ASOCA (asoca) — 全冠状动脉树自动分割挑战赛数据集 — AI-Ready Wikipedia

INFOBOX — ASOCA 一屏速览

维度	内容
本质	MICCAI 2020 挑战赛数据集——首个针对全冠状动脉树全自动分割的公开挑战
团队	University of New South Wales（UNSW，澳大利亚悉尼）四名组织者
论文	挑战赛论文 CMIG 2022;97:102049｜数据论文 Scientific Data 2023;10(1):128（doi:10.1038/s41597-023-02016-2）
数据	训练 40 例（20 正常 + 20 患病）+ 测试 20 例（10 正常 + 10 患病）= 60 例 CTCA
模态	Cardiac CTCA（CT 冠状动脉造影，含造影剂），覆盖所有直径 >1 mm 血管
标注	三位专家独立体素级管腔分割 → 多数投票融合；不含钙化与其他病变
附加资产	中心线（centrelines）+ 钙化评分（calcification scores）+ 平滑 STL 网格
任务	全自动分割冠状动脉管腔（fully automatic，禁止人工引导）
指标	Dice（DSC） + 95% Hausdorff distance（HD95）
榜单	MICCAI 2020：① RuochenGao DSC 0.867 / HD95 4.165｜② SenYang DSC 0.838 / HD95 2.336
获取	请求制（UK Data Service ReShare 855916 申请）；无公开直链
许可	本体请求制（不允许二次分发）｜设计文档 CC BY-ND 4.0｜论文开放获取
库内互链	心血管疾病 / CT / 医学图像分割 / 挑战赛数据集 同域条目

ASOCA 是医学图像分割领域一个"小切口、高标杆"的数据集：它不追求海量，而是第一个把"整棵冠状动脉树的全自动分割"变成可公平比较的任务。冠状动脉在 CT 上细如发丝、随心跳运动、还常伴钙化伪影，长期以来只能靠专家半自动勾画——这让大规模处理几乎不可能。ASOCA 用 40 例三专家标注的训练数据建立了基准，并在 MICCAI 2020 上邀请全球团队同台竞技，其评测口径（Dice + HD95）与数据设计（正常/患病 1:1 平衡）被此后大量冠脉分割论文沿用为事实标准。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——注意数据是请求制（UK Data Service），Zenodo 上的 DOI 只是设计文档、不是数据本体，别下错。
2. 想复现或对标算法：直奔 §4 与 §5——40 例训练规模、三专家投票标注口径、Dice/HD95 榜单数字都在这里。
3. 做心血管 AI 综述：直奔 §2 与 §7——正常/患病平衡设计、中心线/STL 网格等附加资产、以及它在冠脉分割生态中的位置。

§0 导读：这个数据集解决什么问题

心血管疾病是全球主要死因之一。CT 冠状动脉造影（CTCA / CCTA）是非侵入性评估冠状动脉病变的首选影像，但把它转化为"可计算的三维血管模型"需要分割——逐体素标出血管管腔。冠状动脉的特殊性让这件事格外难：血管直径常在 1-4 mm 之间、贴近 CT 空间分辨率极限；管腔随心脏搏动与呼吸运动变形；钙化斑块与支架会产生高密度伪影；健康人与病人的血管外观差异显著。更关键的是，过去的分割几乎都是半自动的——由人类专家引导算法、修正错误，这既慢（每例耗时长）又不可扩展，也让人无法把分割接入临床流水线。

ASOCA（Automated Segmentation of Coronary Arteries）挑战赛就是为这件事设立的。据其设计文档，在此之前已有针对中心线提取、狭窄量化、特定血管段分割的挑战，但"针对完整冠状动脉树的全自动分割"是首次。组织方（UNSW 的 Ramtin Gharleghi、Gihan Samarasinghe、Arcot Sowmya、Susann Beier）建立了一套标准化标注数据并据此办赛，目标有三：一是给出一个公平的基准数据集，二是把全自动分割从"能做"推进到"可比较"，三是让自动化分割释放海量既有 CTCA 的潜力——为教育、器械在体验证、3D 打印、血流仿真等下游用途批量生产病人特异模型。

§0 读法三则：

1. 这是"挑战赛数据集"而非"持续更新的数据仓库"：训练集 40 例固定、测试集 20 例隐藏，一次发布、长期作为基准。
2. 它的标注口径是"管腔，不含钙化与病变"——如果你要的是斑块/钙化分割，这份数据不是为你设计的（§3）。
3. Zenodo 上能找到 ASOCA 的两个 DOI，但都是挑战设计文档 PDF，不是图像数据；数据本体只在 UK Data Service 以请求制发放（坑 1）。

§0.1 一句话定位

ASOCA = 冠状动脉分割的"标准考卷"：题目（任务）定得清、评分标准（Dice+HD95）定得明、试卷（40 例标注）质量高，因此虽只有 40 例，却成了该子领域引用最多、对比最常用的基准之一。

§0.2 本条目怎么读

你的身份	建议路径
算法开发者	§2 数据规格 → §5 榜单方法 → §11 复现指南
数据集使用者	§6 获取与许可 → §3 任务定义 → §10 坑点
研究者/综述作者	§4 文献谱系 → §7 生态 → §8 方法学启示
临床/工程应用	§1.5 下游用途 → §6.7 引用规范 → §7 多重用途

§0.3 三个必须记住的数字

1. 40 + 20 = 60：训练 40 例（20 正常 + 20 患病）+ 测试 20 例（10 + 10）。单看训练集是 20+20，不是 30+30（坑 2）。
2. 0.867 / 0.838：MICCAI 2020 榜前二的 Dice；冠军 HD95 4.165、亚军 HD95 2.336（§5）。
3. 855916：UK Data Service ReShare 记录号——这才是数据本体的获取入口，别记成 Zenodo 的 3714986（那是设计文档，坑 1）。

§1 数据集速览：十问十答

Q1：ASOCA 是什么的缩写？
Automated Segmentation of Coronary Arteries——自动分割冠状动脉。中文常译"冠状动脉自动分割（挑战赛）"。它是 MICCAI 2020 的官方挑战赛之一。

Q2：谁做的、什么时候？
澳大利亚新南威尔士大学（UNSW）四名研究者组织，2020 年 MICCAI 会议期间举办。数据源自 Coronary Atlas 持续采集队列，论文发表于 2022 年（挑战赛总结，CMIG）与 2023 年（数据描述，Scientific Data）。

Q3：有多少数据？
训练集 40 例（20 健康 + 20 患病），测试集 20 例（10 健康 + 10 患病），共 60 例心脏 CTCA。训练集的标注由三位专家独立完成并经多数投票融合。

Q4：每例里有什么？
匿名 CTCA 影像（.nrrd）+ 体素级管腔分割标注；训练集另含中心线（centrelines）、钙化评分（calcification scores）、平滑表面网格（.stl）。有这些附加资产，数据可直接用于几何重建、3D 打印与血流建模。

Q5：任务是分割什么？
分割冠状动脉管腔（lumen），明确不含钙化区域与其他病变；且必须是全自动方法。评测指标为 Dice 与 95% Hausdorff 距离。

Q6：为什么叫"正常与患病"？
数据按临床 1:1 分层：20 例为正常（钙化评分为 0 且无狭窄征象），20 例为确诊冠状动脉疾病。这样设计既能让疾病对血管形态的影响被独立研究，也能检验算法在病变血管上的鲁棒性。

Q7：怎么下载？
不是公开直链。挑战结束后，官方把数据放到 UK Data Service（ReShare 记录 855916）以请求制发放；备用为微软表单。历史上也可通过 Grand Challenge 平台注册申请。

Q8：免费吗？能商用吗？
学术获取通常免费（申请审批制）。社区口径称"协议不允许二次分发"，正式许可条款在申请时给出——商用前需与作者确认（坑 4）。

Q9：谁在榜上领先？
MICCAI 2020 榜：RuochenGao（DSC 0.867）第一，SenYang（HD95 2.336）边界最准。后续研究（如 EfficientNet-LinkNet）在训练集五折上报告 Dice 0.882；公开榜持续活跃，2025 年 11 月最佳 Dice 约 0.850。

Q10：它有什么局限？
规模小（40+20）、只标管腔不标病变、测试 GT 挑战期不公开、多数投票只给单一 ground truth（看不到三专家分歧）。详见 §8 与 §9。

§1.5 为什么"冠状动脉分割"值得单独设一个挑战

要理解 ASOCA 为什么存在，需要先理解冠状动脉分割在医学影像里的特殊地位——它几乎是"细小结构分割"的教科书级难题，同时也是临床价值极高的下游任务入口。

第一，尺寸小到逼近分辨率极限。 冠状动脉是供血心肌的血管树，由左主干分出左前降支（LAD）、左回旋支（LCx），右侧为右冠状动脉（RCA），逐级分叉直到肉眼难辨的末端。主干直径约 3-4 mm，末端可细至 1 mm 以下。而临床常规 CTCA 的体素各向同性分辨率通常在 0.3-0.5 mm 量级，意味着最细的血管横截面可能只覆盖几个体素。分割任务因此天然处在"部分容积效应（partial volume effect）"的高发区——一个体素里既可能有血、也可能有血管壁和钙化，灰度的模糊让边界难定。

第二，形态与位置随生理状态变化。 心脏在跳动，冠状动脉随心脏运动而变形；呼吸会让整个胸腔位移。这使同一患者在不同时相上的血管形态不完全一致，也意味着"病人特异模型"必须是某个时相的快照。这种动态性对配准、时序一致性、运动伪影补偿提出了额外要求。

第三，解剖约束可以救命。 冠脉走行在心外膜下（心脏表面），这一解剖事实被大量算法用作先验：先在整幅 CT 上分割心脏（尤其是心外膜轮廓），再在心外膜内搜索血管。ASOCA 榜冠军 RuochenGao 的三网络流水线中，心外膜分割正是关键一环——用解剖结构把搜索空间从"整幅胸腔"缩小到"心脏表面附近"。这是冠脉分割相对一般器官分割的独特方法学财富。

第四，病理改变了任务难度。 健康人的血管光滑、走向规律；病人则可能有钙化斑块（高密度、产生晕状伪影）、狭窄（管腔收窄甚至中断）、支架（金属伪影）。ASOCA 刻意按 1:1 纳入正常与患病病例，就是为了让算法同时面对这两种"难度世界"，而不是在清一色的健康血管上刷高分。

第五，下游需求巨大。 一旦冠状动脉树被准确分割，就能：

• 重建病人特异三维几何 → 计算血流储备分数（FFR-CT）等血流动力学指标；
• 3D 打印实体血管模型 → 术前规划、医患沟通、器械测试；
• 生成大规模血管形态库 → 研究解剖变异与疾病风险；
• 支撑虚拟现实/增强现实教学 → 让医学生"钻进"血管里看。

正是这些"分割之后能做什么"的丰富下游，让 ASOCA 组织方在设计文档中反复强调：自动化分割的意义不仅是省下专家勾画的时间，更是解锁海量既有 CTCA 的再利用——临床每天都在产生 CTCA，但没有自动化流程，这些数据只能沉睡。

小结：ASOCA 之所以值得设为独立挑战，是因为它聚集了医学影像分割的所有难点（小目标、类别不平衡、运动、伪影、病理差异），又连接着心血管领域最实际的临床与工程需求。"第一个全冠状动脉树全自动分割挑战"这个定位，本身就是对该任务价值的确认。

§2 数据构成与规格

2.1 数据规模一览

子集	例数	分层	标注	附加资产
训练集	40	20 正常 + 20 患病	三专家体素级分割 + 多数投票融合 GT	中心线、钙化评分、STL 网格
测试集	20	10 正常 + 10 患病	挑战进行期不提供 GT	仅影像（.nrrd）
合计	60	30 正常 + 30 患病	—	—

注意"30 + 30"是跨训练+测试的合计口径（60 例中正好一半正常一半患病）；单个子集内是 20+20 或 10+10。文献中偶有作者把合计 60 写成"the dataset has 30 normal and 30 disease cases"，属口径混用（见坑 2）。

2.2 影像规格

• 模态：Cardiac CTCA（Computed Tomography Coronary Angiography，CT 冠状动脉造影），使用造影剂增强血管与周围组织对比。
• 覆盖范围：全部可见冠状动脉血管，作者明确"inclusion of all arteries larger than 1 mm"（含所有大于 1 mm 的动脉），而非仅选定的血管段——这是相对于既往"特定血管段分割"挑战的关键升级。
• 格式：影像以 .nrrd（NRRD，接近 NIfTI 的可扩展影像格式）提供，便于医学影像工具链读写。
• 影像来源：Coronary Atlas（coronaryatlas.org）——一个持续采集 CTCA 影像及相关临床与人口学数据、用于研究冠脉解剖与血流行为差异的队列；ASOCA 从中派生。

2.3 标注构成

• 标注层级：体素级（voxel-wise）分割掩码——每个体素被标记为管腔或非管腔。
• 标注流程：三位专家各自独立完成手工体素级分割，再由**多数投票（majority voting）**融合生成最终 ground truth。
• 标注对象：冠状动脉管腔（lumen）——一个刻意的边界：不含钙化区域，也不含其他病变。这意味着算法学到的是"血管内腔",而非"血管壁+斑块"。
• 单一 GT 的取舍：公开数据只给融合后的单一标注，不提供三位专家各自的版本。好处是评测口径统一，代价是无法直接用这份数据研究观察者间变异（§8）。

2.4 附加资产（ASOCA 的差异化卖点）

资产	格式	用途
中心线 centrelines	曲线/坐标	血流仿真、血管拓扑分析、中心线追踪算法评测
钙化评分 calcification scores	数值	区分正常/患病、风险分层、研究钙化与管腔的关系
平滑表面网格 meshes	.stl	3D 打印、VR/教学、在体器械（如支架）测试、CFD 建模

作者在数据论文中强调：“据我们所知，尚无公开数据集同时提供完整冠状动脉树的中心线与分割”——中心线 + 分割 + 网格的组合是 ASOCA 相对既有冠脉数据集（如面向狭窄检测的 Rotterdam 数据集）的核心增量。

2.5 数据来源与伦理

• 影像与患者信息在知情书面同意下采集，属 Coronary Atlas 项目。
• 发布前经匿名化处理。
• 病例分类标准：正常 = 钙化评分为 0 且无狭窄征象；患病 = 确诊冠状动脉疾病（confirmed coronary artery disease）。

2.6 与既往冠脉数据集的对比

数据集	任务焦点	标注内容	可获得性
Rotterdam（参考）	狭窄检测/量化	亚体素级狭窄评估	已不再从挑战网站公开获取
Visible Heart Project	教学	MR 影像/视频	教学用途
ASOCA	全冠脉树全自动分割	全树管腔体素标注 + 中心线 + 网格	请求制（UK Data Service）

作者定位：ASOCA 虽不能像 Rotterdam 那样提供亚体素级的狭窄识别，但提供全冠脉树可见血管的高质量分割，且对所有研究者开放（含商业项目）——这是它相对 Rotterdam 的可得性优势。

§3 任务定义与标注政策

3.1 任务：分割什么、不分割什么

ASOCA 的任务边界非常明确，这是理解这份数据的第一要义：

• 要分割：冠状动脉管腔（lumen）——即血液流经的内腔。
• 不要分割：钙化区域（calcified regions）、其他病变（other disease present）。
• 必须全自动：官方原文 “The developed methods must be fully automatic”——禁止人工引导或人工修正的半自动流程。

这一边界决定了 ASOCA 适合"血管内腔几何重建"类任务，而不适合斑块分割、钙化评分自动化、狭窄检测等——尽管数据里带有钙化评分（作为元数据）和患病标签，但像素级上并不标注钙化。

3.2 评测指标

指标	全称	含义	侧重
DSC	Dice Similarity Coefficient	预测与参考的重叠度（F1 类）	区域/体积一致性
HD95	95th percentile Hausdorff Distance	预测与参考表面间距离的 95 分位	边界/最大偏差（鲁棒版）

两指标互补：Dice 高说明"大部分体素对了"，HD95 低说明"没有离谱的边界错误"。MICCAI 2020 榜的 top-2 恰好各胜一项（§5），说明单一指标不足以刻画分割质量。

3.3 难度来源

组织方与研究文献一致指出两大难点：

1. 类别极度不平衡：冠状动脉只占整幅 CT 体素的极小比例，绝大多数体素是背景——天平严重偏向负类，需要专门处理（重加权、patch 采样、针对性损失函数）。
2. 健康/患病外观差异：同一棵血管树在健康人与病人身上形态、钙化、走向差异明显，算法必须同时适应两类。

此外还有冠脉固有难点：血管细小接近分辨率极限、随心动运动、钙化与支架伪影。

3.4 挑战赛流程与规则

• 平台：Grand Challenge（grand-challenge.org），负责数据分发、结果提交、自动评测与排名。不提供计算资源，参赛者自备（可能需 GPU）。
• 赛程（2020 年）：6-18 训练集发布 → 8-15 测试卷 → 9-15 提交 deadline → 9-30 结果公布 → 10-8 MICCAI 2020 报告（09:00-13:00 UTC）。
• 提交答卷：参赛者自备硬件训练，提交结果到官方页面自动评分排名。
• 奖励机制：top-10 受邀在 MICCAI 2020 报告，并受邀成为挑战赛总结论文的共同作者（每队最多 2 人）——这正是 CMIG 2022 论文作者多达 21 人的原因。
• 规模预估：设计文档基于类似挑战（冠脉狭窄检测量化评测框架）预估约 50 名初始参与者，且挑战在会后保持开放，预期后续仍有参与者。

§4 数据集身份与学术谱系

4.1 文献链条（三篇，身份不同）

文献	类型	出处	DOI	作用
挑战设计文档	挑战设计 PDF	Zenodo 3714986（v1）/3819799（v2）	10.5281/zenodo.3714986	声明任务/规则/评测（非数据本体）
ASOCA 挑战赛论文	结果论文	CMIG 2022;97:102049	10.1016/j.compmedimag.2022.102049	汇总 top-10 方法
数据描述论文	Data Descriptor	Scientific Data 2023;10(1):128	10.1038/s41597-023-02016-2	正式描述数据集

引用政策（官方）：使用 ASOCA 数据须同时引用挑战赛论文与数据描述论文两篇（官方 Citation Policy 页面明列）。arXiv:2211.01859 是数据描述论文的预印本（2022-11-03 提交，10 页 3 图，声明"Submitted to Scientific Data"）。

4.2 组织者与数据机构

• Ramtin Gharleghi（一作、通讯，asoca@unsw.edu.au）——UNSW 机械与制造学院。
• Gihan Samarasinghe 博士——UNSW 计算机科学与工程学院。
• Arcot Sowmya 教授——UNSW 计算机科学与工程学院。
• Susann Beier 博士——UNSW 机械与制造学院（ORCID 0000-0002-9815-108X）。
• 数据描述论文另含 Prince of Wales Hospital（悉尼）临床作者与 Auckland City Hospital（新西兰奥克兰）作者。

4.3 上游与下游

• 上游：Coronary Atlas（持续采集的 CTCA + 临床/人口学数据队列）。ASOCA 是它的一个"带标注挑战子集"。
• 下游：
  • Stanford Vascular Model Repository 收录派生单例 0254_H_CORO_CAD（一位 53 岁男性，CTCA 诊断动脉粥样硬化性冠心病；purl.stanford.edu/hz967xw0735，2025-09-23），供血流模拟使用——证明 ASOCA 数据已进入血管建模生态。
  • 大量冠脉分割/泛化研究以 ASOCA 为训练与评测基准（§5、§7）。
  • 中国镜像：国家基础学科公共科学数据中心（NBSDC）收录"自动分割冠状动脉数据ASOCA"（CSTR:16666.11.nbsdc.bHg7HvpO），署名徐颂华（西安交通大学），数据量口径 35.93 GB（与官方 3.1 GB 差异见坑 6）。

4.4 时间线与身份对照（速查）

时间	事件	资产
2017-2020	CTCA 影像采集（Coronary Atlas）	原始影像与临床数据
2020-03-18	挑战设计文档 v1 发布	Zenodo 3714986（CC BY-ND 4.0）
（v2）	设计文档修订版（红字标注变更）	Zenodo 3819799
2020-06-18	训练集 40 例发布	GC 平台
2020-08-15	测试卷 20 例发布	GC 平台
2020-09-15	提交截止	—
2020-09-30	结果公布	榜单
2020-10-08	MICCAI 2020 top-10 报告	会议
2022	挑战赛总结论文	CMIG 97:102049
2022-11-03	数据论文预印本	arXiv:2211.01859
2023-03-10	数据论文正式发表	Scientific Data 10:128
post-challenge	数据迁移至 UK Data Service	ReShare 855916
2025-09-23	Stanford 派生算例收录	VMR 0254_H_CORO_CAD

4.5 为什么 ASOCA 很少被当作"训练集"、更多被当作"考卷"

一个常被初用者误解的点：ASOCA 的 40 例训练集，在深度学习语境下偏小——不足以从随机初始化训练一个稳健的 3D 分割网络。因此社区对它的主流用法是：

• 作为评测基准（benchmark）：在别处预训练、在 ASOCA 上微调或直接推理，报告 Dice/HD95。
• 作为方法对比平台：25 组编解码器对比（arXiv:2310.10002）就是这种用法——它不追求 SOTA 绝对分数，而追求"在同一起跑线上排序不同架构"。
• 作为几何/建模数据源：中心线、STL 网格被拿去跑 CFD、做 3D 打印。

理解这一点，就不会对"40 例也能成为重要数据集"感到困惑——基准的价值不取决于样本量，而取决于可比性与代表性。

4.6 数据规格深潜：从影像到标注的技术细节（补充）

4.6.1 影像数据的技术特征

特征	说明	对任务的影响
模态	CT 冠状动脉造影（CTCA），含碘造影剂	血管腔内高密度，对比背景可辨
空间分辨率	临床常规，体素约 0.3-0.5 mm 量级	细血管近分辨率极限，部分容积效应
覆盖	全部可见冠脉，含 >1 mm 血管	是全树而非选定段
格式	.nrrd	通用医学影像格式，易读写
匿名化	已去标识	合规可发布

为什么是 CTCA 而非别的影像？ 冠脉评估有多种模态——有创冠脉造影（金标准但侵入）、CTCA（无创、能三维重建）、MR 冠脉造影（无辐射但分辨率低）。CTCA 兼顾了无创、高分辨与三维可重建三点，是几何重建与计算建模的理想输入。ASOCA 选 CTCA，正是瞄准了"从影像到三维血管模型"这条链路。

造影剂的作用：注入碘对比剂后，血管管腔在 CT 上呈高密度（亮），与周围心肌、脂肪、肺组织形成对比。这使管腔可被识别——但也意味着分割的是"造影剂充盈的内腔"，这也解释了为什么任务定义是"管腔"而非"血管壁"。

4.6.2 标注的技术细节

• 多专家 + 多数投票：三专家各自标完后，对每个体素按"多数"决定归属。这种做法在医学影像标注中常见，能抑制单一标注者的随机误差与系统性偏差。
• 管腔边界：标注聚焦管腔边界，不含钙化。钙化在 CT 上表现为管壁上的高密度斑块，若被误纳入"血管"，会使管腔形状失真，故明确排除。
• 单 GT 的取舍：融合后只发布一份标注。这保证了评测一致性，但牺牲了对标注不确定性的刻画（§8.1）。

4.6.3 附加资产的技术细节

中心线（centreline）：血管的中轴曲线，通常每根血管一条，用于：

• 血流仿真中的一维模型（把三维问题降为一维沿程计算）；
• 血管拓扑分析（分叉点数、长度、迂曲度）；
• 中心线追踪算法的评测参考。

钙化评分（calcification score）：反映冠脉钙化负担的量化值（类似 Agatston 评分思路）。它既是正常/患病的分层依据，也可用于研究"钙化程度 vs 管腔形态"的关系。注意：这是数值元数据，不是像素级标注。

平滑表面网格（.stl）：把管腔表面三角化后的网格模型，直接面向 3D 打印与 CFD。相比体素掩码，网格是"几何连续"的，适合需要光滑表面的工程应用。

4.6.4 一份 ASOCA 记录里到底有什么（字段级）

一例 ASOCA 记录（概念性字段）
├─ 影像        : image.nrrd（匿名 CTCA）
├─ 分割标注    : label.nrrd（管腔，三专家多数投票）
├─ 中心线      : centerline（曲线）
├─ 钙化评分    : calcium_score（数值）
├─ 表面网格    : mesh.stl（三角网格）
└─ 分层标签    : normal / diseased（正常/患病）
# 实际文件命名与组织以发放版本为准，此处为概念示意。

对使用者的含义：如果你只用 image + label，你做的是分割任务；如果要建模，centerline + mesh + calcium_score 才是 ASOCA 区别于普通分割数据集的增值所在。别只下影像和标注就以为拿到了全部。

§5 基准、排行榜与方法生态

5.1 MICCAI 2020 官方榜单（top-2）

名次	团队	DSC（Dice）	HD95（mm）	方法要点
1	RuochenGao	0.867	4.165	nnU-Net 骨干；三独立网络（心外膜分割 / 动脉分割 / scale map 回归）；集成后剔除心外膜外血管
2	SenYang	0.838	2.336	改进 2D U-Net（SK-UNet）：编码器用 SE-Res 模块替换常规卷积块；解码器引入 SK 多尺度模块

读榜要点：

• 冠军 Dice 更高（区域重叠更准），亚军 HD95 更好（边界距离更小）——两指标各有所长，说明"最好的分割"取决于你更在意体积一致还是边界锐利。
• 两者的技术路线代表 2020 年前后两种主流：nnU-Net 自配置 3D 管线的多任务集成 vs 2D U-Net + 注意力/多尺度模块。
• 冠军方法（RuochenGao）发表的 scale map 回归 + 心外膜约束 思路，反映了冠脉分割的一个关键技巧：用心脏解剖结构（心外膜 = 心脏外表面）约束血管搜索空间，把"整幅 CT 找细血管"缩小为"心外膜内找血管"。

5.2 后续研究与训练集基准（五折）

方法	数据/口径	Dice	HD95	来源
EfficientNet-LinkNet	40 例训练集（25 组编解码组合筛选）	0.882	4.753	arXiv:2310.10002（Zhang/Gharleghi 等）
用户 “hongqq”	公开榜	0.8496	1.8879	公开榜（截至 2025-11）
Qiu 等三阶段框架	训练集五折	0.8853	1.07	文献报告

EfficientNet-LinkNet 工作（UNSW 同组）系统评测了 25 种编码器-解码器组合，结论是 EfficientNet（编码）+ LinkNet（解码）在 ASOCA 40 例上表现最佳（Dice 0.882）——它们的自我评价是"优于 MICCAI 2020 挑战赛上展示的模型"，侧面印证 ASOCA 作为持续基准的价值。

5.3 榜单的局限（归因问题）

需特别提醒：公开榜只显示用户 handle，不附带方法描述或代码链接。这意味着：

• 后来者很难复现榜上方法，也难判断成绩差距来自方法还是数据使用差异。
• 榜单成绩的"可比性"受限——这是 ASOCA 作为长期基准的一个结构性弱点（§8）。
• 学术文献中的成绩（如 EfficientNet-LinkNet 0.882、Qiu 0.8853）多基于训练集五折交叉验证，与官方榜的隐藏测试集口径不可直接比较——引用时务必区分。

5.4 方法生态概览

围绕 ASOCA 形成的方法谱系大致可按以下脉络理解：

路线	代表	核心思想
nnU-Net 自配置	RuochenGao（榜 1）	3D 管线 + 多任务集成 + 解剖约束
2D U-Net + 注意力	SenYang（榜 2）	SE-Res + SK 多尺度，切片级建模
编码器-解码器系统评测	EfficientNet-LinkNet	25 组合对比，LinkNet 解码高效
三阶段精细化	Qiu 等	分割 → 中心线重连 → 隐式神经表征修正
3D 编解码器对比	综述类	检验 3D 卷积在细小血管上的收益

共同趋势：从"单网络端到端"走向"多阶段后处理"——先分割出大致管腔，再用中心线连通性、几何先验、隐式表征等手段修复断裂与细化几何。这反映了冠脉分割的真正难点不在"认出血管像素"，而在"保证整棵树拓扑连通且几何准确"。

§5.5 排行榜方法拆解：冠军与亚军的技术路线对比

理解 ASOCA 榜单，不只是记住两个数字，更要看两条路线的分野——这决定了后来者该往哪个方向学。

5.5.1 冠军 RuochenGao：nnU-Net + 三网络集成 + 解剖约束

核心思路：不把冠脉分割当成"一个网络搞定"的任务，而是拆成三个子网络协同：

1. 心外膜分割网络：先分割心脏外表面（心外膜轮廓）。这是关键——它把后续血管搜索限制在心脏附近，排除胸腔其他高密度结构的干扰。
2. 动脉分割网络：在心外膜约束的区域内分割冠状动脉管腔。
3. scale map 回归网络：回归"尺度图"，帮助在不同粗细的血管上自适应。细血管和主干需要不同的感受野，尺度图提供了这种自适应性。

最终输出：把动脉分割结果与 scale map 回归结果集成，再剔除心外膜外的血管。

为什么这个方案 Dice 高（0.867）：三网络 + 集成 + 解剖约束，本质上是用多路信息冗余压低错误率，区域重叠（Dice 关注点）因此受益。

可借鉴之处：解剖先验（心外膜）是冠脉分割的"免费午餐"——冠脉几乎总在心外膜下，用这个先验能显著减少假阳性。

5.5.2 亚军 SenYang：2D U-Net + 注意力 + 多尺度

核心思路：改进的 2D U-Net，叫 SK-UNet：

1. 编码器：用 SE-Res 模块（Squeeze-and-Excitation + 残差）替换常规卷积块。SE 模块做通道注意力——自动学习"哪些通道更重要"，让网络聚焦血管相关特征。
2. 解码器：引入 SK 模块（Selective Kernel），用不同卷积核尺寸并行提取多尺度信息，再自适应融合。

为什么这个方案 HD95 好（2.336）：注意力机制 + 多尺度融合对边界更敏感，能更好捕捉细血管的边缘，因而表面距离指标（HD95 关注点）更优。

可借鉴之处：处理细小结构时，"多尺度 + 注意力"是提升边界质量的有效手段；2D 方案在显存与数据效率上也有优势。

5.5.3 两条路线的启示

维度	冠军路线	亚军路线
维度	3D（nnU-Net）	2D（U-Net）
策略	多任务 + 集成 + 解剖约束	注意力 + 多尺度
优势指标	Dice（区域重叠）	HD95（边界）
计算成本	高（三网络 + 集成）	中
数据需求	较高	较低
可迁移性	解剖先验思路广适用	注意力模块易移植

综合结论：没有放之四海皆准的"最佳"。若你的下游关心体积/区域一致性（如体积测量），走冠军路线；若关心血管边界锐利与拓扑（如几何重建、CFD），亚军的边界优势更重要。实践中，很多后续方法（如三阶段框架）试图兼取两者——用强骨干保区域，用中心线修复保边界与连通。

5.5.4 后来者如何超越公开榜

从公开榜与文献看，突破 Dice 0.85 之后的每一分提升都愈发困难，常见手段包括：

• 更强骨干：EfficientNet 等现代编码器替代经典 U-Net 编码器（arXiv:2310.10002 证明有效）。
• 后处理专精：中心线重连（正则化游走）、隐式神经表征几何修正（Qiu 等，Dice 88.53%）。
• 集成与自训练：多折模型集成、伪标签自训练。
• 任务分解：解剖结构分割 + 血管分割 + 形状先验的分解式流水线。

但需注意：公开榜 handle-only、测试集口径不透明，排行榜上的绝对分数对后来者的指导价值有限——真正可复现的进步，往往来自"训练集五折 + 公开代码"这类透明基准（这也是为什么文献成绩多采用这种口径）。

§6 获取与许可

6.1 获取方式（当前官方口径）

ASOCA 数据不是公开直链，获取路径如下：

ASOCA 数据获取决策树
├── 首选：UK Data Service（ReShare 仓库）
│   └── https://reshare.ukdataservice.ac.uk/855916/
│       注册 → 申请 → 审批 → 获得下载权限
├── 备用：UK Data Service 出问题时的临时表单
│   └── https://forms.office.com/r/HK38BahFiM
└── 历史路径（挑战期）：Grand Challenge 平台
    └── asoca.grand-challenge.org → 注册 → 同意 T&C → 提交申请 → 审批下载

UNSW 官方页描述的申请流程（供参考）：创建 Grand Challenge 账号 → 访问 ASOCA 挑战页 → 同意条款与伦理准则 → 提交申请（说明研究用途）→ 审批通过后下载。

6.2 许可状况（分层，务必区分）

资产	许可	说明
数据集本体（影像+标注+附加数据）	请求制（申请时给条款）	社区口径：不允许二次分发；正式 SPDX 条款未公开，需申请时获取
挑战设计文档（Zenodo 3714986/3819799）	CC BY-ND 4.0	Creative Commons 署名 + 禁止演绎（No Derivatives）
挑战赛论文（CMIG 2022）	开放获取（以出版页为准）	Elsevier，具体条款见 ScienceDirect
数据描述论文（Scientific Data 2023）	开放获取	Europe PMC 标注在 Open access 子集

关键提醒：不要用 Zenodo 设计文档的 CC BY-ND 来推断数据集本体的许可——两者是不同资产、不同条款。数据本体的许可受申请协议约束。

6.3 再分发与商用

• 再分发：社区记录（GitHub gist linhandev/dataset issue #9）明确"License 不允许二次分发"，该仓库因此只登记下载方式与许可链接、不代传数据。若衍生模型/衍生数据集需要再分发，须首先与作者确认。
• 商用：数据论文强调相对 Rotterdam 数据集的可得性优势是"available to all researchers including commercial projects"——表面上对商业开放，但正式条款仍以 UK Data Service 申请协议为准。商用前务必书面确认。
• 引用要求：官方 Citation Policy 要求使用数据者引用挑战赛论文 + 数据描述论文两篇。

6.4 版本链

Coronary Atlas（持续队列，数据来源）
   │
   ├── 2019-2020 挑战筹备（数据采集 2017-2020）
   │
   ├── 2020-03-18  Zenodo 设计文档 v1（record 3714986，CC BY-ND 4.0）
   │
   ├── Zenodo 设计文档 v2（record 3819799，带红色修订标记）
   │
   ├── 2020-06-18  训练集 40 例发布（GC 平台）
   ├── 2020-08-15  测试卷 20 例
   ├── 2020-09-30  结果公布
   ├── 2020-10-08  MICCAI 2020 top-10 报告
   │
   ├── 2022        CMIG 挑战赛论文（21 作者）
   ├── 2022-11-03  arXiv:2211.01859 预印本
   ├── 2023-03-10  Scientific Data 数据论文
   │
   ├── post-challenge  UK Data Service ReShare 855916（请求制）
   │
   └── 2025-09-23  Stanford 派生单例 0254_H_CORO_CAD（下游生态）

版本要点：Zenodo 两个 DOI 都是设计文档（PDF，2.6 MB），不是数据本体；数据本体的权威获取点是 UK Data Service ReShare 855916。检索时切勿把 Zenodo DOI 当作数据 DOI 引用。

6.5 获取实操：一步步走

路径 A —— UK Data Service（推荐）

1. 打开 https://reshare.ukdataservice.ac.uk/855916/ 。
2. 按页面提示注册/登录 UK Data Service ReShare，填写数据使用申请（通常需说明研究目的、机构、数据用途）。
3. 等待审批。
4. 审批通过后按指引下载 ASOCA 数据包。

路径 B —— 备用临时表单

若 UK Data Service 出现问题，官方提供了微软表单：https://forms.office.com/r/HK38BahFiM ，提交申请后由组织方协调发放。

路径 C —— 历史路径（挑战期）

挑战进行期间通过 Grand Challenge 平台（asoca.grand-challenge.org）注册、同意条款、提交申请、审批下载。该路径当前是否仍有效以官方页为准。

获取注意：

• 无论哪条路径，都不是即时自助下载——都有审批环节，需预留时间。
• 数据集体量（官方口径约 3.1 GB，含 60 例 CTCA 及附加资产），下载与存储需一定空间。
• 申请时建议同时明确"是否需要中心线/网格/钙化评分"，这些附加资产是 ASOCA 的差异化价值。

6.6 许可使用边界（合规清单）

你想做的事	是否可行	依据
学术研究使用（训练/评测）	✅ 通常可行	申请获批即可
发表基于该数据的论文	✅ 可行	须按 Citation Policy 引用两篇论文
二次分发数据给第三方	⚠️ 社区口径不允许	需先与作者确认正式条款
商用（含商业项目）	⚠️ 数据论文称开放，但需确认	以申请协议为准
在数据基础上发布衍生数据集	❌ 高风险	再分发限制 + 设计文档 CC BY-ND 禁演绎
用数据训练商用模型	⚠️ 需确认	模型权属与数据许可的关系需与作者明确

合规建议：把"数据许可以申请时协议为准"作为底线；任何超出"学术研究"的用途（商用、再分发、衍生发布）都先邮件联系 asoca@unsw.edu.au 书面确认。

6.7 引用规范（官方 Citation Policy）

使用 ASOCA 数据时，必须同时引用下列两篇：

[1] R. Gharleghi et al., "Automated segmentation of normal and diseased
    coronary arteries – The ASOCA challenge", Computerized Medical Imaging
    and Graphics, vol. 97, p. 102049, 2022.
    doi: 10.1016/j.compmedimag.2022.102049

[2] R. Gharleghi et al., "Annotated computed tomography coronary angiogram
    images and associated data of normal and diseased arteries",
    Scientific Data 10.1 (2023): 128.
    doi: 10.1038/s41597-023-02016-2

只引一篇（尤其是只引数据论文而不引挑战赛论文）都属于不完整的引用，审稿人可能指出。

§7 生态与影响

7.1 在冠脉分割研究中的地位

ASOCA 填补了一个明确的空白：首个针对完整冠状动脉树全自动分割的公开基准。在此之前：

• 中心线提取有 CAT 挑战（2008）。
• 狭窄评估有 STEN 挑战（2012）。
• 特定血管段分割散见于个别研究。
• 但"分割整棵冠脉树"无人系统化。

ASOCA 一经发布即被广泛采纳为冠脉分割论文的事实评测集，"在 ASOCA 上报告 Dice/HD95"逐渐成为该子领域的惯例。这与它 40 例的小规模形成有趣反差——规模不大，但标杆性强，因为它的任务定义清晰、标注质量高（三专家投票）、分层平衡（正常/患病 1:1）。

7.2 数据的多重下游用途

数据论文把用途归类为四个方向，每个都对应一批实际应用：

用途	说明	典型受众
算法开发与验证	训练/评测分割模型	计算机视觉、医学影像 AI
3D 打印病人特异模型	STL 网格直接打印	临床教学、术前规划
医学教育与培训	解剖教学、VR	医学院、培训中心
在体验证（in-silico）	器械（支架）测试、CFD 血流仿真	医疗器械厂商、生物力学

中心线 + 网格 + 分割三件套的组合，使数据能直接服务于计算建模——这是纯影像数据集做不到的。

7.3 与现有冠脉数据集的关系

• Rotterdam 数据集：ASOCA 的主要对照。Rotterdam 面向狭窄检测，精度更高（亚体素级），但已不再从挑战网站公开获取，且使用受限（仅限声明用途）。ASOCA 以"全树分割 + 开放可得"换取了不同的定位。
• Visible Heart Project：教学导向的 MR 影像/视频，无标注。
• Coronary Atlas：ASOCA 的上游母集，持续更新；ASOCA 是它的带标注挑战子集。

7.4 学术引用与延伸

• 数据描述论文（Scientific Data 2023）据 CoLab 统计已被引用 37 次（抓取时点，含挑战赛生态与后续分割研究）。
• arXiv:2310.10002（同组 EfficientNet-LinkNet 工作）明确以 ASOCA 为唯一基准，并呼吁社区"以 ASOCA 为标准基准"。
• Nickisch 组硕士论文（2025）在讨论冠脉分割里程碑时，把 ASOCA 与 CAT(2008)、STEN(2012) 并列为 MICCAI 冠脉系列挑战的当代代表。
• Stanford Vascular Model Repository 收录的派生算例，说明数据已穿透到流体力学/器械测试领域。

7.5 中国镜像生态

国家基础学科公共科学数据中心（NBSDC）收录了"自动分割冠状动脉数据ASOCA"（CSTR:16666.11.nbsdc.bHg7HvpO），署名作者徐颂华（西安交通大学），发布版本 v1.0，数据量标注 35.93 GB、4 个文件（zip+docx），创建机构西安交通大学，依托国家重点研发计划项目 2020AAA0106300（认知计算基础理论与方法研究）。其数据描述与官方一致（20 正常 + 20 患病、.nrrd 影像、三专家投票融合标签），但署名机构与数据量与官方均有出入，需谨慎对待（坑 6）。

§8 方法学启示

8.1 "多数投票"标注的取舍

三专家独立标注 + 多数投票，是 ASOCA 保证标注质量的机制，但也带来两个后果：

• 优点：单一 GT 降低噪声，评测口径统一，避免"选哪个专家的标注"的争议。
• 代价：丢失了专家间分歧信息。观察者间变异（inter-observer variability）在冠脉分割中并非可以忽略——三位专家在细血管末端、分叉处的勾画可能显著不同。只发布融合结果，使后续研究者无法用这份数据分析"哪里难标、分歧多大"。

对想研究标注不确定性的团队，这是一个明确的数据缺口：需要三专家各自的标注，而 ASOCA 不提供。

8.2 小规模基准的价值与边界

40 例训练集在深度学习时代显得很小，但 ASOCA 的价值恰恰不在"训练"，而在"公平评测"：

• 作为隐藏测试集基准，它让不同方法在同一把尺子下比较，避免各自划分数据的口径混乱。
• 作为高质量标注样本，它适合细粒度评测（边界精度、拓扑连通性）与小样本迁移研究。
• 但它不适合从零训练大数据模型——多数研究都用它做微调/评测，或在迁移预训练的基础上使用。

8.3 "任务边界"设计的智慧

ASOCA 把任务明确限定为"管腔、不含钙化与病变、必须全自动"，这个边界设计值得借鉴：

• “管腔而非血管壁/斑块”：虽然临床上钙化与斑块更受关注，但把它们排除在外使任务定义可复现、可度量——避免"钙化算不算血管"这类歧义。
• “必须全自动”：直接排除了打擦边球的半自动方案，保证了排行榜的可比性。
• 代价是任务的临床直接性下降（管腔分割只是完整诊断流程的一环），但换来了基准的严谨性。

8.4 基准的可持续性挑战

ASOCA 公开榜的 handle-only 归因、测试 GT 的不透明、以及缺乏版本化更新，构成了长期基准的典型困境：榜单热闹但难以从中学习。后来的研究（如 EfficientNet-LinkNet）转向"在 40 例训练集上做五折 + 公开代码"，实际上是对官方榜可比性不足的一种自发补救。

8.5 "小规模 + 请求制"的悖论

ASOCA 有一个耐人寻味的悖论：它的学术影响力（被广泛引用、被当作惯例基准）与它的可得性（请求制、需审批）并不匹配。这带来两点启示：

• 影响力来自任务定义与标注质量，而非可得性。即便获取不便，只要任务足够重要、口径足够清晰，社区依然会围绕它建立比较惯例。
• 可得性是可改进的维度。如果 ASOCA 把训练集 40 例以更开放的许可发布（哪怕仅是影像+标注），其被使用频率可能进一步提升；请求制在合规上是谨慎的，在传播上是保守的。

对数据集设计者的启示："开放"与"严谨"之间需要权衡——ASOCA 选择了偏严谨的一侧（多层申请表、明确的再分发限制），代价是获取摩擦。这个选择本身没有对错，但使用者应当清楚它的边界（§6）。

8.6 从 ASOCA 看医学影像挑战赛的一般规律

把 ASOCA 放在 MICCAI 挑战赛的历史脉络里，可以提炼出医学影像挑战赛的几条一般规律：

1. 任务"可度量"是前提。ASOCA 锁定"管腔、不含病变、必须全自动"，把模糊的临床需求转化为可自动评分的问题——这是挑战赛成立的先决条件。
2. 数据"小而精"足以立标杆。挑战赛不一定需要海量数据，40 例高质量标注 + 隐藏测试集即可建立比较基准。
3. 挑战赛后论文是生态粘合剂。top-10 受邀成为共同作者（CMIG 论文 21 作者），把分散的参赛方法凝聚成一篇领域综述，加速知识沉淀。
4. 基准会被后续方法"续命"。ASOCA 会后仍被大量论文用作评测集，说明挑战赛的寿命远超赛期本身。
5. 归因与透明度是长期短板。handle-only 榜、测试 GT 不透明，是许多挑战赛共同的软肋——后来的"开放榜 + 公开代码"潮流正是对此的回应。

§9 与库内条目的关系

ASOCA 在本库中的定位是心血管 CT 影像分割类基准。可考虑互链的同域条目（rid 需主会话用 DB url_name 反查确认，禁止位置对齐）：

关联维度	可能的库内条目	关联理由
同域：CT 分割挑战赛	3dircadb、atlas-liver-tumor、autoimplant 等 CT 分割条目	同属 CT 体素级分割基准
同标签：心血管疾病	使用 心血管疾病 标签的条目	category_tags 共现，相关度算法会聚合
同标签：医学图像分割	使用 医学图像分割 标签的条目	任务同域
同标签：挑战赛数据集	其他 MICCAI/Grand Challenge 系列	生态同源
同源：Coronary Atlas	若库内有相关条目	上游母集（本次查询未见）

本次查重范围：url_name ILIKE '%asoca%' OR '%coronary%' OR '%artery%'，以及 title ILIKE '%coronary%' → 0 行。说明库内尚无明确的冠脉/冠状动脉直接条目，互链以标签同域为主。

建议主会话：用 category_tags（心血管疾病 / CT / 医学图像分割 / 挑战赛数据集）计算相关度，反查命中条目的真实 rid 后再建互链。

§10 避坑清单：八个已踩过的坑

坑 1：Zenodo DOI 是设计文档，不是数据本身。asoca 在 Zenodo 上有两个记录（3714986、3819799），但都是"challenge design document"PDF（2.6 MB），不含影像数据。真正的数据本体只在 UK Data Service（ReShare 855916）以请求制发放。把 Zenodo DOI 当数据 DOI 引用，或以为下载 Zenodo 文件就能拿到数据，是本条目最容易踩的坑。

坑 2："30 normal and 30 disease"是合计口径，不是子集规模。官方与 arXiv/PMC 明确：训练集 20 正常 + 20 患病，测试集 10 正常 + 10 患病。文献中偶有作者写 “the dataset has 30 normal and 30 disease cases”，那是把训练+测试的 60 例合起来算（30/30）。单看训练集绝不是 30+30——转引时务必核对（arXiv:2310.10002 即有此笔误）。

坑 3：数据量口径冲突（3.1 GB vs 35.93 GB）。Scientific Data/Zenodo 口径约 3.1 GB；中国 NBSDC 镜像标注 35.93 GB。差异可能来自打包方式（原始 DICOM vs 处理后 nrrd）或镜像自定义。引用体积时注明来源，勿混用。

坑 4：许可要分层看，别一揽子引用。数据集本体（请求制，不允二次分发）、设计文档（CC BY-ND 4.0，禁演绎）、两篇论文（开放获取）是四套规则。尤其注意 CC BY-ND 的"ND"——不允许在此基础上做演绎发布。

坑 5：任务只标管腔，不含钙化/病变。数据里带有钙化评分和患病标签（属元数据/分层），但像素级不标注钙化与斑块。若你要做斑块分割或钙化评分自动化，ASOCA 的训练信号不满足需求。

坑 6：NBSDC 镜像署名与官方不符。中国镜像署名"徐颂华（西安交通大学）"，与 UNSW 原始作者团队不同，疑为国内二次收录/再打包；数据量也与官方不一致。引用原始数据时以 UNSW/官方与 UK Data Service 为准，镜像仅作可得性备选。

坑 7：榜单成绩口径不可混比。官方榜（隐藏测试集，handle-only）、文献五折（训练集交叉验证）、公开榜实时成绩是三套口径。EfficientNet-LinkNet 的 0.882、Qiu 的 0.8853 都是训练集五折，不能与官方榜的 0.867 直接排名。

坑 8：测试集 GT 的可得性未更新。官方原话是测试集 ground truth “will not be provided while the challenge is in progress”（进行期不给）。挑战结束后是否放出测试 GT，官方页未见明确更新说明——存在"合计 60 例但其实只有 40 例有标注"的可能，用完整 60 例训练前需向作者确认测试标注状态。

§10.1 坑位速查表

坑	一句话	影响
坑 1	Zenodo DOI ≠ 数据本体	下载/引用错误
坑 2	“30+30” 是合计口径	规模误报
坑 3	3.1 GB vs 35.93 GB	体积引用不一致
坑 4	许可四层异构	合规风险（尤其 CC BY-ND）
坑 5	只标管腔不含病变	任务不匹配
坑 6	NBSDC 镜像署名/体量不符	溯源混乱
坑 7	榜单一/五折/实时三口径	成绩不可比
坑 8	测试 GT 状态未更新	训练数据量不确定

§10.2 一句话"防翻车"总则

拿 ASOCA 做研究前，先问自己三个问题：（1）我拿到的是设计文档还是数据本体？（2）我要的是管腔还是病变？（3）我的成绩要和哪个口径的榜对比？ 三问答对，八成的坑都能避开。

§11 复现指南：一次完整的 ASOCA 实验该怎么做

11.1 端到端流程

阶段 1 获取
  └─ UK Data Service 申请 → 审批 → 下载 60 例 CTCA + 附加资产
阶段 2 数据理解
  ├─ 检查影像分辨率、体素间距、方向
  ├─ 统计管腔体素占比（体会类别不平衡程度）
  └─ 划分训练集 40 例（或留出内部验证）
阶段 3 预处理
  ├─ 重采样到统一 spacing（保持物理尺度一致）
  ├─ 强度归一化（CT 值窗口/裁剪，突出血管）
  ├─ 可选：先分割心外膜，缩小搜索空间
  └─ patch 采样（应对不平衡）
阶段 4 建模
  ├─ 骨干：3D nnU-Net / 2D U-Net / 编解码组合
  ├─ 损失：Dice + 交叉熵复合（应对不平衡）
  └─ 集成：多折/多模型 ensemble（榜单常用）
阶段 5 后处理
  ├─ 连通域过滤（去除孤立假阳性）
  ├─ 心外膜约束（剔除心脏外伪影）
  └─ 中心线连通修复（补断裂）
阶段 6 评测
  ├─ Dice + HD95（对 20 例或内部验证集）
  └─ 分正常/患病子集报告（体现鲁棒性）

11.2 关键工程经验（来自榜单方法）

• 解剖约束几乎必备：榜冠军用"心外膜分割 → 血管分割"的两阶段，把搜索空间缩到心脏附近。直接在全胸腔找细血管，假阳性会很多。
• 大 patch + 多折集成：复杂方案倾向用较大 patch（如 192×224×192）并做五折集成——换取对小血管的敏感度。
• 后处理显著影响 HD95：连通域清理、断裂修复能大幅改善边界指标（HD95 对断裂极敏感，见附录 J）。
• 正常/患病分别报告：仅报告整体平均掩盖了患病组更难的事实；严谨做法是分层报告。

11.3 常见失败模式

失败模式	表现	根因	对策
全背景预测	Dice≈0 或全 0	类别不平衡过严重	重加权损失 + patch
碎块假阳性	Dice 中、HD95 高	无解剖约束	心外膜约束 + 连通域过滤
血管断裂	Dice 尚可、HD95 很高	细血管漏分	中心线修复 + 敏感度提升
患病组崩溃	正常组好、患病组差	未均衡训练	数据增强 + 分层验证
过拟合	训练高、验证低	40 例太小	迁移学习 + 强增强 + 交叉验证

11.4 评测报告建议模板

数据集      : ASOCA（训练 40 / 测试 20）
骨干        : <模型>
预处理      : <spacing/归一化/采样>
损失        : <Dice+CE 等>
后处理      : <连通域/心外膜/中心线修复>
评测口径    : 训练集五折 / 官方隐藏测试（择一明示）
Dice (全体) : x.xxx
Dice (正常) : x.xxx
Dice (患病) : x.xxx
HD95 (全体) : x.xxx mm
对比基线    : <引用的榜单数字，注明口径>

要点：务必在报告中注明评测口径（五折 vs 官方测试），否则与文献数字不可比（坑 7）。

§12 总结

12.1 三句话总结

1. ASOCA 是 MICCAI 2020 首个全冠状动脉树全自动分割挑战赛数据集：40 例训练（20 正常 + 20 患病）+ 20 例隐藏测试，三专家多数投票级体素标注，另附中心线、钙化评分与 STL 网格。
2. 它的价值不在规模而在标杆性与任务定义严谨——"管腔、无病变、必须全自动"的边界让冠脉分割第一次有了可公平比较的基准，Dice + HD95 成为子领域惯例。
3. 获取是请求制（UK Data Service ReShare 855916），Zenodo 上的两个 DOI 只是设计文档；许可是分层的，商用/再分发前必须与作者确认。

12.2 适合谁

• 冠脉分割算法团队：需要一个公认的评测基准与高质量小样本微调集。
• 心血管影像 AI 研究者：研究细血管、不平衡类别、正常/患病差异等难题。
• 血管建模/CFD 团队：需要中心线 + 网格 + 分割三件套做仿真与器件测试。
• 医学教育与 3D 打印：STL 网格可直接用于实体模型与教学。
• 数据集方法学研究者：多数投票标注、任务边界设计是可分析的案例。

12.3 不适合谁

• 要做大数据从零训练的团队：40 例训练集规模不足以支撑。
• 要做斑块/钙化分割的团队：数据只标管腔，不含病变像素标注。
• 需要观察者间变异分析的团队：只发布融合 GT，无三专家独立标注。
• 需要即时公开下载的团队：请求制审批，非直链。

12.4 30 秒决策卡

你的情况	行动
要立刻下数据	走 UK Data Service ReShare 855916 申请；别去 Zenodo 下 design document
要对标算法	引 §5 官方榜（0.867/0.838）+ 五折口径（0.882），注意口径区分
要做心血管 AI 综述	§2 数据规格 + §7 生态 + §2.6 对比表可直接引用
要 3D 打印/CFD	申请数据取 STL 网格 + 中心线；注意许可限制
要引用本数据集	同时引 CMIG 2022 + Scientific Data 2023 两篇（官方要求）
要商用	先与作者书面确认再分发/商用条款

FAQ（高频问答 24 问）

A. 基础认知

Q1：ASOCA 是什么？
MICCAI 2020 的冠脉分割挑战赛，也是其配套数据集。全称 Automated Segmentation of Coronary Arteries，中文"冠状动脉自动分割"。

Q2：它是数据集还是挑战赛？
两者都是：它既是挑战赛（2020 年举办、有排行榜），也是一份长期公开的数据集（训练集 40 例 + 测试集 20 例）。本条目以数据集为主体介绍，兼顾挑战赛历史。

Q3：谁做的？
澳大利亚新南威尔士大学（UNSW）团队：Ramtin Gharleghi（通讯）、Gihan Samarasinghe、Arcot Sowmya、Susann Beier。

Q4：数据从哪来？
Coronary Atlas——一个持续采集 CTCA 影像与临床数据的队列，患者知情同意。ASOCA 是其中的带标注挑战子集。

Q5：发表在哪？
两篇论文：CMIG 2022;97:102049（挑战赛总结）+ Scientific Data 2023;10(1):128（数据描述）。另有 Zenodo 设计文档与 arXiv:2211.01859 预印本。

Q6：名字里的数字 40/20 是什么？
40 = 训练集例数（20 正常 + 20 患病），20 = 测试集例数（10 正常 + 10 患病）。共 60 例。

Q7：最大的卖点一句话？
第一个把"分割整棵冠状动脉树"变成可公平比较全自动任务的公开基准，并附中心线与 3D 网格。

Q8：它有什么局限？
规模小、只标管腔、测试 GT 挑战期不公开、只给融合 GT 无专家分歧。见 §8。

B. 数据与获取

Q9：怎么下载 ASOCA？
当前官方口径：走 UK Data Service（https://reshare.ukdataservice.ac.uk/855916/）申请；备用临时表单 forms.office.com/r/HK38BahFiM。挑战期间曾走 Grand Challenge 平台。

Q10：Zenodo 上的 ASOCA 是什么？
两个 Zenodo 记录（3714986、3819799）都是挑战设计文档 PDF，不是影像数据。别下错（坑 1）。

Q11：数据是什么格式？
影像 .nrrd；附加网格 .stl；标注为体素级分割掩码。

Q12：每例包含什么？
匿名 CTCA 影像 + 管腔分割标注；训练集另含中心线、钙化评分、STL 网格。

Q13：正常与患病怎么划分？
正常 = 钙化评分 0 且无狭窄征象；患病 = 确诊冠状动脉疾病。训练集与测试集各 1:1 分层。

Q14：免费吗？
学术获取一般免费（申请审批制），正式条款以 UK Data Service 申请协议为准。

Q15：能商用吗？
数据论文称对"含商业项目"开放，但社区口径称不允许二次分发。商用前必须与作者书面确认（坑 4）。

Q16：能再分发吗？
社区记录明确"License 不允许二次分发"。再分发前须与作者确认。

Q17：引用要求是什么？
官方 Citation Policy 要求同时引用挑战赛论文（CMIG 2022）与数据描述论文（Scientific Data 2023）。

Q18：为什么有些地方写 35.93 GB？
那是中国 NBSDC 镜像的数据量口径，与官方 3.1 GB 不一致（坑 3、坑 6）。以官方为准。

C. 任务与技术

Q19：任务是分割什么？
冠状动脉管腔，明确不含钙化与其他病变，且必须全自动。

Q20：评测指标是什么？
Dice（DSC）+ 95% Hausdorff distance（HD95）。

Q21：冠军成绩是多少？
MICCAI 2020 榜：RuochenGao DSC 0.867（第一），SenYang HD95 2.336（边界最准）。详见 §5。

Q22：为什么 Dice 0.882 和 0.867 不能直接比？
0.882 是文献在训练集五折上的成绩，0.867 是官方隐藏测试集榜的成绩，口径不同（坑 7）。

Q23：标注是谁做的，可靠吗？
三位专家各自独立体素级标注，经多数投票融合。可靠性高，但不提供个体标注。

Q24：为什么冠脉分割这么难？
血管细小接近分辨率极限、类别极度不平衡（血管占比极小）、随心动运动、钙化/支架伪影、健康与患病外观差异大。

附录

附录 A：条目卡

项	值
条目名	ASOCA
url_name	asoca
类型	挑战赛数据集（图像分割基准）
全称	Automated Segmentation of Coronary Arteries
团队	University of New South Wales（UNSW）
规模	训练 40 例（20 正常 + 20 患病）+ 测试 20 例（10+10）= 60 例 CTCA
模态	Cardiac CTCA（.nrrd）
标注	三专家体素级管腔分割 + 多数投票融合；不含钙化/病变
附加	中心线 + 钙化评分 + STL 网格
指标	Dice + HD95
榜 1	RuochenGao：DSC 0.867 / HD95 4.165
榜 2	SenYang：DSC 0.838 / HD95 2.336
许可	本体请求制 / 设计文档 CC BY-ND 4.0 / 论文开放获取
获取	UK Data Service ReShare 855916（请求制）
抓取时点	2026-09-30
库内互链	心血管疾病 / CT / 医学图像分割 / 挑战赛数据集 同域条目

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	7	两篇开放获取论文 + 官网 + Grand Challenge 页可索引；但数据本体无公开直链页，Zenodo 记录易与数据本体混淆
A 可获取性	5	请求制审批获取，核心资产无公开直链——最大失分项；有备用表单与 UK Data Service 增加了可得路径但仍非自助
I 可互操作	7	.nrrd 影像 + .stl 网格 + 标准体素掩码，医学影像工具链通用；无官方 DICOM 转换脚本
M 元数据质量	8	两篇论文 + 设计文档描述完备（规模/分层/标注/指标/流程）；数据量口径存在 3.1 GB vs 35.93 GB 冲突（坑 3）
S 可持续性	7	UK Data Service（机构级仓库）托管本体，稳定性优于个人邮箱；设计文档在 Zenodo 有 DOI 长期保存
综合评级	6.8/10（中上）	任务定义与标注质量高、生态影响大；可获取性被请求制拖低，但机构级托管与双论文文档部分补偿

附录 C：逐项证据链自证

关键数字/事实	来源	位置
训练 40 例（20+20）/ 测试 20 例（10+10）	官方主页 + arXiv:2211.01859 摘要 + PMC 全文	asoca.grand-challenge.org / arXiv / PMC10006074
三专家多数投票融合	数据论文摘要	arXiv:2211.01859 / PMC10006074
管腔、不含钙化与病变	官方页 Task 段	asoca.grand-challenge.org
Dice + HD95 指标	官方页 Task 段	asoca.grand-challenge.org
榜 1 RuochenGao DSC 0.867 / HD95 4.165	arXiv:2101.00232 Table 3	arXiv PDF
榜 2 SenYang DSC 0.838 / HD95 2.336	arXiv:2101.00232 Table 3	arXiv PDF
EfficientNet-LinkNet DSC 0.882 / HD95 4.753	arXiv:2310.10002 摘要	arXiv PDF
公开榜 hongqq DSC 0.8496 / HD95 1.8879（2025-11）	Nickisch 组硕士论文	hannes.nickisch.org
中心线/钙化评分/STL 网格	数据论文摘要	arXiv:2211.01859 / PMC10006074
获取走 UK Data Service ReShare 855916	官方主页 Post-Challenge 段	asoca.grand-challenge.org
设计文档 CC BY-ND 4.0	Zenodo 3714986 Rights 字段	zenodo.org/records/3714986
引用政策（两篇论文）	官方 Citation Policy 页	asoca.grand-challenge.org/CitationPolicy/
Scientific Data DOI	官方 Citation Policy + Europe PMC	10.1038/s41597-023-02016-2
不允二次分发	linhandev/dataset issue #9 社区记录	GitHub gist
数据量 3.1 GB（设计文档 record）	Zenodo 3714986 Data volume	zenodo.org/records/3714986
镜像 35.93 GB / 徐颂华	NBSDC 镜像页	nbsdc.cn / escience.org.cn

附录 D：数据获取决策树

你的需求是什么？
├── 要分割算法训练/评测
│   ├── 1) 走 UK Data Service ReShare 855916 申请
│   ├── 2) 或备用表单 forms.office.com/r/HK38BahFiM
│   └── 3) 审批通过 → 下载 .nrrd 影像 + 体素标注
├── 只要中心线/网格做 CFD 或 3D 打印
│   └── 同样申请本体（附加资产随本体发放）
├── 只想要挑战设计说明/任务定义
│   └── 直接读 Zenodo 3714986 / 3819799（CC BY-ND 4.0，PDF）
├── 只想引用"冠脉分割基准"论点
│   └── 引 CMIG 2022 + Scientific Data 2023 两篇 + §5 榜单数字
└── 要商用/再分发
    └── 先与作者（asoca@unsw.edu.au）书面确认条款

附录 E：标注类别与使用规范

标注对象	是否标注	说明
冠状动脉管腔（lumen）	✅ 是	唯一的分割目标，三专家投票融合
钙化区域	❌ 否	明确排除；钙化评分仅作元数据
其他病变（斑块/狭窄）	❌ 否	明确排除；患病与否仅作分层标签
背景	—	非管腔即背景（二分类掩码）
中心线	✅ 附加	独立资产，非体素掩码
表面网格（STL）	✅ 附加	平滑网格，非体素掩码

附录 F：文献引用 BibTeX

@article{gharleghi2022automated,
  title   = {Automated segmentation of normal and diseased coronary arteries -- The ASOCA challenge},
  author  = {Gharleghi, Ramtin and Adikari, Dona and Ellenberger, Katy and Ooi, Sze-Yuan and Ellis, Chris and Chen, Chung-Ming and Gao, Ruochen and He, Yuting and Hussain, Raabid and Lee, Chia-Yen and Li, Jun and Ma, Jun and Nie, Ziwei and Oliveira, Bruno and Qi, Yaolei and Skandarani, Youssef and Vila{\c{c}}a, Jo{\~a}o L. and Wang, Xiyue and Yang, Sen and Sowmya, Arcot and Beier, Susann},
  journal = {Computerized Medical Imaging and Graphics},
  volume  = {97},
  pages   = {102049},
  year    = {2022},
  doi     = {10.1016/j.compmedimag.2022.102049}
}

@article{gharleghi2023annotated,
  title   = {Annotated computed tomography coronary angiogram images and associated data of normal and diseased arteries},
  author  = {Gharleghi, Ramtin and Adikari, Dona and Ellenberger, Katy and Webster, Mark and Ellis, Chris and Sowmya, Arcot and Ooi, Sze-Yuan and Beier, Susann},
  journal = {Scientific Data},
  volume  = {10},
  number  = {1},
  pages   = {128},
  year    = {2023},
  doi     = {10.1038/s41597-023-02016-2}
}

附录 G：术语表

术语	英文	说明
CTCA / CCTA	Computed Tomography Coronary Angiography	CT 冠状动脉造影，含造影剂
管腔	lumen	血管内腔（血液流经处），ASOCA 的分割目标
多数投票	majority voting	三专家标注融合为单一 GT 的方法
DSC	Dice Similarity Coefficient	分割重叠度指标
HD95	95th percentile Hausdorff Distance	表面距离 95 分位指标
中心线	centerline	血管中轴曲线，用于仿真与拓扑
钙化评分	calcification score	冠脉钙化程度的量化（Agatston 类）
网格	mesh（.stl）	血管表面三角网格，用于打印/建模
心外膜	epicardium	心脏外表面，可作血管搜索的解剖约束
NRRD	Nearly Raw Raster Data	可扩展医学影像格式

附录 H：ASOCA 数据结构示意

ASOCA/
├── train/  (40 例：20 正常 + 20 患病)
│   ├── case_XXX/
│   │   ├── image.nrrd            # 匿名 CTCA 影像
│   │   ├── label.nrrd            # 体素级管腔分割（三专家多数投票）
│   │   ├── centerline.*          # 中心线
│   │   ├── mesh.stl              # 平滑表面网格
│   │   └── calcium_score.*       # 钙化评分
│   └── ...
└── test/  (20 例：10 正常 + 10 患病，挑战期仅影像)
    ├── case_XXX/
    │   └── image.nrrd
    └── ...
# 注：文件组织以实际发放版本为准；本例为结构示意。

附录 I：冠脉分割评测骨架（代码示意）

import numpy as np

def dice(pred, gt):
    """Dice 相似系数：pred/gt 为二值体素掩码。"""
    pred, gt = pred.astype(bool), gt.astype(bool)
    inter = np.logical_and(pred, gt).sum()
    return 2.0 * inter / (pred.sum() + gt.sum() + 1e-8)

def hd95(pred, gt, spacing=(1.0, 1.0, 1.0)):
    """95% Hausdorff 距离（mm）；需 scipy 计算表面距离。"""
    from scipy.ndimage import distance_transform_edt
    # 分别计算 pred->gt 与 gt->pred 的表面距离，取 95 分位后取大者
    dt_gt = distance_transform_edt(~gt, sampling=spacing)
    dt_pred = distance_transform_edt(~pred, sampling=spacing)
    d1 = dt_gt[pred]        # pred 表面点到 gt 的最近距离
    d2 = dt_pred[gt]        # gt 表面点到 pred 的最近距离
    return float(np.percentile(np.concatenate([d1, d2]), 95))

# 用法：对每个测试例计算 dice 与 hd95，再对全体取均值排名。

附录 J：Dice 与 HD95 的关系（为什么需要两个指标）

情形	Dice	HD95	说明
完美分割	1.0	0	理想
主体准确但末端漏掉一小段	高	可能很高	断裂血管拉大表面距离
体积对但边界毛糙	中高	中	边界抖动
分叉处多分一片	中	中高	假阳性 + 拓扑错误

结论：Dice 管"大面上对不对"，HD95 管"有没有离谱的局部错误"。冠脉分割最怕拓扑断裂（整条血管断开），Dice 可能不敏感而 HD95 会暴露。这也是 MICCAI 2020 榜冠军（Dice 优）与亚军（HD95 优）并存的原因——两种"好"不同。

附录 K：正常与患病病例的差异（分层设计的意义）

维度	正常病例	患病病例	对算法的挑战
钙化评分	0	通常 >0	患病组有钙化伪影
管腔形态	光滑、连续	可能狭窄/中断	患病组拓扑更易断
血管走行	规律	可能迂曲	患病组几何更复杂
分割难度	较低	较高	混合训练提升鲁棒性

ASOCA 按 1:1 纳入两类，使得：

1. 可以在子集上分别评测——算法在健康/患病血管上的表现可对比；
2. 避免算法"只会标健康血管"的过拟合；
3. 让"疾病对血管形态的影响"成为可独立研究的问题。

附录 L：常见下游任务映射

下游任务	用 ASOCA 的哪些部分	备注
冠脉分割模型训练/评测	影像 + 管腔标注	主用途
血流动力学 CFD	影像 + 管腔 + 中心线	中心线是关键
3D 打印/VR 教学	STL 网格	直接可用
器械（支架）在体测试	网格 + 影像	需额外建支架几何
钙化/风险研究	钙化评分 + 患病标签	注意无像素级钙化标注
拓扑/连通性研究	管腔标注 + 中心线	断裂修复方法评测

附录 M：与库内其他分割基准的定位对照

数据集类型	目标结构	特点	与 ASOCA 的差异
冠脉分割	全冠状动脉树	细小、不平衡、需解剖约束	ASOCA 本身
肝肿瘤分割	肝脏/肿瘤	体量大、边界清	目标更大更易分
脑肿瘤分割	脑肿瘤亚区	多类、多模态	多类而非二类
脊柱分割	椎骨	结构规则、类别多	形态更规范
CT 器官分割	多器官	目标大	问题更"常规"

定位：ASOCA 属于"小目标 + 高不平衡"这一最难的医学分割子类，其方法与启示对血管、神经、纤维束等细小管状结构分割都有迁移价值。

附录 N：术语与缩写英中对照

缩写/术语	英文全称	中文
ASOCA	Automated Segmentation of Coronary Arteries	冠状动脉自动分割
CTCA / CCTA	(Computed) Tomography Coronary Angiography	CT 冠状动脉造影
CAD	Coronary Artery Disease	冠状动脉疾病
LAD	Left Anterior Descending artery	左前降支
LCx	Left Circumflex artery	左回旋支
RCA	Right Coronary Artery	右冠状动脉
DSC	Dice Similarity Coefficient	Dice 相似系数
HD95	95th percentile Hausdorff Distance	95% Hausdorff 距离
GT	Ground Truth	金标准
CFD	Computational Fluid Dynamics	计算流体力学
MICCAI	Medical Image Computing and Computer Assisted Intervention	医学图像计算与计算机辅助介入会议
GC	Grand Challenge	挑战赛托管平台

附录 O：本条目信息来源与核验说明

信息类型	来源	核验方式
数据规模（40+20）	官方页 / arXiv / PMC	三源互证
标注流程（三专家投票）	数据论文摘要	arXiv + PMC 双源
任务定义	官方页 Task 段	实抓
榜单数字	arXiv:2101.00232 Table 3	实抓 PDF
获取方式	官方页 Post-Challenge 段	实抓
设计文档许可	Zenodo Rights 字段	实抓
引用政策	官方 Citation Policy 页	实抓
镜像信息	NBSDC 页	实抓（存照差异）
二次分发限制	GitHub 社区记录	实抓 issue

核验声明：本条目所有核心数字均至少两源互证；存在口径冲突处已在坑 2/3/6/7 逐条存照，并在正文标注本条目采用的口径。

附录 P：ASOCA 与近邻冠脉/血管分割资产的对照

资产	年份	规模	标注	可得性	特点
Rotterdam 冠脉	2012 前后	—	狭窄/管腔	已下线	亚体素级狭窄，使用受限
ASOCA	2020	40+20	管腔 + 中心线 + 网格	请求制	全冠脉树全自动分割首基准
CAT（中心线）	2008	—	中心线	历史	只做中心线追踪
STEN（狭窄）	2012	—	狭窄量化	历史	只做狭窄评估
Stanford VMR 派生算例	2025	单例	网格	公开	ASOCA 下游建模产物

定位结论：ASOCA 在"全冠脉树 + 全自动 + 三专家标注 + 附几何资产"这一组合上是开创性的，其"请求制获取"是可获取性上的主要门槛，也是与"公开直链"类数据集的区别所在。

附录 Q：一句话回答"我该不该用 ASOCA"

你的目标	建议
做冠脉分割的公平评测	✅ 用，这是它的设计初衷
从零训练大数据模型	❌ 40 例不够，改用其他大规模数据
做斑块/钙化分割	❌ 不标病变，别用
做血流仿真/3D 打印	✅ 中心线 + 网格刚好
需要立刻下载	⚠️ 请求制，需等待审批
商用发布衍生数据	⚠️ 先确认条款再动

附录 R：ASOCA 的三个"第一次"

1. 第一次把完整冠状动脉树的全自动分割设为公开挑战任务（此前只有中心线、狭窄、特定血管段）。
2. 第一次在公开冠脉数据集中同时提供中心线 + 分割 + 平滑网格三件套（作者原文强调）。
3. 第一次在冠脉分割中引入正常/患病 1:1 平衡的挑战分层，让"疾病对形态的影响"可被独立评测。

这三条"第一次"共同构成了 ASOCA 的学术身份——它不是"更多的冠脉数据"，而是"冠脉分割基准范式的奠基"。

附录 S：条目自检清单

检查项	状态
名称与官方名一致（ASOCA）	✅
规模数字双源互证（40+20）	✅
标注口径准确（管腔，不含病变）	✅
榜单数字有出处（arXiv:2101.00232）	✅
获取方式准确（UK Data Service 请求制）	✅
许可分层说明（本体/设计文档/论文）	✅
Zenodo DOI 性质澄清（设计文档非数据）	✅
口径冲突存照（坑 2/3/6/7）	✅
category_tags 受控词表内	✅
title 带站点后缀	✅
DAIMS 表齐备	✅
坑点 ≥6	✅

---

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：

• orcascore — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 心血管疾病 / 评测基准
• toothfairy2 — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• curvas — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• toothfairy3 — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• stsr — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• instance2022 — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• lnq — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• mm-whs — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 心血管疾病
• lascarqs — 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 / 评测基准
• 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

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。