信息速览
ARCADE 是 2023 年随 MICCAI 举办的冠脉造影挑战赛及其配套数据集，全称 Automatic Region-based Coronary Artery Disease diagnostics using x-ray angiography imagEs。它提供两条任务，各 1,500 帧经专家标注的有创冠状动脉造影图像：一条按 SYNTAX 段号为血管逐段分割，另一条标出狭窄斑块的位置与轮廓。数据来自哈萨克斯坦阿拉木图一家心脏病研究所的造影档案，共 1,500 例，以 CC0 协议在 Zenodo 开放下载。
它要解决的是一个被 CT 研究盖过的空白。冠脉造影是冠心病诊断与血运重建决策中最常用的成像手段，但它的狭窄判断长期靠医生目测「直径减少百分之几十」，观察者之间的分歧不小；与此同时，图像是二维投影，血管在三维空间里绕行，重叠与短缩会制造出并不存在的狭窄。公开的逐帧、逐斑块标注因此稀缺，ARCADE 补上了这一块。
入手时先分清任务再谈模型。做血管分割，就把掩膜覆盖率六到八成这个事实记进损失函数设计；做狭窄检测，就先接受 300 帧测试集上 Dice 0.40 是一个合理起点。划分按帧不按患者，跨划分泄漏这一条在使用前必须自己评估。数据下载不需要申请，但它是单中心数据，泛化结论要留出余量。
§1 它是什么
1.1 一句话定位与名称来历
ARCADE 的全称把研究对象、成像方式与目标写在了名字里：Automatic Region-based Coronary Artery Disease diagnostics using x-ray angiography imagEs，直译是「基于区域的、使用 X 光血管造影图像的冠心病自动诊断」。缩略词按首字母拼成 ARCADE，恰好与英文「街机」同形，这是命名的巧合而非隐喻。
挑战赛由 MICCAI 2023 的卫星赛事承载，2023 年 10 月 12 日在温哥华以半天议程举行。按官网描述，赛事设两条受监督任务，均为实例分割：冠状动脉分割与狭窄检测。官网在介绍任务时还补了一句期望——参赛模型应当具备对给定图像数量做有效增广、以提升稳健性的能力。这句话的实际含义是：单任务千帧级的训练量，对一条细长管状结构的实例分割来说偏紧，赛事方预期参赛者要在数据增广上下功夫，而不是指望靠样本量取胜。就造影图像的形态学变化而言，对比度、旋转、缩放与弹性形变都可增广，但投照角度对应的解剖投影关系不能随意伪造，这一点在赛事说明中未提及。
与许多挑战赛不同，ARCADE 的数据集并非赛后「顺带」公开。官网首页在赛事结束后更新了一条公告，宣布配套数据集论文已在开放获取渠道发表，并给出论文链接；论文的 Data Records 一节再指向 Zenodo 的具体记录。挑战页面、数据论文、Zenodo 记录三者构成一条完整的发布链，这也是判断该数据集真实性与口径的主要依据。
1.2 谁做的、在哪做的
数据采集方是位于哈萨克斯坦阿拉木图的心脏病与内科研究所（Research Institute of Cardiology and Internal Diseases），合作方为哈萨克斯坦国立医科大学（NJSC Asfendiyarov Kazakh National Medical University）。伦理审批来自后者的地方伦理委员会，批件号 LECAKNMU #1121，因研究属回顾性资料分析，委员会免除知情同意。
标注与技术支持由赛事的技术团队承担，其 GitHub 组织名为 cmctec，仓库 cmctec/ARCADE 存放格式转换与评估脚本；官网的联络邮箱也指向同一技术方。数据论文作者共 15 人，涵盖临床、影像与工程三类角色。数据论文发表于 Scientific Data，DOI 10.1038/s41597-023-02871-z。
1.3 版本与发布链
对外可见的版本节点有三处，时间上有先后，内容上有差别。
第一是提交阶段的临时版本。官网上保留了 2023 年的滚动公告，其中一条写「数据集已更新，加入验证集」，说明早期发放的训练包不含公开验证划分，验证集是后来补进去的。
第二是 Zenodo 记录。当前记录号为 10390295，其版本字段标注为 COCO，对应以 COCO JSON 为标注载体的打包；概念 DOI 为 10.5281/zenodo.7981244，概念 DOI 在记录更新时保持不变，可用于长期引用。
第三是数据论文。论文给出的目录结构与 Zenodo 记录一致，都分 syntax 与 stenosis 两个顶层目录，各自下设 train、val、test。
三个节点之间没有发现实质内容冲突，差异集中在验证集是否随包发布、以及标注载体是否为 COCO 这两点上。引用时用概念 DOI 更稳妥；要锁定某一具体打包内容，则用具象 DOI。
1.4 为什么放在冠脉造影上
冠心病的诊断路径中，冠状动脉造影居于枢纽位置。官网背景段落把它描述为：使用对比剂与 X 射线实时观察血管内的病变，既能检出狭窄，也能在室性介入与支架置入时提供控制依据；同时它也是血运重建方案规划的基础，依据是闭塞程度与被累及段。
这段话也点出了痛点：要据此规划治疗，医生必须先把血管分成段、判断哪一段狭窄、狭窄多重。这件事在临床上是半自动的——造影机自带定量冠脉造影软件可给出参考直径与狭窄百分比，但操作者仍需目测确认，段号划分则完全依赖医生的解剖知识与 SYNTAX 评分体系。
判读的困难可以拆成三步。第一步是选帧：一次造影有数百帧，医生要在其中找出对比剂充盈最充分、重叠最少、病变暴露最清楚的那几帧，这一步决定了后面所有判断的输入质量。第二步是判段：把画面里的血管与 SYNTAX 的段号对上号，这依赖对解剖的熟悉程度，也依赖投照角度——同一个段在 LAO 头位与 RAO 足位里的走向完全不同。第三步才是判狭窄：在选定的一帧上估计管腔直径相对参考直径缩短了多少，参考直径本身也需要医生凭经验从邻近正常段外推。
三步里每一步都有不确定性，而最终结论往往只写一个百分比。这就是窄化的地方：观察者之间的分歧被压缩成一个数字，分歧的来源却不被记录。QCA 软件的作用是把第二、三步的部分判断变成可重复的计算，但它依然要求操作者选定参考段与病变段，选择本身又引入主观性。ARCADE 的标注流程正是在这一背景下设计的：单专家初标保证效率，两名资深医生交叉复核压缩个体偏差，共识定稿作为最终标签。
论文对既有工作的评价是：面向冠脉造影血管分割的研究很少，在造影图像中手工勾选血管段与狭窄病灶既昂贵又耗时。ARCADE 的目标因此不是提出一个新模型，而是把「段号血管掩膜 + 斑块实例掩膜」这套标注做成可比的公开基准，让不同方法在同一批图像、同一套指标上比较。
1.5 与相邻数据集的分界
冠脉方向的公开数据不少，但多数落在 CT 侧。以 CTA 为基础的冠脉分割数据集通常提供三维体数据与中心线，任务是提取整棵冠脉树；ARCADE 的图像是二维投影，每一帧只是一次注射、一个投照角度下的一瞬间，血管在画面里可能互相重叠、也可能被短缩。
另一类相邻资源是导管室场景数据，记录的是器械推进、导丝操作与透视序列，目标是器械跟踪与动作理解，不涉及管腔与狭窄。还有一类是冠脉钙化评分数据，关注的是非增强 CT 上的钙化积分，与造影判读也不是同一件事。
这个分界在使用时有实际后果：以 CTA 模型直接迁移到 ARCADE，会遇到投影重叠、对比度不均、导管与缝线伪影这三类在断层图像中不突出的干扰；反过来，把 ARCADE 上训练的分割模型用于 CTA，也需要重新处理层厚与窗宽窗位。两者共享解剖学先验，不共享成像物理。
§2 数据构成
2.1 规模：三个数字各是什么
先把最容易被转述混淆的一组数字拆开。官网的挑战说明里写的是「1,500 张标注冠脉的图像与 1,500 张标注狭窄的图像，用于训练与测试」，以及「在 300 张图像上评测，两条任务相同」。数据论文的表述更细：共采集 3,000 帧，1,500 帧用于血管分类，1,500 帧用于狭窄检测，随后划分为训练 1,000、公开验证 200、私有测试 300。
两组说法并不矛盾，合起来是同一个结构：两条任务各自拥有 1,500 帧，其中 1,000 帧训练、200 帧公开验证、300 帧私下评测。所以「1,500」是单任务的标注池，「300」是单任务的评测集，「3,000」是两任务合计。任务头曾给出的「500」在官网与论文中都找不到对应口径，不能对应到任何一个划分。
需要提醒的是，三个划分之和恰好等于单任务的标注池，说明两条任务各自是独立的帧池，而非同一批图像被两套标注共用。论文的措辞是「1,500 frames were selected for artery classification and 1,500 frames for stenosis detection」，两句分指两批。这不是排版上的重复，而是两条任务在抽帧阶段就被分开的结果：血管分割希望每帧覆盖尽量多的段，狭窄检测希望每帧含至少一个达到阈值的病灶，两个目标并不总是落在同一帧上。
2.2 病例与采集
队列来自前述研究所的造影档案，共 1,500 例，均为疑似冠心病患者。论文给出的人口学数字是：平均年龄 45.8 岁、中位年龄 60.0 岁，男性占 57%（最小 21 岁、最大 85 岁），女性占 43%（最小 19 岁、最大 90 岁）。平均与中位相差十余岁，在千例以上的成人队列上并不寻常：年龄分布若接近对称，两者应当接近；若偏态明显，通常是年轻病例集中拉低均值。论文未给出分位数或直方图，因此无法判断这组数字反映的是真实的偏态分布，还是录入或统计口径的误差。后续核对人口学分布时应以原始论文为准，不宜直接引用单一统计量。
采集设备为两台造影机：Philips Azurion 3 与 Siemens Artis Zee。图像尺寸统一为 512×512 像素。对比剂使用 Omnipaque 与 Visipaque。采集协议要求患者仰卧于造影台，心率经 β 受体阻滞剂控制在每分钟 70 至 85 次，经股动脉置鞘、导管送入冠脉后注射对比剂。
投照角度按靶血管安排：左冠状动脉（LCA）取四个体位，右冠状动脉（RCA）取两个体位，具体包括 LAO 与 RAO 的足位（caudal）、后前位（PA）与 RAO 头位（cranial）的组合。原始资料以 DICOM 格式存储，除帧序列外，患者姓名、检查日期、设备等元数据在发布前一律清除，这是隐私处理的唯一说明。
2.3 抽帧规则
抽帧是这份数据集最关键的一道工序，也是理解标注密度的前提。
每段造影录像约 60 至 120 帧，六个体位合计每例 300 至 800 帧。从中每体位挑 0 至 2 帧，所以单个患者最终进入数据集的帧数是 0 到 12 帧。挑选标准有四条：冠脉内对比剂充盈最佳；图像最清晰、运动伪影最少；包含目标病灶，尤其是狭窄斑块；临床相关性高，例如三支病变病例被优先纳入。
为了增加多样性，论文还说明左前降支（LAD）、左回旋支（LCX）与右冠（RCA）的体位在数据集中大致等比例出现。这一条在测试集上可以部分验证：论文给出 300 帧测试集中恰有 100 帧为 RCA 体位、195 帧含左主干实例。
抽帧的后果需要明确：单帧不是一次检查，而是一次检查中的一瞬。同一患者的 0 至 12 帧可能来自不同体位、不同心动周期、不同对比剂充盈程度，它们在解剖上相关，在成像上差异很大。
2.4 标注体系：按 SYNTAX 段号
血管标注以 SYNTAX 评分的段划分法为基准。该体系把冠脉当作一棵树：右冠、左回旋支、左前降支为三大支，左主干是左前降支与回旋支的共同起源；三大支再各自分为近、中、远段，部分段落还带侧支，如回旋支的钝缘支、前降支的对角支。
每个段被赋予一个字母数字标识，主段编号从 1 起，数值越大表示位置越深、重要性越低，且下游段的编号总大于其上游段。更小的分支（钝缘支、后侧支、对角支）在后缀上以字母 a 至 c 表示距起源的远近，a 最近、c 最远。完整对应关系由 SYNTAX 原始文献给出，ARCADE 直接沿用。
论文在描述类别编号时出现了两处不同表述：正文说标识「ranging from 1 to 16 c」，而描述 JSON 结构时又说 categories 字段的 id「ranging from 1 to 26」。二者可能分别指主段编号与含侧支的类别总数，但论文未作说明。下载后应以 JSON 中 categories 的实际条目为准。
2.5 狭窄标注的定义与判定
狭窄的定义直接引自 SYNTAX 评分：血管直径在 1.5 毫米以上者，管腔缩窄达到或超过 50%，即构成一个狭窄病灶。
判定方式在论文中有明确交代：斑块位置既参考造影系统内置的定量冠脉造影（QCA）软件的计算结果，也由心脏科医生目测判断。这一点值得强调，因为它同时否定了两个流行的误传——说「纯目测」不准确，说「全部由 QCA 定量」也不准确。真实的流程是人机并用，而论文没有给出二者在最终标签中各占权重的比例，也没有说明分歧时以谁为准。
2.6 标注流程与一致性
标注用 CVAT 完成，这是一个基于网页的标注工具，支持像素级多边形与掩膜编辑，论文引用了其 Zenodo 记录。
流程分三步：每一帧先由一名专家独立初标；全部图像随后由团队中资历最高的两名医生交叉复核；最终标签取两名复核医生的共识。论文称这套多步校验保证了标注的精确性，但也坦率承认一个前提——对冠脉诊断而言，即使只是近似的位置指示，也足以引导医生判读，这句话实际上降低了像素级完美的必要性。
一致性测试的做法是：抽取 10 张样图，请六名介入心脏病学医生各自标注主要血管（含对角支与钝缘支，这些血管已接近 X 光造影的分辨率极限），再人工汇总出一个元标签，用 Dice 系数比较个人标注与元标签的相似度。论文结论是标注者之间一致性高，分歧主要集中在类别边界的细微差异，以及是否把细小血管纳入标注。表格中给出了 Dice 数值，但正文未复述具体数字。
2.7 掩膜覆盖率：一个必须记住的限制
论文在技术验证一节写得非常直白：造影图像上血管与背景的比例极低，而且掩膜只覆盖了血管总面积的约 60% 到 80%，因为医生只标注每张图上最重要的血管。
这一句直接决定了指标怎么读。按像素计算 Dice 时，模型若正确检出未标注的细小分支，会被当作假阳性扣分；模型若只学「标注了什么」而忽略「解剖上还有什么」，指标反而好看。论文为此设计了边缘加权损失，把血管边界的像素权重调高，对模型多检出的类血管结构少罚、对边界识别错误多罚，从而让模型敢于关注未标注血管。
2.8 字段可靠性表
| 字段 | 取值 | 可靠性 | 说明 |
|---|---|---|---|
| 图像尺寸 | 512×512 px | 依论文明确 | 全库统一，无例外说明 |
| 标注格式 | COCO JSON | 依论文明确 | images/categories/annotations 三字段 |
| bbox 格式 | XYWH | 依论文明确 | 左上角坐标加宽高 |
| segmentation 格式 | 边缘点多边形 | 依论文明确 | 论文写作 XYXY，指点的坐标对序列 |
| 类别编号范围 | 1–16 或 1–26 | 语义存疑 | 论文两处不一致，须以 JSON 为准 |
| 患者标识 | 无 | 依论文明确 | 元数据除帧序列外全部清除 |
| 帧级唯一 ID | 有 | 依论文明确 | images 字段的 id |
| 病灶面积 | bbox 面积 | 依论文明确 | 矩形面积，非掩膜像素面积 |
| 狭窄等级 | 无分级 | 依论文明确 | 只有「是/否狭窄」，无轻中重分级 |
| 投照体位 | 未披露字段名 | 未披露 | 测试集统计可侧面推断分布 |
§3 怎么拿到
3.1 下载路径
数据托管在 Zenodo，记录号 10390295，具象 DOI 为 10.5281/zenodo.10390295，概念 DOI 为 10.5281/zenodo.7981244。记录中只有一个压缩包 arcade.zip，约 451.6 MB，无需注册或申请即可下载。
解压后的顶层是两个目录，syntax 与 stenosis，分别对应血管段分割与狭窄检测两条任务。每个目录下再分 train、val、test 三个子目录，每个子目录内含 images 与 annotations 两个文件夹。图像为 PNG，标注为该划分对应的单个 JSON 文件，命名为 train.JSON、val.JSON、test.JSON。
竞赛期间的提交走 grand-challenge 平台，需要在赛事站点建队并上传容器或结果；赛事已于 2023 年结束，平台上的提交通道对评测已无意义，但榜单与说明页面仍可查阅。
3.2 许可与合规
Zenodo 记录的许可字段为 CC0 1.0，论文的 Usage Notes 也写明全部项目数据在 CC0 下自由可用。这意味着没有署名义务、没有非商业限制、没有派生作品限制。
CC0 不等于免于一切约束。这份数据是去标识化的医学影像，原始 DICOM 中的患者姓名、检查日期、设备信息已被移除，仅保留帧序列；但去标识化的彻底程度由发布方决定，论文未提供独立的隐私审计报告。使用方若要将数据用于再识别风险敏感的场景，需要自行评估所在司法辖区对医学影像二次使用的要求。
另有一层合规边界来自论文的使用说明：文章提交时，赛事方声明可提供仅限研究用途的同意书。这句话的语境是论文发表，不构成对数据使用范围的额外限制；数据本身仍以 Zenodo 标注的 CC0 为准。
3.3 代码与工具链
官方仓库 cmctec/ARCADE 提供若干脚本，功能包括：COCO 标注转二维分割掩膜、COCO 与 YOLOv8 标签格式互转、对比度与锐度增强、血管与狭窄分割模型的评估、以及二值分割结果的训练与后处理代码。
这条工具链解决了两个落地障碍。一是格式：COCO 的多边形标注要转成掩膜才能做语义分割训练，转 YOLO 标签才能做检测框架训练，官方脚本省去了自行实现的误差。二是预处理：论文中的对比度增强并非可有可无的花招，而是实验的一部分——增强后的图像在狭窄检测上假阳性更少，这一结论直接写进了基线表。
3.4 上手检查清单
下载后建议按以下顺序核对，避免在错误的假设上建模。
先看 JSON 的 categories 数量与名称，确认段号编排与论文的 1–16 还是 1–26 一致，并记下字母后缀的实际写法。再数 images 条目与磁盘上的 PNG 张数是否相等，COCO 文件与图像目录错配是这类数据集最常见的问题。接着统计 annotations 中 category_id 的分布，看哪些段号样本极少，侧支类别的稀疏程度会直接决定多类分割的可行策略。然后核对 stenosis 子集中「有斑块」与「无斑块」的帧数比例，这决定检测任务的类别不平衡处理。最后检查文件名与患者的关系——论文说元数据已清除，因此无法从文件名还原患者，划分泄漏只能从采集侧推断。
§4 质量与已知问题
4.1 一致性测试说了什么、没说什么
论文报告的一致性测试设计合理：10 张样图、六名介入医生独立标注、人工汇总元标签、Dice 比较。设计上它测的是「医生之间能否画出同一根血管」，而不是「多名医生能否对同一狭窄给出同一百分比」。
这里存在一个指向性的缺口。ARCADE 名字里的核心词是狭窄，而一致性测试的对象是血管掩膜。由心脏科医生判读狭窄百分比的观察者间一致性——这恰恰是临床中最受诟病的环节——在数据论文中没有对应的量化实验。论文只在一处顺带提到，狭窄判定是 QCA 软件与目测并用，未报告两法之间的一致率。
因此，说「ARCADE 证明造影狭窄判读可以标准化」是没有依据的；说「ARCADE 提供了医生共识下的狭窄参考标注」是准确的。这两句话的强度相差很远，引用时需要区分。
4.2 直径狭窄阈值的两难
狭窄定义取 50%，这是临床与 SYNTAX 评分中的常用分界。把阈值钉在 50% 有一个统计学后果：真实狭窄程度在 50% 附近波动的病例，标签对判读误差极度敏感。QCA 与目测之间几个百分点的差异，就足以把一帧从一个类别翻到另一个类别。
而 ARCADE 只给二分类标签，没有轻、中、重分级，也没有给出每个病灶的狭窄百分比数值。这意味着两件事：模型无法学「狭窄多重」，只能学「是否达到阈值」；评测也无法按严重度分层报告。对于临床决策而言，50% 与 90% 的处置完全不同，而这层信息在数据集中不可得。
论文没有说明这一取舍的理由。可以推断的是，二分类能显著降低标注工作量和一致性维护成本——多级分类要求医生对每个病灶给出精确百分比，而精确百分比正是他们之间分歧最大的地方。这属于推断，不是论文的陈述。
4.3 掩膜边界与细血管的处理
论文对一致性结果有一句关键解释：分歧主要来自类别边界的细微差别，以及细小血管是否纳入标注，并称这两者都不显著影响数据的临床价值。
这句话在临床上站得住，在机器学习上有代价。类别边界差异会让相邻段号的分界线在像素上漂移，多类分割模型学到的边界会偏软；细小血管的纳入与否，则直接决定了假阴性与假阳性在指标上的归属。论文自身也承认，在仅用标准权重的 U-Net 训练中，模型会把未标注的血管误当作背景，导致细小分支分割性能下降。
论文给的补救是边缘加权损失，思路是把血管边界像素的权重提高，同时降低对多检出类血管结构的惩罚。这只解决了「不敢检」的问题，没有解决「标不全」的问题——如果一段血管在掩膜里根本不存在，再好的损失函数也无法告诉模型它存在。
4.4 划分粒度与泄漏风险
论文只说明按帧划分，未说明是否按患者分组。数据集又主动清除了元数据，不提供患者标识。这两条合在一起，产生一个无法从数据侧验证的风险：同一患者的 0 至 12 帧可能同时出现在训练集与测试集。
风险的大小取决于抽帧的分散程度。若同一患者的帧全部来自同一次造影的不同体位，模型可能学到该患者的血管形态与对比剂充盈特征，从而在测试时获得虚高的分数；若同一患者的多帧被刻意分到同一划分，风险就消失。论文对此没有交代。
这一条不是 ARCADE 独有，帧级造影数据集普遍如此。但在使用基线分数做方法比较时，必须把它列为混杂因素：不同方法对患者特征过拟合的程度不同，帧级划分下的排名未必能迁移到患者级划分。
4.5 假设—支持—反对三列
| 假设 | 支持证据 | 反对证据 |
|---|---|---|
| 掩膜覆盖六到八成是刻意设计，为降低标注成本 | 论文明说医生只标最重要的血管；边缘加权损失正是为此设计 | 论文同时承认这会导致细小分支性能下降，属已知代价而非无损取舍 |
| 帧级划分对方法排名影响有限 | 抽帧强调体位均衡，同患者帧可能落在不同体位 | 数据集不含患者标识，无法验证；0–12 帧的跨度意味着同患者多帧共存于同一划分的可能性不低 |
| 二分类狭窄标签足以支撑临床相关研究 | SYNTAX 评分本身以 50% 为界，二分类与评分体系一致 | 临床处置依赖严重度分层，50% 与 90% 的处置路径不同，二分类丢掉了这层信息 |
| 两台造影机带来设备多样性 | Philips 与 Siemens 各一台，对比剂两种 | 仍是单中心两台机器，设备谱系远窄于多中心数据集；未见跨设备分层结果 |
| 六名医生的一致性足以背书标签质量 | 多步校验、双人交叉复核、共识定稿 | 一致性测试只覆盖血管掩膜，未覆盖狭窄百分比判读 |
4.6 已知的标注空缺
论文没有列出完整的「未标注清单」，但从正文可推出若干空缺：侧支循环未标注；钙化斑块与支架内再狭窄没有单独类别；造影帧之外的透视序列、电影序列未纳入；桥侧支与侧支供血路径不涉及。
对研究设计的影响是直接的。想研究支架内再狭窄，这份数据帮不上；想研究钙化对判读的干扰，也没有对应的标注子集。它的能力边界是「原生血管上的狭窄检测与段号分割」，超出这个范围的题目需要另找数据。
4.7 图像质量的固有波动
论文把造影图像的挑战归纳为：照明不均、对比度低、存在其他组织与导管造成干扰。这三条在数据中的表现值得展开。
照明不均是投影几何造成的——X 射线源到探测器的距离与角度决定了图像中心与边缘的剂量差异，导致同一血管在不同位置的亮度不同。对比度低则与对比剂浓度直接相关：注射力度、注射时刻与心动周期的配合，都会改变同一段血管在相邻帧中的显影程度。其他组织与导管的干扰是结构性的：肋骨、脊柱、膈肌、起搏导线、缝合线、导管本身都会在投影中与血管重叠。
这三类问题在断层成像中要么不存在（重叠），要么表现不同（照明不均更多表现为伪影与噪声）。用 CT 的经验直接迁移到造影，容易低估预处理的重要性。
值得补充的是短缩效应。一根在三维空间中斜向走行的血管，投影到某个投照平面上会被压短；若这一段的真实长度被压缩，医生看到的管腔轮廓就可能像是一处收缩，短缩越严重，假狭窄的嫌疑越大。解决办法本应是换一个几乎垂直的角度再看一次，而单帧数据无法提供这个条件——这正是抽帧策略与临床判读之间最本质的差异：医生靠多体位排除假象，模型只有一张图。
重叠血管带来的是另一类混淆。两根血管在投影中交叠时，交叠处的亮度叠加，管腔边界被另一根血管的轮廓切断，模型与医生都可能把交叠点误判为分叉或狭窄。再加上导管与导丝的金属高对比，以及缝线、起搏导线这类非血管结构，造影图像的干扰项比同尺寸的胸片更密集。
呼吸与心动周期则带来时间维度的问题。同一段血管在吸气末与呼气末的位置不同，在收缩期与舒张期的管径也不同。抽帧时若未控制相位，训练集里同一解剖段会出现形态差异明显的多个版本，模型可能把这种周期变化学成病变。论文的抽帧标准提到了「运动伪影最少」，这在一定程度上控制了问题，但没有披露帧的具体相位分布。
§5 能做什么
5.1 两条任务的定义层次
ARCADE 的两条任务容易混为一谈，实际定义层次不同。
血管分割（syntax 目录）是多类实例分割：每个血管段是一个实例，携带 SYNTAX 段号作为类别，输出是掩膜加类别。它要求模型不仅判断「这是不是血管」，还要判断「这是哪一段」——后者依赖解剖先验，因为同一根血管在不同体位下形态差异很大，而段号的定义是解剖学的、与投照角度无关。
狭窄检测（stenosis 目录）是单类实例分割：目标只有一个类别，即狭窄斑块，输出是斑块的位置与轮廓。它不要求模型知道斑块属于哪一段，也不要求给出狭窄百分比。
层次差别带来工作量的差别：多类分割要为每个段号维护边界一致性，标注者需要在相邻段之间反复确认分界；单类斑块标注只需框住病变，边界争议小得多。论文没有公布两条任务各自的标注工时，但这一结构差异足以解释为什么两条任务各用一批独立帧，而不是在同一批帧上叠加两套标注。
5.2 血管分割的最小可执行示例
下面是一个不依赖特定框架的处理骨架，用于跑通流程而非追求指标。
先读 COCO JSON，把每个 annotations 条目的 segmentation 多边形栅格化为二值掩膜，类别取 category_id 对应的段号；再把 PNG 图像与掩膜对齐，注意 COCO 的坐标以左上角为原点、单位为像素，无需缩放。接着按段号合并为多通道或单通道整数标签图，视模型而定。损失函数建议同时包含类别交叉熵与 Dice，并对边界像素加权，理由见 4.3。
评测要区分两层。语义层用像素级 Dice，但须记住未标注血管会被计为假阳性，所以绝对数值偏低是正常的；实例层用平均精度，按段号分别计算再取平均，才能反映「段号分对了吗」。只报语义 Dice 会掩盖段号混淆。
5.3 狭窄检测的最小可执行示例
狭窄检测的流程与通用目标检测接近，但有三处需要针对造影调整。
其一是预处理。论文的对比实验显示，经过对比度与锐度增强的图像，在狭窄检测上的精确率与召回率同时优于原图，Dice 从原图配置提升到 0.40。这一结论来自作者的三组对照（原图、增强图、模型预测的二值掩膜），可以直接复用。
其二是后处理。斑块在图像上是管腔的一段局部变细，而造影中导管、缝线与骨骼也会产生类似细线结构。论文提到模型能在存在缝合线与导管的情况下正确分割主要狭窄区域，但对细小血管的起止边缘识别不佳。使用时应当把「斑块实例」与「血管边界」分开处理。
其三是评估口径。官方用平均 F1，论文表格报告的是精确率、召回率与 Dice。三者对同一模型的排序未必一致，复现基线时须与论文表格对齐口径，否则数字不可比。
5.4 超出赛题但可行的用法
数据集的用途说明列出若干方向，包括病灶检测、血管分类、合成数据生成、血管语义分割、X 光去噪等。以下几条在实际研究中有可操作性。
预训练与迁移：单任务千帧级的多类掩膜可用于预训练细长管状结构的编码器，再迁移到视网膜血管、气道、神经等分割任务。造影与眼底在管状结构的拓扑先验上相近，但背景干扰差异大，需要验证迁移收益。
跨数据集泛化测试：论文自身就做了一次——在与 ARCADE 无关的 DCA1 数据集上微调，评估分布外表现。这类实验对评估「造影模型能否换一家医院用」有直接价值。
标注效率研究：由于掩膜只覆盖六到八成血管，可以构造「标注缺失」的模拟实验，考察半监督或噪声鲁棒方法在部分标注下的表现。
预处理消融：对比度增强、白顶帽变换、CLAHE 的组合方式在该数据集上有现成基线，适合作为图像增强策略的对照实验平台。
5.5 不该用它做的事
用它做冠心病风险预测不成立，因为没有随访与结局标签。用它做狭窄严重度分级也不成立，因为标签是二分类。用它评估支架或钙化的处理效果不成立，因为没有对应类别。用它论证「AI 超过医生」更不成立，因为没有医生在该测试集上的对照读数，官网也未公布参赛队的具体分数。
§6 常见误读与避坑清单
误读对照表
误读对照表左列是从二手转述、教程与论文引用中反复出现的说法，右两列给出核对后的口径与出处。逐条比对可避免把转述当原文。
| 常见说法 | 实际口径 | 证据位置 |
|---|---|---|
| 数据集共一千五百张图 | 两条任务各一千五百帧，合计三千帧 | 官网挑战说明；论文 Frame selection |
| 规模是 1500 / 500 / 300 三档 | 单任务一千五百帧池，划分一千/二百/三百；500 无出处 | 论文 Frame selection |
| 千五例患者对应千五帧 | 患者一千五百例，帧三千；每患者仅 0–12 帧 | 论文 Patient cohort 与 Frame selection |
| 这是冠脉 CTA 数据集 | 是有创造影的 X 光二维投影 | 论文 Imaging |
| 狭窄全部由 QCA 定量 | QCA 软件与医生目测并用，权重未披露 | 论文 Annotation |
| 狭窄标注是纯目测 | 同上，人机并用 | 论文 Annotation |
| 狭窄分为轻中重三级 | 只有「是否狭窄」二分类 | 论文 Data Records 的 categories 说明 |
| 标注阈值是 70% | 阈值 50%，且要求参考血管直径≥1.5 mm | 论文 Annotation 引 SYNTAX |
| 掩膜覆盖全部血管 | 覆盖血管总面积约 60–80% | 论文 Technical Validation |
| 划分按患者分组 | 按帧划分，无患者标识 | 论文 Frame selection |
| 榜单有各队分数 | 官网只有队名与名次，无分数 | 官网 Final leaderboard |
| Dice 0.49 是参赛冠军成绩 | 是论文中 YOLOv8x 基线在测试集上的结果 | 论文 Table 2 |
| 六名医生标注了全部数据 | 每帧一人初标，两人交叉复核定共识 | 论文 Annotation |
| 数据需申请才能下载 | Zenodo 直接下载，CC0 | Zenodo record 10390295 |
| 数据来自美国或欧洲中心 | 哈萨克斯坦阿拉木图单中心 | 论文 Methods |
技术陷阱
陷阱一：把 XYXY 当作左上右下两点的绝对格式。 论文描述 segmentation 时写作 XYXY，实际含义是边缘点的坐标对序列，读入后需按多边形还原，不能当成两个角点做裁剪。
陷阱二：用 bbox 面积作为斑块面积。 JSON 中的 area 字段被论文明确写成「矩形面积」，即 bbox 的宽乘高，不是掩膜像素数。据此统计病灶大小会系统性高估。
陷阱三：忽略 categories 编号口径的两处不一致。 论文一处写 1 到 16，一处写 1 到 26。若按 16 类硬编码网络输出头，而 JSON 实有 26 类，训练会在类别索引上溢出或错位。
陷阱四：把 syntax 目录当语义分割数据用。 它是实例分割，同一帧里同一类别的不同实例需要区分。直接合并成单通道语义标签会丢失实例信息，也就丢掉了段号分割的核心价值。
陷阱五：把两张子集的帧混在一起反查患者。 数据集不含患者标识，图像文件名也不含可回溯信息。依赖文件名推测同一患者，结论不可靠。
陷阱六：用论文基线的 Dice 与官网排行榜对话。 两者口径不同，前者是作者自测，后者只公布名次。把 0.40 说成「冠军成绩」或「赛题上限」都是错的。
陷阱七：忽略 512×512 的分辨率约束。 原始造影图像经抽帧与重采样到 512 见方，细小分支接近像素极限。上采样无法恢复已丢失的信息，评估细血管指标时要考虑这一物理下限。
DAIMS 评估
| 维度 | 评估 | 说明 |
|---|---|---|
| 数据完整性 | 中 | 双任务、三划分齐全，但患者标识与体位字段缺失 |
| 可访问性 | 高 | CC0，Zenodo 直链，无需注册 |
| 可互操作性 | 中高 | COCO JSON 通用，官方提供掩膜与 YOLO 转换脚本 |
| 可复用性 | 高 | 许可无限制，格式标准，工具链齐备 |
| 可追溯性 | 高 | 概念 DOI、具象 DOI、数据论文、GitHub 仓库四线可查 |
| 文档完备度 | 中 | 结构说明清楚，类别编号与划分粒度两处留白 |
引用时的写法建议
引用这份数据时，建议同时给出概念 DOI 与数据论文 DOI，并注明使用的是 syntax 还是 stenosis 子集、以及所用划分。仅在正文写「ARCADE 数据集」而不指明子任务，读者无法判断你比较的是哪条榜单。
若引用基线数值，务必标注来源为数据论文的表格而非赛事榜单，并写明测试集规模为 300 帧。若引用一致性结论，务必注明该结论针对血管掩膜而非狭窄判读。
§7 在生态中的位置
7.1 冠脉影像数据的三种模态
围绕冠状动脉的公开数据，大致可按成像模态分成三支，彼此不能互换但可以互补。
第一支是 CT 血管造影（CTA）及其派生资源。这类数据提供三维体数据，任务通常是整棵冠脉树的分割、中心线提取、钙化斑块分割与管腔狭窄分级。它的优势是解剖结构完整、无投影重叠，劣势是钙化导致的伪影与相位配准问题。库内的 ImageCAS 与 ImageCAS-X 属于这一支，前者提供千例级 CTA 的冠脉分割标注，后者进一步给出体素级的管腔与节段标注。ASOCA 也落在这一支，任务是全冠脉树的自动分割，来自 CT 模态挑战赛。
第二支是本文所述的造影（XCA/ICA）数据。它提供二维投影序列中的单帧，任务聚焦于段号分割与狭窄斑块检测。优势是临床路径中的位置更贴近决策——血运重建方案的规划正是在造影台上完成；劣势是投影几何带来的重叠、短缩与亮度波动。ARCADE 是这一支里少数同时提供段号血管掩膜与斑块掩膜、且完全开放的数据集。
第三支是导管室场景与器械数据。这类数据不关注管腔本身，而关注导丝、导管、球囊的形态与动作，服务于术中导航与机器人辅助。CathAction 是这一支的代表，提供血管内介入的器械分割与动作标注。
三支之间的关系类似「术前—术中—操作」的分段，共享解剖学先验，不共享成像物理。跨支迁移模型时，编码器层面的特征或许可借，输入管线与损失设计通常需要重做。
7.2 与冠脉疾病风险数据的分界
冠脉方向的另一大类资源是队列与流行病学数据，如 Framingham 心脏研究这类长期随访队列，提供危险因素、事件结局与生化指标。这类数据的任务通常是风险预测与生存分析，与影像任务的问题定义完全不同。
ARCADE 不含任何结局标签，因此不能承担风险分层的角色。把影像模型输出的狭窄概率直接当风险分数使用，是把「当下解剖状态」与「未来事件概率」混为一谈。二者可以联合，但不能替代。
同理，冠脉钙化评分数据（如 orCaScore 一类框架）针对的是非增强 CT 上的钙化积分计算，与造影狭窄判读不是同一测量。钙化积分反映斑块负荷，狭窄百分比反映管腔受限程度，两者的临床用途不同。
7.3 在挑战赛谱系中的位置
ARCADE 属于医学图像挑战赛中的常规形态：由临床机构提供数据、技术团队搭建评测平台、在顶会卫星活动中举办、赛后开放数据与论文。这一形态在 2020 年后成为医学影像数据公开的主要渠道之一。
与同期其他血管类挑战赛相比，ARCADE 的特点在于任务的双轨设计——同时给出段号分割与斑块检测，且都是实例分割。多数血管挑战赛只做单一语义分割任务，段号信息通常以中心线顺序隐式存在，而非作为类别显式标注。这一设计让 ARCADE 天然适合研究「解剖先验如何进入分割模型」这一类问题。
另一个特点是完全开放的许可。大量挑战赛数据采用「注册后下载」或「仅限研究」的条款，ARCADE 直接以 CC0 发布，降低了二次分发与商业使用的门槛，也使其更容易被纳入更大规模的预训练语料。
7.4 使用者的三条进入路径
若研究重心在细长管状结构的分割方法，ARCADE 的段号标注提供了一个类别数较多、类别不平衡明显的实例分割场景，适合检验模型对稀有类别的处理。
若研究重心在病灶检测，stenosis 子集的单类实例分割结构简单、干扰项丰富（导管、缝线、骨骼），适合作检测器的压力测试。
若研究重心在临床可用性评估，挑战赛的双榜单结构（分割与检测分开排名）提供了现成的任务分解视角，可以观察两类方法在临床链条不同环节上的表现差异。
§8 局限与未覆盖
8.1 数据集自身未说明的部分
数据论文在若干关键处留白，这些留白会直接影响复现与引用。
患者级划分未说明。论文只说按帧划分 1,000/200/300，未提是否保证同一患者的帧落在同一划分。数据集又清除了元数据，使用者无法自查。
类别编号口径未统一。1 到 16 与 1 到 26 两处并存，未说明二者的关系。
狭窄百分比未提供。标签为二分类，无逐病灶的狭窄数值，也无分级。
体位字段未披露。论文用测试集的段号实例数反推体位分布（100 帧 RCA、195 帧含左主干），说明体位信息在采集时存在，但未作为字段写入标注文件。
标注工时未公布。无法据此估算同类数据的构建成本。
设备分层结果未给出。两台造影机（Philips Azurion 3 与 Siemens Artis Zee）的样本比例与性能差异未报告。
8.2 与临床判读流程的距离
临床判读造影时，医生看的是动态序列，不是单帧静止图像。运动信息帮助区分真性狭窄与投影重叠，也帮助判断血流与侧支。ARCADE 抽的是单帧，且优先选充盈最佳、伪影最少的帧，这使数据在「单帧可见性」上优于实际工作流。
由此产生一个偏移：模型在 ARCADE 上学到的表现，可能高估其在真实阅片场景中的能力，因为没有运动线索时医生也会失误，而有运动线索时模型却用不上。论文对此没有讨论。
另一个距离是判读目标。临床上医生要回答的是「这段狭窄是否造成血流动力学意义的限制」，造影目测只是代理指标，金标准是血流储备分数一类的功能学检查。ARCADE 的标签停在形态学层面，不涉及功能学。
8.3 人口学代表性
队列来自哈萨克斯坦单中心，年龄与性别分布已在上文列出。跨人群应用的考量至少有三条：冠脉解剖变异的人群差异、钙化负荷的人群差异、以及造影操作习惯（投照体位组合、对比剂选择）的地域差异。
论文未做跨中心验证，也未报告与其他人种队列的对比。因此把模型直接外推到其他地区时，分布偏移的幅度是未知的，需要自行做小样本校准。
8.4 后续可补的方向
从数据设计角度看，若要延伸这份资源，优先级较高的补充依次是：患者级标识或患者级划分清单；逐病灶的狭窄百分比与分级；体位与心动周期相位字段；动态序列而非单帧；钙化斑块与支架的单独类别。
这些补充都不在现有版本中。引用时应当把「当前版本不具备」写成明确的事实，而不是留待读者猜测。
§9 与库内条目的关系
9.1 冠脉分割方向的邻居
ASOCA 与 ARCADE 常被放在一起讨论，因为两者都是冠脉分割的公开基准。差别在模态与任务粒度：ASOCA 基于 CT，目标是整棵冠脉树的自动分割；ARCADE 基于造影，目标是在单帧中按 SYNTAX 段号分出血管实例。前者回答「树在哪」，后者回答「这一帧里哪一段是哪一段」。
ImageCAS 与 ImageCAS-X 同属 CTA 侧，前者为千例级冠脉分割基准，后者提供体素级管腔与节段标注。二者与 ARCADE 的互补关系在于：CTA 提供三维解剖，造影提供术中视角。若要构建覆盖术前规划与术中导航的完整链条，这三者是不同环节的拼图。
9.2 冠脉疾病计算方向的邻居
orCaScore 针对冠脉钙化评分，属于 CAD 计算机辅助诊断链条的上游——钙化负荷评估常在 CTA 或平片上完成，用于风险初筛。ARCADE 则位于下游的狭窄判读环节。两者在临床路径上前后衔接，在数据上无交集。
Framingham 心脏研究提供的是人群层面的危险因素与结局，属于流行病学资源。它与 ARCADE 的关系是背景与个体的关系：前者给出人群风险画像，后者给出个体的解剖读数。
9.3 导管室场景方向的邻居
CathAction 记录血管内介入过程中的器械与动作，与 ARCADE 共享导管室这一物理场景。两者的任务定义相差很大——一个分辨率关注器械与操作，一个关注管腔与病变——但在系统集成层面可以并置：ARCADE 的狭窄检测可作为术中提示的原型，CathAction 的器械跟踪可作为操作日志的来源。
9.4 方法论层面的通用邻居
细长管状结构分割在库内还有视网膜血管方向的若干基准，如 DRIVE、STARE、CHASE_DB1、HRF、FIVES 等。这些数据集的任务是眼底图像上的血管语义分割，类别单一、背景与造影差异极大，但与 ARCADE 共享「管状目标极细、正负样本极不平衡」这一核心难题。方法层面的迁移实验（例如把用于眼底血管的拓扑损失、中心线监督迁移到造影）是有意义的，直接的数据合并则没有意义。
9.5 不建议的关联
把 ARCADE 与冠脉 CTA 数据说成「同一批患者的不同模态」是不成立的——论文没有提供任何跨模态配对，也不含患者标识。把它与心血管队列数据说成「可联合做风险预测」同样不成立，因为缺少结局标签与患者链接。
§10 总结
10.1 适用场景
ARCADE 适合以下四类工作：细长管状结构的实例分割方法研究，尤其是类别数多、类别不平衡明显的场景；病灶检测器的压力测试，干扰项（导管、缝线、骨骼、重叠血管）丰富；跨数据集泛化评估，可在其他造影数据上微调后测试分布外表现；标注策略与损失函数设计的方法学实验，掩膜覆盖不全这一特性为半监督与噪声鲁棒方法提供了天然的测试床。
10.2 不适用场景
它不适合需要结局标签的预后或风险预测研究；不适合狭窄严重度分级，因为只有二分类；不适合支架内再狭窄或钙化斑块专项研究，因为没有对应类别；不适合作为「AI 与医生对比」的证据，因为测试集上没有医生读数；也不适合直接当作多中心泛化能力的证明，因为它是单中心数据。
10.3 三句话概括
ARCADE 把冠脉造影中最费时的两件事——按段号勾出血管、找出狭窄斑块——做成了逐帧的实例分割标注，两条任务各一个同量级的帧池，以 CC0 完全开放。
它的价值不在于给出一个高分基线（论文的 YOLOv8x 在测试集上狭窄 Dice 仅 0.40、血管 Dice 0.49），而在于提供了一个可复现、可比较、格式标准且许可宽松的公共评测场。
使用它的前提是接受三个事实：掩膜只覆盖血管的六到八成；划分按帧不按患者；标签只有「是不是狭窄」，没有「狭窄多重」。
可核验的五个硬数字速查
| 项目 | 数值 | 出处 |
|---|---|---|
| 双任务合计帧数 | 3,000 | 论文 Frame selection |
| 单任务帧数 | 一千五百 | 官网挑战说明 |
| 训练/验证/测试划分 | 1,000 / 200 / 300 | 论文 Frame selection |
| 病例数 | 一千五百例 | 论文 Patient cohort |
| 狭窄判定阈值 | 50%，参考血管≥1.5 mm | 论文 Annotation 引 SYNTAX |
附录 A 术语与缩写
| 缩写 | 全称 | 中文 | 备注 |
|---|---|---|---|
| ARCADE | Automatic Region-based Coronary Artery Disease diagnostics using x-ray angiography imagEs | 基于区域的 X 光造影冠心病自动诊断 | 本文数据集名 |
| XCA | X-ray Coronary Angiography | X 光冠状动脉造影 | 与 ICA 同义 |
| ICA | Invasive Coronary Angiography | 有创冠状动脉造影 | 强调有创操作 |
| CAD | Coronary Artery Disease | 冠状动脉疾病 | 冠心病的上位词 |
| QCA | Quantitative Coronary Angiography | 定量冠状动脉造影 | 造影机内置分析软件 |
| SYNTAX | Synergy between PCI with Taxus and Cardiac Surgery | SYNTAX 评分 | 提供段号划分体系 |
| LMCA | Left Main Coronary Artery | 左主干 | SYNTAX 中的共同起源 |
| LAD | Left Anterior Descending | 左前降支 | 三大支之一 |
| LCX | Left Circumflex | 左回旋支 | 三大支之一 |
| RCA | Right Coronary Artery | 右冠状动脉 | 三大支之一 |
| LAO | Left Anterior Oblique | 左前斜位 | 投照体位 |
| RAO | Right Anterior Oblique | 右前斜位 | 投照体位 |
| PA | Postero-Anterior | 后前位 | 投照体位 |
| CVAT | Computer Vision Annotation Tool | 计算机视觉标注工具 | 标注软件 |
| COCO | Common Objects in Context | 通用目标标注格式 | JSON 载体 |
| DICOM | Digital Imaging and Communications in Medicine | 医学数字成像与通信标准 | 原始存储格式 |
| CLAHE | Contrast Limited Adaptive Histogram Equalization | 限制对比度自适应直方图均衡 | 论文中的预处理 |
| DSC | Dice Similarity Coefficient | Dice 相似系数 | 一致性度量 |
| F1 | F1 score | F1 分数 | 官方评测指标 |
| MICCAI | Medical Image Computing and Computer Assisted Intervention | 医学图像计算与计算机辅助介入 | 会议名 |
附录 B 数据结构速查
arcade.zip
├── syntax/ 血管段分割任务
│ ├── train/ 1,000 帧
│ │ ├── images/ *.png，512×512
│ │ └── annotations/ train.JSON
│ ├── val/ 200 帧
│ └── test/ 300 帧
└── stenosis/ 狭窄检测任务
├── train/ 1,000 帧
├── val/ 200 帧
└── test/ 300 帧
COCO JSON 顶层三字段：images（id、width、height、file_name）、categories（id、name）、annotations（id、image_id、category_id、segmentation、bbox、area）。bbox 为 XYWH，area 为矩形面积。
附录 C 检索模板
用以下检索式定位原始材料，避免只依赖二手转述。
- 挑战赛页面检索：
ARCADE challenge coronary angiography MICCAI 2023 - 数据论文检索：
Dataset automatic region-based coronary artery disease diagnostics x-ray angiography Scientific Data - 数据下载：
zenodo 10390295 - 代码仓库：
cmctec ARCADE - 引文追踪：用概念 DOI 在引用数据库中查引用它的工作，比用关键词检索更能捞出方法学论文。
编辑说明
核验时间与方式：2026-10-18。三个一手来源交叉核对：挑战赛官网概览页（含赛事说明、时间线、终榜队名）；数据论文 Scientific Data（DOI 10.1038/s41597-023-02871-z，抓取全文正文）；Zenodo 记录 10390295 的 API 元数据（标题、许可、作者、文件清单、版本字段、概念 DOI）。核心规模数字、口径、许可均以这三源互证的结果为准，凡官方未写者一律在正文标注为未披露。
与任务头数字的差异：任务头给出的规模为「1500 / 500 / 300（三个数并存，须核清）」。核实结果为：单任务 1,500 帧，双任务合计 3,000 帧，划分 1,000（训练）/ 200（公开验证）/ 300（私有测试）。三数中的 500 在官网与数据论文中均无对应口径，正文未采纳，§2.1 与 §6.1 已明列。
双口径冲突清单：① 类别编号 1–16 与 1–26 并存，论文未统一；② 患者年龄均值 45.8 与中位 60.0 相差十余岁，论文原文如此，正文并列不加解释；③ 官网称第一条任务为「冠状动脉分割」，论文称「血管分类」，实为按 SYNTAX 段分类的实例分割；④ 官网一处写「测试用例在提交截止后发布」，另一处给出 2023-09-25 发布日期，两者自洽不冲突，正文未展开；⑤ 官网终榜只有名次没有分数，论文表格中的 Dice 属作者自测基线，两者不可混引。
未覆盖内容：数据集的具体体位字段分布；两条任务的标注工时；两台造影机的样本比例与分层性能；狭窄百分比数值；患者级划分清单。以上均因官方材料未披露而留空，未作推断填充。
下次复核触发点：① Zenodo 记录若新增版本（当前版本字段为 COCO），需核对是否补入体位或患者级字段；② 若数据论文有勘误（官网提示过会联系需修正的作者），需核对类别编号与年龄统计两处；③ 若后续出现基于 ARCADE 的多中心扩展数据，需重新评估 §8.3 的代表性论述。
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：
- cathaction — 共享标签：医学影像 / X光影像 / 医学图像分割 / 目标检测 / 心血管疾病
- caries-miccai — 共享标签：医学影像 / X光影像 / 医学图像分割 / 目标检测 / 挑战赛数据集
- dentex — 共享标签：医学影像 / X光影像 / 目标检测 / 挑战赛数据集
- cck — 共享标签：医学影像 / X光影像 / 目标检测 / 心血管疾病
- camus — 共享标签：医学影像 / 医学图像分割 / 挑战赛数据集 / 心血管疾病
- lidc-idri — 共享标签：医学影像 / X光影像 / 医学图像分割 / 目标检测
- mms-2 — 共享标签：医学影像 / 医学图像分割 / 挑战赛数据集 / 心血管疾病
- cmrxmotion — 共享标签：医学影像 / 医学图像分割 / 挑战赛数据集 / 心血管疾病
- lvquant — 共享标签：医学影像 / 医学图像分割 / 挑战赛数据集 / 心血管疾病
- emidec — 共享标签：医学影像 / 医学图像分割 / 挑战赛数据集 / 心血管疾病
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。
