AI4Life 钙成像去噪挑战赛 2025

AI4Life 钙成像去噪挑战赛 2025（Calcium Imaging Denoising Challenge 2025，简称 CIDC25）是欧盟 Horizon Europe 资助的 AI4Life 项目（资助协议号 101057970）在 2025 年举办的公开算法挑战赛，任务是对钙成像（calcium imaging）视频栈做去噪。挑战赛使用的合成数据由清华大学的 Li Xinyang 与意大利 Human Technopole 的 Edoardo Giacomello 制作，训练集与验证集在 Zenodo 公开发布（CC BY 许可），提交与评审经 grand-challenge.org 平台进行。赛事于 2025 年 9 月公布结果，平台此后继续开放补测提交。

荧光钙成像依赖遗传编码钙指示剂（genetically encoded calcium indicators, GECI），能以单细胞分辨率同时记录数百到上千个神经元的活动，是神经科学与细胞生物学的主流功能成像手段。但荧光采集中普遍存在的散粒噪声（shot noise）与读出噪声（read noise）会掩盖微弱的生物信号，而去噪方法又面临一个结构性矛盾：真实实验几乎拿不到干净的参照数据，监督学习缺目标、定量评估缺基准。CIDC25 用合成数据正面回应这一矛盾——干净信号由模拟器精确生成，噪声按受控参数注入，空间形态与时间动态两条质量轴都被显式纳入评分。

神经影像与显微图像去噪方向的研究者可直接从 Zenodo 下载训练与验证数据起步：训练侧拿 A1/B1/C2/D2 四个样本拟合噪声模型或做自监督训练，验证侧用 F0 干净版对 F1/F2/F3 各噪声级算空间与时间两类指标。动手前先注意两件事：数据全部为 in-silico 合成，结论向真实双光子数据外推时需要额外验证；测试集只在 grand-challenge.org 平台评审时使用，不在 Zenodo 公开。

§1 它是什么：定义、来源与身份边界

1.1 一句话定义

CIDC25 是一场以「合成钙成像视频去噪」为任务的公开算法挑战赛，其配套发布在 Zenodo 上的训练与验证数据构成一个自成一体的基准数据集。理解这个实体需要拆开三个成分：其一是挑战赛本身，由 AI4Life 项目下的 Open Calls 与 Open Challenges 团队组织；其二是合成数据集，包括四个训练样本与一组带干净参照的验证样本，形状统一、噪声受控；其三是评审基础设施，即 grand-challenge.org 上的提交通道与排行榜。三者共同构成「可复现的去噪基准」这一完整实体，本文以数据集为主线记录，挑战赛流程作为数据的产生与使用语境。

1.2 名称辨析：CIDC25 指什么、不指什么

缩写 CIDC25 中的 CIdC 按主办方官网拼写为 Calcium Imaging Denoising Challenge 的缩合，三个词分别对应「钙成像」「去噪」「挑战赛」，年份 2025 以数字后缀标注。检索时容易与两个名称混淆。一是与 Cilia（纤毛）混淆——两者字面相近但毫无关系，本挑战赛不涉及纤毛细胞图像，纤毛方向的 DeepCilia 等工作是独立研究脉络。二是与同年的姊妹赛 MDC25（Microscopy Supervised Denoising Challenge，显微监督去噪挑战赛）混淆——两者同属 AI4Life 2025 去噪系列、同日公布结果，但任务设定不同：MDC25 处理一般显微图像的监督去噪并设四个排行榜，CIDC25 专注钙成像、强调时间动态保真并设两条泛化赛道。两者的官网、数据与排行榜均相互独立。

1.3 挑战赛的隶属与谱系

CIDC25 是 AI4Life 项目 2023 至 2025 年间举办的三届 Public Challenges 系列的收官一届。AI4Life 是欧盟 Horizon Europe 框架下的协调项目，联合十个伙伴机构，目标是让生命科学研究者能用上标准化的生物图像分析 AI 模型与数据，其核心基础设施包括社区驱动的 BioImage Model Zoo（bioimage.io）与面向数据标准的 FAIR 原则推广。项目由 Euro-BioImaging 方面的科学项目统筹，KTH 皇家理工学院的 AICell Lab（Wei Ouyang 课题组）负责模型库与云基础设施。按联盟事后发布的总结文章，三届挑战赛共支持了 22 个生物图像分析项目，从 151 份申请中遴选，累计 225 名挑战参与者。2025 年这一届同步举办了两个去噪挑战赛，CIDC25 是其中面向钙成像的那个。

1.4 数据的制作者与制作方式

数据集的 Data collector 在 Zenodo 记录上署名为两人：Li Xinyang（清华大学）与 Edoardo Giacomello（Human Technopole，位于米兰的欧洲生命科学研究机构）。所有样本都是 in-silico 合成——先用模拟器生成神经元钙活动的视频信号，再叠加受控噪声。这一制作路线与挑战赛的评估哲学直接绑定：只有 ground truth 完全已知的合成数据，才能对去噪算法的空间重建误差与时间动态失真做严格量化。数据于 2025 年 7 月 3 日与 4 日分别以训练集和验证集两个 Zenodo 记录发布，验证集记录此后又有版本更新（可见 3 个版本）。

1.5 时间线与现状

关键节点按序为：2025 年 7 月初，训练集与验证集在 Zenodo 上线；提交截止日期原定后延至 2025 年 8 月 31 日；9 月 15 日，官方博客公布两个去噪挑战赛的结果；同年晚些时候 AI4Life 资助期结束，但 CIDC25 的 grand-challenge 平台被明确保留开放，接受用于基准测试目的的迟到提交。因此截至 2026 年 10 月，数据下载、排行榜查看与补测提交三条路径均可用。冠军算法 Restormer3D 的算法页在 2026 年 5 月仍有四个阶段排名第一的性能记录，说明该基准在赛事结束后仍被持续使用。

补充两个时间线上的观察。其一，训练与验证数据先于赛程约两个月发布、且「于挑战赛开始时公开发布」是写在数据摘要里的既定承诺——这与一些挑战赛「赛中逐步放数」的做法不同，参赛者从第一天起就能拿到完整的本地开发数据。其二，截止延期与平台长期开放是赛事运营的两个独立决定：前者是给参赛者的时间余量，后者是把基准转为长效基础设施的姿态。对引用者而言，后者的含义是——今天看到的榜单不一定等同于 2025 年 9 月结果公告时的榜单，做方法对比时应以结果公告或注明日期的榜单快照为准。

1.6 数据的模态背景：钙成像是什么、难在哪

评估这份数据的设计逻辑，需要先理解钙成像这一模态的得与失。荧光钙成像依赖遗传编码钙指示剂（GECI）：细胞表达一种荧光探针，其与钙离子结合后发光，于是胞内钙瞬变——神经或肌肉活动最直接的化学伴随物——被转译为可被显微镜记录的荧光信号。这套间接测量让研究者能以单细胞分辨率同时观察数百到上千个神经元的活动，是研究神经活动、突触传递与细胞信号通路的主力技术。钙信号本身灵敏而明亮，与双光子显微镜配合时可以在高度散射的完整哺乳动物组织中保持良好的信噪比，且无需多帧平均。

但这个模态有两个固有短板。其一，时间分辨率受限于指示剂的动力学：相比电压成像等技术，钙瞬变是一段被化学过程「低通滤波」过的时间序列，不适合精确捕捉快速电活动事件。其二，也是本挑战赛针对的那一个——噪声。荧光采集的噪声来自光子散粒噪声与读出噪声等来源，微弱的神经活动信号恰恰分布在低光子计数的区间，最容易被噪声掩盖。更麻烦的是评估困境：想定量衡量一个去噪方法「保住了多少真信号」，就需要干净参照，而真实采集即使以高信噪比条件进行，残余噪声仍足以让经典重建指标的数值失去严格性。CIDC25 的合成路线，就是把这两个难题（时间动态必须保真、参照必须严格干净）同时纳入基准设计。

1.7 与「数据论文」传统的差别

CIDC25 没有独立的同侪评审数据论文，其事实记录分散在四类一手来源中：grand-challenge.org 官网的挑战赛说明页、Zenodo 的两条数据记录、Euro-BioImaging 官方博客的结果公告、以及 AI4Life 联盟的总结文章。这带来两重写作与引用上的含义。一方面，数据规模、噪声设置等硬数字以 Zenodo 记录摘要为最终权威，挑战赛页面与博客作为佐证；另一方面，引用这个数据集时应引用 Zenodo DOI（训练集 10.5281/zenodo.15799507，验证集 10.5281/zenodo.15807609）而非某篇论文，因为不存在承载全部细节的单一论文。联盟总结文章可作为方法学背景引用，但它覆盖三届挑战赛，粒度不及数据记录本身。

这一出版形态也影响信息的可核验结构。数据论文通常把采集协议、质量控制与已知偏差写进正文与附录，检索者可以逐段核对；而挑战赛形态下，同等信息分布在设计说明（为什么合成、为什么双赛道）、数据记录摘要（规模与形状）、结果公告（参与规模与去向）三处，跨来源拼合是获取完整图景的必要动作，任何单一来源都不足以支撑引用。第二节的字段可靠性表因此按「每项硬数字标注其权威来源」的口径组织，而非笼统挂一个总引用。

§2 数据构成：规格、十问与双赛道设计

2.1 十个最常被问到的问题

问题	答案
数据是真实的还是合成的？	全部 in-silico 合成：模拟器生成神经元活动视频，clean 信号精确已知，噪声受控注入
有几个样本？	训练 4 个（A1/B1/C2/D2），验证 1 个（F），合计 5 个独立样本
单个文件什么形状？	[1500, 490, 490]——帧数 1500、画幅 490×490 像素的单通道视频栈
噪声有几个等级？	训练集两种强度（文件名后缀 1 与 2）；验证集三个等级（F1/F2/F3，另有 clean 版 F0）
文件格式与体积？	TIFF；训练 4 个文件 + 验证 4 个文件，合计 8 个，单文件大小见 §2.4
ground truth 怎么给？	只在验证集给：F0 即干净参照；训练集提供带噪输入，监督训练可按文件对构造目标
覆盖什么成像场景？	模拟双光子荧光钙成像，对象为神经元活动视频，信号兼具空间形态与时间轨迹结构
有没有人体数据、要不要伦理审批？	没有。合成数据不涉及受试者，无伦理门槛
许可证是什么？	Zenodo 记录标注 CC BY，可自由使用、分享与改编，仅需署名
测试数据在哪？	不在 Zenodo 公开，经 grand-challenge.org 平台在提交评审时使用

2.2 训练集：四个样本与两种噪声

训练集（Zenodo 记录 15799506，DOI 10.5281/zenodo.15799507）包含四个互不相同的 in-silico 钙成像样本，文件名 A1、B1、C2、D2。命名规则把信息编码在后缀里：尾缀 1 的 A1 与 B1 对应第一种噪声强度，尾缀 2 的 C2 与 D2 对应第二种。也就是说，四个文件代表「两个独立样本场景 × 两种噪声等级」的组合，摘要原文的表述是「corrupted with two different noise intensities」。每个文件都是约 720.6 MB 的 TIFF 栈，帧数与画幅统一。四个样本各自模拟不同的神经元形态、荧光亮度与背景结构，为方法学习「样本间差异」提供了最小但真实的变化幅度。

对监督式方法而言，这份数据的用法需要自己构造：训练集没有随包附一份「noisy-clean 配对表」，方法设计者要么用带噪输入对同一样本的另一噪声版本互为目标，要么借助合成流程的可复现性重新生成干净版。这也解释了为什么主办方在挑战赛说明里明确欢迎无监督与自监督方法——对这份四个文件规模的训练数据，不依赖配对目标的方法（如 Noise2Void 一族）在实践中往往更顺手。

两个样本场景乘两种噪声强度的组合，还隐含了一层使用建议：把「场景因子」与「噪声因子」分开做消融。如果方法在 A1 与 C2（同一强度因子命名下的不同场景）之间分数差异大，说明它对内容敏感，内容泛化赛道是其主战场；如果在尾缀 1 与尾缀 2 的文件之间差异大，则噪声稳健性是短板，噪声级泛化赛道的评估才是有效信息。四个文件虽少，但这张二维因子表足以支撑一轮有方向感的初步诊断，之后再决定是否需要构造更多训练变体。

2.3 验证集：一个样本的四副面孔

验证集（Zenodo 记录 15807610，DOI 10.5281/zenodo.15807609）是评估设计的核心。它只含一个与训练样本不同的场景，但以四个文件给出同一视频的四个版本：F0 是干净参照（clean ground truth），F1、F2、F3 是递进噪声等级下的带噪版本。这种「单场景 × 多噪声级 × 附干净版」的结构直接支撑了两件事。第一，参赛者可以在本地对每个噪声级计算与 F0 的重建误差，做交叉验证与超参选择。第二，噪声级泛化赛道的分数天然可得——同一个方法在 F1 到 F3 上的表现梯度，就是它对噪声强度变化的稳健性曲线。

验证集记录在发布后有版本更新（Zenodo 页面显示 3 个版本），使用时应认准最新版本的文件校验值，避免引用旧版数据造成结果不可比。

2.4 字段与文件可靠性标注

项目	内容	可靠性
训练文件清单	A1.tif、B1.tif、C2.tif、D2.tif，各带 md5 校验值	Zenodo 记录逐文件列出，附官方校验值
验证文件清单	F0.tif、F1.tif、F2.tif、F3.tif，各带 md5 校验值	同上
数据形状	[1500, 490, 490]	两条 Zenodo 记录摘要一致表述
噪声强度数（训练）	两种	记录摘要明文
噪声等级数（验证）	三个（F1-F3）加 clean 版 F0	文件命名与摘要互证
license	CC BY	OpenAIRE 聚合记录与 Zenodo 页面标注
单文件体积	约 720.6 MB	Zenodo 下载列表
提交数据格式	输入/输出均为 3D 栈，.mha 或 .tif	grand-challenge 算法接口页

2.5 为什么用合成数据：评估哲学

真实荧光显微数据的去噪研究长期卡在一个循环里：要定量评估就需要干净参照，而高信噪比采集仍带残余噪声、多帧平均又改变信号本身，于是「参照」永远不够干净，经典重建指标（PSNR、SSIM）的数值失去严格意义。CIDC25 的回应是把评估整体搬进合成世界：模拟器给出的信号在数学意义上就是真值，噪声注入参数完全受控，误差可以精确分解到空间与时间两个维度。主办方在挑战赛说明中直言，合成基准不能完全替代真实实验验证，因此赛事同时承担第二重角色——向社区征集能在无干净参照的真实钙成像数据上自动运行的评估方法。这一「数据合成 + 评估方法征集」的双层设计，是它与一般图像去噪竞赛最显著的差别。

这一路线的得失都值得写明。所得的一侧：评估完全可复现——任何人在任何时间下载验证集都能复算同一组指标，不存在「测试数据私钥」问题；噪声参数可扫——研究「噪声强度与方法性能」的剂量-反应关系成为可能，这在真实数据上做不到。所失的一侧：合成器是评估上限的立法者——它对噪声的建模假设（来源、分布、时空相关性）直接决定了哪些方法占优，一个恰好匹配合成噪声假设的方法会得到「免费」的分数优势；同时，合成场景的形态学先验（神经元排布方式、活动统计）若与某类实验体系差异大，方法排序在该体系的适用性存疑。使用者引用榜单结论时，宜把范围限定为「在该合成基准上」而非「在钙成像去噪上」。

2.6 双赛道：内容泛化与噪声级泛化

挑战赛设两条并列赛道，各分预赛（Preliminary）与决赛（Final）两个阶段。Content Generalization（内容泛化）赛道考察方法面对不同形态、荧光强度与背景结构时的表现——对应验证集与测试集中场景内容的变化轴。Noise Level Generalization（噪声级泛化）赛道考察方法在噪声强度变化下的稳健性——对应 F1 至 F3 的噪声梯度轴。这种拆分源于一个方法学观察：一个在重噪声下去噪很强的算法未必在轻噪声下仍然最优，反之亦然；把两个轴混在单一榜上，排名差异会被混合效应稀释。参赛者可同时报名两条赛道，同一方法在两榜上的分差本身就是有信息量的结果。

2.7 空间与时间：两轴指标的评估设计

传统去噪竞赛几乎只看逐帧的空间相似度，这对钙成像是不完整的：一个把每帧噪声抹平但把神经元活动轨迹压平、削峰或移相的方法，在空间指标上可能很好看，而对下游的神经元活动分析（事件检测、装配元识别）是破坏性的。CIDC25 官网把这一点写成设计原则：有效去噪必须同时利用空间与时间两个维度的信息，并「特别注重保留信号的时间轮廓」。相应地，评分体系显式量化两个方向——空间轴衡量细胞形态与结构重建，时间轴衡量活动轨迹的动态保真。对使用者而言，这决定了本地实验的指标选择：任何单一指标的结论都只覆盖半个任务，报告结果时应空间、时间成对给出。

2.8 合成基准在方法开发流程中的位置

把这份合成数据放进方法开发的完整链条里看，它的角色是「受控中段」：方法原型先在合成数据上做严格对照（与 F0 直接算误差、扫噪声梯度），取得排序性结论后再向真实采集数据迁移。链条的前端（噪声模型构建）与后端（真实数据验证）都不在本数据集内，需要使用者自行补齐。主办方的评估方法征集可以理解为对「后端」的投入——一旦社区发展出可在真实数据上自动运行的评估方法，合成基准上的排名与真实场景表现之间的断层就有了量化桥。在这个链条视角下，本数据集最适合回答的问题形态是「在同等噪声条件下，方法 A 相对方法 B 保留了多少空间结构与时序动态」，而不适合直接回答「方法 A 在我的实验数据上效果如何」。

§3 怎么拿到：获取路径、许可与合规

3.1 三条获取路径

数据获取没有门槛。第一步，训练集与验证集分别从 Zenodo 记录页下载（检索记录号 15799506 与 15807610，或用 DOI 直达），每个文件旁附 md5 校验值，下载后应核验。第二步，若目的是参赛或补测，需在 grand-challenge.org 注册账号并进入 ai4life-cidc25 挑战赛页面，按平台要求的容器接口提交算法——平台接受的输入输出均为 3D 栈，格式支持 .mha 或 .tif。第三步，若只想看结果，排行榜与各提交算法的描述页公开可读，冠军方法 Restormer3D 的算法页完整记录了其架构与各阶段排名。三条路径互不依赖，做基准对比通常只需要第一条。

3.2 许可与署名

Zenodo 记录标注的许可是 CC BY。这意味着数据可以自由下载、使用、修改与再分发，包括商用，唯一义务是署名——引用时给出数据集名称、制作者（Li Xinyang；Edoardo Giacomello）、Zenodo DOI 与许可类型即可。需要注意两点边界。其一，挑战赛提交的算法与其结果另受 grand-challenge.org 平台条款约束，复用他人提交的算法代码时应查看各算法页自述的使用限制，例如冠军算法页明确写有「developed for research purposes only」。其二，AI4Life 项目产出的模型与工具另经 BioImage Model Zoo 以各自许可发布，不要把数据集的 CC BY 自动外推到生态内的所有软件资产。

3.3 参赛提交的机制约束

经平台参赛与本地实验有一道机制分野：评审采用容器化算法提交。参赛者在平台上注册算法时声明输入输出接口——输入为带噪的 3D 钙成像栈（存放于约定的输入目录，格式 .mha 或 .tif），输出为去噪后的同形栈（写到约定的输出目录）。评审时平台用测试数据驱动容器运行，产出即被计入对应赛道的分数。这套机制带来三个实际影响。第一，方法必须能全自动运行：预处理的每个参数（归一化、裁剪、帧数处理）都要在容器内自动决定，不能依赖人工调参。第二，运行时间与资源受平台配额约束，方法需要在配额内完成整个栈的去噪。第三，冠军方法展示了一种与该机制高度契合的设计模式——提交的模型先离线预训练，评审时对每个输入栈做短程自监督微调以适配该栈的噪声特性，这种「预训练 + 提交时自适应」的两段式流程对今后参加同类赛事的方法设计有直接参考价值。

3.4 合规与复现要点

这份数据不涉及人类受试者或隐私信息，没有伦理审批、数据使用协议或访问请求环节，也不存在分区发放——所有发布文件对任何人可见。复现层面的实际约束有三个：文件体积合计不足 6 GB，下载与存储成本低但全载入内存需留意（八个大体量 TIFF 栈）；验证集存在多版本，复现前先核对所用版本的校验值与发布说明；完整评审流程（预赛与决赛阶段的测试数据）只在平台侧进行，论文若声称「在 CIDC25 测试集上复现了排名」，严格说只能复现训练与验证部分，测试排名以平台官方榜单为准。

§4 质量与已知问题：假设、支持与反对

4.1 数据完整性的强项与未验证项

这份数据的完整性在「基准数据」的意义上是高的：每个文件附 md5 校验值，形状与噪声设置在两条 Zenodo 记录中一致表述，验证集提供明确的干净参照，版本更新有案可查。但完整性强不等于覆盖面广——它只覆盖 5 个独立场景、最多 3 个噪声等级与 2 种训练噪声强度，神经元形态的空间多样性受限于合成器参数空间，且未提供真实采集的组织漂移、光漂白、串扰等实际伪影。把这些限制写清楚，比笼统说「合成数据有局限」更有用。

4.2 假设—支持—反对三列表

假设 / 主张	支持证据	反对或限制
合成数据足以严格评估去噪算法的重建质量	ground truth 精确已知；噪声受控注入；空间与时间指标可分解计算（挑战赛官网设计说明）	主办方自认合成基准不能完全替代真实实验验证；合成噪声模型与真实探测器噪声的差距未量化
双赛道设计能区分「方法强」与「方法稳健」	两轴（内容、噪声级）在数据结构上有明确对应物；同一方法在两榜分差可观测	参赛规模小（决赛 8 名参与者、3 个方法），排名差异的统计意义有限
无监督方法可与监督方法同场公平比较	赛事明确欢迎两类方法；冠军即为自监督方法（Restormer3D，Noise2Void 目标）	监督方法可利用合成数据自带的目标信号，理论上限不同；赛道内未按方法类别分组
结果可迁移到真实双光子钙成像	冠军算法设计即面向真实场景（提交时对每个输入栈做短程自适应微调）	没有随赛事发布的真实数据对照实验；主办方需另行征集真实数据评估方法，说明该迁移目前没有公认量化口径

4.3 训练与评估噪声设置的不对齐

一个使用前必须知道的细节：训练集只有两种噪声强度，验证集有三个等级。这意味着直接用训练分布拟合的方法在 F3（最高噪声级）上处于轻微外推位置；反之，用三档验证噪声调参再报训练集结果也会产生选择偏差。稳妥做法是把验证集的一个噪声级留作内部测试，或在方法描述中显式说明噪声设置的使用方式。这个不对齐不是数据缺陷，而是分阶段发放的设计产物，但对复现者的超参选择有实际影响。

4.4 样本规模与多样性的边界

五个场景对「基准」而言是精简的。同一方法在两个相似场景上的分数高度相关，跨场景方差的实际自由度小于表面数字。与此相关的是合成器本身：神经元的空间排布、活动频率与信噪比均由参数生成，参数空间中未覆盖的部分（例如极低活动率样本、极密集场景）在榜单上是不可见的。使用者在宣称「方法在钙成像去噪上通用」之前，应把这份数据的角色定位为「受控条件下的可控对比」，而非覆盖性证明。

从另一个角度看，这个规模也是刻意的取舍。小而受控的基准把「场景间方差」压缩到可解释的程度：两个方法在五个场景上的逐场景对比是肉眼可审的，谁在哪个场景输了、输在形态还是输在动态，都能落实到具体样本；换成数百场景的大基准，逐场景审查不再可行，方法对比退化为聚合分数。对方法研发者，务实的用法是两层组合——用本基准做受控归因（差异从哪来），用真实数据做外推检验（差异是否还在），两层各答其问。数据集的「小」不是缺陷本身，误读它的覆盖范围才是。

4.5 测试集不公开带来的复现边界

预赛与决赛阶段使用的测试数据未经 Zenodo 发布，仅在平台评审时经容器接口接触算法。这保证了评审的一致性，但也意味着第三方无法在本地复算官方榜单分数，只能复现训练与验证部分的指标。引用官方名次时应注明「来源为 grand-challenge.org 官方排行榜」，并给出查看日期——迟到提交机制意味着榜单是活的，名次可能随新提交而变化。

4.6 一个值得注意的正面结果：自监督方法登顶

赛事结果里最有方法学含金量的一条，是夺冠路线的类型。冠军方法 Restormer3D 在训练全程不使用任何干净目标：先用带噪栈做时间中值预热（以逐栈时间中值图作为结构先验），再进入 3D 盲点掩码训练——随机体素被邻域值替换、模型从空间与时间上下文预测被掩值，这是 Noise2Void 目标在三维数据上的直接推广。它的四个阶段全列第一（内容与噪声级两条赛道、预赛与决赛两个阶段），说明在这份基准的受控条件下，不需要干净参照的自监督路线足以压过可利用合成目标的监督路线。对资源有限的团队，这是一个可操作的信息：起步阶段自监督方法在这类任务上的投入产出比有基准背书。当然，这一结论的适用范围仍受 §4.4 所述场景规模限制。

§5 能做什么：任务清单与最小可执行示例

5.1 四类适配任务

第一类是去噪算法研发本身：监督式（需自行构造配对目标）、自监督式（Noise2Void 一族盲点方法）与无监督式（如基于统计建模的方法）都可以在这份数据上开发与初筛。第二类是评估方法研究：因为存在精确的干净参照，任何「真实数据无参照评估」的新指标都可以先在这里对照金标准校准——这正是主办方发起评估方法征集的用意。第三类是噪声模型研究：受控注入的噪声为分析「噪声强度—重建质量退化」的关系提供了可扫参数的实验台。第四类是教学与工程演练：数据量适中、无伦理门槛、任务定义清晰，适合作为显微图像修复课程的实战材料。

四类任务对数据的使用深度并不相同，选型时可据此判断投入。去噪研发是全量使用：训练与验证都要吃透，最好再复现一个强基线做锚点。评估方法研究可以只用验证集——F0 加三个噪声级的组合自成闭环，训练集并非必需；这条线的产出（能在无参照条件下逼近有参照指标的方法）恰恰是整个基准体系向真实场景延伸的关键缺件。噪声模型研究的重心在文件之间的差分结构——同一场景不同噪声版本之差就是噪声实现，可用于校准合成器参数。教学场景则可以只取单个文件的前若干帧做演示，把完整流程跑通的目标排在指标精度之前。判断自己属于哪一类，再决定下载哪些文件，能省下不小的存储与算力开销。

5.2 最小可执行流程

以 Python 生态为例的最短路径：从 Zenodo 下载验证集，用 tifffile 读入 F0 与任一噪声级栈；对带噪栈先做一个朴素基线（如各帧高斯滤波或时域中值），再与 F0 逐帧计算 PSNR/SSIM 得到空间轴基线分；时间轴上对若干代表性像素（神经元体）提取随帧变化的强度轨迹，比较去噪前后轨迹与 F0 轨迹的偏差，即可体会「保动态」与「保形态」为何是两个指标。跑通这个闭环后，再接自监督训练或接入冠军算法的公开描述复现高级基线。

这条流程有几处容易踩实的工程细节。读栈时注意 TIFF 的位深与帧序——栈的三个轴是帧、行、列，用错轴序会把时间维当空间维处理。算 PSNR/SSIM 前先确认两栈的强度量程一致，带噪与干净版本若位深不同需要先做量程对齐，否则指标整体偏移。时域中值基线虽然朴素，但它恰好是冠军方法的预热步骤，保留在流程里有双重价值：既是下界参照，又是后续实现自监督流程的第一块积木。最后，所有实验把随机种子、所选帧范围与归一化参数写进实验记录，五个场景的小规模意味着单帧结果的方差不可忽略，结论应基于全栈或固定采样协议。

5.3 结果解读的参照系

解读本地实验结果时有两个外部参照。一是官方榜单：最终阶段两条赛道各有 3 个方法参与排名，冠军 Restormer3D 在全部四个阶段（两赛道 × 预赛决赛）均列第一，其算法页公开了架构细节（约 3.6 百万参数的 3D Restormer 编解码器、时间中值预热加盲点自监督训练、提交时对每个输入栈做短程微调），可作为强基线的实现蓝图。二是姊妹赛 MDC25 的结果公告：同样是监督与无监督方法同场，其排行榜结构可作为解读 CIDC25 参与规模的背景。注意本数据集的样本量小，方法间分差不宜过度解读。

5.4 一个易被忽略的前置检查

动手训练之前先做噪声画像：对每个训练样本逐帧统计强度直方图与帧间差分的方差，确认两种噪声强度在数值上的实际差距，再决定归一化与损失函数。跳过这一步的常见后果是模型对其中一个噪声档欠拟合，进而在噪声级泛化赛道的跨档评估中表现骤降——这不是模型能力问题，而是预处理假设错了。

5.5 时间轴指标的实操建议

空间轴指标（PSNR、SSIM）工具链成熟，时间轴指标的实现则需要自己动手，这也是本数据集最能产生方法增量的一处。可行的做法分三步：先做兴趣点选取——用 F0 参照栈做简单的神经元分割或局部极大值检测，得到一批代表性体素；再提取轨迹——在每个体素上取各带噪版本随帧的强度序列，与方法输出做同样操作；最后算轨迹级误差——轨迹与 F0 轨迹的逐点偏差之外，还应看事件层面的保真（活动峰的幅值、宽度与起点时刻是否被保留），因为峰值检测类下游任务对这些事件特征最敏感。把这一套写成可复用脚本，就能同时服务方法对比与评估方法研究两条线。

5.6 与姊妹赛数据搭配使用

如果研究问题是「去噪方法在显微图像上的一般表现」，把本数据集与 MDC25 的数据搭配使用可以形成互补的证据链：MDC25 覆盖一般显微图像的监督去噪设定（其四张榜单按不同任务与评估口径划分），CIDC25 补上钙成像这一时间敏感模态的受控评估。同一种方法在两个基准上的相对位置，比单一基准上的绝对分数更能说明方法的优势是模态特异的还是普适的。两个基准都是 Zenodo 公开发放，搭配的工程成本很低。

§6 常见误读与引用陷阱

常见说法	实际口径	证据位置
CIdC 是纤毛（cilia）细胞图像挑战赛	CIdC 是 Calcium Imaging Denoising Challenge 的缩合，对象是钙成像视频去噪，与纤毛无关	grand-challenge.org 官网页面标题与任务说明
数据包含真实双光子采集的神经活动记录	全部为 in-silico 合成数据，模拟器生成、噪声受控注入	Zenodo 两条记录摘要（synthetic / in-silico 字样）
数据集有数千个样本	只有 5 个独立场景（训练 4 + 验证 1），每个是一个 1500 帧的视频栈；「多」的是帧，不是场景	Zenodo 文件清单
训练集自带 noisy-clean 配对	训练集只有带噪文件（两种强度），配对目标需使用者自行构造；干净参照只随验证集 F0 发布	Zenodo 训练记录摘要与文件列表
验证集与训练集噪声设置一致	训练两种噪声强度、验证三个噪声等级，存在不对齐	两条记录摘要分述
测试集可以从 Zenodo 下载	测试数据未经 Zenodo 发布，仅经 grand-challenge.org 平台在评审中使用	Zenodo 无测试记录；评审流程见挑战赛页面
它与 MDC25 是同一挑战赛的两个名字	是 AI4Life 2025 并行的两个独立挑战赛，任务与数据各自独立，MDC25 面向一般显微图像监督去噪	Euro-BioImaging 官方结果公告
许可不明、需向主办方申请数据	CC BY，公开直链下载，无需注册或申请	Zenodo 页面 license 标注
挑战赛已随 AI4Life 项目结束而关闭	资助项目已结束，但挑战赛平台保留开放，接受用于基准测试的迟到提交	官方公告「late submissions are welcome」
冠军方法在真实数据上也验证了优势	官方评估全部基于合成数据；向真实场景的迁移需要另行验证	挑战赛设计说明与算法页自述

6.1 技术性陷阱

引用编号混淆。 训练集的 Zenodo 记录号与 DOI 尾号不同（记录 15799506，DOI 10.5281/zenodo.15799507）；验证集类似（记录 15807610，DOI 10.5281/zenodo.15807609 与 15807610 两个 DOI 并存）。引用时写 DOI，写记录号则注明是 Zenodo record。

版本漂移。 验证集记录存在 3 个版本。复现他人结果前核对所用版本的 md5 校验值；两篇结果对比若基于不同版本，分数差异可能来自数据而非方法。

缩写时点差异。 官方文件中同时出现 CIDC25、CIDC 2025 与 AI4Life-CIDC25 三种写法，指同一实体；排行榜的阶段名另有 Preliminary/Final 与两条赛道名的组合（共四个榜）。检索与记分时应写全「赛道 + 阶段」，只写「CIDC25 第一」无法定位到具体榜。

格式假设。 平台提交接口接受 .mha 或 .tif，本地处理用 tifffile 读取时注意位深与帧序约定；把 [T,H,W] 误读为 [Z,Y,X] 会把时间轴当空间轴处理，指标全部失真。

§7 在生态中的位置

7.1 在 AI4Life 项目产出中的位置

AI4Life 项目的产出可以粗分为三层：基础设施层（BioImage Model Zoo、模型互操作标准）、服务层（Open Calls 支持的 22 个生物图像分析项目）与基准层（三届 Public Challenges）。CIDC25 属于基准层 2025 年届次，与同届的 MDC25 构成「去噪」主题的双赛结构——MDC25 回答「监督去噪在一般显微图像上能做到什么」，CIDC25 回答「钙成像这一时间结构敏感的模态该怎么评」。项目总结文章给出的整体判断是：对生命科学中的 AI 应用而言，限速环节往往不是模型而是数据、标注与共享基础设施；CIDC25 以合成数据补上评估基准这一环，正是对这一判断的直接回应。

7.2 与去噪方法谱系的接驳

挑战赛的方法谱系两端都有脉络可循。自监督一侧，冠军方法直接建立在 Noise2Void 的盲点训练目标之上，并沿 Restormer 的注意力架构做三维扩展——这条「无参照训练 + 现代架构」的路线与近年显微图像修复的主流一致。经典一侧，时域滤波与多帧平均等传统手段可作为朴素基线。评估方法征集这一子议题则接驳到更大的开放问题：如何在真实采集（无干净参照、无人值守）条件下自动评断去噪质量，这一问题的答案将决定此类合成基准结论能否外推。

7.3 基础设施侧的连带资产

围绕这个挑战赛产生的可复用资产不止数据本身。评审流程沉淀在 grand-challenge.org 的容器化算法提交框架上，该框架被大量挑战赛复用，参赛一次即可熟悉通用流程。冠军方法的算法页把架构、训练目标与提交时自适应策略写成结构化描述，可直接作为方法实现的规格说明。更外围一层，AI4Life 项目维护的 BioImage Model Zoo 提供标准化的预训练模型发布格式，与去噪方法生态天然衔接——把自己的去噪模型按该格式发布，可以让方法被 ilastik、deepImageJ、QuPath 等终端工具直接加载，这是把「在 CIDC25 上验证过」转化为社区可用工具的现实路径。项目总结文章还给出一个对后来者有用的结构性判断：生命科学 AI 的限速环节通常不是模型而是数据、标注与共享基础设施——这份数据集正是针对「评估基准缺失」这一基础设施短板的补位之作。

7.4 对同类基准建设者的可借鉴点

把 CIDC25 的设计决策拆开看，有四条对建设同类基准的人有直接参考价值。第一，参照可得性优先：与其追求「更真实的带噪数据」，不如先保证参照严格干净——合成路线牺牲一点真实性，换来的是全部指标的可复现性。第二，把评估的两难显式化为赛道：当方法可能在多个正交维度（此处是内容与噪声强度）上各有优劣时，拆榜比加权合成单一分数更诚实。第三，数据先行：训练与验证数据在赛程开始前完整公开，让方法开发与基准对比在赛前就能进行，赛事本身只裁决提交——这让赛事的资源集中在评审一致性上。第四，评估方法的缺口单独立题：主办方没有假装合成基准能解决真实数据评估，而是把「无参照评估」作为并列的社区问题发出征集，这种把局限写成议程的做法值得同类项目效仿。

7.5 检索路径建议

按需求选入口：要数据，直接搜 Zenodo 记录号或 DOI；要比方法，搜 grand-challenge.org 上的挑战赛名与算法页；要背景与方法学脉络，搜 AI4Life 项目官网与联盟总结文章。中文语境下注意用「钙成像去噪」而非「纤毛」做关键词，避免被字面相近的缩写带偏。

§8 总结

8.1 三句话总结

CIDC25 是 AI4Life 项目 2025 年举办的钙成像去噪公开挑战赛，其 Zenodo 公开数据（CC BY）以 5 个合成视频栈提供精确 ground truth 与受控噪声。评估沿空间重建与时间动态两个维度展开，并拆分为内容泛化与噪声级泛化两条赛道，决赛各有 3 个方法参赛，自监督方法 Restormer3D 在全部四个榜位列第一。它是受控条件下去噪方法对比与评估方法研究的合适试验台，但不构成对真实采集场景的覆盖性验证。

8.2 适合谁

显微图像去噪方法的研究者（尤其自监督路线）、需要无门槛基准做课程或工程演练的教学者、研究「无参照图像质量评估」的方法学团队，以及想在发布前为去噪模型做受控对比测试的算法工程师。对第一类使用者，这份数据的价值在于严格可比——同一组场景、同一组噪声参数下，方法间的差异全部来自方法本身；对第二类，价值在于零门槛——没有伦理审批、没有访问申请、数据量小到一台工作站即可完成全部流程；对第三类，价值在于金标准可得——验证集的 F0 干净版让任何新提出的评估指标都能先在「已知答案」上校准，再谈真实数据上的适用性；对第四类，价值在于结果可迁移的边界清晰——合成基准上的排名不能直接外推，但方法设计的经验（尤其是冠军方法的两段式训练策略）是现成的。

8.3 不适合谁

需要大规模真实临床或实验显微数据的研究者；期望直接获得「真实数据去噪金标准」的用户；需要数千样本级多样性的预训练用途；以及无法接受合成-真实差距这一前提的下游宣称。此外还有两类容易被忽略的不适配：一是把这份合成数据当预训练语料的做法——五个场景的多样性不足以支撑通用表征学习，预训练应回到大规模真实采集数据；二是把榜单名次当作方法选型终审的做法——参赛方法的数量与类型有限，未被参赛方法覆盖的方法族（例如基于显式统计建模的经典方法族）在这份基准上缺少代表，选型决策需要补充自己的对照实验。

8.4 30 秒决策卡

需要精确 ground truth 评去噪 → 用；需要真实双光子数据 → 不用（另寻公开采集数据集）；需要钙活动分析或解码任务 → 不用（这是去噪基准，无行为学或电生理标签）；需要快速可复现的对比实验 → 用（下载即跑，无申请环节）。

§9 与库内条目的关系

9.1 在数据集景观中的位置

在数据集景观中，CIDC25 的近邻有三类。其一，同属 grand-challenge.org 生态的挑战赛数据集（如多期挑战赛的分割与检测任务），共享同一提交评审平台与排行榜文化。其二，同属 AI4Life 系的姊妹条目（ai4life-mdc25、ai4life-mdc24），检索去噪基准时应一并查看。其三，神经科学方向的钙成像分析数据集（神经活动解码、神经元分割等），与本文所述数据集构成「同一模态、不同任务」的互补。三者均可在相关条目的「参见」区互链，检索路径上从「去噪基准」与「挑战赛数据集」两个入口都能到达本文。

9.2 建议互链条目

待入库后与以下方向条目建立互链：同为 AI4Life 去噪系列的 ai4life-mdc25 与 ai4life-mdc24（发布后以实际 rid 为准）；grand-challenge 平台系挑战赛数据集（如 conic-challenge 等分割类挑战赛）；神经科学类目下的钙成像或双光子影像数据集。互链锚点统一使用「去噪基准」「挑战赛数据集」两个受控标签，避免以「纤毛」等字面相近词误挂。

§10 引用与复用检查清单

引用或复用本数据集前，按序核对以下十项：

#	检查项	合格口径
1	实体名称	写全称 Calcium Imaging Denoising Challenge 2025，缩写 CIDC25，勿与纤毛或 MDC25 混淆
2	数据性质	标明 synthetic / in-silico，不得表述为真实采集数据
3	规模表述	5 个独立场景；帧数与画幅为栈内维度，不得写成样本数
4	引用对象	引 Zenodo DOI（训练 15799507 / 验证 15807609），无数据论文可引
5	许可	CC BY，署名 Li Xinyang 与 Edoardo Giacomello 及记录号
6	版本	注明所用验证集版本与 md5 校验值
7	排名引用	注明赛道 + 阶段 + 榜单查看日期
8	结论范围	限定为「在该合成基准上」，不得外推为「在钙成像去噪上」
9	算法复用	冠军方法限研究用途，复用其代码另查算法页条款
10	资助致谢	涉及项目背景时标注 EU Horizon Europe 101057970

附录 A：关键数字速查

数字	含义	首次出处
2025	挑战赛年份；数据 7 月发布，结果 9 月公布	Zenodo 记录日期
5	独立合成场景数（训练 4 + 验证 1）	Zenodo 记录摘要
2 / 3	训练噪声强度数 / 验证噪声等级数	Zenodo 记录摘要
1500 / 490	每栈帧数 / 画幅边长（像素）	Zenodo 记录摘要
CC BY	数据许可类型	Zenodo 页面
101057970	AI4Life 项目 Horizon Europe 资助协议号	挑战赛官网页脚

附录 B：缩写表

缩写	全称	含义
CIDC25	Calcium Imaging Denoising Challenge 2025	本文主体挑战赛
MDC25	Microscopy Supervised Denoising Challenge 2025	同届姊妹挑战赛（一般显微监督去噪）
GECI	Genetically Encoded Calcium Indicator	遗传编码钙指示剂，钙成像的分子工具
PSNR / SSIM	Peak Signal-to-Noise Ratio / Structural Similarity	常用重建质量指标
N2V	Noise2Void	不需要干净目标的自监督去噪训练目标
FAIR	Findable, Accessible, Interoperable, Reusable	数据管理原则
GT	Ground Truth	参照真值

附录 C：DAIMS 评估全表

维度	评估
D 可发现性 Findable	高。Zenodo DOI + grand-challenge 独立页面 + 官方博客公告，多层可检索；slug 关键词唯一
A 可获取性 Accessible	高。公开直链下载，无注册、无申请、无 DUA；平台提交仅需一般账号
I 互操作性 Interoperable	中。TIFF 是通用格式，但无标准元数据侧车（BIDS/OME 类），噪声参数细节需读发布说明
R 可复用性 Reusable	中高。CC BY 许可宽松；限制在合成-真实差距与小样本规模，用于受控对比而非覆盖性结论

附录 D：未覆盖内容

真实采集的钙成像对照实验；合成器（模拟器）的实现细节与代码链接；各参赛方法的完整技术清单（平台算法页逐一记载，此处只展开冠军方法）；测试集样本构成；MDC25 的排行榜细节（另条目覆盖）。后续如有联盟总结论文正式发表、或平台公布更多参赛算法的结构化描述，可据此增补相应小节并复核冠军方法一节的表述。

附录 E：检索模板

数据下载：site:zenodo.org AI4Life-CIDC25-Training / -Validation
挑战赛页：ai4life-cidc25 grand-challenge
结果公告：AI4Life Denoising Challenges 2025 results eurobioimaging
背景综述：AI4Life Open Calls and Public Challenges why how what we have learned

附录 F：引用格式建议

Li, X. & Giacomello, E. AI4Life-CIDC25-Training. Zenodo, 2025.
doi:10.5281/zenodo.15799507（CC BY）

Li, X. & Giacomello, E. AI4Life-CIDC25-Validation. Zenodo, 2025.
doi:10.5281/zenodo.15807609（CC BY）

挑战赛页：https://ai4life-cidc25.grand-challenge.org/

编辑说明

• 核验时间：2026-10-18（写作代理 agent-a-cidc，cycle 123）。
• 核验方式：三轮网络核验——grand-challenge.org 挑战赛官网全文抓取、Zenodo 训练与验证两条记录（15799506 / 15807610）及 OpenAIRE 聚合页互证、Euro-BioImaging 官方博客 2025-09-15 结果公告；AI4Life 项目背景取自项目官网与 AICell Lab 项目页。
• 实体确认：CIdC = Calcium Imaging Denoising Challenge（钙成像去噪），非纤毛（cilia）相关实体；与库内/池内 ai4life-mdc25、ai4life-mdc24 为姊妹挑战赛，非同实体。DB 查重（ai4life / cidc / calcium / denois / mdc 关键词）零命中，确认无撞库。
• 双口径存照：①「挑战仍开放 late submission」与「AI4Life grant 已结束」并存，按「项目结束、平台保留」口径成稿；②训练集两种噪声强度 vs 验证集三个噪声级，按各自记录原文分述；③验证集 DOI 存在 15807609 与 15807610 两个尾号（概念 DOI 与版本 DOI），引用建议用 15807609。
• 遗留疑点：测试集未经 Zenodo 公开发放（仅平台评审使用）；决赛两赛道各 3 个方法的完整名次明细官方公告未列全，正文按参与数口径表述。
• 版本日志：v1（2026-10-18）初稿，按 v4 体例成稿。

---

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：

• tus-rec — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• ai4life-mdc24 — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• ultrasoundenhance2023 — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• xpress — 共享标签：神经科学 / 挑战赛数据集 / 评测基准
• 3dteethland — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• psfhs — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• ldctiqac2023 — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
• hbn-eeg — 共享标签：医学影像 / 神经科学
• crossmoda2022 — 共享标签：医学影像 / 神经科学 / 挑战赛数据集
• toothfairy2 — 共享标签：医学影像 / 挑战赛数据集 / 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。