信息速览
INFOBOX — ADAM 一屏速览
维度 内容 本质 MICCAI 2020 颅内动脉瘤检测与分割挑战赛（challenge）+ 独立可复用 3D TOF-MRA 语料 官方全称 Aneurysm Detection and segMentation（ADAM）challenge——注意官方大小写拆分 组织方 UMC Utrecht：Image Sciences Institute + 放射科 + 神经内科 论文 NeuroImage 2021;238:118216（doi:10.1016/j.neuroimage.2021.118216；PMID 34052465） 模态 全 TOF-MRA（飞行时间磁共振血管造影）+ 每例结构 MR（T1/T2/FLAIR） 训练集 113 例，含 129 个 UIA（93 例含动脉瘤 / 20 例无） 测试集 141 例，含 153 个 UIA（117 例含 / 26 例无）——不公开 图像规格 中位 512×512×140；中位动脉瘤 238 voxels；前景占比 6.5×10⁻⁶ 任务 Task 1 检测（sensitivity + FP count）｜Task 2 分割（DSC + MHD95 + Volumetric Similarity） 参赛队 Task 1 = 11 队；Task 2 = 9 队 榜首 Task 1 冠军 mibaumgartner（检测专用方法）｜Task 2 冠军 junma（nnU-Net 集成） 许可 受限访问（保密协议 gated，不得再分发）；无 CC / OSI 许可 代码 冠军方案 JunMa11/ADAM2020（MIT 类开源，权重在百度网盘）现状 持续开放投稿 + live leaderboard（2020 赛后长期开放） 库内互链 intra(723)（同为脑血管 MRA 域，最强互链）、isles(495)、topaneu2026(637)、topbrain2026(632)
ADAM 是"把一个临床痛点直接做成公开竞技场"的典型：颅内未破裂动脉瘤（UIA）在普通人群中检出率约 3%，而直径小于 5 mm 的小动脉瘤由放射科医师从磁共振血管造影（MRA）上检出，敏感度可低至 35%——漏诊意味着后续可能破裂出血。ADAM 挑战赛把这件"人眼容易看漏"的任务交给算法，用 113 例带专家标注的飞行时间磁共振血管造影（TOF-MRA）训练、141 例私有测试集评测，让全球 11 支检测队与 9 支分割队在同一把尺子下比高低。它的价值有两层：既是脑血管 AI 领域少见的"全 3D、全 TOF-MRA、带像素级标注"公开语料，也是一次把检测与分割两个任务拆开、用统计显著性说话的方法学实验。
导语读法三则：
- 只想搞数据：直奔 §5 获取与许可——ADAM 是受限访问，必须签保密协议申请，训练集不能转发，测试集根本不外放；别指望像 HuggingFace 那样一键下载。
- 关心排行榜与结论：直奔 §4 评测与基准——Task 1/Task 2 双榜、指标口径、冠军方法与"接近观察者间水平"的原文结论。
- 想避开检索陷阱：直奔 §9 避坑清单第 1 条——"ADAM"这个名字同时被一个眼底图数据集占用，搜错方向会一无所获。
一表识 ADAM：
| 问题 | 一句话答案 |
|---|---|
| 是什么 | MICCAI 2020 颅内动脉瘤检测与分割挑战赛 |
| 谁办的 | 荷兰 UMC Utrecht |
| 模态 | 全 TOF-MRA（+ 结构 MR） |
| 规模 | 训练 113 例/129 UIA；测试 141 例/153 UIA |
| 任务 | Task 1 检测 + Task 2 分割 |
| 指标 | 检测：敏感度+假阳性；分割：DSC+MHD95+体积相似度 |
| 队伍 | 11 队（检测）/ 9 队（分割） |
| 冠军 | 检测 mibaumgartner；分割 junma |
| 数据 | 受限访问，须签保密协议申请 |
| 许可 | 无 CC/无 OSI，不可再分发 |
| 现况 | 持续开放投稿 + live leaderboard |
§0 导读：这个数据集解决什么问题
颅内动脉瘤是脑血管壁上的异常膨出，绝大多数（未破裂者）终身无症状，却在破裂时引发蛛网膜下腔出血，致死致残率高。这就把临床推入一个两难：既要尽早发现未破裂动脉瘤（UIA）以便随访或干预，又不能对海量人群做侵入性检查。磁共振血管造影（尤其是无需对比剂的 TOF-MRA）是主流的无创筛查手段，但它高度依赖读片者的经验——小动脉瘤、分叉处动脉瘤、与血管迂曲混淆的病灶，都是漏诊高发区。设计文档给出的三个数字把问题量化了：动脉瘤见于约 3% 的普通人群；约 10% 的动脉瘤（多为小动脉瘤）被漏诊；直径 <5 mm 的小动脉瘤由放射科医师从 MRA 检出的敏感度可低至 35%。
传统的动脉瘤尺寸测量是 2D 手工测量（在选定的切面上量最长径），它有三个先天缺陷：丢失 3D 形态信息、观察者间变异大、且无法直接给出体积/形状等与破裂风险相关的特征（文献指出非球形、分叶状形态与破裂风险升高相关）。把这些测量任务从"二维画线"升级为"三维逐体素分割"，正是算法可以介入的地方。
ADAM 挑战赛（Aneurysm Detection and segMentation challenge）由荷兰乌得勒支大学医学中心（UMC Utrecht）在 MICCAI 2020 发起，把问题拆成两个任务：
- Task 1 检测（detection）：在 TOF-MRA 上定位/检出 UIA，比的是"找得全不全 + 误报多不多"（敏感度 + 假阳性计数）。
- Task 2 分割（segmentation)：在 TOF-MRA 上做体素级分割，比的是"勾得准不准"（Dice 相似系数 + 修正 Hausdorff 距离 + 体积相似度）。
两个任务共用同一批 3D TOF-MRA 数据，但评测目标不同——检测允许算法"先找到再说"，分割则必须把动脉瘤边界画准。这种"同数据、双任务"的设计，使 ADAM 成为观察"检测模块与分割模块能否互相促进"的天然实验台。
0.1 临床背景：为什么这件事重要
颅内动脉瘤（intracranial aneurysm）是脑血管壁局部薄弱后向外膨出形成的"鼓包"。它的临床两难在于：
- 未破裂时通常无症状，人群中检出率约 3%——按这个比例，一个百万人口城市里可能有数万例未破裂动脉瘤携带者。
- 一旦破裂，血液流入蛛网膜下腔（subarachnoid hemorrhage，蛛网膜下腔出血），致死致残率高，且往往猝不及防。
- 漏诊代价大：设计文档指出约 10% 的动脉瘤（多为小动脉瘤）在检查中被漏诊——漏掉的那个，可能就是将来破裂的那个。
因此临床需要一个"找得全、报得准"的筛查工具。ADAM 挑战赛正是把这个问题交给算法：让机器学会在 3D 血管造影里发现那些"人眼容易看漏"的小动脉瘤。
0.2 TOF-MRA 为什么适合做这件事
TOF-MRA（Time-of-Flight Magnetic Resonance Angiography，飞行时间磁共振血管造影） 的原理是：磁共振成像时，新鲜流入成像层面的血液未被射频脉冲饱和，信号强；而周围静止组织被反复激发后信号弱。于是血流"亮"、背景"暗"，血管自动凸显出来。它的优势：
- 无对比剂：不需要注射钆对比剂，避免对比剂过敏与肾毒性风险。
- 无电离辐射：相比 CTA 更安全，适合筛查与反复随访。
- 3D 成像：天然给出整个脑血管树的三维体数据，正好匹配"逐体素分割动脉瘤"的需求。
它的局限也正对应 ADAM 的难点：空间分辨率有限，直径小于 5 mm 的小动脉瘤在 TOF-MRA 上对比度低、易与迂曲血管混淆——这是"小动脉瘤敏感度低至 35%"的技术根源，也是分割任务里"中位动脉瘤仅 238 体素"的原因。
0.3 这个数据集要解决的三件事
把上面两点合起来，ADAM 要解决三件事：
- 让机器学会找：在 TOF-MRA 上自动检出未破裂动脉瘤（Task 1 检测）。
- 让机器学会量：把动脉瘤边界逐体素勾出来，替代不稳定的 2D 手工测量（Task 2 分割）。
- 建立可比的标尺：用统一的私有测试集 + 统一指标，回答"目前算法能做到多好"（排行榜与统计结论）。
0.4 一句话定位
ADAM = 一个把 TOF-MRA 颅内动脉瘤检测与分割任务标准化、公开竞技化的基准锚点——它提供带专家标注的 3D 数据、双任务评测、持续更新的排行榜，代价是数据受保密协议约束、需申请获取。理解了这一定位，后面所有规格、榜单、许可内容都只是它的展开。
0.5 与相关任务的边界：ADAM 不是什么
明确边界，能避免把 ADAM 用到错误的场景：
| 你以为的任务 | ADAM 是否覆盖 | 说明 |
|---|---|---|
| 颅内动脉瘤检测 | ✅ 覆盖 | Task 1 |
| 颅内动脉瘤体素级分割 | ✅ 覆盖 | Task 2 |
| 全脑血管树分割 | ❌ 不覆盖 | 只标动脉瘤，不标整条血管；见 TopBrain/intra |
| CTA/DSA 动脉瘤检测 | ❌ 不覆盖 | 纯 TOF-MRA，坑 2 |
| 动脉瘤破裂风险预测 | ⚠ 间接相关 | 分割结果可派生形态特征，但非 ADAM 的评测目标 |
| 脑肿瘤/白质病变分割 | ❌ 不覆盖 | 见 brats/wmh-challenge |
| 2D 切片级分类 | ❌ 不覆盖 | ADAM 是 3D 任务 |
一句话：ADAM 专注"TOF-MRA 上的动脉瘤检测与分割"这一件事，把它做深做严；其他脑血管任务请找对应条目。
0.6 阅读本条的四种角色路径
不同背景的读者，可以走不同路径：
- 数据工程师：§2（数据构成）→ §5（获取与许可）→ 附录 G（获取路径表）。
- 算法研究者：§4（评测与基准）→ §7（方法学启示）→ 附录 L（可迁移经验）。
- 临床/转化研究者：§0（临床背景）→ §3.4（指标与临床对应）→ §5.7（协议实务）。
- 选型/决策者：§11（一句话点评）→ §12（决策树）→ §5.8（许可性质）。
§0 读法三则：
- 这个条目是"挑战赛 + 独立语料"二合一：挑战赛框架本身是临时的，但它发布的 113 例训练集是独立、可复用的临床 3D 语料——本条目因此不按"纯框架"处理（见坑 8）。
- 全文规模数字统一以主论文口径为准：训练 113 例 / 测试 141 例。二手中文源里的"110/140""142"是赛前设计值与转录误差，已在坑 3 逐条存照。
- 检索时若把"ADAM"直接当数据集名去搜，会大量撞到另一个眼底图数据集（Age-related Macular Degeneration，缩写也叫 ADAM）——必须带上 “aneurysm”“TOF-MRA”“MICCAI 2020” 才能锁定本条目（坑 1）。
§1 数据集速览：十八问十八答
Q1：ADAM 是什么的缩写？
Aneurysm Detection and segMentation（颅内动脉瘤检测与分割）。官方写法故意把 “segMentation” 的 M 大写以拼出 “ADAM” 这个缩写，所以是 “Detection And segMentation”——注意不是常见的 “And segmentation”。部分二手转载写成 “Aneurysm Detection And segmentation”，属大小写转写差异（坑 6）。
Q2：谁办的、哪一年？
荷兰乌得勒支大学医学中心（UMC Utrecht）发起，作为 MICCAI 2020（国际医学图像计算与计算机辅助干预会议）的官方挑战赛之一。组织团队横跨三个部门：Image Sciences Institute（影像科学研究所）、放射科（Radiology）、神经内科（Neurology）。设计文档 6 位作者全部来自 UMC Utrecht。
Q3：用什么成像模态？
全 TOF-MRA（Time-of-Flight Magnetic Resonance Angiography，飞行时间磁共振血管造影），每例还附带一幅配准的结构 MR（T1、T2 或 FLAIR 之一）。TOF-MRA 无需注射对比剂，靠血流流入增强效应成像，是颅内动脉瘤筛查的常用无创手段。本数据集不含 CTA、不含 DSA（数字减影血管造影）——设计文档提到 CTA/DSA 只是背景对比（“许多方法为 CTA/DSA 开发，但本挑战聚焦 TOF-MRA”），别把背景误当数据成分（坑 2）。
Q4：数据规模有多大？
训练集 113 例，合计 129 个未破裂颅内动脉瘤（UIA）：其中 93 例含至少一个动脉瘤并提供标注，20 例无动脉瘤（阴性样本，用于考验算法的误报控制）。测试集 141 例，合计 153 个 UIA：117 例至少含一个未治疗未破裂动脉瘤，26 例无动脉瘤。测试集标注不公开。
Q5：每例包含什么？
1 幅 3D TOF-MRA + 1 幅配准结构 MR（T1/T2/FLAIR 之一）+（训练集才有）UIA 二值分割掩码 + 每个动脉瘤的中心体素坐标（centre voxel）。
Q6：图像尺寸和类别不平衡有多严重？
据 Task 2 冠军方案（Ma Jun, arXiv:2101.10815）统计：中位图像尺寸 512×512×140；中位动脉瘤体素体积仅 238 voxels；前景（动脉瘤）占全体素的比约 6.5×10⁻⁶——这是极端类别不平衡，正样本比背景小六个数量级，是分割难度的核心来源之一。
Q7：两个任务分别评什么指标？
- Task 1（检测）：敏感度（sensitivity）+ 假阳性计数（false positive count），排名取指标平均。
- Task 2（分割）：Dice 相似系数（DSC）+ 修正 Hausdorff 距离（modified Hausdorff distance，取 95 分位，MHD95）+ 体积相似度（volumetric similarity），排名取指标平均。
Q8：有多少队参加？谁赢了？
Task 1 有 11 队、Task 2 有 9 队（同批队伍中 9 队兼报两个任务）。Task 1 冠军是 mibaumgartner（0.66 / 0.14 / 0.03），Task 2 冠军是 junma（DSC 0.41 / MHD95 8.96 / 体积相似度 0.50，nnU-Net 集成方案）。值得注意的是：Task 1 冠军是专为检测任务设计的方法，它没有参加 Task 2——检测与分割的最优解并不重叠。
Q9：怎么提交、怎么评测？
容器化提交（Docker container）。参赛者把方法打包成容器，由组织方在私有的测试集上运行评测——参赛者看不到测试集图像，从制度上杜绝了"看着测试集调参"。
Q10：现在还能参加吗？
能。主论文明确写道，ADAM 挑战赛保持开放、持续接受新提交与改进提交，并维护 live leaderboard（实时排行榜）。这意味着 2020 年赛后它长期可投稿，是少数"不过期"的挑战赛之一。
Q11：数据集里有 CTA 或 DSA 吗？
没有。ADAM 是纯 TOF-MRA 数据集，外加每例配准的结构 MR。CTA（CT 血管造影）与 DSA（数字减影血管造影）只在设计文档里作为"背景对比"被提及——文档说许多动脉瘤方法是为 CTA/DSA 开发的，但本挑战聚焦 TOF-MRA。把 ADAM 描述成 CTA/DSA 数据集是常见误读（坑 2）。
Q12：为什么用 TOF-MRA 而不是 CTA？
TOF-MRA 无需注射对比剂，无电离辐射，适合筛查与随访；CTA 有辐射且需碘对比剂。挑战赛选择 TOF-MRA，是想推动无创无对比剂路径上的动脉瘤 AI 检测，这与临床筛查的偏好一致。
Q13：训练集有阴性（无动脉瘤）样本吗？
有。训练集 113 例中 20 例无动脉瘤，测试集 141 例中 26 例无动脉瘤。这些阴性样本专门用来考验算法的"误报控制"能力（§3.5）。
Q14：标注是什么形式？
训练集提供逐体素二值掩码（是/否动脉瘤）+ 每个动脉瘤的中心体素坐标。掩码用于分割任务训练，中心体素便于检测任务的定位评测。
Q15：数据是单中心还是多中心？
单中心：全部来自 UMC Utrecht（荷兰）。这意味着榜单上的最优方法可能隐式适配了该中心的扫描仪与成像协议，跨中心泛化需另行验证（§7.5）。
Q16：这个挑战赛办了几年？
单届（MICCAI 2020），没有 2021 及以后的续届记录。但它"赛后长期开放投稿"的运营方式，使它在事实上持续活跃（§6.3）。
Q17：ADAM 与 intra（库内 723）有什么关系？
二者同属脑血管 MRA 域：ADAM 是颅内动脉瘤检测+分割，intra 是脑血管/动脉瘤分割相关条目。它们是库内最强互链的一对（§8.1）。检索脑动脉瘤分割时应把二者放在一起看。
Q18：ADAM 属于"纯挑战赛框架"吗？会不会没有可用数据？
不属于。ADAM 是"挑战赛 + 独立语料"型：除赛制外，它发布了 113 例带专家标注的独立临床 TOF-MRA 语料，有明确标注、可申请获取，因此有独立可复用数据，不触发"纯框架无独立语料"的停止条件（坑 8）。
§2 数据构成与规格
2.1 规模总表
| 子集 | 例数 | UIA 总数 | 含动脉瘤例数 | 无动脉瘤例数 | 是否公开 |
|---|---|---|---|---|---|
| 训练集 | 113 | 129 | 93 | 20 | 签署协议后申请 |
| 测试集 | 141 | 153 | 117 | 26 | 不公开 |
上表是主论文口径。注意"例数"与"UIA 数"是两个维度：113 例对应 129 个动脉瘤（有的病例一个，有的多个），141 例对应 153 个动脉瘤。两个数不能混用（坑 4）。
2.2 每例的文件构成
每一例（case）打包以下内容：
| 文件类型 | 数量 | 说明 |
|---|---|---|
| 3D TOF-MRA | 1 幅 | 主模态，检测与分割的对象 |
| 结构 MR | 1 幅 | T1 / T2 / FLAIR 之一，已与 TOF-MRA 配准 |
| UIA 二值掩码 | 0 或 1（每动脉瘤一份） | 仅训练集；体素级二值标注 |
| 中心体素坐标 | 每动脉瘤一个 | 每例提供中心点，便于检测任务定位（训练集） |
结构 MR 的存在意味着：虽然挑战赛的输入主模态是 TOF-MRA，但参赛者可以（且被鼓励）利用配准好的结构像辅助定位——这在解剖背景（脑组织、脑脊液）与血管之间做区分时可能有用。
2.3 图像规格与不平衡统计
以下数字来自 Task 2 冠军方案论文（Ma Jun 等，arXiv:2101.10815）：
| 指标 | 数值 | 含义 |
|---|---|---|
| 中位图像尺寸 | 512 × 512 × 140 | 一个 3D 体积的典型体素数（宽×高×层） |
| 中位动脉瘤体素体积 | 238 voxels | 动脉瘤本体极小，仅占全图的百万分之几 |
| 前景占比 | 约 6.5 × 10⁻⁶ | 动脉瘤体素 / 全体素，极端类别不平衡 |
把这几个数字放一起看，ADAM 分割的难度本质就清楚了：在一个约 512×512×140 ≈ 3,670 万体素的体积里，要找的动脉瘤可能只有 238 个体素——相当于在足球场里找一粒米，而且这粒米的形状、边界、与血管的连接关系都要画准。常规的交叉熵损失会被海量背景"淹没"，这正是冠军方案要专门设计"抗不平衡"损失函数的原因（§4.4）。
2.4 数据来源与标注
数据来源是 UMC Utrecht 的临床 TOF-MRA（荷兰单中心）。标注流程（arXiv 原文口径）：
二值掩码"由医学标注领域的专家制作，并由经验丰富的放射科医师复核"（made by experts in the field of medical annotations and checked by an experienced radiologist）。
也就是"专家制作 + 资深放射科医师复核"两道工序。由于测试集不公开且评测走容器提交，训练集标注的质量直接决定了这个基准的可信度——它是少数明确声明"标注经放射科医师复核"的脑血管分割数据集。
存照：数据来源人群的具体采集年份、扫描仪型号、患者性别/年龄分布，未在摘要级来源（PubMed 摘要、arXiv、Zenodo 设计文档）中获取到，属遗留疑点（坑 9 / §附录 E 待核）。
2.5 与"纯挑战赛"的边界
ADAM 形式上是一个挑战赛（challenge），但它发布了一份独立、可复用的临床语料：113 例带专家标注的 TOF-MRA，本身就是一份完整的 3D 脑血管分割数据集。因此本条目按"挑战赛 + 独立语料"型处理，而不是"纯框架/无独立数据"型——后者才是需要 stopping 的情形。判断依据：训练集是真实临床数据、有明确标注、有可复现的申请通道，且主论文本身复述了这些语料统计（见坑 8）。
2.6 病例划分与数据组织
ADAM 的 113/141 划分是患者级互斥的（同一患者不应同时出现在训练与测试两边，否则会造成信息泄漏导致虚高成绩）。具体划分策略（是否分层、是否按动脉瘤数量平衡）未在摘要级来源逐字确认，属遗留疑点。
从数据组织角度，每例可视为一个独立文件夹/条目，包含：“一个 3D TOF-MRA 体数据 + 一个配准结构 MR + （训练集）若干二值掩码 + 各掩码对应的中心体素坐标”。检测任务用中心体素/掩码生成"此处有动脉瘤"的标注；分割任务直接用二值掩码监督。这种"同一份标注支撑两个任务"的组织方式，是 ADAM 数据打包的核心设计。
为什么训练集要有阴性样本：113 例里 20 例无动脉瘤，不是标注遗漏，而是刻意保留的阴性对照——它们让检测任务能评测"误报控制"，避免算法把"所有血管分叉都当动脉瘤"。
2.7 数据规模在同类数据集中的位置
要理解 ADAM 的规模定位，可与几类参照比较（定性判断，非精确统计）：
| 参照维度 | ADAM 的情况 |
|---|---|
| 病例数 | 113 训练 / 141 测试——中等规模，非"万级大数据集" |
| 模态 | 纯 TOF-MRA——在动脉瘤数据集中较专一，多数同类含 CTA |
| 标注粒度 | 体素级二值掩码 + 中心体素——细粒度 |
| 多中心 | 单中心（UMC Utrecht） |
| 公开性 | 受限访问——比"完全公开"窄，比"完全私有"宽 |
规模不大，但标注细、模态纯、评测严——这是 ADAM 的定位，也是它作为"基准锚点"而非"大数据训练集"的原因。用它训练生产级模型样本量偏少，但用它做方法评测与基线对比非常合适。
§3 任务与标注体系
3.1 双任务设计
ADAM 把"找动脉瘤"与"画动脉瘤"拆成两个独立任务、两份独立榜单：
| Task 1 检测（Detection） | Task 2 分割（Segmentation） | |
|---|---|---|
| 目标 | 定位/检出 UIA | 体素级分割 UIA |
| 输出 | 动脉瘤位置（检出/未检出） | 每个体素的二值标签（是否动脉瘤） |
| 指标 | 敏感度 + 假阳性计数 | DSC + MHD95 + 体积相似度 |
| 排名 | 指标平均 | 指标平均 |
| 参赛队 | 11 队 | 9 队 |
这种拆分的意义在于：检测任务只要求"找到"，允许算法用粗定位甚至热力图；分割任务必须把边界画准。一个算法可能"找到得全"但"画得糙"，也可能"画得精"但"漏得多"——拆开评，能分别暴露两类能力，也便于分析"检测对分割的贡献"与"分割对检测的贡献"。
3.2 指标详解
Task 1 检测指标
- 敏感度（sensitivity）：被正确检出的动脉瘤数 / 动脉瘤总数。衡量"找得全不全"。
- 假阳性计数（false positive count）：算法报出但实际不存在的"动脉瘤"数量。衡量"误报多不多"。
一对指标必须一起看：把敏感度做到 100% 很容易（到处标），但假阳性会爆表；反过来只报最明显的几个，假阳性低但敏感度也低。排名取两者平均，实际上是在"找得全"与"报得准"之间求平衡。
Task 2 分割指标
- DSC（Dice similarity coefficient，Dice 相似系数）：预测分割与真值分割的重叠程度，范围 [0,1]，越接近 1 越好。是分割任务最常用的指标。
- MHD95（modified Hausdorff distance，95 百分位）：预测边界与真值边界之间的"最大偏离"的鲁棒版本，单位是体素距离，越小越好。取 95 分位是为了抑制个别离群点的影响。
- 体积相似度（volumetric similarity）：预测体积与真值体积的接近程度，衡量"大小是否对得上"，范围 [0,1]。
DSC 对"整体重叠"敏感，MHD95 对"边界最坏情况"敏感，体积相似度对"总体积偏差"敏感——三者互补，单看一个容易被"刷分"。
3.3 提交与评测流程
- 参赛者向组织方申请并签署保密协议，获取训练集（113 例，带标注）。
- 参赛者用训练集开发算法，打包为 Docker 容器。
- 组织方在私有测试集（141 例，无标注外放）上运行容器，计算指标。
- 结果进入 live leaderboard，并按主论文统计口径做显著性分析。
关键制度设计：测试集图像对参赛者完全不可见——测试集图像甚至连参赛者都看不到，只能提交容器"盲跑"。这从根上杜绝了"在测试集上调参/过拟合榜单"，也是 ADAM 榜单可信度较高的原因。代价是外部研究者无法在测试集上复现或复核榜单数字（测试集不公开），只能拿训练集自建划分做近似评测。
3.4 评测指标与临床目标的对应
ADAM 的指标选择直接映射临床痛点：
- 敏感度 + 假阳性对应"筛查工具"的两个要求：漏诊要少（高敏感度）、不能天天虚惊（低假阳性）。设计文档给出的"小动脉瘤敏感度低至 35%"就是敏感度这个指标要改善的对象。
- DSC / MHD95 / 体积相似度对应"三维测量"的可靠性：只有当分割与专家手工分割足够接近，从分割派生的体积/形状特征（与破裂风险相关）才可信。主论文的结论之一"冠军分割接近观察者间水平"正是说：算法的分割质量已经逼近"两个专家各画一遍"之间的一致性——这是自动化测量可被临床接受的门槛。
3.5 训练集里的"阴性样本"有什么价值
训练集 113 例里有 20 例无动脉瘤、测试集 141 例里有 26 例无动脉瘤。这些阴性样本不是凑数，而是检测任务的"陷阱题"：算法不能"见谁都说有动脉瘤"，必须在正常血管里保持沉默。测试集里 26/141 ≈ 18% 是无动脉瘤病例——如果算法对每例都报一个假阳性，假阳性计数会立刻被拉高。这部分样本保证了对"误报控制"的评测压力。
3.6 为什么"检测"和"分割"要分成两个任务
初看之下，检测与分割是"先粗后细"的连续动作，为什么要拆成两个任务、两份榜单？ADAM 的设计逻辑可以从三个角度理解。
角度一：两种临床工具，两种失效模式。 检测对应的是分诊/筛查场景——医生关心"这一大堆片子有没有问题、哪里要看"，宁可多报也不能漏；分割对应的是定量测量场景——医生已经锁定病灶，关心"它到底多大、什么形状"，报得准比报得全更重要。两种场景对算法的要求不同，混在一起评会掩盖各自的短板。
角度二：允许不同难度的切入。 检测任务可以只输出动脉瘤的位置（甚至一个热力图中心点），不要求精确边界；分割任务必须逐体素画准。对刚进入该领域的团队，检测是一个门槛较低的入口；对已有成熟分割方法的团队，分割才是主战场。拆成两个任务降低了参与门槛，也让榜单能容纳不同类型的贡献。
角度三：为"检测辅助分割"提供分析空间。 如果能同时拿到 Task 1 与 Task 2 的结果，就能回答"先检测再分割"的级联（cascade）策略是否有效。junma 用一套 nnU-Net 同时打两个榜，本身就是"检测与分割共享主干"的一次实践——虽然它的检测成绩（第 3）不如专门的检测方法（第 1）。
3.7 评测的公平性设计
ADAM 在制度层面做了几件事保证评测公平：
- 测试集图像不可见：参赛者连测试集图像都看不到，只能提交 Docker 容器。这杜绝了"人工针对测试集调参"。
- 统一评测脚本：组织方用同一套脚本计算所有队伍的指标，避免参赛者各自实现指标带来的口径差异。
- 训练/测试同一采集体：训练集与测试集来自同一家医院的同一批临床检查，分布一致，避免"训练-测试分布偏移"污染结论。
- 排名取指标平均：Task 1 与 Task 2 的最终名次都取多个指标的平均，而非单一指标——防止参赛者"押注"某一个指标刷分。
这几条合起来，使 ADAM 榜单的"最高分"具有跨队伍可比性。代价是外部无法复核——因为测试集不公开、评测脚本虽统一但不对第三方开放完整运行。
3.8 数据格式与预处理负担
TOF-MRA 是 3D 体数据，常见格式为 NIfTI（.nii/.nii.gz）等神经影像标准格式（数据集实际打包格式未在摘要级来源逐字确认，属遗留疑点）。对使用者而言，这意味着：
- 预处理：需求解 3D 体积、配准结构 MR、可能要做强度归一化与重采样。冠军方案提供了
ADAM_Preprocess.py/ADAM_Postprocess.py两个脚本作为参考。 - 显存压力：一个 512×512×140 的体数据无法整体喂进 GPU，必须切成 patch（冠军方案用 256×224×56）。这使 batch size 被迫压到 2，训练极其耗时（每折约 5 天）。
- 后处理：小连通域剔除几乎是必备步骤（冠军方案剔除 <11 体素），否则海量伪影会拉高假阳性。
这三点是任何想复现 ADAM 分割结果的人必须迈过的工程门槛。
3.9 训练集标注的可信度讨论
ADAM 的标注质量有"专家制作 + 放射科医师复核"的双重背书，但仍有两点值得使用者注意：
- 真值本身的边界模糊性：动脉瘤与载瘤动脉的连接处、动脉瘤颈部，是专家之间也会存在差异的区域。主论文"接近观察者间水平"的结论，恰恰暗示了真值带有内在不确定性。
- 测试集不可复核：训练集标注可见（申请后），但测试集标注不可见，因此榜单分数无法从外部逐例验证。使用者在移植方法时，应自建训练集内的划分做验证，而非依赖榜单分数作为唯一可信指标。
综合来看，ADAM 训练集是"标注流程可靠、但边界固有不确定性存在"的临床 3D 语料——这正是医学分割数据集的一般特征，不是 ADAM 特有的缺陷。
§4 评测与基准
4.1 官方排行榜快照
以下为抓取时点（2026-09-30）官方 leaderboard（adam.isi.uu.nl）的排名。数值口径：Task 1 为"敏感度 / 假阳性计数"；Task 2 为"DSC / MHD95 / 体积相似度"。
Task 1 检测（11 队）
| 名次 | 队名 | 敏感度 | 假阳性计数 |
|---|---|---|---|
| 1 | mibaumgartner | 0.66 | 0.14 |
| 2 | joker | 0.63 | 0.16 |
| 3 | junma | 0.61 | 0.18 |
| 4 | kubiac | — | — |
| 5 | xlim | — | — |
| 6 | inteneural | — | — |
| 7 | zelosmediacorp | — | — |
| 8 | stronger | — | — |
| 9 | unil_chuv | — | — |
| 10 | ibbm | — | — |
| 11 | tum_ibbm | — | — |
Task 2 分割（9 队）
| 名次 | 队名 | DSC | MHD95 | 体积相似度 |
|---|---|---|---|---|
| 1 | junma | 0.41 | 8.96 | 0.50 |
| 2 | joker | 0.40 | 8.67 | 0.48 |
| 3 | kubiac | 0.28 | 18.13 | 0.39 |
| 4 | inteneural | — | — | — |
| 5 | xlim | — | — | — |
| 6 | zelosmediacorp | — | — | — |
| 7 | stronger | — | — | — |
| 8 | ibbm | — | — | — |
| 9 | tum_ibbm | — | — | — |
后列队伍（第 4 名及以后）仅有名次、未抓取到具体指标值，属遗留疑点（坑 9）。
4.2 榜单读出的三个关键事实
事实一：Task 1 冠军与 Task 2 冠军不是同一个方法。 Task 1 榜首 mibaumgartner 是专为检测任务设计的方法，主论文明确指出它没有参加 Task 2。这说明"检测最优"与"分割最优"在此数据上并不统一——你不能靠一个分割模型顺便拿检测冠军，反之亦然。
事实二：junma 是唯一在两个任务都进前三的方法。 junma 在 Task 1 列第 3（0.61/0.18）、在 Task 2 列第 1（0.41/8.96/0.50）。它的方案是 nnU-Net 集成——用同一个自配置分割框架去做检测与分割。这在实践上很有参考意义：一套 nnU-Net 管线可以两用。
事实三：分割榜首与榜眼咬得很紧。 junma（DSC 0.41）与 joker（DSC 0.40）仅差 0.01，MHD95 分别是 8.96 和 8.67（joker 略优）。主论文的统计结论是"Task 2 前两名方法在分割指标上统计显著优于其他所有方法"——即前二名与第 3 名（kubiac，DSC 0.28）之间存在显著的档次差。
4.3 主论文的核心结论
主论文（Timmins 等，NeuroImage 2021）给出四条结论：
- Task 2 前两名方法在分割指标上统计显著优于其他所有方法——分割任务上存在清晰的"第一梯队"。
- 前列方法对较大动脉瘤的检测性能可比视觉检查——对大动脉瘤，算法已能做到与放射科医师肉眼观察相当。
- Task 2 冠军方法（经真 UIA 筛选后）的分割性能接近观察者间水平——即算法与专家手工分割的差异，已经接近"两位专家各画一遍"之间的差异。这是一条很有分量的结论：分割质量已逼近人类一致性上限。
- 检测对小的动脉瘤仍然困难——呼应设计文档"<5 mm 敏感度可低至 35%"，小动脉瘤检测是尚未攻克的难点。
4.3b 如何读这份榜单（方法论）
看到"某队 DSC 0.41 排第一"时，有三件事需要同时理解，否则容易误读：
第一，绝对值高低要看任务难度。 DSC 0.41 在一个常规器官分割任务里算低分，但在"中位动脉瘤仅 238 体素、前景占比 6.5×10⁻⁶"的任务里已属榜首水平。脱离任务难度谈指标绝对值没有意义。
第二，名次要看"梯队"而非小数点。 主论文的统计检验告诉我们：前两名（junma 0.41、joker 0.40）与第三名（kubiac 0.28）之间存在显著差距，但前两名之间并不显著。也就是说，榜单真正有意义的信息是"分了几档"，而不是"谁比谁高 0.01"。
第三，看多指标是否一致。 junma 与 joker 在 DSC 互有胜负（0.41 vs 0.40、MHD95 8.96 vs 8.67），说明二者在同一梯队内各有所长（junma 整体重叠略优、joker 边界略优）。引用时应同时给出多个指标，避免只挑对自己有利的那个。
典型的误读：把 Task 1 的"平均"列当作可直接比较的最终分数（其口径可能受合成方式影响，见坑 7）；或把榜单快照数字当成"永久结论"（榜单是活的，见坑 7）。
4.4 Task 2 冠军方案剖析（nnU-Net 集成）Task 2 冠军 junma 的方案细节（arXiv:2101.10815）：
| 要素 | 配置 |
|---|---|
| 基础框架 | 3D full-resolution nnU-Net |
| 最大通道数 | 360（nnU-Net 默认 320） |
| 损失 | "抗不平衡"损失函数；两组五折交叉验证（Dice+CE、Dice+TopK） |
| patch 尺寸 | 256 × 224 × 56 |
| batch size | 2 |
| 硬件 | NVIDIA TITAN V100 |
| 单折训练时长 | 约 5 天 |
| 后处理 | 剔除 <11 体素的预测动脉瘤 |
| TTA | 禁用（为加速推理） |
| 集成 | 多折模型集成（ensemble） |
这里最值得记的两点是：
- 后处理阈值 11 体素：把小于 11 个体素的预测块当作噪声删掉。因为中位动脉瘤才 238 体素，小到 11 体素以下的"预测"基本是伪影。这个阈值是"抗不平衡"思路的延伸——与其保留海量小噪声提高敏感度，不如主动砍掉换低假阳性。
- 禁用 TTA（test-time augmentation，测试时增强）：TTA 通常能小幅提升精度但推理变慢，冠军方案为速度放弃了它，说明在合理精度下推理效率也是实用考量。
4.5 检测任务的"前三名梯队"
Task 1 的敏感度/假阳性组合（0.66/0.14、0.63/0.16、0.61/0.18）显示：即是最好的检测方法，敏感度也只有 0.66——意味着约三分之一的动脉瘤仍会被漏掉。这与临床"小动脉瘤敏感度低至 35%“的观察一致。检测之所以比分割更难"刷高”，根本原因是：分割任务里算法已经知道"这里有动脉瘤"（可以聚焦局部），而检测任务要在全图里从 3,670 万体素中找那几个小块，漏检代价极高。
§5 获取与许可
5.1 获取方式：受限访问（Gated by Agreement）
ADAM 是受限访问数据集，与 panda-plus 那类"CC BY 公开直链"完全不同：
| 资产 | 获取方式 |
|---|---|
| 训练集（113 例带标注） | 签署保密协议（Confidentiality Agreement）后向组织方申请 |
| 测试集（141 例） | 不公开（仅接受 Docker 容器提交评测） |
| 榜单 | 公开（adam.isi.uu.nl live leaderboard） |
| 论文 | NeuroImage，受出版商条款约束 |
| 冠军代码 | JunMa11/ADAM2020（GitHub，MIT 类开源，权重在百度网盘） |
5.2 保密协议核心条款
据 ADAM 保密协议（ADAMConfidentialityAgreement.pdf），核心约束包括：
- 数据不得再分发。
- 注册信息须完整真实。
- 数据仅可用于本挑战赛的参赛准备，不得用于其他目的。
- 未经批准不得用于训练/开发其他算法（含商业产品）。
- 须按组织方要求引用相关论文。
（协议全文共 9 条，此处列核心 5 条，完整文本属遗留疑点，见坑 9。）
5.3 许可性质：无 OSI / 无 CC
ADAM 数据本体的许可性质是受保密协议约束的研究用途许可：
- 不是开放许可（不是 CC BY、不是 CC BY-NC）。
- 不是 OSI 认可的开源许可。
- 属 AI-Ready 光谱中的"受限访问（gated by agreement）"档。
这意味着：想把 ADAM 训练集放进自己的公开数据集、或用来训练商用模型，都需要先获得组织方书面许可。第 4 条"未经批准不得用于训练/开发其他算法（含商业产品）"把商用之路堵得很死。
对比参照：同为医学影像挑战赛，PANDA-PLUS 的 WSI 是 CC BY-NC-SA、其 Bench 是 CC BY-4.0 公开直链；而 ADAM 连训练集都不可再分发。若项目对"数据可自由再分发/商用"有硬要求，ADAM 不合适。
5.4 代码与模型：冠军方案可复现链
Task 2 冠军的完整复现链（GitHub JunMa11/ADAM2020）：
| 项 | 内容 |
|---|---|
| 仓库 | JunMa11/ADAM2020 |
| license | MIT 类（LICENSE 文件存在） |
| 内含 | nnUNet/ 子模块、ADAM_Preprocess.py、ADAM_Postprocess.py |
| 模型权重 | 百度网盘（pan.baidu.com/s/176J6mS8dx89Nbht5EaeYEg，提取码 b9oo） |
| 运行环境 | python 3.7.6 / pytorch 1.5.0 / cuda 10.1 |
注意许可的两层性：代码是 MIT 类开源（可自由使用），但代码所训练的模型权重挂在百度网盘、数据本体受保密协议约束——用该代码从头训练仍然需要先拿到受协议约束的数据。开源的是"方法"，不是"数据"。
5.5 无公开数据镜像
ADAM 数据本体没有 Zenodo / HuggingFace 等公开镜像（因受协议约束不可公开托管）。唯一可能的获取路径是向组织方申请。这一点在检索时要注意：在 Zenodo 上能搜到的是挑战赛设计文档（record 3715848），不是数据本体。
5.6 申请流程的实操步骤（推测性归纳）
由于官网专属申请页在抓取时重定向至 Grand Challenge 通用首页，以下步骤是根据保密协议条款与挑战赛通行做法归纳的推测性流程（待核，见坑 9）：
- 访问官方挑战赛页（adam.isi.uu.nl / Grand Challenge 平台）并注册账号。
- 填写注册信息：协议要求信息"完整真实"——通常需要机构、职位、研究用途。
- 下载并签署保密协议（ADAMConfidentialityAgreement.pdf）：明确承诺不再分发、仅用于参赛准备。
- 提交申请：由组织方审核后发放训练集获取链接/凭据。
- 获取训练集：下载 113 例带标注数据，用于开发与本地验证。
- 开发并打包容器：将算法封装为 Docker 容器。
- 提交容器到测试集评测：组织方在其私有测试集上运行，返回指标并入榜。
提醒：第 3-4 步的具体表单、审核周期、是否收费等细节，未从一手源确认，实际操作以官方页面为准（坑 9 / 附录 E）。
5.7 协议条款的实务解读
把保密协议核心 5 条翻译成"能不能做"的实务判断：
| 协议条款 | 实务含义 | 你要做的 |
|---|---|---|
| 不得再分发 | 你拿到的训练集不能传给同事/上传网盘/公开 | 只在自己合规环境内使用 |
| 注册须真实 | 身份/机构信息不能造假 | 实名注册，勿用假邮箱 |
| 仅可用于参赛准备 | 不能拿去做与 ADAM 挑战无关的研究 | 若要做其他研究，先申请许可 |
| 未经批准不得训练/开发其他算法（含商业产品） | 这是最硬的一条：商用模型不能用该数据训练 | 商用前必须拿到书面授权 |
| 须引用相关论文 | 发表成果须引用主论文 | 引用 Timmins 2021 等 |
对企业的启示：如果一家公司想用 ADAM 数据训练动脉瘤检测产品，第 4 条会直接卡住——必须先与 UMC Utrecht 谈数据授权协议，而这通常涉及额外的法律与费用安排。相比之下，用公开可再分发的数据（如某些 CC 许可数据集）做预训练、再用自有数据微调，是规避此类约束的常见路径。
5.8 "无 CC / 无 OSI"到底意味着什么
很多人看到"没有 license"会误以为"可以随便用"。恰恰相反：
- 没有 CC 许可 = 不能按 CC 条款（如自由再分发/署名即可）使用。
- 没有 OSI 许可 = 不是开源软件意义上的开源资产。
- 有保密协议 = 使用受合同约束，违约可能承担法律责任。
所以 ADAM 的"无许可"实为"最严格的一类"——它不是放任，而是合同约束。正确的表述是"受保密协议约束的受限访问数据"，而非"无版权/可随意使用"。
5.9 与库内其他受限访问条目的对照
ADAM 的"受限访问"档在库内并非孤例。对照不同数据集的获取档位，有助于选型：
| 条目 | 获取档 | 关键差异 |
|---|---|---|
| ADAM | 受限访问（保密协议） | 训练集不可再分发、测试集不公开、不可商用（未授权） |
| panda-plus | 三层异构 | WSI 公开 + 掩码请求制 + Bench CC BY-4.0 公开直链 |
| intra（723） | 视条目而定 | 同域脑血管数据，具体获取方式另见其条目 |
选型原则：若只做研究、能接受申请流程，ADAM 可用；若需要公开直链或商用自由，应优先选择有 CC 许可的公开数据集。
5.10 复现冠军结果的最低配置
想复现 Task 2 冠军（nnU-Net 方案），最低需要：
- 数据：获批的 ADAM 训练集（113 例）——这道门槛必须先过。
- 硬件：从冠军方案"TITAN V100（16GB 显存）、每折约 5 天"看，单卡 V100 级别 GPU 是现实下限；想做多折集成则需要更多算力。
- 软件：python 3.7.6 / pytorch 1.5.0 / cuda 10.1（冠军环境）；nnU-Net 子模块。
- 后处理：实现 <11 体素剔除逻辑（
ADAM_Postprocess.py有参考）。 - 注意：冠军在测试集上的成绩无法本地复现（测试集不公开），你只能在训练集内自建划分做近似验证。
§6 生态与影响
6.1 在脑血管 AI 中的生态位
ADAM 是 TOF-MRA 脑血管 AI 的基准锚点之一。它的生态价值体现在：
- 少见的"全 3D + 全 TOF-MRA + 像素级标注"公开语料。多数颅内动脉瘤数据集要么是 2D 切片、要么是 CTA/DSA 模态，纯 TOF-MRA 的 3D 带标注语料稀缺。
- 挑战赛谱系的一环。ADAM 与后续的颅内动脉瘤检测挑战（如库内的 TopAneu、TopBrain 谱系）构成"检测-分割"挑战赛的演进链。
- nnU-Net 在脑血管分割上的验证场。冠军方案的 nnU-Net 配置（360 通道、抗不平衡损失、11 体素后处理）成为后续脑血管分割工作的常见基线参考。
6.2 方法学影响：双任务拆分的示范
ADAM 的"同数据、双任务、双榜单"设计给后续挑战赛提供了一个模板：把检测与分割拆开评，能更清楚地暴露算法的能力边界。它的一个直接发现——"Task 1 冠军不参加 Task 2"“检测与分割最优解不重叠”——提示后来者：不要假设一个分割模型能顺带解决检测。
6.3 "持续开放"的运营模式
与多数"赛完即归档"的挑战赛不同，ADAM 保持开放投稿并维护 live leaderboard。这种模式的优点是榜单能持续反映最新方法（nnU-Net、Transformer、基础模型时代的方法都可以来打榜）；缺点是没有"最终定格"的截止日期，引用榜单数字时需注明抓取时点。
6.4 与 UMC Utrecht 的关联
ADAM 由 UMC Utrecht 的 Image Sciences Institute 主导，这是一个在医学影像分析（尤其是脑血管与白质病变）领域有长期积累的研究所。ADAM 与同机构的其他脑影像工作共享"临床数据 + 挑战赛 + 开源方法"的产出范式，构成了荷兰脑影像研究生态的一部分。
6.5 参赛队伍的地域与机构分布
从主论文与 arXiv 作者单位可看出 ADAM 参赛队伍的地域广度（部分）：
| 大区 | 代表机构 |
|---|---|
| 荷兰 | UMC Utrecht（组织方） |
| 德国 | DKFZ（German Cancer Research Center）、LMU Munich、TU Munich |
| 中国 | China Electronics Cloud Brain（天津）、Union Strong（北京）、Tencent Jarvis Lab（深圳）、南京理工大学 |
| 法国 | Xlim / University of Poitiers、Canon Medical Systems（法国） |
| 意大利 | Sapienza Rome |
| 芬兰 | University of Eastern Finland |
| 瑞士 | Lausanne University Hospital、University of Zurich |
| 波兰 | Inteneural Networks（华沙） |
| 美国 | University of Virginia |
这张表说明 ADAM 是一个国际化程度很高的挑战赛——参赛方横跨欧、亚、北美，既有大学实验室，也有企业研究院（腾讯 Jarvis Lab、Canon Medical）。这种"产学研同台"是医学影像挑战赛的常见格局：企业带来工程能力（如容器化、大规模训练），大学带来方法创新。
6.6 榜单队列的"复用现象"
观察 Task 1 与 Task 2 的队列会发现一个明显现象：kubiac、inteneural、xlim、zelosmediacorp、stronger、ibbm、tum_ibbm、joker、junma 这批名字同时出现在两个任务里。这有两层含义：
- 多任务参赛是常态：同一支队伍常把一套主干网络适配到两个任务（如 junma 的 nnU-Net 双用）。
- 名次在不同任务间并不一致：junma 在 Task 2 第 1、Task 1 第 3；说明同一方法的检测与分割能力不均衡——这再次印证"检测 ≠ 分割"（§4.2）。
6.7 与后续挑战赛的谱系关系
ADAM 之后，颅内动脉瘤检测/分割方向出现了延续性的挑战赛与数据集（库内记录如 TopAneu、TopBrain 谱系）。ADAM 在谱系中的角色是"奠基者"：
- 它较早确立了"3D TOF-MRA + 检测/分割双任务 + 容器评测"的范式。
- 它的 nnU-Net 基线配置成为后续工作的对照标准。
- 它暴露的"小动脉瘤难检"问题，成为后续挑战赛持续攻关的方向。
把 ADAM 与 TopAneu/TopBrain 连起来看，能看到一条清晰的"问题提出 → 方法迭代 → 新基准"的演进链。
§7 方法学启示
ADAM 作为一场"把检测与分割拆开"的挑战赛，留下了几条可迁移的经验。
7.1 极端类别不平衡要有专门对策
ADAM 的前景占比约 6.5×10⁻⁶，中位动脉瘤仅 238 体素。在这种量级下，任何"按全体素平均"的损失函数都会被背景主导。冠军方案的两条对策值得记：
- 抗不平衡损失函数：不让海量简单负样本的梯度淹没稀少正样本的信号。
- 小连通域后处理：剔除 <11 体素的预测。这是"宁缺毋滥"的策略——小动脉瘤本来就难，与其冒险保留噪声，不如砍掉换取假阳性下降。
可迁移结论：医学 3D 分割里的"小目标"任务，后处理阈值的价值可能不低于网络结构的改进。
7.2 检测与分割是两种能力，别指望互相白送
Task 1 冠军不参加 Task 2、两榜榜首不同，是最直接的证据。检测要求"全图扫描不漏"，分割要求"局部画准"；前者考验召回与误报控制，后者考验边界精度。如果项目同时需要检测与分割，应分别设计/选型，而不是拿一个分割模型硬顶检测。
7.3 自配置框架（nnU-Net）在脑血管上的适配
nnU-Net 的"自动配置"在大脑肿瘤等任务上已经很成熟，但 ADAM 的冠军方案做了两处针对性调整：最大通道数从默认 320 提到 360（增加容量以捕捉小目标），并配上抗不平衡损失。这提示：开箱即用的 nnU-Net 在极端不平衡的小目标任务上需要"调参 + 改损失"，默认配置未必最优。
7.4 "接近观察者间水平"是分割任务的现实天花板
主论文称冠军分割"接近观察者间水平"。这条结论的方法学含义是：当算法与专家手工分割的差异已经和"两个专家之间的差异"差不多时，继续刷 DSC 的边际收益很低——因为真值本身就带有人类标注的不确定性。后续研究若要继续推进，方向应转向"标注一致性提升"或"概率化标注"，而不是单纯追求更高 DSC。
7.5 单中心数据的泛化边界
ADAM 全部来自 UMC Utrecht 单中心。这意味着榜单上"最优方法"可能隐式适配了该中心的扫描仪、成像协议与人群特征。把这些方法迁到其他中心时，泛化性能需要重新验证——这是所有单中心挑战赛数据集的共同局限。
7.6 容器化评测的可迁移性
ADAM 的 Docker 容器提交模式，本身是一种可迁移的评测工程实践：
- 隔离性好：参赛者的环境依赖被封装在容器里，组织方不必为每支队伍重建环境。
- 结果可比：同一评测脚本、同一测试集、同一硬件约束下跑所有容器，减少环境差异带来的噪声。
- 代价：容器提交对参赛者的工程能力有要求（要会写 Dockerfile、管理依赖），可能劝退纯算法背景的团队；同时组织方需要相应的评测基础设施。
对想自建挑战赛/内部评测平台的团队，ADAM 的这套模式（私有测试集 + 容器提交 + 统一脚本）是值得参考的模板。
7.7 指标组合的"抗刷分"设计
ADAM 的指标设计有一个隐含智慧：用多个互补指标的平均来排名，而非单一指标。
- Task 1 用"敏感度 + 假阳性"组合：单追敏感度会假阳性爆表，单压假阳性会漏检，二者平均逼出平衡解。
- Task 2 用"DSC + MHD95 + 体积相似度"组合：DSC 看整体、MHD95 看边界最坏情况、体积相似度看大小，三者互补，无法靠"把预测画大/画小"同时优化。
这种"多指标平均"是设计评测基准时的通用经验：任何单一指标都存在被针对性刷分的捷径，组合指标能显著抬高刷分成本。
7.8 小目标任务的一般化经验
把 ADAM 的经验抽出来，对小目标 3D 分割（如血管斑块、微小病灶、肺结节）普遍适用：
- 前景占比极低时，损失函数要专门设计，不能默认用普通交叉熵。
- patch 训练是必然选择，且 patch 要覆盖足够上下文又不至于让正样本比例过低。
- 后处理小连通域剔除几乎必备，阈值需按目标尺度设定（ADAM 是 11 体素，对应中位 238 体素的约 1/20）。
- 别迷信单一指标，多用几个互补指标交叉验证。
- 数据获取门槛要提前摸清，受限访问的数据集会显著影响项目排期。
§8 与库内条目的关系
ADAM 在千方病案医数集库内有明确的互链网络。以下 rid 均经数据库 url_name 反查确认。
8.1 强互链（同脑血管 / MRA 域）
| 条目 | rid | 关系 |
|---|---|---|
| intra | 723 | 最强互链：同为脑血管 MRA 域的颅内动脉瘤/脑血管分割任务 |
| isles | 495 | ISLES 缺血性卒中病灶分割，同为脑 MR 血管域 |
| topaneu2026 | 637 | TopAneu 2026 颅内动脉瘤检测挑战，ADAM 的后继/衍生生态 |
| topbrain2026 | 632 | TopBrain 全脑血管分割，同域 |
| wmh-challenge | 501 | 脑白质高信号挑战，同为脑 MR 分割域 |
| verse-spine | 435 | 椎骨分割，同为 3D 医学分割挑战赛范式参照 |
8.2 同范式互链（3D 医学分割挑战赛）
brats(24)、brats-pediatric(688)、brats-africa(683)、crossmoda2022(647)、crossmoda-2023(684)、lisa2025(686)、ucsf-pdgm(469)、upenn-gbm(462)——这些同属"3D 医学图像分割挑战赛"范式，与 ADAM 在评测设计、容器提交、leaderboard 运营上有可比较性。
8.3 同模态互链（脑 MR）
ixi-brain(482)、abide(198)、adhd-200(205)、mrnet(381)——同为脑部磁共振影像数据集，模态层面可参照。
8.4 命名区分链
AMD 眼底 ADAM（非本条目）：若库内有眼底图/AMD 相关条目，应加注"ADAM（眼底）≠ ADAM（动脉瘤）"，防止两条目混淆（坑 1）。
8.5 生态位小结
ADAM 是 TOF-MRA 脑血管 AI 的基准锚点；与 TopAneu/TopBrain 构成颅内动脉瘤检测-分割的挑战赛谱系。检索 ADAM 时应优先联想 intra（同域）与 topaneu2026（后继），而非任何眼底图条目。
8.6 互链全景图
┌─────────────────────────────────────┐
│ 脑 MR / 脑血管域 │
└─────────────────────────────────────┘
│
┌────────────────────────────┼────────────────────────────┐
│ │ │
┌────▼─────┐ ┌──────▼──────┐ ┌──────▼──────┐
│ intra │◄──── 最强 ────►│ ADAM │──── 后继 ───►│ topaneu2026 │
│ (723) │ 同域互链 │ (adam- │ │ (637) │
└──────────┘ │ aneurysm) │ └─────────────┘
└──────┬──────┘
│ 同域
┌──────────────────────┼──────────────────────┐
│ │ │
┌─────▼─────┐ ┌──────▼──────┐ ┌─────▼──────┐
│ isles │ │ topbrain2026│ │wmh-challenge│
│ (495) │ │ (632) │ │ (501) │
└───────────┘ └─────────────┘ └─────────────┘
同范式（3D 医学分割挑战赛）：
brats(24) · brats-pediatric(688) · brats-africa(683)
crossmoda2022(647) · crossmoda-2023(684) · lisa2025(686)
ucsf-pdgm(469) · upenn-gbm(462) · verse-spine(435)
同模态（脑 MR）：
ixi-brain(482) · abide(198) · adhd-200(205) · mrnet(381)
命名区分链（勿混）：
ADAM（脑动脉瘤，本条目） ≠ ADAM（AMD 眼底图，arXiv:2202.07983）
8.7 互链的检索价值
对最终用户而言，这组互链意味着：搜"颅内动脉瘤分割"能一次捞到 ADAM（基准）与 intra（同域）两条主链；搜"3D 医学分割挑战赛"则能沿范式链跳到 brats/crossmoda/lisa 等条目。库内的互链设计，本质是在构建"按任务域检索"的导航网，而不仅是"按名称检索"。
§9 避坑清单：九个已踩过的坑
9.0 坑点总览表
| 坑编号 | 一句话 | 危险等级 | 影响场景 |
|---|---|---|---|
| 坑 1 | 两个 ADAM 撞名（脑动脉瘤 vs AMD 眼底） | 高 | 检索/选条 |
| 坑 2 | 模态被误写为 CTA/DSA（实为 TOF-MRA） | 高 | 数据理解 |
| 坑 3 | 规模双口径 113/141 vs 110/140 | 中 | 数字引用 |
| 坑 4 | "例数"与"UIA 数"混用 | 中 | 数字引用 |
| 坑 5 | 论文卷期双口径 | 低 | 著录 |
| 坑 6 | 官方大小写 segMentation | 低 | 检索/转写 |
| 坑 7 | leaderboard 是活的 | 中 | 榜单引用 |
| 坑 8 | 属"挑战赛 + 独立语料"，不 stopping | 中 | 选条判定 |
| 坑 9 | 受限访问（不可再分发/不可商用） | 高 | 商用/再分发 |
坑 1：两个"ADAM"撞名，这是本案最大的检索陷阱。 缩写 ADAM 至少被两个完全不同的数据集占用：(a) 本条目——脑动脉瘤 ADAM（Aneurysm Detection and segMentation，MICCAI 2020，TOF-MRA，adam.isi.uu.nl）；(b) AMD 眼底图 ADAM（Age-related Macular Degeneration，彩色眼底照，arXiv:2202.07983）。二者只共享缩写，数据模态、任务、来源毫无关系。检索时必须带上 “aneurysm”“TOF-MRA”“MICCAI 2020” 等限定词，否则会搜到大量眼底图的论文与代码。
坑 2：模态别写成 CTA/DSA——本数据集是全 TOF-MRA。 任务头 brief 曾警示"若写 4D-DSA/CTA 是错的"。三源实核确认：ADAM 的模态是 TOF-MRA + 结构 MR，无 DSA、无 CTA。Zenodo 设计文档确实提到 CTA/DSA，但那只是背景对比（“许多方法为 CTA/DSA 开发，本挑战聚焦 TOF-MRA”），不是数据成分。凡见"ADAM 是 CTA/DSA 数据集"的说法，均为误读。
坑 3：训练/测试规模有双口径，以主论文 113/141 为准。 主论文与 arXiv 口径：训练 113 例 / 测试 141 例。二手中文源（codenong/code84 转录 MICCAI 2020 challenges 清单）记 “训练 110 / 测试 140，修改为训练 113 / 测试 142（不发布）”。“110/140” 是赛前设计值，“142” 是二手转录误差。全文统一用 113/141；引用旧文时注明双口径。
坑 4："例数"与"UIA 数"是两个维度，别混。 训练 113 例 = 129 个 UIA（93 例含、20 例无）；测试 141 例 = 153 个 UIA（117 例含、26 例无）。“113” 是病例数，“129” 是动脉瘤个数，二者不可互换。有些来源只给其中一个数，转引时要标明是哪个维度。
坑 5：论文卷期有双口径（在线首发 vs 正式卷期）。 PubMed 记 “Neuroimage. 2021 Sep”；ScienceDirect 目录页记 “Volume 238, 118216, 1 September 2021”，另有页面记"available online 2021-05-27"。在线首发 2021-05-27、正式卷期 2021-09-01——同一论文、两套时间，引用时先定口径并全篇一致（与 panda-plus 同款"NLM 在线 vs 卷期"现象）。
坑 6：官方名称大小写是 “segMentation” 不是 “segmentation”。 官方把缩写拆成 “Aneurysm Detection and segMentation”（Detection 的 A + segMentation 的 M 凑成 ADAM），部分转载写成 “Aneurysm Detection And segmentation”。检索时两种写法都可能命中，但条目正文按官方写法，见到别的写法需识别为同一实体。
坑 7：leaderboard 数字需注明抓取时点，且榜单是活的。 ADAM 持续开放投稿、维护 live leaderboard，所以任何"某某排第几、指标是多少"都会随时间变化。条目里的榜单数字是2026-09-30 抓取快照；正式引用时应重新抓取并注明时点。此外 Task 1 部分快照有"平均"合成列，口径以官网实时页面为准。
坑 8：这是"挑战赛 + 独立语料"，不是"纯框架"。 判断 stopping 与否的关键：ADAM 虽为挑战赛（challenge），但其发布的 113 例训练集是独立、可复用、带专家标注的真实临床语料——满足"有独立数据"的条件，故不触发 stopping。只有"纯挑战赛框架、无独立语料"（赛完只剩一份说明文档）才需要 stopping。ADAM 明确属于前者。
坑 9：受限访问不是可有可无的细节——它决定了可用性。 ADAM 数据无 OSI/CC 许可、受保密协议约束、训练集不得再分发、测试集不公开。若在选型阶段没注意这点，会到"要训练时才发现拿不到数据/不能商用"的尴尬。对照库内 panda-plus（有公开直链资产）时尤其要强调这一差异。协议"未经批准不得用于训练/开发其他算法（含商业产品）"是最硬的一条限制。
§10 总结
ADAM（Aneurysm Detection and segMentation challenge）是 MICCAI 2020 由 UMC Utrecht 发起的颅内动脉瘤检测与分割挑战赛。它用 113 例带专家标注的 3D TOF-MRA（含 129 个未破裂动脉瘤） 做训练、141 例私有测试集（含 153 个 UIA） 做评测，把"找动脉瘤"（Task 1，敏感度 + 假阳性）与"画动脉瘤"（Task 2，DSC + MHD95 + 体积相似度）拆成两个独立榜单，吸引 11 支检测队与 9 支分割队参赛。
它的核心贡献有三层：
- 数据层：提供了一份少见的"全 3D、全 TOF-MRA、带放射科医师复核标注"的颅内动脉瘤语料，是脑血管分割 AI 的基准锚点。代价是受限访问——须签保密协议申请、不可再分发、测试集不公开。
- 评测层：容器化盲测 + live leaderboard 的制度设计，使榜单不受"看着测试集调参"污染；双任务拆分揭示了"检测最优 ≠ 分割最优"。
- 结论层：Task 2 前两名统计显著领先；冠军分割"接近观察者间水平"；检测对大动脉瘤可比视觉检查，但对小动脉瘤仍困难（临床敏感度可低至 35%）。
如果你想用 ADAM：先解决获取（申请 + 保密协议），注意模态（TOF-MRA，非 CTA/DSA），留意双口径（113/141 而非 110/140），警惕撞名（脑动脉瘤 ADAM ≠ 眼底 AMD ADAM）。记住这四点，就能安全地把这个基准锚点接入自己的脑血管 AI 工作。
§11 一句话点评（毒舌版）
前面的章节都在讲事实，这一节讲判断——把 ADAM 放在"该不该用、值不值得投"的天平上掂一掂。
它的好：ADAM 做对了一件很多人做不对的事——把评测做严了。测试集图像完全不可见、只能提交容器盲跑，这一条就干掉了九成"刷榜式"研究的水分。再加上双任务拆分，"检测和分割不是一回事"这个常识被数据证实了一遍。113 例带放射科医师复核标注的 3D TOF-MRA，在纯 TOF-MRA 模态的公开语料里确实稀缺。
它的坑：门是关着的。没有 CC、没有 OSI、没有公开直链，想用先把保密协议签了；训练集不能转发，测试集根本不给，商用更是明确禁止。对很多团队，ADAM 的价值可能是"知道有这么个基准、引用它的结论"，而不是"真的能拿它训练"。
给三类人的三句话：
- 做脑血管分割研究：值得申请，尤其值得复现 nnU-Net 基线；但务必先解决数据获取，别到实验阶段才发现进不去。
- 做产品/商用：绕道。用公开可再分发数据做预训练，别把自己绑在一个商用受限的数据集上。
- 做数据集/挑战赛设计：ADAM 的容器评测 + 双任务 + 多指标平均，是值得抄的作业；"测试集不可见"这一条尤其值得抄。
一句话总结：ADAM 是脑血管 AI 领域一把好用的尺子，但尺子锁在柜子里——你得先找组织方要钥匙。
§12 使用决策树
如果你正在犹豫是否使用 ADAM，按下面这棵树走：
你需要"颅内动脉瘤检测/分割"的 3D 数据吗？
│
├─ 否 ──────────────────────────────► 请移步其他条目（见 §8）
│
└─ 是
│
├─ 你只做研究、不商用、能接受申请流程吗？
│ │
│ ├─ 能 ─────────────────────────► ✅ ADAM 可用
│ │ （签保密协议 → 申请 → 开发 → 容器提交）
│ │
│ └─ 不能
│ │
│ ├─ 你需要"公开直链/可再分发"吗？
│ │ │
│ │ ├─ 是 ───────────────────► ❌ ADAM 不合适
│ │ │ 建议找有 CC 许可的公开 3D 脑血管数据
│ │ │
│ │ └─ 否，只是要商用 ────────► ⚠ 需先与 UMC Utrecht 谈数据授权
│ │ （协议第 4 条默认禁止商用）
│ │
│ └─ 你只是想要一个"参考基准"看别人做到多好？
│ │
│ └─ 是 ────────────────────► ✅ 直接引用论文与榜单即可
│ （无需获取数据，注明抓取时点）
决策要点三条：
- 数据获取是前置条件——不要把它当成"以后再说"的细节（坑 9）。
- 区分"引用"与"使用"——引用 ADAM 的结论只需读论文；使用 ADAM 的数据需要申请。
- 模态先对齐——你需要的是 TOF-MRA，如果项目用的是 CTA/DSA，ADAM 不匹配（坑 2）。
FAQ（高频问答 44 问）
Q1：ADAM 数据集怎么下载？
不能直接下载。ADAM 是受限访问数据集：训练集须签署保密协议后向组织方申请，测试集完全不公开（只接受 Docker 容器提交评测）。它没有 HuggingFace/Zenodo 公开直链（Zenodo 上的是设计文档，不是数据）。
Q2：ADAM 和 PANDA 那种"公开直链"有什么不一样？
完全不同。PANDA-PLUS 有 CC BY-4.0 的公开资产（HuggingFace 直链）；ADAM 无 CC、无 OSI 许可，受保密协议约束，训练集不得再分发。若项目需要"数据可自由再分发/商用"，ADAM 不合适（坑 9）。
Q3：训练集多大？
113 例，含 129 个未破裂颅内动脉瘤（UIA）；其中 93 例含动脉瘤（有标注）、20 例无动脉瘤。
Q4：测试集多大？为什么看不到？
141 例，含 153 个 UIA（117 例含、26 例无）。测试集图像与标注都不公开——这是制度设计，防止参赛者过拟合榜单；外部研究者也因此无法在测试集上复现榜单数字。
Q5：113 和 129 是什么关系？
113 是病例数，129 是动脉瘤个数（有的病例含多个动脉瘤）。两者是不同维度，不能互换（坑 4）。
Q6：用什么模态？
全 TOF-MRA（飞行时间磁共振血管造影）+ 每例一幅配准结构 MR（T1/T2/FLAIR 之一）。不含 CTA、不含 DSA（坑 2）。
Q7：TOF-MRA 是什么？
Time-of-Flight Magnetic Resonance Angiography，一种无需注射对比剂的磁共振血管造影技术，依靠血流流入增强效应突出显示血管，是颅内动脉瘤无创筛查的常用手段。
Q8：图像尺寸多大？
据冠军方案统计，中位图像尺寸 512×512×140。中位动脉瘤体积仅 238 体素，前景占比约 6.5×10⁻⁶（极端类别不平衡）。
Q9：两个任务的指标是什么？
Task 1（检测）：敏感度 + 假阳性计数。Task 2（分割）：Dice 相似系数（DSC）+ 修正 Hausdorff 距离 95 分位（MHD95）+ 体积相似度。
Q10：多少支队伍参加？
Task 1 = 11 队，Task 2 = 9 队（同批队伍中 9 队兼报两个任务）。
Q11：谁赢了？
Task 1 冠军 mibaumgartner（敏感度 0.66 / 假阳性 0.14）；Task 2 冠军 junma（DSC 0.41 / MHD95 8.96 / 体积相似度 0.50）。
Q12：Task 1 冠军为什么没拿 Task 2 冠军？
因为它是专为检测任务设计的方法，根本没参加 Task 2。这恰好说明"检测最优"与"分割最优"是两种能力（§4.2、§7.2）。
Q13：junma 的方法是什么？
3D full-resolution nnU-Net 集成，最大通道数 360，抗不平衡损失函数，两组五折交叉验证，patch 256×224×56、batch 2、TITAN V100、每折约 5 天，后处理剔除 <11 体素的预测，禁用 TTA。
Q14：11 体素后处理是什么？
把预测结果中体积小于 11 个体素的连通域当作噪声删除。因为动脉瘤中位数才 238 体素，太小的"预测"基本是伪影——这是降低假阳性的手段（§4.4）。
Q15：DSC 0.41 算高吗？
单看数字不高（接近 1 才理想），但因为中位动脉瘤极小（238 体素）、边界难分，0.41 已是该任务榜首。主论文称其"接近观察者间水平"——即接近两位专家之间的一致性上限（§7.4）。
Q16：检测敏感度 0.66 意味着什么？
意味着最好的检测方法仍会漏掉约 1/3 的动脉瘤。小动脉瘤检测尤其困难，临床其上敏感度可低至 35%（§4.5）。
Q17：现在还能参加吗？
能。主论文明确 ADAM 保持开放、持续接受新提交，并维护 live leaderboard。它不像多数挑战赛那样"赛完即归档"（§6.3）。
Q18：为什么榜单数字要注明时点？
因为榜单是活的——持续有人投稿，名次与指标会变。条目里的数字是 2026-09-30 快照（坑 7）。
Q19：怎么提交？
把算法打包为 Docker 容器，由组织方在私有测试集上运行评测。参赛者看不到测试集内容。
Q20：数据来自哪里？
UMC Utrecht（荷兰）的临床 TOF-MRA，单中心。患者人口学、采集年份、扫描仪型号未在摘要级来源披露（坑 9）。
Q21：标注谁做的？
由医学标注领域的专家制作，并由经验丰富的放射科医师复核（arXiv 原文口径）。训练集提供二值掩码 + 中心体素坐标。
Q22：论文发表在哪？
NeuroImage 2021;238:118216，doi:10.1016/j.neuroimage.2021.118216，PMID 34052465。注意卷期双口径：在线 2021-05-27 / 卷期 2021-09（坑 5）。
Q23：设计文档在哪里？
Zenodo record 3715848，“Intracranial Aneurysm Detection and Segmentation Challenge”，published 2020-03-19，PDF 约 5.2 MB。那是设计文档，不是数据本体。
Q24：冠军代码在哪？
GitHub JunMa11/ADAM2020（MIT 类开源），含 nnUNet 子模块与预处理/后处理脚本；模型权重在百度网盘（提取码 b9oo）。运行环境 python 3.7.6 / pytorch 1.5.0 / cuda 10.1。
Q25：能用 ADAM 训练商用模型吗？
不能直接这么做。保密协议第 4 条规定"未经批准不得用于训练/开发其他算法（含商业产品）"。商用前必须获得组织方书面许可（坑 9）。
Q26：ADAM 与眼底 ADAM 是同一个吗？
不是。本条目 ADAM 是脑动脉瘤（TOF-MRA，MICCAI 2020）；另有 AMD 眼底图数据集也叫 ADAM（Age-related Macular Degeneration，彩色眼底照）。二者只共享缩写，毫无关系（坑 1）。
Q27：ADAM 是纯挑战赛框架吗？会不会被判定为"无独立语料"？
不是纯框架。ADAM 虽为挑战赛，但发布了 113 例带专家标注的独立临床语料，属"挑战赛 + 独立语料"型，不触发 stopping（坑 8）。
Q28：如果我只记住一件事？
ADAM 是"用 TOF-MRA 做颅内动脉瘤检测与分割"的基准锚点，但要拿到它，得先过受限访问这道门（申请 + 保密协议），并记住四个关键词：TOF-MRA（模态）、113/141（规模）、检测≠分割（双任务）、ADAM≠眼底 ADAM（撞名）。
Q29：ADAM 和 intra 是什么关系？
同域互链。ADAM 是颅内动脉瘤检测+分割挑战赛；intra（库内 rid 723）是脑血管/动脉瘤相关的同域条目。二者是库内最强互链对（§8.1）。检索脑动脉瘤分割时建议对照看。
Q30：为什么说"检测 ≠ 分割"？
因为 Task 1 冠军（mibaumgartner）是专为检测设计、没参加 Task 2 的方法；而 Task 2 冠军（junma）在 Task 1 只排第 3。两种任务的最优解不重叠——一个擅长"找"，一个擅长"画"（§4.2、§7.2）。
Q31：ADAM 的图像是什么格式？
3D 体数据，通常为神经影像标准格式（如 NIfTI）。具体打包格式未在摘要级来源逐字确认（属遗留疑点），使用时以实际发放的数据为准（§3.8）。
Q32：复现 ADAM 冠军需要什么硬件？
参考冠军方案：NVIDIA TITAN V100 级别 GPU（16GB 显存），单折训练约 5 天；做多折集成需要更多算力（§5.10）。
Q33：ADAM 的数据能用来做其他疾病研究吗？
默认不能。保密协议第 3 条规定数据"仅可用于本挑战赛的参赛准备"。要做其他研究，须先获得组织方批准（§5.7）。
Q34：ADAM 有 Python 加载工具吗？
没有官方的"数据集加载库"（不像 HuggingFace datasets 那样 ready-to-use）。冠军方案提供了 ADAM_Preprocess.py / ADAM_Postprocess.py 作为参考，但用之前需先拿到数据（§5.4）。
Q35：为什么 ADAM 的 DSC 只有 0.41 这么低？
因为动脉瘤太小（中位 238 体素）、边界与载瘤动脉难以分离，任务本身极难。0.41 已是该任务榜首；主论文称冠军"接近观察者间水平"，即接近人类专家之间的一致性上限，不是算法不行，是任务上限如此（§7.4）。
Q36：ADAM 的排行榜现在还有人打吗？
榜单持续维护（live leaderboard），理论上任何时间都可提交。但具体活跃度、最新提交时间未在抓取中确认（属遗留疑点）；引用榜单时务必注明抓取时点（坑 7）。
Q37：怎么在论文里引用 ADAM？
引用主论文：Timmins KM, et al. Comparing methods of detecting and segmenting unruptured intracranial aneurysms on TOF-MRAs: The ADAM challenge. NeuroImage. 2021;238:118216. doi:10.1016/j.neuroimage.2021.118216。若引用了数据本体，还须遵守保密协议的引用要求（§5.2）。
Q38：ADAM 的训练集和测试集来自同一批患者吗？
来自同一中心（UMC Utrecht）的临床检查，但应是患者级互斥的划分（避免同一患者出现在训练与测试两边）。具体划分策略未在摘要级来源确认（属遗留疑点）。
Q39：有没有比 ADAM 更新的颅内动脉瘤挑战赛？
有延续性的工作（库内如 TopAneu、TopBrain 谱系）。ADAM 是较早确立"3D TOF-MRA + 检测/分割双任务"范式的奠基者；新挑战赛多在其基础上扩展（§6.7）。
Q40：用 ADAM 训出的模型能直接上临床吗？
不能。ADAM 是研究基准，单中心数据、小样本（113 例），且未做外部验证；临床部署需要多中心验证、监管审批与前瞻性研究。它提供的是"方法可行性的证明"，不是"临床可用的产品"。
Q41：ADAM 的"接近观察者间水平"是怎么定义的？
指算法分割与专家手工分割之间的差异，已经接近"两位专家各自分割同一动脉瘤"之间的一致性水平（观察者间变异）。这是分割任务的一个重要里程碑——意味着自动分割的质量进入了人类专家彼此差异的范围内（§7.4）。
Q42：如果是做血管分割而非动脉瘤分割，ADAM 有用吗？
有限。ADAM 标注的是动脉瘤（局部膨出），不是整条血管树。若任务是全脑血管分割，库内 TopBrain(632)、intra(723) 更对口。ADAM 可作为"局部病灶分割"的参考范式。
Q43：一句话说清 ADAM 的许可？
签保密协议才能用、不能转发、不能商用（未授权）。它不是开源数据，是"合同约束下的受限访问数据"（§5.8）。
Q44：我第一次接触脑血管 AI，从 ADAM 入手合适吗？
看目标。若想理解脑血管分割任务的范式，读 ADAM 论文 + 冠军方案是好起点；若想上手练手，受限访问的门槛可能劝退，建议先用手头可得的公开数据建立流程，再考虑申请 ADAM。若只想引用基准，读论文即可。
事实清单（硬事实 45 条）
- ADAM 全称 Aneurysm Detection and segMentation challenge，官方大小写拆分为 “Detection And segMentation”。
- ADAM 是 MICCAI 2020 官方挑战赛，由荷兰 UMC Utrecht 发起。
- 组织方横跨 UMC Utrecht 三个部门：Image Sciences Institute、放射科、神经内科。
- Zenodo 设计文档 6 位作者全部来自 UMC Utrecht：Timmins、Bennink、van der Schaaf、Velthuis、Ruigrok、Kuijf。
- 数据模态为全 TOF-MRA（飞行时间磁共振血管造影）+ 每例一幅结构 MR（T1/T2/FLAIR）。
- 数据集不含 CTA、不含 DSA；设计文档提及二者仅为背景对比。
- 训练集 113 例，含 129 个未破裂颅内动脉瘤（UIA）；93 例含动脉瘤、20 例无。
- 测试集 141 例，含 153 个 UIA；117 例含动脉瘤、26 例无；测试集不公开。
- 每例含：1 幅 3D TOF-MRA + 1 幅结构 MR +（训练集）UIA 二值掩码 + 中心体素坐标。
- 中位图像尺寸 512×512×140（arXiv:2101.10815 口径）。
- 中位动脉瘤体素体积 238 voxels。
- 前景（动脉瘤）占比约 6.5×10⁻⁶，极端类别不平衡。
- Task 1 为检测任务，指标为敏感度 + 假阳性计数，排名取指标平均。
- Task 2 为分割任务，指标为 DSC + MHD95 + 体积相似度，排名取指标平均。
- Task 1 参赛 11 队；Task 2 参赛 9 队；同批 9 队兼报两任务。
- Task 1 冠军 mibaumgartner：敏感度 0.66 / 假阳性 0.14。
- Task 1 亚军 joker：0.63 / 0.16；季军 junma：0.61 / 0.18。
- Task 1 冠军 mibaumgartner 是专为检测设计、未参加 Task 2 的方法。
- Task 2 冠军 junma：DSC 0.41 / MHD95 8.96 / 体积相似度 0.50。
- Task 2 亚军 joker：DSC 0.40 / MHD95 8.67 / 体积相似度 0.48。
- Task 2 季军 kubiac：DSC 0.28 / MHD95 18.13 / 体积相似度 0.39。
- Task 2 前两名方法在分割指标上统计显著优于其他所有方法（主论文结论）。
- 前列方法对较大动脉瘤的检测性能可比视觉检查（主论文结论）。
- Task 2 冠军方法经真 UIA 筛选后，分割性能接近观察者间水平（主论文结论）。
- 检测对小动脉瘤仍困难：直径 <5mm 动脉瘤由放射科医师从 MRA 检出敏感度可低至 35%（设计文档）。
- 颅内动脉瘤见于约 3% 普通人群；约 10% 的动脉瘤（多为小动脉瘤）被漏诊（设计文档）。
- Task 2 冠军方案为 3D full-resolution nnU-Net，最大通道数 360（默认 320）。
- 冠军方案 patch 256×224×56、batch 2、NVIDIA TITAN V100、每折约 5 天。
- 冠军方案后处理剔除 <11 体素的预测；禁用 TTA 加速推理；多折集成。
- 冠军方案损失含"抗不平衡"设计；两组五折交叉验证（Dice+CE、Dice+TopK）。
- 主论文：Timmins KM 等，NeuroImage 2021;238:118216，doi:10.1016/j.neuroimage.2021.118216，PMID 34052465。
- 论文卷期双口径：在线首发 2021-05-27 / 正式卷期 2021-09-01。
- 设计文档：Zenodo record 3715848，published 2020-03-19，version v1，PDF 约 5.2 MB（md5 d1cfd000a5e138a7e9ed47b46a107725）。
- 规模双口径：主论文 113/141 vs 二手中文源"110/140 → 113/142"；以 113/141 为准。
- 标注由医学标注专家制作、经验放射科医师复核（arXiv 原文口径）。
- 获取方式：训练集须签保密协议申请；测试集不公开（Docker 容器评测）。
- 保密协议核心条款含：不得再分发、注册须真实、仅用于参赛准备、未经批准不得训练/开发其他算法（含商业产品）、须引用论文。
- 许可性质：无 OSI 认可 license、无 CC 许可，属受限访问（gated by agreement）档。
- 冠军代码
JunMa11/ADAM2020，MIT 类 license，含 nnUNet 子模块 + 预处理/后处理脚本。 - 冠军模型权重发布在百度网盘（pan.baidu.com/s/176J6mS8dx89Nbht5EaeYEg，提取码 b9oo）。
- 运行环境 python 3.7.6 / pytorch 1.5.0 / cuda 10.1。
- ADAM 保持开放投稿并维护 live leaderboard，为单届（MICCAI 2020）比赛。
- ADAM 用于 Task 1（检测）与 Task 2（分割）的评测脚本由组织方统一运行，保证口径一致。
- 参赛队伍地域横跨荷兰、德国、中国、法国、意大利、芬兰、瑞士、波兰、美国等，含企业与大学机构。
- ADAM 双侧榜单中 kubiac/xlim/inteneural/zelosmediacorp/stronger/ibbm/tum_ibbm/joker/junma 等队同时出现在两个任务（复用现象）。
术语表（63 条）
| 术语 | 释义 |
|---|---|
| ADAM | Aneurysm Detection and segMentation challenge，颅内动脉瘤检测与分割挑战赛 |
| 颅内动脉瘤（intracranial aneurysm） | 脑血管壁的异常膨出，破裂可致蛛网膜下腔出血 |
| UIA | Unruptured Intracranial Aneurysm，未破裂颅内动脉瘤 |
| TOF-MRA | Time-of-Flight Magnetic Resonance Angiography，飞行时间磁共振血管造影 |
| MRA | Magnetic Resonance Angiography，磁共振血管造影 |
| CTA | CT Angiography，CT 血管造影（ADAM 不含此模态） |
| DSA | Digital Subtraction Angiography，数字减影血管造影（ADAM 不含此模态） |
| 结构 MR | 显示解剖结构的磁共振图像，如 T1/T2/FLAIR，与 TOF-MRA 配准后辅助定位 |
| FLAIR | Fluid-Attenuated Inversion Recovery，脑脊液信号被抑制的 MR 序列 |
| 体素（voxel） | 三维空间的最小成像单元，对应二维图像里的"像素" |
| 二值掩码（binary mask） | 逐体素标记"是/否动脉瘤"的分割结果，训练集提供 |
| 中心体素（centre voxel） | 每个动脉瘤的中心坐标，用于检测任务定位 |
| MICCAI | Medical Image Computing and Computer Assisted Intervention，医学影像计算顶会 |
| Grand Challenge | 承载医学影像挑战赛的常用平台（adam.isi.uu.nl 属其生态） |
| Task 1 检测（detection） | 在 TOF-MRA 上定位/检出 UIA 的任务 |
| Task 2 分割（segmentation） | 在 TOF-MRA 上体素级分割 UIA 的任务 |
| 敏感度（sensitivity） | 被正确检出的动脉瘤占全部动脉瘤的比例 |
| 假阳性计数（false positive count） | 误报的"动脉瘤"数量 |
| DSC | Dice Similarity Coefficient，Dice 相似系数，分割重叠度指标 |
| MHD95 | Modified Hausdorff Distance（95th percentile），边界偏离的鲁棒度量 |
| 体积相似度（volumetric similarity） | 预测体积与真值体积的接近程度 |
| 观察者间变异（interobserver variability） | 不同专家对同一病灶给出不同结果的程度 |
| 观察者间水平 | 算法与专家分割的差异 ≈ 专家之间的一致性上限 |
| 类别不平衡（class imbalance） | 正样本极少、负样本极多的数据分布（本数据前景比 6.5×10⁻⁶） |
| nnU-Net | 自配置 3D 医学分割框架，Task 2 冠军方案的基础 |
| 集成（ensemble） | 融合多个模型/多折结果以提升精度的方法 |
| TTA | Test-Time Augmentation，测试时增强；冠军方案弃用 |
| 后处理（post-processing） | 对模型输出做规则化修正，如剔除小于阈值的连通域 |
| 连通域（connected component） | 空间中相互连通的一组体素；小连通域常被视为噪声 |
| Docker 容器提交 | 把方法打包成容器、由组织方在私有测试集上运行评测的方式 |
| live leaderboard | 持续更新的实时排行榜；ADAM 长期开放投稿维护 |
| 受限访问（gated） | 数据不公开直链、须申请/签协议才能获取的访问模式 |
| 保密协议（confidentiality agreement） | ADAM 训练集发放前须签署的约束性文件 |
| 蛛网膜下腔出血（subarachnoid hemorrhage） | 动脉瘤破裂后血液流入蛛网膜下腔的急症 |
| 载瘤动脉（parent artery） | 动脉瘤所附着的母血管，分割时与动脉瘤颈部交界难以界定 |
| 动脉瘤颈部（aneurysm neck） | 动脉瘤与载瘤动脉的连接处，边界模糊是分割难点 |
| NIfTI | 神经影像常用数据格式（.nii/.nii.gz），ADAM 体数据的常见载体 |
| patch（块） | 从 3D 体数据中切出的子体积，训练时作为输入单元 |
| 前景/背景 | 前景指目标（动脉瘤）体素，背景为其余体素；ADAM 前景占比极低 |
| 交叉熵（cross entropy, CE） | 常用分类损失；在极端不平衡下会被背景主导 |
| Dice 损失 | 直接优化 Dice 系数的损失函数，常与 CE 组合用于不平衡分割 |
| TopK 损失 | 只对最难/最易错的部分样本计损失的变体，用于应对不平衡 |
| 假阳性（false positive） | 把非动脉瘤误报为动脉瘤 |
| 假阴性（false negative） | 漏掉的真实动脉瘤 |
| 召回率（recall） | 与检测任务中的敏感度同义（找全的比例） |
| 混淆（confusion） | 动脉瘤与血管迂曲/分叉混淆，检测误报的主要来源 |
| 外部验证（external validation） | 在其他中心/其他数据集上验证模型泛化性；ADAM 未做此步 |
| 多中心（multi-center） | 数据来自多家机构；ADAM 为单中心 |
| 统计显著性（statistical significance） | 差异非偶然、可在统计上确认；主论文用以判定 Top-2 领先 |
| live leaderboard | 持续更新的实时排行榜；ADAM 长期开放投稿维护 |
| 分诊（triage） | 先筛出可疑病例再细看的工作流，检测任务临床对应场景 |
| 级联（cascade） | 先检测后分割的两阶段策略；ADAM 双任务便于研究此策略 |
| 观察者间变异（interobserver variability） | 不同专家对同一病灶给出不同结果的程度 |
| 观察者间水平 | 算法与专家分割的差异 ≈ 专家之间的一致性上限 |
| 概率化标注（probabilistic annotation） | 用概率而非单一二值表示标注不确定性的做法 |
| 数据再分发（redistribution） | 把数据转发/公开给第三方；ADAM 协议明令禁止 |
| 数据授权（data licensing） | 商用等特殊用途需另行签署的授权协议 |
| 半监督/自监督 | 利用无标注数据学习表征的范式；ADAM 数据可用于此类预训练（受协议约束） |
| 患者级互斥划分 | 同一患者不同时出现在训练与测试集，防信息泄漏 |
| 阴性样本 | 无动脉瘤的病例，用于评测误报控制 |
| 掩码（mask） | 逐体素标注"是否目标"的图像，ADAM 训练集提供 |
| 配准（registration） | 把结构 MR 与 TOF-MRA 空间对齐的预处理步骤 |
| 混合精度训练 | 用 fp16/bf16 加速训练的技术，大 3D 分割常用 |
| 推理（inference） | 用训练好的模型对新数据预测的过程 |
| 显著性检验 | 判断"差异是否偶然"的统计方法，主论文用以定梯队 |
附录
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| 条目名 | ADAM |
| url_name | adam-aneurysm |
| 类型 | 挑战赛 + 独立语料（数据集） |
| 全称 | Aneurysm Detection and segMentation challenge |
| 论文 | NeuroImage 2021;238:118216（PMID 34052465） |
| 团队 | UMC Utrecht（ISI + 放射科 + 神经内科） |
| 规模 | 训练 113 例/129 UIA；测试 141 例/153 UIA |
| 模态 | TOF-MRA + 结构 MR |
| 许可 | 受限访问（保密协议 gated，无 CC/OSI） |
| 抓取时点 | 2026-09-30 |
| 库内互链 | intra(723)/isles(495)/topaneu2026(637)/topbrain2026(632)/wmh-challenge(501)/verse-spine(435) |
附录 B：DAIMS 评估全表
| 维度 | 评分（1-10） | 依据 |
|---|---|---|
| D 可发现性 | 7 | 论文（NeuroImage/PubMed）与设计文档（Zenodo）均可索引，榜单公开；但"ADAM"名与眼底 ADAM 撞名，数据本体无独立发布页 |
| A 可获取性 | 4 | 训练集须签保密协议申请、不得再分发，测试集完全不公开——受限访问是最大失分项 |
| I 可互操作 | 7 | 标准 3D 医学图像格式（NIfTI/体数据）+ Docker 提交范式；无官方到公共数据格式的转换脚本 |
| M 元数据质量 | 8 | 论文规模/指标/方法描述完备，Zenodo 设计文档补充背景数字；作者单位与榜单口径清晰 |
| S 可持续性 | 6 | 依托 UMC Utrecht 与 Grand Challenge 生态，持续开放投稿；数据发放依赖申请流程，单点依赖组织方 |
| 综合评级 | 6.4/10（中上） | 数据与方法学质量高，可获取性被"受限访问"显著拖低，公开榜单部分补偿 |
附录 C：逐项证据链自证
| 关键数字 | 来源 | 位置 |
|---|---|---|
| 训练 113 例 / 129 UIA | 主论文（NeuroImage 2021） | Abstract / Results |
| 测试 141 例 / 153 UIA | 主论文（NeuroImage 2021） | Abstract / Results |
| 93 例含 / 20 例无（训练） | 主论文 + arXiv:2101.10815 | Results / Data 节 |
| 117 例含 / 26 例无（测试） | 主论文 + arXiv:2101.10815 | Results / Data 节 |
| 中位 512×512×140 / 238 voxels / 6.5×10⁻⁶ | arXiv:2101.10815（junma） | Method 节 |
| Task 1 11 队 / Task 2 9 队 | 主论文 + 官方 leaderboard | Results / leaderboard |
| Task 2 冠军 0.41/8.96/0.50 | 官方 leaderboard（2026-09-30） | adam.isi.uu.nl |
| 后处理 <11 体素 / 禁用 TTA | arXiv:2101.10815 | Method 节 |
| 6 作者全 UMC Utrecht | Zenodo 3715848 | 设计文档首页 |
| 3% 人群 / 10% 漏诊 / <5mm 敏感度 35% | Zenodo 3715848 | 设计文档背景节 |
| 代码 MIT 类 / 权重百度网盘 | GitHub JunMa11/ADAM2020 | README / LICENSE |
附录 D：双口径与坑点速查表
| 坑编号 | 内容 | 影响场景 |
|---|---|---|
| 坑 1 | 两个 ADAM（脑动脉瘤 vs AMD 眼底）撞名 | 文献检索/选条 |
| 坑 2 | 模态被误写为 CTA/DSA（实为 TOF-MRA） | 数据理解/方法选型 |
| 坑 3 | 规模双口径 113/141 vs 110/140→113/142 | 数字抽取/引用 |
| 坑 4 | “例数”（113/141）与"UIA 数"（129/153）混用 | 数字抽取 |
| 坑 5 | 论文卷期双口径（在线 2021-05-27 vs 卷期 2021-09） | 引用/著录 |
| 坑 6 | 官方大小写 segMentation vs segmentation | 检索/转写 |
| 坑 7 | leaderboard 是活的，数字需注明抓取时点 | 榜单引用 |
| 坑 8 | 属"挑战赛 + 独立语料"，不触发 stopping | 选条判定 |
| 坑 9 | 受限访问（无 CC/OSI、不可再分发、不可商用） | 商用/再分发 |
附录 E：遗留疑点（待核）
| 编号 | 待核内容 |
|---|---|
| 待核 1 | 赛程四日期（4/3 训练集、8/17 提交、9/20 top10、10/8 结束）仅见二手中文源，未从官网/Zenodo PDF 一手取到 |
| 待核 2 | adam.isi.uu.nl 抓取重定向至 Grand Challenge 通用首页，未取到 challenge 专属评估指标页与数据申请表单页 |
| 待核 3 | 数据来源人群的具体年份、扫描仪型号、性别/年龄分布未在摘要级来源获取 |
| 待核 4 | Task 1/Task 2 后列队伍仅有名次无具体指标值；队名与主论文作者的精确对应关系未逐一核实 |
| 待核 5 | 保密协议 9 条完整文本未逐字获取，仅取核心 5 条 |
附录 F：检索与引用建议
- 精确检索词：“ADAM” + “aneurysm” + “TOF-MRA” + “MICCAI 2020”；勿裸用 “ADAM”（坑 1）。
- 引用规模数字：以主论文 113/141 为准，注明"例数 vs UIA 数"维度（坑 3、坑 4）。
- 引用论文：NeuroImage 2021;238:118216，注明卷期双口径（坑 5）。
- 引用榜单：注明抓取时点（坑 7），并说明榜单持续更新。
- 反例（勿用）：把 ADAM 当"CTA/DSA 数据集"（坑 2）、把眼底 ADAM 与本条目混为一谈（坑 1）、声称其"有 CC 许可可自由下载"（坑 9）。
附录 G：数据获取路径对照表
| 用途 | 是否需要数据 | 是否需要签协议 | 推荐动作 |
|---|---|---|---|
| 引用 ADAM 结论 | 否 | 否 | 读主论文 + 引用 |
| 复现基线/做研究 | 是 | 是 | 签协议 → 申请 → 开发 |
| 参加挑战赛打榜 | 是 | 是 | 注册 → 签协议 → 容器提交 |
| 商用训练 | 是 | 需额外授权 | 先与 UMC Utrecht 谈数据授权 |
| 仅看榜单对比 | 否 | 否 | 查 leaderboard（注明时点） |
| 教学/科普 | 视情况 | 视情况 | 优先用已发表图表，勿转发数据 |
附录 H：双任务 vs 单任务设计对照
| 维度 | ADAM（双任务） | 假想的单任务挑战赛 |
|---|---|---|
| 任务数 | 检测 + 分割 | 仅分割 |
| 榜单数 | 2 | 1 |
| 揭示的能力 | "找"与"画"分开 | 只能看综合表现 |
| 参与门槛 | 检测门槛较低 | 分割要求高 |
| 能否分析级联 | 能 | 不能 |
| 典型发现 | 检测冠军≠分割冠军 | 无法得出 |
ADAM 的双任务设计，是它比"单任务挑战赛"信息量更大的根本原因。
附录 I：指标含义速查
| 指标 | 任务 | 方向 | 取值 | 一句话 |
|---|---|---|---|---|
| 敏感度 sensitivity | Task 1 | 越高越好 | [0,1] | 找全的比例 |
| 假阳性计数 FP count | Task 1 | 越低越好 | ≥0 | 误报数量 |
| DSC | Task 2 | 越高越好 | [0,1] | 分割重叠度 |
| MHD95 | Task 2 | 越低越好 | ≥0（体素） | 边界最坏偏离（95 分位） |
| 体积相似度 | Task 2 | 越高越好 | [0,1] | 大小是否对上 |
附录 J：ADAM 关键时间线（含待核标记）
| 时间 | 事件 | 来源可靠度 |
|---|---|---|
| 2020-03-19 | Zenodo 设计文档发布（v1） | 一手（Zenodo record 3715848） |
| 2020-04-03 | 训练集发布（待核） | 二手（codenong） |
| 2020-08-17 | 最终提交截止（待核） | 二手 |
| 2020-09-20 | top10 展示（待核） | 二手 |
| 2020-10-08 | 挑战赛结束（待核） | 二手 |
| 2021-05-27 | 主论文在线首发 | 一手（ScienceDirect） |
| 2021-09-01 | 主论文正式卷期 | 一手（ScienceDirect 目录） |
| 持续 | live leaderboard 开放投稿 | 一手（论文 + 榜单） |
| 2026-09-30 | 本条目抓取时点 | 本次核验 |
附录 K：参赛队伍榜单对照（抓取快照）
| 队名 | Task 1 名次 | Task 2 名次 | 备注 |
|---|---|---|---|
| mibaumgartner | 1 | — | 检测专用，未参加 Task 2 |
| joker | 2 | 2 | 双任务均列前二 |
| junma | 3 | 1 | nnU-Net 集成，Task 2 冠军 |
| kubiac | 4 | 3 | 双任务均参赛 |
| xlim | 5 | 5 | 双任务均参赛 |
| inteneural | 6 | 4 | 双任务均参赛 |
| zelosmediacorp | 7 | 6 | 双任务均参赛 |
| stronger | 8 | 7 | 双任务均参赛 |
| unil_chuv | 9 | — | 仅 Task 1 |
| ibbm | 10 | 8 | 双任务均参赛 |
| tum_ibbm | 11 | 9 | 双任务均参赛 |
（后列队伍具体指标值未抓取到，见坑 9 / 附录 E。）
附录 L：方法学启示清单（可迁移）
- 小目标 3D 分割：损失函数要抗不平衡，别默认交叉熵。
- 后处理小连通域剔除：阈值按目标尺度定，价值可能不低于改网络。
- 检测与分割分开设计：不要假设一个模型两边通吃。
- 自配置框架需适配：nnU-Net 在极端不平衡任务上要调通道 + 改损失。
- 多指标平均排名：抬高刷分成本。
- 容器化评测：保证环境隔离与结果可比。
- 测试集不可见：从制度上杜绝过拟合榜单。
- 接受"接近观察者间水平"为天花板：真值有内在不确定性。
附录 M：库内互链明细（rid 反查确认）
| 组别 | 条目（rid） |
|---|---|
| 强互链（同脑血管/MRA） | intra(723)、isles(495)、topaneu2026(637)、topbrain2026(632)、wmh-challenge(501)、verse-spine(435) |
| 同范式（3D 分割挑战赛） | brats(24)、brats-pediatric(688)、brats-africa(683)、crossmoda2022(647)、crossmoda-2023(684)、lisa2025(686)、ucsf-pdgm(469)、upenn-gbm(462) |
| 同模态（脑 MR） | ixi-brain(482)、abide(198)、adhd-200(205)、mrnet(381) |
| 命名区分 | ADAM（眼底/AMD，非本条目） |
附录 N：维护触发点
以下事件发生时，本条目需要更新：
- 官方发布 ADAM 续届或新版本：规模/任务/榜单需重写。
- 保密协议条款变更：§5 许可部分需更新。
- leaderboard 出现新榜首：§4 榜单快照需重新抓取并注明时点。
- 数据格式/申请流程公开：§3.8、§5.6 的推测内容可转为一手事实。
- 主论文被修正/勘误：§附录 C 证据链需同步。
- 库内新增脑血管/MRA 条目：§8 互链需扩充。
- 出现跨中心验证研究：§7.5 单中心局限的讨论需补充外部验证进展。
尾注
本条目事实来自：主论文（Timmins KM 等，NeuroImage 2021;238:118216，PMID 34052465）、挑战赛设计文档（Zenodo record 3715848）、Task 2 冠军方案论文（Ma Jun 等，arXiv:2101.10815）、冠军代码仓库（GitHub JunMa11/ADAM2020）、官方 leaderboard（adam.isi.uu.nl）及 PubMed/ScienceDirect/Medscape 等多源互证。抓取时点 2026-09-30。受限访问类数据的规模与榜单数字会随组织方运营变化，正式引用前请重新核验官方页面。库内互链条目 rid 经数据库 url_name 反查确认。
本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-09-30，生产代理 agent-a-adamaneury。事实陈述以主论文、设计文档、冠军方案与官方榜单为源；规模双口径（113/141 vs 110/140）、卷期双口径（在线 vs 卷期）、名称大小写（segMentation vs segmentation）、命名撞库（脑动脉瘤 ADAM vs AMD 眼底 ADAM）等原始文档/检索陷阱已在 §9 与附录 D 逐条存照。条目与库内 intra（rid 723）、isles（495）、topaneu2026（637）等构成脑血管 MRA 家族的完整检索面。后续维护触发点见附录 N。
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：
- mitoem — 共享标签：医学影像 / 医学图像分割 / 评测基准 / 脑影像
- mr-art — 共享标签：医学影像 / 医学图像分割 / 评测基准 / 脑影像
- human-connectome-project — 共享标签：医学影像 / 神经科学 / 脑影像
- topbrain2026 — 共享标签：医学影像 / 医学图像分割 / 脑影像
- intra — 共享标签：医学影像 / 医学图像分割 / 评测基准 / 脑影像
- bigbrain — 共享标签：医学影像 / 神经科学 / 脑影像
- atlas-v2 — 共享标签：医学影像 / 医学图像分割 / 神经科学 / 脑影像
- instance2022 — 共享标签：医学影像 / 医学图像分割 / 评测基准 / 脑影像
- ctooth — 共享标签：医学影像 / 医学图像分割 / 评测基准
- monuseg — 共享标签：医学影像 / 医学图像分割 / 评测基准
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。
