

§2.2 SNOMED CT 映射

ACDC 组别	SNOMED CT 概念	常见引用编码
NOR	Normal finding (finding)	17621005
MINF	History of myocardial infarction (situation)	399211009
DCM	Dilated cardiomyopathy (disorder)	19501008
HCM	Hypertrophic cardiomyopathy (disorder)	21899002
RV/ARV	Arrhythmogenic right ventricular dysplasia (disorder)	281170005

上述编码为社区文献中的常见引用口径，用于训练标签与术语系统的语义互联（如 OMOP CDO、FHIR Condition 资源映射）；正式落地前请以 SNOMED International 官方浏览器复核当前概念 ID 与层级。
映射粒度提示：ARVC 的 SNOMED 概念历史上沿用"Arrhythmogenic right ventricular dysplasia"命名（发育不良/心肌病两词混用），语义上与 ICD-11 BC43.2 同指；做术语对齐时保留两个名称的别名表可以避免检索漏召回。
五分类任务若以 FHIR 对外发布，建议将 ACDC 组别作为 Observation.valueCodeableConcept，同时保留数据集原生标签（NOR/MINF/DCM/HCM/RV）作为 originalText，避免编码转换丢失官方语义。

§2.3 五类疾病简介

NOR（正常）：健康志愿者，无心血管病史、心电图与超声心动图正常。该组是所有自动化心功能测量的"阴性对照"，也是分类任务中最容易被误判为轻度病变的一组（因部分健康人心脏形态接近运动员心脏）。
MINF（既往心肌梗死）：入组标准为 LVEF<40% 且存在多节段收缩异常（diastolic 期与 systolic 期均可见节段性室壁运动减退）。cine MRI 上典型表现为节段性室壁变薄、运动消失或反向运动（dyskinesia），常累及左室前壁、侧壁或下壁。
DCM（扩张型心肌病）：入组标准为舒张末期 LV 容积>100 mL/m² 且 LVEF<40%。影像学特征为心腔显著扩大、室壁相对变薄、整体收缩功能弥漫性减低，是心衰与心脏移植的重要病因。
HCM（肥厚型心肌病）：入组标准为 LV 质量>110 g/m²、多个节段舒张期室壁厚度>15 mm 且 LVEF 正常。cine MRI 上表现为室壁显著增厚（常见非对称性室间隔肥厚）、心腔缩小，部分病例可见左室流出道梗阻相关的二尖瓣收缩期前向运动。
RV/ARV（右心室异常）：入组标准为 RVEDV>110 mL/m² 或 RVEF<40%。影像学特征为右心室扩大、右室壁运动异常；该组样本量最少、右室边界在短轴位上最难勾画，历来是分割误差的最大来源。

五组入组标准的量化阈值汇总（官方 databases.html 口径）：

组别	关键影像/生理阈值	主要受累腔室	典型 LVEF 走向
NOR	健康志愿者，无心血管病史	无	正常
MINF	LVEF<40% + 多节段收缩异常	LV（节段性）	显著降低
DCM	舒张末期 LV 容积>100 mL/m² + LVEF<40%	LV（整体扩大）	显著降低
HCM	LV 质量>110 g/m² + 多节段舒张期厚度>15 mm + EF 正常	LV 壁（增厚）	正常/偏高
RV	RVEDV>110 mL/m² 或 RVEF<40%	RV	右室功能受损

这套阈值表也是五分类任务的"可解释性桥"：模型特征若偏离这些量化量（如 DCM 被判为 HCM），可直接回溯到容积/质量/厚度三条物理轴上做误差归因。

§2.4 临床任务定义

分割任务：在 ED 与 ES 两帧的短轴 cine MRI 上逐像素分割三个结构——右心室血池（RV）、左室心肌（Myo，定义为 LV 心外膜与心内膜轮廓之间）、左心室血池（LV）。这是"多结构（multi-structures）"一词的确切含义。
心功能量化任务：由分割掩膜推算 EDV、ESV、射血分数 EF =（EDV-ESV）/EDV、LV 心肌质量，并按体表面积 BSA（由 Info.cfg 中的身高体重计算，Du Bois 公式常见）归一化为指标。
分类任务：从影像（或由分割衍生的形态/功能特征）判断受检者属于 NOR/MINF/DCM/HCM/ARV 五类中的哪一类，即"自动心脏诊断"（Automated Cardiac Diagnosis）名称的由来。
任务间依赖：TMI 2018 官方基准中，分类冠军方案大多先分割、后特征工程再分类；端到端直接分类的精度当时普遍低于"分割+特征"两段式方案。
任务延展：基于同一份标注还可定义射血分数回归、心肌质量预测、运动学参数估计等衍生任务——它们共用 ED/ES 分割输入，但评价协议不同（回归 MAE/相关系数 vs 分割 Dice vs 分类准确率），选用 ACDC 时应先声明自己在做哪个任务。

§2.5 患者人群特征

全部 150 例来自法国第戎大学医院的真实临床检查，覆盖成人心脏病谱中的四类主要结构性/功能性病变加健康对照，每组 30 例、性别与年龄分布未按流行病学比例刻意设计。
官方未公布逐例人口学明细；下载包 Info.cfg 仅含体重、身高、ED/ES 时刻与组别。因此基于 ACDC 做亚组分析（年龄、性别、种族）在数据层面不可行，这是公平性评估的固有边界（详见 §7）。
人群入组遵循严格的量化影像标准（§2.3 各组标准），疾病组代表的是"确诊该病的典型影像表型"，而非该病在自然人群中的真实分布——用 ACDC 训练的分类器只能用于"已知患有心脏病变的受检者中分型"，不能直接当作筛查工具。
未发布的临床背景同样限制了"疾病严重度"建模：组内没有轻中重度分级，150 例各自代表通过阈值筛选的单一表型带——把五分类拓展成严重度回归没有监督信号支撑。

§2.6 金标准/参考标准

分割金标准：由专家手工勾画的 ED/ES 两帧 RV/Myo/LV 三结构掩膜。挑战赛期间测试集标注保密、由官方在线评测；挑战结束后全部 150 例标注公开，此后社区默认以全标注版本做交叉验证。
诊断金标准：五组划分由临床综合诊断确立（病史、实验室检查、超声心动图与临床专家判定），cine MRI 分割标注仅是影像结构的参考标准，并不构成疾病诊断的独立金标准。
功能指标参考值：ED/ES 相位时刻由专家确认后写入 Info.cfg；这是自动化 EF 计算对齐专家口径的"时相锚点"，ED 或 ES 选错帧是新手最常见的系统性错误之一。
金标准的边界声明：ACDC 标注回答"结构边界在哪里"，不回答"边界画得对不对的分歧有多大"（无标注间一致性数据）；引用 ACDC 作为"金标准"时，严谨的表述是"专家参考标准（expert reference standard）"。

§3 数据集规格

§3.0 版本抉择矩阵

版本/渠道	内容	适用场景	注意事项
官方 Creatis 数据库（2017 首发版）	150 例完整 NIfTI（4D + ED/ES 3D + 标注 + Info.cfg），约 2 GB	论文基准、完整复现	需注册；强制引用 Bernard et al. 2018（包内 MANDATORY_CITATION.md）
MICCAI 2017 挑战赛快照	训练 100 例带标注 + 测试 50 例无标注（当时）	历史成绩复现	与现行公开版的差别只在测试标注是否可见，图像本体一致
社区镜像（HF YongchengYAO/ACDC 等）	原版转封装，附 CC BY-NC-SA 4.0 转述声明	快速获取	许可证为镜像转述，非官方页直接声明
2D 切片重排版（torch-em、MONAI 教程等）	逐切片 PNG/NIfTI，划分离散	教学演示	划分口径各异，数字不可与官方排行榜对比

数据本体版本策略：数据自 2017 年发布后冻结，无官方 1.0.1 类修订版；网上出现的"版本号"多为镜像自行命名，引用时以"2017 首发版 + TMI 2018 论文 doi"锁定身份即可。
多渠道并存风险：同一数据集在官网、HF、Kaggle、实验室自建盘上的封装各不相同；立项时把"哪个渠道的包"写进实验配置，比纠结版本号更能防复现事故。

版本建议：以官方 Creatis 数据库包为唯一权威底本；任何镜像/重排版只做访问便利，不做事实依据。若论文需引用"官方测试集成绩"，务必确认自己使用的是官方 100/50 划分（见 §5.1），而不是 5-fold 自切分。

§3.1 模态详细说明

模态：心脏 cine MRI（电影磁共振），短轴位（short-axis），平衡稳态自由进动序列（balanced SSFP / bSSFP，官方描述 “steady-state free precession”）。
成像平面：纯短轴堆栈，覆盖从心底（LV 基底）到心尖的全 LV 范围；不含长轴位（两腔/四腔心）视图。
时相维度：每例 28-40 帧电影序列覆盖一个完整或接近完整的心动周期；采用前瞻性门控时，心动周期末端约 5-10% 未被采集，故部分病例不覆盖完整周期。
门控方式：屏气采集（breath-hold），配合回顾性或前瞻性心电/脉搏门控——两种门控并存导致 4D 文件的时相覆盖不均一，是预处理必须逐例检查的属性。
分辨率特征：面内空间分辨率 1.37-1.68 mm²/pixel；层厚 5 mm（部分检查 8 mm），部分检查另含 5 mm 层间隙（等效层间距 10 mm）。层间分辨率显著低于面内分辨率，属于典型各向异性数据。

单例采集协议参数一览（官方口径）：

参数	取值	预处理含义
序列	balanced SSFP（稳态自由进动）	血池-心肌对比度高，强度无物理标度
平面	短轴位（心底→心尖）	2D 逐切片与 3D 体分割的公共输入
帧数	28-40（随心率与门控）	时相对齐必须以 ED/ES 索引为锚
门控	回顾性或前瞻性	前瞻性缺周期末端 5-10%
屏气	是	无呼吸运动伪影，但存在屏气不一致的层间漂移
层厚	5 mm（部分 8 mm）	层内部分容积效应决定了心尖层质量
层间隙	有/无（5 mm 间隙）	等效层间距 5/10 mm，3D 重采样必须逐例读取
面内分辨率	1.37-1.68 mm²/pixel	决定 resize 目标（常用 1.5×1.5 mm）
覆盖范围	LV 全范围（不含长轴位）	RV 流出道与心尖覆盖不完整是已知难点

§3.2 样本量拆分

口径	数量	说明
检查（病例）总数	150	全部来自不同患者，无同一患者多次检查
疾病/对照组数	5 组 × 30 例	NOR、MINF、DCM、HCM、RV 各 30
官方训练集	100 例	每组 20 例，附标注与组标签
官方测试集	50 例	每组 10 例，挑战期间标注保密，后公开
人工标注 3D 体	300	150 例 × ED/ES 两帧
人工标注 2D 切片	2,978	300 个 3D 体的切片总和
4D cine 序列	150	每例 28-40 帧，无逐帧标注

体素统计口径：全数据集 9,192 个切片仅 2,978 个有标注（约 32%）；若按时间帧计，标注覆盖率约 2/35 ≈ 6%——这正是 ACDC 成为半监督学习基准的客观原因。
规模含义：150 例的体量在 2017 年是"最大公开心脏 MRI 分割集"（发布时口径），在今天则属于"轻量基准"——它适合快速验证方法设计，训练出的模型规模与泛化声明都应与此体量相称。

§3.3 数据格式详情

封装格式：NIfTI-1（.nii.gz 无损压缩），医学影像标准格式，Nibabel/SimpleITK/MONAI/ITK 全生态可读。
逐例文件结构（以 patient001 为例）：

patient001/
├── patient001_4d.nii.gz        # 完整 cine 序列（28-40 帧的 4D 体）
├── patient001_frame01.nii.gz   # ED 帧 3D 原始体（或 frameXX，随 Info.cfg 指定）
├── patient001_frame01_gt.nii.gz    # ED 帧人工分割掩膜
├── patient001_frame12.nii.gz   # ES 帧 3D 原始体
├── patient001_frame12_gt.nii.gz    # ES 帧人工分割掩膜
└── Info.cfg                    # 文本配置：Weight、Height、ED、ES、Group

Info.cfg 字段：Weight: 81（kg）、Height: 167（cm）、ED: 1（ED 帧索引）、ES: 12（ES 帧索引）、Group: DCM。ED/ES 帧索引是 4D 文件中的第几帧（1-based），与 frameXX 文件名中的 XX 对应。
Info.cfg 原始样例（patient001，原样誊录格式）：

Weight: 81
Height: 167
ED: 1
ES: 12
Group: DCM

解析提示：分隔符是"冒号+空格"；帧索引两位零填充只出现在文件名里（frame01），Info.cfg 里是裸整数（1）；Group 取值集合为 {NOR, MINF, DCM, HCM, RV}。
跨格式注意：Windows 环境解压后 Info.cfg 可能带 \r\n 行尾，splitlines() 能正确处理，但逐字符解析会残留 \r——解析失败时先查行尾符。
标签值映射：0 = 背景、1 = RV 血池、2 = 心肌（Myo）、3 = LV 血池。注意：多数论文报 Dice 时按 LV、Myo、RV 顺序，而标签值顺序恰好相反（3、2、1），初学者极易在指标计算时对错通道。

§3.4 存储大小

官方完整包约 2 GB（压缩态）；社区处理版约 2.2 GB、重排 2D 版约 174 MB，差异来自打包与格式选择。
解压后逐例平均约 13 MB；单卡实验环境建议保留 NIfTI 原版，训练管线内实时切片，不建议预先展开 2D PNG（会引入 64×64 缩放类的二次失真风险，见 §6 坑点）。
空间规划参考：原版 2 GB + 解压态约 2.5 GB + 预处理产物（重采样/裁剪后）约 1-2 GB，10 GB 工作盘即可完整承载；无需对象存储或分布式缓存。

§3.5 标注方式

标注对象：仅 ED 与 ES 两帧的三个解剖结构，标注以 3D 体（逐层勾画后堆叠）方式提供，非逐帧全程标注。
结构定义：RV = 右心室血池；Myo = LV 心外膜轮廓与心内膜轮廓之间的心肌环；LV = 左心室血池。乳头肌与小梁的归属遵循官方协议（计入血池），这是与部分后续数据集（如 M&Ms）的口径差异点。
标注介质：NIfTI 标签体与原始体同矩阵同朝向，逐体素对应，无需配准即可直接计算 Dice/HD。
质量口径：专家勾画 + 逐例确认 ED/ES 时相；官方未提供标注间一致性系数（如 Dice 互评）数值，属于数据集文档层面的透明度缺口。
勾画惯例（社区复现与官方脚本反推口径）：心肌环由心内膜与心外膜两条轮廓闭合构成；乳头肌与小梁计入血池（LV/RV），不单列标签；右心室与心肌在室间隔处共边界，标注连续无缝隙。
对下游的影响：这些惯例决定了"该不该把乳头肌分给心肌"的模型行为——若你的应用需要单独量化小梁（如心肌致密化不全评估），ACDC 标注口径不适用，需转向含小梁标注的数据集或自行补充标注。

§3.6 标注者资质

标注由第戎大学医院心脏影像专家（心脏放射学方向）完成，ED/ES 时刻经专家确认；建库核心团队含勃艮第-弗朗什-孔泰大学 Alain Lalande（临床影像方）与里昂 Creatis 团队（工程方）。
挑战赛阶段评测由官方平台执行；测试集标注在挑战期间由官方保密托管，保证榜单公信力——这一"标注托管"模式后来成为 MICCAI 挑战赛的标准操作。

§3.7 数据采集时间范围

采集跨越约 6 年（发布于 2017 年，临床检查为其前数年间的常规检查），全部为第戎大学医院真实临床数据，非前瞻性专建队列。
数据发布时间线：2017-06 挑战赛启动（训练集上线）→ 2017-10 MICCAI/STACOM 现场赛 → 2018-11 TMI 总结论文 → 2022-12-31 官方提交平台关闭。
对复现研究的含义：数据与代码（官方评测脚本）均以 2017-2018 年快照为准，不存在"新版本协议"；引用时锁定 TMI 2018 论文口径即可，无需追溯采集的精确年份。

§3.8 地理覆盖

单中心数据集：法国勃艮第大区第戎市，第戎大学医院（CHU Dijon）。发布机构为里昂大学 Creatis 实验室（INSA-Lyon），即"第戎采集、里昂发布"的跨机构合作。
单中心属性意味着：扫描协议、人群构成、诊疗路径均来自同一医疗体系；跨中心/跨人群泛化必须依靠外部数据集（M&Ms、M&Ms-2 等，见 §8.3）验证。
地理覆盖的推广边界：第戎所在的勃艮第人群以欧洲高加索人为主，心脏形态学与疾病谱存在人群特异性；向不同地域人群推广前，应复核人群代表性假设并在论文中显式声明。

§3.9 采集设备规格

属性	1.5T 子集	3.0T 子集
扫描仪	Siemens Magnetom Area	Siemens Magnetom Trio Tim
场强	1.5 T	3.0 T
序列	bSSFP cine，短轴位	bSSFP cine，短轴位
门控	回顾性或前瞻性	回顾性或前瞻性
层厚	5 mm（部分 8 mm），部分含 5 mm 间隙	5 mm（部分 8 mm），部分含 5 mm 间隙
面内分辨率	1.37-1.68 mm²/pixel	1.37-1.68 mm²/pixel
时相数	28-40 帧	28-40 帧

官方明确要求挑战赛评测区分 1.5T 与 3T 子集报告成绩——场强导致的图像对比度差异是 ACDC 内建的"天然双域"，也是域自适应研究的常用切分轴。
设备型号为 Siemens 双机（Area 与 Trio Tim），无 GE/Philips 多厂商数据；多厂商泛化需求请转向 M&Ms（Siemens/Philips/GE 三厂商，见 §8.3）。
时代背景：两台设备均为 2010 年代初的主流临床机型；当时尚未普及压缩感知与深度学习重建，图像纹理特征与现代扫描仪输出存在代际差异——部署侧做输入分布监控时，应将"重建算法代差"列为与场强同级的漂移轴。

§3.10 深度溯源链

临床源头：法国第戎大学医院心脏 MRI 常规检查（2006-2012 年前后，约 6 年跨度）
    ↓ 匿名化：按第戎医院当地伦理委员会规范去标识（官方口径）
标注环节：专家手工勾画 ED/ES 两帧 RV/Myo/LV + 专家确认 ED/ES 时相
    ↓ 转换：DICOM → NIfTI 无损转换（.nii.gz）
发布主体：里昂大学 Creatis 实验室（INSA-Lyon / CNRS UMR 5220 / INSERM U1206）
    ↓ 2017-06：MICCAI 2017 STACOM 挑战赛训练集发布
    ↓ 2018-11：IEEE TMI 总结论文（强制引用来源）
分发渠道：humanheart-project.creatis.insa-lyon.fr 数据库（需注册下载）
    ↓ 2022-12-31：提交平台关闭，数据本体冻结
社区镜像：HuggingFace（YongchengYAO/ACDC、viennh2012/cardiac_cine_acdc、chehablab/ACDC）等

溯源链关键节点均可回溯验证：官方页声明医院与伦理合规 → TMI 论文给出协议细节 → 数据库页面提供下载与评测脚本（metrics_acdc.py，含 Dice/HD/Jaccard/ASSD/灵敏度/精确度六指标）。
对合规审计而言，"强制引用 Bernard et al. 2018 + 研究用途"是官方明示的全部使用条件；许可证层面的模糊性详见 §7.4。

§4 数据结构详解

§4.0 目录结构预览

acdc/                             # 官方压缩包解压根目录
├── Training/                     # 官方训练集 100 例（每组 20 例）
│   ├── patient001/
│   │   ├── patient001_4d.nii.gz
│   │   ├── patient001_frame01.nii.gz
│   │   ├── patient001_frame01_gt.nii.gz
│   │   ├── patient001_frame12.nii.gz
│   │   ├── patient001_frame12_gt.nii.gz
│   │   └── Info.cfg
│   ├── patient002/
│   │   └── ...
│   └── patient100/
│       └── ...
├── Testing/                      # 官方测试集 50 例（每组 10 例，标注现已在挑战后公开）
│   ├── patient101/
│   │   └── ...
│   └── patient150/
│       └── ...
├── metrics_acdc.py               # 官方评测脚本（Dice/HD/Jaccard/ASSD/灵敏度/精确度）
├── MANDATORY_CITATION.md         # 强制引用说明（Bernard et al., IEEE TMI 2018）
└── LICENSE / README              # 许可与使用说明（视打包批次而异）

患者编号 patient001-patient150 与官方 100/50 划分强绑定：001-100 为训练集、101-150 为测试集。这个编号语义在镜像重排版中经常被打乱，使用镜像时必须重新核对划分。

文件命名约定速查（官方原版）：

文件名模式	内容	数量/例
`patientXXX_4d.nii.gz`	完整 cine 4D 序列（X,Y,Z,T）	1
`patientXXX_frameXX.nii.gz`	ED/ES 时相 3D 原始体（XX = Info.cfg 中的 ED/ES 值）	2
`patientXXX_frameXX_gt.nii.gz`	对应时相的三结构标注体	2
`Info.cfg`	元数据文本（5 字段）	1

命名陷阱：frameXX 的 XX 由 Info.cfg 的 ED/ES 决定（多数病例 ED=1、ES 约在周期中段），因此不要假设 frame01 一定是 ED、frame12 一定是 ES——必须逐例读 Info.cfg。

§4.1 DAIMS 标准化字段描述表

核心数据对象：4D cine 序列（每例 1 个文件）

字段名	数据类型	说明	示例值	AI 用途	观测误差	信息性缺失编码	取值范围
patientXXX_4d.nii.gz	NIfTI 4D	完整心动周期电影序列	(216,256,9,32)	时序任务/伪标注/半监督无标注体	前瞻门控缺周期末端 5-10%	无（必含）	28-40 帧
矩阵尺寸 X×Y	INTEGER ×2	面内采样矩阵	(216,256)	决定 resize/裁剪策略	无	不允许缺失	154-428 × 154-512
层数 Z	INTEGER	短轴层数	9	3D 卷积核设计	层间隙致物理厚度≠层数×层厚	不允许缺失	6-21 层
帧数 T	INTEGER	心动周期时相数	32	时相对齐/功能曲线拟合	帧间时长随 RR 间期而变	不允许缺失	28-40

核心数据对象：ED/ES 3D 体与标注（每例 4 个文件）

字段名	数据类型	说明	示例值	AI 用途	观测误差	信息性缺失编码	取值范围
patientXXX_frameXX.nii.gz	NIfTI 3D	ED 或 ES 时相原始体	(216,256,9)	分割输入	与 4D 对应帧完全一致	不允许缺失	同 4D 面内尺寸
patientXXX_frameXX_gt.nii.gz	NIfTI 3D 标签	专家分割掩膜	(216,256,9)	分割监督信号/功能量化	专家间一致性未公布	无（ED/ES 必含）
体素值 0	UINT8	背景	0	忽略类	—	—	—
体素值 1	UINT8	RV 血池	1	右室分割/RVEDV/RVEF	基底层 RV 可断为两部分（见坑点 3）	不允许缺失（ED/ES）	离散标签
体素值 2	UINT8	LV 心肌	2	Myo 分割/LV 质量	乳头肌归属按官方协议入血池	不允许缺失（ED/ES）	离散标签
体素值 3	UINT8	LV 血池	3	LV 分割/EDV/ESV/EF	心尖层部分容积效应	不允许缺失（ED/ES）	离散标签

核心数据对象：Info.cfg 元数据（每例 1 个文件）

字段名	数据类型	说明	示例值	AI 用途	观测误差	信息性缺失编码	取值范围
Weight	FLOAT	体重（kg）	81	BSA 归一化	自报/临床记录	不允许缺失	成人范围
Height	FLOAT	身高（cm）	167	BSA 归一化	自报/临床记录	不允许缺失	成人范围
ED	INTEGER	舒张末期帧索引（1-based）	1	时相对齐锚点	无	不允许缺失	1-T
ES	INTEGER	收缩末期帧索引	12	时相对齐锚点	无	不允许缺失	1-T
Group	STRING	组别标签	“DCM”	五分类标签/分层	官方页写 RV，包内写 RV	不允许缺失	NOR/MINF/DCM/HCM/RV

§4.2 标签分布统计

组别	全库	训练集	测试集	组内占比
NOR	30	20	10	20%
MINF	30	20	10	20%
DCM	30	20	10	20%
HCM	30	20	10	20%
RV	30	20	10	20%
合计	150	100	50	100%

类别层面完全均衡（这是设计出来的均衡，不是自然分布）；但体素层面极不均衡——心肌面积通常仅占短轴切片的 10-20%，RV 面积亦小，背景占绝对多数，训练时必须配损失加权或采样策略。
均衡设计的双面性：分组均衡让五分类天然免于类别加权，是教学的优点；但也意味着模型学到的先验是"四分之一是病人"，与真实门诊先验差距巨大，部署前必须重新校准阈值或先验。

§4.3 关键字段描述性统计

统计量	面内 spacing（mm）	层间 spacing（mm）	矩阵 X×Y	层数	帧数
最小值	0.70 × 0.70	5.0	154 × 154	6	28
中位数	1.52 × 1.52	10.0	216 × 256	9	—
最大值	1.95 × 1.95	10.0	428 × 512	21	40

面内分辨率跨度近 3 倍（0.70→1.95 mm）、层数跨度 3.5 倍（6→21 层），直接拼 batch 会在空间维度错位——重采样到统一 spacing（如 1.5×1.5 mm 面内 + 5 或 10 mm 层间）是几乎所有上榜方案的固定预处理。
官方页表述"面内分辨率 1.37-1.68 mm²/pixel"指单像素面积；上表 mm 单位数值来自镜像对 300 个标注体的实测统计，两者口径不同但相容。
统计口径说明：上表为 300 个标注 3D 体（150 例 × ED/ES）的逐例统计；4D 序列的 spacing 与之相同（同一采集几何），但矩阵第四维为帧数（28-40），不参与上表空间统计。

§4.4 数据层级关系

数据集 ACDC
└── 检查（Study，patient001-patient150，一级键 = 患者目录名）
    ├── Info.cfg：Weight / Height / ED / ES / Group（检查级元数据，1:1）
    ├── 4D cine 序列（patientXXX_4d.nii.gz，1:1，T 帧）
    │   └── 时相帧（T 个 3D 体；ED 帧 = 第 ED 帧，ES 帧 = 第 ES 帧）
    └── 标注体（1:2：ED 帧 _gt + ES 帧 _gt）
        └── 三结构掩膜（RV=1 / Myo=2 / LV=3，体素级，3D）

层级要点：Group 标签是检查级的（一例只有一个组别）；分割标注是帧级的（仅 ED/ES）；体素值是结构级的。三类语义不在同一层级，做分类任务时切勿把帧级当病例级随机划分。
无交叉引用文件（无 subjects.tsv 之类的主索引），患者间关联仅靠编号顺序与 Info.cfg；从镜像导入数据库时需自建清单表。

编号-划分-组别对照（官方 100/50 口径）：

编号段	划分	每组数量	合计
patient001-100	训练集	20	100
patient101-150	测试集	10	50

注意编号跨组别连续：patient001-patient020 为 NOR、021-040 为 MINF、041-060 为 DCM、061-080 为 HCM、081-100 为 RV（101-150 同序循环）。按编号顺序截取数据会引入"整组进训练、整组进测试"的组别偏斜——任何抽样都必须先打乱。

§4.5 缺失值情况与信息性缺失编码

表格字段零缺失：150 份 Info.cfg 的 Weight/Height/ED/ES/Group 均完整，无需插补。
结构化缺失（设计使然）：约 68% 的 cine 帧无分割标注（仅 ED/ES 有）；这不是数据缺失而是任务设计，恰好可用作半监督的无标注池。
时间维度截断：前瞻性门控病例缺心动周期末端 5-10%，舒张早期信息可能不完整——做全程功能曲线拟合时须按门控类型分组处理。
未提供字段：年龄、性别、种族、临床用药、随访结局等临床变量官方一概未发布；这不是缺失编码问题，而是数据集边界，做因果或预后研究需另接其他数据源。
缺失策略建议：任何以 ACDC 为源的数据管道都应把"Info.cfg 五字段 + 4D 文件 + 2 个标注体"六要素定义为完整性谓词，不满足者直接隔离进问题队列，而不是带病进入训练集。

§5 数据划分与使用建议

§5.1 官方数据划分

训练集 100 例（patient001-100，每组 20，带标注与组标签），测试集 50 例（patient101-150，每组 10，挑战期标注保密、后公开）。编号区间即划分边界。
挑战赛协议：分割任务按 LV/Myo/RV 分别报告 Dice 与 Hausdorff 距离，并区分 1.5T 与 3T 子集；分类任务报五类总体准确率。
划分的隐含设计：训练/测试集内五组比例严格 4:1 对称（20/20/20/20/20 vs 10/10/10/10/10），保证了组别维度上的分布一致；但两集之间未按场强/门控类型分层，1.5T 与 3T 病例在两集中的比例是自然落定的，分域对比时需注意小样本噪声。

§5.2 推荐划分策略

三种主流协议一览与各自的"对话对象"：

协议	训练/验证/测试	可比对象	适用
官方划分	100 / — / 50（测试集标注现已可得）	MICCAI 2017 榜单、TMI 2018 论文	历史对标
5-fold（100 例内）	80 / 20 × 5 折	2019 年后绝大多数论文（nnU-Net 系等）	方法论文主口径
全量 150 例自划	自定	仅自己	教学演示（严禁进论文）

要与官方榜单对话：100 例训练 + 50 例测试一次性定死，测前不窥测试集；这是唯一可与 MICCAI 2017 排行榜及 TMI 论文直接比较的口径。
要与近年文献对话：对 100 例训练集做 5-fold 交叉验证（每折约 80/20），报均值±标准差——这是 2019 年后绝大多数论文（nnU-Net、nnFormer、MedNeXt 系列）的默认口径，但与官方测试集数字不可比。
快速实验/教学：可从训练集划 10-20 例做验证集；150 例全量打乱的 2D 划分仅限课堂演示，正式结果严禁使用（患者级信息会泄漏进验证集）。
落地纪律：选定协议后把划分索引落成版本化文件（含随机种子），实验记录与论文表格注明协议名——协议混用是 ACDC 论文被拒最常见的方法学硬伤之一。

§5.3 数据泄漏风险防御

患者级划分铁律：同一患者的任何帧、任何切片只能出现在 train/val/test 之一。2D 切片层面随机划分是最常见的自欺式泄漏，会导致虚高 3-5 个 Dice 点。
验证集选择：官方测试集应全程锁箱；在训练集内做 k-fold 时，fold 内同样按患者分组（GroupKFold/StratifiedGroupKFold，按组别分层）。
预处理统计隔离：强度归一化参数、重采样模板必须在训练折内计算后套用到验证/测试，不得全局拟合。
组标签隔离：五分类任务若使用"分割衍生特征"，注意特征来自 ED/ES 标注帧时存在标签衍生泄漏——分类任务应使用模型预测特征而非金标准特征。
镜像混用泄漏：官方版与镜像版同库混存时，同一患者可能以不同文件名出现两份——入库前必须以 spacing+矩阵尺寸+Info.cfg 三元组做去重指纹校验。

§5.4 交叉验证建议

主流口径：100 例训练集、5-fold、按组别分层、按患者分组；每折规模约 80 训练/20 验证，报告 Dice（LV/Myo/RV）与 HD 的 mean±std。
半监督研究惯例：从训练集抽取 5%（约 5 例）或 10%（约 10 例）作标注池、其余作无标注池，验证集固定——SSL4MIS 等框架即沿用此口径，横向比较时务必核对比例定义。
折间方差的价值：ACDC 体量小，单折成绩可在 ±0.5 Dice 内波动；只跑单折或只报最优折是低级失误，mean±std 才是这套数据体量下的诚报告方式。

§5.5 外部验证

ACDC 上训练的模型跨数据集性能显著下降：外部研究报告迁移到其他中心数据时 RV Dice 下降约 5.12 点，心尖切片最坏可差约 30 点——发表前请至少在一个外部数据集上验证。
推荐外部验证集：M&Ms（多厂商多中心，标签体系含 LV/Myo/RV，可直接复用分割头）、M&Ms-2（多病种多国）、LVQuant/LV-RV 等心功能量化集；CAMUS（超声）仅可作跨模态泛化参考，不可直接对比。
外部验证的最低可行配置：冻结 ACDC 训练的模型权重，在 M&Ms 上零样本推理报逐类 Dice；再抽 M&Ms 训练集 20% 做线性探测微调，对比"零样本 → 少样本适配 → 全量训练"三级曲线，这是审稿人最认可的泛化证据形态。

§6 AI 就绪指南

§6.0 云端快速启动

零门槛试用：ACDC 体量小（约 2 GB），单张免费 Colab/Kaggle GPU 即可跑通从下载到训练的完整闭环；无需任何认证或申请。
# Google Colab 冒烟测试：拉取社区镜像（仅用于跑通管线；正式研究请下载官方包，见 §6.2）
!pip -q install nibabel monai huggingface_hub
from huggingface_hub import snapshot_download
local_dir = snapshot_download(repo_id="YongchengYAO/ACDC", repo_type="dataset")
print(local_dir)   # 以镜像页面实际文件结构为准，逐目录核对后再进管线
免下载训练范式：数据小到可以整体 Cache 进内存（CacheDataset 常驻 RAM <2 GB），2D 逐切片训练单 epoch 分钟级完成——ACDC 是少数能在免费算力上"当日出曲线"的医学分割数据集。

Kaggle 路线：Kaggle Datasets 站内亦有多个 ACDC 转封装（配好 GPU 环境、无需外网下载）；同样仅建议用于冒烟测试，正式结果以官方包重建划分。

§6.1 快速上手（本地 Python 版）

# ========================================
# ACDC 快速上手 — Python + nibabel（官方 NIfTI 包，解压至 ./acdc/）
# 依赖：pip install nibabel numpy scipy
# ========================================
import nibabel as nib
import numpy as np
from pathlib import Path

root = Path("./acdc/Training")
patient = root / "patient001"

# 步骤 1：读 4D cine 序列（NIfTI 约定 shape = (X, Y, Z, T)）
img4d = nib.load(patient / "patient001_4d.nii.gz")
data4d = img4d.get_fdata()
dx, dy, dz, dt = img4d.header.get_zooms()      # 体素间距：面内 + 层间 + 帧间隔
print(data4d.shape, dx, dy, dz)

# 步骤 2：解析 Info.cfg（1-based 帧索引！）
cfg = dict(line.split(": ", 1) for line in (patient / "Info.cfg").read_text().splitlines())
ed, es, group = int(cfg["ED"]), int(cfg["ES"]), cfg["Group"]   # 如 1, 12, "DCM"

# 步骤 3：读 ED 帧原始体与标注体（文件名帧号零填充两位）
ed_img = nib.load(patient / f"patient001_frame{ed:02d}.nii.gz").get_fdata()
ed_gt  = nib.load(patient / f"patient001_frame{ed:02d}_gt.nii.gz").get_fdata().astype(np.uint8)
print(np.unique(ed_gt))    # [0 1 2 3]：0=背景 1=RV 2=心肌 3=LV

# 步骤 4：算一个 Dice（以 LV=3 为例）
def dice(pred: np.ndarray, gt: np.ndarray, label: int) -> float:
    p, g = pred == label, gt == label
    denom = p.sum() + g.sum()
    return 2.0 * (p & g).sum() / denom if denom else float("nan")
print(f"LV Dice (ED): {dice(ed_gt, ed_gt, 3):.4f}")   # 对金标准自评为 1.0，管线正确性检查

管线自检技巧：把金标准同时当预测与真值跑 Dice，必须输出 1.0；输出不是 1.0 说明标签通道或重采样把数据弄坏了——这是 ACDC 上最便宜的"冒烟测试"。

全库完整性巡检（建议每次接入新镜像/新版本先跑一遍）：

# 巡检 150 例：文件齐套性、帧数范围、ED<ES、组别合法、标注标签值合法
from collections import Counter

groups, issues = Counter(), []
for p in sorted(root.parent.glob("patient*/")) if False else sorted(Path("./acdc").glob("**/patient*")):
    pid = p.name
    n_4d  = len(list(p.glob("*_4d.nii.gz")))
    n_gt  = len(list(p.glob("*_gt.nii.gz")))
    cfg   = dict(l.split(": ", 1) for l in (p / "Info.cfg").read_text().splitlines()) if (p / "Info.cfg").exists() else {}
    groups[cfg.get("Group", "MISSING")] += 1
    t = nib.load(next(p.glob("*_4d.nii.gz"))).shape[3] if n_4d else 0
    if n_4d != 1 or n_gt != 2 or not cfg:
        issues.append(f"{pid}: 文件不齐套 (4d={n_4d}, gt={n_gt})")
    if cfg and (int(cfg["ED"]) < 1 or int(cfg["ES"]) > t or int(cfg["ED"]) == int(cfg["ES"])):
        issues.append(f"{pid}: ED/ES 索引异常 (ED={cfg['ED']}, ES={cfg['ES']}, T={t})")
    if cfg and cfg.get("Group") not in {"NOR", "MINF", "DCM", "HCM", "RV"}:
        issues.append(f"{pid}: 组别非法 {cfg.get('Group')}")
print(dict(groups)); print(*issues, sep="\n")   # 期望：五组各 30，issues 为空

巡检逻辑覆盖了 ACDC 最常见的四类"到手病"：镜像缺文件、Info.cfg 缺字段、ED≥ES、组别字符串大小写漂移。跑完此脚本再进训练，能省掉大部分调试时间。

§6.2 数据获取流程

访问官方数据库 humanheart-project.creatis.insa-lyon.fr（Creatis 注册账号，填机构与用途）。
下载 NIfTI 完整包（约 2 GB，150 例全标注版）；解压后核对：patient001-patient150 共 150 个目录、300 个 _gt 文件、150 份 Info.cfg。
阅读 MANDATORY_CITATION.md：任何论文/报告必须引用 Bernard et al., IEEE TMI 2018（doi:10.1109/TMI.2018.2837502）。
记录下载批次与文件清单（MD5 或文件数），便于后续镜像比对与论文可复现性声明。
替代渠道：HuggingFace 镜像（YongchengYAO/ACDC 等）免注册秒取，但需自核划分与标签完整性（镜像与官方逐字节一致性无官方背书）。
到手后 30 分钟验收清单：跑 §6.1 巡检脚本；抽 5 例目检 ED/ES 标注叠加图（RV/Myo/LV 三色是否贴边）；核对 spacing 与本文 §4.3 统计表同数量级；确认 Info.cfg 组别五类齐全各 30。

§6.3 预处理 Pipeline

# 标准三步预处理：重采样 → 强度归一化 → 前景裁剪（nnU-Net 风格的最小可复现集）
import numpy as np
from scipy.ndimage import zoom

def preprocess_case(img: np.ndarray, spacing: tuple, order_img=1) -> dict:
    sx, sy, sz = spacing                                   # 如 (1.52, 1.52, 10.0)
    # 第 1 步：各向异性重采样到统一 spacing（面内 1.5 mm，层间不动或压到 5 mm）
    pixdim = (1.5, 1.5, sz)                                # 层间保持原值，避免跨层插值伪影
    factors = tuple(s / t for s, t in zip(spacing, pixdim))
    img_r = zoom(img, factors, order=order_img)            # 标注体用 order=0（最近邻）单独跑
    # 第 2 步：非零体素 z-score（SSFP 强度无物理标度，全局直方图统计须按训练折计算）
    nz = img_r[img_r > 0]
    img_n = (img_r - nz.mean()) / (nz.std() + 1e-8)
    # 第 3 步：前景 bbox 裁剪（心脏通常只占矩阵 1/4-1/2，裁剪省显存且稳定 batch 拼接）
    mask = img_n > img_n.min() + 0.1 * (img_n.max() - img_n.min())
    z, y, x = np.where(mask)
    box = (slice(z.min(), z.max() + 1), slice(y.min(), y.max() + 1), slice(x.min(), x.max() + 1))
    return {"image": img_n[box], "spacing": pixdim}

# 关键纪律：mean/std 与 bbox 边界只在训练折内统计，验证/测试折只做变换不做统计。

层间插值选择：分割任务对标注体一律用最近邻（order=0）；对图像体用线性即可。把 10 mm 层间强行插值到 5 mm 并不增加信息，反而引入平滑伪影——3D 方案建议保留原始层间、2D 方案则完全回避层间问题。
批量校验：预处理后打印全部 150 例的输出 shape 分布；若出现某例层数翻倍，八成是 spacing 读取错（mm 与 voxel 单位混淆）。

§6.4 框架加载

nnU-Net v2（榜单首选，改动最小）

nnUNet_raw/Dataset157_ACDC/          # "157" 为社区惯用任务号，可自选
├── imagesTr/   # patient001_0000.nii.gz ...（_0000 = 单模态通道后缀）
├── labelsTr/   # patient001.nii.gz ...（ED/ES 各占一个样本文件，标签 0/1/2/3）
├── imagesTs/
├── labelsTs/
└── dataset.json

{
  "channel_names": {"0": "cineMRI"},
  "labels": {"background": 0, "RV": 1, "MYO": 2, "LV": 3},
  "numTraining": 200,
  "file_ending": ".nii.gz"
}

ACDC 的 100 例训练集展开为 200 个标注样本（ED/ES 各一），numTraining 按 200 计；测试集 50 例展开 100 个。

MONAI（自定义模型/半监督）

from monai.data import CacheDataset
from monai.transforms import (
    Compose, LoadImaged, EnsureChannelFirstd, Spacingd,
    ScaleIntensityRanged, RandAffined, ToTensord,
)

files = [
    {"image": str(p / f"{p.name}_frame{int((p / 'Info.cfg').read_text().split('ED: ')[1].splitlines()[0]):02d}.nii.gz"),
     "label": str(p / f"{p.name}_frame{int((p / 'Info.cfg').read_text().split('ED: ')[1].splitlines()[0]):02d}_gt.nii.gz")}
    for p in sorted(root.glob("patient*"))
]

transforms = Compose([
    LoadImaged(keys=["image", "label"]),
    EnsureChannelFirstd(keys=["image", "label"]),
    Spacingd(keys=["image", "label"], pixdim=(1.5, 1.5, 10.0), mode=("bilinear", "nearest")),
    ScaleIntensityRanged(keys="image", a_min=0, a_max=1000, b_min=0.0, b_max=1.0, clip=True),
    RandAffined(keys=["image", "label"], prob=0.5, rotate_range=(0.2, 0.2, None),
                mode=("bilinear", "nearest")),
    ToTensord(keys=["image", "label"]),
])
train_ds = CacheDataset(files, transforms, cache_rate=1.0)   # 全量缓存，约 2 GB 内存

a_max=1000 是 SSFP 的经验窗位起点，务必在自己数据的直方图上重新标定；标注链路全程只用 nearest。

§6.5 常见坑点

⚠️ 坑点 1：文献成绩口径分裂，榜单数字不可直接互比（分类：实验设置）

问题：官方划分是 100 训练/50 测试，但挑战平台关闭后多数论文改为对 100 例训练集做 5-fold，还有镜像版把 150 例全交给用户自划。
症状：同一"ACDC Dice 91-92"背后可能是三种不同协议；复现者拿 5-fold 代码去对官方测试集数字，怎么调都差 1-2 个点。
解决：立项先声明协议——与官方榜单对话用 001-100 训练/101-150 测试；与近年文献对话用 5-fold mean±std。论文表格注明每行用的哪种口径。
参考：官方 databases.html；chehablab/ACDC 镜像说明（明示 2D 版划分不兼容官方协议）。

⚠️ 坑点 2：标签值顺序与论文报分顺序相反（分类：数据理解）

问题：标签编码 1=RV、2=心肌、3=LV；而几乎所有论文按 LV、Myo、RV 顺序报 Dice。
症状：指标按通道对错位后，"LV Dice 0.95"实为 RV 成绩；五分类与分割共用一个 label map 时错误更隐蔽。
解决：在读代码里写死 LABEL = {"bg": 0, "RV": 1, "MYO": 2, "LV": 3} 并写单元测试断言三结构的解剖学合理性（LV 面积均值 > Myo 面积）。
参考：torch-em ACDC 加载器文档；官方评测脚本 metrics_acdc.py。

⚠️ 坑点 3：基底切片 RV 断成两部分，RV Dice 莫名暴跌（分类：标注/解剖）

问题：心底最基底的短轴层上，RV 流出道与 RV 本体在图像上被断开为两个互连区域，标注却属同一标签值。
症状：模型预测 RV 本体连通域而漏掉流出道，RV Dice 系统性低于文献；逐层误差分析发现误差全集中在最基底 1-2 层。
解决：评测 RV 时按官方惯例剔除最基底 2 层再算（多论文沿用此变通）；或训练时在基底层做针对性采样增强。
参考：HAL hal-04747092 外部评测协议；TMI 2018 论文对心底切片退化的讨论。

⚠️ 坑点 4：各向异性分辨率不做重采样直接训练（分类：预处理）

问题：面内 0.70-1.95 mm、层间 5-10 mm 混杂，直接 resize 到固定网格会引入几何畸变。
症状：2D 方案尚可（回避层间），3D 方案收敛抖动、验证 Dice 方差大；把 spacing 当成均匀 (1,1,1) 时距离类指标（HD/ASSD）数值直接错误。
解决：图像与标注分精度重采样（图像 order=1、标注 order=0）；HD/ASSD 只能基于物理 spacing 计算；固定 pixdim 写进配置文件而非散落在代码里。
参考：官方协议参数（§3.9）；nnU-Net spacing 自动规划机制。

⚠️ 坑点 5：只有 ED/ES 两帧有标注，全周期任务用 ACDC 会翻车（分类：任务边界）

问题：150 例 × 2 帧 = 300 个标注体，其余约 9,000 帧无标注。
症状：用 ED/ES 训练的模型在心动周期其余帧上推理，外部实测平均 Dice 下降约 0.23；舒张中期的快速形变阶段最差。
解决：时序任务要么接受"仅 ED/ES 有效"的边界，要么用 ED/ES 模型给中间帧打伪标注、配帧间平滑约束，或叠加公开的全周期标注扩展集（如来自 M&Ms 系列的连续帧子集）。
参考：HAL hal-04747092 的时相外泛化实验。

⚠️ 坑点 6：前瞻性门控缺心动周期末端帧（分类：数据理解）

问题：前瞻门控检查缺失周期末端约 5-10%，部分病例的"舒张早期"根本没被采到。
症状：按"每例固定 32 帧"或等间隔插值对齐时相时，部分病例曲线末端被强行外推，EF 拟合出现系统性偏差。
解决：以 Info.cfg 的 ED/ES 索引为锚做相对对齐而非绝对帧号；批量校验 4D 文件帧数分布（28-40）并对门控类型分组分析。
参考：官方采集协议声明（databases.html）。

⚠️ 坑点 7：镜像版划分与命名混乱，“RV"还是"ARV”（分类：工程/合规）

问题：官方页写 “RV”，文献写 ARV/ARVC；2D 重排版常见两种雷——150 例全放 train、患者 ID 顺序打乱；许可证在官方页无显式 CC 声明，镜像转述 CC BY-NC-SA 4.0。
症状：从镜像切到官方包后代码报"找不到组别"；论文写 ARV、代码取 “RV” 字符串匹配失败；合规审查时说不清许可证依据。
解决：组别匹配大小写不敏感并枚举别名（{“RV”, “ARV”, “ARVC”}）；镜像只用于冒烟测试，正式实验回到官方包重建清单；论文的数据使用声明里写"研究用途 + 强制引用 Bernard et al. 2018"这一保守口径。
参考：官方 databases.html；YongchengYAO/ACDC 与 chehablab/ACDC 镜像页许可证声明。

⚠️ 坑点 8：与 ETH Zurich 自动驾驶数据集 ACDC 同名，检索与依赖错乱（分类：检索/环境）

问题：ETH 的 Adverse Conditions Dataset（恶劣天气驾驶）缩写同为 ACDC，搜索结果大量混入。
症状：查"ACDC 1.0.1 版本"查到的是自动驾驶雨雪数据集；BibTeX 与下载链接张冠李戴。
解决：检索时叠加 cardiac MRI/Creatis/Bernard TMI 2018 限定词；引用始终以 TMI 论文 doi:10.1109/TMI.2018.2837502 为锚，不用二手版本号。
参考：acdc.vision.ee.ethz.ch（同名数据集，注意甄别）；IEEE TMI 2018 论文页。

§6.6 数据增强

空间类（标注同步最近邻）：随机仿射（旋转 ±10°、缩放 0.9-1.1、错切小幅）、随机翻转（左右翻转对心脏解剖近似成立，前后翻转慎用）、弹性形变小幅值——小数据集（100 例）必须靠空间增强扩流形。
强度类：随机 gamma（0.8-1.2）、高斯噪声/模糊、亮度缩放——模拟 1.5T/3T 与个体间 SSFP 对比度差异；避免对比度拉伸过强破坏心肌-血池边界。
时相类（进阶）：相邻帧线性混合（模拟中间时相）与随机时相抖动，对 ED/ES-only 训练的时相稳健性有实证收益。
组合纪律：2D 逐切片训练时翻转/旋转沿短轴平面进行；任何插值后标注必须回写 uint8，禁止让标签出现 1.4 这样的插值灰度。
可复现增强配置参考（把增强写进版本化配置而非散落代码）：

augment:
  spatial:
    rotate: [-0.2, 0.2]        # rad，短轴平面内
    scale: [0.9, 1.1]
    flip_lr: 0.5               # 左右翻转概率
    flip_ud: 0.0               # 前后翻转慎用
  intensity:
    gamma: [0.8, 1.2]
    gaussian_noise_std: [0, 0.02]
    brightness: [0.9, 1.1]
  label_interp: nearest        # 铁律：标签永远最近邻

§6.7 模型推荐

路线	代表方案	典型平均 Dice	显存/时长	适用
3D 自动配置	nnU-Net v2	91.6-91.8	~10 GB / 4-8 h	论文默认起跑线
混合架构	nnFormer	92.06	~10 GB / 8 h	小数据 Transformer 对比实验
全卷积现代化	MedNeXt-L	92.7	~16 GB / 8-24 h	刷榜/极限复现
2D 轻量	U-Net 逐切片	88-90	≤8 GB / <1 h	教学、快速迭代
半监督	SSL4MIS（mean teacher 等）	视标注比例	~10 GB / 6-12 h	5%/10% 标注研究
基础模型	MedSAM/MedSAM2 微调	90+	视 adapter	少样本适配叙事

要成绩：nnU-Net v2（3D full resolution）零改动即可到平均 Dice 约 91.6-91.8，是默认起跑线；nnFormer（92.06）、MedNeXt-L（92.7）、BiSegMamba（92.57）属于刷榜梯队，边际收益 <1 点。
要轻量/教学：2D U-Net + ResNet 编码器逐切片训练，单卡 8 GB、十分钟量级，平均 Dice 约 88-90，教学性价比最高。
要半监督：SSL4MIS 框架（mean teacher / deep adversarial network 路线）在 5%/10% 标注口径下是社区事实标准。
要基础模型路线：MedSAM/MedSAM2 微调在 ACDC 上可快速达 90+，适合验证"少样本适配"故事，但纯刷分不如 nnU-Net。
分类任务：分割特征（EDV/ESV/EF/质量）+ 梯度提升机在 150 例规模上稳定优于大网络端到端；TMI 2018 冠军分类方案即"分割+特征"两段式。

§6.8 计算资源需求

场景	GPU	显存	时长参考
2D U-Net 逐切片	RTX 3060 级	≤8 GB	全量训练 <1 h
nnU-Net 2D	RTX 3090/4090	~8 GB	2-4 h
nnU-Net 3D full	RTX 3090/4090	~10 GB	4-8 h（1000 epochs，200 训练样本）
MedNeXt-L / 刷榜复现	A100/4090 ×1	~16 GB	8-24 h
半监督（SSL4MIS）	单 3090	~10 GB	6-12 h

ACDC 全量数据 <2 GB，可整体 Cache 进 RAM，磁盘 I/O 不构成瓶颈；免费 Colab（T4）跑 2D 方案即可完成教学级完整实验。
显存余量用途建议：预算允许时把余量花在更大 crop 与更深监控（逐层 Dice 可视化）上，而不是更大的 batch——150 例规模下 batch 增益早已饱和。

§6.9 评估指标

官方六指标（metrics_acdc.py 内置）：Dice、Hausdorff 距离（HD）、Jaccard、平均表面距离（ASSD）、灵敏度（Sensitivity）、精确度（Precision），按 LV/Myo/RV 分别计算并区分 1.5T/3T 子集。
临床指标：由预测掩膜推算 EDV/ESV/EF 与 LV 质量，与专家值做 Bland-Altman 与相关系数（TMI 2018 冠军方法相关性 0.97）；论文若只报 Dice 不报功能指标误差，临床说服力打折。
分类指标：五类混淆矩阵 + 总体准确率（官方口径）；建议补报每类 F1，ARV 类样本最少、最容易被总体准确率掩盖。
实现警示：HD 对单个体素错误极敏感，建议同时报 95% HD；所有距离类指标必须用物理 spacing 计算（见坑点 4）。
实现选型：官方 metrics_acdc.py 是判定口径的最终依据；自实现时常用 medpy.metric.binary（dc/jc/hd95/assd）对齐，注意 medpy 的 hd 系列默认以体素数为单位，必须传入 spacing 参数才得到 mm。
双帧聚合口径：ED/ES 两帧成绩可以分开报，也可以逐例平均后报单一数值——官方脚本两种都支持，论文里必须写清用的是哪种。

用金标准自校验功能量化的参考实现（纯 nibabel，无额外依赖）：

# 由 ED/ES 标注体推算单例 EDV/ESV/EF（体素计数法）
def cardiac_metrics(gt_ed: np.ndarray, gt_es: np.ndarray, spacing: tuple) -> dict:
    voxel_ml = np.prod(spacing) / 1000.0                 # mm^3 → mL
    lv_ed = (gt_ed == 3).sum() * voxel_ml                # 标签 3 = LV 血池
    lv_es = (gt_es == 3).sum() * voxel_ml
    myo_mass = ((gt_ed == 2).sum() * voxel_ml) * 1.05    # 心肌密度 ~1.05 g/mL
    ef = (lv_ed - lv_es) / lv_ed if lv_ed else float("nan")
    return {"EDV_mL": lv_ed, "ESV_mL": lv_es, "EF": ef, "MyoMass_g": myo_mass}

与专家值对齐时注意：官方口径的血池计数含乳头肌（计入血池，见 §3.5）；若你按"排除乳头肌"重算，EF 会与文献出现 1-3 个绝对百分点的系统性偏差。

§6.10 MLOps 笔记

数据版本化：官方包一次性快照后用 DVC/Git LFS 管理 checksum；镜像版与官方版分流存放，实验记录里写明数据来源渠道。
划分即资产：把官方 100/50 索引与 5-fold 划分（含随机种子）落成版本化 JSON，杜绝"每次跑划分都不同"的不可复现。
训练纪律：固定种子（数据增强、模型初始化、DataLoader 顺序三处）；监控 RV 类的逐层 Dice（按基底/中部/心尖分层），模型退化最先出现在基底 RV。
评测自动化：直接采用官方 metrics_acdc.py 或复刻其六指标定义进 CI；论文数字与 CI 产物对应，避免"手算 Dice"口径漂移。
模型卡：登记训练协议（2D/3D、划分口径、epochs）、外部验证结果与已知失败场景（心底/心尖切片、ARV 小类），上线前随模型一起评审。
面向 ACDC 的复现包清单：数据 checksum 文件、划分 JSON（官方 100/50 + 5-fold 索引）、预处理配置（pixdim/窗位）、训练日志（含种子）、评测脚本版本号——五件套齐备，任何人在一年后都能重出同一张表。
团队协作约定：ACDC 体量小，容易被多人各自下载、各自改造；把"唯一数据快照 + 唯一划分文件 + 唯一评测入口"作为团队公约，是这套小数据集上最有效的工程防错。

§7 质量评估与局限性

§7.1 已知偏倚

入组标准偏倚（最重要）：四类病变按严格量化标准入组，代表"教科书式表型"；真实临床上边界病例、合并症病例、图像质量差的病例缺位，模型面对"脏"临床数据时性能必然衰减。
单中心偏倚：全部来自法国第戎一家医院、双 Siemens 设备；扫描协议、技师操作、人群饮食与遗传背景单一。
类别设计均衡偏倚：五组各 30 例是人为均衡，真实门诊中 MINF/DCM 远多于 ARV；据此优化的分类器先验与部署场景不符。
标注覆盖偏倚：仅 ED/ES 两帧标注，时相维度上的"易帧"偏好——训练与评测都在形变最清晰的两个端点帧上进行，天然回避了心动周期中段这一困难区域。
历史设备偏倚：采集设备为 2010 年前后的 Siemens 机型，与当代扫描仪（更高通道数、并行采集、压缩感知重建）存在技术与年代双重差距。
标注惯例偏倚：乳头肌计入血池、基底层 RV 流出道并入 RV 本体等勾画惯例，使 ACDC 训练的模型继承同一套"结构边界观"——与其他标注口径数据集混训时，边界定义冲突会直接体现为损失震荡。

§7.2 标注质量评估

优势：专家勾画、任务定义清晰、标签体与原始体逐体素对齐；ED/ES 时相由专家确认，功能指标锚点可靠；公开发布 8 年被数百篇论文复用，标注的"可学习性"经过大规模验证。
一个旁证：2017 年挑战赛至今，官方测试集上从无"标注疑义"引发的争议判例——心脏分割社区对 ACDC 标注的默认信任度，高于同期多数挑战赛数据集。
缺口：未公布标注者间一致性（如双盲复勾 Dice）、无逐例质量分级、乳头肌与小梁归属仅一句协议带过；心底 RV 流出道、心尖部分容积效应两处的标注边界一致性未经官方量化。
实践建议：复现研究可直接信任标注；临床对齐研究应自行抽检 10 例双盲复勾并报告一致性，尤其覆盖基底与心尖层。

§7.3 泛化性讨论

库内双域：1.5T 与 3T 子集是内建的域移位轴，官方协议要求分域报告——把 1.5T 当源域、3T 当目标域做域自适应是 ACDC 上的经典实验设计。
跨数据集：外部研究实测 ACDC 训练模型迁移他中心 RV Dice 下降约 5.12 点、心尖切片最坏差约 30 点；跨厂商泛化须依赖 M&Ms（Siemens/Philips/GE）而非 ACDC 自身。
跨模态：cine MRI 模型迁移到超声（CAMUS）属于跨模态鸿沟，仅作概念性参考。
跨年代：ACDC 图像来自 2010 年代初的重建技术栈，对 2020 年代扫描仪输出（更深学习重建、更高并行加速）的泛化尚未有系统研究；把"年代"当作独立于厂商的域轴来报告，是近期论文中开始出现的新做法。
结论：ACDC 适合回答"方法有没有效"，不适合回答"产品能不能上线"——后者需要多中心外部验证闭环（§7.8）。
审稿人视角：方法论文以 ACDC 为主实验 + M&Ms 为泛化实验是当前心脏分割论文的标准配置；只交 ACDC 一张表的论文，2019 年后越来越难通过同行评审。

§7.4 伦理考量

数据按第戎医院当地伦理委员会规范匿名化处理，公开发布无 PHI；发布已逾八年无已知伦理争议，是"旧数据新用"里合规负担最轻的一档。
许可模糊点：官方页未挂显式 Creative Commons 条款，仅强制引用 Bernard et al. 2018；社区镜像普遍转述为 CC BY-NC-SA 4.0。落地建议：按"研究用途 + 强制引用"保守口径使用；商用或再分发前联系 Creatis 官方书面确认。
心脏影像无面部等强识别特征，但理论上短轴序列+元数据仍有再识别残余风险；任何二次分发须保持匿名化状态并附强制引用声明。
AI 二次加工合规提示：用 ACDC 训练的模型输出（如合成影像、衍生统计）不属于"数据再分发"，但仍应声明训练数据来源并保留强制引用；把原始 NIfTI 打包进模型发布包则构成再分发，需另行确认许可。

§7.5 公平性评估

结构性空白：官方未发布年龄、性别、种族等人口学字段（仅身高体重），亚组公平性分析在数据层面无法开展——这是使用 ACDC 做公平性研究的硬边界。
间接证据：150 例欧洲单中心人群；ARV 组入组标准与遗传性疾病的自然性别分布（男性偏高）未被官方讨论。
替代路径：需要人口学公平性分析时，转向 M&Ms-2（多国多病种，含更多元人群）或 UK Biobank 心脏子集；ACDC 上可做的只有"空间分辨率域 × 组别"的交叉稳健性分析。
ACDC 上仍可做的三件事：
1. 1.5T vs 3.0T 分域评测——报告逐组逐类的分域 Dice 差，量化"设备域"对每类疾病的不利程度；
2. 层位分层评测——基底/中部/心尖三段分别统计 Dice，检查误差是否系统性地压在资源不足（层厚更大、间隙更多）的检查上；
3. 体积大小分层——按 LV 腔面积把病例分成小腔/大腔两档，检验模型对极端解剖的相对误差是否放大。
这三类分析虽不能替代人口学公平性审计，但能回答"模型对哪类输入子群最脆弱"，是 ACDC 数据边界内最有价值的稳健性证据。
报告建议：三类分析结果均应进入附录与模型卡；正文只需声明"已按 §7.5 三轴完成子群稳健性检查，最脆弱子群为 X"，把细节留给可复现附件。

§7.6 数据漂移提示

数据本体已冻结：2017 年发布后无更新，不存在库内版本漂移；漂移风险全部来自"部署侧"——现代扫描仪（CS/parallel imaging 重建）、新序列参数与当代人群会使输入分布偏离 2010 年代初的第戎数据。
监控建议：上线系统持续监测输入 spacing 分布、SSFP 强度直方图与 ED/ES 帧数分布三项统计量，任一项漂出 ACDC 训练分布即触发复核。
最小漂移哨兵（生产可用的三行式思路）：

# 每日汇总：三项统计与训练分布参考区间的偏离度
# 参考区间取自 150 例训练数据的 min/max（落库为 JSON 阈值文件）
for case in today_cases:
    drift = max(
        abs(case.spacing[0] - REF["sx_med"]) / REF["sx_iqr"],
        abs(case.frame_count - REF["t_med"]) / REF["t_iqr"],
        abs(case.ssfp_p95 - REF["int_p95"]) / REF["int_iqr"],
    )
    alert_if(drift > THRESHOLD)     # 任一轴漂出即告警，人工复核后再放行

把漂移监控对准"ACDC 能代表什么"的边界：它监控的是输入是否还像 2010 年代初 Siemens 短轴 cine MRI，而不是像现代多厂商数据。

§7.7 DAIMS 24 项数据就绪度评估

#	检查项	状态	说明
1	数据为宽格式（每行一个样本/事件）	✅	每例一目录的 NIfTI 标准组织，样本=检查，清晰无歧义
2	有唯一标识符列	✅	patientXXX 目录名即检查级唯一键，全库 150 键无冲突
3	无 Unicode 或特殊字符	✅	文件名与 Info.cfg 全 ASCII，跨平台零编码事故
4	无重复行	✅	150 例全部来自不同患者，无重复检查
5	缺失值已识别并编码	✅	Info.cfg 五字段零缺失；无标注帧为任务设计而非缺失（§4.5）
6	标签列被明确标识	✅	双任务标签齐备：Group（五分类）+ _gt 体素掩膜（三结构分割）
7	已对罕见类别（<3%）进行分组	✅	五组各 20% 完全均衡（设计均衡而非自然分布，解读见 §4.2）
8	偏倚评估已完成	✅	§7.1 列出五类偏倚及影响
9	有完整的数据字典	⚠️	Info.cfg 五字段语义靠社区共识传承，官方无逐字段数据字典文档
10	对"信息性缺失"有明确编码解释	✅	结构化缺失（约 68% 帧无标注）语义明确（§4.5）
11	数据采集设备和设置已记录	✅	双机型/双场强/序列/分辨率/门控官方完整记录（§3.9）
12	已移除完全共线性变量	⚠️	元数据仅身高体重等 5 项，独立性好但未做显式共线性分析
13	对编码的映射标准已说明	⚠️	标签 0/1/2/3 官方定义清晰；到 ICD-11/SNOMED 的外部映射需自行维护（§2.2）
14	对时间戳的处理已明确说明	⚠️	无绝对时间戳（采集日期不公开）；ED/ES 相对帧索引定义明确
15	训练/验证/测试划分建议已给出	✅	官方 100/50 划分明确；文献口径分裂属使用端问题（§5.2）
16	数据泄漏风险已被讨论	✅	患者级泄漏、2D 切片划分陷阱已系统讨论（§5.3）
17	标签分布已被分析	✅	组别均衡 + 体素层面极不均衡均已量化（§4.2）
18	选择性测量偏倚已被讨论	✅	严格量化入组标准的选择性偏倚已明确（§7.1）
19	外部验证建议已给出	✅	M&Ms/M&Ms-2 等外部验证矩阵齐备（§7.8）
20	数据更新和版本信息已记录	⚠️	数据冻结无官方 changelog；镜像版本命名混乱且无版本对照表
21	最小必要预处理脚本已提供	⚠️	官方提供评测脚本 metrics_acdc.py，但无预处理管线；由 nnU-Net/MONAI 生态补位
22	合规使用要求已明确	⚠️	强制引用要求明确；许可证本体模糊（官方页无显式 CC 条款，§7.4）
23	多模态对齐方法已说明	⚠️	单模态数据集，无跨模态对齐问题；但 4D 时相与元数据的对齐依赖 Info.cfg 无官方说明文档
24	去标识化方法已被记录	⚠️	官方声明匿名化+伦理合规，未公布具体去标识化技术文档

DAIMS 评分：19.5 / 24

评分解读：良好偏优——数据本体小而干净（唯一键、零缺失、零重复、官方划分齐备），扣分几乎全部集中在"文档与元数据层"而非"数据层"。

对你意味着什么：ACDC 的 15 个 ✅ 项说明它是"拿来即训"的模范生：注册下载、核对 150 目录、跑通管线，半天内可出首个有效结果，这在医学影像数据集里屈指可数。9 个 ⚠️ 项指向同一件事——官方文档只有"页面级"而非"工程级"：数据字典、许可证文本、版本说明、外部编码映射都要靠你自己建立。落地清单：先照 §6.2 固化数据快照与 checksum，再把 §2.2 的术语映射、§5.2 的划分协议写进版本化配置，⚠️ 项就全部可控了。与 MIMIC-III 这类大型多表临床库相比，ACDC 的"低分项"更少但"结构性深度"也浅——它不提供临床结局与人口学维度，能回答的问题边界在拿到数据那一刻就已确定。

§7.8 外部验证矩阵

外部数据集/场景	来源机构	评估任务	性能指标	相对内部测试集变化	关键发现
M&Ms	巴塞罗那/鲁汶等多中心	LV/Myo/RV 分割迁移	Dice 逐类对比	RV 下降约 5.12 点（跨中心实测口径）	单中心训练模型跨厂商/跨中心的首要短板是 RV；基底与心尖切片最脆弱
M&Ms-2	多国多病种	分割+泛化协议评测	Dice / HD	不可直接合并训练	与 ACDC 标签体系兼容（LV/Myo/RV），是泛化研究的标准下游
其他中心 cine MRI（自采）	各研究机构	全周期分割	Dice 逐时相	ED/ES 训练模型中段帧平均 Dice 下降约 0.23	时相外泛化损失大于域移位损失，时序任务必测项
1.5T ↔ 3T 库内互迁	ACDC 内建	域自适应	Dice 分域差	分域成绩官方要求分开报告	双场强构成零成本的域移位实验台

一句话结论：ACDC 是"方法试金石"而非"产品试验场"——在它上面拿到 91+ Dice 证明你的方法设计成立；要证明它能进临床，请接着在 M&Ms/M&Ms-2 上跑外部验证，并补齐多时相与多中心两项压力测试。

§8 基准性能与生态

§8.1 排行榜（分割任务 SOTA）

方法	年份	协议口径	平均 Dice	关键分项/备注
挑战赛冠军级（2017 现场方法）	2017	官方 100/50	0.9 量级	TMI 2018 总结评测 10 个分割方法；功能指标与专家相关性 0.97
TransUNet	2021	社区 5-fold	89.71	Transformer 编码器路线的早期代表
UNETR	2022	社区 5-fold	88.61	ViT 3D 编码器，小数据下弱于 CNN
SwinUnet	2022	社区 5-fold	90.00	纯 Transformer 2D，轻量基线
nnU-Net v1/v2	2019/2023	社区 5-fold	91.6-91.8	RV 90.24 / Myo 89.24 / LV 95.36 常见口径；零改动默认起跑线
nnFormer	2021-2023	社区 5-fold	92.06	CNN-Transformer 混合，ACDC 小数据场景强化版
BiSegMamba	2025-2026	社区 5-fold	92.57	Mamba 线性注意力路线，2026 年公开榜单最佳
MedNeXt-L	2023	社区 5-fold	92.7	ConvNeXt 式全卷积，多篇综述引为 ACDC 最好成绩之一

上表混用两种协议（官方测试集 vs 100 例 5-fold），不可跨行直接比较；同一行内数字与分项均取自社区复现的常见口径，投稿引用前请按 §6.5 坑点 1 自行核对来源协议。
榜单含义的另一种读法：2019 年 nnU-Net（91.6+）之后，六年间公开最好成绩仅推进约 1 点——ACDC 上的提升空间已高度饱和，新方法应更看重"在同等分数下更省数据/算力"而非绝对 Dice。

分类任务成绩（官方协议）

任务	参赛规模	最佳成绩	备注
五类疾病自动分类	4 个研究组	准确率 0.96	TMI 2018 总结口径；冠军方案以分割衍生特征为主
分割（LV/Myo/RV）	9 个研究组	平均 Dice 0.9 量级	官方要求按 1.5T/3T 分域报告

分类榜单此后少有人公开刷新：150 例的分类任务易过拟合榜单、参考价值有限，后续文献普遍转向"分割+可解释特征"的复合叙事。

§8.2 SOTA 总结与选型建议

想复现社区均值：nnU-Net v2 一条命令训练，91.6-91.8 是及格线；低于它说明你的预处理或划分有问题，高于它先怀疑口径不一致。
想发方法论文：91.8 之上的每 0.1 点都要付出巨大工程代价，主流审稿标准已转向"5%/10% 半监督、跨域、基础模型适配"等低数据场景——SSL4MIS 口径的 5%/10% 实验设计比全量 Dice 更有区分度。
想做落地产品：92+ 的库内成绩对临床无直接意义，请直接进入 §7.8 的外部验证矩阵。
分类任务：官方口径准确率 0.96（TMI 2018），后续文献重做不多；建议报每类 F1 与混淆矩阵，ARV 小类最见功力。
增量实验的选型建议：在饱和区间（91.6-92.7）内比较两个方法时，优先比较"训练数据 5%/10%/25%/100% 数据效率曲线"与"跨域掉点幅度"两族曲线——绝对 Dice 的 0.3 点差异在这个体量下不具备统计说服力。

§8.3 官方评测协议

任务 1 分割：对 ED/ES 两帧分别计算 LV/Myo/RV 的 Dice 与 Hausdorff 距离，官方脚本 metrics_acdc.py 给出 Dice/Jaccard/HD/ASSD/灵敏度/精确度六指标参考实现；挑战期按 1.5T 与 3T 子集分域汇总。
任务 2 分类：五类（NOR/MINF/DCM/HCM/RV）总体准确率；挑战期 4 个研究组提交。
在线评测：2017-2022 年通过官方网站提交预测掩膜在线打分；2022-12-31 平台关闭后，社区转向本地 5-fold 与论文内嵌协议。
官方协议的隐性要求：预测须提交为与原始体同网格的 NIfTI 标签体；重采样误差、标签通道错位（坑点 2）都会在官方脚本上现形。

数据集	模态/规模	与 ACDC 的关系	适用场景
M&Ms	cine MRI，345 例，3 厂商 4 中心	标签体系兼容（LV/Myo/RV），多厂商版 ACDC	跨厂商泛化、域自适应的第一外部验证集
M&Ms-2	cine MRI，多国多病种	ACDC 的"泛化延伸版"	多中心公平性与泛化研究
Sunnybrook	cine MRI，45 例	前代心脏分割挑战（2009），标签同 LV/Myo/RV	历史方法对比
MMWHS	CT+MRI，20+20 例	跨模态全心脏分割（7 结构）	多模态、多结构扩展
CAMUS	超声，500 例	跨模态心脏结构（2/4 腔）	跨模态泛化参考
LVQuant	cine MRI，多中心	心功能量化为主	EDV/ESV/EF 回归任务外部验证
UK Biobank	cine MRI，数万例	大人群影像库	大规模预训练与人群分析
ACDC 衍生版（社区 2D 化/重排版）	同源数据转封装	—	仅教学演示；划分离散，严禁用于论文对比

§8.5 关键论文 Top 10

Bernard et al., IEEE TMI 2018（doi:10.1109/TMI.2018.2837502）——数据集与挑战赛的官方总结，强制引用。
Isensee et al., Nature Methods 2021（nnU-Net）——ACDC 上 91.6+ 的默认方案，医学分割"无免费午餐"的实证。
Isensee et al., nnU-Net Revisited, 2020——将 ACDC 列为最适合基准测试的数据集之一（与 KiTS/AMOS 并列）。
Roy et al., nnFormer（MICCAI 2021 / MedIA 扩展）——ACDC 小数据场景的 Transformer 混合代表（92.06）。
Roy et al., MedNeXt, MICCAI 2023——ACDC 公开最好成绩梯队（92.7）。
Chen et al., TransUNet, 2021——Transformer 医学分割开山作，ACDC 常驻基线。
Hatamizadeh et al., Swin UNETR/UNETR, 2022——3D ViT 路线在 ACDC 上的参照点。
Yu et al., SSL4MIS / Consistency-based semi-supervised learning, 2021——确立 ACDC 5%/10% 半监督基准口径。
Campello et al., M&Ms, 2021——多厂商心脏分割数据集与跨中心泛化分析，ACDC 外部验证的第一站。
Ma et al., MedSAM, Nature Communications 2024——分割基础模型时代，ACDC 重新成为零样本/微调评测的标准考题。

引用格式注意：Top 10 中多篇存在会议版与期刊扩展版（如 nnFormer 的 MICCAI 版与 MedIA 版），引用时按你实际比较的版本选择；版本混引是复现表对不上数的常见原因之一。

§8.6 社区活跃度

论文热度：Google Scholar 上 TMI 2018 数据集论文引用以千计，且 2023 年后仍持续增长——ACDC 已从"挑战赛数据"固化为"医学分割基础设施"。
代码生态：nnU-Net/MONAI/torch-em/SSL4MIS 等主流框架均内置 ACDC 加载器或教程；HuggingFace 存在多个转封装镜像（YongchengYAO/ACDC 等）。
榜单状态：官方在线排行榜 2022 年底冻结；活跃评测转移至 Papers with Code 等聚合站与论文内协议。
引用曲线形态：2018 年论文发表后引用逐年攀升、2020-2022 半监督与域自适应浪潮中二次加速——数据集的"第二增长曲线"几乎全部来自低标注与泛化场景，而非全量刷分。
教学渗透：MONAI bootcamp、Kaggle notebook、中文社区教程普遍以 ACDC 作为心脏影像第一课。
镜像生态的小提示：HuggingFace 镜像多为转封装（2D 化、重划分、附图表），下载量可观但质量参差；把镜像当"快速通道"、官方包当"事实依据"，是社区磨合出的共识用法。
跨国使用面：ACDC 教程与复现遍布中、欧、美、印各大社区；它也可能是被"顺手拿来跑第一版实验"次数最多的医学分割数据集——这既带来海量的可比数字，也带来海量的口径陷阱（§6.5 坑点 1）。
活跃度判断依据：数据集本体自 2017 年冻结，但其相关生态（框架加载器、半监督框架、综述榜单）仍在持续维护更新；评估"ACDC 是否还活跃"，看生态层而非数据层。

§8.7 生态快照

官方层    Creatis 数据库（需注册）+ 官方评测脚本 + 强制引用政策
挑战层    MICCAI 2017 STACOM 挑战赛（已收官）→ 官方榜单 2022 冻结
框架层    nnU-Net / MONAI / torch-em / SSL4MIS 内置支持
镜像层    HuggingFace 多镜像（快速获取，划分口径需自核）
研究层    全监督（饱和 ~92）→ 半监督 5%/10% → 域自适应 → 基础模型评测
教育层    心脏影像教学与新人 onboarding 事实标准

生态位置一句话：ACDC 是"心脏影像界的 MNIST"——体量小、任务清晰、天花板可见、人人都刷过；它的价值不在于把方法推到极限，而在于让方法之间第一次可以公平对话。
给三类读者的速查：新人从 §6.0-§6.1 起步当日可跑通；方法研究者重点读 §5.2/§6.5/§8.1（口径与坑点决定你的论文会不会被拒）；工程/合规同学重点读 §3.0/§7.4/§7.7（版本、许可证与就绪度清单）。

§9 相关资源与引用

官方资源

挑战赛与数据集主页：https://www.creatis.insa-lyon.fr/Challenge/acdc/
数据库说明页：https://www.creatis.insa-lyon.fr/Challenge/acdc/databases.html
下载入口（需注册）：https://humanheart-project.creatis.insa-lyon.fr/database/#collection/637218c173e9f0047faa00fb
官方评测脚本：随数据包分发（metrics_acdc.py）
强制引用文件：数据包内 MANDATORY_CITATION.md
TMI 2018 总结论文：https://ieeexplore.ieee.org/document/8360453
论文预印/机构库版本：https://inrepo02.dkfz.de/record/141664
伦理与使用声明页：官方 databases.html 内"conditions"部分（研究用途与强制引用的唯一权威表述）

BibTeX 引用

% 1) 数据集与挑战赛论文（官方强制引用，任何使用必带）
@article{bernard2018acdc,
  title={Deep Learning Techniques for Automatic {MRI} Cardiac Multi-structures
         Segmentation and Diagnosis: Is the Problem Solved?},
  author={Bernard, Olivier and Lalande, Alain and Zotti, Clement and Cervenansky, Frederic
          and Yang, Xin and Leng, Pheng-Ann and Bonnet, Nolwenn and Tang, Reda
          and Lalande, Alain and others},
  journal={IEEE Transactions on Medical Imaging},
  volume={37},
  number={11},
  pages={2514--2525},
  year={2018},
  doi={10.1109/TMI.2018.2837502}
}

% 2) 数据集本体（Creatis 发布渠道，版本引用）
@misc{acdc2017,
  title={{ACDC}: Automated Cardiac Diagnosis Challenge Dataset},
  author={{Creatis Lab, University of Lyon}},
  howpublished={\url{https://humanheart-project.creatis.insa-lyon.fr/database/}},
  year={2017},
  note={University Hospital of Dijon collection; accessed 2026-09-18}
}

% 3) 所用方法的原始论文（示例：nnU-Net，按实际使用替换）
@article{isensee2021nnunet,
  title={{nnU-Net}: a self-configuring method for deep learning-based biomedical image segmentation},
  author={Isensee, Fabian and Jaeger, Paul F and Kohl, Simon AA and Petersen, Jens
          and Maier-Hein, Klaus H},
  journal={Nature Methods},
  volume={18},
  pages={203--211},
  year={2021},
  doi={10.1038/s41592-020-01008-z}
}

第 1 条为官方强制要求；第 2 条建议在数据可用性声明中使用；第 3 条按你实际训练框架替换（MedNeXt、nnFormer、SSL4MIS 等各有官方引用格式）。

数据可用性声明模板（论文 Data Availability 段可直接改写）：

The ACDC dataset is publicly available from the CREATIS lab of the University of
Lyon (https://humanheart-project.creatis.insa-lyon.fr/database/) upon free
registration. This study used the official 150-examination release (100
training / 50 testing). We complied with the mandatory citation of
Bernard et al., IEEE TMI 2018 (doi:10.1109/TMI.2018.2837502). No commercial use
is intended; redistribution of the raw data was avoided.

教程与学习资源

MONAI 官方教程（ACDC 分割 notebook）：https://github.com/Project-MONAI/tutorials
torch-em 数据集加载文档（ACDC 标签映射）：https://constantinpape.github.io/torch-em/
SSL4MIS 半监督框架（ACDC 5%/10% 口径）：https://github.com/HiLab-git/SSL4MIS
nnU-Net 文档（数据集转换与训练）：https://github.com/MIC-DKFZ/nnUNet
M&Ms 挑战赛（外部验证首选）：https://www.ub.edu/mnms/
WHO ICD-11 浏览器（疾病编码终审）：https://icd.who.int/browse/2026-01/mms/en
SNOMED International 浏览器（术语编码终审）：https://browser.ihtsdotools.org/

§10 AI 使用声明卡

§10.1 AI 模型使用

本条目由多阶段 AI 写作管线生成：事实核查阶段使用 WebSearch 检索官方页面、IEEE TMI 论文页、社区镜像与 SOTA 聚合站；写作阶段由大语言模型（Claude / CodeBuddy agent）按受控模板成稿。
关键医学编码（ICD-11/ICD-10/SNOMED CT）经过独立检索交叉验证；其中 SNOMED CT 编码标注为"常见引用口径"，提示读者以官方浏览器终审。

§10.2 AI 参与范围

AI 完成：检索取证、事实清单（FACTS.md）、全章节初稿、格式对齐（frontmatter/INFOBOX/锚点/JSON-LD）、自检脚本修复。
AI 未做：数据集本体的一手验证（未重新下载数据逐例核验）、统计重算（体素统计与榜单数字转引自公开来源）、医学与法律意见（许可证与合规口径仅供参考）。

§10.3 输入来源

官方渠道：Creatis 挑战赛主页与 databases.html、humanheart-project 数据库页面、IEEE TMI 2018 论文页。
二级来源：Awesome-Medical-Dataset（openmedlab）、torch-em 数据集文档、HuggingFace 镜像页（YongchengYAO/ACDC、chehablab/ACDC、viennh2012/cardiac_cine_acdc）、SOTA 聚合站、HAL hal-04747092 外部评测论文、WHO ICD-11 浏览器与镜像资料。
编码交叉验证：ICD-11 经 WHO 浏览器资料与第三方镜像（findacode、familydoctor、KEGG）三源比对；SNOMED CT 因公开检索未命中官方编码页，标注为"常见引用口径，待终审"。
站内金标准：MIMIC-III 条目（仅作格式样例，未取内容事实）。

§10.4 人工校验表

校验项	状态	责任人	备注
五组入组标准与官方页逐条比对	✅	写作 AI（检索口径）	建议医学审核复核 MINF/DCM/HCM 阈值
标签值 0/1/2/3 与镜像文档一致	✅	写作 AI	torch-em 与 openmedlab 双源一致
ICD-11 编码经检索验证	✅	写作 AI	BC43.0/BC43.1/BC43.2、BA60-BA6Z 块锚定
SNOMED CT 编码精确性	⚠️	待人工	建议入库前以 SNOMED 官方浏览器终审
许可证保守口径表述	⚠️	待人工	商用/再分发前联系 Creatis 书面确认
SOTA 数字与协议口径	⚠️	待人工	各方法协议混用，引用前逐源核对
体素统计（spacing/矩阵/层数）	⚠️	待人工	转引自 openmedlab 对 300 标注体的实测，建议抽样 10 例复测
医学审核者签核	❌	待聘	见 §0 信任声明

§10.5 AI 生成章节标注

全部章节（frontmatter、INFOBOX、§0-§10、§C JSON-LD）均为 AI 生成初稿；§2.1-§2.2 的疾病编码与 §8.1 榜单数字为 AI 检索整理，建议逐条人工复核后再行发布。

§10.6 最后审核

格式自检：scripts/check_md.py 通过（详见文末汇报行）。
事实基线：FACTS.md 43 条全部带来源 URL；正文与 FACTS 口径一致。
审核日期：2026-09-18；数据时效声明：本条目反映截至该日的公开资料，ACDC 数据本体自 2017 年冻结不变。
发布前待办（主 agent 侧）：补聘医学审核者签署 §0 信任声明；终审 SNOMED CT 编码；确认封面图按 cover_image_prompt 生成；入库时把 acdc/0 占位 URL 替换为正式路由。