信息速览

数据集名称AutoImplant — 颅骨植入体自动设计挑战 AI-Ready Wikipedia

数据类型630 个 NRRD 文件（2020 届）,570+100 个三元组（2021 届 SkullBreak）,512×512×Z 二值体素,CC BY-NC-SA 4.0 免费获取

规模非患者队列：合成数据共 344 个颅骨（2020 届 210 + 2021 届 134），不含人口学信息

接入方式Graz University of Technology (TU Graz) — Institute of Computer Graphics and Vision url: https://autoimplant.grand-challenge.org/

AI 就绪度

数据集封面

AutoImplant Challenge — 颅骨植入体自动设计 AI-Ready Wikipedia

INFOBOX


数据集名称	AutoImplant Challenge
英文全称	Automatic Cranial Implant Design Challenge
别名/简称	AutoImplant（2020 届）、AutoImplant II / AutoImplant 2021（2021 届）；官方数据集 SkullFix（2020 届）、SkullBreak（2021 届 Task 1）
疾病分类（ICD-11）	NA02（颅骨或面部骨折）；NA02.0（颅盖骨折）——合成缺损模拟的靶病变
SNOMED CT	32495000（Cranioplasty，颅骨成形术）
数据模态	头部 CT 派生的颅骨二值体素掩码（完整颅骨 + 缺损颅骨 + 植入体三元组）
AI 任务类型	3D 体素形状补全 / 体积分割（植入体自动设计）
样本总数	2020 届 210 个颅骨三元组（630 个 NRRD）；2021 届 Task 1 共 670 个三元组（570 训练 + 100 评估）+ Task 2 的 11 例真实缺损
数据大小	SkullBreak 261.1 MB（训练）+ 48.0 MB（评估，Zenodo）；SkullFix 由 TU Graz 文件服务器分发
数据格式	NRRD（二值体素，512×512×Z）
许可证	CC BY-NC-SA 4.0（沿用底层 CQ500 许可）
访问级别	注册后开放（Grand Challenge 注册/JOIN 后下载，另提供直链与 Zenodo 镜像）
DUO 标签	NCU（非商业使用）
语言	英文（文档、提交系统与论文）
首发日期	2020-06-03（2020 届训练集发布）
最后更新	2021-06-21（2021 届 Task 2 数据发布）
发布机构	格拉茨工业大学（TU Graz）计算机图形与视觉研究所（ICG）、Café-Lab、格拉茨医科大学；2021 届联合布尔诺理工大学
官方主页	autoimplant.grand-challenge.org（2020 届）/ autoimplant2021.grand-challenge.org（2021 届）
下载地址	2021 届 Dataset 页（含 SkullBreak 直链与 Zenodo 镜像）
DOI	10.1109/TMI.2021.3077047（2020 届总结论文）；10.1016/j.dib.2021.106902（数据描述论文）
引用次数	47+（IEEE TMI 2020 届总结论文，PlumX Citation Indexes，截至 2026-09）
AI 就绪度评分	⭐⭐⭐⭐（4/5）— 官方三元组结构、固定划分与基线/冠军代码齐备，NRRD 可直接读取训练；扣分项：无一键训练脚本，512×512×Z 大体积需自行处理显存与分块
页面状态	published

§0 E-E-A-T 信任声明与免责声明

医学审核者：千方病案医学编辑部交叉审核：§2 医学背景（ICD-11 与 SNOMED CT 映射、颅骨成形术临床任务定义、金标准描述）、§7 偏倚分析。

数据工程审核者：千方病案医学编辑部交叉审核：§4 DAIMS 数据字典（三元组结构与 NRRD 体素格式）、§5 数据划分策略、§6 预处理 Pipeline 和坑点。

审核日期：2026-09-05

审核方式：交叉审核

利益冲突声明：千方病案医数集与格拉茨工业大学、布尔诺理工大学及 Grand Challenge 平台无任何商业利益关联。本页面不销售 AutoImplant 数据集本身，仅提供 AI 就绪指南与学术信息服务。编辑者未接受上述机构的任何形式资助。

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。AutoImplant 数据源自 CQ500，遵循 CC BY-NC-SA 4.0（非商业-相同方式共享）许可，通过 Grand Challenge 平台注册获取；商用与二次闭源分发均被禁止。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 30 秒速览

这是什么？ AutoImplant Challenge 是 MICCAI 2020 与 2021 年连续举办的两届医学图像计算挑战赛，任务只有一个：给计算机一段"缺了盖"的颅骨三维扫描，让它自动设计出补上缺口的植入体。为了让全世界的团队在完全相同的数据上比拼，组织者从公开的 CQ500 头颅 CT 中挑选完整颅骨，用固定阈值（≥150 HU）分割出颅骨体素，再人为"开颅"注入合成缺损——每个案例是一套三元组：完整颅骨（标准答案）、缺损颅骨（输入）、植入体（两者之差）。

为什么重要？ 颅骨缺损患者（多为重型颅脑损伤或脑卒中后去骨瓣减压的幸存者）需要二期颅骨成形术修复，传统流程依赖工程师手工 CAD 建模，费时且费用高。AutoImplant 把这个真实的临床需求抽象成一个干净的 3D 形状补全基准，催生了两届冠军方案与多篇期刊总结论文，是该领域引用最广泛的公开基准之一。

我能用它做什么？ 训练与评测 3D U-Net 等体积分割/形状补全网络、研究合成数据到真实临床数据的泛化鸿沟（官方特意留了 10 例分布外测试和 11 例真实缺损）、复现冠军的"配准增强"数据策略，或作为 3D 医学影像课程的现成教学数据集。数据仅数十至数百 MB，一块普通 GPU 即可开工。

§1.1 技术摘要

AutoImplant 由格拉茨工业大学（TU Graz）计算机图形与视觉研究所（ICG）、Café-Lab 与格拉茨医科大学组织（2021 届联合布尔诺理工大学），任务形式为体积形状补全（volumetric shape completion）：输入缺损颅骨的二值体素掩码，输出植入体掩码。数据构造完全程序化——从 CQ500 的 491 例匿名头颅 CT 中筛选颅骨完整、层厚 <1 mm 的案例，以 ≥150 HU 阈值分割颅骨并用 3D 连通域分析去除 CT 床托，再人工合成开颅缺损（模拟 craniotome 钻角细节）。2020 届（SkullFix）提供 100 训练 + 110 测试三元组（含 10 例分布外缺陷）；2021 届 Task 1（SkullBreak）将 114/20 个颅骨各注入 5 种缺陷类型，生成 570/100 个三元组；Task 2 提供 11 例真实去骨瓣缺损；Task 3 沿用 2020 届数据。官方基线（两段式 encoder-decoder）取得 DSC 0.8555；2020 届冠军方案（配准增强 + 4 个 U-Net 集成）达到整体 DSC 0.942、HD 3.598 mm。两届结果分别总结于 IEEE TMI 与 Medical Image Analysis 期刊论文。

§1.2 战略价值

临床维度——被忽视的"中等规模高价值"命题。 颅骨成形术是全球神经外科的常规术式，植入体设计与建模是术前准备中最耗时的一环。与动辄数十万张切片的大数据集不同，AutoImplant 证明了在数百例量级上，"任务定义清晰 + 数据合成可控 + 指标客观"同样能推动一条临床 AI 产品线的成型——冠军方案的 DSC 0.942 已接近手工分割上限，多家后续研究以"先在 AutoImplant 验证、再迁移到真实临床数据"为标准路径。

方法学维度——合成数据的教科书级范本。 由于植入体标签由"完整 − 缺损"精确计算得出，标注噪声为零；同时又通过刻意注入分布外缺陷（10 例）与保留真实临床缺损（11 例）制造受控的泛化压力测试。这使它成为研究合成域差距（synthetic-to-real gap）与分布外鲁棒性的天然实验场：2020 届 11 份提交中有 5 份在分布外测试上失败，这一可量化的事实本身就是一个重要方法学发现。

教学与工程维度。 数据仅数百 MB、NRRD 单文件可读、官方 GitHub 提供基线与冠军代码，是 3D 医学影像深度学习课程中少有的"一天内可跑通端到端训练"的体数据集，也常被用作稀疏卷积、内存优化与数据增强策略的基准试验台。

§1.3 同类数据集横向对比

数据集	规模	模态	标注	与 AutoImplant 的差异化
AutoImplant（SkullFix/SkullBreak）	2020 届 210 颅骨；2021 届 670 三元组 + 11 例真实缺损	头颅 CT 二值颅骨掩码	程序合成（零噪声）	唯一专注"缺损→植入体"形状补全任务的挑战赛基准
CQ500	491 例匿名头颅 CT（DICOM）	头颅 CT 原始影像	专科医生标注的关键发现	AutoImplant 的上游数据源；含原始 HU 体数据与临床标签
HaN-Seg	头颈部器官 at-risk 多序列	CT/MRI	人工勾画 OAR	多器官分割任务，无缺损/植入体语义
VerSe（词条生产中）	大规模脊柱 CT	脊柱 CT	椎体分割与骨折标注	骨科分割近亲，聚焦椎体而非颅骨缺损
PENGWIN	多中心骨盆 CT	骨盆 CT	骨折与修复区域分割	MICCAI 2024 挑战赛，延续"骨修复分割"路线至骨盆

选型结论：如果你的任务是"缺损→植入体"的形状补全，AutoImplant 没有同类替代品；如果你的任务是骨分割本身，CQ500（原始 HU 体数据）或上表中的分割数据集更合适，AutoImplant 可作为下游应用评测的补充基准。

§1.4 版本时间轴

日期	事件	版本/届次
2020-06-03	2020 届训练集（100 三元组）发布	AutoImplant 2020
2020-06-23	官方基线（DSC 0.8555）公布	AutoImplant 2020
2020-07-31	2020 届测试集（110 三元组）发布	AutoImplant 2020
2020-10-08	2020 届颁奖（MICCAI 2020 线上举行，原定秘鲁利马）	AutoImplant 2020
2021-04	2021 届 Task 1 与 Task 3 数据开放	AutoImplant 2021
2021-05-20	Task 1 与 Task 3 提交通道开放	AutoImplant 2021
2021-06-21	Task 2 数据（11 例真实缺损）发布	AutoImplant 2021
2021-09-30	2021 届最终排名公布	AutoImplant 2021
2021-10-01	MICCAI 2021（法国斯特拉斯堡，线上半天）挑战活动	AutoImplant 2021

§1.5 典型应用场景

植入体自动设计算法研究：以官方三元组直接训练形状补全网络，用 DSC/HD 对齐公开榜单。
合成到真实的泛化研究：在合成缺陷上训练、在 Task 2 的 11 例真实去骨瓣缺损上测试，量化域差距。
数据增强与少样本策略评估：冠军方案证明"配准增强"可将 100 例扩充为 9,803 对有效训练样本，是少样本 3D 学习的参考实验场。
预处理与算力优化教学：512×512×Z 大体积是天然的内存管理练习题（分块、下采样、稀疏卷积）。
多任务/多缺陷鲁棒性评测：SkullBreak 的 5 种缺陷类型支持按缺陷分层的细粒度评测设计。

一个提醒：本数据集的"案例"是合成个体而非真实患者，涉及真实患者的研究（如临床可用性评分、前瞻验证）需要在真实数据与真实伦理框架下另行设计，本数据集只承担算法研发与基准评测的角色。

§2 医学背景

§2.1 ICD-11 编码映射

编码	中文名称	与本数据集的关系
NA02	颅骨或面部骨折	合成缺损所模拟的临床背景损伤类别之一
NA02.0	颅盖骨折	缺陷注入区域（颅盖）对应的细分编码
NA07	颅内损伤	重型颅脑损伤常并发颅内损伤，是去骨瓣减压的主要适应证之一

编码依据 ICD-11 MMS（v2025-01/v2026-01 检索核实）：NA02 颅骨或面部骨折。

§2.1b SNOMED CT 映射

标签	ICD-11	SNOMED CT	术语说明
颅骨成形术	—	32495000（Cranioplasty）	修复颅骨缺损的手术总称，别名"颅骨修补术、Osteoplasty of skull"（BioPortal 收录）
颅骨或面部骨折	NA02	—	损伤类目，编码见 ICD-11 映射表
颅盖骨折	NA02.0	—	额骨、顶骨、颞骨与枕骨鳞部骨折
颅内损伤	NA07	—	去骨瓣减压的常见伴随损伤

§2.2 疾病与临床背景简介

颅骨缺损（cranial defect）最常见于去骨瓣减压术（decompressive craniectomy）之后——当重型颅脑损伤、大面积脑梗死或颅内出血导致难治性颅内高压时，神经外科医生会去除一部分颅骨骨瓣以释放颅内压力，挽救生命；术后数周至数月，待脑肿胀消退，患者需要接受二期颅骨成形术（cranioplasty）修复缺损。颅骨成形术不仅恢复头颅外形与脑脊液动力学，还被认为有助于神经功能康复（即所谓"sinking flap"综合征的逆转）。

缺损修复材料包括自体骨瓣（冷冻保存回植）、骨水泥、钛网以及聚醚醚酮（PEEK）等定制植入体。其中定制植入体需要依据患者 CT 进行三维重建与 CAD 建模——这一步正是 AutoImplant 任务要自动化的环节：从缺损颅骨的影像出发，直接生成与缺损边缘严密贴合的植入体几何。

修复材料	特点	与本数据集的关系
自体骨瓣回植	无排异，但吸收/移位风险存在	非定制建模场景
骨水泥（PMMA）	术中手工塑形，成本低	术前 CAD 价值有限
钛网	强度好，可数控成型	典型 CAD 建模需求来源
PEEK 定制植入体	影像匹配度与生物相容性佳	自动设计算法的主要目标产物

流行病学层面，去骨瓣减压是全球神经外科中心的常规术式，重型颅脑创伤与大面积脑卒中是其两大主要来源；本页不引用未核实的具体发生率数字，临床读者可参考相应专科指南。手术时机方面，二期颅骨成形术通常安排在初次去骨瓣术后数周至数月（待脑肿胀消退、感染风险窗关闭），各中心具体间隔存在差异，不影响本数据集的任务定义。

§2.3 临床任务定义

AutoImplant 对应的临床任务可拆解为四级递进：

任务层级	内容	数据集对应能力
缺损分割/补全	从缺损颅骨影像中分割缺损区域或直接补全完整颅骨	2020/2021 届三元组训练
植入体几何生成	将"完整颅骨 − 缺损颅骨"之差输出为可制造几何	主任务（DSC/HD 评测）
临床可用性判断	植入体边缘贴合度、是否需要修改	2021 届加入神经外科医生评分
真实世界迁移	处理真实去骨瓣的不规则缺损（含骨缘锯齿、飘带征等）	Task 2 的 11 例真实缺损

任务层级与评测指标的对应关系：层 1-2 由 DSC/HD/HD95 客观度量（见 §8.3）；层 3 无法完全用几何指标代理，2021 届因此引入神经外科医生临床可用性评分；层 4 超出任何几何指标的表达范围，需真实术前-术后对照研究。

§2.4 数据集涉及人群

维度	值	说明
数据性质	合成数据（非患者队列）	每个案例来自一次 CT 检查的颅骨掩码，无随访
底层影像来源	CQ500（491 例匿名成人头颅 CT，印度多中心）	筛选标准：颅骨完整无畸形/损伤、层厚 <1 mm、多序列取切片最多者
人口学变量	不包含	发布物为二值体素掩码，已剥离全部 DICOM 元数据与人口学信息
年龄/性别/种族	未随数据发布	公平性分析受限，见 §7.5
数据可用性口径	免费注册获取（CC BY-NC-SA 4.0）	无申请审核、无使用协议签署环节

§2.5 临床价值

缩短术前准备链条：定制植入体的 CAD 建模通常依赖专业工程师与商业软件；自动形状补全可将"CT 到植入体模型"压缩为分钟级，尤其有利于基层与资源受限地区。
降低建模主观性：人工建模在复杂缺损（双侧、跨中线）时一致性有限，算法生成提供可重复的初稿。
教学与手术沟通：自动生成的三维植入体预览可用于医患沟通与住院医师培训。
方法学外溢：形状补全范式可迁移到下颌骨重建、骨盆修复等相邻骨科场景。
监管科学入口：合成数据上的可控评测（零标注噪声 + 受控 OOD）为后续真实临床验证与监管沟通提供了可复现的技术档案起点。

§2.6 金标准表

划分	标注方式	标注者	性质
2020 届训练集（100 三元组）	程序合成：≥150 HU 阈值 + 连通域去头托 + 人工注入开颅缺损	无人工标注者（合成协议由 TU Graz 神经外科与工程团队设计）	标签即"完整 − 缺损"差集，零标注噪声
2020 届测试集（100 相似缺陷 + 10 分布外缺陷）	同上；10 例缺陷大小/形状/位置刻意偏离训练分布	同上	100 例与训练分布相似，10 例为受控 OOD 压力测试
2021 届 Task 1（570 训练 + 100 评估三元组）	同上，缺陷类型扩展为 5 种（颞顶单侧、额眶单侧、双侧、双随机缺损、随机形状）	同上（联合布尔诺理工大学）	同一颅骨的 5 种缺陷变体构成"组"结构
2021 届 Task 2（11 例）	真实去骨瓣临床缺损颅骨	真实手术结果	真实数据，用于评估合成到真实的泛化

§3 数据集规格

§3.0 版本抉择矩阵

你的需求	推荐版本	大小	理由
快速复现 2020 届基线/榜单	SkullFix（2020 届，210 三元组）	由 TU Graz 文件服务器直链分发	官方划分固定，与 IEEE TMI 总结论文数字直接对齐
大规模训练 + 缺陷多样性	SkullBreak（2021 届 Task 1，570+100 三元组）	261.1 MB + 48.0 MB（Zenodo）	5 种缺陷类型覆盖单侧/双侧/随机形状，训练信号更丰富
合成到真实泛化评估	AutoImplant 2021 Task 2（11 例真实缺损）	小体量	唯一真实临床缺损子集，注意样本量极小
教学/最小可用演示	SkullBreak 训练包任一缺陷类型子集	<261.1 MB	单类缺陷即可构成最小可训练三元组集

§3.1 模态详情

项目	内容
原始模态	头部 CT（源自 CQ500，DICOM，含原始 HU 体数据）
发布形态	二值体素掩码（0/1），不含原始 HU 体数据
体数据构成	完整颅骨（ground truth）、缺损颅骨（输入）、植入体（标签）三元组
语义	植入体 = 完整颅骨 XOR 缺损颅骨（逐体素差集）
切片网格	512×512×Z（Z 依案例而异）
文件格式	NRRD（二值体素）

使用提示：这是"衍生模态"（derived modality）——发布物已经完成"CT → 颅骨掩码"的信息压缩。若你的研究需要 HU 体数据、窗宽窗位或原始 DICOM，请回到上游 CQ500；若只需几何形状（本任务的主流需求），发布物即开即用。

§3.2 按子集样本数

子集	案例构成	三元组数
SkullFix 训练集	100 个颅骨 × 1 种合成缺陷	100
SkullFix 测试集	110 个颅骨（100 相似缺陷 + 10 分布外缺陷）	110
SkullBreak 训练集	114 个颅骨 × 5 种缺陷类型	570
SkullBreak 评估集	20 个颅骨 × 5 种缺陷类型	100
Task 2 真实缺损	11 个真实去骨瓣颅骨	11
上游 CQ500	491 例匿名头颅 CT（DICOM）	—

2020 届合计 210 个颅骨、630 个 NRRD 文件（数据描述论文）；挑战官网以"200 个高分辨率颅骨"作为任务口径（不含 10 例分布外测试），两种口径并存，详见 FACTS 核实记录。

口径核对要点：①"200 例"是官网/基线论文对挑战任务的表述（100 训练 + 100 测试）；②"210 例"是数据论文对 SkullFix 完整文件包的表述（多出 10 例分布外测试）；③"2021 届 400 例"的旧口径未获证实，SkullBreak 的 670 个三元组由 134 个颅骨生成，不可与案例数混淆。

§3.3 数据格式

格式	用途	说明
NRRD	全部体素数据	二值掩码（uint8 0/1），保留空间几何信息（origin/spacing/direction）
ZIP	发布打包	skullbreak_training.zip（261.1 MB）、skullbreak_evaluation.zip（48.0 MB）
README/TXT	文件说明	随包分发，说明命名规则与提交格式
DICOM	仅上游 CQ500	AutoImplant 发布物不含 DICOM

§3.4 存储大小

SkullBreak 官方 Zenodo 镜像合计约 309.1 MB（261.1 MB 训练 + 48.0 MB 评估，截至 2026-09 检索）；SkullFix 通过 TU Graz ICG 文件服务器分发，官方未公布单一汇总大小。即便加上 Task 2 的 11 例，整套研究材料仍在数百 MB 量级，是 3D 医学影像任务中最轻量的基准之一。

轻量性带来的两个工程红利：① 全量数据可常驻本地磁盘甚至内存缓存，无需流式下载/云挂载；② 配准增强这类离线扩样技术（冠军方案生成 9,803 对样本）在普通工作站数小时内即可完成，不必依赖集群。

§3.5 标注方式

程序合成（非人工标注），管线四步：

颅骨分割：固定阈值 ≥150 HU（下限固定，上限取各扫描最大密度），输出二值体素。
去噪：3D 连通域分析——颅骨为最大连通域，据此自动移除 CT 检查床头托等附件。
缺陷注入：人工合成开颅缺损，细节模拟 craniotime 锯钻形成的小圆钻角；2021 届扩展为 5 种缺陷类型。
标签计算：植入体 = 完整颅骨与缺损颅骨的逐体素差集，精确无噪声。

协议骨架伪代码（依据官方论文描述整理，供向自有数据迁移时参考）：

def synthesize_triplet(ct_volume, defect_mask):
    """官方合成协议骨架：CT -> (完整颅骨, 缺损颅骨, 植入体) 三元组"""
    # 步骤 1：固定阈值分割颅骨（下限 150 HU，上限取全卷最大密度）
    skull = (ct_volume >= 150) & (ct_volume <= ct_volume.max())
    # 步骤 2：3D 连通域去头托（颅骨 = 最大连通域）
    skull = keep_largest_component(skull)
    # 步骤 3：注入合成开颅缺损（含 craniotome 钻角细节）
    defective = skull & ~defect_mask
    # 步骤 4：标签 = 逐体素差集
    implant = skull & ~defective
    return skull, defective, implant

§3.6 标注者资质与一致性

数据集不含人工勾画标签，因此不存在标注者间一致性（inter-rater agreement）问题；标签的"真值"地位由合成协议保证。合成协议本身由组织方团队（含格拉茨医科大学神经外科医生 Gord von Campe）设计，确保缺损形态在临床上有对应物（craniotomy 钻角、双颞顶减压窗等）。这一"零标注噪声 + 协议保真度风险"的组合是解读该数据集的关键：指标提升完全归因于模型能力，但指标高度不等于真实临床性能（见 §6.5 坑点 6）。

§3.7 采集周期

底层影像来自既有公开数据集 CQ500；挑战数据合成与发布集中于 2020-06-03（2020 届训练集）至 2021-06-21（2021 届 Task 2 数据）两个挑战周期内，官方时间线。

§3.8 地域覆盖

原始 CT 采集自印度多中心（CQ500，Qure.ai）；数据合成与挑战组织在奥地利（TU Graz、格拉茨医科大学）与捷克（布尔诺理工大学）完成。发布物无地理标签。

§3.9 设备规格

项目	已知信息
层厚	筛选标准 <1 mm
面内分辨率	512×512 矩阵（像素间距依原始扫描而定，未随挑战发布统一说明）
阈值	≥150 HU（下限固定，上限为各扫描最大密度）
扫描仪型号/厂商	未随数据发布（去标识化处理）
序列选择	同一患者多序列时取切片最多者
颅骨完整性	筛选颅骨完整、无畸形/损伤的案例作为合成底板

设备元数据的缺失是双向的：一方面保护了来源隐私，另一方面意味着无法按厂商/层厚做分层分析。若你的研究需要设备维度信息，唯一路径是回到 CQ500 并自行关联（需遵守其许可）。

§3.10 深度溯源链

CQ500（491 例匿名头颅 CT，印度多中心，Qure.ai 发布）
  → 案例筛选（颅骨完整、层厚 <1 mm、取切片最多的序列）
    → 颅骨分割（≥150 HU 阈值 → 二值体素）
      → 3D 连通域去头托（颅骨 = 最大连通域）
        → 合成缺陷注入（craniotomy 模拟；2021 届 5 种类型）
          → 三元组打包（完整/缺损/植入 NRRD）
            → AutoImplant 2020（SkullFix）与 AutoImplant 2021（SkullBreak/Task 2）

每一环节均在官方论文中有对应描述：基线论文（分割与合成协议）、SkullBreak/SkullFix 数据论文（文件组织与下载）、IEEE TMI 总结与 Medical Image Analysis 总结（两届全景）。

溯源链的可复现性评级：分割与差集步骤完全确定性（可精确复现）；缺陷注入步骤依赖组织方内部参数（形状/位置分布未完整公开，只能近似复刻）。这意味着"用自有 CT 复刻 AutoImplant"是可行的近似，而非逐体素等价。

§4 数据结构

§4.0 目录树

以下为两届数据合并后的典型组织方式（依据数据描述论文与官方页面整理；具体文件名以下载包内 README 为准）：

autoimplant/
├── skullfix/                              # 2020 届（SkullFix，210 三元组）
│   ├── training/                          # 训练集：100 个三元组
│   │   ├── complete_skull_1.nrrd          # 完整颅骨（ground truth）
│   │   ├── defective_skull_1.nrrd         # 缺损颅骨（模型输入）
│   │   ├── implant_1.nrrd                 # 植入体（训练标签）
│   │   ├── complete_skull_2.nrrd
│   │   └── ...
│   └── test/                              # 测试集：110 个三元组
│       ├── complete_skull_1.nrrd          # 100 例相似缺陷 + 10 例分布外缺陷
│       └── ...
├── skullbreak/                            # 2021 届 Task 1（SkullBreak）
│   ├── skullbreak_training.zip            # 261.1 MB：114 颅骨 ×5 缺陷 = 570 三元组
│   │   └── （解压后按缺陷类型分组的 complete/defective/implant 三元组）
│   └── skullbreak_evaluation.zip          # 48.0 MB：20 颅骨 ×5 缺陷 = 100 三元组
└── autoimplant_ii_task2/                  # 11 例真实去骨瓣缺损颅骨
    └── ...

命名规则速记：三类文件共享同一 case 编号后缀，前缀区分角色（complete_skull / defective_skull / implant）；因此"同一编号的三个文件必须同批读取"，替换或部分下载会静默破坏三元组一致性——§6.1 的自检断言即为此设计。

§4.1 DAIMS 字段字典

发布物为文件夹 + NRRD 文件，无中央 CSV 元数据表；下表将隐含字段显式化为逻辑数据字典。

字段名	类型	说明	示例值	AI 用途	观测误差	信息性缺失编码	取值范围
case_id	Integer	三元组编号，同一编号的三个文件属于同一案例	1	样本索引、组划分键	无（程序生成）	不适用	1 至该子集样本数
complete_skull	ImageObject(NRRD)	完整颅骨二值掩码（ground truth）	complete_skull_1.nrrd	形状补全的重建目标、DSC 参照	无（阈值分割确定性输出）	不适用	体素值
defective_skull	ImageObject(NRRD)	注入缺损后的颅骨掩码（模型输入）	defective_skull_1.nrrd	网络输入	无	不适用	体素值
implant	ImageObject(NRRD)	植入体掩码 = 完整 − 缺损（训练标签）	implant_1.nrrd	监督信号	无（差集精确计算）	不适用	体素值
defect_type	Text（仅 SkullBreak）	缺陷类型（颞顶单侧/额眶单侧/双侧/双随机/随机形状）	unilateral temporoparietal	分层评测、条件生成	无	不适用	5 个枚举值
split	Text（隐含）	训练/评估归属，由所在目录决定	training	实验复现	无	不适用
voxel_grid	Integer 数组	512×512×Z 二值体素矩阵	—	张量化输入	无	不适用
spacing/direction	Float 数组（NRRD 头）	体素物理间距与方向矩阵，继承自原始 CT	—	毫米制 HD/HD95 计算	继承 CQ500 扫描精度	不适用	依案例而异（层厚 <1 mm）
release_package	Text（隐含）	案例所属发布包（SkullFix/SkullBreak/Task 2）	skullbreak	版本管理、结果溯源	无	不适用	3 个枚举值
voxel_count	Integer（派生）	前景体素计数，由掩码求和派生	—	体素不均衡分析、损失加权	无	不适用	依案例而异
bounding_box	Integer 数组（派生）	前景包围盒，由非零体素坐标派生	—	显存优化裁剪（见 §6.3）	无	不适用	依案例而异

§4.2 标签分布

本数据集无分类标签；"标签"即二值植入体掩码。分布层面的两个关键事实：

体素极度不均衡：颅骨壁与植入体仅为薄壳结构，前景体素占比远小于背景；训练时通常需要前景加权的损失（Dice Loss、Tversky 等）而非交叉熵。
缺陷类型分布由人为设计决定（SkullBreak 5 类均衡注入；SkullFix 训练 100 例缺陷大小/形状/位置相似），并非自然分布，直接外推到真实临床会高估模型覆盖度。

SkullBreak 的 5 种缺陷类型构成（每类注入 114 个训练颅骨与 20 个评估颅骨）：

缺陷类型	描述	临床对应
unilateral temporoparietal	单侧颞顶区缺损	标准额颞顶去骨瓣
unilateral fronto-orbital	单侧额眶区缺损	额部/眶周入路术后缺损
bilateral	双侧跨中线缺损	双侧减压
two random defects	同一颅骨两个随机缺损	多灶手术/碎骨情形
random-shape defect	随机形状缺损	不规则骨缘的真实形态近似

§4.3 关键统计

统计项	数值	来源
2020 届 NRRD 文件总数	630（210 三元组 × 3）	LNCS 12439 章节
2021 届三元组总数	670（570 训练 + 100 评估）	Data in Brief
真实缺损例数（Task 2）	11	MedIA 总结
SkullBreak 缺陷类型数	5	Zenodo
冠军方案配准增强后有效训练对	9,803（另有 197 次配准失败被剔除）	LNCS 12439 章节
2021 届 Task 3 数据构成	沿用 2020 届（100 训练 + 110 评估三元组）	MedIA 总结
上游 CQ500 案例数	491 例匿名头颅 CT	CQ500 官方页
挑战参与度（2020 届）	11 份有效提交（其中 5 份在 OOD 测试失败）	组织者报告

§4.4 数据层级

层级为单层结构：案例（= 一次 CT 检查的颅骨掩码）→ 三元组文件。无患者 → 检查 → 序列 → 切片的多级嵌套（上游 CQ500 中同一患者的多序列已被"取切片最多者"规则折叠为单序列）。注意 SkullBreak 中"同一颅骨 × 5 种缺陷"构成隐含的组结构——这是 §5.3 泄漏讨论的核心。

层级示意：

发布包（release_package）
└── 案例（skull，134/210 个合成个体）
    ├── 缺陷变体 1..5（仅 SkullBreak，每种缺陷一套三元组）
    │   ├── complete_skull_{i}.nrrd
    │   ├── defective_skull_{i}.nrrd
    │   └── implant_{i}.nrrd
    └── （SkullFix：每案例仅 1 种缺陷 → 每案例一组三元组）

§4.5 缺失值与信息性缺失编码

不适用：合成数据按确定性协议生成，无缺失体素、无信息性缺失编码、无重复或断裂文件。需要使用者自查的是几何属性而非缺失：各案例 NRRD 头部的 origin/spacing/direction 是否在读取后保留（错误的全局重采样会破坏 HD 指标的毫米语义，见 §6.5 坑点 7）。

下载完成后建议执行的读取校验清单：

校验项	方法	预期
三元组数量	统计各子集 `*_1.nrrd` 起始编号与文件数	与 §3.2 表一致
取值集合	对随机样本求 unique	⊆
三元组一致性	断言 implant = complete − defective（§6.1）	逐体素成立
几何一致性	比较三元组内 GetSize/GetSpacing/GetOrigin	完全相同
方向矩阵	检查 direction 行列式符号	LPS 约定（负值）
spacing 非均匀性	汇总 spacing 分布	层厚 <1 mm，各案例可不同

§5 划分与使用建议

§5.1 官方划分

届次/任务	训练	评估	说明
AutoImplant 2020	100 三元组	110 三元组	官网任务口径常表述为"100 训练 + 100 测试"，另有 10 例分布外测试单独统计
AutoImplant 2021 Task 1	570 三元组（114 颅骨 ×5）	100 三元组（20 颅骨 ×5）	SkullBreak
AutoImplant 2021 Task 2	—	11 例真实缺损	无训练数据，直接迁移
AutoImplant 2021 Task 3	100 三元组	110 三元组	沿用 2020 届数据

官方划分是最强默认值：它保证你的数字能与 IEEE TMI/MedIA 总结论文及 2020 届参赛论文直接对比；只有当你声明了新任务口径（如仅 SkullBreak 单缺陷类型）时才允许偏离，且需在实验设置一节显式说明。另注意 2021 届 Task 3 与 2020 届共用同一批数据——两届结果不能当作独立复现。

§5.2 社区惯例划分

社区复现通常直接采用官方划分并在训练集内部留出 10%-20% 做验证；冠军方案（Ellis & Aizenberg）在训练集上以配准增强离线扩样，未改动官方测试协议。使用 SkullBreak 自行划分时，社区惯例是按颅骨（skull-level）分组划分而非按三元组随机划分。

另一种常见做法是"官方测试全部冻结 + SkullBreak 训练集内做 5 折分组交叉验证选模"，兼顾可比性与选型自由度；少数方法学论文还会把 Test-100 与 Test-10 拆开调参，这属于对 OOD 压力测试的过度拟合，不建议效仿。

§5.3 泄漏风险（重点）

同源颅骨跨集泄漏（SkullBreak 特有）：同一颅骨的 5 种缺陷变体在发布包中按缺陷类型组织；若按三元组随机打乱划分，同一颅骨会同时出现在训练与验证集，验证分数虚高。必须以 skull_id 为组键做 GroupShuffle/GroupKFold。
配准增强的间接泄漏：配准增强（将训练集其他颅骨 warped 到目标缺损）本身是合法技巧，但生成的 9,803 对样本全部源自训练颅骨——不得混入任何测试颅骨来源的配准结果。
Task 2 的"事实上的测试集"属性：11 例真实缺损若被用于反复调参，将失去独立验证意义；建议冻结全部设计决策后再一次性评估。
增强超参的隐性泄漏：数据增强（含配准增强）的任何超参若在测试集指标上搜索得到，等同于测试集信息回流；超参搜索只能在训练/验证划分内完成。

§5.4 交叉验证建议

小样本场景推荐 5 折分组交叉验证（按颅骨分组），报告跨折均值±标准差；同时永远附报官方测试集（尤其 10 例分布外）的成绩，以维持与其他论文的可比性。交叉验证内的预处理统计（如归一化参数、裁剪范围）必须每折独立计算，否则折间信息互通会稀释验证意义。

§5.5 外部验证建议

完成内部评测后，推荐的递进式外部验证：① Task 2 的 11 例真实缺损（最接近真实域）；② 自备的其他中心颅骨 CT 自行按官方协议合成缺陷；③ 真实术前 CT 上的前瞻性可用性评估（超出数据集范围，需独立伦理批准）。每一级验证通过后再进入下一级，避免跳级宣称"临床可用"。

§6 AI 就绪指南

§6.0 云端快速启动

AutoImplant 无官方云镜像；数据仅数百 MB，最直接的启动路径是：注册 Grand Challenge 账号（或使用 Zenodo 镜像）→ 下载 ZIP → 上传至任意带 GPU 的环境（Colab/Kaggle/实验室服务器均可）→ 按 §6.1 代码读取。

§6.1 快速上手

以下代码假设数据已解压。目录结构预期：data_root 下直接存放某子集的三元组文件（如 complete_skull_{i}.nrrd / defective_skull_{i}.nrrd / implant_{i}.nrrd）。data_root 拼接关系：data_root = 解压根目录 + 子集路径（例如 .../skullfix/training）。最小可用子集：任一目录下的一对 defective_skull_i.nrrd + implant_i.nrrd 即可验证读取与训练闭环。

import SimpleITK as sitk
import numpy as np

DATA_ROOT = "autoimplant/skullfix/training"   # 按你的解压路径修改
i = 1

defective = sitk.ReadImage(f"{DATA_ROOT}/defective_skull_{i}.nrrd")
complete  = sitk.ReadImage(f"{DATA_ROOT}/complete_skull_{i}.nrrd")
implant   = sitk.ReadImage(f"{DATA_ROOT}/implant_{i}.nrrd")

arr_d = sitk.GetArrayFromImage(defective)   # (Z, Y, X)，值 {0,1}
arr_c = sitk.GetArrayFromImage(complete)
arr_i = sitk.GetArrayFromImage(implant)

print("体数据尺寸 (Z,Y,X):", arr_d.shape)
print("spacing (x,y,z) mm:", defective.GetSpacing())
print("前景体素：缺损", arr_d.sum(), "完整", arr_c.sum(), "植入", arr_i.sum())

# 自检：植入体应精确等于 完整 - 缺损
assert np.array_equal(arr_i, (arr_c.astype(bool) & ~arr_d.astype(bool)).astype(np.uint8)), \
    "三元组不一致：请检查文件是否来自同一案例编号"

§6.2 数据获取

步骤	内容
1. 注册	在 autoimplant2021.grand-challenge.org 注册账号并 JOIN 挑战
2. 下载	Dataset 页获取 SkullBreak/SkullFix 链接；或使用官方直链/Zenodo 镜像
3. 校验	解压后核对三元组数量（见 §3.2 表）

# SkullBreak（2021 届 Task 1）：官方直链
curl -L -o skullbreak_training.zip   "https://www.fit.vutbr.cz/~ikodym/skullbreak_training.zip"
curl -L -o skullbreak_evaluation.zip "https://www.fit.vutbr.cz/~ikodym/skullbreak_evaluation.zip"

# 或 Zenodo 镜像（261.1 MB + 48.0 MB）
curl -L -o skullbreak_training.zip   "https://zenodo.org/records/20308764/files/skullbreak_training.zip?download=1"
curl -L -o skullbreak_evaluation.zip "https://zenodo.org/records/20308764/files/skullbreak_evaluation.zip?download=1"

# SkullFix（2020 届）：TU Graz ICG 文件服务器直链
curl -L -o skullfix.zip "https://files.icg.tugraz.at/f/2c5f458e781a42c6a916/?dl=1"

unzip -q skullbreak_training.zip -d autoimplant/skullbreak/

§6.3 预处理全流程

三步流水线：读取与校验 → 几何对齐与裁剪 → 重采样/分块。

import numpy as np
import SimpleITK as sitk
from scipy import ndimage

def load_triplet(data_root: str, case_id: int):
    """读取一个三元组，返回 (defective, complete, implant) 三个 sitk.Image。"""
    paths = [f"{data_root}/{prefix}_{case_id}.nrrd"
             for prefix in ("defective_skull", "complete_skull", "implant")]
    imgs = [sitk.ReadImage(p) for p in paths]
    # 校验：几何属性必须一致，否则 HD 指标的毫米语义失效
    ref = imgs[0]
    for img in imgs[1:]:
        assert img.GetSize() == ref.GetSize() and img.GetSpacing() == ref.GetSpacing(), \
            f"case {case_id} 几何属性不一致"
    return imgs

def clean_mask(arr: np.ndarray) -> np.ndarray:
    """仅当对自有 CT 数据复刻协议时需要：二值化 + 保留最大连通域（去头托）。
    官方 NRRD 已完成此步；此处用于把协议迁移到外部数据。"""
    binary = (arr >= 150).astype(np.uint8)          # >=150 HU 阈值（原始 CT 适用）
    labels, n = ndimage.label(binary)
    if n > 1:
        sizes = ndimage.sum(binary, labels, range(1, n + 1))
        binary = (labels == (np.argmax(sizes) + 1)).astype(np.uint8)
    return binary

def crop_to_bbox(arr: np.ndarray, margin: int = 8):
    """按前景包围盒裁剪，显著降低显存占用（见坑点 3）。"""
    coords = np.argwhere(arr)
    z0, y0, x0 = np.maximum(coords.min(0) - margin, 0)
    z1, y1, x1 = coords.max(0) + margin + 1
    return arr[z0:z1, y0:y1, x0:x1], (z0, y0, x0)

img_d, img_c, img_i = load_triplet("autoimplant/skullfix/training", 1)
arr_d = sitk.GetArrayFromImage(img_d)
arr_c, offset = crop_to_bbox(sitk.GetArrayFromImage(img_c))
print("裁剪后形状:", arr_c.shape, "偏移:", offset)

要点：

官方数据已是干净二值掩码——不要对官方 NRRD 再做 HU 阈值（它们不含 HU 信息）；clean_mask 仅供把协议迁移到自有 DICOM 数据。
保留 sitk.Image 而非裸数组——spacing/direction 是 HD95 毫米换算的前提。
包围盒裁剪通常可将体素量压缩一个数量级，是免费的显存优化。

§6.4 PyTorch DataLoader

import glob
import re
import numpy as np
import SimpleITK as sitk
import torch
from torch.utils.data import Dataset, DataLoader

class AutoImplantDataset(Dataset):
    """AutoImplant 三元组数据集（输入=缺损颅骨，标签=植入体）。

    目录结构预期：
        data_root/
          defective_skull_{i}.nrrd
          complete_skull_{i}.nrrd
          implant_{i}.nrrd
    最小可用子集：单个三元组。crop=True 时按前景包围盒裁剪。
    """

    def __init__(self, data_root: str, crop: bool = True, max_size: int = 224):
        self.def_paths = sorted(glob.glob(f"{data_root}/defective_skull_*.nrrd"),
                                key=lambda p: int(re.findall(r"\d+", p)[-1]))
        self.crop, self.max_size = crop, max_size

    def __len__(self):
        return len(self.def_paths)

    def _load(self, path):
        arr = sitk.GetArrayFromImage(sitk.ReadImage(path)).astype(np.float32)
        if self.crop:
            coords = np.argwhere(arr)
            if len(coords) > 0:
                z0, y0, x0 = np.maximum(coords.min(0), 0)
                z1, y1, x1 = coords.max(0) + 1
                arr = arr[z0:z1, y0:y1, x0:x1]
        # 统一到固定尺寸（配合 global_z_spacing 时按需重采样）
        return self._resize(arr)

    def _resize(self, arr):
        import torch.nn.functional as F
        t = torch.from_numpy(arr)[None, None]
        t = F.interpolate(t, size=(self.max_size,) * 3, mode="trilinear",
                          align_corners=False)
        return t[0, 0]

    def __getitem__(self, idx):
        def_path = self.def_paths[idx]
        imp_path = def_path.replace("defective_skull", "implant")
        x = self._load(def_path)                       # 输入：缺损颅骨
        y = self._load(imp_path)                       # 标签：植入体
        return x[None], y[None]                        # (1,D,H,W)

train_ds = AutoImplantDataset("autoimplant/skullfix/training")
train_dl = DataLoader(train_ds, batch_size=2, shuffle=True, num_workers=4,
                      pin_memory=True)
x, y = next(iter(train_dl))
print(x.shape, y.shape)   # torch.Size([2,1,D,H,W])

训练循环建议损失用 soft_dice_loss + BCE 组合；完整可运行示例见官方基线仓库 Jianningli/autoimplant 与冠军仓库 ellisdg/3DUnetCNN。

§6.5 坑点清单（8 个）

⚠️ 坑点 1：对官方 NRRD 误做 HU 阈值（分类：预处理陷阱）

问题：官方发布的是二值掩码（0/1），不是 HU 体数据。套用"CQ500 ≥150 HU 阈值分割"流程到官方 NRRD 上会把整卷清零或产生荒谬输出。
症状：前景体素数为 0 或等于全部体素；训练 loss 直接不收敛。
解决：

简单方法：读取后断言取值集 ⊆ {0, 1}（见 §6.1 自检代码），官方数据直接使用。

进阶方法：仅当你处理上游 CQ500 DICOM 时才执行 clean_mask（≥150 HU + 最大连通域去头托），并逐例可视化验证床托已去除。

SOTA 方法：把官方协议封装为独立 synthesis.py 模块，对自有 CT 数据复刻合成管线，实现"同分布扩充"。
参考：基线论文；LNCS 12439 数据协议章节

⚠️ 坑点 2：把 110 例测试集当作同质整体报告（分类：评估误用）

问题：2020 届测试集由 100 例相似缺陷 + 10 例刻意分布外缺陷组成。混合平均会掩盖 OOD 失败——2020 届 11 份提交中有 5 份在 10 例 OOD 上失败。
症状：论文里 DSC 不错，审稿人要求分桶报告后 OOD 成绩坍塌。
解决：

简单方法：分桶报告 Test-100 与 Test-10 两行（冠军论文的标准做法：0.944 vs 0.932）。

进阶方法：对 OOD 子集做逐例误差分解，定位失败集中在哪类缺陷几何（如超大双侧缺损）。

SOTA 方法：引入条件生成或形状先验（如 [Matzkin 等的虚拟去骨瓣方案]）显式建模缺陷分布之外的模式。
参考：IEEE TMI 总结论文；冠军方案

⚠️ 坑点 3：512×512×Z 全体积直接进网络导致显存爆炸（分类：工程陷阱）

问题：单卷 512×512×Z 的 3D 卷积激活图远超消费级 GPU 显存，初学者常在第一个 batch 就 OOM。
症状：CUDA out of memory；或被迫用 batch_size=1 且仍不稳定。
解决：

简单方法：前景包围盒裁剪（§6.3/§6.4 的 crop_to_bbox），通常可压缩一个数量级。

进阶方法：粗到精（coarse-to-fine）两段式——低分辨率全局网络定位缺损，高分辨率局部网络细化边界（官方基线即两段式）。

SOTA 方法：滑窗推理 + 稀疏卷积（如 nnU-Net 风格 patch 采样），或梯度检查点换显存。
参考：基线论文；组织者方法学报告（jianningli.me PhD seminar slides）

⚠️ 坑点 4：镜像对称补全的解剖学谬误（分类：偏倚陷阱）

问题：用对侧颅骨镜像填充缺损是最直觉的启发式，但人类颅骨并非严格左右对称，镜像植入体在颅缝、颞嵴等区域系统性偏差，官方基线论文明确指出其非最优。
症状：DSC 中等但 HD（边界距离）差；植入体"看起来对、扣不上"。
解决：

简单方法：仅将镜像作为形状先验/初始化，再用网络细化。

进阶方法：以镜像 + 形变配准生成候选，再用判别网络精修（配准增强思想的轻量版）。

SOTA 方法：直接学习完整颅骨的统计形状模型或隐式神经表示，绕开显式对称假设（如 SSM+GAN 路线，2020 届最佳论文之一）。
参考：基线论文；2020 届颁奖页

⚠️ 坑点 5：SkullBreak 按三元组随机划分造成同源泄漏（分类：数据泄漏）

问题：SkullBreak 中同一颅骨生成 5 种缺陷变体；按三元组（而非按颅骨）随机划分会让"同一颅骨的不同缺陷"跨训练/验证集出现。
症状：验证 DSC 高达 0.98+ 但官方评估断崖；模型记住了颅骨而非学会了补全。
解决：

简单方法：以 skull_id 为组键做 GroupShuffleSplit/GroupKFold。

进阶方法：分组划分后再按缺陷类型做分层，保证每折缺陷类型分布一致。

SOTA 方法：报告"分组划分 + 官方评估集"双轨指标，并在论文中显式声明划分键。
参考：Data in Brief 数据论文（5 种缺陷 × 同一颅骨的组织方式）

⚠️ 坑点 6：把合成协议的高分当成临床性能（分类：偏倚陷阱）

问题：合成缺陷边界比真实去骨瓣平滑且规则；在合成测试上 DSC 0.94+ 不代表能处理真实 craniectomy 的不规则骨缘。佐证：2021 届 Task 2（11 例真实缺损）仅有 3 支队伍尝试。
症状：团队在合成域刷满后迁移真实数据时边界贴合度骤降，临床合作方失去信心。
解决：

简单方法：固定决策后在 Task 2 上一次性评估并如实报告差距。

进阶方法：对自有真实缺损数据按官方协议再合成训练对，做混合训练（合成 + 真实）。

SOTA 方法：域随机化/风格扰动 + 真实缺损形状先验联合训练，并引入神经外科医生可用性评分（2021 届协议）。
参考：MedIA 2021 届总结；组织者方法学报告

⚠️ 坑点 7：忽略 NRRD spacing/方向导致 HD 指标口径错误（分类：预处理陷阱）

问题：各案例 spacing 不同（层厚 <1 mm 但各扫描有别）；把体素距离当毫米报告，或在 resize 后丢失 spacing，HD/HD95 数字就失去可比性。NRRD 使用 LPS 坐标系，与其他库的 RAS 约定转换不当也会造成植入体左右翻转。
症状：HD 单位混乱（"体素"与 mm 混报）；可视化中植入体镜像错位。
解决：

简单方法：全程保留 SimpleITK Image 对象，用其 GetSpacing() 做距离换算；读取后校验方向矩阵行列式为负（LPS 特征）。

进阶方法：HD95 用 scipy.ndimage.distance_transform_edt 并传 sampling=spacing（见 §6.9）。

SOTA 方法：统一重采样到各向同性 spacing（如 1 mm³）并重算标签，把几何口径固化进数据卡。
参考：Data in Brief；NRRD 格式规范

⚠️ 坑点 8：配准增强的隐藏成本与失败样本（分类：工程陷阱）

问题：冠军的配准增强需要把训练集颅骨两两配准——10,000 次配准中有 197 次失败被剔除；离线配准本身耗费大量 CPU 时长，且若配准质量差会注入错误监督。
症状：增强管线跑一半崩溃；训练集中出现边界畸形的伪标签。
解决：

简单方法：复用冠军发布的增强数据/脚本（ellisdg/3DUnetCNN），先跑通再定制。

进阶方法：配准前做包围盒对齐初始化，配准后用 DSC 阈值过滤低质量 warp 对（复刻 197 次剔除逻辑）。

SOTA 方法：用可微配准（VoxelMorph 类）在训练循环内在线增强，省去离线配准存储。
参考：Ellis & Aizenberg, LNCS 12439

§6.6 数据增强策略

安全 ✅：

随机 90°/180°/270° 旋转与翻转（注意：翻转后必须同步翻转输入与标签；左右翻转会改变解剖方位，用于增广时在论文中声明）
随机平移、各向同性缩放（0.9-1.1）
随机弹性形变（小幅值）与随机擦除小块背景
配准增强（registration-based augmentation，冠军方案核心，将其他训练颅骨 warp 到目标）

危险 ❌：

对二值掩码使用灰度类增强（窗宽窗位、CLAHE、直方图均衡——数据无灰度语义）
大角度随机 3D 旋转（引入插值涂抹 + 方向矩阵失真）
对输入与标签独立施加几何变换（未同步）
任何接触测试集分布的增强参数搜索（间接泄漏）

§6.7 模型推荐

模型路线	适用场景	说明	参考实现
两段式 encoder-decoder（官方基线）	快速基线	低分辨率补全 + 高分辨率细化	Jianningli/autoimplant
3D U-Net（Residual）×4 集成 + 配准增强	冲击榜单	2020 届冠军路线，DSC 0.942	ellisdg/3DUnetCNN
SSM + GAN	形状先验研究	2020 届最佳论文路线之一（Pimentel 等）	论文复现
多轴切片 inpainting	2D 资源受限	逐轴 inpainting 再融合（Shi & Chen，最佳论文）	论文复现
形状先验/虚拟去骨瓣	OOD 鲁棒	Matzkin 等，2020 届最佳论文	论文复现
nnU-Net 风格 patch 训练	工程化落地	自动配置 patch/spacing/内存	通用框架
隐式神经表示（INR）/SDF 回归	表面质量优先	以符号距离场为目标可天然输出光滑闭合曲面，利于可制造性	研究方向参考

§6.8 硬件需求

配置	说明
最低	1× 8 GB 显存 GPU + 包围盒裁剪/低分辨率训练（如 96³ patch）
推荐	1× 16-24 GB 显存 GPU；全尺寸训练建议 coarse-to-fine 或滑窗
CPU/内存	≥32 GB RAM（配准增强离线阶段 CPU 密集）
磁盘	≤5 GB（数据 + 增强 + checkpoint）

§6.9 评估指标代码

import numpy as np
import torch
import torch.nn.functional as F
from scipy import ndimage

def dice_score(pred: torch.Tensor, gt: torch.Tensor, eps=1e-6):
    pred = (pred > 0.5).float(); gt = (gt > 0.5).float()
    inter = (pred * gt).sum()
    return (2 * inter + eps) / (pred.sum() + gt.sum() + eps)

def hd95_mm(pred: np.ndarray, gt: np.ndarray, spacing=(1.0, 1.0, 1.0)):
    """95% Hausdorff 距离（毫米）。spacing 传 NRRD 头中的 (z,y,x) 或 (x,y,z)
    间距——务必与数组轴对应。"""
    p, g = pred.astype(bool), gt.astype(bool)
    if not p.any() or not g.any():
        return np.nan
    dt_g = ndimage.distance_transform_edt(~g, sampling=spacing)
    dt_p = ndimage.distance_transform_edt(~p, sampling=spacing)
    d_pg = dt_g[p]; d_gp = dt_p[g]
    return float(np.percentile(np.concatenate([d_pg, d_gp]), 95))

def relative_volume_error(pred: np.ndarray, gt: np.ndarray):
    p, g = pred.sum(), gt.sum()
    return abs(p - g) / g if g > 0 else np.nan

使用提醒：①hd95_mm 的 spacing 参数必须与数组轴序一致（SimpleITK 数组为 (Z, Y, X)，spacing 应传 (sz, sy, sx)）；②空预测应判 NaN 并单列统计，而非记 0 分——空预测在 OOD 子集上正是常见失败模式（坑点 2）。

§6.10 MLOps 笔记

数据版本化：SkullFix 与 SkullBreak 分属两个发布包，DVC/数据卡中分别登记 checksum；复现论文时注明届次。
划分即代码：把分组划分键（skull_id）写入配置文件并入库，杜绝"随机种子复现不出来"的纠纷。
指标双轨制：CI 中同时跑"内部验证集"与"官方测试口径"两套评测，防止分桶口径漂移（坑点 2 的工程化防线）。
增强数据登记：配准增强产物单独版本化并记录生成参数与被剔除样本数（对齐冠军的 197 次剔除口径）。
模型卡：标注"合成数据训练、未在真实临床验证"，对接 §7 的局限表述。
评估复现：把 §6.9 指标脚本与口径说明随代码库一起版本化，确保任何一次实验都能精确重建指标定义。

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型	描述	严重程度	缓解
合成缺陷保真度	缺陷边界平滑规则，与真实去骨瓣的不规则骨缘存在域差距	高	混合真实数据训练（Task 2）、域随机化
训练分布过拟合	缺陷由 5 种（2021）/单一分布（2020）人为设计；2020 届 11 份提交中 5 份在 OOD 测试失败	高	分桶报告（Test-100/Test-10）、形状先验、条件生成
来源地理单一	底层 CQ500 影像来自印度多中心，设备与人群覆盖有限	中	外部中心数据复刻协议自合成验证
无人口学信息	发布物不含年龄/性别/种族，公平性评估不可行	中	上游 CQ500 或自有数据补齐后再评估
体素不均衡	颅骨壁/植入体为薄壳结构，前景占比极低	低	Dice/Tversky 损失、前景加权采样
OOD 子集极小	2020 届仅 10 例分布外测试，单例波动即可移动均值	中	逐例报告 + 分桶统计，避免只看均值
单序列选择偏好	"取切片最多者"规则使数据偏向多序列扫描的检查	低	迁移到自有数据时按临床实际抽样

§7.2 标注质量

标签由协议精确计算（植入体 = 完整 − 缺损），零标注噪声是本数据集相对人工标注数据集的独特优势；其代价是"真值"仅在合成协议语义内成立。协议由含神经外科医生（Gord von Campe）在内的组织方团队设计，缺损形态有临床对应物，但保真度未经临床验证。

与人工标注数据集的质量对比：人工勾画的植入体边界存在观察者间变异（通常需要多名勾画者与仲裁），而本数据集的"不一致"被转移到协议设计层面——所有使用者共享同一个假设。解读指标时应记住：DSC 1.0 只意味着"完美复刻协议"，不意味着"完美临床植入体"。

§7.3 泛化性

目标场景	失效风险	证据
分布外缺陷几何（更大/双侧/不规则）	高	官方设置 10 例 OOD 测试；11 份提交中 5 份失败（组织者报告）
真实去骨瓣缺损	高	Task 2 仅 3 支队伍尝试（MedIA 总结）
其他扫描仪/其他中心 CT	中-高	无设备元数据可验证；建议复刻协议自合成评测
相邻解剖（下颌骨、骨盆）	高	任务定义绑定颅骨解剖，需迁移学习与再标注
术前 CT 之外的成像时点（如术后复查）	高	数据仅覆盖术前形态，术后影像分布未验证

§7.4 伦理合规

数据脱敏链条完整：CQ500 以匿名化形式公开发布；AutoImplant 仅发布二值体素掩码，DICOM 元数据（含设备、日期、ID）全部剥离，不存在再识别路径。许可以 CC BY-NC-SA 4.0 沿袭（非商业-相同方式共享），商用与闭源衍生分发被排除。临床使用声明：数据集与基于其训练的模型均未获任何监管批准，不可用于患者诊疗。

如果研究成果用于患者特异性植入体制造，除模型验证外还需满足医疗器械质量体系（设计历史文档、材料与制造工艺验证）与所在辖区监管申报要求——这些均超出本数据集与本文档的范围，研究团队应尽早引入临床工程与法规伙伴。

§7.5 公平性

发布物不含任何人口学变量，无法在本数据集内部做公平性审计；且底层影像来源地理单一（印度多中心成人），跨人群外推性未知。如公平性是研究目标，应在带人口学标注的下游数据上另行设计实验，并明确声明该数据集不提供证据。向资助方或伦理委员会陈述研究范围时，建议把"颅骨形态多样性"与"人群多样性"区分开——本数据集在缺陷几何上有多样性设计，在人群维度上没有。

§7.6 数据漂移

CT 设备迭代与扫描协议演进会改变噪声纹理与部分容积效应，尽管发布物为二值掩码、漂移已被部分"吸收"，但骨缘的分割边缘风格仍携带原始扫描特征。真实临床中，去骨瓣术式偏好（单侧额颞顶 vs 双侧）随中心与年代变化，会使合成缺陷分布与未来真实需求错位——建议定期用新中心数据复刻协议做回归评测。

工程化的漂移监测方案：对每次更新的训练/推理数据，跟踪"前景体素占比、缺损面积分布、骨缘曲率统计"三个标量指标；一旦显著偏离建卡基线，即触发协议复刻与再评测。

§7.7 DAIMS 24 项评估

#	检查项	状态	说明
1	宽格式	✅	三元组即"一行一样本"，无跨表连接需求
2	唯一标识	✅	case_id 在子集内唯一，文件名即标识
3	特殊字符	✅	文件名仅字母数字下划线
4	重复行	✅	无重复案例
5	缺失编码	✅	无缺失文件/体素
6	标签标识	✅	implant 前缀明确标识标签文件
7	罕见类分组	⚠️	缺陷类型可分组，但 OOD 案例仅 10 例且不可再分
8	偏倚评估	✅	官方论文明确报告 OOD 失败与合成域差距
9	数据字典	✅	本页 §4.1 显式化；官方 README 提供文件说明
10	信息性缺失解释	✅	不适用（无缺失机制）
11	设备记录	⚠️	无扫描仪/厂商元数据（去标识化代价）
12	共线性	✅	不适用（非表格特征数据）
13	编码映射	⚠️	体素 0/1 无 ICD/SNOMED 映射字段，需外部关联
14	时间戳处理	✅	不适用（无时序数据）
15	划分建议	✅	官方固定划分 + 本页 §5 分组建议
16	泄漏讨论	✅	§5.3 专节讨论同源颅骨泄漏
17	标签分布	⚠️	体素级极度不均衡，需专门损失设计
18	测量偏倚	⚠️	"真值"受合成协议保真度约束
19	外部验证建议	✅	Task 2 提供现成外部域，§5.5 给出递进方案
20	版本记录	✅	两届时间线完整（§1.4）
21	预处理脚本	✅	官方 GitHub 提供基线/合成脚本，本页 §6.3 可运行
22	合规要求	✅	CC BY-NC-SA 4.0，获取流程公开透明
23	多模态对齐	✅	三元组天然逐体素对齐
24	去标识化	✅	仅掩码发布，无再识别路径

DAIMS 评分：21.5 / 24（19 项 ✅、5 项 ⚠️、0 项 ❌）

评分解读：本数据集在"结构纯净度"维度接近满分——合成生成使其天然免疫缺失、重复、不一致等真实世界数据的常见病；5 个 ⚠️ 全部指向同一根源：合成协议与真实临床之间的保真度鸿沟，以及为脱敏付出的元数据代价。这不是数据质量问题，而是任务语义边界问题。

对你意味着什么：① 你可以跳过 90% 的数据清洗工作，直接进入模型研发；② 论文/产品报告中务必把"合成域指标"与"临床可用性"分开表述，引用 Test-10 与 Task 2 的结果作为诚实边界；③ 若你的目标是临床落地，把预算从"堆模型"转移到"真实数据复刻协议 + 混合训练"；④ 不要在本数据集上做人口学公平性声明——它没有这些字段。

§7.8 外部验证矩阵

外部数据集/场景	来源机构	评估任务	性能指标	相对内部变化	关键发现
Test-10 分布外缺陷（2020 届官方）	TU Graz	植入体设计	DSC 0.932 / HD 3.934 mm（冠军方案）	相对 Test-100（DSC 0.944 / HD 3.564 mm）轻微下降	配准增强使 OOD 下降幅度可控，但 11 份提交中 5 份在此失败
Task 2 真实去骨瓣缺损（2021 届官方）	TU Graz / 格拉茨医科大学	合成到真实迁移	仅 3 支队伍提交（名次见官方）	显著域差距	合成缺陷到真实缺损的泛化是该领域公认难题

§8 基准性能与生态

§8.1 排行榜（2020 届主任务）

排名	模型	性能（整体）	年份	关键技术	完整引用	代码
🏆 冠军	Augmentation via Registration（4× U-Net 集成）	DSC 0.942 / HD 3.598 mm	2020	配准增强将 100 例扩为 9,803 对训练样本；Test-100 DSC 0.944，Test-10 DSC 0.932	Ellis D.G. & Aizenberg N., 2021, AutoImplant 2020 (LNCS 12439). DOI: 10.1007/978-3-030-64327-0_6	ellisdg/3DUnetCNN
官方基线	两段式 encoder-decoder	DSC 0.8555 / HD 5.1825 mm / RE 0.15%	2020	粗到精两段式体积形状补全	Li J., Pepe A., Gsaxner C., von Campe G., Egger J., 2020, ML-CDS@MICCAI. DOI: 10.1007/978-3-030-60946-7_8（arXiv:2006.12449）	Jianningli/autoimplant
最佳论文	SSM + GAN / 多轴切片 inpainting / 虚拟去骨瓣 shape priors	未公开单一分数（颁奖页）	2020	统计形状模型；逐轴生成；形状先验	Pimentel et al.; Shi & Chen; Matzkin et al., 2021, AutoImplant 2020 (LNCS 12439)	—

⚠️ 数值不可直接比较：各方案训练数据策略（是否使用配准增强）、推理分辨率与提交次数不同；两届之间任务口径亦有变化。完整 2021 届各任务排名见 MedIA 总结论文。

§8.2 SOTA 总结与选型建议

复现榜单：直接采用冠军开源实现（配准增强 + 4 集成），在单卡上约数小时即可逼近 DSC 0.94 量级。
方法创新：组织者的经验结论值得引用——“预处理、数据增强与方法配置对排名的影响大于网络架构差异”；把精力投向数据侧收益更高。
面向真实落地：榜单分数已近饱和（0.94+），增量价值在 OOD 与真实域（Task 2 方向），而非在 Test-100 上再提 0.01。

按研究目标给三条选型路径：

写论文刷基准：U-Net 系骨干 + 配准增强/集成，重点投入增强管线质量与推理解析度对齐，预期增益大于换骨干。
做泛化方法研究：把 10 例 OOD 与 Task 2 当主战场，引入形状先验、条件生成或域随机化，并在 Test-100 上守住 0.94 量级以证明不牺牲内域性能。
做工程落地原型：选两段式 coarse-to-fine + 包围盒裁剪，优先满足显存与时延约束，再用 §5.5 的递进验证走真实数据。

§8.3 评测协议

届次	指标	说明
2020 届	DSC、Hausdorff 距离、相对体积误差（RE）	在 110 例测试（含 10 例 OOD）上评测
2021 届	DSC、hd95、boundary DSC + 神经外科医生临床可用性评分	Task 1/2/3 分别排名；引入临床可用性维度

指标口径提示：DSC 衡量体积重叠、对整体形状敏感但对边界偏差不敏感；HD/HD95 直接度量表面距离、能暴露"贴合度"问题（如边缘悬空）。两个指标必须同时报告——只报 DSC 的植入体可能在骨缘处差数毫米，而这在临床上不可接受。boundary DSC（2021 届新增）可视为对薄壳结构边界质量的折中度量。代码实现见 §6.9。

数据集	关系	场景
CQ500	上游数据源（491 例 DICOM）	需要 HU 体数据或原始协议复刻时使用
PENGWIN	任务近亲（骨盆修复分割，MICCAI 2024）	骨缺损修复范式向骨盆迁移
VerSe（词条生产中）	骨科 CT 分割	椎体/骨折任务
HaN-Seg	头颈部多器官分割	头颈放疗 OAR 勾画
CTPelvic1K	骨盆 CT 骨分割	骨骼分割通用方法验证

§8.5 关键论文 Top 6

Li J., Pepe A., Gsaxner C., von Campe G., Egger J. (2020). Automatic Cranial Implant Design by Machine Learning. ML-CDS@MICCAI 2020. DOI: 10.1007/978-3-030-60946-7_8（arXiv:2006.12449）——任务形式化与官方基线。
Kodym O., Kodym Španěl M., … Herout A. (2021). SkullBreak/SkullFix: Benchmark datasets for automatic cranial implant design. Data in Brief 35:106902. DOI: 10.1016/j.dib.2021.106902——两套数据集的文件级描述与下载。
Li J., et al. (2021). AutoImplant 2020 — First MICCAI Challenge on Automatic Cranial Implant Design. IEEE TMI 40(9):2329-2342. DOI: 10.1109/TMI.2021.3077047——2020 届全景总结。
Li J., et al. (2023). AutoImplant 2021 — the second MICCAI challenge on automatic cranial implant design. Medical Image Analysis 88:102865. DOI: 10.1016/j.media.2023.102865——2021 届三任务总结。
Ellis D.G., Aizenberg N. (2021). Augmentation via Registration for Implant Design Prediction. AutoImplant 2020, LNCS 12439. DOI: 10.1007/978-3-030-64327-0_6——冠军方案。
Egger J., et al. (2020). AutoImplant challenge datasets（概念记录）. Zenodo. DOI: 10.5281/zenodo.3715953。

§8.6 社区活跃度

两届挑战均在 Grand Challenge 平台托管，页面含完整时间线、颁奖记录与提交系统；官方 GitHub 组织下维护基线、2021 届与 TMI 复现三个仓库（autoimplant、Autoimplant_II、tmi），另有冠军仓库 3DUnetCNN。联系渠道：autoimplant.challenge@gmail.com；组织者 Jan Egger（TU Graz）与 Jianning Li。两篇期刊总结论文（IEEE TMI 被引 47+，PlumX，截至 2026-09）持续为后续研究提供引用锚点。

生态延伸：任务范式已被后续颅面/骨科挑战赛吸收（如骨盆修复分割方向），组织方团队在 MICCAI 社区持续活跃（CAMed 项目、教材与综述）。对新人最友好的入门路径是先跑通官方基线仓库，再按需切换到冠军实现。

§8.7 生态快照

资源	类型	链接	推荐理由
2020 届官网	官方页面	autoimplant.grand-challenge.org	任务定义、数据口径与颁奖记录
2021 届官网	官方页面	autoimplant2021.grand-challenge.org	三任务规则、评估指标与下载入口
SkullBreak Zenodo 镜像	数据镜像	zenodo.org/records/20308764	稳定存档（261.1 MB + 48.0 MB）
官方基线仓库	代码	Jianningli/autoimplant	基线复现起点
冠军仓库	代码	ellisdg/3DUnetCNN	配准增强参考实现
CQ500	上游数据	headctstudy.qure.ai/dataset	原始 DICOM 与协议复刻
冠军论文（LNCS 章节）	论文	DOI: 10.1007/978-3-030-64327-0_6	配准增强方法与 OOD 分桶报告范式

§9 相关资源与引用

§9.1 官方资源

2020 届挑战主页：https://autoimplant.grand-challenge.org/
2021 届挑战主页（含 Dataset 页）：https://autoimplant2021.grand-challenge.org/
官方基线论文：arXiv:2006.12449
2020 届论文集：LNCS 12439（Springer，挑战总览章节）
代码仓库：基线 / 2021 届 / TMI 复现 / 冠军
上游数据集 CQ500：http://headctstudy.qure.ai/dataset
SkullBreak Zenodo 镜像：zenodo.org/records/20308764；数据概念记录 DOI: 10.5281/zenodo.3715953
咨询与联系：autoimplant.challenge@gmail.com
资助致谢：CAMed COMET K-Project 871132（BMVIT/BMDW/SFG）、FWF KLI 678-B

§9.2 BibTeX 引用

@article{li2021autoimplant_tmi,
  author  = {Li, Jianning and Pepe, Antonio and Gsaxner, Christina and von Campe, Gord and Egger, Jan},
  title   = {AutoImplant 2020 -- First {MICCAI} Challenge on Automatic Cranial Implant Design},
  journal = {IEEE Transactions on Medical Imaging},
  volume  = {40},
  number  = {9},
  pages   = {2329--2342},
  year    = {2021},
  doi     = {10.1109/TMI.2021.3077047}
}

@article{li2023autoimplant_mia,
  author  = {Li, Jianning and others},
  title   = {AutoImplant 2021 -- The Second {MICCAI} Challenge on Automatic Cranial Implant Design},
  journal = {Medical Image Analysis},
  volume  = {88},
  pages   = {102865},
  year    = {2023},
  doi     = {10.1016/j.media.2023.102865}
}

@article{kodym2021skullbreak,
  author  = {Kodym, Old{\v r}ich and {\v S}pan{\v e}l, Michal and Herout, Adam and others},
  title   = {SkullBreak / SkullFix: Benchmark Datasets for Automatic Cranial Implant Design},
  journal = {Data in Brief},
  volume  = {35},
  pages   = {106902},
  year    = {2021},
  doi     = {10.1016/j.dib.2021.106902}
}

@inproceedings{li2020autoimplant_baseline,
  author    = {Li, Jianning and Pepe, Antonio and Gsaxner, Christina and von Campe, Gord and Egger, Jan},
  title     = {Automatic Cranial Implant Design by Machine Learning},
  booktitle = {Multimodal Learning for Clinical Decision Support and Clinical Image-Based Procedures (ML-CDS/CLIP), MICCAI 2020},
  year      = {2020},
  doi       = {10.1007/978-3-030-60946-7_8},
  note      = {arXiv:2006.12449}
}

@inproceedings{ellis2021augmentation,
  author    = {Ellis, David G. and Aizenberg, Natalie},
  title     = {Augmentation via Registration for Implant Design Prediction},
  booktitle = {AutoImplant 2020 -- First MICCAI Challenge on Automatic Cranial Implant Design},
  series    = {Lecture Notes in Computer Science},
  volume    = {12439},
  year      = {2021},
  doi       = {10.1007/978-3-030-64327-0_6}
}

@misc{egger2020autoimplant_zenodo,
  author = {Egger, Jan and others},
  title  = {AutoImplant Challenge Datasets (Concept Record)},
  year   = {2020},
  doi    = {10.5281/zenodo.3715953},
  howpublished = {\url{https://zenodo.org/records/3715953}}
}

§9.3 引用指南

引用数据集本体：引 IEEE TMI（2020 届）或 MedIA（2021 届）总结论文 + Data in Brief 数据论文。
引用基线数字：引 ML-CDS/CLIP 版基线论文（或 arXiv 版）。
引用冠军方案：引 LNCS 12439 中 Ellis & Aizenberg 章节。
使用 SkullFix/SkullBreak 文件：Data in Brief 的 DOI 是最直接的文件级引用。
若引用两届对比结论（如 OOD 失败、Task 2 参与度），请同时引用 TMI 与 MedIA 两篇总结论文，避免跨届混引。

§10 AI 使用声明卡

§10.1 AI 模型列表

模型	用途
AI 语言模型（文本生成助手）	章节草稿生成、结构化整理与格式排版
代码补全助手	§6 代码片段的语法整理

§10.2 AI 参与范围

AI 参与了初稿撰写、表格整理、代码模板生成与语言润色。全部事实性内容（规模数字、日期、DOI、指标、机构归属）均来自 §10.3 所列公开来源，由编辑逐条核对；医学编码（ICD-11/SNOMED CT）经检索核实后录入。最终内容经人工交叉审核后发布。AI 未生成任何未经来源锚定的统计数字；对检索未证实的种子信息（如机构归属、2021 届规模口径）按检索结果修正并在正文与 FACTS 记录中如实呈现。

§10.3 输入来源

AutoImplant 2020 官方挑战主页（任务定义、数据口径、时间线）
AutoImplant 2021 官方挑战主页（三任务规则、2021 时间线）
Li et al. (2020), Automatic Cranial Implant Design by Machine Learning, arXiv:2006.12449（基线数字、合成协议）
AutoImplant 2020 论文集章节（DOI: 10.1007/978-3-030-64327-0_2）（210 例口径、CQ500 许可、资助信息）
Ellis & Aizenberg (2021), LNCS 12439（DOI: 10.1007/978-3-030-64327-0_6）（冠军数字、9,803 对配准增强、197 次剔除）
Li et al. (2021), IEEE TMI 40(9):2329-2342（DOI: 10.1109/TMI.2021.3077047）（2020 届总结，PlumX 被引 47+，截至 2026-09）
Li et al. (2023), Medical Image Analysis 88:102865（DOI: 10.1016/j.media.2023.102865）（2021 届三任务总结）
Kodym et al. (2021), Data in Brief 35:106902（DOI: 10.1016/j.dib.2021.106902）（SkullBreak/SkullFix 文件组织、直链）
SkullBreak Zenodo 记录（文件大小、5 种缺陷类型）
2020 届颁奖页（最佳论文归属）
组织者方法学报告（jianningli.me PhD seminar slides）（OOD 失败统计、2021 评估指标、Task 2 参与度）
TU Graz Pure 机构页（机构归属核实）
布尔诺理工大学 FIT 出版页（2021 届合作与作者）
官方 GitHub 仓库：Jianningli/autoimplant、Jianningli/Autoimplant_II、Jianningli/tmi、ellisdg/3DUnetCNN
CQ500 官方页面（上游数据集）
ICD-11 MMS：NA02 颅骨或面部骨折（v2026-01 检索核实）
BioPortal SNOMED CT：Cranioplasty 32495000（编码核实）

§10.4 人工校验表

内容模块	审核者	审核方式	审核状态
§1 概览与版本时间轴	千方病案医学编辑部	与两届官方主页时间线逐条比对	✅ 已通过
§2 医学背景（ICD-11/SNOMED 映射、金标准表）	千方病案医学编辑部	与 ICD-11 MMS 及 BioPortal 编码页交叉核实	✅ 已验证
§3 数据集规格（规模、大小、协议）	千方病案医学编辑部	与 LNCS 章节、Data in Brief、Zenodo 三源交叉比对	✅ 已验证
§4-§5 数据结构与划分	千方病案医学编辑部	与官方下载包描述及数据论文比对	✅ 已通过
§6 就绪指南与 8 坑点	千方病案医学编辑部	坑点逐条溯源至论文/官方报告；代码经语法与逻辑审查	✅ 已验证
§7-§8 质量、DAIMS 与榜单	千方病案医学编辑部	与 TMI/MedIA 总结论文数字核对	✅ 已通过

§10.5 AI 生成章节标注

本页面所有章节均由 AI 辅助起草，其中 §6 代码块与 §7.7 DAIMS 评估表为 AI 生成后人工逐行校验的内容。规模、日期、DOI、指标等硬事实无 AI 自由生成内容（全部锚定 §10.3 来源）。

§10.6 最后人工审核日期

2026-09-05（与 §0 审核日期一致）

页面状态：published（全部内容已完成审核并发布）