Multi-site, Multi-domain Airway Tree Modeling — 肺气道树分割公共基准

INFOBOX — ATM’22 一屏速览

维度	内容
本质	MICCAI 2022 官方挑战赛数据集——三维肺气道树分割公共基准（非新采集、非通用肺 CT 库）
全称	Multi-site, Multi-domain Airway Tree Modeling (ATM’22)
主办	上海交通大学 Institute of Medical Robotics 领衔，多中心多团队协作；通讯 Yun Gu
论文	arXiv:2303.05745（2023-03）→ Medical Image Analysis 2023;90:102957（2023-12，双年份口径）
数据	500 例胸部 CT = 300 训练 / 50 验证 / 150 测试；多中心多领域
标注	3 名 >5 年经验放射科医生标注三维气道树（气管/主支气管/肺叶支气管/远端段支气管）
特殊域	含一部分 noisy COVID-19 CT（毛玻璃影 + 实变）
格式	NIfTI（须保持 same origin & spacing）；Zenodo 打包 RAR
指标	拓扑完整性 + 像素精度双轨（topology-aware）
规模佐证	Zenodo TrainBatch1 = 32.3 GB（md5 0db314a0fc6efbf512acb0a216edae59）
参赛	23 支团队，论文回顾 top 10 算法
核心结论	嵌入拓扑连续性增强的深度学习模型总体更优
获取	注册制（签署数据协议邮件 IMR-ATM22@outlook.com）｜Zenodo 部分批次直链
许可	CC BY / CC BY-ND 双口径存照，以官方注册协议为准
库内互链	parse2022（肺动脉分割）、LUNA16/LIDC-IDRI（胸部 CT）、COVID-CT 类（COVID 域血缘）

ATM’22（Multi-site, Multi-domain Airway Tree Modeling）是一个「把肺气道分割从像素比赛升级为拓扑比赛」的挑战赛数据集：它不满足于让算法数对尽可能多的气道体素，而是要求算法真正把整棵气道的连通树结构提取出来——从气管一路追到远端段支气管，一分不能断、一岔不能漏。500 例多中心胸部 CT、3 名资深放射科医生标注、外加刻意掺入的 COVID-19 毛玻璃与实变扫描，使它成为深度学习时代肺气道分割事实上的标准基准。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——注意主门是注册制（要签署协议），Zenodo 只是部分批次的旁门。
2. 关心算法评测：直奔 §5 与 §7——理解「拓扑完整性 + 像素精度」为什么要双轨打分，以及为什么只取最大连通分量。
3. 做跨中心泛化研究：直奔 §4 的域差异段与 §9 的域偏斜讨论——COVID 噪声域是刻意设计，不是数据脏。

§0 导读：这个数据集解决什么问题

0.1 气道分割为什么重要

肺气道分割（pulmonary airway segmentation）是肺疾病影像分析的前置关键步骤。哮喘（asthma）、支气管扩张（bronchiectasis）、肺气肿（emphysema）与慢性阻塞性肺病（COPD）的定量评估，都依赖从 CT 中准确测量气道管径与管壁厚度；支气管镜辅助手术（bronchoscopic-assisted surgery）则需要从 CT 提取患者特有的气道模型做导航路径规划。问题是：肺气道是**细粒度（fine-grained）**结构，远端小气道在 CT 分辨率下仅有几个体素粗细，人工逐层勾画耗时、易错、且高度依赖医生经验。

0.2 EXACT’09 的天花板

这一领域的上一座里程碑是 2009 年的 EXACT’09（Extraction of airways from CT）挑战赛，它聚焦于基于多阈值、模板匹配与区域生长的半自动/自动算法。但 EXACT’09 只有 20 例训练 + 20 例测试，在深度学习时代严重不足；且传统算法在提取小外周支气管时力不从心，还常出现气道泄漏（airway leakage）——分割结果从气道壁漏到邻近肺实质，把肺泡区误当气道。

0.3 ATM’22 的答卷

ATM’22 的定位正是补上这个缺口：规模升级（20→500 例）、标注升级（3 名资深放射科医生）、任务升级（从逐像素到拓扑感知）。论文明确把气道分割重新定义为一个 **beyond pixel-wise segmentation（超越逐像素分割）**的任务——不仅要像素级对，更要结构级连。这一定位，是理解本条目全部评测设计的钥匙。

0.4 一句话概括

ATM’22 是「深度学习时代重新发明的 EXACT’09」：更大的数据、更细的标注、更苛刻的拓扑标准，外加一个刻意掺入的跨域难题（COVID-19）。

§1 数据集速览：十问十答

Q1：ATM’22 是什么？
一个 MICCAI 2022 官方挑战赛数据集，全称 Multi-site, Multi-domain Airway Tree Modeling，用于三维胸部 CT 的肺气道树分割评测。

Q2：多少数据？
500 例胸部 CT，划分为 300 训练 / 50 验证 / 150 测试。

Q3：谁标注的？
3 名具有 5 年以上专业经验的放射科医生共同标注气道树结构。

Q4：和其它肺 CT 数据集有何不同？
它不是通用肺 CT 库（如 LIDC-IDRI），而是气道树专项标注基准；核心特点是「多中心多领域」——跨站点采集 + 故意掺入 COVID-19 噪声域。

Q5：任务定义是什么？
给定三维胸部 CT，输出整棵肺气道树的二值分割，要求既像素准（accuracy）又连通完整（topological completeness）。

Q6：怎么评？
拓扑完整性 + 像素精度双轨指标；预测须与输入保持 same origin & spacing，且只取最大连通分量参与评分。

Q7：有多少队参加？
23 支团队参与全程，论文回顾了其中 top 10 队伍的算法。

Q8：谁赢了？
综述性结论：嵌入拓扑连续性增强（topological continuity enhancement）的深度学习模型总体表现更优。

Q9：怎么获取？
主门是注册制：注册挑战赛并签署数据协议文档，发至 IMR-ATM22@outlook.com；部分批次在 Zenodo 有公开直链。

Q10：发在哪？
arXiv:2303.05745（2023-03 预印本）→ Medical Image Analysis 2023;90:102957（2023-12 正式卷期）。

§2 数据构成与规格

2.1 规模、来源与划分

ATM’22 共收集 500 例胸部 CT，来源为多站点（multi-site），领域覆盖多中心（multi-domain）。划分沿用挑战赛标准三段式：

子集	例数	用途
训练集（Training）	300	训练数据，注册后发放标注
验证集（Validation）	50	开发期自评，可提交评测服务器
测试集（Testing）	150	最终评测，金标准不公开

训练集由 Zenodo 分批打包发布（见 §6），其中 TrainBatch1 单批即 32.3 GB，可据此感知数据体量。

2.2 格式与工程约束

• 数据格式：NIfTI（.nii / .nii.gz），每例含 CT 体数据与对应二值气道标注掩码。
• 坐标对齐硬约束（来自挑战赛官方 News）：提交的预测结果必须与对应输入 NIfTI 保持相同的 origin 与 spacing。这是三维医学分割评测最常见的翻车点——重采样后忘了还原几何信息，评测直接错位。
• 后处理硬约束：评测只取二值结果的 largest connected component（最大连通分量）。官方明确要求参赛者预先对结果做最大连通分量提取，否则零散假阳性会污染评分。

2.3 标注对象：四级气道结构

标注覆盖气道的四级解剖层级：

1. 气管（trachea）
2. 主支气管（main bronchi）
3. 肺叶支气管（lobar bronchi）
4. 远端段支气管（distal segmental bronchi）

官方特别指出这四级之间存在严重的类内不平衡（intra-class imbalance）：气管与主支气管体素多、分支粗，而远端段支气管体素极少、分支细。这正是「远端小气道难分割」的数据根源——损失函数若不做类别权重处理，模型会倾向于忽略远端细分支（见 §8.1 对 class-wise gradient imbalance 方法的引用）。

2.4 多中心多领域：不是缺陷，是设计

「Multi-site, multi-domain」是本数据集名字里的两个关键词，也是其核心难度来源：

• 多站点（multi-site）：数据来自不同医疗机构，扫描仪、重建核、层厚、剂量、患者群体各异，天然带来采集域漂移。
• 多领域（multi-domain）：论文明确指出数据中包含一部分 noisy COVID-19 CT，其特征是ground-glass opacity（毛玻璃影）与consolidation（实变）。这类肺部病变改变了肺实质的强度分布与气道-肺界面，对在「正常肺」上训练的模型构成分布外（OOD）挑战。

因此，ATM’22 的跨域泛化不是意外的数据脏，而是刻意设计的评测维度——它要求算法在正常肺与病变肺上都要稳。

2.5 临床与解剖背景速记

• 相关疾病：哮喘、支气管扩张、肺气肿、COPD。
• 定量分析价值：准确分割后可测量气道管径与管壁厚度，揭示 COPD 患者异常。
• 手术价值：从 CT 提取患者特异气道模型，用于支气管镜辅助手术导航。
• 难点本质：气道是分形细粒度结构，分辨率越往远端越吃紧。

§3 任务定义与评测框架

3.1 任务：beyond pixel-wise segmentation

论文把 ATM’22 的任务定位为「超越逐像素分割」。传统分割只看像素/体素是否分类正确，而气道分割的真实临床需求是：整棵树要连通、要完整、要没有泄漏。一个算法可能像素 Dice 很高，却在远端断了几个分支，或从某处漏进肺实质——这在临床导航中是不可接受的。

3.2 为什么「拓扑」比「像素」更关键

气道树的本质是一张图（graph）：结点是分叉点，边是支气管段。像素级指标（如 Dice）对连通性不敏感，可能因一个泄漏分支就刷高体素交叠。因此领域内逐步发展出拓扑感知指标，从「有多少体素对」升级为「有多少分支被检测到、有多少树长被覆盖」。ATM’22 的评测框架正是沿这条线展开。

3.3 双轨指标族

综合挑战赛口径，评测大致分两族：

指标族	代表指标	考察什么
分段/体素级	Precision、Recall、Dice、IoU	像素/体素分类准不准
拓扑级	Branch Detected（BD）、Tree-length Detected（TD）等	分支检测到没、树长覆盖多少

• Precision（精确率）：预测为气道的体素中真为气道的比例——低则说明泄漏多。
• Recall（召回率）：真气道体素中被检出的比例——低则说明欠分割、断枝。
• BD/CD、TD：拓扑类指标的典型形态，衡量分支与树长的检出完整度。

3.4 泄漏 vs 欠分割：一对矛盾

气道分割始终在两种错误之间走钢丝：

• 气道泄漏（leakage）——过分割，从气道壁漏到肺实质，Precision 崩。
• 欠分割（under-segmentation）——漏掉远端细分支，Recall 与拓扑完整性崩。

最大连通分量约束本质上是对泄漏的一种兜底：先保证输出是一整块连通结构，再在此前提下追求召回。理解这一矛盾，才能真正读懂 leaderboard 上的权衡（见 §7）。

§4 数据来源与域构成

4.1 多站点采集

500 例 CT 来自多个站点（multi-site），这是构成域漂移的第一层。不同中心在扫描协议、重建核、层厚上的差异，使得「在一个中心训练、在另一个中心测试」成为天然考验。

4.2 COVID-19 噪声域

第二层域差异来自一部分 noisy COVID-19 CT：

• Ground-glass opacity（毛玻璃影，GGO）：肺实质密度增高但仍可见血管纹理，模糊了气道-肺界面。
• Consolidation（实变）：肺实质被渗出物填充、密度接近软组织，与气道壁的对比度大幅下降。

对气道分割而言，这些病变会让「哪里是气道、哪里是肺」的边界变得暧昧，直接推高泄漏与漏检风险。ATM’22 把这类扫描纳入基准，等于要求模型在病变肺上也要可用。

4.3 这一设计的价值

含 COVID 域使 ATM’22 天然成为**跨域鲁棒性（cross-domain robustness）**的试金石：

• 它逼着算法不能只拟合「正常肺」的强度分布；
• 它为 domain adaptation、test-time adaptation、域随机化等方向提供了真实评测场；
• 它把「数据多样」从宣传语变成了可量化的分数差异。

4.4 与 EXACT’09 的规模对照

维度	EXACT’09	ATM’22
训练例数	20	300
测试例数	20	150
总例数	40	500
标注	传统算法导向	3 名资深放射科医生
任务定位	像素/区域生长	拓扑感知
域设计	单一	多中心 + COVID 噪声域

从 40 例到 500 例、从像素到拓扑、从单域到多域——三处跃迁共同定义了「深度学习时代的气道分割基准」。

§5 挑战赛历程：从注册到评测

5.1 时间线

ATM’22 作为 MICCAI 2022 官方挑战赛，时间轴如下：

时间	事件
2022-04-19	挑战赛网站开放
2022-05-01	注册（registration）开放
2022-05-20	提醒参与者发送签署文档完成注册
2022-05-30	训练数据发布（须发送签署文档获取访问）
2022-06-01	验证集早鸟提交开放
2022-07-11	验证集评测开放
2022-09-18～22	MICCAI 2022 会期（新加坡）

5.2 注册与数据协议

ATM’22 采用开放征集（open call）模式——会期后仍可注册与提交。注册流程的关键是签署数据协议文档：

1. 在挑战赛网站注册；
2. 下载并签署数据协议文件；
3. 将签署文档发送至 IMR-ATM22@outlook.com；
4. 完成后获得训练数据访问权限。

官方声明措辞值得注意：「若你参与了本挑战赛，即视为你的机构自动同意数据协议，无论你是匿名参与还是竞赛 ID 真实与否。」 这一条把数据合规绑定到参与行为本身，是使用数据的法理基础。

5.3 提交规则

• 预测结果须与输入 NIfTI same origin & spacing。
• 只取最大连通分量参与评分（须自行预处理）。
• Top-5 队伍必须公开其代码以供核验与可复现研究——挑战赛的「可复现性」硬约束。

5.4 参赛规模与综述

23 支团队参加了全程，论文对其中 top 10 队伍的算法做了系统回顾与定量定性比较。综述的核心发现是——嵌入拓扑连续性增强的深度学习模型在总体上表现更优。这印证了 §3 的判断：气道分割胜负手在拓扑，不在单纯像素。

§6 获取与许可：两道门怎么进

6.1 两道门

ATM’22 的数据获取存在双轨结构：

通道	内容	门槛
挑战赛注册制	完整训练/验证数据 + 金标准评测	注册 + 签署数据协议 + 邮件发送
Zenodo 直链	部分批次（含 TrainBatch1）	HTTPS 直接下载

主门是注册制：要拿到完整、权威、附带评测访问的数据，必须走注册流程。Zenodo 是旁门：部分批次以公开记录形式发布，可直接下载，适合快速上手与复现，但不覆盖全部批次。

6.2 Zenodo 版本链

已核实的 Zenodo 记录（多批次）：

记录	内容	佐证
doi 10.5281/zenodo.6590745	TrainBatch1（TrainBatch1.rar）	32.3 GB，md5 0db314a0fc6efbf512acb0a216edae59，Published 2022-05-29
doi 10.5281/zenodo.6590026 / .6590025	Validation Images	OpenAIRE 收录
zenodo 7949582 / 7949571	训练/测试批次（第三方索引）	社区文章索引

Zenodo 记录署名机构为 Institute of Medical Robotics, Shanghai Jiao Tong University, Shanghai, China，作者 Minghui Zhang、Yangqian Wu、Hanxiao Zhang、Weihao Yu、Yun Gu。

6.3 License 双口径存照

这是本数据集最需要注意的合规点——license 口径不统一：

• OpenAIRE 对 Zenodo Validation Images 记录（6590026）标注 License: CC BY；
• OpenAIRE 对另一 ATM’22 Zenodo 记录（6362170）标注 License: CC BY-ND；
• Zenodo 记录页本身未显式列出 license 字段。

实务建议：二次分发或商用前，以官方注册时签署的数据协议为准，不要仅凭第三方索引的 license 标注行事。本条目的 license 字段已如实并存照两种口径。

6.4 引用要求

使用 ATM’22 数据必须引用以下 5 篇论文：

1. Zhang M, Wu Y, Zhang H, et al. Multi-site, Multi-domain Airway Tree Modeling (ATM’22): A Public Benchmark for Pulmonary Airway Segmentation. arXiv:2303.05745 / MedIA 2023;90:102957.
2. Zhang M, Zhang H, Yang G Z, et al. CFDA: Collaborative Feature Disentanglement and Augmentation for Pulmonary Airway Tree Modeling of COVID-19 CTs. MICCAI 2022: 506-516.
3. Zheng H, Qin Y, Gu Y, et al. Alleviating class-wise gradient imbalance for pulmonary airway segmentation. IEEE TMI 2021;40(9):2452-2462.
4. Yu W, Zheng H, Zhang M, et al. BREAK: Bronchi Reconstruction by Geodesic transformation And Skeleton embedding. ISBI 2022:1-5.
5. Qin Y, Chen M, Zheng H, et al. AirwayNet: a voxel-connectivity aware approach for accurate airway segmentation. MICCAI 2019:212-220.

6.5 AI-Ready 视角评估

维度	评价
可发现性	高——官方主页 + arXiv + MedIA + Zenodo 多入口
可获取性	中——主门注册制有摩擦，Zenodo 旁门降低门槛
可理解性	中高——论文与主页提供清晰的任务与指标说明
可互操作	高——标准 NIfTI 格式，主流三维分割工具链直接可用
可复用性	中——license 口径不统一是复用前的必查项
可引用性	高——明确的 5 篇必引论文

§7 评测与榜单：拓扑感知的胜负

7.1 评测结构

挑战赛设 validation phase 与 test phase 两个评测阶段。参赛者可先提交验证集预测获取反馈，再冲刺测试集。150 例测试集金标准不公开，只能通过评测服务器访问——这保证了榜单的公正性。

7.2 指标解读

结合 §3 的双轨指标族，榜单上的分数应这样读：

• 高 Dice 但低 BD/TD：像素对得多，但分支漏得多——拓扑不过关，临床不可用。
• 高 Recall 但低 Precision：漏检少，但泄漏多——最大连通分量约束能否救回，取决于泄漏是否连成主树。
• 拓扑增强模型：通过显式建模连通性，在 BD/TD 上通常领先，且不一定牺牲 Dice。

7.3 综述结论

论文对 23 队中 top 10 的定量与定性结果给出总体判断：嵌入拓扑连续性增强的深度学习模型总体表现更优。这既是对各队方法的比较，也是对领域方向的一次总结——气道分割的正确解法是「拓扑感知」，而非纯像素堆叠。

7.4 为什么 top-5 要公开代码

挑战赛要求 top-5 队伍公开代码，这提升了基准的可信度：医学分割排行榜长期受「调参到过拟合榜单」的质疑，代码公开 + 最大连通分量等硬约束，共同构成了对「可复现」的保障。

7.5 从榜单到方法论的启示

ATM’22 的评测设计给三维分割研究留下三条可迁移经验：

1. 评测指标要匹配任务本质——气道是树，就该用拓扑指标。
2. 后处理是评测的一部分——最大连通分量不是可有可无的工程细节。
3. 域多样性要写进基准——多中心 + COVID 噪声域让「泛化」成为可量化分数。

§11 深度解读：为什么气道分割这么难

11.1 分辨率的物理天花板

气道树是分形结构，越往远端越细。在常规胸部 CT 的层厚与面内分辨率下，远端段支气管的管腔往往只有 2～3 个体素。这意味着：再强的网络，也无法分割物理上未被扫描到的结构。ATM’22 的难度上限部分由成像物理决定，模型能做到的是在这一上限内尽量不丢、不漏、不断。

11.2 气道与肺实质的灰度暧昧

气道的管腔充气，在 CT 上表现为低密度（接近空气）；但管壁、黏液、病变都会改变灰度。当肺实质因 GGO 或实变而密度升高时，气道-肺界面对比度下降，分割边界变得模糊——这正是 COVID 噪声域推高难度的物理原因。

11.3 连通性：既约束又是目标

气道树天生连通。这一先验既是约束（结果应是连通的），又是目标（要检出完整拓扑）。最大连通分量后处理利用了「连通」这一约束；拓扑指标（BD/TD）则把它当作目标。二者一约束一目标，共同定义了任务的本质。

11.4 泄漏的解剖根源

气道壁很薄，分割一旦越界，就会顺着肺泡管道扩散到肺实质——这就是气道泄漏。泄漏在视觉上表现为分割区域像树枝上长出「毛刺」或「气球」。它直接拉低 Precision，也是传统区域生长类算法的经典失败模式（EXACT’09 时代的核心痛点，见 §0.2）。

11.5 类内不平衡的量化直觉

设想树结构：气管占的体素可能是远端所有细分支体素数之和的很多倍。未加权的损失函数会「理性地」优先分对气管、牺牲远端——因为对多数的正确能更快降低平均损失。这就是 §2.3 强调的 intra-class imbalance，也是 §8.1 中 class-wise gradient imbalance 方法要解决的问题。

11.6 三难困境

气道分割者往往同时面对三难：要召回就不能太保守（否则断枝），要精确就不能太激进（否则泄漏），要拓扑完整就得理解全局结构（否则局部最优拼不出整棵树）。ATM’22 的评测试图用多指标把这三维困境摊开，而不是用单一 Dice 掩盖它。

§12 与其他气道数据集/比赛的横向对照

12.1 气道分割的基准谱系

基准	年份	规模	特点
EXACT’09	2009	20 train / 20 test	传统算法时代起点
AeroPath	2023	气道病理挑战子集	面向困难病理气道
ATM’22	2022	300 train / 150 test	多中心多领域 + 拓扑评测

12.2 与肺血管分割的对照

肺气道与肺血管是并行结构，常被并提（如 parse2022 肺动脉分割）。二者任务相似（都是树状结构的三维分割、都讲拓扑），但难点不同：血管受心脏搏动与对比剂时相影响，气道受充气状态与病变影响。研究者常把二者作为「树状解剖结构分割」的一对参照。

12.3 与通用器官分割基准的对照

相比 Brats（脑肿瘤）、AMOS（腹部多器官）、KiTS（肾脏肿瘤）这类通用器官/病灶分割基准，ATM’22 的独特性在于 t 树状拓扑 + 跨域双主题。它不是一个「多类器官」基准，而是一个单类但结构极复杂 + 域极多样的基准。

12.4 与前身 EXACT’09 的方法学断裂

EXACT’09 的方法以多阈值、模板匹配、区域生长为主；ATM’22 时代的赢家是深度网络 + 拓扑约束。这一断裂反映了整个医学图像分析领域从手工特征到学习特征的范式迁移，ATM’22 正是这一迁移在气道分割上的落点。

§13 面向不同读者的行动指南

13.1 研究生：如何用 ATM’22 做一篇论文

1. 走 Zenodo 快速起步，或用注册数据。
2. 复现一个基线（nnU-Net 类）。
3. 攻击一个痛点：类内不平衡 / 拓扑约束 / COVID 域适应，三选一深挖。
4. 报告拓扑指标，诚实呈现泄漏与断枝的权衡。
5. 遵守引用要求，公开代码。

13.2 工程师：如何把它接入生产栈

• 数据层：用 NIfTI I/O（SimpleITK / nibabel）读取，务必保留几何元数据。
• 训练层：3D patch 采样 + 类别加权损失。
• 后处理：最大连通分量 + 可选形态学清理。
• 监控：远端召回 + 拓扑完整性作为核心 SLO，而非只看 Dice。

13.3 临床研究者：能拿它做什么

• 评估现有商用气道分割工具的跨中心鲁棒性。
• 用 COVID 子集检验算法在病变肺上的可用性。
• 为支气管镜导航建模提供气道树提取的评测参照。

13.4 数据科学家：值得关注的元问题

• 「拓扑感知指标」如何客观定义与计算？
• 跨域性能退化的可解释性来自哪里？
• 最大连通分量这类后处理在多大程度上「洗白」了模型缺陷？

§14 常见误解澄清

误解 1：ATM’22 是「LIDC 类的肺 CT 大库」。
澄清：它是气道树专项标注基准，不含结节/血管标注，规模也更聚焦（500 例）。

误解 2：Dice 高就说明模型好。
澄清：气道是树，Dice 高但断枝/泄漏的结果临床不可用，必须看拓扑指标。

误解 3：含 COVID 数据说明数据集「不干净」。
澄清：COVID 噪声域是刻意设计的跨域评测点，不是数据缺陷。

误解 4：Zenodo 能下到全部数据。
澄清：Zenodo 只公开部分批次，完整数据与金标准评测走注册制。

误解 5：license 随便用。
澄清：license 口径不统一，再分发/商用须以官方注册协议为准。

误解 6：挑战赛结束了就不能参与了。
澄清：ATM’22 是 open call，会期后仍可注册与提交。

误解 7：标注意见不统一说明标注差。
澄清：3 名资深放射科医生标注本身就提供了观察者一致性的信息，是质量信号而非缺陷。

误解 8：模型直接输出就能交榜。
澄清：必须做最大连通分量处理，否则评分机制会把零散假阳性算进去。

§15 总结与展望

15.1 三句话总结

1. ATM’22 是深度学习时代肺气道分割的标准基准——500 例多中心 CT、3 名资深医生标注、300/50/150 划分。
2. 它把任务从逐像素升级为拓扑感知——评测要求连通完整，含最大连通分量与拓扑指标。
3. 它把跨域泛化写进设计——多中心 + COVID 噪声域，逼算法在病变肺上也稳。

15.2 适合谁

• 三维医学图像分割研究者；
• 肺气道/树状结构分割团队；
• 拓扑感知分割算法开发者；
• 医学挑战赛基准评测者；
• 跨中心泛化 / 域适应研究者。

15.3 不适合谁

• 只想找肺结节或肺血管标注的人（应去 LUNA16/LIDC 或 parse2022）；
• 只想一键下载、不愿走注册流程的人（Zenodo 只覆盖部分批次）；
• 期待「干净单域」数据的人（本数据集刻意多域）。

15.4 30 秒决策卡

你的需求	建议
肺气道树分割	✅ 用 ATM’22
肺结节检测	❌ 去 LUNA16/LIDC
肺血管分割	❌ 去 parse2022
跨域分割基准	✅ 用 ATM’22 的 COVID 域
一键下载完整数据	⚠️ 需注册（Zenodo 仅部分批次）

15.5 展望

随着基础模型与拓扑感知方法的发展，气道分割的前沿正在从「更像像素」走向「更像结构」。ATM’22 以其多域设计与拓扑评测，很可能会长期作为这一方向的标准战场——谁能在病变肺上、在远端细分支上依然保住整棵树，谁就掌握了下一代气道分割的话语权。

§8 方法学：气道分割的技术脉络

8.1 从像素到拓扑的方法演进

ATM’22 生态中的方法脉络清晰可辨：

• AirwayNet（MICCAI 2019）：提出**voxel-connectivity aware（体素连通性感知）**方法，用 CNN 显式建模体素间连通性——这是「拓扑感知」的早期形态。
• Alleviating class-wise gradient imbalance（IEEE TMI 2021）：直击 §2.3 的类内不平衡——用类别级梯度平衡缓解远端小气道被忽略的问题。
• CFDA（MICCAI 2022）：Collaborative Feature Disentanglement and Augmentation，面向 COVID-19 CT 的气道树建模，特征解耦 + 增强，应对本数据集特有的 COVID 噪声域。
• BREAK（ISBI 2022）：Bronchi Reconstruction by Geodesic transformation And Skeleton embedding，用测地变换 + 骨架嵌入重建支气管——把气道结构显式当作骨架图来恢复。

8.2 三股技术主线

把这四篇串起来，可见三条主线：

主线	代表	解决什么
连通性建模	AirwayNet	让网络「知道」体素要连成树
不平衡处理	class-wise gradient imbalance	让远端细分支不被忽略
结构重建/域适应	BREAK、CFDA	从骨架恢复拓扑 / 适配病变域

8.3 拓扑连续性增强为何有效

综述结论指出「拓扑连续性增强」的模型更优，原因在于：气道分割的错误模式高度结构化——错误往往不是随机散布的体素，而是断枝与泄漏。显式建模连通性/骨架，等于把先验注入网络，让模型在数据稀疏的远端也能「按树的规律」外推。

8.4 对使用者的建议

若要在 ATM’22 上训练：

1. 先做类内不平衡处理（权重/损失），否则远端必崩；
2. 引入拓扑/连通性约束或骨架后处理；
3. 用最大连通分量做兜底后处理；
4. 务必在 COVID 噪声子集上单独评估，检验跨域鲁棒性。

§9 与库内条目的关系

9.1 家族图谱

ATM’22 在同一「胸部 CT 分割基准」家族中位置如下（rid 待主会话 DB 反查确认）：

库内条目（建议）	关系
parse2022	同域姐妹——肺动脉分割，同样是挑战赛基准，任务从气道换到血管
LUNA16 / LIDC-IDRI	胸部 CT 属——但任务是肺结节检测，非分割
COVID-CT / COVID-19 类	域血缘——ATM’22 含 COVID CT 子集
Brats / AMOS / KiTS	挑战赛家族——同属 MICCAI 系医学分割基准谱系

9.2 检索路径建议

• 找肺气道分割数据 → 本条目（atm-airway）。
• 找肺血管分割数据 → parse2022。
• 找肺结节检测数据 → LUNA16 / LIDC-IDRI。
• 找跨域医学分割基准 → 本条目（COVID 噪声域）。

9.3 血缘与先导

• 上游：EXACT’09（2009 气道分割挑战赛）——ATM’22 直接对标的前身。
• 同门：CFDA / AirwayNet / BREAK 等由同一研究社群产出的方法论文。
• 机构链：上海交通大学 Institute of Medical Robotics。

9.4 消歧声明

本条目 slug 为 atm-airway，指向 ATM’22 气道树建模。注意与以下无关概念区分：

• 「ATM」作为自动取款机（无关）；
• 蛋白激酶 ATM（Ataxia Telangiectasia Mutated，DNA 损伤应答，与本数据集无关）；
• 库内 OCTA-500（oct-500，视网膜 OCTA，截然不同）。

§10 避坑清单：八个已踩过的坑

以下「坑 1」至「坑 8」为使用 ATM’22 时的高频陷阱，逐条给出避法。

坑点 1：把预测结果忘了还原 origin/spacing。
挑战赛硬性要求预测与输入 NIfTI 保持 same origin & spacing。重采样训练后若直接输出原始数组、忘了写回几何信息，评测必然错位。避法：保存前显式拷贝输入 header 的仿射矩阵与 spacing。

坑点 2：不做最大连通分量就交。
官方只取 largest connected component。若你的结果含大量零散假阳性，评分会被这些碎片拉偏。避法：提交前跑连通分量提取，只保留最大的一块。

坑点 3：忽略类内不平衡，远端全丢。
气管体素多、远端段支气管体素极少，普通交叉熵会倾向忽略远端。避法：用类别加权损失（参考 Alleviating class-wise gradient imbalance），并在验证时单独统计远端召回。

坑点 4：只在正常肺上训练，COVID 域崩盘。
数据含 COVID-19 毛玻璃影与实变扫描，分布外样本会让只在正常肺上训练的模型大跌。避法：把 COVID 子集纳入训练或验证，做域适应（参考 CFDA）。

坑点 5：以为 Zenodo 直链就等于全部数据。
Zenodo 只公开部分批次，完整训练数据与金标准评测要走注册制。避法：要完整数据就老实注册并签署数据协议。

坑点 6：拿第三方索引的 license 当准。
OpenAIRE 对 Zenodo 不同记录分别标 CC BY 与 CC BY-ND，Zenodo 记录页未统一展示 license。避法：二次分发/商用前以官方注册协议为准。

坑点 7：把拓扑指标和像素指标混为一谈。
Dice 高不等于拓扑完整。一个泄漏或断枝严重的结果可能 Dice 不低，但 BD/TD 很差。避法：评测时两族指标都看，别只看 Dice。

坑点 8：忽略 403 与反爬。
官方 /dataset/ 页直连可能返回 403（反爬）。避法：下载链接以 Zenodo 公开记录与注册后文档为准，不要死磕官网直链。

FAQ（高频问答 24 问）

A. 基础认知

Q：ATM’22 和 EXACT’09 是什么关系？
A：ATM’22 是 EXACT’09 在深度学习时代的后继——规模从 40 例升到 500 例，任务从像素/区域生长升到拓扑感知，域从单一升到多中心+COVID。

Q：它是不是通用肺 CT 数据集？
A：不是。它是气道树专项标注基准，标注对象只有气道（不含结节、血管等）。

Q：名字里的 multi-site / multi-domain 各指什么？
A：multi-site 指多中心采集（不同机构、扫描仪）；multi-domain 指多领域，含 COVID-19 毛玻璃影/实变噪声域。

Q：论文发在哪？
A：arXiv:2303.05745（2023-03）→ Medical Image Analysis 2023;90:102957（2023-12）。

Q：谁做的？
A：上海交通大学 Institute of Medical Robotics 领衔，通讯 Yun Gu，多团队协作。

Q：一共多少作者？
A：35+ 人（多团队联合），涵盖算法、临床与数据团队。

B. 数据与获取

Q：数据多少例？
A：500 例，300 训练 / 50 验证 / 150 测试。

Q：什么格式？
A：NIfTI（CT + 二值气道掩码）。

Q：怎么下载？
A：主门注册制（签署数据协议发 IMR-ATM22@outlook.com）；Zenodo 有部分批次直链。

Q：TrainBatch1 多大？
A：32.3 GB（TrainBatch1.rar），doi 10.5281/zenodo.6590745，md5 0db314a0fc6efbf512acb0a216edae59。

Q：license 是什么？
A：双口径——Zenodo 不同记录被标 CC BY 与 CC BY-ND；实际以官方注册协议为准。

Q：要引用哪些论文？
A：5 篇（ATM’22 benchmark + CFDA + class-wise gradient + BREAK + AirwayNet），见 §6.4。

C. 任务与评测

Q：任务是什么？
A：三维 CT 肺气道树二值分割。

Q：为什么说「超越逐像素」？
A：因为气道是树，评测要求连通完整，不能只看像素对错。

Q：有哪些指标？
A：像素族（Precision/Recall/Dice/IoU）与拓扑族（BD/TD 等）双轨。

Q：最大连通分量是什么规则？
A：评测只取二值结果的最大连通分量，须自行预处理。

Q：origin/spacing 为什么重要？
A：预测要与输入几何一致，否则评测错位。

D. 挑战赛与结论

Q：多少队参加？
A：23 支团队全程参与，论文回顾 top 10。

Q：哪种方法更优？
A：嵌入拓扑连续性增强的深度学习模型总体更优。

Q：top-5 有什么义务？
A：必须公开代码以供核验。

Q：挑战赛还开放吗？
A：open call，会期后仍可注册与提交。

Q：测试金标准能拿到吗？
A：不能本地获取，仅通过评测服务器。

Q：怎么判断我的模型行不行？
A：看拓扑指标是否与像素指标同步达标，并在 COVID 子集上验证鲁棒性。

事实清单（硬事实 30 条）

1. 官方全称：Multi-site, Multi-domain Airway Tree Modeling (ATM’22)。
2. 会议：MICCAI 2022 官方挑战赛（新加坡，2022-09-18～22）。
3. 数据总量：500 例胸部 CT。
4. 划分：300 训练 / 50 验证 / 150 测试。
5. 标注者：3 名 >5 年经验放射科医生。
6. 标注级别：气管/主支气管/肺叶支气管/远端段支气管四级。
7. 标注形式：三维气道树二值掩码。
8. 数据格式：NIfTI。
9. 数据特征：多中心多领域。
10. 特殊域：含一部分 noisy COVID-19 CT（GGO + consolidation）。
11. 前身：EXACT’09（2009），20 训练 / 20 测试。
12. 任务定位：beyond pixel-wise segmentation。
13. 核心要求：拓扑完整性 + 像素精度双目标。
14. 提交约束：same origin & spacing。
15. 后处理约束：只取最大连通分量。
16. 参赛团队：23 支。
17. 论文回顾：top 10 算法。
18. 核心结论：拓扑连续性增强的深度学习模型总体更优。
19. 代码义务：top-5 须公开代码。
20. arXiv：2303.05745（v1 2023-03-10）。
21. 正式发表：Medical Image Analysis 2023;90:102957。
22. 通讯作者：Yun Gu（上海交大）。
23. 领衔机构：Shanghai Jiao Tong University, Institute of Medical Robotics。
24. Zenodo TrainBatch1：32.3 GB，doi 10.5281/zenodo.6590745。
25. TrainBatch1 md5：0db314a0fc6efbf512acb0a216edae59。
26. 注册邮箱：IMR-ATM22@outlook.com。
27. 注册方式：签署数据协议文档。
28. License 口径：CC BY / CC BY-ND 双口径存照。
29. 挑战赛模式：open call。
30. 必引论文数：5 篇。

术语表（24 条）

术语	英文	释义
气道树建模	airway tree modeling	从 CT 重建完整肺气道树结构
肺气道分割	pulmonary airway segmentation	逐体素区分气道与非气道
拓扑完整性	topological completeness	气道分支/树长的检出完整程度
气道泄漏	airway leakage	分割漏到肺实质的过分割错误
欠分割	under-segmentation	漏掉远端细分支
最大连通分量	largest connected component	评测只取的最大连通区域
毛玻璃影	ground-glass opacity (GGO)	COVID CT 特征，模糊气道-肺界面
实变	consolidation	肺实质被填充、密度接近软组织
域漂移	domain shift	跨中心/跨病种的分布差异
多中心	multi-site	数据来自多个机构
多领域	multi-domain	覆盖多种病变/扫描域
类内不平衡	intra-class imbalance	气道各级体素量悬殊
连通性感知	connectivity-aware	显式建模体素连通性
骨架嵌入	skeleton embedding	用骨架表示气道结构
测地变换	geodesic transformation	沿结构的距离变换
特征解耦	feature disentanglement	分离域与内容特征
域适应	domain adaptation	减小训练/测试域差异
分形结构	fractal structure	气道逐级分支的自相似性
支气管扩张	bronchiectasis	气道不可逆扩张疾病
慢性阻塞性肺病	COPD	气流受限的慢性肺病
体素	voxel	三维像素
仿射矩阵	affine matrix	定义体素坐标到物理坐标的映射
挑战赛基准	challenge benchmark	竞赛形式的数据集与评测
open call	open call	会期后仍开放的挑战赛模式

§16 数据集工程细节（复现者手记）

16.1 目录与命名约定

挑战赛数据通常按 case_id（病例号）组织，每例包含图像与标注两个文件。命名约定在注册后发放的数据说明文档中给出。复现者第一步应做的是：列一遍 case 清单，确认输入输出文件一一对应，避免因命名错位导致的隐藏评测错误。

16.2 预处理建议

• 裁剪：胸部 CT 大部分体素是体外空气，合理裁剪可显著降低显存占用。
• 重采样：若要重采样，务必记录原始 spacing，推理后还原——这就是 §10 坑 1 的根源。
• 强度归一化：CT 的 HU 值有物理意义，建议用肺窗范围做裁剪而非简单 z-score，以保留气道-肺对比。

16.3 3D patch 训练要点

• patch 尺寸需覆盖足够分支结构，太小会让网络看不到拓扑。
• 正负样本采样比要照顾小目标（气道体素占比低）。
• 可引入「远端加权采样」，让远端细分支在训练中有更高出现率。

16.4 推理与后处理流水线

测试 CT → 滑窗/全卷积推理 → 概率图
      → 阈值二值化 → 最大连通分量 → （可选）形态学清理
      → 写回 NIfTI（还原 origin/spacing）→ 提交

每一步都不可少。尤其最后两步，是「评测友好」的关键。

16.5 度量复现

拓扑指标（BD/TD）的计算依赖对预测与金标准做骨架化（skeletonization）与图匹配。复现时建议：

1. 用成熟骨架库（skimage.medial_axis 等）生成骨架；
2. 按分支长度或端点做图匹配；
3. 明确「分支检测」的判定阈值（如重叠比例 > x%）。

不同实现的 BD/TD 细微口径差异，是跨论文数字不可直接比较的常见原因。

16.6 提交前的自查清单

• [ ] 文件命名与要求一致
• [ ] origin/spacing 与输入一致
• [ ] 已做最大连通分量
• [ ] 标签值域正确（0/1）
• [ ] 压缩格式正确（.nii.gz）
• [ ] 无 NaN/Inf 体素

§17 数据治理与伦理

17.1 数据协议的作用

ATM’22 要求参与者签署数据协议，把使用范围、禁止再分发、引用义务写成书面约束。这一机制在医学数据领域常见——因为医学影像即使去标识，也存在再识别风险，且涉及机构间数据共享的合规边界。

17.2 去标识与隐私

多中心医学影像发布前通常需去标识（移除 DICOM 中的患者信息）。ATM’22 以 NIfTI 形式发布，DICOM 头中的私有信息已被剥离。使用者仍应遵守机构伦理与数据保护规定。

17.3 引用即合规

本数据集要求引用 5 篇论文。这不仅是学术礼节，也是数据协议的一部分——不引用即违反使用条款。研究者在论文方法部分应明确写出所引用数据版本与来源。

17.4 多中心协作的署名结构

ATM’22 作者多达 35+ 人，横跨算法、临床、数据多团队。这种署名结构反映了多中心医学数据集的典型治理：数据提供方、算法方、组织方共同署名，而非单一实验室产出。

§18 教学案例：用 ATM’22 理解「评测设计」

18.1 一个经典陷阱

假设模型 A 的 Dice 是 0.92，模型 B 的 Dice 是 0.90。直觉上 A 更好。但如果 A 的泄漏严重、B 的拓扑更完整，临床上可能 B 更可用。ATM’22 的评测设计正是为了暴露这种直觉的盲区。

18.2 三个「为什么」

• 为什么只取最大连通分量？ 因为它把「是否连成整棵树」编码进了评分规则。
• 为什么要 same origin/spacing？ 因为三维评测中几何错位会让指标完全失真。
• 为什么要多域？ 因为真实临床数据从不单域，泛化能力才是落地关键。

18.3 可迁移的评测设计原则

1. 指标要匹配任务本质（树 → 拓扑指标）。
2. 约束要写进规则而非期望（最大连通分量）。
3. 多样性要设计出来而非指望（多域）。

这三条适用于任何医学分割基准的构建。

18.4 对学生的建议

读 ATM’22 不要只抄基线数字，要读它的评测规则。规则往往比榜单更能教会你「什么才是这个任务真正在乎的」。

§19 引用与致谢规范

19.1 标准引用格式

Zhang M, Wu Y, Zhang H, et al. Multi-site, Multi-domain Airway Tree Modeling. Medical Image Analysis, 2023, 90: 102957.

Zhang M, Wu Y, Zhang H, et al. Multi-site, Multi-domain Airway Tree Modeling (ATM’22): A Public Benchmark for Pulmonary Airway Segmentation. arXiv:2303.05745, 2023.

19.2 数据引用

ATM’22 Dataset. Institute of Medical Robotics, Shanghai Jiao Tong University. Zenodo. doi:10.5281/zenodo.6590745.

19.3 致谢模板

研究者应在致谢中写明：数据来源挑战赛、使用的批次、以及是否使用了 COVID 子集。

19.4 代码与结果公开

若你的工作进入 top-5，公开代码是义务；即使不是，公开代码也能提升工作可信度——这与 ATM’22 「可复现」的精神一致。

§20 结语

ATM’22 的价值不止于「又多了一个肺 CT 数据集」。它是一次关于如何为树状解剖结构设计基准的示范：用拓扑指标取代单一像素指标，用最大连通分量把结构约束写进规则，用多中心多域逼出泛化。对任何做三维医学分割的人来说，读透 ATM’22 的评测设计，比刷高它的榜单数字更重要。

§21 挑战赛参与全流程实操（逐步详解）

21.1 第一步：网站注册

访问挑战赛主页 atm22.grand-challenge.org，进入 registration 页面。Grand Challenge 平台需要创建账号。注册时填写真实机构信息（即使匿名参与，官方声明机构默认同意数据协议，见 §5.2）。

21.2 第二步：下载并签署数据协议

从官方提供的链接下载数据协议文档（官方 News 中给出了 Google Drive 上的协议文件链接）。签署方式为打印、签字、扫描。这一步不可跳过——未发送签署文档将无法获得训练数据访问权限。

21.3 第三步：发送至官方邮箱

将签署后的文档发送至 IMR-ATM22@outlook.com。官方会核验并授予数据访问。建议在邮件中附上注册 ID 与机构信息，便于核对。

21.4 第四步：获取并校验数据

获得访问后，下载训练数据。若走 Zenodo 批次，注意核对 md5（如 TrainBatch1 的 0db314a0fc6efbf512acb0a216edae59），确保下载完整未损坏。

21.5 第五步：开发与验证

• 在训练集上训练模型。
• 在验证集上自评，或提交到 validation phase 获取官方反馈。
• 根据反馈调整（注意拓扑指标与像素指标的权衡）。

21.6 第六步：测试集提交

最终在 test phase 提交。注意：测试集金标准不公开，只能通过评测服务器评分。提交前务必完成 §16.6 的自查清单。

21.7 第七步：公开与引用

若进入 top-5，公开代码；无论名次，按 §19 规范引用。

§22 数据批次与文件清单（已知信息汇编）

22.1 已核实的批次

批次	Zenodo/来源	内容	状态
TrainBatch1	doi:10.5281/zenodo.6590745	训练批次 1（32.3 GB RAR）	✅ 实抓确认
Validation Images	doi:10.5281/zenodo.6590026 / .6590025	验证图像	✅ OpenAIRE 索引
训练/测试批次	zenodo 7949582 / 7949571	训练/测试	⚠️ 社区索引

22.2 文件格式细节

• 图像：.nii 或 .nii.gz，三维体数据。
• 标注：同尺寸二值掩码，气道为前景。
• 打包：Zenodo 上多为 .rar 压缩包。

22.3 校验建议

下载后建议：

1. 核对 md5/SHA；
2. 用 nibabel/SimpleITK 打开抽查若干例；
3. 检查标签值域是否仅含 0/1；
4. 检查 spacing/origin 是否合理。

22.4 存储与算力估算

TrainBatch1 单批 32.3 GB，加上解压后体量更大，本地需预留充足磁盘。三维分割训练显存需求高，建议使用配备充足显存的 GPU，并采用 patch 训练降低峰值显存。

§23 相关研究地图

23.1 气道分割方法演进（时间线）

时期	代表方法	核心思想
2009 前	多阈值/区域生长	手工规则
2019	AirwayNet	体素连通性感知 CNN
2021	Class-wise gradient	类内不平衡加权
2022	BREAK	测地变换 + 骨架嵌入
2022	CFDA	特征解耦 + 域增强（COVID）
2022+	拓扑增强网络	显式建模整棵树

23.2 相邻领域

• 肺血管分割：parse2022——构造相似、难点不同。
• 气道-血管联合分析：肺功能评估的前沿方向。
• 支气管镜导航：气道树提取的下游临床任务。

23.3 基础模型时代的延伸问题

• 预训练基础模型能否迁移到气道分割？
• 拓扑约束能否以「后训练」形式加在基础模型上？
• 多域数据能否用于自监督预训练？

这些问题正是 ATM’22 作为基准长尾价值的体现。

§24 深度 FAQ 补充（12 问）

Q：ATM’22 的训练数据和验证数据都在同一个 Zenodo 记录里吗？
A：不是。训练批次（如 TrainBatch1）与验证图像是不同记录，需分别获取。完整合集建议走注册制。

Q：为什么论文和挑战赛主页的数据描述略有侧重？
A：主页侧重参赛流程（注册、提交规则），论文侧重方法与结果综述。二者互补，不矛盾。

Q：标注有多个医生的意见如何取舍？
A：公开摘要未披露逐例的标注融合规则（多数投票/共识/单专家），这属于注册后数据说明的范畴，是待核项。

Q：能否只用 Zenodo 数据发论文？
A：可以，但须确认覆盖的批次并如实说明；引用要求同样适用。

Q：若我的模型在正常肺很好、在 COVID 肺很差，怎么办？
A：这正是评测想暴露的问题。可尝试域适应、域随机化、或在训练中纳入病变样本。

Q：拓扑指标计算难吗？
A：需要骨架化与图匹配，工程上有一定复杂度，但已有开源实现可参考。

Q：CT 的层厚不均一会有影响吗？
A：会。spacing 不一致会影响三维卷积的等向性，建议重采样到统一 spacing 后再训练（推理时注意还原）。

Q：气道和血管容易混吗？
A：在肺门附近，血管与气道伴行且灰度接近，是分割难点之一，需模型有足够上下文。

Q：小气道的标注一致性如何？
A：远端小气道标注受分辨率与主观判断影响更大，是观察者间变异的主要来源，也是评测难度所在。

Q：用什么损失函数好？
A：常见组合：加权交叉熵 + Dice；如需拓扑，可叠加基于骨架/连通的损失项。

Q：要不要做 test-time augmentation？
A：可以，常能提升鲁棒性，但注意保持几何一致性与后处理规则。

Q：如何评估跨域性能？
A：在数据内区分正常子集与 COVID 子集，分别报告指标，比较差距。

§25 术语深化：拓扑指标的概念史

25.1 从 Dice 到树覆盖率

早期气道分割用 Dice/Precision/Recall，但领域很快发现：一个泄漏分支就能显著改变 Dice，却不改变树的临床可用性。于是研究者开始引入「树层面的覆盖率」——即有多少比例的真实气道树长被检出。

25.2 分支检测与树长检测

• Branch Detected（BD）：把真实气道树分解为分支，统计被预测命中的分支比例。
• Tree-length Detected（TD）：以树长（沿中心线的长度）为单位，统计被覆盖的比例。

二者都比 Dice 更贴近「临床可用性」。

25.3 计算依赖

这些指标依赖：骨架化 → 分支划分 → 匹配判定。不同实现的判定阈值不同，导致数字不一定直接可比——这也是为何 ATM’22 提供了官方评测服务器，而非仅靠本地自评。

25.4 对研究者的启示

报告拓扑指标时，应写明实现细节与阈值，否则跨论文比较会失真。

§26 与库内可互链条目的对接细则

26.1 为什么互链重要

AI-Ready Wikipedia 的价值一部分来自条目网络：读者从气道分割出发，能顺藤摸到肺血管分割（parse2022）、肺结节检测（LUNA16/LIDC）、跨域基准（COVID 类）。互链的正确性依赖库内条目的 slug 与 rid，需主会话以 DB 反查确认后写入正文与索引。

26.2 建议互链清单（待 rid 确认）

目标条目（建议 slug）	关联类型	关联理由
parse2022	同域姐妹	肺动脉分割挑战赛，树状结构分割对照
luna16	胸部 CT 属	肺结节检测，同解剖域不同任务
lidc-idri	胸部 CT 属	肺结节标注，经典胸部 CT 库
covid-ct / covid19-ct	域血缘	ATM’22 含 COVID CT 子集
brats	挑战赛家族	MICCAI 系分割基准谱系
amos	挑战赛家族	腹部多器官分割基准
kits	挑战赛家族	肾脏肿瘤分割基准

26.3 互链原则

• 只链语义真实相关的条目，不硬凑。
• 关联理由须在正文写清（见 §9.1），不写进 frontmatter。
• rid 一律以 DB url_name 反查确认，禁止用位置对齐（教训 R001）。

26.4 消歧提示

• atm-airway 与「ATM 蛋白」无关，与「ATM 取款机」无关。
• 与 OCTA-500（oct-500）无关——那是视网膜 OCTA，解剖域完全不同。

§27 复现实验的日志与记录规范

27.1 为什么要记日志

三维分割实验的复现性极易因随机种子、数据顺序、框架版本而丢失。建议逐次实验记录：数据版本、划分、预处理参数、模型结构、损失权重、优化器设置、随机种子、后处理开关。

27.2 最小记录模板

[实验名] atm22_baseline_v1
[数据] TrainBatch1 + Validation（版本/日期）
[划分] 官方 300/50
[预处理] crop lung window, resample 1mm, HU clip [-1000,400]
[模型] 3D U-Net, channels=[32,64,128,256]
[损失] weighted_ce + dice
[后处理] largest_cc on
[结果] dice=.., precision=.., recall=.., BD=.., TD=..
[种子] 42

27.3 结果报告建议

同时报告像素指标与拓扑指标，并在正常/COVID 子集上分开报告，以呈现域差异。

27.4 失败案例的价值

断枝与泄漏的可视化（叠加 CT）能直观说明模型弱点，比纯数字更有说服力。

§28 面向部署的工程考量

28.1 推理延迟

三维全卷积推理在厚层 CT 上可能较慢。生产部署常用 patch 滑窗 + 批处理，或对体数据做下采样后再分割。

28.2 内存与显存

体数据 + 特征图占显存大，需权衡 patch 尺寸与 batch size。混合精度（AMP）常能显著降低显存。

28.3 几何一致性

部署管线中最易出错的是几何元数据：读入 DICOM → 转 NIfTI → 分割 → 写回，每一步都可能丢 spacing/origin。建议用统一 I/O 层，并在端到端测试中验证几何。

28.4 质量监控

上线后应监控：远端召回、拓扑完整性、泄漏率，而非仅 Dice。因为临床真正在意的是气道连通可用。

28.5 与挑战赛规则的差异

挑战赛的「最大连通分量」是评测规则；生产中是否强制这一后处理，应视临床需求与算法特性而定，不要盲目照搬。

§29 数据科学视角的元分析

29.1 域分布的可视化

建议用强度直方图、体素统计等对比正常子集与 COVID 子集，量化域差异，为域适应提供依据。

29.2 标注一致性

若注册数据包含多医生标注信息，可计算标注间一致性（如 Dice），评估任务主观性。

29.3 难度分层

可按气道体素量、远端分支数把病例分为易/中/难，分析模型在不同难度上的表现分布。

29.4 误差归因

把错误分为：泄漏型、断枝型、边界模糊型，分别统计占比，指导改进方向。

29.5 与榜单的关系

本地元分析的价值在于解释榜单数字背后的原因，而不只是重复排行榜。

§30 结语与条目维护

30.1 本条目定位

本条目是一份面向 AI-Ready Wikipedia 的 ATM’22 全景解读，覆盖身份、数据、任务、获取、评测、方法、互链与实操。它不仅回答「ATM’22 是什么」，也回答「怎么用它、怎么别用错」。

30.2 事实边界

所有硬数字均来自三源互证（官方主页、arXiv、MedIA/Zenodo）。未能核实者（如逐例标注融合规则、完整文件清单）已列入 FACTS §9 遗留疑点，不在正文臆断。

30.3 维护触发

见附录 O。任何数据批次、license 口径或榜单更新，都应触发本条目相应章节的修订。

30.4 一句话收束

ATM’22 用 500 例多中心 CT 和一套拓扑感知评测，把「肺气道分割」从像素游戏重新定义为结构挑战——读懂它，就读懂了三维树状解剖分割的评测哲学。

§31 数据集能力矩阵：ATM’22 能做什么、不能做什么

31.1 能力矩阵

任务	ATM’22 是否支持	说明
气道树分割	✅ 核心任务	二值气道分割
拓扑完整性评估	✅ 设计内	BD/TD 等拓扑指标
跨域泛化评估	✅ 设计内	多中心 + COVID 域
泄漏/断枝分析	✅ 支持	通过指标与可视化
肺结节检测	❌ 不支持	无结节标注（去 LUNA16/LIDC）
肺血管分割	❌ 不支持	无血管标注（去 parse2022）
气道疾病分类	⚠️ 间接	无诊断标签，需自建
多类别分割	⚠️ 有限	主要是二值气道

31.2 适用与不适用一览

适用：三维分割算法研发、拓扑感知方法评测、域适应研究、气道相关下游任务的预处理基准。

不适用：需要病灶/分类标签的任务、需要多器官联合分割的任务、只需要快速下载即用的教学演示（因主门有注册门槛）。

31.3 组合使用建议

若研究「胸部 CT 综合分析」，可把 ATM’22（气道）与 LUNA16/LIDC（结节）、parse2022（肺血管）组合，构建多任务管线。

§32 常见工作流模板

32.1 模板一：快速基线

1. Zenodo 获取 TrainBatch1
2. 用 nnU-Net 自动配置跑一版基线
3. 后处理：最大连通分量
4. 报告 Dice/Precision/Recall + BD/TD

32.2 模板二：拓扑增强研究

1. 基线之上加拓扑损失（骨架/连通）
2. 与不加拓扑的基线对照
3. 重点看 BD/TD 是否提升、Dice 是否不降
4. 在 COVID 子集验证

32.3 模板三：域适应研究

1. 正常肺子集训练，COVID 子集测试 → 记录退化
2. 应用域适应（对齐/增强/解耦）
3. 对比退化是否缓解
4. 报告跨域 gap

32.4 模板四：复现综述方法

1. 复现 CFDA / BREAK / AirwayNet 之一
2. 与综述榜单位置对照（注意指标口径）
3. 分析其拓扑指标表现

32.5 模板选择建议

• 时间紧 → 模板一。
• 论文创新点 → 模板二或三。
• 综述/对比研究 → 模板四。

§33 检查表汇总（一页纸）

33.1 数据获取检查表

• [ ] 确认走注册还是 Zenodo
• [ ] 如走 Zenodo，核对 md5
• [ ] 如走注册，签署并发送协议
• [ ] 记录所获取的批次与版本

33.2 预处理检查表

• [ ] 统一 spacing（并记录原始值）
• [ ] 合理裁剪体外空气
• [ ] HU 窗裁剪
• [ ] 标签值域校验

33.3 训练检查表

• [ ] 类内不平衡处理
• [ ] 远端加权采样
• [ ] 拓扑约束（如适用）
• [ ] 随机种子固定

33.4 推理检查表

• [ ] 几何还原（origin/spacing）
• [ ] 最大连通分量
• [ ] 值域与格式正确
• [ ] 无 NaN/Inf

33.5 报告检查表

• [ ] 像素指标 + 拓扑指标
• [ ] 正常/COVID 子集分列
• [ ] 引用 5 篇必引论文
• [ ] 代码/配置公开

33.6 合规检查表

• [ ] license 以注册协议为准
• [ ] 不再分发原始数据
• [ ] 遵守机构伦理

§34 新增附录

附录 S：模板一基线的详细配置样例

项	建议值
框架	nnU-Net / MONAI
类别数	1（气道前景）
patch	依据显存，如 128³
损失	Dice + CE（加权）
优化器	AdamW / SGD
后处理	最大连通分量

附录 T：域差异对比记录表

指标	正常子集	COVID 子集	差距
Dice	—	—	—
Precision	—	—	—
Recall	—	—	—
BD	—	—	—
TD	—	—	—

（研究者填入实测值，用于呈现跨域退化。）

附录 U：ATM’22 与相邻数据集组合方案

组合	用途
ATM’22 + LUNA16	气道 + 结节联合分析
ATM’22 + parse2022	气道 + 肺血管
ATM’22 + COVID 类	域适应对照
ATM’22 + KiTS/AMOS	跨临床领域方法迁移

附录 V：指标口径风险提示

不同实现下 BD/TD 的阈值设定不同，跨论文直接比较数字有风险。建议复现时忠实对齐原始实现，并在报告中标明阈值。

附录 W：本条目新增章节索引

§11 难度解读 ｜ §12 横向对照 ｜ §13 行动指南 ｜ §14 误解澄清 ｜ §15 总结展望 ｜ §16 工程细节 ｜ §17 数据治理 ｜ §18 评测设计教学 ｜ §19 引用规范 ｜ §20 结语 ｜ §21 参与流程 ｜ §22 批次清单 ｜ §23 研究地图 ｜ §24 深度 FAQ ｜ §25 拓扑指标史 ｜ §26 互链细则 ｜ §27 日志规范 ｜ §28 部署考量 ｜ §29 元分析 ｜ §30 结语 ｜ §31 能力矩阵 ｜ §32 工作流模板 ｜ §33 检查表汇总 ｜ §34 新增附录

附录 X：一句话速记

• 数据：500 例多中心 CT，300/50/150。
• 标注：3 名资深放射科医生，气道四级。
• 任务：拓扑感知的肺气道树分割。
• 获取：注册制 + Zenodo 部分批次。
• 论文：arXiv:2303.05745 / MedIA 2023;90:102957。

附录

附录 A：条目信息速查卡

字段	值
slug	atm-airway
官方名	Multi-site, Multi-domain Airway Tree Modeling (ATM’22)
类型	挑战赛数据集 / 评测基准
规模	500 例胸部 CT
划分	300/50/150
格式	NIfTI
任务	三维肺气道树分割
论文	arXiv:2303.05745 / MedIA 2023;90:102957
主页	https://atm22.grand-challenge.org/
Zenodo	https://zenodo.org/records/6590745

附录 B：DAIMS 评估全表

DAIMS（Data and AI Maturity/Management Schema 式评估）逐项打分如下（★=1～5）：

维度	评分	说明
Data Availability（可得性）	★★★☆☆	注册制为主门，Zenodo 旁门覆盖部分批次
Data Accessibility（可访问性）	★★★☆☆	NIfTI 通用格式易用，但完整数据需签署协议
Data Usability（可用性）	★★★★☆	标注清晰、任务明确、工具链成熟
Data Interoperability（互操作）	★★★★★	标准 NIfTI，主流框架直接读
Data Reusability（可复用）	★★★☆☆	license 口径不统一是复用的必查项
Data Citation（可引用）	★★★★★	明确 5 篇必引论文
Data Governance（治理）	★★★★☆	注册+协议+代码公开义务齐备
Data Quality（质量）	★★★★☆	资深放射科医生标注，多中心覆盖
Documentation（文档）	★★★★☆	论文+主页信息完整
Reproducibility（可复现）	★★★★☆	top-5 公开代码，评测流程清晰
Domain Diversity（域多样性）	★★★★★	多中心+COVID 噪声域
Overall AI-Readiness（综合）	★★★★☆	高质量基准，注册门槛与 license 是唯一短板

附录 C：逐项证据链自证

事实	证据来源
500 例 / 300-50-150	arXiv 摘要 + 挑战赛主页 + MedIA 摘要
3 名放射科医生标注	挑战赛主页 Background 段 + Zenodo 描述
含 COVID 噪声域	arXiv 摘要「a portion of noisy COVID-19 CTs with ground-glass opacity and consolidation」
23 队 / top 10	arXiv 摘要
TrainBatch1 32.3 GB + md5	Zenodo 记录页实抓
注册邮箱	挑战赛主页 News
same origin/spacing + 最大连通分量	挑战赛主页 News
期刊卷期	ScienceDirect 页面
license 双口径	OpenAIRE 对 Zenodo 记录标注

附录 D：数据获取决策树

需要 ATM'22 数据？
├─ 只要快速上手/复现
│   └─ 走 Zenodo 直链（TrainBatch1 32.3GB）→ 注意仅部分批次
└─ 要完整训练数据 + 金标准评测
    ├─ 在 atm22.grand-challenge.org 注册
    ├─ 下载并签署数据协议文档
    ├─ 发送至 IMR-ATM22@outlook.com
    └─ 获得访问权限 → 训练/验证可本地，测试走评测服务器

附录 E：气道四级结构对照

级别	中文	英文	粗细	分割难度
L1	气管	trachea	最粗	易
L2	主支气管	main bronchi	粗	易
L3	肺叶支气管	lobar bronchi	中	中
L4	远端段支气管	distal segmental bronchi	细	难

附录 F：评测指标速查

指标	全称	族	越高越好
Precision	精确率	像素	是
Recall	召回率	像素	是
Dice	Dice 系数	像素	是
IoU	交并比	像素	是
BD	Branch Detected	拓扑	是
TD	Tree-length Detected	拓扑	是

附录 G：推荐训练骨架（伪代码）

# ATM'22 气道分割训练骨架（伪代码）
for batch in dataloader:                 # NIfTI 三维 volume + mask
    pred = model(volume)                 # 3D U-Net / nnU-Net 类
    loss = weighted_ce(pred, mask) \     # ① 类内不平衡加权
         + dice_loss(pred, mask) \       # ② 像素级监督
         + topo_loss(pred, mask)         # ③ 拓扑/连通性约束（可选）
    loss.backward(); optimizer.step()

# 推理后处理
pred = sigmoid(logits) > 0.5
pred = largest_connected_component(pred) # ④ 最大连通分量
save_nifti(pred, header=input_header)    # ⑤ 保持 origin/spacing

附录 H：域适应检查清单

• [ ] 训练集是否覆盖正常肺与病变肺？
• [ ] 是否在 COVID 子集上单独评估？
• [ ] 是否用了颜色/强度域随机化或特征解耦？
• [ ] 跨中心验证是否呈现性能下降？降多少？
• [ ] 远端小气道的召回是否在病变域显著恶化？

附录 I：与 EXACT’09 的完整对照

维度	EXACT’09 (2009)	ATM’22 (2022)
训练 / 测试	20 / 20	300 / 150
标注者	传统流程	3 名资深放射科医生
任务	像素/区域生长	拓扑感知
域	单域	多中心 + COVID 噪声域
评测	泄漏惩罚导向	拓扑完整性 + 像素精度
会议	—	MICCAI 2022

附录 J：许可条款细读

来源	标注 license	可信度提示
OpenAIRE / Zenodo Validation (6590026)	CC BY	第三方索引
OpenAIRE / Zenodo (6362170)	CC BY-ND	第三方索引
Zenodo 记录页	未显式展示	—
官方注册协议	以签署文档为准	最高优先

结论：任何再分发/商用前，以官方注册协议为准。

附录 K：必引论文清单（5 篇）

见 §6.4，含 ATM’22 benchmark、CFDA、class-wise gradient、BREAK、AirwayNet。

附录 L：双口径登记表

冲突项	口径 A	口径 B	本条目处理
出版年份	arXiv 2023-03	MedIA 2023-12	并存照
License	CC BY	CC BY-ND	并存照 + 以注册协议为准
数据获取	注册制	Zenodo 直链	双轨并述

附录 M：坑点档案（与 §10 对照）

坑 1 origin/spacing ｜ 坑 2 最大连通分量 ｜ 坑 3 类内不平衡 ｜ 坑 4 COVID 域 ｜ 坑 5 Zenodo≠全部 ｜ 坑 6 license 第三方索引 ｜ 坑 7 拓扑≠像素 ｜ 坑 8 403 反爬。详见 §10。

附录 N：缩写速查

缩写	全称
ATM	Airway Tree Modeling
EXACT	Extraction of airways from CT
GGO	Ground-Glass Opacity
COPD	Chronic Obstructive Pulmonary Disease
BD	Branch Detected
TD	Tree-length Detected
CFDA	Collaborative Feature Disentanglement and Augmentation
NIfTI	Neuroimaging Informatics Technology Initiative

附录 O：维护计划与触发点

• 触发点 1：挑战赛更新数据批次或关闭注册 → 更新 §6。
• 触发点 2：官方统一 license 口径 → 更新 §6.3。
• 触发点 3：新综述/leaderboard 发布 → 更新 §7。
• 触发点 4：库内 parse2022 等条目 rid 确认 → 更新 §9。

附录 P：基于本数据集的研究检查清单（10 项）

1. 是否处理了类内不平衡？
2. 是否做了最大连通分量后处理？
3. 是否保持 origin/spacing？
4. 是否在 COVID 子集上评估？
5. 是否报告拓扑指标？
6. 是否报告远端召回？
7. 是否对比了 EXACT’09 时代方法？
8. 是否遵守了引用要求？
9. 是否确认了 license？
10. 是否公开了代码/可复现？

附录 Q：检索路径示范

• 关键词组合：ATM22 / airway tree modeling / pulmonary airway segmentation CT / airway tree modeling MICCAI 2022
• 官方入口：atm22.grand-challenge.org
• 数据入口：zenodo.org/records/6590745
• 论文入口：arxiv.org/abs/2303.05745

附录 R：本条目生产档案

项	值
代理名	agent-e-atmairway
slug	atm-airway
核验方式	WebSearch×2 + WebFetch×4（三源互证）
核验结论	数据集真实存在，确认无疑
生成日期	2026-10-08

---

尾注：本条目依据 ATM’22 官方挑战赛主页、arXiv:2303.05745 预印本、Medical Image Analysis 2023;90:102957 正式论文及 Zenodo 公开记录（doi 10.5281/zenodo.6590745）三源互证编写。所有硬数字（500 例、300/50/150、32.3 GB 等）均落来源 URL；年份与 license 双口径已逐条存照。若发现与实际不符，请以官方注册协议与最新发布为准。

---

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：

• toothfairy2 — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集
• curvas — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集
• toothfairy3 — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集
• stsr — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集
• instance2022 — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集
• lnq — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集
• asoca — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集
• orcascore — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集
• imagecas-x — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集
• rsna-aneurysm-2025 — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集

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。