ACOUSLIC-AI (acouslic-ai) — AI-Ready Wikipedia

INFOBOX — ACOUSLIC-AI 一屏速览

维度	内容
本质	MICCAI 2024 附属挑战赛（2024-10-10 举办）+ 配套公开训练数据集：新手操作者盲扫 cine 中的胎儿腹围自动测量
主办方	Radboud University Medical Center（Radboudumc，荷兰）+ Delft Imaging Systems（荷兰）；欧盟 AIMIX 项目资助（grant 101044779）
任务	三段链路：胎儿腹部标准帧选择 → 腹部分割 → 腹围（AC）测量
数据	训练 300 例（公开，塞拉利昂 3 PHU）+ 验证 10 例 + 测试 290 例（私有，坦桑尼亚 2 PHU + 一家欧洲医院）；每例约 840 帧，744×562 px，0.28 mm/px
设备	MicrUs Pro-C60S（Telemed，立陶宛）低成本便携超声；OSP 六扫查协议（DeStigter 2011 谱系）
首创	论文自述首个公开的低收入国家盲扫超声数据集（first publicly available blind-sweep ultrasound dataset from low-income countries）
标注	逐帧标准平面二分类标签 + 标准帧腹围椭圆（经验丰富阅片者）；v1.1 修复 AC 计算 2 倍误差 bug
参赛	16 支国际队伍，6 支进入 Final Test Phase
Top-3	A1 backbone（0.71）｜A2 AcouslicAI_SK（0.65）｜A3 acoustic-net（0.64）——三队算法均开源
指标	WFSS（1/0.6/0 三档）+ Soft Dice（15 帧容差衰减）+ NAE_AC + DSC + HD
临床结论	A2 的 AC 测量 LoA 与文献报道的人工观察者间 LoA 相当
获取	训练集 Zenodo 公开直链（CC BY-NC-SA 4.0，推荐 v1.1）｜验证/测试集 Grand-Challenge 在线评测｜论文 CC BY 开放获取
论文	Medical Image Analysis 2025;105:103640（doi:10.1016/j.media.2025.103640；PMID 40527149；2025-06-10 early online，2025-10 见刊）
库内互链	fetal-planes-db（静态帧同域）、maternal-ultrasound-nutrition（低资源孕产超声邻域）

ACOUSLIC-AI 是一场把产科超声 AI 拉到"最艰难现场"的挑战赛：操作者是只受过基础训练的新手，设备是低成本的便携超声，扫查方式是不做实时质控的盲扫（blind-sweep，先完整扫完、后离线分析），地点是胎儿生长受限（FGR）负担最重而超声技师最稀缺的低收入国家。挑战赛要求 AI 从这种"粗糙"的连续 cine 中自动完成三件事——找到胎儿腹部标准帧、分割腹部、算出腹围（AC）。它同时交付了论文自述的首个公开的低收入国家盲扫超声数据集：300 例塞拉利昂采集的训练 cine 带逐帧标注，任何人可以从 Zenodo 直接下载。

导语读法三则：

1. 只想下数据：直奔 §5 获取与许可——训练集 Zenodo 直链（务必用 v1.1，v1.0 有腹围计算 bug），验证/测试集只能在线评测。
2. 想复现冠军：直奔 §4 Top-3 解剖与附录 I——三队 GitHub 仓库、WFSS/Soft Dice/NAE_AC 指标定义连读。
3. 关心低资源医疗 AI 的方法论：直奔 §0 与 §7——"新手+盲扫+低成本设备"这一采集设定为什么恰好是 AI 该补位的场景。

§0 导读：这个数据集解决什么问题

胎儿腹围（abdominal circumference, AC）是产前超声最核心的生物计量参数之一：它与双顶径、头围、股骨长一起构成估计胎儿体重的输入，而估计体重是识别胎儿生长受限（FGR）的主要手段。FGR 影响最多 10% 的妊娠，与死产、早产及围产期发病死亡强关联。临床指南对 AC 测量有严格规程：取胎儿腹部标准横切面（含胃泡、脐静脉特定解剖标志），沿皮肤线画椭圆。这个规程的前提是——有一位训练有素的超声技师（sonographer）和一台像样的设备。

在低资源环境里这两个前提同时缺失。设备昂贵、技师稀缺，使得常规生物计量超声在中低收入国家难以普及。学界为此发展出"简化协议"路线：让只受短训的新手操作者用低成本设备按固定协议（如 DeStigter 等 2011 年提出的 OSP 六扫查协议）盲扫整段 cine，把"找标准面、量数值"的智力工作留给计算机。这条链路能否走通，取决于 AI 能否在新手采集的、质量参差的、连续数分钟的盲扫 cine里稳定完成标准帧选择与测量——而这正是 ACOUSLIC-AI 被设计出来回答的问题。

它的回答分三层。第一层是数据：300 例塞拉利昂 3 个公共卫生单元（PHU）新手盲扫 cine，逐帧标注标准平面标签、标准帧附腹围椭圆，Zenodo 公开——论文自述这是首个公开的低收入国家盲扫超声数据集，此前的胎儿超声数据集（包括库内 fetal-planes-db）几乎全部来自专家采集的静态标准切面。第二层是比赛：MICCAI 2024 附属挑战赛，16 支队伍 6 支进入最终测试，评估体系把帧选择、分割、测量三个环节全部量化计分。第三层是临床对标：论文把冠军模型的 AC 测量误差与文献中人工观察者间变异比较，A2 的 LoA 达到相当水平——即"AI 在新手扫的图上，量得跟两位人类专业人员之间互差差不多准"。

§0 读法三则：

1. 这个条目的主角是"挑战赛+数据集"二合一：本体是 300 例公开训练 cine，衍生品是三个开源的 Top-3 算法与一张公开榜，副产品是一套"帧选择→分割→测量"的三段评估协议——三者获取方式不同（§5）。
2. 全文核心数字均出自论文（Med Image Anal 2025;105:103640）与官网挑战赛页；正文与官网唯一明显冲突处（例数 282 vs 290）已在 §9 避坑清单存照。
3. 检索时若把 “ACOUSLIC” 拆开搜会一无所获——它是 Abdominal Circumference Operator-agnostic UltraSound 的缩写组合词，且官网与论文的缩写展开本身有双口径（坑 1）。

§1 数据集速览：十问十答

Q1：ACOUSLIC-AI 到底是数据集还是比赛？
两者都是。它是 MICCAI 2024 附属挑战赛（2024-10-10 举办），也是该挑战赛配套发布的公开训练数据集。论文（2025）是挑战赛的官方报告。检索、引用时指数据用 “ACOUSLIC-AI training dataset（Zenodo v1.1）”，指比赛用 “ACOUSLIC-AI challenge（MICCAI 2024）”。

Q2："盲扫 blind-sweep"是什么意思，为什么重要？
指操作者不做实时图像质控、连续扫完整段的采集方式：先获得完整 cine，后离线找标准面。它与专家"看到标准面就定格测量"的常规采集形成对比。盲扫把技能门槛降到新手可操作，代价是单帧利用率极低——一例 840 帧里可能只有少数帧是可用标准面。这正是 AI 的用武之地：把"在几百帧里找那几帧"自动化。

Q3：数据从哪来，一共多少？
训练集 300 例，全部来自塞拉利昂（Sierra Leone）3 个公共卫生单元（PHU），Zenodo 公开。验证集 10 例 + 测试集 290 例为私有，来自坦桑尼亚（Tanzania）2 个 PHU 和一家欧洲医院，仅经 Grand-Challenge 平台在线评测。论文口径合计 600 例。

Q4：谁扫的、用什么设备？
新手操作者（novice operators），设备为 MicrUs Pro-C60S（Telemed，立陶宛）低成本便携超声。检查按 OSP 六扫查协议执行，本数据集取其中的胎儿腹部扫查段。帧规格 744×562 像素，像素间距 0.28 mm/px。

Q5：标注标了什么？
两层：每帧一个"是否为胎儿腹部标准平面"的二分类标签；标准帧上另附腹围椭圆标注——椭圆既是 AC 测量的载体（周长公式直接给出 mm 值），也是分割掩码的真值来源。全部三个集合均由经验丰富阅片者（experienced readers）标注。

Q6：v1.0 和 v1.1 有什么区别？
v1.1（2024-07-09 发布）修复了 v1.0 中腹围计算的 2 倍误差 bug——椭圆到 AC 毫米值的换算出了错。图像与帧标签不受影响，但任何引用 AC 数值的工作必须核对版本。本条目一律以 v1.1 为准。

Q7：比赛怎么评的？谁赢了？
评估分三段计分：帧选择用 WFSS（三档 1/0.6/0 给分），分割用带 15 帧容差衰减的 Soft Dice（另有 DSC 与 Hausdorff 距离），测量用 NAE_AC（腹围归一化绝对误差）。16 队参赛、6 队进入 Final Test Phase。Top-3：A1 backbone（0.71）、A2 AcouslicAI_SK（0.65）、A3 acoustic-net（0.64）。

Q8：三个冠军方法有什么共同点？
论文 Highlights 明确：U-Net 系架构主导腹部分割。三队分差很小（0.71/0.65/0.64），说明任务的主要难度在帧选择与测量的耦合精度而非模型容量。三队代码均在 GitHub 公开（附录 I）。

Q9：AI 量得准吗？跟人比呢？
论文将 Top-3 模型的 AC 测量误差与文献中人工观察者间变异（interobserver LoA）比较：A2 的 LoA 与人工观察者间 LoA 相当。注意这是"与人的不一致性相当"，不是"与真值零误差"——在低资源筛查场景，这个水平已足以支撑分诊级应用。

Q10：我能拿它做什么、不能做什么？
能：下载 300 例训练 cine 做帧选择/分割/测量的模型训练与研究；向 Grand-Challenge 提交算法上私有榜；对标 Top-3 开源实现。不能：获取验证/测试数据本体（私有）；商用训练集（CC BY-NC-SA 的 NC 条款）；把 v1.0 的 AC 数值当作准确值（有 2 倍误差 bug）。

§2 数据构成与规格

2.1 规模、来源与三集合结构

ACOUSLIC-AI 的数据按挑战赛惯例切为三个集合，可获取性与地理来源各不相同——这本身就是它实验设计的一部分：训练集全部来自一个国家，验证/测试集来自另外两个数据源，强制检验跨域泛化。

集合	例数（cine loop）	来源	可获取性	标注
训练集	300	塞拉利昂 3 个 PHU	Zenodo 公开直链（CC BY-NC-SA 4.0）	逐帧标签 + 椭圆，公开

| 验证集 | 10 | 坦桑尼亚 2 个 PHU + 一家欧洲医院 | 私有（Grand-Challenge 在线评测） | 私有 |
| 测试集 | 290 | 坦桑尼亚 2 个 PHU + 一家欧洲医院 | 私有（Grand-Challenge 在线评测） | 私有 |
| 合计 | 600 | 三个国家 | —— | —— |

三点说明：

1. 例数口径：论文摘要明确训练集公开、验证与测试集私有（坦桑尼亚 2 PHU + 一家欧洲医院）；例数 300/10/290 为挑战赛与论文口径。官网数据集页另出现 282 的数字口径，已在 §9 存照——引用时一律以 300/10/290 为准。
2. "一家欧洲医院"未点名：论文摘要只写 a European hospital。主办方 Radboudumc 位于荷兰，但摘要未明说欧洲医院即 Radboudumc，本条目不做此断言。
3. PHU 是什么：Public Health Unit，公共卫生单元，塞拉利昂与坦桑尼亚的基层医疗设施。数据全部来自基层而非转诊中心——这决定了图像质量分布的"野外"属性。

2.2 cine 规格：840 帧里找那几帧

每例是一个连续盲扫 cine loop：

• 帧数：官网口径每例约 840 帧（具体帧数随采集时长浮动）；
• 分辨率：744×562 像素；
• 像素间距：0.28 mm/px——这一物理标定是腹围测量的前提，椭圆周长的像素长度乘以 0.28 才是毫米值；
• 设备：MicrUs Pro-C60S（Telemed，立陶宛）低成本便携超声，凸阵探头。

840 帧的结构性含义值得展开：盲扫一次腹部扫查约数分钟，操作者不会停留在标准面上，胎儿与探头的相对位置持续变化。于是每例中真标准帧只占少数，大量帧是过渡态、模糊帧或完全丢失腹部的帧。这与专家数据集（如 fetal-planes-db 的静态标准切面）形成根本对照——在专家数据集里"判断这一帧是不是标准面"是主要任务，在 ACOUSLIC-AI 里"先从几百帧里把候选捞出来"本身成为任务的第一道关口。挑战赛评估体系（§3.4 的 15 帧容差）正是围绕这一特性设计。

2.3 采集协议：OSP 六扫查谱系

数据采集沿用 DeStigter 等 2011 年提出的 OSP（Obstetric Scan Protocol）六扫查协议路线：新手操作者按固定清单完成六个标准扫查段，每段对应一个胎儿解剖区域，腹部扫查段即 AC 的来源。协议化采集的目的是把操作者技能需求压到最低——操作者不需要知道什么是标准面，只需要按清单扫。ACOUSLIC-AI 把这条"协议扫查 + 离线 AI 分析"的路线第一次搬到了低收入国家的基层 PHU，并开放了数据。

2.4 标注两层结构

每例的标注分两层，均为经验丰富阅片者（experienced readers）完成：

层	对象	内容	用途
帧级分类	全部帧	胎儿腹部标准平面二分类（标准/非标准）	帧选择任务的监督信号

| 椭圆标注 | 标准帧 | 贴合腹部皮肤线的腹围椭圆 | AC 测量真值 + 分割掩码来源 |

椭圆是"一物三用"的巧妙设计：同一组椭圆参数（中心、长短轴、倾角）既可经周长公式直接给出 AC 毫米值（测量真值），又可栅格化为分割掩码（训练分割网络），还可回算到帧序（与帧级标签交叉验证）。换言之，标注成本集中在一类几何对象上，同时供三个子任务使用——这是挑战赛数据集设计里值得借鉴的经济学。

2.5 版本史：v1.0 的 2 倍误差与 v1.1 的修复

训练集在挑战赛期间发布了两个版本：

• v1.0（2024-04-22，DOI 10.5281/zenodo.11005384，37.9 GB，md5 前缀 3444bee…）：首发版，含一个腹围计算 2 倍误差 bug——从椭圆换算 AC 毫米值时公式应用出错，导致 v1.0 中的 AC 数值系统性偏大；
• v1.1（2024-07-09，DOI 10.5281/zenodo.12697994，38.0 GB，md5 前缀 3e3209f…）：修复版，AC 计算正确。图像与帧级标签不受影响。

实际后果：挑战赛中期之后的提交与论文报告全部基于 v1.1。任何后来者在 v1.0 上训练/评估测量任务，得到的 NAE_AC 会与官方榜完全不可比。本条目所有 AC 相关数字均以 v1.1 为准，检索者请直接使用 v1.1（Zenodo 页面默认显示最新版，但历史引用可能仍指向 v1.0 的 DOI——两个 DOI 都有效，注意区分）。

2.6 与专家静态帧数据集的结构对照

把 ACOUSLIC-AI 放进胎儿超声数据集的光谱里，它的独特位置一目了然：

维度	ACOUSLIC-AI	专家静态帧数据集（如 fetal-planes-db）
采集者	新手操作者	训练有素的超声技师/医师

| 采集方式 | 盲扫连续 cine（约 840 帧/例） | 定格的静态标准切面 |
| 操作者技能参与 | 压到最低（协议化） | 高（实时找面） |
| 帧分布 | 标准帧少数、过渡帧多数 | 全部（或绝大多数）为标准面 |
| 标注 | 帧级二分类 + 椭圆（逐帧） | 平面类型多分类 + 部分带测量 |
| 采集地 | 塞拉利昂/坦桑尼亚/欧洲基层与医院 | 多为欧洲医院 |
| 任务定位 | 低资源筛查链路的"找面+测量"自动化 | 平面识别/分类基准 |
| 许可 | CC BY-NC-SA 4.0 | 各家不一 |

两者是互补而非竞争关系：静态帧数据集适合训练"认识标准面长什么样"的判别器，盲扫 cine 适合研究"在真实采集流里自动定位与测量"的完整链路。库内互链见 §8。

2.7 图像质量与困难帧画像

盲扫 cine 的帧质量分布是使用本数据集前必须建立的预期。综合协议化采集（§2.3）与新手操作者两个设定，帧可以按"可用性"粗分为四档：

档	画像	占比趋势	对任务的意义
标准帧	腹部横切面完整，胃泡/脐静脉标志可辨，皮肤线连续	少数	WFSS 满分档；椭圆标注所在
近似帧	切面略斜或标志不全，临床上勉强可用	少数	WFSS 0.6 档；15 帧容差的主要受益区
过渡帧	探头移动中，腹部部分可见、形变模糊	多数	帧选择器的"否"样本主库
无效帧	腹部完全丢失、伪影或探头悬空	常见	负样本；也可用于"不可用帧抑制"研究

三点工程含义：

1. 类别极度不均衡：逐帧二分类里正类（标准帧）占比小，直接训练会被负类淹没——focal loss/过采样/时序平滑（附录 AA）是入门三件套；
2. "过渡帧"是金矿不是垃圾：近似帧与过渡帧携带标准面邻近的几何信息，是 15 帧容差设计的统计学基础，删掉它们训练等于烧掉一半监督；
3. 质量评估自身是任务：预测"这帧能不能测"（quality assessment）可以作为一个独立子任务在此数据上训练，帧级标签天然是它的监督。

§3 挑战赛设置与评估指标

3.1 赛程：三阶段与平台

ACOUSLIC-AI 作为 MICCAI 2024 附属挑战赛（event 于 2024-10-10 举办），托管于 Grand-Challenge 平台（acouslic-ai.grand-challenge.org），赛程按该平台惯例分三阶段：

1. Training Phase：开放 300 例公开训练集，参赛者下载后本地开发；
2. Validation Phase：向私有验证集（10 例）提交算法输出，实时计分反馈；
3. Final Test Phase：对通过验证的队伍开放私有测试集（290 例）有限次提交，最终排名以此为准。

最终 16 支国际队伍参赛，6 支进入 Final Test Phase。测试集 290 例的规模在挑战赛里属于慷慨级别——足以让排名差异不被个别病例噪声主导。

3.2 任务分解：三段链路

挑战赛任务不是单点分类，而是一条完整的测量链路：

cine（约 840 帧）
   │
   ├─[任务一] 标准帧选择：每帧给出"是否为胎儿腹部标准平面"的判别
   │            → 计分指标 WFSS
   │
   ├─[任务二] 腹部分割：在标准帧（及容差邻域）上分割腹部区域
   │            → 计分指标 Soft Dice（带容差）/ DSC / HD
   │
   └─[任务三] AC 测量：由分割/椭圆推导腹围毫米值
                → 计分指标 NAE_AC

三段是串行依赖的：帧选错，分割与测量全错。评估设计相应地做了"链路友好"处理——分割与测量的得分允许在标准帧附近的邻域帧内获得部分分数，模拟真实临床工作流（人类读片也是在标准帧附近的面上面八测量）。

3.3 WFSS：帧选择的三档计分

WFSS（加权胎儿标准化分数，Weighted Fetal Standardization Score）对每帧的选择结果给三档分：

档位	得分	含义
命中	1.0	该帧被判为标准帧且确实是标准帧

| 邻域 | 0.6 | 判定/真值落在可接受的邻域内（近似标准面） |
| 失误 | 0 | 明显误判 |

三档设计的动机：在连续盲扫里"完美标准帧"与"可用帧"之间的边界本来就是渐变的，二值计分会把 clinically acceptable 的近似帧全打成 0，与临床目的（找到能测量的面）脱节。WFSS 用 0.6 档承认"够用的近似"。

3.4 Soft Dice 与 15 帧容差衰减

分割指标在标准 Dice 系数上叠加15 帧容差：若模型在真标准帧附近的 ±15 帧内给出分割，得分随帧距衰减。这直接回应了 §2.2 的 cine 结构——标准帧前后邻近帧在临床上同样可用于测量（胎儿姿态连续变化），一刀切只认标注帧会低估链路的真实可用性。此外报告纯 DSC 与 Hausdorff 距离（HD）作为不含容差的几何精度参考。

3.5 NAE_AC：测量的归一化绝对误差

测量任务用 NAE（Normalized Absolute Error of AC）：|预测 AC − 真值 AC| 除以真值（或按挑战赛定义的归一化基准），使误差在不同胎龄/腹围大小间可比。AC 单位毫米，足月胎儿腹围 300 mm 量级，早期妊娠 150 mm 上下——不归一化的话同一毫米级误差在不同孕周的严重度完全不同。NAE 之外的辅助口径是 LoA（limits of agreement）：论文用 Bland-Altman 式的一致界限把模型测量与人工观察者间变异放在同一标尺上（§4.2）。

3.6 综合排名

挑战赛以综合 ranking score 汇总三段表现。官网 challenge-outcomes 口径的 Top-3：

名次	队伍	ranking score	GitHub
A1	backbone	0.71	Ninalgad/muti-dn-fgr

| A2 | AcouslicAI_SK | 0.65 | sk-jp/AcouslicAI |
| A3 | acoustic-net | 0.64 | tanya-akumu/acouslic-ai-challenge-2d-hybrid |

三甲分差很小（0.06 分覆盖三个名次），且第 2、3 名几乎并肩——冠军的优势更多来自帧选择端的稳定性而非单点精度爆表。6 强名单与全部指标细分见官网 outcomes 页。

3.7 评估协议的防过拟合设计

三处设计值得一提：

1. 跨域测试集：训练（塞拉利昂）与测试（坦桑尼亚+欧洲医院）地理隔离，想靠记忆训练分布刷分不可能；
2. 测试集不发本体：只收算法输出（Grand-Challenge 算法容器提交），数据永不落地，杜绝测试集泄漏；
3. Top-3 公开：三个冠军算法连同代码公开，后续工作可直接对标，榜单不搞黑箱冠军。

代价是外部研究者无法在自己的环境里复现官方测试分数（拿不到测试数据），只能以官网榜与论文报告数字为基准——这是"在线评测型"数据集光谱位置的固有取舍（§5.3）。

§4 Top-3 方法解剖：三支队伍与一个临床结论

4.1 三甲总表

名次	队伍名	ranking score	GitHub 仓库	论文作者名单对应
A1	backbone	0.71	Ninalgad/muti-dn-fgr	Dean Ninalga
A2	AcouslicAI_SK	0.65	sk-jp/AcouslicAI	Satoshi Kondo、Satoshi Kasai、Kousuke Hirasawa（Muroran Institute of Technology 等日本机构）
A3	acoustic-net	0.64	tanya-akumu/acouslic-ai-challenge-2d-hybrid	Tanya Akumu、Carlos Martín-Isla、Karim Lekadir、Victor M. Campello、Jorge Fabila（University of Barcelona/ICREA 系）

说明：队伍与作者的对应关系出自挑战赛报告的作者名单结构（Top-3 队成员按惯例进入报告署名）；各队的详细方法描述、消融与分项得分以官网 outcomes 页与论文 §5 为准，本条目不代述论文之外的架构细节。

4.2 临床对标：A2 的 LoA 达到人工观察者间水平

论文的核心临床结论不是"冠军是谁"，而是冠军方法量出来的 AC 能不能进临床流程。做法是把模型的 AC 测量与文献中报道的**人工观察者间一致界限（interobserver limits of agreement, LoA）**放在同一标尺上比较：两位训练有素的操作者各自测量同一批病例，其差值的 95% 一致界限是"人之间能差多少"的临床基准。结果显示 A2（AcouslicAI_SK）的 LoA 与文献观察者间 LoA 相当。

这个结论的正确读法：

1. 它说的是"AI 与 AI 输入的操作者之间的不一致，不超过人与人之间的不一致"——即测量误差已进入临床可接受的噪声区间；
2. 它不是"AI 等于真值"——NAE_AC 仍为非零，模型在困难帧（过渡态、伪影）上的误差仍显著；
3. 它的前提是新手盲扫链路——结论成立的场景是"新手扫、AI 量"，不能外推为"AI 在任何采集质量下都达到人工水平"。

4.3 技术共性：U-Net 系主导与"链路耦合"决定名次

论文 Highlights 明确一条技术趋势：U-Net 系架构主导腹部分割。这在这个体量（300 例训练、每例数百帧可用监督）的任务上并不意外——医学分割的小数据场景仍是 U-Net 家族的舒适区。更值得注意的是名次的分布逻辑：三甲 ranking score 挤在 0.64-0.71 之间，说明分差主要由帧选择与测量的耦合稳定性贡献，而非任何单点精度的碾压。WFSS 的 0.6 邻域档（§3.3）与 Soft Dice 的 15 帧容差（§3.4）都在奖励"稳定地找到够用的面"，而不是"偶尔完美"。

4.4 开源可复现性

三队代码均公开（GitHub 仓库见 §4.1 表），论文同时说明三个 Top-3 模型"publicly accessible"（公开可访问），定位为未来算法的官方基准。检索者复现时的合理路径：

1. 从 Zenodo 拉 v1.1 训练集，跑通任一 Top-3 仓库的训练/推理；
2. 用验证阶段口径（公开训练集内部切分）自评，不要试图把自评分数直接对齐官网测试榜（测试集私有且跨域）；
3. 需要官方口径分数时引用论文表格数字，并注明"论文报告口径"。

4.5 名次的三种读法

0.71/0.65/0.64 这组数字至少有三种读法，各有各的用途：

读法一（乐观）：任务基本可解。 六支决赛队伍全部给出了非平凡解，三甲的综合分都超过 0.64——在"新手盲扫里找面+量数"这种曾经被认为离临床很远的任务上，这是从 0 到 1 的证明。A2 的 LoA 达到人工观察者间水平（§4.2）进一步把"可解"推进到"可用"。

读法二（审慎）：分差小不等于问题小。 三甲只差 0.06，与其说"三个方法一样好"，不如说"评估分数在 0.65 附近进入饱和区"——WFSS 的 0.6 邻域档与 15 帧容差 Dice 都在奖励"够用"，而"够用"之上还剩多少差距，综合分并不显示。要看单点精度，得回到论文的分项表（NAE_AC、HD 各自的分布）。

读法三（方法论）：链路耦合是名次的杠杆。 三段任务串行依赖，帧选择错一个，后面的分割测量全错。名次接近意味着三甲都在"选择稳"上下了重注——这与 U-Net 主导的观察（§4.3）互为印证：模型结构趋同后，胜负手在流水线设计。

§4 读法三则：

1. 复现优先看 A2（LoA 临床对标的主角），其 GitHub 仓库 sk-jp/AcouslicAI 是三者中与临床结论绑定最深的实现；
2. 读名次表时永远连着读 §3.3-§3.5 的指标定义——不知道 0.6 档和 15 帧容差的存在，就会误读 0.65 与 0.71 的差距含义；
3. 想拿"AI vs 人"的结论写文章，引用 A2 的 LoA 比较并注明"新手盲扫链路"前提，勿外推到专家采集场景。

§5 获取与许可：三层资产、三种门

5.1 资产与门槛总表

资产	获取方式	许可	备注
训练集 300 例（cine + 逐帧标签 + 椭圆）	Zenodo 公开直链下载	CC BY-NC-SA 4.0	务用 v1.1（DOI 10.5281/zenodo.12697994）；v1.0（DOI 10.5281/zenodo.11005384）含 AC 2 倍误差 bug
验证集 10 例 / 测试集 290 例	Grand-Challenge 在线提交算法评测	不发放数据本体	官方榜以此为准
Top-3 算法	GitHub 三仓库公开	各仓库许可，用前查 LICENSE	见 §4.1
论文	ScienceDirect / DOI 10.1016/j.media.2025.103640	CC BY open access	PMID 40527149

5.2 Zenodo 实操要点

• 版本与 DOI：Zenodo 采用"概念 DOI + 版本 DOI"结构，v1.0 与 v1.1 各有独立 DOI（§5.1）；引用数据集时推荐引 v1.1 版本 DOI；
• 体积与校验：v1.0 约 37.9 GB、v1.1 约 38.0 GB，单文件压缩包下载后务必核对 Zenodo 页面公布的 md5（本条目仅存前缀 3444bee…/3e3209f…，完整值以页面为准）；
• 引用格式：Data curator 为 Sappia, María Sofía（Radboudumc），Zenodo 页面提供现成 BibTeX；
• 内容清单：cine 帧序列、逐帧标准平面标签、标准帧腹围椭圆、病例元数据（来源 PHU/设备）。

5.3 AI-Ready 评估：混合光谱上的偏公开端

按库内"可获取性光谱"口径，ACOUSLIC-AI 呈三层混合结构：

• 训练集：公开直链层——Zenodo 下载即用，无需注册申请、无需邮件理由，是光谱上最开放的一档；缺点仅是 NC（非商业）与 SA（相同方式共享）两条使用约束；
• 验证/测试集：在线评测层——数据本体不落地，靠 Grand-Challenge 容器提交。对"想刷榜的算法作者"友好，对"想做测试集离线分析的方法学研究者"不友好；
• 冠军算法：开源层——三队 GitHub 直链。

综合判断：训练侧 AI-Ready 程度高（直链 + 明确许可 + 物理标定齐全 + 逐帧标注）；评测侧依赖平台。适合"训练研究"而不完全适合"离线基准复现"——后者只能以官网榜为准。

5.4 CC BY-NC-SA 4.0 条款细读

训练集许可的三要素：

1. BY（署名）：使用时须引用数据集（Zenodo DOI）与论文；
2. NC（非商业）：不得将数据集本身用于商业目的——商业机构内部研发模型是否触线属法律判断，本条目仅提示"NC 存在，商用前咨询法务"；
3. SA（相同方式共享）：若 remix、转换、再创作（例如基于它派生新数据集），衍生品须以相同许可发布。

对库内用户最实际的影响：基于 ACOUSLIC-AI 训练集派生的任何数据产品（再标注、子集、增强集）会被 SA 传染为 CC BY-NC-SA 4.0。

5.5 与库内可获取性光谱的对照

数据集	训练数据	测试数据	光谱位置
ACOUSLIC-AI	Zenodo 直链（CC BY-NC-SA 4.0）	私有在线评测	偏公开端（混合）
fetal-planes-db（库内 rid 538）	公开（研究用途）	同左	公开端
maternal-ultrasound-nutrition（库内 rid 615）	公开	同左	公开端
典型请求制医学数据集	邮件申请	邮件申请	请求端

§6 生态与影响：主办方、资助与景观定位

6.1 主办方谱系与资助

ACOUSLIC-AI 由两家荷兰机构联合主办：

• Radboud University Medical Center（Radboudumc）：荷兰奈梅亨大学医学中心。团队横跨医学影像（Sappia、van Ginneken、Neff、Murphy——其中 Murphy 与 van Ginneken 深度参与 Grand-Challenge 平台生态）与产科临床（van Dillen、Beverdam）及超声物理（de Korte）。Radboudumc 是 grand-challenge.org 平台的重要发源地之一，办赛经验深厚；
• Delft Imaging Systems：荷兰医疗影像企业，低资源市场导向的便携超声产品线与本项目"低成本设备+新手操作者"的设定直接咬合。

资助方为欧盟 AIMIX 项目（“Inclusive Artificial Intelligence for Accessible Medical Imaging Across Resource-Limited Settings”，grant 101044779）——项目名即主题：跨资源受限环境的可及医学影像包容性 AI。ACOUSLIC-AI 是该资助脉络下的代表性产出。

6.2 在 MICCAI 2024 挑战赛景观中的位置

MICCAI 2024（2024-10-10 前后在 Montreal 举办）附属挑战赛数十场，ACOUSLIC-AI 的差异化在于三件事：数据地理（训练集全部来自塞拉利昂基层 PHU，主流挑战赛几乎全部使用欧美日韩医院数据）、采集者设定（新手而非专家）、任务链路（选择+分割+测量三段，而非单点任务）。对"挑战赛数据集应该长什么样"这个方法论问题，它提供了一个低资源样本的答案模板。

6.3 在胎儿超声数据集景观中的位置

论文自述的两个"第一"划定了它的历史位置：

1. 首个公开的低收入国家盲扫超声数据集——此前的公开胎儿超声数据（含库内 fetal-planes-db）均为专家在医疗中心采集；
2. 盲扫 cine 的帧选择+测量基准——把静态帧分类基准推进到连续流测量基准。

同时它是"Grand-Challenge 生态"的典型产物：数据公开（Zenodo）+ 平台评测（grand-challenge.org）+ 报告论文（MedIA）三件套齐全，可被后续挑战赛直接借鉴。

6.4 临床与公共健康端口

• FGR 负担：FGR 影响最多 10% 妊娠，与死产、早产、围产期发病死亡强关联，低收入国家负担最重；
• AC 的临床地位：AC 是估计胎儿体重的核心输入之一；AC 低于第 3 百分位是 FGR 诊断的关键指标之一；
• 缺口的成因：设备贵 + 技师稀缺，使 WHO 低资源产科超声路线（OSP 协议谱系）长期停留在"能扫出来"而未解决"谁来量"——ACOUSLIC-AI 补的正是"谁来量"这一环。

6.5 引用与影响力（2026-09 快照）

• 论文发表于 Medical Image Analysis（医学影像计算领域头部期刊），开放获取（CC BY）；机构页口径 Scopus 被引 12 次（Twente 机构页 2026-09 快照，随时间变动）；
• 作为挑战赛报告，其长期引用场景预计集中在三类工作：胎儿超声测量算法（对标基准）、低资源医疗 AI（方法学引用）、挑战赛设计研究（协议引用）；
• 引用影响力数字时标注"快照日期"，勿写死。

§7 方法学启示：四条可迁移的经验

7.1 "新手+协议+AI"是低资源医疗 AI 的可复制模板

ACOUSLIC-AI 的深层方法论不是某个网络结构，而是一条技能再分配路线：把稀缺技能（找标准面、测量）从现场转移到离线算法，把现场只留下可训练到及格线的操作（按协议盲扫）。这个模板可直接迁移到其他"现场技能稀缺、离线分析可行"的检查——眼底拍照、皮肤镜采集、宫颈涂片成像等。判定模板是否适用的两个问题：现场操作能否协议化到新手可执行？任务能否分解为"找+量"两段交给算法？

7.2 评估协议要贴着数据结构设计

WFSS 的三档与 Soft Dice 的 15 帧容差都是从数据结构倒推评估规则的范例：盲扫 cine 里标准帧与邻域帧在临床上等价可用，评估就给邻域部分分。对比"指标先行"的设计（先定死二值 Dice 再套到连续流数据上），前者衡量的才是临床可用性。设计新挑战赛时可照抄的句式：先问"这个临床上什么算成功"，再让指标长成那个形状。

7.3 椭圆的"一物三用"标注经济学

一类标注对象（腹围椭圆）同时供测量真值、分割掩码、帧级一致性三方使用，把每帧标注成本压到单一几何操作。凡是"测量型"任务（周长、面积、直径）都可复用这招：标几何原语而非分别标各任务的监督信号。

7.4 公开训练集 + 私有测试集的混合发布

挑战赛后训练集转公开（Zenodo）、测试集保持私有（平台评测）、冠军算法开源（GitHub）——三层各自选最优的开放方式。这比两个极端都好：全部公开会让榜单迅速被过拟合腐蚀，全部私有会让数据集在赛后失去研究价值。ACOUSLIC-AI 的分层发布可以作为赛后数据处置的参考答案。

§8 与库内条目的关系

8.1 家族图谱

• fetal-planes-db（rid 538）：同域（胎儿超声标准平面）最直接的对照条目。差异轴：静态专家帧 vs 新手盲扫 cine；多分类平面识别 vs "找面+测量"链路。两者连读恰好覆盖胎儿超声 AI 的两端——“认识标准面"与"在真实流里量出来”。
• maternal-ultrasound-nutrition（rid 615）：低资源孕产超声邻域条目，共享"低资源场景 + 便携超声 + 孕产健康"三要素，任务不同（营养相关生物计量 vs 腹围）。
• MICCAI 挑战赛家族：库内其他挑战赛数据集条目（如有）可与本条目互链为"挑战赛数据集"类目下的低资源样本。

8.2 检索路径建议

• 搜"胎儿超声/标准平面"→ fetal-planes-db（分类基准）与 acouslic-ai（测量链路）并列出现；
• 搜"低资源/低收入 医疗 AI"→ acouslic-ai 与 maternal-ultrasound-nutrition 构成超声双样本；
• 搜"挑战赛/MICCAI"→ acouslic-ai 提供"挑战赛+公开训练集"的完整样本。

§9 避坑清单：六个已踩过的坑

坑 1：版本坑（最重要）。v1.0 有 AC 计算 2 倍误差 bug。任何引用 AC 数值、训练测量模型、对比 NAE_AC 的工作，先确认自己下的是 v1.1（DOI 10.5281/zenodo.12697994）。两个 DOI 均有效，历史链接可能仍指 v1.0。

坑 2：例数口径坑。官网数据集页存在 282 与 290 两种数字；论文口径为训练 300/验证 10/测试 290。引用一律 300/10/290，把 282 视为官网历史口径存照。

坑 3：缩写展开坑。官网展开含 “using Artificial Intelligence”，论文摘要展开不含该尾巴。写正式文档时选定一个口径并注明来源，不要混拼。

坑 4：测试集可得性坑。验证/测试集没有下载链接是设计而非遗漏。想"拿到测试集本地跑"不存在路径，只能 Grand-Challenge 在线提交。

坑 5：分数对齐坑。自己在训练集内部切分得到的分数不能与官网测试榜直接比较（跨域+私有测试）。对标官方数字时引用论文报告口径。

坑 6：许可传染坑。训练集 CC BY-NC-SA 4.0 的 SA 条款会传染派生数据集；NC 条款约束商用。商用计划先过法务。

§10 总结

10.1 三句话总结

1. ACOUSLIC-AI 把产科超声 AI 的考卷从"专家数据上多准"换成了"新手盲扫上能不能量"，并交付了首个公开的低收入国家盲扫超声数据集（300 例，CC BY-NC-SA 4.0，Zenodo 直链）。
2. MICCAI 2024 挑战赛 16 队参赛、6 队决赛，三甲 backbone/AcouslicAI_SK/acoustic-net（0.71/0.65/0.64）全部开源；A2 的 AC 测量 LoA 达到文献人工观察者间水平。
3. 它的持久价值在方法学：技能再分配的采集模板、贴着数据结构设计的评估协议、椭圆的标注经济学、赛后的分层发布——四件套皆可复制。

10.2 适合谁

• 做超声帧选择/分割/测量的算法团队（训练数据直链可用、三甲代码可对标）；
• 研究跨域泛化与低资源医疗 AI 的方法学者（塞拉利昂→坦桑尼亚→欧洲的域切换是现成实验场）；
• 设计医学 AI 挑战赛的组织者（评估协议与发布策略的模板）；
• 关注 FGR 筛查与全球健康的技术评估者。

10.3 不适合谁

• 需要测试数据本体做离线分析的研究（测试集私有）；
• 商用场景直接使用训练集（NC 条款）；
• 期望"专家级静态标准切面"训练分类器的团队（这里是新手盲扫流，图像质量分布完全不同——请用 fetal-planes-db）；
• 只想引一个"AC 大数据集"而不核对版本的工作（v1.0 陷阱）。

10.4 30 秒决策卡

要下数据？→ Zenodo v1.1（DOI 10.5281/zenodo.12697994），CC BY-NC-SA 4.0，38 GB。
要对标？→ 论文表格 + 官网 outcomes 榜；别拿自评分对齐官方测试分。
要复现？→ GitHub 三仓库（§4.1）；用 v1.1。
要商用？→ NC 条款，先法务。
要引用？→ Sappia et al., Med Image Anal 2025;105:103640 + Zenodo DOI。

FAQ（高频问答 51 问）

A. 基础认知

Q1：ACOUSLIC-AI 是什么的缩写？
Abdominal Circumference Operator-agnostic UltraSound measurement in Low-Income Countries（官网口径另有 “using Artificial Intelligence” 尾巴，论文摘要展开无——双口径存照）。

Q2：它是数据集还是比赛？
两者：MICCAI 2024 附属挑战赛 + 配套公开训练数据集。论文是官方挑战赛报告。

Q3：什么时候办的？
2024 年赛程，MICCAI event 于 2024-10-10；训练集 v1.0 于 2024-04-22 发布；论文 2025-06-10 early online、2025-10 见刊。

Q4：谁主办的？
Radboud University Medical Center（Radboudumc，荷兰）+ Delft Imaging Systems（荷兰），欧盟 AIMIX 项目资助（grant 101044779）。

Q5：任务是什么？
从新手盲扫 cine 中自动完成：胎儿腹部标准帧选择 → 腹部分割 → 腹围（AC）测量。

Q6：盲扫（blind-sweep）是什么？
操作者不做实时质控、连续扫完整段的采集方式；分析离线进行。技能门槛低、单帧利用率低，适合"协议化采集 + AI 分析"链路。

Q7：为什么选腹围 AC？
AC 是胎儿生物计量核心参数、估计胎儿体重的关键输入；AC 低于第 3 百分位是 FGR（胎儿生长受限）诊断的关键指标。FGR 影响最多 10% 妊娠。

Q8：为什么强调"低收入国家"？
FGR 负担最重而超声设备与技师最稀缺；这是"首个公开的低收入国家盲扫超声数据集"（论文 Highlights）。

B. 数据与获取

Q9：数据量多大？
论文口径 600 例 cine：训练 300（公开）+ 验证 10 + 测试 290（私有）。

Q10：从哪下？
Zenodo：v1.1 DOI 10.5281/zenodo.12697994（推荐）；v1.0 DOI 10.5281/zenodo.11005384。

Q11：v1.0 和 v1.1 差在哪？
v1.0 的腹围计算有 2 倍误差 bug，v1.1 修复；图像与帧标签不变。凡涉及 AC 数值必须用 v1.1。

Q12：体积多大？校验值？
v1.0 约 37.9 GB、v1.1 约 38.0 GB；md5 前缀分别为 3444bee…/3e3209f…，完整值以 Zenodo 页面为准。

Q13：什么许可？
训练集 CC BY-NC-SA 4.0（署名-非商业-相同方式共享）；论文 CC BY；验证/测试集不发放。

Q14：验证/测试集怎么"用"？
Grand-Challenge 平台以算法容器提交、在线评测，数据本体不落地。

Q15：数据是谁扫的？
新手操作者（novice operators），MicrUs Pro-C60S（Telemed，立陶宛）低成本设备，OSP 六扫查协议（DeStigter 2011 谱系）。

Q16：数据从哪些地方采集？
训练：塞拉利昂 3 个 PHU；验证/测试：坦桑尼亚 2 个 PHU + 一家欧洲医院（论文摘要未点名该医院）。

Q17：每例多少帧？分辨率？
官网口径每例约 840 帧；744×562 像素；0.28 mm/px。

Q18：标注是什么格式？
逐帧标准平面二分类标签 + 标准帧腹围椭圆（椭圆同时供测量真值与分割掩码）；全部由经验丰富阅片者标注。

C. 比赛与结果

Q19：多少队参赛？
16 支国际队伍，6 支进入 Final Test Phase。

Q20：评估指标有哪些？
WFSS（1/0.6/0 三档帧选择分）+ Soft Dice（15 帧容差衰减）/ DSC / HD（分割）+ NAE_AC（测量）。

Q21：Top-3 是谁？
A1 backbone（0.71）、A2 AcouslicAI_SK（0.65）、A3 acoustic-net（0.64）。

Q22：他们的代码在哪？
GitHub：Ninalgad/muti-dn-fgr、sk-jp/AcouslicAI、tanya-akumu/acouslic-ai-challenge-2d-hybrid。

Q23：什么架构赢了？
论文 Highlights：U-Net 系架构主导分割；三甲分差小，胜负在帧选择与测量的耦合稳定性。

Q24：AI 量得比人准吗？
论文口径：A2 的 AC 测量 LoA 与文献人工观察者间 LoA 相当——是"进入人际变异区间"，不是"零误差"。

Q25：官方榜在哪看？
官网 acouslic-ai.grand-challenge.org 的 challenge-outcomes 页。

D. 使用与工程

Q26：能商用吗？
训练集 NC 条款禁止商业使用；商用前法务评估。派生数据受 SA 传染。

Q27：能在训练集上自测再对齐官网榜吗？
不能直接对齐：官网测试分来自私有跨域测试集。对标请引论文报告口径。

Q28：0.28 mm/px 有什么用？
腹围测量的物理标定——椭圆周长像素值 × 0.28 才是毫米 AC；丢了标定，测量任务无从谈起。

Q29：能用 MONAI/PyTorch 加载吗？
可以，cine/帧结构与逐帧标签为常规格式；三甲 GitHub 仓库提供可参考的加载与训练管线。

Q30：怎么引用？
数据：Zenodo v1.1 DOI（curator: Sappia, María Sofía）；论文：Sappia MS et al., Medical Image Analysis 2025;105:103640, doi:10.1016/j.media.2025.103640。

E. 库内与关联

Q31：和 fetal-planes-db 什么关系？
同域互补：后者是专家静态标准切面（分类基准），本条目是新手盲扫 cine（测量链路）。连读覆盖胎儿超声 AI 两端。

Q32：和 maternal-ultrasound-nutrition 什么关系？
共享"低资源 + 便携超声 + 孕产健康"设定的邻域条目，任务不同。

F. 边界与争议

Q33：用新手数据训练的模型，能用在专家采集的场景吗？
方向反了也成立不了：新手盲扫与专家定格的图像分布不同。本数据集的结论域是"新手扫、AI 量"；把它外推为"超声测量 AI 的通用水平"是超范围引用。

Q34：测试集不公开，怎么防止榜单过拟合？
测试集本体永不落地（容器提交），且与训练集跨地理域——这是防泄漏的结构性设计，代价是外部无法离线复测（§3.7）。

Q35：WFSS 的 0.6 邻域档会不会"放水"？
它的临床依据是：标准帧邻域内的帧在临床上同样可测量（§3.3）。若你的研究目的是"精确复现标注行为"而非"临床可用"，可以只看论文分项表里的无容差指标。

Q36：300 例训练集够吗？
对这个任务结构（U-Net 系主导、每例数百帧可用监督）是"能出可用解"的量级——三甲结果即为证据；但离"专家级、跨设备通用"仍有距离，论文结论亦持此口径。

Q37：数据里有没有隐私问题？
胎儿超声+新手采集+基层 PHU 的组合天然涉及孕产隐私；数据集经主办方匿名化后以 CC BY-NC-SA 发布，使用时不得尝试重识别（许可是授权不是豁免）。

Q38：为什么 MICCAI 挑战赛论文发在 Medical Image Analysis？
挑战赛报告专刊惯例：完整数据+评估协议+Top-3 解剖的报告体量超出会议论文页限，MedIA 2025 卷 105 收录了这批报告（本论文即其一）。

G. 横向比较

Q39：和 fetal-planes-db 比谁"更好"？
不是同一考卷：静态帧分类基准 vs 盲扫测量链路。训练分类器用前者，研究真实流自动化用后者（§2.6/附录 L）。

Q40：和其他 MICCAI 2024 挑战赛比，它的特别之处？
数据地理（塞拉利昂基层）、采集者（新手）、任务（三段链路）三轴都与主流挑战赛错位（§6.2/附录 R）。

Q41：和"专家数据+域适应"路线比呢？
两条路线互补：专家数据提供高质量判别先验，新手盲扫数据提供真实部署分布。ACOUSLIC-AI 的价值是把后者第一次做成公开基准。

Q42：综合 ranking score 怎么算的？
挑战赛对三段指标加权汇总成综合分（官网 outcomes 口径）；各段权重与计算细节以官网/论文为准，本条目不代述。

Q43：二名和三名的差距（0.65 vs 0.64）有意义吗？
在此分差量级，名次差异小于评估噪声的可能性不可忽略；引用时写"A2 与 A3 接近并列"比"A2 胜 A3"更准确。

H. 复现实操

Q44：从零到跑通第一个基线要几步？
五步：Zenodo 拉 v1.1 → 校验 md5 → 按压缩包内文档解析 cine/标签 → 跑附录 AA 的朴素基线 → 训练集内部切分自评 WFSS。

Q45：显卡要求多大？
38 GB 是数据包体积不是显存需求；帧级模型（744×562 输入）单卡 8-16 GB 可训，cine 级模型（时序）显存需求上浮——以三甲仓库 README 的环境为准。

Q46：必须复现三甲才能发文吗？
不必。以三甲为"论文报告口径"的上界参照、报告自己的方法与消融即可；但任何对比表都必须注明"官方测试口径 vs 训练集内部口径"。

Q47：想给这个数据集加新标注，许可允许吗？
允许（BY+SA 约束下）：派生标注属衍生品，须以 CC BY-NC-SA 4.0 发布并引用原数据集。

Q48：能把数据集放进课堂作业吗？
可以（非商业教育用途），38 GB 体积建议只发 Zenodo 链接不打包转载，并要求学生同遵守 NC/SA。

Q49：论文里的分项表在哪找？
ScienceDirect 开放全文（PII S1361841525001872）的 §6 Results 与 Table 1-3；本条目不代述逐格数字。

Q50：发现数据问题向谁报告？
Zenodo 记录页的联系方式（curator：Sappia, María Sofía, Radboudumc）或官网联系渠道。

Q51：v1.1 以后还会有 v1.2 吗？
以 Zenodo 页面为准；若发布新版本，按附录 Q 的触发点更新本条目。

事实清单（硬事实 45 条）

1. 官方名称：ACOUSLIC-AI（Abdominal Circumference Operator-agnostic UltraSound measurement in Low-Income Countries）。
2. 官网口径全称含 “using Artificial Intelligence” 尾巴；论文摘要展开不含（双口径）。
3. 主办方：Radboudumc + Delft Imaging Systems。
4. 资助：欧盟 AIMIX，grant 101044779（Inclusive AI for Accessible Medical Imaging Across Resource-Limited Settings）。
5. MICCAI 2024 附属挑战赛，event 2024-10-10。
6. 托管平台：Grand-Challenge（acouslic-ai.grand-challenge.org）。
7. 任务：标准帧选择 + 腹部分割 + AC 测量三段链路。
8. 论文：Sappia MS et al., “ACOUSLIC-AI challenge report: Fetal abdominal circumference measurement on blind-sweep ultrasound data from low-income countries”, Medical Image Analysis 2025;105:103640。
9. 论文 DOI 10.1016/j.media.2025.103640；PMID 40527149；ISSN 1361-8415。
10. 论文 16 作者；early online 2025-06-10；见刊 2025-10（Volume 105）。
11. 论文 CC BY open access。
12. 通讯/资深作者含 Sappia、Murphy（Radboudumc）。
13. 训练集 300 例，塞拉利昂 3 个 PHU，公开。
14. 验证集 10 例 + 测试集 290 例，坦桑尼亚 2 PHU + 一家欧洲医院，私有。
15. "一家欧洲医院"在论文摘要中未点名。
16. 操作者：新手（novice operators）；采集方式：盲扫（blind-sweep）。
17. 设备：MicrUs Pro-C60S（Telemed，立陶宛）。
18. 采集协议：OSP 六扫查（DeStigter 2011 谱系）。
19. 每例约 840 帧（官网口径）；744×562 px；0.28 mm/px。
20. 标注：逐帧标准平面二分类 + 标准帧腹围椭圆；经验丰富阅片者。
21. Zenodo v1.0：2024-04-22，DOI 10.5281/zenodo.11005384，37.9 GB，md5 前缀 3444bee…。
22. Zenodo v1.1：2024-07-09，DOI 10.5281/zenodo.12697994，38.0 GB，md5 前缀 3e3209f…。
23. v1.1 修复 v1.0 腹围计算 2 倍误差 bug。
24. 训练集许可：CC BY-NC-SA 4.0。
25. Data curator：Sappia, María Sofía（Radboudumc）。
26. 16 队参赛，6 队进入 Final Test Phase。
27. 指标体系：WFSS（1/0.6/0）+ Soft Dice（15 帧容差）+ DSC + HD + NAE_AC。
28. Top-3：A1 backbone 0.71；A2 AcouslicAI_SK 0.65；A3 acoustic-net 0.64。
29. Top-3 GitHub：Ninalgad/muti-dn-fgr；sk-jp/AcouslicAI；tanya-akumu/acouslic-ai-challenge-2d-hybrid。
30. U-Net 系架构主导分割（论文 Highlights）。
31. A2 的 AC 测量 LoA 与文献观察者间 LoA 相当（论文临床对照结论）。
32. FGR 影响最多 10% 妊娠；AC 是估计胎儿体重的关键输入。
33. 论文自述首个公开的低收入国家盲扫超声数据集。
34. Top-3 模型公开可访问，定位为未来算法基准。
35. 官网数据集页存在 282/290 两种例数口径（存照，引用以论文口径 300/10/290 为准）。
36. 库内互链：fetal-planes-db（rid 538）、maternal-ultrasound-nutrition（rid 615）。
37. 论文收录为 Medical Image Analysis Volume 105（2025-10）挑战赛报告之一（ScienceDirect PII S1361841525001872）。
38. 论文 Scopus 被引 12 次（Utrecht/Twente 机构页 2026-09 快照口径，随时间变动）。
39. 椭圆标注"一物三用"：测量真值 + 分割掩码 + 帧级一致性核查（本条目 §2.4 归纳）。
40. 三甲分差 0.06（0.71/0.65/0.64），A2 与 A3 接近并列。
41. 帧选择三档计分中的 0.6 档对应"近似标准面的临床可接受帧"。
42. 15 帧容差允许模型在真值标准帧 ±15 帧内获得衰减分数。
43. Grand-Challenge 平台以算法容器提交、数据本体不落地的评测方式。
44. Zenodo 采用概念 DOI + 版本 DOI 结构，v1.0/v1.1 各有独立有效 DOI。
45. 训练集 SA 条款传染：派生数据集须以 CC BY-NC-SA 4.0 发布。

术语表（40 条）

#	术语	释义
1	ACOUSLIC-AI	Abdominal Circumference Operator-agnostic UltraSound measurement in Low-Income Countries（using Artificial Intelligence）；本挑战赛/数据集名。
2	AC（abdominal circumference）	胎儿腹围，胎儿生物计量核心参数，估计胎儿体重与 FGR 判定的关键输入。
3	blind-sweep	盲扫：不做实时质控连续扫完整段的采集方式。
4	cine loop	超声连续采集的帧序列（本数据集每例约 840 帧）。
5	FGR（fetal growth restriction）	胎儿生长受限，影响最多 10% 妊娠，围产期死亡发病关键因素。
6	fetal biometry	胎儿生物计量：AC、双顶径、头围、股骨长等标准化测量。
7	EFW（estimated fetal weight）	估计胎儿体重，由生物计量参数（含 AC）计算。
8	novice operator	新手操作者：受短训、非超声技师身份的采集者。
9	sonographer	超声技师；低资源环境最稀缺的人力环节。
10	OSP	Obstetric Scan Protocol，六扫查产科超声协议（DeStigter 2011 谱系）。
11	PHU（Public Health Unit）	公共卫生单元，塞拉利昂/坦桑尼亚的基层医疗设施。
12	standard plane	标准平面/标准切面：含规定解剖标志、可作规范测量的帧。
13	frame selection	帧选择：从 cine 中自动判定标准帧的任务（本赛任务一）。
14	WFSS	Weighted Fetal Standardization Score，帧选择三档计分（1/0.6/0）。
15	Soft Dice（15-frame tolerance）	带 15 帧容差衰减的 Dice 系数，奖励标准帧邻域内的可用分割。
16	DSC	Dice Similarity Coefficient，分割重叠度指标。
17	HD（Hausdorff distance）	豪斯多夫距离，分割边界误差指标。
18	NAE_AC	Normalized Absolute Error of AC，腹围归一化绝对误差。
19	LoA（limits of agreement）	一致界限；Bland-Altman 框架下两测量法/两观察者差值的 95% 区间。
20	interobserver variability	观察者间变异：不同操作者对同一对象测量结果的差异，临床一致性的基准线。
21	Grand-Challenge	医学影像挑战赛与算法评测平台（grand-challenge.org），本赛托管方。
22	Zenodo	CERN 运营的开放科研存储库，本数据集公开载体。
23	DOI（数字对象标识符）	持久标识；本条目涉及论文 DOI 与 Zenodo 数据集版本 DOI。
24	CC BY-NC-SA 4.0	署名-非商业-相同方式共享许可；训练集许可。
25	MICCAI	医学图像计算与计算机辅助介入国际会议；2024 届于 2024-10 举办，本赛为其附属挑战赛。
26	Training/Validation/Test Phase	挑战赛三阶段：公开训练 → 私有验证 → 私有最终测试。
27	Final Test Phase	最终测试阶段，6 强提交私有测试集、决定最终排名。
28	U-Net	医学分割主力架构族；本赛分割端主导方法。
29	Radboudumc	Radboud University Medical Center，荷兰奈梅亨大学医学中心，主办方与 Grand-Challenge 生态重镇。
30	Delft Imaging Systems	荷兰医疗影像企业，低资源便携超声导向，联合主办方。
31	胃泡（stomach bubble）	胎儿腹部标准横切面应可见的解剖标志之一。
32	脐静脉（umbilical vein）	腹部标准切面的另一关键解剖标志（正常应偏向腹壁一侧）。
33	皮肤线（skin line）	腹围测量沿其画椭圆的腹壁外缘；椭圆应贴合皮肤线。
34	椭圆拟合（ellipse fit）	从分割掩码边界拟合椭圆参数（中心/长短轴/倾角）的几何操作。
35	域偏移（domain shift）	训练与部署数据分布差异；本数据集塞拉利昂→坦桑尼亚→欧洲即为设计内域移位。
36	容器提交（container submission）	将算法打包为容器、平台侧运行评测的模式，数据不出库。
37	质量评估（quality assessment）	判定单帧图像是否可用的子任务；帧级标签是其天然监督。
38	敏感性分析（sensitivity analysis）	检验结论对假设（如标签噪声、切分方式）扰动的稳健性。
39	Bland-Altman 分析	测量一致性的经典框架，LoA 为其核心输出。
40	断点续传（HTTP Range）	大文件（38 GB 级）下载中断后续传的标准机制；Zenodo 支持。

附录

附录 A：条目信息速查卡

字段	值
slug	acouslic-ai
官方名	ACOUSLIC-AI
全称	Abdominal Circumference Operator-agnostic UltraSound measurement in Low-Income Countries（using Artificial Intelligence，官网口径）
类型	MICCAI 2024 附属挑战赛 + 公开训练数据集
主办	Radboudumc + Delft Imaging Systems
数据	600 例 cine（300 公开/10+290 私有）
规格	每例约 840 帧；744×562 px；0.28 mm/px
许可	训练集 CC BY-NC-SA 4.0；论文 CC BY
获取	Zenodo v1.1：DOI 10.5281/zenodo.12697994
论文	Med Image Anal 2025;105:103640, doi:10.1016/j.media.2025.103640, PMID 40527149
Top-3	backbone 0.71 / AcouslicAI_SK 0.65 / acoustic-net 0.64
本条目版本	2026-09-27 首版（agentB-acouslic）

附录 B：DAIMS 评估全表

维度	评分	说明
D 可发现性	高	DOI/Zenodo/官网/论文/PubMed 五路可达；slug 唯一
A 可获取性	中高	训练集直链；验证/测试仅在线评测（结构性地拉低一档）
I 互操作性	中高	常规帧序列+标签；0.28 mm/px 物理标定齐备；无统一原生格式标准但工程门槛低
M 元数据丰富度	中高	逐帧标签+椭圆+病例元数据；标注者分层细节以论文口径为主
S 可持续性	高	Radboudumc 机构背书；Zenodo 持久存储；EU 项目脉络

附录 C：逐项证据链自证

条目关键断言	证据源 1	证据源 2	证据源 3	状态
全称与缩写	官网首页/数据集页	论文摘要（ScienceDirect）	OpenAIRE 记录	三源一致（展开尾巴双口径已存照）
MICCAI 2024 附属、2024-10-10	conferences.miccai.org 官方列表	官网	论文	三源一致
主办双机构	论文作者/机构	官网	Zenodo curator 记录	三源一致
训练集公开/300 例/塞拉利昂 3 PHU	论文摘要	Zenodo 记录	官网数据集页	三源一致
验证/测试私有/坦桑尼亚+欧洲医院	论文摘要	官网（评测入口）	——	双源一致
v1.0/v1.1 DOI、体积、md5 前缀	Zenodo v1.0 页	Zenodo v1.1 页	——	双源（同一平台两版本）
v1.1 修 AC 2 倍误差	Zenodo v1.1 版本说明	——	——	单源存照（版本说明即原始出处）
16 队/6 决赛	论文摘要	官网 outcomes	——	双源一致
指标定义 WFSS/15 帧容差/NAE_AC	官网 evaluation 页	论文 §3	——	双源一致
Top-3 队名/分数/GitHub	官网 outcomes	GitHub 仓库页	论文作者名单对应	三源一致
A2 LoA≈观察者间	论文摘要（clinical comparisons 句）	论文结论段（检索摘要）	——	双源一致
U-Net 主导	论文 Highlights	论文 §5（检索摘要）	——	双源一致
840 帧/744×562/0.28 mm/px	官网数据集页	——	——	单源存照（官网口径）

附录 D：数据获取决策树

你要什么？
├─ 训练模型（帧选择/分割/测量）
│   └─ Zenodo v1.1（DOI 10.5281/zenodo.12697994）
│       ├─ 检查 md5（页面完整值）
│       ├─ 确认版本号 = v1.1（v1.0 有 AC 2 倍 bug）
│       └─ 注意许可 CC BY-NC-SA 4.0（商用止步/派生同许可）
├─ 上官方榜
│   └─ Grand-Challenge 注册 → 容器打包 → 验证集自测 → Final Test 提交
├─ 复现/对标冠军
│   └─ GitHub：Ninalgad/muti-dn-fgr ｜ sk-jp/AcouslicAI ｜ tanya-akumu/acouslic-ai-challenge-2d-hybrid
│       └─ 自评分数只与论文报告口径比较，勿对齐官网测试榜
├─ 只想要 AC 数值做流行病学/统计
│   └─ 同 v1.1；引用注明"挑战赛数据集、新手盲扫采集"
└─ 商用
    └─ NC 条款 → 停；需商用联系权利方（Radboudumc）另议

附录 E：帧标签与椭圆标注结构说明

每例（case）内部的数据结构（概念层，具体字段名以 v1.1 压缩包内文档为准）：

对象	粒度	内容	下游用途
帧级标签	每帧	胎儿腹部标准平面 ∈	训练帧选择器；WFSS 计分
椭圆	标准帧	中心 (x,y)、长短轴 (a,b)、倾角 θ	周长→AC mm（×0.28 mm/px）；栅格化→分割掩码；跨帧轨迹核查
病例元数据	每例	来源 PHU/国家、设备、协议段	域适应/分层切分

使用建议：把椭圆栅格化时保持与原图同分辨率（744×562），勿插值到其他网格后再算周长——像素间距换算必须发生在最终周长上而非中间栅格上。

附录 F：WFSS 计分细则表

判定情形	得分	逻辑
预测标准帧 = 真值标准帧	1.0	精确命中
预测/真值互为邻域（近似标准面）	0.6	临床可接受的近似
其他	0	误判

集级分数为帧级加权汇总。三档设计承认盲扫 cine 中"完美帧/可用帧"的连续性（§3.3）。

附录 G：Soft Dice 容差衰减（公式骨架）

对真值标准帧 t，模型在帧 t+δ（|δ| ≤ 15）上的分割得分乘以随 |δ| 衰减的系数（δ=0 得满系数，|δ|=15 衰减至低分）：

score(frame t+δ) = Dice(pred_{t+δ}, gt_t) × w(|δ|),  w(0)=1, w 单调递减, w(15)≈0

效果：把"测量发生在标准帧附近"的临床现实编码进指标（§3.4）。纯 DSC 与 HD 提供无容差的几何参考。

附录 H：NAE_AC 公式骨架

NAE_AC = mean_i( |AC_pred_i − AC_gt_i| / AC_gt_i )

• AC_gt_i：v1.1 椭圆周长 × 0.28 mm/px（v1.0 的数值有 2 倍误差，禁止使用）；
• 归一化消除胎龄/体型带来的量纲差异；
• 辅助口径：Bland-Altman LoA（与人工观察者间 LoA 对标，见 §4.2）。

附录 I：Top-3 仓库登记表

队伍	ranking	仓库	关键词（来自仓库名/队名）
A1 backbone	0.71	github.com/Ninalgad/muti-dn-fgr	muti-dn-fgr；作者 Dean Ninalga
A2 AcouslicAI_SK	0.65	github.com/sk-jp/AcouslicAI	sk-jp；成员 Kondo/Kasai/Hirasawa（日本）
A3 acoustic-net	0.64	github.com/tanya-akumu/acouslic-ai-challenge-2d-hybrid	2d-hybrid；巴塞罗那系成员

用前必查各仓库 LICENSE 与 README 的环境锁定；论文口径为最终裁决。

附录 J：训练集加载与基线骨架（PyTorch）

# 概念骨架：以 v1.1 解包后的帧序列+标签为例（字段名以压缩包内文档为准）
import numpy as np, torch
from torch.utils.data import Dataset

class AcouslicCine(Dataset):
    """每例返回 cine 帧张量与逐帧标签；椭圆标注在 collate 时另行栅格化。"""
    def __init__(self, case_dirs, resize=None):
        self.cases = case_dirs  # 300 例，v1.1
        self.resize = resize    # 744x562 原生；0.28 mm/px 缩放时同步更新

    def __getitem__(self, i):
        frames = load_frames(self.cases[i])        # (T, H, W)，T≈840（官网口径）
        labels = load_frame_labels(self.cases[i])  # (T,) 二分类：腹部标准平面
        ellipses = load_ellipses(self.cases[i])    # 标准帧的 (cx, cy, a, b, theta)
        if self.resize:                            # 注意：px_spacing 需随 resize 同步缩放
            frames, self.px_spacing = resize_with_spacing(frames, self.px_spacing, self.resize)
        return frames, labels, ellipses

    @property
    def px_spacing(self):        # 0.28 mm/px（原生）
        return self._px

# 三条纪律：
# 1) 只用 v1.1：AC 换算 = 椭圆周长像素长 × 0.28；
# 2) 自评切分固定随机种子并在论文引用时声明"训练集内部切分口径"；
# 3) 商用用途止步（NC）。

附录 K：三集合对照总表（论文口径）

属性	训练集	验证集	测试集
例数	300	10	290
来源	塞拉利昂 3 PHU	坦桑尼亚 2 PHU + 欧洲医院	坦桑尼亚 2 PHU + 欧洲医院
可获取	Zenodo 公开	私有在线评测	私有在线评测
标注可见	随数据公开	平台侧保密	平台侧保密
用途	本地开发	提交反馈	最终排名

附录 L：与库内 fetal-planes-db（rid 538）对照表

维度	acouslic-ai（本条目）	fetal-planes-db
帧型	盲扫 cine（约 840 帧/例）	静态标准切面
采集者	新手（基层 PHU）	医疗中心专业人员
任务	选择+分割+测量链路	平面类型分类
标注	二分类+椭圆	多分类平面标签
地理	塞拉利昂/坦桑尼亚/欧洲	以欧洲医疗中心为主
许可	CC BY-NC-SA 4.0	各自许可（见其条目）
互链价值	"真实流"端	"标准面认知"端

附录 M：CC BY-NC-SA 4.0 三要素与两条红线

• BY：引用 Zenodo DOI + 论文；
• NC：数据集本体不得商业使用；商用模型训练是否触发 NC 需法务判断——红线提示；
• SA：派生数据集（再标注/子集/增强集）以同许可发布——许可传染；
• 两条红线：① 用 v1.0 的 AC 数值（2 倍误差）；② 把私有测试集数据当作可得资产写进研究计划。

附录 N：检索决策树

搜什么？
├─ "ACOUSLIC-AI"            → 官网/论文/Zenodo 全命中（勿拆词）
├─ "ACOUSLIC" 拆开搜        → 失败（组合缩写词）
├─ "fetal ultrasound dataset" → 本条目 + fetal-planes-db + 各静态帧数据集
├─ "blind-sweep ultrasound"   → 高度特异，直中本条目
├─ "MICCAI 2024 challenge"    → 官方列表页 → 本赛
└─ "abdominal circumference deep learning" → 论文 + Top-3 仓库

附录 O：双口径登记表

#	事项	口径 A	口径 B	本条目采用
1	缩写展开	官网：…Low-Income Countries using Artificial Intelligence	论文摘要：…Low-Income Countries（无尾巴）	正文两处分注来源
2	例数	官网数据集页出现 282	论文/挑战赛口径 300/10/290	论文口径
3	每例帧数	官网口径约 840	——（论文未在摘要给帧数）	840（标注官网口径）
4	欧洲医院	论文摘要：a European hospital	——（未点名）	不推断

附录 P：时间线总表

日期	事件
2011	DeStigter 等低资源产科超声协议（OSP 谱系）发表（协议背景）
2024-04-22	Zenodo v1.0 发布（DOI 10.5281/zenodo.11005384，37.9 GB）
2024 挑战赛期	Training/Validation/Test 三阶段；16 队参赛
2024-07-09	Zenodo v1.1 发布（DOI 10.5281/zenodo.12697994，38.0 GB；修 AC 2 倍误差）
2024-10-10	MICCAI 2024 附属挑战赛 event 举办
2025-06-10	论文 early online（MedIA）
2025-10	论文见刊 Volume 105, article 103640
2026-09-27	本条目生产（千方病案医数集）

附录 Q：维护计划与触发点

触发点	动作
Zenodo 发布 v1.2+	复核版本差异，更新 §2.5/§9/附录 P
官网榜单变动（新增提交）	更新 §3.6 排名表与附录 I
论文引用数/后续方法显著增长	增补 §6 生态（引用与衍生工作）
Grand-Challenge 评测政策变化（如测试集开放）	重写 §5 可获取性三层
库内新增同域条目	扩充 §8 家族图谱

附录 R：MICCAI 2024 挑战赛景观定位（本赛坐标）

轴	主流挑战赛	ACOUSLIC-AI
数据地理	欧美日韩医疗中心	塞拉利昂/坦桑尼亚基层 + 欧洲医院
采集者	专业人员	新手
任务型	多为单点（分割/分类）	三段链路（选择+分割+测量）
公开度	各异	训练集直链 + 测试在线评测 + 冠军开源
平台	grand-challenge.org 系	同（Radboudumc 系发源地）

附录 S：FGR 临床背景小百科（支撑 §0/§6）

• 定义：胎儿生长受限（fetal growth restriction），胎儿未达其遗传生长潜能；影响最多 10% 妊娠；
• 后果：死产、早产、围产期发病死亡的关键因素；
• 产前识别：生物计量（AC、BPD、HC、FL）→ EFW；AC < 第 3 百分位为关键指标之一；
• 低资源缺口：设备贵 + 技师稀缺 → 生物计量超声覆盖不足 → "简化协议采集 + 离线 AI 测量"路线（本数据集）；
• 边界声明：本附录为背景科普，临床决策请循专科指南。

附录 T：引文规范

数据集：

Sappia, M. Sofía (Radboudumc) (curator). ACOUSLIC-AI training dataset (version v1.1). Zenodo. DOI 10.5281/zenodo.12697994.（引用时以 Zenodo 页面提供的官方 BibTeX 为准）

论文：

Sappia MS, de Korte CL, van Ginneken B, Ninalga D, Kondo S, Kasai S, Hirasawa K, Akumu T, Martín-Isla C, Lekadir K, Campello VM, Fabila J, Beverdam A, van Dillen J, Neff C, Murphy K. ACOUSLIC-AI challenge report: Fetal abdominal circumference measurement on blind-sweep ultrasound data from low-income countries. Medical Image Analysis. 2025;105:103640. doi:10.1016/j.media.2025.103640. PMID 40527149.

官网：

ACOUSLIC-AI challenge. Grand-Challenge. https://acouslic-ai.grand-challenge.org/（数据集页/evaluation 页/challenge-outcomes 页）

附录 U：本条目生产档案

项	值
生产代理	agentB-acouslic
生产日期	2026-09-27
FACTS 文件	writing/acouslic-ai/FACTS.md（九节）
金标准参照	writing/panda-plus/（FACTS + Wikipedia）
查重	SQL acouslic/fetal/ultrasound 关键词：命中 fetal-planes-db(538)、maternal-ultrasound-nutrition(615)，均非同据集，不冲突
核验方式	WebSearch 多源 + 官网子页 + Zenodo 双版本页 + Europe PMC/PMID + GitHub 三仓库 + MICCAI 官方挑战赛列表
已知反爬规避	NCBI 直爬改 Europe PMC REST；Radboud PDF 403 放弃全文改多源摘要；ScienceDirect 反爬改机构镜像页
双零自检	check_md.py + preflight_check.py（见尾注）

附录 V：FAIR/AI-Ready 检查单

检查项	状态	备注
F1 持久标识	✅	论文 DOI + Zenodo 版本 DOI
F2 丰富元数据	✅	Zenodo 记录（curator/许可/md5/体积）+ 论文
A1 可检索	✅	Zenodo/OAI 索引 + PubMed 论文
A2 可访问	✅（训练）/⚠️（测试）	训练直链；测试仅在线评测
I1 开放格式	✅	常规帧序列+标签，工程门槛低
I2 物理标定	✅	0.28 mm/px 显式给出
R1 许可明确	✅	CC BY-NC-SA 4.0
R2 来源可溯	✅	PHU/国家/设备/协议口径齐备
R3 版本治理	✅	v1.0→v1.1 变更留痕（含 bug 修正说明）

附录 W：缩写速查

缩写	全称
ACOUSLIC-AI	Abdominal Circumference Operator-agnostic UltraSound measurement in Low-Income Countries (using Artificial Intelligence)
AC	Abdominal Circumference（腹围）
FGR	Fetal Growth Restriction（胎儿生长受限）
EFW	Estimated Fetal Weight（估计胎儿体重）
PHU	Public Health Unit（公共卫生单元）
OSP	Obstetric Scan Protocol（六扫查产科协议）
WFSS	Weighted Fetal Standardization Score
NAE	Normalized Absolute Error
DSC	Dice Similarity Coefficient
HD	Hausdorff Distance
LoA	Limits of Agreement
MedIA	Medical Image Analysis（期刊）
MICCAI	Medical Image Computing and Computer Assisted Intervention
Radboudumc	Radboud University Medical Center
BPD/HC/FL	Biparietal Diameter / Head Circumference / Femur Length（其余生物计量参数）

附录 X：与库内 maternal-ultrasound-nutrition（rid 615）关系声明

两条目共享"低资源 + 便携超声 + 孕产健康"设定，但数据本体、任务与许可互不相同：本条目为 MICCAI 2024 挑战赛的胎儿腹围链路（塞拉利昂/坦桑尼亚/欧洲，CC BY-NC-SA 4.0）；maternal-ultrasound-nutrition 为孕产妇营养相关的超声计量（见其条目）。互链时以"低资源孕产超声邻域"措辞，不合并、不互相代述数字。

附录 Y：基于本数据集的研究检查清单（12 项）

1. 确认使用 v1.1（DOI 10.5281/zenodo.12697994），并在文中写明版本；
2. 数据切分声明：训练集内部切分 or 官方验证/测试在线评测——不得混称；
3. 不把自己的测试分与官网榜直接对齐（跨域私有测试）；
4. AC 换算：椭圆周长 × 0.28 mm/px，换算发生在最终周长上；
5. 帧级评估报告 WFSS 三档分布，不只报均值；
6. 分割报告带 15 帧容差 Dice 与纯 DSC/HD 双口径；
7. 测量报告 NAE_AC 与 Bland-Altman LoA 双口径；
8. 与 Top-3 比较时引用论文表格数字并注明"论文报告口径"；
9. 许可合规：CC BY-NC-SA 4.0——商用评估、派生数据同许可；
10. 跨域实验明确标注域（塞拉利昂/坦桑尼亚/欧洲）；
11. 与专家静态帧数据集（如 fetal-planes-db）混用时声明采集者差异（新手 vs 专家）；
12. 引用三件套：Zenodo DOI + 论文 + 官网。

附录 II：逐帧标注的三种使用模式

逐帧标签 + 椭圆的两层标注支持至少三种训练范式，按监督密度递增：

模式	用到的标注	训练目标	适用研究问题
M1 稀疏帧模式	仅标准帧（正类）	在标准帧上训练分割/测量	“给一面，量多准”——纯测量精度研究
M2 全帧分类模式	全部逐帧二分类标签	帧级分类器	“几百帧里找那几帧”——帧选择研究
M3 链路模式	全部标注	级联：分类器筛帧 → 分割/测量头精化	完整低资源链路——挑战赛官方口径

模式选择的三条经验：M1 最省事但浪费了盲扫数据的分布信息；M2 是多数论文基线的做法；M3 才对应部署现实（推理时没有人替你先框好标准帧）。报告结果时注明用了哪种模式，否则与 Top-3 的分数不可比——三甲均为 M3 口径。

附录 JJ：评测报告模板（表骨架）

在 ACOUSLIC-AI 上做完实验，报告建议填齐下面三张表（口径纪律见附录 Y）：

表 1 数据口径

项	本工作
数据版本	v1.1（DOI 10.5281/zenodo.12697994）
使用集合	训练 300（内部切分方式：）/ 在线评测（次数：）
训练模式	M1 / M2 / M3（附录 II）

表 2 主结果（论文报告口径对齐）

指标	本文方法	A1 backbone（论文口径）	A2 AcouslicAI_SK	A3 acoustic-net
WFSS		0.71（综合）	0.65（综合）	0.64（综合）
Soft Dice（15 帧容差）/ DSC / HD		分项见论文
NAE_AC		分项见论文
LoA（AC）		——	与观察者间相当

表 3 跨域与消融

实验	域切分	关键结论
域内基线	PHU 级切分
时序平滑消融	——
版本校验（v1.0 vs v1.1 的 AC）	——	仅证明性，勿发 v1.0 数字

附录 KK：常见工程问题 12 问

P1 压缩包下载中断/校验失败？
Zenodo 支持断点续传（HTTP Range）；md5 不匹配先重下完整文件再怀疑平台。本条目只存 md5 前缀，完整值在 Zenodo 文件页。

P2 帧数不是 840 的整倍数怎么办？
840 是官网口径的"每例约"数，不是常数——按实际帧数处理，不要 pad 到 840。

P3 0.28 mm/px 在 resize 后怎么算？
等比缩放 s 倍后 px_spacing 变为 0.28/s mm/px；任何插值操作后必须同步更新标定，否则 AC 全错。

P4 椭圆参数缺倾角字段？
以 v1.1 压缩包内文档的字段定义为准；周长公式只依赖长短轴（a, b），倾角不影响 AC 值，但影响掩码栅格化的方向。

P5 想训练分类器，正负样本比例失衡？
见附录 AA 基线二：focal loss 或按帧过采样；先跑时序平滑基线再上深度模型，很多"提升"其实来自平滑。

P6 能只用训练集复现官方分数吗？
不能——官方分来自跨域私有测试（§3.7）。训练集内部切分自评是唯一可离线复现的口径，引用时声明。

P7 Grand-Challenge 提交容器有哪些坑？
容器环境锁定（CUDA/依赖版本）、输出格式严格对齐官方 schema、提交次数有限——以平台提交页的文档为准，本条目不代述细节。

P8 想把 cine 抽帧成静态图混入其他数据集训练？
技术上可行但会破坏时序信息且可能违反许可意图（SA 传染衍生集）；至少在论文中把混入比例与来源声明清楚。

P9 多例同一患者吗？
数据集以 PHU 级采集与例为单位组织，患者级重复情况以论文/数据文档口径为准；做患者级切分前先核对元数据。

P10 帧级标签有噪声怎么办？
盲扫帧的"标准/非标准"边界本身渐变（§2.7），标签噪声与 WFSS 的 0.6 档是同一现实的两面；敏感性分析（去噪重训 vs 原标签）是好实践。

P11 怎么引用 Top-3 的代码？
引其 GitHub 仓库 + 本挑战赛论文；仓库内若有独立 README 引用要求一并遵守。

P12 商业机构能内部评估吗？
"使用数据本体做内部非商业评估"与"商业产品化"的边界是法律问题；NC 条款下最稳的做法是先取得权利方（Radboudumc）书面许可。

附录 Z：v1.0 与 v1.1 逐项对照表

维度	v1.0	v1.1	使用建议
发布日期	2024-04-22	2024-07-09	——
DOI	10.5281/zenodo.11005384	10.5281/zenodo.12697994	引用/下载选 v1.1 DOI
体积	37.9 GB	38.0 GB	下载后核对 md5
md5 前缀	3444bee…	3e3209f…	完整值以 Zenodo 页面为准
cine 图像	与 v1.1 相同	与 v1.0 相同	图像未变
帧级标签	与 v1.1 相同	与 v1.0 相同	帧标签未变
AC 数值	有 2 倍计算误差	已修正	凡涉 AC 一律 v1.1
适用任务	帧选择/分割（不受 bug 影响）	全部任务	测量任务禁用 v1.0
历史地位	挑战赛首发版	赛中修正版、论文基准	论文数字基于 v1.1

附录 AA：帧选择基线策略骨架（三种朴素基线）

# 三种朴素帧选择基线——用于给自己模型定锚，不是 SOTA
import numpy as np

def baseline_random(frames_meta, seed=0):
    """基线一：随机选帧。预期 WFSS 接近标准帧占比 × 加权均值。"""
    rng = np.random.default_rng(seed)
    return {c: rng.choice(m["frames"], size=m["k"], replace=False)
            for c, m in frames_meta.items()}

def baseline_classifier(frames, labels):
    """基线二：帧二分类器（ResNet/U-Net 编码器 + 全连接）。
    监督：逐帧二分类标签。要点：类别极不均衡（标准帧少数），
    训练时 focal loss / 过采样标准帧。"""
    ...

def baseline_temporal(frames):
    """基线三：时序平滑。标准帧在 cine 中成片出现，
    对逐帧打分后做一维中值/滑窗平滑，可显著降噪。"""
    ...

# 评估：WFSS 三档（1 / 0.6 / 0），报集级均值 + 三档分布（§3.3）。

附录 BB：分割→测量换算骨架

import numpy as np

PX_SPACING_MM = 0.28  # v1.1 官方标定；若 resize 过图像须同步缩放此值

def ellipse_to_ac_mm(cx, cy, a, b, theta=0.0):
    """标准帧腹围椭圆 → AC 毫米值。
    Ramanujan 二级近似周长公式（工程上常用）：
    P ≈ π [ 3(a+b) − sqrt((3a+b)(a+3b)) ]
    """
    P_px = np.pi * (3 * (a + b) - np.sqrt((3 * a + b) * (a + 3 * b)))
    return P_px * PX_SPACING_MM

def mask_to_ac_mm(mask, px_spacing_mm=PX_SPACING_MM):
    """分割掩码 → 外轮廓周长 → AC。注意：
    1) 周长用亚像素轮廓，别数网格边（锯齿会高估）；
    2) 凸包或椭圆拟合后算周长，比原始轮廓稳。"""
    from skimage.measure import EllipseModel
    pts = boundary_subpixel(mask)
    ell = EllipseModel().fit(pts)      # (cx, cy, a, b, theta)
    return ellipse_to_ac_mm(*ell)

# NAE_AC = mean(|AC_pred − AC_gt| / AC_gt)；AC_gt 取 v1.1 椭圆换算值。

附录 CC：跨域实验设计模板

本数据集的域结构天然支持三类跨域实验，设计模板如下：

实验类型	训练域	测试域	回答的问题	实操要点
域内基线	塞拉利昂（按 PHU 切分）	同源另一 PHU	模型下限	按 PHU 而非按例切分，防患者/设备泄漏
跨国泛化	塞拉利昂 3 PHU	训练集内模拟"坦桑尼亚风格"（如仅有的欧洲医院子集不可得时，用官方验证集在线反馈）	跨地理域衰减	验证集仅 10 例，在线提交频率受限，结论以趋势为准
官方口径	塞拉利昂（全量）	坦桑尼亚 2 PHU + 欧洲医院（290 例，私有）	官方榜排名	容器提交 Grand-Challenge，有限次提交机会

三条纪律：报告时标注域切分方式；不把 A/B 类自测分与 C 类官方分混排一张表；跨域结论注明"趋势级"还是"排名级"证据。

附录 DD：低资源超声与胎儿超声公开数据集光谱表

数据集	帧型	采集者	任务	许可	光谱位置
ACOUSLIC-AI（本条目）	盲扫 cine（约 840 帧/例）	新手（塞拉利昂/坦桑尼亚/欧洲）	选择+分割+测量链路	CC BY-NC-SA 4.0	公开直链（训练）+ 在线评测（测试）
fetal-planes-db（库内 rid 538）	静态标准切面	专业人员	平面多分类	见其条目	公开直链
maternal-ultrasound-nutrition（库内 rid 615）	超声影像	见其条目	营养相关计量	见其条目	公开
典型请求制医学数据集	——	——	——	定制	请求端

读表要点：ACOUSLIC-AI 的"新手+盲扫"使其成为光谱上唯一覆盖真实低资源采集流的样本；与静态帧数据集互补使用（先静态帧学"标准面长什么样"，再盲扫学"真实流里捞出来"）。

附录 EE：挑战赛数据集设计模式手册（从本赛提炼的六个模式）

模式	本赛实现	可迁移场景
P1 技能再分配采集	新手+协议盲扫，智力工作后置给 AI	现场技能稀缺的检查（眼底、皮肤镜、涂片）
P2 贴数据结构的指标	WFSS 0.6 邻域档；15 帧容差 Dice	任何"临床可用≠精确命中"的连续流任务
P3 标注经济学（一物多用）	椭圆同时供测量/分割/一致性	测量型任务（周长/面积/直径）
P4 跨域切分防泄漏	训练（塞拉利昂）≠测试（坦桑尼亚+欧洲）	多中心数据集的默认姿势
P5 分层发布	训练公开+测试私有+冠军开源	挑战赛赛后处置
P6 三档误差承认	WFSS 1/0.6/0	有"可接受近似"概念的任务

反模式对照：把专家定格帧当"真实流"（采样偏差）；二值化奖励临床近似帧（指标失真）；赛后测试集泄出（榜单腐蚀）——本赛在这三处都做了正确示范。

附录 FF：审稿人视角常见质疑与回应（10 条）

Q1 “只有 300 例训练数据，结论稳健吗？”
回应：任务端有逐帧监督（每例数百帧），三甲可用解与 LoA 临床对标是稳健性证据；但"300 例、单一国家训练域"确实是泛化上限的硬约束——引结论时限定在低资源筛查链路语境。

Q2 “新手数据是不是质量太差，模型学到的是伪影？”
回应：这正是任务定义而非缺陷——部署时的输入就是新手扫的图。在专家数据上训练、到新手数据上部署的模型反而要过域移位这道坎；本数据集把这道坎做成了公开考题。

Q3 “测试集不公开，怎么信排名？”
回应：容器提交+跨域测试是防泄漏的更强保障；信任锚在"数据本体不可见"而非"可见但可信"。

Q4 “WFSS 0.6 档是不是人为放宽？”
回应：0.6 档对应临床可测量的近似面，有明确临床语义（§3.3）；论文同时报告无容差指标（DSC/HD），两条口径并存可交叉检验。

Q5 “LoA 相当于观察者间变异，样本量够吗？”
回应：LoA 比较基于 290 例测试集量级（官方口径），统计功效远高于逐例个案报告；引用时注明"论文报告口径"。

Q6 “为什么不用 Transformer？”
回应：论文 Highlights 明确 U-Net 系主导；架构趋势是实证结果不是设计偏好。300 例量级下归纳偏置强的架构占优并不意外。

Q7 “0.65 与 0.64 差一名，能说 A2 比 A3 好吗？”
回应：分差在评估噪声量级内，写"接近并列"更严谨（§4.5 读法三）。

Q8 “v1.0 的 bug 影响已发表论文吗？”
回应：bug 影响的是 v1.0 数据包内的 AC 数值；挑战赛与论文基于 v1.1。引用 v1.0 DOI 的早期第三方工作需要自行复核其 AC 相关数字。

Q9 “训练集许可 NC，能训练商用模型吗？”
回应：数据集本体的 NC 条款是否覆盖"用其训练的模型"存在法律灰色地带；本条目只提示红线存在，商用前必须法务评估（§5.4）。

Q10 “这个数据集三年后还有价值吗？”
回应：架构会过时，但三样东西保值——唯一的新手盲扫采集分布、贴数据结构的评估协议、跨域切分范式；这正是挑战赛数据集相对模型论文的长期优势。

附录 GG：关键术语中英对照总表

中文	英文	中文	英文
腹围	abdominal circumference (AC)	盲扫	blind-sweep
胎儿生长受限	fetal growth restriction (FGR)	新手操作者	novice operator
胎儿生物计量	fetal biometry	超声技师	sonographer
估计胎儿体重	estimated fetal weight (EFW)	标准平面	standard plane
双顶径	biparietal diameter (BPD)	帧选择	frame selection
头围	head circumference (HC)	观察者间变异	interobserver variability
股骨长	femur length (FL)	一致界限	limits of agreement (LoA)
公共卫生单元	public health unit (PHU)	归一化绝对误差	normalized absolute error (NAE)
六扫查产科协议	obstetric scan protocol (OSP)	便携超声	portable ultrasound
床旁超声	point-of-care ultrasound	产前筛查	prenatal screening
相同方式共享	share-alike (SA)	署名	attribution (BY)
非商业	non-commercial (NC)	低资源环境	low-resource settings

附录 HH：数据集卡片（Dataset Card 式速览）

• 数据集名称：ACOUSLIC-AI training dataset（v1.1）
• 发布方：Radboudumc + Delft Imaging Systems（curator：Sappia, María Sofía）
• 动机：低资源环境胎儿腹围自动测量的可行性验证（MICCAI 2024 挑战赛）
• 构成：300 例新手盲扫 cine（塞拉利昂 3 PHU），每例约 840 帧、744×562 px、0.28 mm/px
• 标注：逐帧标准平面二分类；标准帧腹围椭圆
• 推荐任务：帧选择、腹部分割、AC 测量；跨域泛化研究
• 不推荐任务：平面多分类（请用静态帧数据集）；商用（NC 条款）
• 许可：CC BY-NC-SA 4.0
• 获取：Zenodo DOI 10.5281/zenodo.12697994（v1.1，推荐）；DOI 10.5281/zenodo.11005384（v1.0，含 AC 2 倍 bug，仅帧选择/分割研究可用）
• 已知局限：训练域单一（塞拉利昂）；测试集私有；新手采集分布与专家数据不可互换；v1.0 版本陷阱
• 引用：Zenodo DOI + Sappia et al., Med Image Anal 2025;105:103640

附录 LL：三段任务的失败模式与缓解

任务	典型失败模式	缓解策略
帧选择	正负极不均衡导致全判"非标准"	focal loss/过采样/时序平滑（附录 AA 基线二/三）
帧选择	邻近帧抖动（逐帧预测跳变）	一维中值/滑窗平滑；HMM 式状态转移
帧选择	域移位（塞拉利昂→坦桑尼亚）掉点	域随机化增强；设备/采集地留出验证
分割	过渡帧上边界发散	训练时混入邻域帧；置信度门控
分割	肠气/伪影干扰	伪影模拟增强；边界损失（HD-aware loss）
分割	resize 后标定错位	px_spacing 与 resize 联动（附录 KK P3）
测量	周长像素化高估	亚像素轮廓/椭圆拟合后再算周长（附录 BB）
测量	用了 v1.0 真值	版本断言写进数据加载器（读到 v1.0 即报错）
测量	NAE 被极小腹围样本放大	报告 NAE 分布而非只报均值；异常例单独列表

附录 MM：引用本数据集的 12 项自查

1. 引了 Zenodo 版本 DOI（v1.1）+ 论文 DOI 双引用？
2. 写明了数据版本（v1.1）？
3. 写明了使用集合与切分方式（训练集内部切分 / 在线评测）？
4. 没有把自己的自测分与官网测试分混排？
5. 分项指标口径与论文一致（WFSS 三档/15 帧容差 Dice/NAE_AC）？
6. AC 换算标定（0.28 mm/px）写进了方法？
7. 许可合规声明（CC BY-NC-SA 4.0，无商业用途冲突）？
8. 派生数据（若有）以同许可开放？
9. 跨域结论标注了域与证据强度（趋势级/排名级）？
10. 局限性段落包含"新手采集分布"与"训练域单一"？
11. 没有把 v1.0 的 AC 数值写进任何表格？
12. 引用了官网（grand-challenge）以便读者上榜复测？

附录 NN：三甲仓库复现环境登记模板

字段	A1 backbone	A2 AcouslicAI_SK	A3 acoustic-net
仓库	Ninalgad/muti-dn-fgr	sk-jp/AcouslicAI	tanya-akumu/acouslic-ai-challenge-2d-hybrid
LICENSE 类型	（以仓库为准）	（以仓库为准）	（以仓库为准）
框架/版本锁定	（README）	（README）	（README）
输入规格（帧尺寸/归一化）	（repo）	（repo）	（repo）
训练启动命令	（repo）	（repo）	（repo）
复现日期与 commit hash	待填	待填	待填

使用方法：复现时逐格填写并随实验记录归档；commit hash 保证可追溯。

附录 OO："一年后"情景推演（维护视角）

情景	概率	对本条目的影响	触发动作
Zenodo 无更新、官网榜单稳定	高	条目保持稳定	年度例行复核（附录 Q）
第三方提出更好的方法并在训练集自评	中	§6 生态可补充"后续工作"	增补引用，注意其口径非官方测试
Grand-Challenge 政策变化（测试集或榜单变动）	低	§5 光谱重写	立即更新可获取性三层
新版数据（v1.2+）	低	版本史与避坑清单更新	附录 P/Q 联动
论文引用快速上升（低资源 AI 综述引用）	中	§6.5 快照更新	更新被引快照与引用场景描述

附录 PP：口径一致性总检表（成稿终审用）

本条目所有硬数字的统一口径——终审时逐行核对，任何一处与其他行冲突即为 bug：

数字/事实	统一口径	出现位置（应一致）
全称展开	官网口径含 using Artificial Intelligence；论文摘要口径不含	INFOBOX/§1 Q1/附录 O
例数	训练 300 / 验证 10 / 测试 290 / 合计 600	INFOBOX/§1/§2.1/附录 K/事实清单
帧规格	每例约 840 帧（官网口径）；744×562；0.28 mm/px	§1/§2.2/FAQ/术语表
设备	MicrUs Pro-C60S（Telemed，立陶宛）	§1/§2.2/事实清单
版本	v1.0（2024-04-22，37.9 GB，含 AC 2 倍 bug）→ v1.1（2024-07-09，38.0 GB，推荐）	§1/§2.5/§5/FAQ/附录 Z
许可	训练集 CC BY-NC-SA 4.0；论文 CC BY	frontmatter/§5/FAQ/附录 M
比赛规模	16 队参赛、6 队决赛、MICCAI event 2024-10-10	§1/§3.1/§6.2
Top-3	backbone 0.71 / AcouslicAI_SK 0.65 / acoustic-net 0.64	INFOBOX/§3.6/§4.1/FAQ
三甲 GitHub	Ninalgad/muti-dn-fgr；sk-jp/AcouslicAI；tanya-akumu/acouslic-ai-challenge-2d-hybrid	§4.1/附录 I/NN
临床结论	A2 的 LoA 与文献观察者间 LoA 相当（新手盲扫链路前提）	INFOBOX/§4.2/FAQ
论文	Med Image Anal 2025;105:103640；PMID 40527149；16 作者；early online 2025-06-10	全文引用处
FGR	影响最多 10% 妊娠	§0/§6.4/附录 S
资助	EU AIMIX grant 101044779	§6.1/事实清单
采集地	训练=塞拉利昂 3 PHU；验证+测试=坦桑尼亚 2 PHU+一家欧洲医院（未点名）	§2.1/§2.3 表/FAQ

尾注

本条目由千方病案医数集写手代理 agentB-acouslic 于 2026-09-27 生产，FACTS 九节先核后写，全部硬数字经论文（Med Image Anal 2025;105:103640）、Zenodo 双版本记录、官网（acouslic-ai.grand-challenge.org）与 MICCAI 2024 官方挑战赛列表多源互证；已通过 check_md.py 与 preflight_check.py 双零自检。双口径与单源存照处（缩写展开/例数 282/840 帧/欧洲医院/版本 bug）均已按纪律包落 §9 避坑清单与附录 O。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• breastpathq — 共享标签：医学影像 / 图像分类 / 挑战赛数据集
• prostatex — 共享标签：医学影像 / 图像分类 / 挑战赛数据集
• sics-155 — 共享标签：医学影像 / 图像分类 / 挑战赛数据集
• odelia — 共享标签：医学影像 / 图像分类 / 挑战赛数据集
• dfuc-2024 — 共享标签：医学影像 / 图像分类 / 挑战赛数据集
• selma3d — 共享标签：医学影像 / 图像分类 / 挑战赛数据集
• camelyon16 — 共享标签：医学影像 / 图像分类 / 挑战赛数据集
• heichole — 共享标签：医学影像 / 图像分类 / 挑战赛数据集
• cardiac-implantable-device-cxr — 共享标签：医学影像 / 图像分类
• chest-x-ray-segmentation — 共享标签：医学影像 / 图像分类

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。