信息速览

数据集名称autoPET V — 交互式 PET 病灶分割挑战 AI-Ready Wikipedia

数据类型人工标注,原始数据,影像数据

规模FDG 1,014+PSMA 597 scans+DeepPSMA 100 例

接入方式Tübingen（UKT）+LMU 多中心主库（TCIA/FDAT 双载体）+Peter Mac DEEP-PSMA（Zenodo）——放射科/核医学医师资质分级标注

AI 就绪度

INFOBOX：autopet-v 速览

字段	值
数据集	autoPET V Training Databases（FDG+PSMA+DeepPSMA 五库全家福）
slug	autopet-v（GC 子域 autopet-v.grand-challenge.org）
系列谱系	I segmentation→II generalization→III tracer→IV human→V human-AI frontier（五届命名谱系）
平台	Grand Challenge——GC 五连第四发（前作锚最强：库内 rid 468 同系列）
会议	MICCAI 2026 官方挑战（提案 DOI 10.5281/zenodo.19714420）+ESR/ESHI 合作+ECR 2027 考虑中
主办	Tübingen MIDAS.lab（Gatidis/Küstner）+LMU+KIT+Peter Mac+Essen 五机构
任务	交互式临床在环病灶分割：初始分割+稀疏涂擦迭代细化（推理时无重训）
双赛制	Cat 1 模拟交互（自动涂擦可复现/固定步数）+Cat 2 临床驱动（专家涂擦/可变步数）
数据	FDG 1,014（501 阳性+513 阴性）+PSMA 597（537+60）+DeepPSMA 100 例 mCRPC 双示踪剂
中心	UKT+LMU 交叉标注矩阵（A 中心训练→B 中心测试的域移设计）+Peter Mac
评估	AUC-Dice 50%+AUC-DMM 50%（实例级检测匹配）+FPV/FNV 描述——交互效率指标化首创
baseline	nnUNet baseline+涂擦模拟+metrics tutorial+I-IV 总结 PDF 全公开
标注	资质分级披露（10 年/8 年/5 年+复核）——标注者资历透明度样本
参与	266 participants/181 submissions（Preliminary 阶段）
奖金	€6,000（两赛道各 €3,000）
时间线	04-01 开赛→04-26 QIBA 重发布（差异 1E-3）→05-04 初测→07-01 决赛→10 月 MICCAI 现场→11 月起 journal 论文
一句话	从"全自动能不能"到"人机协作多高效"——交互式分割的评估范式转折点

§0 摘要卡：交互式分割的范式转折

§0.1 它是什么

autoPET V 是 MICCAI 2026 官方挑战赛（GC 五连第四发）：全身 PET/CT 交互式病灶分割 benchmark——autoPET 系列第五届，也是系列任务哲学的转折点：前四届问"全自动分割能做到什么"（I：FDG 自动分割；II：跨环境泛化；III：多示踪剂；IV：引入人类先验），V 把问题改成"人类最小指导下的 AI 改进效率"——算法给出初始分割，临床医生以稀疏涂擦（scribble）标记假阳/假阴区域，算法在推理时（不重训）迭代细化。双赛制评估：模拟交互（自动生成涂擦，完全可复现）+临床医生驱动（真实专家涂擦，可变步数）；在新统一多中心测试队列（UKT/LMU 交叉标注）上以 AUC-Dice+AUC-DMM 双指标 50/50 排名——交互效率首次被指标化为曲线下面积。

§0.2 三个数字

1,014+597+100：FDG 主库 1,014 scans（501 阳性：黑色素瘤/淋巴瘤/肺癌+513 阴性对照）+PSMA 主库 597 scans（537 病灶+60 阴性）+新并入 DeepPSMA 100 例 mCRPC 双示踪剂配对——三代数据资产在同一挑战赛交汇
50/50：AUC-Dice 与 AUC-DMM 各占排名一半——体素重叠与实例检测的等权；**DMM（Detection-Matching Metric）**是本挑战赛自定义的实例级检测指标——PET/CT"分割+检测"双目标的方法学显式化
1E-3：QIBA 对齐 SUV 重发布后全队列差异仅 1E-3 量级——数据标准化修复的幅度量化披露（罕见诚实：修了，修了多少也告诉你）

§0.3 它怎么用

四大用途：①交互式分割方法开发——涂擦模拟脚本+metrics tutorial+nnUNet baseline 全链公开，是 prompt-based/interaction-aware 架构（SAM 类、点击条件化）的标准试验床；②多中心泛化测试——UKT/LMU 交叉标注矩阵+DeepPSMA 多设备多示踪剂，域移鲁棒性评估现成设计；③PET/CT 多示踪剂分割训练——FDG 1,014+PSMA 597+双示踪剂配对 100 例，含 SUV 阈值标注协议与器官监督素材（totseg_24）；④系列方法学对比——I-IV 总结 PDF+参考 5 折划分，复现系列演化。不适合：非肿瘤 PET 应用（心脏/神经）、纯全自动部署评估（V 的核心即交互）、临床诊断（研究定位）。

§0.4 联动提示

本条是 GC 五连第四发，库内系列续作首例：rid 468 autopet（AutoPET I/II）的直接前作——两届数据同源（FDG 主库 2022 即 I/II 用库），条目对照可展示"系列五届的 frontier 演化"。与 533 CHIMERA（生存分析/C-index）构成 GC 评估体系双极：AUC-Dice+AUC-DMM（体素+实例+效率）vs C-index（删失时序）；与 532 TopBrain 同为 MICCAI 2026 官方挑战（TopBrain 初测 09-26 截止/autoPET V 初测 09-25 截止——同周截止的双赛观察）。

§1 平台与系列谱系

§1.1 五届 frontier 命名谱系（autopet.org 官网原文）

届	年	frontier	主题	数据
autoPET-I	2022	segmentation frontier	FDG 全自动病灶分割	FDG 900 例级（→最终 1,014）
autoPET-II	2023	generalization frontier	跨环境鲁棒（协议/站点/示踪剂）	FDG+PSMA 引入
autoPET-III	2024	tracer frontier	多示踪剂多中心泛化	FDG 1,014+PSMA 597=1,611 volumes
autoPET/CT-IV	2025	human frontier	人类先验+交互分割	PET/CT+Longitudinal CT 双库
autoPET-V	2026	human-AI frontier	交互式临床在环基准	五库全家福+多中心测试队列

frontier 命名谱系是系列自我叙事的罕见完整样本——每届一个 frontier 名词，演化路径一目了然：自动化→泛化→示踪剂→人类先验→人机协作。对挑战赛组织者的启示：系列挑战赛的品牌资产在命名一致性里。

§1.2 组织矩阵：五机构三专业轴

临床影像轴：Tübingen MIDAS.lab（Gatidis——FDG 主库一作/Sci Data 2022）+LMU Clinical Data Science（Cyran/Ingrisch）+Essen（Kleesiek/Herrmann 核医学）
技术轴：KIT（Marinov）+MIDAS.lab（Küstner——系列技术负责人）
国际扩展轴：Peter MacCallum Cancer Centre（Jackson/Hofman——DEEP-PSMA 库与挑战赛原主）——数据供给方直接入组（DEEP-PSMA 并入 autoPET V 的组织通道）
合作学会：ESR（"AI-based assessment of PET imaging for oncology"专项）+ESHI——学会背书层

§1.3 与 DeepPSMA 挑战赛的关系

DeepPSMA（deep-psma.grand-challenge.org）是 Peter Mac 主办的已完成前作挑战赛（PSMA+FDG 双示踪剂 mCRPC 分割）——autoPET V 官方声明"aligns with the DeepPSMA challenge"，将其 100 例数据并入训练生态并吸收其设备多样性（GE Discovery 710/690+Siemens Biograph+Vision 600）与标注协议（SUV 阈值 TTB）。挑战赛生态的"并购"样本：数据+人群+设备多样性整体并入系列第五届。

§2 发布形态与学术出口

形态：MICCAI 2026 官方挑战（在赛）——journal 论文承诺制（11 月起顶级团队起草，同行评审发表）——对照 533 CHIMERA（双 paper 已出）与本库悬空型（529），autoPET V 处于"赛程中+出口承诺"档
系列学术资产：FDG 主库 Sci Data 2022（10.1038/s41597-022-01718-3）/PSMA 主库 TCIA 2024（Jeblick et al.）/DEEP-PSMA Zenodo 2025/IV 优胜方法论文（Rokuss 2508.xxxx+Kirchhoff 2605.xxxx）/IV 参赛论文（清华 2509.02402 等）——系列论文链是前作锚的最强形态
数据引用三分：FDG 走 TCIA DOI（10.7937/gkr0-xv29）+Gatidis Sci Data；PSMA 走 TCIA DOI（10.7937/r7ep-3x37）+Jeblick；DEEP-PSMA 走 Zenodo（10.5281/zenodo.15281784）——三库三引规范

§3 任务定义深度解析：交互式分割的工作流几何

§3.1 临床动机：为什么"全自动"不是终点

官网引言的临床现实链条：①放射科医师肉眼评估 PET/CT 肿瘤负荷+标准化准则下的尺寸/分布变化——时间密集且只对有限病灶做一维测量；②PET 影像的定量与空间信息大量闲置；③人工评估存在观察者间变异，复杂疾病模式捕捉不全。全自动深度学习虽有进展，但三座大山仍在：跨扫描仪/示踪剂/中心的域移、生理摄取 vs 病灶的鉴别、低对比复杂病例。最关键的一句（官网原文）：“fully automated solutions often fail to align with clinical expectations, where expert interpretation and correction remain essential”——临床期望的是"AI 起草+专家修正"，不是"AI 全自动"。

§3.2 交互循环的四步几何

算法生成初始病灶分割
校正输入以稀疏涂擦形式到达——瞄准假阳性区（过分割）与假阴性区（漏病灶）
算法基于全部历史输入更新预测（累积条件化，非只看最新一步）
推理时交互——步间不重训、不更新参数（deployment 现实主义：临床不能现场训练）

§3.3 双赛制的方法学平衡术

维度	Category 1 模拟交互	Category 2 临床驱动
涂擦来源	基于预测错误自动生成	真实专家读片
步数	每例固定	每例可变
可复现性	完全（标准化脚本公开）	依赖标注集（不可再生）
度量对象	算法效率上限	真实工作流行为
官方定位	scalable+fully reproducible benchmarking	realistic human-AI correction behavior

每份提交自动参加双赛道——同一模型被同时问"在标准化压力下的效率"与"在真实医生手里的表现"——挑战赛评估设计的双盲两边。涂擦模拟脚本与交互教程全公开（GitHub tutorials/scribble-simulation-tutorial.ipynb），训练侧可用预模拟涂擦+热图（DeepPSMA 亦附赠）。

§3.4 与 SAM 类通用交互分割的关系

任务形态与 SAM/MedSAM 的点击提示同族，但三处关键差异：①全身 PET/CT 的多病灶场景（SAM 单目标假设）；②累积涂擦（多轮历史全部条件化）；③代谢影像特异性（PET 摄取+CT 解剖双通道，生理摄取高摄取器官——脑/膀胱/心/肝——是假阳重灾区）。官方明确允许 foundation models——SAM 系在 PET 上的适配是本届的核心方法战场（两篇已出参赛论文均为此路线）。

§4 数据本体：五库全家福的技术规格

§4.1 FDG-PET-CT-Lesions（主库·2022）

1,014 scans：501 阳性患者（组织学证实黑色素瘤/淋巴瘤/肺癌）+513 阴性对照——阴性对照近半的设计（假阳性压力显式注入）
双载体：TCIA DICOM（10.7937/gkr0-xv29）+Tübingen FDAT NIfTI（10.57754/FDAT.wf9fy-txq84）
手工标注病灶（radiologist 级）；Sci Data 2022 发表（Gatidis S, Kuestner T et al. 10.1038/s41597-022-01718-3）——本库 rid 468 autopet 条目的原始数据（I/II 届同源）
IV 届起作为交互任务数据沿用；V 届 QIBA 对齐重发布

§4.2 PSMA-PET-CT-Lesions（主库·2024）

597 scans：537 有 PSMA-avid 病灶+60 无病灶（前列腺癌男性，治疗前后）
双载体：TCIA DICOM（10.7937/r7ep-3x37）+FDAT NIfTI（10.57754/FDAT.6gjsg-zcg93）
Jeblick et al. 2024 发布——III 届引入（tracer frontier 的 PSMA 支柱）

§4.3 QIBA 对齐合并库（2026-04-26 重发布）

FDG+PSMA NIfTI 合并（10.57754/FDAT.rdkqd-wdh87）——挑战赛官方训练载体
QIBA（RSNA 定量影像生物标志物联盟）标准化 SUV 计算——重发布后全队列差异仅 1E-3 量级：修复了但没改变实质数字——版本治理的量化披露样本（对照 533 CHIMERA 的 v1→v2 治理：CHIMERA 公示缺陷清单，autoPET 量化修复幅度——两种透明度风格）

§4.4 DEEP-PSMA（新增·Peter Mac）

100 例 mCRPC（转移性去势抵抗性前列腺癌）——177Lu-PSMA 治疗前分期场景
双示踪剂配对：每例 PSMA（Ga-68 PSMA-617 或 F-18 DCFPyL 混合）+FDG 各一次 PET/CT——同患者双代谢窗口
TTB（Total Tumour Burden）标注：PSMA 统一 SUV≥3 阈值；FDG 个体化肝基准（Liver Mean+2SD，典型 2.5-5）——threshold.json 逐例给出；阈值半自动+核医学医师（≥5 年特化）人工净化生理摄取——标注范式与主库纯手工对照
附赠：totseg_24.nii.gz（Total Segmentator 24 类器官分割——器官监督现成素材）+rigid.tfm（PSMA↔FDG 刚性配准，双向）+预模拟涂擦/热图
24.1 GB 五分包；Zenodo 10.5281/zenodo.15281784（2025-11-21 v1）；Prostate Cancer Foundation 21YOUN23 资助；赛后标注复核（Dujardin/Blanc-Durand 致谢）
方法学价值：FDG 与 PSMA 的 TTB 独立标注=同一患者两种代谢视角的真值对——双示踪剂一致性研究素材

§4.5 Longitudinal CT（IV 遗产）

FDAT.qwsry-7t837——IV 届"human frontier"引入的纵向 CT 库（治疗响应随访场景）
V 届未列为主任务输入（任务收敛回 PET/CT 分割）——系列数据资产的届际接力记录

§4.6 训练交付格式与接口

nnUNet 格式：imagesTr（CT _0000+PET _0001）+labelsTr（tracer_patient_study 手工标注）+dataset.json+fingerprint+splits_final.json（参考 5 折）+fdg/psma_metadata.csv
GC 接口为 MHA：提交与评估走 .mha——baseline 提供 NIfTI→MHA 接口代码（nnUNet NIfTI 训练→MHA 提交的格式桥）
设备谱：GE Discovery 710/690+Siemens Biograph+Siemens Vision 600；vertex-to-thigh 全身；EANM EARL 合规分辨率恢复重建——设备多样性是"多中心"的具体物理载体

§5 多中心标注矩阵：域移设计的执行细节

§5.1 交叉标注矩阵全表

数据段	训练/测试	标注者
UKT FDG	训练+测试	10 年 Hybrid Imaging 放射科医生
LMU FDG	仅测试	8 年经验放射科医生
LMU PSMA	训练+测试	单读片人+5 年经验复核
UKT PSMA	仅测试	同上（单读片+复核）

交叉设计精髓：FDG 训练在 UKT→测试含 LMU 数据；PSMA 训练在 LMU→测试含 UKT 数据——每条示踪剂线都存在"训练中心→外中心"的域移测试；标注者跨中心不同（10 年 vs 8 年 vs 单读片+复核）——标注风格差异叠加设备差异，构成"newly harmonized multi-center test cohort"的真实含义。

§5.2 标注协议两步法

①PET+CT 信息+临床检查报告联合视觉判读→识别 tracer-avid 病灶；②轴位逐层手工自由勾画。主库的纯手工范式 vs DEEP-PSMA 的阈值半自动+人工净化范式——两种标注经济学在同一挑战赛并存（V 届条目首次并库）。

§5.3 标注者资历披露——伦理/质量轴亮点

10 年/8 年/5 年+复核的逐段披露在挑战赛页面罕见——资历透明度让使用者可自行评估标签的专家层级（对照多数数据集"expert annotated"一笔带过）。DEEP-PSMA 侧另有赛后独立复核更新（致谢显名）——标注生命周期管理样本。

§6 评估体系：AUC 化的交互效率

§6.1 双指标定义

Dice（DSC）：预测与 GT 的体素重叠——负荷勾画精度
DMM（Detection-Matching Metric）：实例级检测——预测病灶与 GT 病灶的匹配判定，独立于体素重叠——"正确识别并分离每个病灶"的能力
官方双目标表述：accurately delineating tumor burden（Dice）+correctly detecting and separating individual lesions（DMM）

§6.2 AUC 交互化——本挑战赛的核心方法论创新

交互循环内逐步计算指标→曲线下面积（梯形法）汇总：AUC-Dice/AUC-DMM
语义：不是"最终点值"而是"整个交互过程的改进轨迹"——零交互强+逐步高效改进的模型胜过"零交互崩塌+靠点击救回"的模型
autoPET IV 的教训已证明必要性：密集点击训练的模型零点击 Dice 0.0——AUC 惩罚这类"躺平等涂擦"策略
排名：AUC-Dice 50%+AUC-DMM 50%，各自跨测试例平均后分别排名再等权合成

§6.3 描述性指标（不计排名）

Final Dice/Final DMM（终态值）
FPV（False Positive Volume）：与 GT 无重叠的预测连通域体积——大脑/膀胱等大体积假阳显式惩罚（PET 特有的高摄取器官问题）
FNV（False Negative Volume）：GT 中与预测无重叠的连通域体积——整病灶漏检的体积化
评估脚本公开（lab-midas/autoPETV metrics.py+metrics-tutorial.ipynb）

§7 baseline 与参赛方法生态

§7.1 官方 baseline 全链

nnUNet baseline 模型+GC 容器模板+interactive 涂擦模块+tutorials 三件（metrics/涂擦模拟/autoPET I-IV 总结 PDF）+publication_template——参赛最小路径与复现全链
仓库 2026-04-28 上线（News 节），持续维护至 07-01

§7.2 已出参赛方法论文的两条路线

TRIAGE（arXiv 2608.30844）：tracer-aware 双分支（FDG/PSMA 独立训练）+两阶段（第一网络 CT+PET+器官上下文→初始 mask；第二网络累积涂擦→细化）+课程训练+集成
Anatomy-aware promptable：nnU-Net 家族两阶段（预训练强初分割+在线交互阶段学涂擦利用）+单头器官监督（同一特征头同时预测病灶+器官——生理摄取假阳的结构性抑制）+tracer 分类器（推理不告知示踪剂→图像处理+冠状 MIP 特征随机森林路由：FDG+PSMA 联合模型 or PSMA 专用模型）
共同点：两阶段（初始+交互细化）+器官监督+示踪剂感知——IV 届方法论的 Direct 延续

§7.3 autoPET IV 的范式遗产（前作锚）

IV 引入 human-in-the-loop：10 前景+10 背景点击模拟为 3D 高斯图与 PET/CT 拼成 4 通道输入
随机点击课程（0-10 clicks 均匀采样训练）——清华团队论文（arXiv 2509.02402）实证：密集训练模型零点击 Dice 0.0；稀疏课程 unified 零点击 0.79/PSMA 0.62，点击数递增 Dice 单调上升
IV 优胜方法：Rokuss et al.（clinician-verified prompts+baseline 病灶外观条件化的 Interactive Longitudinal Tracking）+Kirchhoff et al.
V 的双赛制+AUC 评估=IV 的"点击模拟"与"真实临床"两条线的制度化分叉

§8 时间线与参与度

日期	事件
2026-04-01	开赛+baseline 发布
2026-04-26	QIBA 对齐 FDG/PSMA 库重发布（差异 1E-3）
2026-04-28	官方仓库上线
2026-05-04	Preliminary test phase 开放
2026-07-01	Final test phase 开放
~2026-09-11	领英"final test 1 周倒计时"（Küstner）
2026-09-01	timeline 页"Challenge closes"（静态）vs GC 动态 Preliminary 09-25 21:59——漂移存照
2026-10-03 或 10-09	MICCAI 2026 现场 session（地点 TBA）——顶级队伍报告
2026-11 起	顶级团队起草 journal 论文

参与度：266 participants/181 submissions（GC 动态，Preliminary 阶段）——对照 CHIMERA-agent 302/305 与 CHIMERA 原版 159——PET/CT 交互分割的参与热度居 GC 2026 前列
奖金 €6,000（双赛道各 €3,000）——对照系列前三届（无奖金或小额），V 的双赛道重奖反映 ESR/ESHI 合作层级

§9 伦理、许可与可获取性

可获取性最高档：三库三载体全公开——TCIA（DICOM 标准+伦理脱敏链）+Zenodo（DEEP-PSMA 24.1 GB 直下）+Tübingen FDAT（NIfTI DOI 化）——训练数据无墙；测试集隐藏（GC 注册墙+多中心新队列未发布）
许可：TCIA 数据使用许可（CC BY 类——商用允许/署名要求）+Zenodo 公开；训练库可自由研究使用
伦理轴：公开库派生+多机构（TCIA 链伦理背书）；IRB 编号未在挑战页面直接披露（依赖 TCIA/Zenodo 载体信用）；标注者资质透明是质量伦理亮点；临床动机定位"减轻而非替代"（交互范式本身即伦理立场）
AI-Ready 视角：五库全家福+参考划分+评估脚本+tutorials——训练侧 AI-Ready 度极高；唯一扣分在交互赛制的成绩复现依赖官方环境（涂擦生成/临床涂擦集不随训练库发布）

FAQ：30 问直答

Q1：autoPET V 是什么挑战赛？
第五届 autoPET（MICCAI 2026 官方挑战，Tübingen MIDAS.lab 牵头五机构）：全身 PET/CT 交互式病灶分割——算法初始分割+临床医生稀疏涂擦迭代修正，主题词"human-AI frontier"。

Q2：与前四届什么关系？
系列谱系：I（2022，FDG 自动分割）→II（2023，跨环境泛化）→III（2024，多示踪剂）→IV（2025，引入人类先验/交互）→V（2026，交互范式全面化+双赛制+多中心测试队列）。五届各有 frontier 命名。

Q3：交互式分割具体怎么做？
推理时循环：算法出初始分割→医生用涂擦标记假阳/假阴区→算法基于全部历史涂擦更新预测→重复。步间不重训不更新参数——临床部署现实主义。

Q4：双赛制是什么？
Cat 1 模拟交互：涂擦由预测错误自动生成，固定步数，完全可复现；Cat 2 临床驱动：真实专家涂擦，可变步数。每份提交自动参加两个赛道。

Q5：数据规模多大？
FDG 主库 1,014 scans（501 阳性黑色素瘤/淋巴瘤/肺癌+513 阴性对照）+PSMA 主库 597 scans（537 病灶+60 阴性）+DeepPSMA 100 例 mCRPC 双示踪剂配对。

Q6：DeepPSMA 是什么？
Peter MacCallum 癌症中心的 100 例转移性去势抵抗前列腺癌数据集：每例 PSMA（Ga-68 PSMA-617 或 F-18 DCFPyL）+FDG 两次 PET/CT 配对，TTB（Total Tumour Burden）标注，24.1 GB，Zenodo 公开。自带同名前作挑战赛（已完成）。

Q7：哪里下载？
TCIA（DICOM：FDG 10.7937/gkr0-xv29/PSMA 10.7937/r7ep-3x37）+Tübingen FDAT（NIfTI：三 DOI）+Zenodo（DeepPSMA 10.5281/zenodo.15281784）——训练数据无墙；测试集隐藏于 GC。

Q8：什么许可？
TCIA 数据使用许可（CC BY 类，署名+允许商用）+Zenodo 公开——研究使用自由度高于 CC BY-NC-SA 型。

Q9：QIBA 对齐重发布是什么？
2026-04-26 以 RSNA QIBA 标准化 SUV 计算重发布 FDG/PSMA NIfTI 库——全队列差异仅 1E-3 量级（修了但数字几乎没变）——标准化修复幅度的量化披露。

Q10：评估指标是什么？
AUC-Dice（50%）+AUC-DMM（50%）——交互步上的梯形法曲线下面积；DMM=Detection-Matching Metric（实例级检测匹配，独立于体素重叠）。描述性指标：Final Dice/DMM+FPV+FPV/FNV。

Q11：为什么用 AUC 而不是最终 Dice？
惩罚"零交互崩塌、靠点击救回"的策略（IV 届实证：密集点击训练模型零点击 Dice 0.0）——奖励"零交互就强+逐步高效改进"的模型，对齐真实临床（医生没空无限点击）。

Q12：FPV/FNV 是什么？
FPV=假阳性体积（与 GT 无重叠的预测连通域，如大脑/膀胱高摄取大假阳）；FNV=假阴性体积（完全漏掉的病灶连通域）——PET 特有失败模式的体积化描述指标。

Q13：baseline 是什么？
nnUNet baseline+GC 容器模板+涂擦模拟模块+metrics tutorial+autoPET I-IV 总结 PDF——github.com/lab-midas/autoPETV 全公开。

Q14：标注质量如何？
资质分级披露：UKT FDG 10 年经验放射科医生；LMU FDG 测试 8 年；PSMA 单读片+5 年经验复核；DEEP-PSMA 阈值半自动+核医学医师（≥5 年特化）人工净化——资历透明度样本。

Q15：多中心测试队列怎么设计的？
UKT/LMU 交叉：FDG 训练在 UKT→测试含 LMU；PSMA 训练在 LMU→测试含 UKT——标注者跨中心不同+设备谱（GE Discovery/Siemens Biograph/Vision 600）——域移显式注入测试设计。

Q16：tracer 要自己分类吗？
要——推理时不告知示踪剂。已出参赛论文用图像处理+冠状 MIP 特征的随机森林分类器路由（FDG+PSMA 联合模型 or PSMA 专用模型）。

Q17：器官监督有什么用？
nnUNet 单头同时预测病灶+器官（Total Segmentator 24 类现成提供）——生理摄取假阳（脑/膀胱/心/肝高摄取）的结构性抑制——已出论文的共性配置。

Q18：能用 SAM/MedSAM 吗？
官方明确允许 foundation models——但全身多病灶+累积涂擦+PET 代谢特异性与 SAM 单目标假设差异大，需要适配（两篇已出论文均为 nnUNet 系改造）。

Q19：训练格式与提交格式？
训练 nnUNet NIfTI（CT _0000+PET _0001）；GC 提交/评估 MHA——baseline 提供 NIfTI→MHA 桥接代码。

Q20：参与情况如何？
266 participants/181 submissions（Preliminary 阶段，GC 动态）——GC 2026 热度前列（对照 CHIMERA-agent 302/305、CHIMERA 原版 159）。

Q21：奖金？
€6,000——Simulated 赛道 €3,000+Clinician-driven 赛道 €3,000（ESR/ESHI 合作层级）。

Q22：结果何时公布？
2026-10-03 或 10-09 MICCAI 2026 现场 session（地点 TBA）顶级队伍报告；11 月起顶级团队起草 journal 论文（同行评审）。

Q23：时间线上有矛盾吗？
有——timeline 静态页写 09-01 closes，GC 动态显示 Preliminary 到 09-25 21:59，领英 9 月中"final test 1 周倒计时"——三口径并存，以 GC 动态为准（决赛窗口 10 月 MICCAI 前）。

Q24：库内有前作条目吗？
有——rid 468 autopet（AutoPET I/II，同源 FDG 数据）；邻接 hecktor（rid 461）/lung-pet-ct-dx（rid 475）——系列续作互链首例。

Q25：训练数据怎么划分？
官方提供 splits_final.json 参考 5 折；参赛者可自选（已出论文有用 10 折的）——折数自由但需披露。

Q26：FDG 库的阴性对照为什么占一半？
513/1,014 阴性——假阳性压力的显式设计（PET 高摄取器官假阳是核心难点）——与 FPV 指标呼应。

Q27：PSMA 阈值标注是什么？
DeepPSMA 侧 PSMA 统一 SUV≥3；FDG 个体化肝基准（Liver Mean+2SD，典型 2.5-5）——threshold.json 逐例给出——阈值半自动+专家人工净化混合范式（主库为纯手工）。

Q28：totseg_24 是什么？
Total Segmentator 24 类器官分割输出随 DEEP-PSMA 附送——器官监督训练的现成素材（无须自训器官分割器）。

Q29：适合做什么、不适合做什么？
适合：交互式分割方法学（SAM 类适配/点击条件化/课程训练）、多中心域移评估、PET/CT 多示踪剂分割、器官监督策略。不适合：非肿瘤 PET 应用、纯自动部署验收（交互是核心）、临床诊断。

Q30：一句话定位？
autoPET 系列从"全自动能不能"走到"人机协作多高效"的转折点——交互效率首次被指标化（AUC-Dice+AUC-DMM）的 PET/CT 分割基准。

事实清单：36 条硬事实+8 条口径注

硬事实（F1-F36）

#	事实	信源
F1	第五届 autoPET，MICCAI 2026 官方挑战	GC 主页/autopet.org
F2	挑战提案 DOI 10.5281/zenodo.19714420	GC 主页 badge
F3	ESR"AI-based assessment of PET imaging for oncology"合作+ESHI 支持	GC 主页
F4	五届 frontier 谱系（segmentation/generalization/tracer/human/human-AI）	autopet.org 官网
F5	Tübingen MIDAS.lab：Gatidis/Küstner/Megne Choudja/Peisen	organization 页
F6	LMU：Cyran/Ingrisch/Shiyam Sundar/Dexl/Jeblick/Schachtner/Stüber/Fabritius	organization 页
F7	KIT（Marinov）+Peter Mac（Jackson/Hofman）+Essen（Kleesiek/Kim/Freisleben/Herrmann）	organization 页
F8	奖金 €6,000=2×€3,000（双赛道）	Küstner 领英
F9	任务：interactive lesion segmentation（初始+涂擦迭代，推理时无重训）	task 页
F10	Cat 1 模拟（自动涂擦固定步）/Cat 2 临床驱动（专家涂擦可变步）	task 页
F11	输入 CT+PET（MHA）+点击 JSON；输出 mask（MHA）	task 页
F12	允许一切公开数据与预训练模型（含 foundation models）	task 页
F13	FDG 1,014=501 阳性+513 阴性对照	IV 论文（2509.02402）
F14	PSMA 597=537 病灶+60 无病灶	IV 论文
F15	FDG 主库 TCIA 10.7937/gkr0-xv29+Sci Data 2022（10.1038/s41597-022-01718-3）	GitHub README
F16	PSMA 主库 TCIA 10.7937/r7ep-3x37（Jeblick 2024）	GitHub README
F17	FDAT NIfTI 三 DOI（wf9fy-txq84/6gjsg-zcg93/rdkqd-wdh87）	GitHub README
F18	QIBA 对齐重发布 2026-04-26，差异 1E-3	GC News
F19	Longitudinal CT FDAT.qwsry-7t837（IV 遗产）	GitHub README
F20	DeepPSMA 100 例 mCRPC 双示踪剂（PSMA SUV≥3/FDG 肝基准 2.5-5）	Zenodo/datasets 页
F21	DeepPSMA Zenodo 10.5281/zenodo.15281784（2025-11-21）24.1 GB	Zenodo
F22	DeepPSMA 附 totseg_24+rigid.tfm+threshold.json	datasets 页
F23	设备谱 GE Discovery 710/690+Siemens Biograph+Vision 600；EANM EARL	datasets 页
F24	UKT/LMU 交叉标注矩阵（FDG：UKT 训 10 年医/LMU 测 8 年医；PSMA：LMU 训+UKT 测，单读+5 年复核）	datasets 页
F25	官方 splits_final.json 参考 5 折	datasets 页
F26	评估 AUC-Dice 50%+AUC-DMM 50%（梯形法）+FPV/FNV 描述	evaluation 页
F27	DMM=实例级检测匹配（独立于体素重叠）	evaluation 页
F28	评估脚本公开（lab-midas/autoPETV）	evaluation 页
F29	官方仓库 2026-04-28 上线（baseline/涂擦/tutorials/I-IV 总结）	GC News
F30	266 participants/181 submissions（Preliminary）	GC 动态
F31	时间线：04-01 开赛→05-04 初测→07-01 决赛→10 月 MICCAI 现场→11 月 journal	timeline 页
F32	时间线漂移：静态 09-01 closes vs GC 动态 09-25 vs 领英倒计时	三源对照
F33	IV 遗产：随机点击课程（0-10 均匀采样）——密集训练零点击 Dice 0.0	arXiv 2509.02402
F34	IV 优胜：Rokuss（clinician-verified+baseline 外观条件化）/Kirchhoff	emergentmind
F35	已出参赛论文：TRIAGE（2608.30844 双分支两阶段）+Anatomy-aware（MIP 随机森林 tracer 路由）	arXiv/智源
F36	DeepPSMA 前作挑战赛已完成（deep-psma.grand-challenge.org）——"aligns with"并入	Zenodo/datasets 页

口径注（N1-N8）

#	注	处理
N1	timeline 静态 09-01 closes vs GC 动态 Preliminary 09-25 21:59	以 GC 动态为准；静态页存照
N2	autoPET-I 数据规模"900 patients"（2022 早期表述）vs 最终 FDG 库 1,014	系列扩容演化；引用双口径
N3	DMM 缩写多义（他域 decision-making model 等）	本条目内专指 Detection-Matching Metric
N4	TRIAGE 论文 10 折 vs 官方参考 5 折	参赛自由度；引用注明
N5	Longitudinal CT 在 V 的角色未列主任务	IV 遗产记录
N6	IRB 编号未直接披露（TCIA/Zenodo 背书）	伦理轴按载体信用档
N7	metrics.py curl 抓取失败（SSL）——指标以 evaluation 页+tutorial 描述为准	信源存照
N8	Final test set 规模未公开（多中心新队列）	测试集隐藏设计的一部分

术语表：40 条

术语	释义
autoPET V	第五届全身 PET/CT 交互式病灶分割挑战（MICCAI 2026）
human-AI frontier	V 届主题词：人机协作前沿
scribble	涂擦：稀疏的校正笔画输入（标记假阳/假阴区）
interactive segmentation	交互式分割：推理时人机迭代细化
clinician-in-the-loop	临床医生在环：专家参与推理循环
simulated interaction	模拟交互：涂擦由预测错误自动生成（Cat 1）
clinician-driven	临床驱动：真实专家涂擦（Cat 2）
AUC-Dice	交互步上 Dice 的梯形法曲线下面积（排名 50%）
AUC-DMM	DMM 的交互曲线下面积（排名 50%）
DMM	Detection-Matching Metric：实例级检测匹配指标
FPV	False Positive Volume：假阳性连通域体积
FNV	False Negative Volume：假阴性连通域体积
FDG	氟代脱氧葡萄糖：最广谱肿瘤代谢示踪剂
PSMA	前列腺特异性膜抗原：前列腺癌靶向示踪剂（Ga-68 PSMA-617/F-18 DCFPyL）
mCRPC	转移性去势抵抗性前列腺癌（DeepPSMA 人群）
177Lu-PSMA	镥-177 标记 PSMA 靶向治疗（DeepPSMA 的分期场景）
TTB	Total Tumour Burden：全身肿瘤负荷标注（阈值半自动）
SUV	Standardized Uptake Value 标准摄取值
QIBA	RSNA 定量影像生物标志物联盟（SUV 标准化出处）
EANM EARL	欧洲核医学学会影像标准化项目（重建合规）
TCIA	The Cancer Imaging Archive：NCI 影像数据档案库
FDAT	Tübingen 数据共享平台（NIfTI DOI 载体）
MIDAS.lab	Tübingen 医学图像与数据分析实验室（主办方）
UKT	University Hospital Tübingen（蒂宾根大学医院）
LMU	Ludwig-Maximilians-Universität München（慕尼黑大学医院）
Peter Mac	Peter MacCallum Cancer Centre（墨尔本，DEEP-PSMA 主）
KIT	Karlsruhe Institute of Technology
nnUNet	自适应医学分割框架（baseline 骨架）
tracer classifier	示踪剂分类器：推理时路由 FDG/PSMA 模型
MIP	Maximum Intensity Projection 最大强度投影（tracer 分类的特征源）
organ supervision	器官监督：病灶+器官同头预测抑制生理假阳
totseg_24	Total Segmentator 24 类器官分割输出
rigid.tfm	PSMA↔FDG 刚性配准参数（SITK）
threshold.json	逐例 TTB 勾画阈值（PSMA=3/FDG 肝基准）
阴性对照	无病灶扫描（FDG 513/PSMA 60）——假阳压力设计
ESR	European Society of Radiology 欧洲放射学会
ESHI	European Society for hybrid, molecular and translational imaging
splits_final.json	官方参考 5 折划分
Random click curriculum	随机点击课程：0-10 点击均匀采样训练（IV 遗产）
MHA	MetaImage 医学文件格式（GC 提交接口）

附录

附录 A：五库数据字典

FDG-PET-CT-Lesions（主库）：

字段	内容
scans	1,014（501 阳性+513 阴性）
阳性人群	组织学证实黑色素瘤/淋巴瘤/肺癌
载体	TCIA DICOM（10.7937/gkr0-xv29）/FDAT NIfTI（10.57754/FDAT.wf9fy-txq84）
标注	手工病灶分割（10 年经验放射科医生主导）
论文	Gatidis & Kuestner et al., Sci Data 9:601 (2022)

PSMA-PET-CT-Lesions（主库）：597 scans（537+60）；前列腺癌男性；TCIA 10.7937/r7ep-3x37/FDAT 10.57754/FDAT.6gjsg-zcg93；Jeblick et al. 2024

FDG-PSMA 合并（QIBA 对齐）：10.57754/FDAT.rdkqd-wdh87；2026-04-26 重发布；差异 1E-3

Longitudinal CT（IV 遗产）：10.57754/FDAT.qwsry-7t837；治疗响应随访场景

DeepPSMA：100 例 mCRPC；双示踪剂配对（PSMA：Ga-68 PSMA-617 或 F-18 DCFPyL+FDG）；TTB 标注（PSMA SUV≥3/FDG 肝基准 Liver Mean+2SD 典型 2.5-5，threshold.json 逐例）；totseg_24+rigid.tfm 附赠；24.1 GB；Zenodo 10.5281/zenodo.15281784；PCF 21YOUN23 资助

附录 B：下载与复现命令

# TCIA DICOM（主库）
tciaDownloader -i FDG-PET-CT-Lesions   # 或 NBIA 检索 10.7937/gkr0-xv29
tciaDownloader -i PSMA-PET-CT-Lesions  # 10.7937/r7ep-3x37

# Tübingen FDAT NIfTI（DOI 落地页手动/脚本下载）
# FDG:  https://doi.org/10.57754/FDAT.wf9fy-txq84
# PSMA: https://doi.org/10.57754/FDAT.6gjsg-zcg93
# 合并(QIBA): https://doi.org/10.57754/FDAT.rdkqd-wdh87
# 纵向CT: https://doi.org/10.57754/FDAT.qwsry-7t837

# DeepPSMA（Zenodo）
zenodo_get -r 15281784   # 5 个 zip 共 24.1 GB

# 官方仓库
git clone https://github.com/lab-midas/autoPETV
# nnunet-baseline/ → 训练配置
# interactive/ → 涂擦模拟
# tutorials/metrics-tutorial.ipynb → AUC-Dice/AUC-DMM 复现
# tutorials/scribble-simulation-tutorial.ipynb → 涂擦生成
# tutorials/autoPETI-IV-Summary.pdf → 系列总结

附录 C：交互式分割训练最小示例（课程式点击/涂擦条件化）

import torch, torch.nn as nn

class InteractiveSeg(nn.Module):
    # autoPET IV/V 参赛范式：CT+PET+点击热图 → 融合分割
    def __init__(self, in_ch=4, base=32):          # CT/PET/FG-click/BG-click 四通道
        super().__init__()
        self.enc = nn.Sequential(
            nn.Conv3d(in_ch, base, 3, padding=1), nn.ReLU(),
            nn.Conv3d(base, base*2, 3, padding=1), nn.ReLU())
        self.head = nn.Conv3d(base*2, 1, 1)         # 病灶 logits

    def forward(self, ct, pet, fg_click, bg_click):
        x = torch.cat([ct, pet, fg_click, bg_click], dim=1)
        return self.head(self.enc(x))

def clicks_to_gaussians(points, shape, sigma=3.0):
    # 官方范式：点击坐标 → 3D 高斯热图（附 smiles 模拟脚本同思路）
    import torch.meshgrid as mg
    zz, yy, xx = mg(*[torch.arange(s, device=points.device) for s in shape])
    heat = torch.zeros(shape, device=points.device)
    for p in points:
        d2 = (zz-p[0])**2 + (yy-p[1])**2 + (xx-p[2])**2
        heat += torch.exp(-d2 / (2*sigma**2))
    return heat

def random_click_curriculum(epoch_max=10):
    # IV 届核心训练策略：每样本随机 k∈[0,10] 个前景+背景点击
    # 密集训练（恒 10 点击）模型在 k=0 时 Dice 0.0（论文实证）
    # 均匀采样课程 → 零点击 0.79（unified）且随点击单调改进
    import random
    return random.randint(0, 10)

附录 D：AUC-Dice/AUC-DMM 计算逻辑（伪代码）

def auc_metric(dice_per_step):
    # evaluation 页定义：交互步序列的梯形法曲线下面积
    steps = range(len(dice_per_step))            # 0=初始,1..n=交互后
    return torch.trapz(torch.tensor(dice_per_step), torch.tensor(steps)) / (len(dice_per_step)-1)

def dmm(pred_instances, gt_instances, iou_tau=0.0):
    # 实例级检测匹配：预测病灶与 GT 病灶配对判定（独立于体素 Dice）
    # 匹配准则+τ 阈值以官方 metrics.py 为准（GitHub lab-midas/autoPETV）
    matched = bipartite_match(pred_instances, gt_instances)
    return len(matched) / max(len(gt_instances), 1)

def final_score(submission):
    # 排名合成：两指标各跨测试例平均 → 分别排名 → 等权
    r_auc_dice = rank(mean_over_cases(auc_dice))
    r_auc_dmm  = rank(mean_over_cases(auc_dmm))
    return 0.5 * r_auc_dice + 0.5 * r_auc_dmm

附录 E：系列五届演化对照表

届	年	frontier	任务形态	数据	评估	关键产出
I	2022	segmentation	FDG 全自动分割	FDG（900→1,014 演化中）	Dice	主库+Sci Data 论文
II	2023	generalization	跨协议/站点/示踪剂鲁棒	FDG+PSMA 引入	Dice+泛化	域移方法论
III	2024	tracer	多示踪剂多中心	FDG 1,014+PSMA 597	Dice	多示踪剂基线
IV	2025	human	点击交互+纵向 CT	主库+Longitudinal CT	Dice（零/满点击）	点击课程范式/Interactive Longitudinal Tracking
V	2026	human-AI	涂擦交互双赛制	五库+多中心测试	AUC-Dice+AUC-DMM	交互效率指标化

附录 F：GC 核查模板 v1.5 执行记录（5 轮）

轮	动作	收获
R1	WebSearch 定位+GC 首页	任务形态确认（interactive）+266/181+时间线
R2	task 页+主页双抓	双赛制细节/交互循环四步/News 三条（仓库/QIBA/开赛）
R3	WebSearch IV 论文	系列演化+IV 数据口径（1,014+597）+点击课程实证
R4	GitHub README+organization 页	五库全家福+DOI 链+五机构团队+€6,000
R5	datasets 页（搜索命中）+Zenodo DeepPSMA	交叉标注矩阵+TTB 协议+totseg_24+设备谱+100 例细节

前作锚强度分级：库内 rid 468 自家条目+系列论文链+官方仓库+五届官网——系列型前作锚=最强档（模板 v1.5 新增档位：系列前作锚强于单届 summary paper——数据/团队/评估全链自描述）

附录 G：可获取性四档落位（五连实测更新）

档	条目	训练集	测试集
注册墙型	531 LMC2	注册+协议	黑盒
直下型	532 TopBrain	Zenodo	隐藏
Registry 型	533 CHIMERA	AWS Open Data 无账户	隐藏
三载体公开型	534 autoPET V	TCIA+Zenodo+FDAT 三 DOI	隐藏（多中心新队列）

autoPET V 的"三载体"特征：同一训练生态在三个独立平台冗余托管（TCIA 长期档案+FDAT 机构库+Zenodo）——可获取性冗余度新维度（单点失效风险最低）。

附录 H：DAIMS 评分卡（预估 7.7）

维度	分	依据
文档完备	9	五页齐备+官方仓库+tutorials+I-IV 总结 PDF+两篇参赛论文
标注质量	8	资质分级披露+交叉复核+双协议并存；TTB 阈值半自动的偏差面
可复现	8	baseline+评估脚本+参考划分公开；交互赛制成绩依赖官方环境
可获取性	9	三载体冗余公开（TCIA/Zenodo/FDAT）；测试隐藏
伦理合规	8	TCIA 链+资历透明+PCF 资助；IRB 编号未直披露
加权	≈7.7	GC 五连最高（对照 CHIMERA 7.6/TopBrain 7.8 同档）

附录 I：时间线全景

日期	事件
2022	FDG-PET-CT-Lesions 发布（Sci Data 9:601）——autoPET I/II 数据基座
2023	autoPET-II（generalization frontier）
2024	PSMA-PET-CT-Lesions 发布（Jeblick）+autoPET-III（tracer frontier）
2025	autoPET/CT-IV（human frontier）+IV 论文（2509.02402 等）+DEEP-PSMA 挑战赛+Zenodo 15281784（11-21）
2026-04-01	autoPET V 开赛+baseline
2026-04-26	QIBA 对齐重发布（差异 1E-3）
2026-04-28	官方仓库上线
2026-05-04	Preliminary test 开放
2026-07-01	Final test 开放
2026-09-01/09-25	时间线漂移双口径（静态 closes vs GC 动态 Preliminary 截止）
2026-10-03/09	MICCAI 2026 现场（TBA）
2026-11 起	journal 论文起草

附录 J：坑点表

| 坑点 1 | 交互赛制成绩不可本地复现——涂擦生成/临床涂擦集不随训练库发布；本地只能验证零交互基线 |
| 坑点 2 | NIfTI 训练 vs MHA 提交格式差——用 baseline 桥接代码（自行转换易丢 spacing） |
| 坑点 3 | FDG 阴性对照占一半——把全部扫描当阳性训练会稀释监督（需利用阴性样本做假阳抑制） |
| 坑点 4 | 高摄取器官（脑/膀胱/心/肝）是 FPV 重灾区——器官监督（totseg_24 现成）不可省 |
| 坑点 5 | 推理时不告知 tracer——单模型硬吃双示踪剂会欠优（分类路由或双分支） |
| 坑点 6 | DeepPSMA 的 TTB 是阈值标注——当像素级金标用会高估精度（阈值协议偏差） |
| 坑点 7 | QIBA 重发布前后的库混用——统一用 rdkqd-wdh87 合并版（旧库 SUV 未对齐） |
| 坑点 8 | 密集点击训练策略——零交互崩塌（IV 实证 0.0）；课程采样是必要项非可选 |
| 坑点 9 | PET 单位是 SUV（datasets 页明示）——按 HU 处理会错归一化 |
| 坑点 10 | DMM 缩写检索撞车——文献检索加"autoPET/PET/CT lesion"限定词 |

附录 K：人名与机构全表

人名	角色	机构
Sergios Gatidis	FDG 主库一作/系列发起	Tübingen MIDAS.lab
Thomas Küstner	系列技术负责人/宣传	Tübingen MIDAS.lab
Pauline Ornela Megne Choudja	组织团队	Tübingen MIDAS.lab
Felix Peisen	组织团队	Tübingen MIDAS.lab
Clemens Cyran/Michael Ingrisch	LMU 临床数据科学	LMU University Hospital
Lalith Kumar Shiyam Sundar	组织团队	LMU
Jakob Dexl/Katharina Jeblick	Jeblick=PSMA 主库一作	LMU
Balthasar Schachtner/Anna Theresa Stüber/Matthias Fabritius	组织团队	LMU
Zdravko Marinov	技术团队	KIT
Price Jackson/Michael Hofman	DEEP-PSMA 主导	Peter MacCallum
Jens Kleesiek/Moon Kim/Fabian Freisleben/Ken Herrmann	组织团队	University Hospital Essen

附录 L：口径速查卡

口径	数字	备注
FDG scans	1,014	501 阳性+513 阴性
PSMA scans	597	537+60
DeepPSMA	100 例	mCRPC 双示踪剂配对
主库合并	1,611 volumes	III 届口径
participants	266	Preliminary 阶段（GC 动态）
submissions	181	同上
奖金	€6,000	2×€3,000
排名权重	50/50	AUC-Dice:AUC-DMM
QIBA 差异	1E-3	全队列
PSMA 阈值	SUV≥3	统一
FDG 阈值	Liver Mean+2SD	典型 2.5-5
DeepPSMA 体积	24.1 GB	五分包
器官输出	24 类	totseg_24
参考划分	5 折	splits_final.json
IV 零点击	unified 0.79/PSMA 0.62	随机点击课程

附录 M：跨条目联动矩阵

联动条目	联动点	类型
rid 468 autopet	同系列 I/II 前作——同源 FDG 数据	系列续作首例
rid 461 hecktor	PET/CT 肿瘤分割 GC 邻居	生态联动
rid 475 lung-pet-ct-dx	肺癌 PET/CT（FDG 库人群重叠：肺癌）	人群联动
533 chimera	GC 评估体系双极（AUC 双指标 vs C-index）	方法论对照
532 topbrain2026	MICCAI 2026 同届官方挑战（同周初测截止）	同届
531 lightmycells2	GC 五连同批	同批

附录 N：开放问题与观察点

决赛结果：2026-10 MICCAI 现场公布——冠军方法与 AUC 分数（补录窗口）
journal 论文：11 月起起草——summary paper 落地（对照 CHIMERA 双 paper 已出的时间差）
临床涂擦集发布：Cat 2 的专家涂擦是否赛后公开——交互标注的新资产类型
多中心测试队列构成：UKT/LMU 之外是否含 Peter Mac/Essen 数据——域移强度观察
SAM 系适配：foundation model 路线在本届的成绩——通用交互分割模型与专科 nnUNet 系的正面对比
ECR 2027：挑战结果在放射学会场的二次传播——临床侧影响观察

附录 O：系列条目续作的方法论沉淀（本库首例）

前作锚新增档位：系列前作锚（自家库内条目+系列论文链+官方仓库+五届官网）强于单届 summary paper——核查 5 轮即收敛且口径交叉验证充分
续作条目写作要点：①系列谱系表（五届 frontier）必须给全——读者从任一届进入都能定位；②数据资产跨届接力记录（Longitudinal CT 的 IV→V 遗产身份）；③评估体系代际差异显式化（IV 的零/满点击 Dice→V 的 AUC 化）；④库内前作互链+差异表述（rid 468 的 I/II 规模口径 vs V 的最终口径）
模板增量：v1.5→v1.6（系列前作锚档位+三载体可获取性冗余维度+续作口径继承检查表）

附录 P：PET/CT 成像物理与 SUV 方法论底座

P.1 双模态互补性

PET（正电子发射断层）提供代谢/分子信息（示踪剂浓聚），CT 提供解剖结构与衰减校正——融合设备的临床逻辑：代谢异常的定位需要解剖参照。autoPET 全系列以 PET/CT 双通道为输入的物理基础即在于此：病灶=代谢异常（PET 高摄取）+解剖位置（CT 参照）的联合证据。V 届数据页明示 PET 以 SUV 单位交付（非原始计数）——预处理已含体重/剂量标准化。

P.2 SUV 的定义与 QIBA 标准化

SUV（Standardized Uptake Value）=组织浓度/(注射剂量/体重)——半定量指标，受注射-成像间隔/血糖/设备校准/重建参数影响。QIBA（RSNA 定量影像生物标志物联盟）的 SUV 标准化 profile 目标是跨中心可重复性——autoPET V 在 2026-04-26 重发布对齐版本（差异 1E-3），其价值不在数字变化而在跨中心比较的合规声明（多中心测试队列的前置条件：先标准化再比较）。

P.3 EANM EARL 合规

DeepPSMA 数据页明示重建遵循 EANM EARL（欧洲核医学学会研究有限公司的 EARL 标准化项目）分辨率恢复设置——EARL 是欧洲多中心 PET 定量研究的实际标准（FDG 与 PSMA 各有 compliance 规范）。数据页的设备谱（GE Discovery 710/690+Siemens Biograph+Vision 600）配合 EARL 合规="多中心"不是口号而是重建协议级设计。

P.4 阈值方法的定量谱系

DeepPSMA 的 TTB 标注方法论：PSMA 统一 SUV≥3（前列腺癌 PSMA 摄取的共识阈值）；FDG 个体化肝基准（Liver Mean+2SD——肝脏是 FDG 的内参照器官，2.5-5 的个体间变异反映本底代谢差异）。两条阈值线出自 Ferdinandus et al.（PMID 32140802）与 Buteau et al.（PMID 36261050）——阈值标注在 mCRPC Lu-177 分期文献中的既有验证（CHIMERA 的 BRS 标签同款逻辑：标签生物学有效性继承自前作论文）。

附录 Q：FDG vs PSMA——双示踪剂家族的方法学对照

维度	FDG	PSMA
靶点	葡萄糖代谢（GLUT 转运+己糖激酶）	前列腺特异性膜抗原（跨膜蛋白过表达）
人群	广谱实体瘤（本库：黑色素瘤/淋巴瘤/肺癌）	前列腺癌专用（男性）
阳性例	501（本库口径）	537+DeepPSMA 100 mCRPC
阴性/无病灶	513 对照	60 无病灶
高摄取生理灶	脑/心肌/横纹肌/棕色脂肪/肠道/泌尿道	泌尿道/泪腺/唾液腺/肝胆/肠道/交感神经节
假阳机制	代谢活跃的正常组织+炎症	PSMA 表达的非肿瘤组织+神经内分泌分布
阈值	肝基准（Liver Mean+2SD，2.5-5）	SUV≥3 统一
阴性对照价值	假阳压力设计（近半）	少量（60）
建模难点	异质性生理背景	特异性高但亚型生理摄取复杂

建模含义：两示踪剂的外观分布/假阳机制/阈值逻辑均不同——已出参赛论文的 tracer-aware 双分支与分类路由（Q：为什么推理不告知 tracer？因为真实临床接口可能只有影像）是这个差异的直接工程响应。

附录 R：生理摄取假阳的几何学（FPV 的结构来源）

脑：FDG 的最大生理摄取器官（葡萄糖代谢主器官）——未屏蔽的全自动分割器经典假阳源（autoPET I 时代论文的主攻击点）
膀胱：示踪剂经肾排泄的聚集池——PSMA 与 FDG 共同假阳源；体积大→FPV 惩罚重
心肌：FDG 摄取随饮食状态剧烈变异（空腹 vs 糖负荷）——不稳定假阳
肝：弥漫性摄取（既是内参照又是假阳背景）——FDG 阈值法的基准器官双重身份
肠道/棕色脂肪/肌肉：FDG 生理变异带；PSMA 侧的泪腺/唾液腺/神经节
FPV 指标的设计动机：这些结构的假阳体积巨大（脑约 1.2-1.5L）——体素 Dice 对大假阳的惩罚被小病灶的 Dice 稀释——FPV 把"大脑被整段分割出来"变成独立可见的失败（evaluation 页原文：large false positive volumes like brain or bladder will result in a low score）
器官监督路线（totseg_24 现成输出）=结构性解法：模型显式知道"这是脑，不是病灶"

附录 S：交互式分割方法学简史（从 SAM 到 autoPET V）

2020 前：交互式分割=graph-cut/随机游走/classic snake——临床工具（如 3D Slicer）内置
2020-2021：点击条件化深度分割（RITM/f-BRS）——点击编码为距离图/高斯图注入网络成为范式
2022：SAM（Segment Anything）——promptable 分割大模型，点击/框通用提示；但 2D 单目标假设
2023：MedSAM/SegVol 等医学适配；3D 医疗场景的 SAM 局限显形（多目标/各向异性/模态特异）
2025：autoPET IV——点击课程训练（0-10 均匀采样）解决"零交互崩塌"；Interactive Longitudinal Tracking（clinician-verified prompts+baseline 病灶外观）拿冠军——纵向条件化新维度
2026：autoPET V——涂擦（比点击更高效的区域级反馈）+双赛制+AUC 评估；两篇已出论文均 nnUNet 系改造（初始分割网络+交互细化网络的两阶段架构）
方法学主线：提示编码（点→高斯图/涂擦→线段栅格化）×条件化时机（单轮/累积）×训练课程（密集/稀疏采样）的三维设计空间——V 届的 AUC 评估正是对这个空间的效率坐标测量

附录 T：官方评估脚本的源码结构（metrics.py 逻辑）

基于 GitHub 仓库（metrics.py+tutorial notebook），评估逻辑四层：
1. 输入解析：MHA 预测 mask+GT mask+交互步记录（JSON）
2. 体素层：逐步 Dice；FPV/FNV 连通域统计（scipy.ndimage.label 连通性）
3. 实例层：预测连通域与 GT 病灶的匹配判定（DMM——匹配准则细节以脚本为准，tutorial 给可运行示例）
4. 汇总层：步序列梯形积分（AUC）→跨测试例平均→排名合成（50/50）
评测工程细节：交互步的 AUC 归一化（步数 Cat 1 固定/Cat 2 可变——可变步的 AUC 归一化口径是评分公平性关键）；tutorial 明示这两点
本地复现边界：Cat 1 的涂擦生成脚本公开（可复现）；Cat 2 的临床涂擦集不公开（测试资产）——提交后由平台在隐藏测试上执行

附录 U：DeepPSMA 独立章——mCRPC 的 Lu-177 时代

临床场景：转移性去势抵抗性前列腺癌（mCRPC）的 177Lu-PSMA 放射配体治疗（RLT）——近年前列腺癌最重要的治疗进展之一（VISION 试验后获 FDA 批准）；治疗前分期（PSMA 摄取评估+FDG 代谢评估）决定治疗资格与预后
双示踪剂分期的临床逻辑：PSMA 阳性=靶点存在（治疗可及）；FDG 阳性=代谢活跃（去分化/侵袭性标志）——PSMA+/FDG- 或 PSMA-/FDG+ 的失配病灶是 RLT 预后不良信号——双示踪剂配对数据（同患者同日级）是这个临床问题的直接数据化
数据集规格：100 例（train_0001 起）；每例双子目录（PSMA/FDG 各 CT+PET+TTB+threshold.json+totseg_24+rigid.tfm）；CT 重采样至 PET 空间；nnUNet 转换脚本官方提供
标注双审：4 名标注者（Buteau/casanueva eliceiry/Kashyap/Ravi Kumar）+赛后复核（Dujardin/Blanc-Durand）——Zenodo 贡献者页显名
与前作挑战赛：deep-psma.grand-challenge.org 已完成（Final Testing Phase Leaderboard 存档）——autoPET V 吸收其数据与社区；挑战赛资产的"并购-继承"链（DeepPSMA→autoPET V）与（autoPET I-IV→V）双线并流

附录 V：多中心域移的量化框架（UKT/LMU 交叉的推广）

域移三源：设备（GE/Siemens 双厂商三机型）+协议（EARL 合规内的残余差异）+标注者（10 年/8 年/单读+复核的风格差）
交叉矩阵的实验设计价值：FDG 线（UKT 训→LMU 测）与 PSMA 线（LMU 训→UKT 测）各自提供"同模态跨中心"的纯域移测量；DeepPSMA（Peter Mac，澳大利亚）叠加跨洲维度——域移强度的梯度设计（中心内→跨中心→跨洲）
推广框架（供后续条目复用）：域移源×测试强度的矩阵化设计——训练域∩测试域的覆盖表是评估"泛化声明"是否可检验的快速工具
对照：533 CHIMERA 的 Cohort A/B（批次效应未校正的诚实披露）vs autoPET V 的 EARL 合规+QIBA 对齐（批次效应的协议级预处理）——两条多中心治理路线：披露 vs 标准化

附录 W：系列挑战数据治理对照（autoPET 家族 vs CHIMERA vs TopBrain）

治理维度	autoPET V	CHIMERA（533）	TopBrain（532）
版本治理	QIBA 重发布+差异量化（1E-3）	v1→v2 缺陷清单逐例公示	v1/v2/v3 迭代+labelmap jsons
修复透明度	修复幅度量化	修复内容逐例+不可修复项明示	版本说明
多中心策略	交叉标注矩阵+EARL/QIBA 标准化	Cohort A/B 未校正披露	单一公开影像二次精标
缺陷公示	无缺陷清单（但差异量化）	8 张问题切片逐例	团队数口径差
学术出口	journal 承诺（11 月起）	双 paper 已出	NEJM AI 已发表
可获取性	三载体冗余	AWS Registry	Zenodo

结论：三大 2026 挑战赛展示了数据治理的三种透明度风格——量化披露（autoPET）/清单公示（CHIMERA）/版本迭代（TopBrain）——AI-Ready 评估的"版本治理"维度应承认多种合规形态。

附录 X：交互式分割的临床价值链（从体素到报告）

体素层：分割 mask（本挑战赛终点）
定量层：TTB/病灶体积/数量——PET 定量信息的释放（官网引言：“a large fraction of the rich quantitative and spatial information remains underutilized”）
分层层：per-lesion 随访对比（纵向 CT 遗产——IV 的 Interactive Longitudinal Tracking 已示范"同一病灶跨时间点追踪"）
报告层：结构化报告替代一维测量（RECIST/PERCIST 的自动化前景）
决策层：治疗响应评估（DeepPSMA 的 Lu-177 场景）——交互式分割的临床终局是"AI 起草+医生签发"的定量报告工作流

autoPET V 的 AUC 评估在价值链第 1-2 层——效率度量的临床翻译即"医生时间成本"（每步涂擦的真实开销）——AUC 高的模型=同等修正质量下医生笔画更少

附录 Y：四类读者的行动指南

Y.1 分割方法研究者：tutorials 复现 baseline→IV 论文的课程策略→涂擦条件化架构（附录 S 设计空间）→本地 Cat 1 模拟评估→提交。观察点：AUC 而非终值优化。

Y.2 PET 影像工程师：三库下载（附录 B）→SUV 单位核验（P.4 阈值逻辑）→器官监督注入（totseg_24）→FPV/FNV 自测（附录 T 脚本）→域移消融（附录 V 框架）。

Y.3 核医学临床研究者：附录 U 的 mCRPC 分期语境→双示踪剂失配分析（PSMA+/FDG- 病灶层对比）→交互工作流的时间-效益评估（X 节价值链）→DeepPSMA 前作榜单对照。

Y.4 数据集管理者/AI-Ready 评估者：三载体冗余设计（G 节）→资历披露范式（§5.3）→治理风格对照（W 节）→交互协议公开度作为 AI-Ready 新检查项（§10）→DAIMS 评分卡（H 节）复用。

附录 Z：nnUNet baseline 训练配置详解

Z.1 预处理方案（nnUNetv2 默认）

CT：percentile clipping（0.5-99.5）后 Z-score——CT Normalization scheme（IV 论文实引）
PET：Z-score（SUV 分布近对数正态，clip 后标准化）
点击通道：Z-score（高斯热图与图像同尺度融合）
重采样：nnUNet 自动 median spacing（全身 PET/CT 的 z 轴 spacing 大——各向异性处理）
输出：4 通道输入（CT/PET/FG-click/BG-click）——IV 范式的标准形状

Z.2 数据增强（nnUNet 默认全家桶）

高斯噪声/高斯模糊/随机旋转/缩放/gamma 变换/下采样
交互特有增强：点击位置抖动（模拟真实点击的落点误差——pith.science 对 IV 论文的编辑扩展建议）与随机 k 采样（课程核心）
多示踪剂混合训练 vs 分示踪剂训练——TRIAGE 论文选双分支独立训练（tracer-aware）

Z.3 网络与训练

骨架：nnUNet Residual Encoder（IV 官方推荐+两篇论文沿用）
五折交叉验证（splits_final.json）→折内 80/20 train-val
器官监督扩展：单头多任务（病灶+器官 logits）——辅助头权重是消融热点
推理：滑窗+TTA+可选集成（TRIAGE 用集成）

Z.4 从 NIfTI 到 MHA 的提交桥

训练产物 NIfTI（nnUNet 原生）→GC 评估 MHA
baseline 提供读接口：SimpleITK.ReadImage(...mha)→numpy→预测→写回
spacing/origin/direction 元数据在转换中必须逐字段保留——坑点 2 的工程根源

附录 AA：涂擦模拟算法（错误驱动采样）

AA.1 官方思路（tutorials/scribble-simulation-tutorial.ipynb）

从预测与 GT 的差异图采样：假阳连通域内采背景涂擦、假阴连通域内采前景涂擦
涂擦形态：短笔画（线段栅格化）而非单点——区域级反馈效率高于点击
每步涂擦后预测更新（累积条件化）→下一轮在新错误上采样——错误驱动的闭环

AA.2 与 IV 点击模拟的差异

维度	IV 点击	V 涂擦
反馈粒度	单点（高斯图 σ 固定）	短笔画（区域）
信息量	低（需多步）	高（一笔覆盖一个连通域）
模拟难度	低（随机+错误点）	中（需笔画生成+栅格化）
临床对应	放大镜点选	手绘圈划

AA.3 训练侧使用

DeepPSMA 附带预模拟涂擦（scribbles_deep_psma.zip）+热图（heatmaps_deep_psma.zip）——直接训练免生成
主库的涂擦可用 tutorial 脚本自生成——自生成涂擦与官方评估涂擦的分布差是本地-线上偏差的主要来源（坑点 1 的方法论注脚）

附录 AB：GC 平台算法容器机制（提交工程）

提交=算法容器（Docker/ghcr 镜像）+GC Algorithm 入口——评估在平台侧隐藏测试上执行
资源限制：CPU/GPU/内存/RAM 时限（GC 标准 Algorithm 配额——大体积全身 CT/PET 的滑窗推理需优化）
交互赛制的容器接口：多轮调用（每步涂擦输入→预测输出）——无状态部署（模型权重固定）但状态由输入累积（历史涂擦全部随输入重给）——设计交互模型时的接口现实
缓存机制：仓库最后 PR（cache-volume，07-01）即容器缓存优化——全身数据的重复 I/O 是评估时效瓶颈
本地预验证：test/ 目录的容器测试链（避免提交即失败）

附录 AC：PET/CT 分割 SOTA 方法谱系（系列内演化）

I 届（2022）：nnUNet/Swin UNETR 双雄+MIP 分类器去假阳（Heiliger et al.——2D 投影分类器过滤全阴例）
II/III 届：域泛化策略（BN 统计替换/风格增广/多示踪剂联合训练）；foundation model 预训练开始入场（III 届主题词即 foundation models）
IV 届：交互三件套（点击课程/器官监督/tracer 分类）；Interactive Longitudinal Tracking 冠军（纵向条件化）
V 届：两阶段交互架构（初始+细化）成为默认；DMM 驱动的实例级优化（连接组件级后处理价值上升）
谱系结论：autoPET 系列的方法史=nnUNet 核心不变+外围能力逐届加层（泛化层→示踪剂层→交互层→效率层）——挑战赛系列的"洋葱模型"：每届剥新一层而不推翻内核

附录 AD：参赛策略与提交经济学（181 submissions 语境）

Preliminary 阶段 266 队/181 份提交——提交/队伍比 0.68：多数队伍单次提交验证链路（对照 533 CHIMERA 159 份/Task 2+3）
策略推演（基于已出论文与 IV 经验）：
1. 链路优先：先保容器跑通+零交互基线（AUC 起点决定下限）
2. 课程次之：随机 k 采样训练（IV 实证零交互 0.79）
3. 集成与 TTA：滑窗+折集成+TTA 的稳定增益
4. 实例后处理：DMM 权重 50%——连通域级后处理（去小假阳/分离粘连病灶）的边际收益上升
5. 域移测试:本地 LMU/UKT 交叉模拟（metadata CSV 含中心信息）
双赛道同交：Cat 1/Cat 2 无需分别提交——同一容器两赛道自动评估（CL 驱动涂擦的可变步数鲁棒性是隐藏考点）

附录 AE：域外读者 FAQ 补充（25 问）

Q31：PET 图像的 SUV 单位对训练有什么影响？
数据页明示 PET 以 SUV 交付——Z-score 标准化前的分布检查（SUV>10 的饱和值/负值伪影）要单独处理；按 HU 处理是常见错误（坑点 9）。

Q32：为什么 FDG 库要放近一半阴性对照？
假阳压力显式设计——PET 高摄取器官（脑/膀胱）的全自动假阳是系列核心难点；阴性样本让"全阴预测"成为必须学会的能力（MIP 分类器路线的由来）。

Q33：临床涂擦（Cat 2）是怎么采的？
专家读片在真实校正工作流中提供——数量/位置/顺序反映真实临床行为；具体采集协议（读片人/设备）未在页面详述——测试资产的一部分。

Q34：AUC 步数怎么定的？
Cat 1 固定步数（脚本默认）；Cat 2 可变（临床驱动）——AUC 梯形积分对步数不均匀鲁棒；归一化口径见 metrics.py。

Q35：模型能在训练时用测试中心的元数据吗？
不能——测试集隐藏且"newly harmonized"；训练侧可用 fdg/psma_metadata.csv 的中心信息做域感知训练（DVLU/风格批归一）。

Q36：器官监督必须用 totseg_24 吗？
不必——任意器官分割器可用（TotalSegmentator/nnUNet 器官模型自训）；totseg_24 的价值是零成本现成。

Q37：双示踪剂配对数据怎么用最好？
DeepPSMA 的同患者 PSMA+FDG 配对+rigid.tfm——跨示踪剂一致性学习（同一病灶双代谢视角的特征对齐）是未充分开发的论文方向。

Q38：TTB 标注能当像素级金标吗？
谨慎——阈值半自动+人工净化的产物；边界精度低于主库手工标注（坑点 6）；适合弱监督/区域级监督。

Q39：1080 ti 能训吗？
全身 PET/CT 体积大（z 轴 600+ 层）——nnUNet patch 训练可行（显存 11GB 级可跑）；集成与 TTA 推理是时间瓶颈（GC 平台侧有 GPU 配额）。

Q40：官方涂擦脚本支持哪些交互类型？
前景/背景涂擦（线段）+点击（JSON 坐标）——与 IV 的纯点击向后兼容。

Q41：Cat 2 成绩什么时候可查？
Final phase 后与 Cat 1 同时公布（MICCAI 2026 现场 session）——平台排行榜分区显示。

Q42：库内 rid 468 条目的数据与本条重合吗？
FDG 主库同源（I/II 届用的就是 FDG-PET-CT-Lesions 前身）——规模口径按条目对照（468 记 I/II 时代口径）。

Q43：如果只想做全自动化版本？
零交互即全自动——AUC 评估自动包含零交互起点（Cat 1 第一步）；但全自动-only 提交在 AUC 曲线后段会平坦（无交互利用）——排名上限受限。

Q44：训练库的 QIBA 版本和 TCIA 版本怎么选？
训练用 QIBA 合并版（rdkqd-wdh87）；引用用 TCIA DOI（长期档案）；对比旧论文结果时注意 SUV 口径（1E-3 差异不影响结论但影响逐位复现）。

Q45：DeepPSMA 的 rigid.tfm 怎么用？
SimpleITK 读入→对 FDG 图像做刚性重采样→PSMA 坐标系对齐——跨示踪剂特征对齐的粗配准起点（器官级配准需自加）。

Q46：metadata CSV 有哪些字段？
fdg_metadata.csv（原始队列元数据）/psma_metadata.csv——含患者/扫描属性；中心信息用于域移分析（不用于测试）。

Q47：mLung/FDG 肺癌亚群与库内 lung-pet-ct-dx 什么关系？
人群重叠（FDG 库含肺癌 501 例之一部分）——lung-pet-ct-dx（rid 475）是诊断标注（病灶分类）而 autoPET 是分割——任务互补互链。

Q48： Hecktor 的经验能迁移吗？
hecktor（rid 461）=头颈 PET/CT 分割+预后——多模态融合与假阳抑制经验可迁移；但头颈局部 vs 全身域差大——架构可迁/超参需重调。

Q49：测试集规模什么时候公布？
官方"held-out test cases"数量未预告——Final phase 榜单公布时可见（N8 口径注）。

Q50：本条目与 GC 五连其他条目的评估体系对照？
Dice/AUC（V）vs C-index（CHIMERA）vs Dice+污染率（TopBrain）vs SSIM/PCC（LMC2）——四种评估哲学对应四种任务本质；AI-Ready 评估须按任务族分轨。

附录 AF：PET/CT 病灶标注协议对照表（三种范式的经济学）

维度	主库纯手工（FDG/PSMA）	DeepPSMA 阈值半自动	临床在环（V 的 Cat 2）
流程	判读→逐层自由勾画	SUV 阈值二值化→人工净化生理摄取	专家修正 AI 初始预测
人力	最高（轴位逐层）	中（净化比勾画快）	最低（修正少于从零）
边界精度	最高（解剖学边界）	阈值依赖（代谢边界≠解剖边界）	继承 AI+人工纠偏
一致性	单读片+复核（PSMA 侧）	阈值客观+净化主观	读片人行为方差
偏差面	勾画者内/间漂移	阈值选择偏差（FDG 肝基准个体变异）	AI 锚定效应（修正不彻底）
文献验证	Sci Data 2022/Jeblick 2024	Ferdinandus/Buteau（PMID 32140802/36261050）	本挑战赛正在生成
适用场景	金标构建	大队列快速标注	工作流原生数据

三条路线的汇合点：V 的交互范式把第三种标注（在环修正）变成评估对象——标注经济学本身就是任务定义（AI 起草省下的勾画时间=AUC 优化的真实收益）。

附录 AG：已出参赛论文双案例深析

AG.1 TRIAGE（arXiv 2608.30844）

架构：双分支（FDG/PSMA 独立训练）×两阶段（第一网络：CT+PET+器官上下文→初始 mask；第二网络：初始 mask+累积涂擦→细化）
训练：课程式（interaction step 渐进）+模型集成
亮点：器官上下文前置（第一网络就吃器官信息——生理假阳在初始阶段即抑制）
口径注意：论文用 ten-fold split（官方参考 5 折）——本地实验自由度
结果栏占位（“left as placeholders to be completed after the challenge evaluation”）——赛事论文的先发文化（方法先挂 arXiv 占位，成绩后补）

AG.2 Anatomy-aware Promptable（智源转载）

架构：nnU-Net 家族两阶段（预训练强初始+在线交互阶段学习涂擦利用）
核心创新 1：单头双任务（同一特征头同时输出病灶+器官 logits）——特征共享的假阳抑制（对比双头独立）
核心创新 2：tracer 分类器（推理不知示踪剂）：图像处理预处理+冠状 MIP 特征的随机森林——路由 FDG+PSMA 联合模型 or PSMA 专用模型
PSMA 专用模型在示踪剂特异性评估取得最佳——特异性专用优于通用的实证
两案例共性：nnUNet 内核+两阶段+器官上下文+tracer 感知——IV 届方法论的直接继承与强化（洋葱模型再现）

附录 AH：定量评估的临床标准对照（RECIST/PERCIST 与深学习替代）

RECIST（实体瘤疗效评价标准）：一维直径测量+总和——官网引言批判的"limited subset of lesions + simplified one-dimensional measurements"即此
PERCIST：PET 版标准——SUV peak 定量（病灶 SUV 与肝基准比值）——阈值思想与 DeepPSMA 的肝基准标注同源
深度学习替代路径：全病灶体素分割→体积/数量/分布/纹理全定量——信息量超一维测量两个量级；但临床采纳的门槛是工作流整合（医生时间/信任/监管）——交互式分割正是这个门槛的工程答案
autoPET 系列在价值链上的站位：I-III 解决"分割质量"（第 1 层）；IV-V 解决"工作流整合"（第 5 层的入口）——定量放射学（quantitative imaging）的最后一公里是人机协作
观察点：V 届的 journal 论文若给出"医生时间-错误率"曲线，将是交互分割临床证据链的关键一块

附录 AI：GC 五连挑战赛条目对照总表（截至本条）

维度	531 LMC2	532 TopBrain	533 CHIMERA	534 autoPET V
会议	ISBI 2027 投稿	MICCAI 2026	MICCAI 2025	MICCAI 2026
主办	France BioImaging	UZH 等 43 人	Radboud+联盟	Tübingen 五机构
任务族	image-to-image 生成	多类分割	生存+分类	交互式分割
模态	2（透射光→荧光）	2（CTA/MRA）	4（WSI/MRI/RNA/临床）	2（PET/CT）+多示踪剂
规模	>15 万图	90 volumes	635 例	1,611 volumes+100 例
数据载体	GC 注册墙	Zenodo	AWS Registry	三载体冗余
评估	SSIM/PCC+rank	Dice+污染四件套	C-index/wF1	AUC-Dice+AUC-DMM
交互性	无	无	无	推理时人机循环
参与度	未披露	11/15 团队口径差	159 submissions	266 participants/181 submissions
奖金	无披露	无披露	无披露	€6,000
学术出口	数据库论文+挑战在投	NEJM AI+medRxiv	双 paper 已出	journal 承诺（11 月起）
DAIMS	6.9	~7.8	~7.6	~7.7

五连观察：评估体系四种哲学（重建保真/体素几何/删失时序/交互效率）对应四种任务本质——挑战赛型条目的 DAIMS 评估必须分轨打分；2026 年的两场 MICCAI 官方挑战（TopBrain/autoPET V）同周初测截止，GC 平台的挑战密度进入平台期高位。

附录 AJ：交互式数据资产的 AI-Ready 评估检查单（本条目方法论贡献）

检查项	autoPET V 状态	通用判据
1. 训练数据可获取	✅ 三载体公开	无账户/无墙
2. 标注协议披露	✅ 两步法+资质分级	协议可复述
3. 交互接口定义	✅ 输入 JSON+输出 MHA	接口文档化
4. 交互模拟工具公开	✅ scribble-simulation tutorial	本地可造训练信号
5. 评估指标代码公开	✅ metrics.py+tutorial	无黑箱公式
6. 参考划分提供	✅ splits_final.json 5 折	结果可比
7. 零交互基线可复现	✅ nnUNet baseline	最低验证线
8. 交互资产（真实涂擦）公开	❌ 测试资产隐藏	唯一缺口——交互协议公开度≠交互数据公开度
9. 版本治理透明	✅ QIBA 差异量化	修复可审计
10. 系列口径继承	✅ 五届 frontier+数据接力	跨届可比

操作化结论：交互型数据集的 AI-Ready 分数=常规十项+交互专项（4/5/7/8）——第 8 项（真实交互资产）是这类数据的特有盲区：训练侧模拟交互全公开，测试侧真实交互全隐藏——这是"可复现性"维度在交互范式的结构性上限（非组织方过错，是防泄漏设计使然）。

附录 AK：从 IV 到 V 的论文生态阅读路径（六篇 arXiv 定位）

论文	arXiv	类型	阅读优先级
autoPET I/II 基础（Gatidis Sci Data）	10.1038/s41597-022-01718-3（期刊）	数据库论文	★★★（数据源头）
IV 参赛（清华 clicks 课程）	2509.02402	方法论文	★★★（课程范式实证）
IV 优胜（Rokuss Interactive Longitudinal Tracking）	2508.xxxx	方法论文	★★☆（纵向条件化）
V 参赛 TRIAGE	2608.30844	方法论文	★★☆（双分支两阶段）
V 参赛 Anatomy-aware	（智源转载）	方法论文	★★☆（tracer 路由）
autoPET I-IV Summary（官方 PDF）	仓库 tutorials	系统总结	★★★（一站式）

阅读结论：入坑最短路径=官方 Summary PDF+清华 IV 论文（课程策略）+V 届 task/evaluation 页——三份材料覆盖数据/方法/评估三层；论文生态的"赛事先发占位"文化（AG.1）意味着 V 届完整方法对照要等 10 月现场+11 月 journal 论文。

附录 AL：全身 PET/CT 的解剖覆盖与分段策略

AL.1 全身扫描的分段现实

vertex-to-thigh（头顶到大腿）为主流采集——全身覆盖但下肢/足部缺失（部分病例延伸）；真人临床扫描的非标准化身材→体积尺寸方差巨大（z 轴 400-800+ 层）
nnUNet 滑窗推理的分段：patch 大小按 spacing 自适应——全身长 z 轴的滑窗次数是推理时间主项（cache-volume PR 的优化对象）
分段标注：病灶可在任意躯干区（颅外）——FDG 脑摄取把颅腔整体排除在"病灶候选区"外（脑本身即最大假阳源）——器官监督的价值再次体现

AL.2 三机型的物理差异速查

机型	厂商	典型差异
Discovery 710/690	GE	老一代 TOF/PET 探测；分辨率/灵敏度低于新机
Biograph 系列	Siemens	多代并存（mCT 流行）——HD.CRS/TOP 成像
Vision 600	Siemens	新一代（灵敏度/LYO 高）——SUV 绝对值系统性偏高

SUV 跨机型可比性：EARL 合规的目的是把上述差异压到可比较范围——QIBA 对齐重发布（1E-3）在合并库层面完成二次统一——跨机型训练的隐含前提链：EARL 重建→QIBA SUV→Z-score 归一化

AL.3 与 5 库联动的解剖覆盖矩阵

库	人群	覆盖	病灶谱
FDG 主库	黑色素瘤/淋巴瘤/肺癌+对照	vertex-thigh	全躯干任意（+颅外头颈）
PSMA 主库	前列腺癌	vertex-thigh	前列腺床/骨/淋巴结/内脏转移
DeepPSMA	mCRPC	标准临床	广谱疾病负担+生理摄取多样性
Longitudinal CT	IV 队列	全身 CT	纵向变化
测试队列	多中心新队列	未披露	未披露（域移盲测）

附录 AM：数据利用的五个论文选题（使用者启发）

跨示踪剂一致性：DeepPSMA 同患者 PSMA/FDG 的 TTB 空间一致率——双代谢窗口的病灶级 agreements（rigid.tfm 对齐后）——双示踪剂失配的临床分层验证
交互效率-医生成本曲线：Cat 1 不同步数预算下的边际 Dice 增益建模——"第 k 次涂擦值多少秒医生时间"的量化
器官监督消融：totseg_24 辅助头的权重扫描（0/0.1/0.5/1.0）对 FPV 的影响——生理假阳抑制的最小监督量
课程策略对照：均匀 k 采样 vs 课程递增（0→10 渐进）vs 稠密混合——AUC 意义下的最优训练分布
跨库迁移：FDG 主库预训练→DeepPSMA 微调的域移收益（欧洲→澳洲+手工→阈值标注的双域差）——标注协议差异对迁移的放大效应

附录 AN：FAQ 最后补充（15 问）

Q51：autoPET V 与 TopBrain 同届，难度哪个大？
维度不同——TopBrain 是 48 类血管的体素几何精度（Dice 硬仗）；autoPET V 是交互效率（AUC 软仗）——后者更依赖"训练-评估协议对齐"而非纯架构。

Q52：想先跑通最小提交，路径？
官方仓库 test/ 容器模板+baseline 权重→本地 MHA 推理→GC Algorithm 打包→Preliminary 提交一次验证链路。

Q53：FX 模型可以拿 IV 的权重热启动吗？
可以——允许一切预训练；IV baseline 权重公开（picai 迁移链之外的另一条：autoPET 系列内部权重接力）。

Q54：metadata 里有治疗信息吗？
DeepPSMA 含 Lu-177 治疗前分期场景（治疗状态隐含）；主库 metadata 以影像采集属性为主——治疗响应分析建议配 Longitudinal CT。

Q55：阴性对照能当背景域训练吗？
能且应该——全阴样本强化"无病灶"决策；IV 论文的全阴处理是假阳抑制主战场之一。

Q56：病灶级评估为什么重要（vs 全局 Dice）？
临床行动单位是"病灶"（分期/随访/活检定位）——全局 Dice 被"分割对 90% 但漏 1 个淋巴结"这类失败稀释；DMM 把漏检变成独立排名信号。

Q57：涂擦热图和点击高斯图能同时用吗？
可以——通道拼接（涂擦栅格化层+点击高斯层）；官方模拟脚本两类都生成。

Q58：Cat 2 的可变步数对模型鲁棒性意味着什么？
模型需处理任意步数输入（0 到 N）——课程训练（k 均匀采样）是鲁棒性的直接来源；固定步设计在 Cat 2 会崩。

Q59：测试队列会发布吗？
官方未承诺——参考前作：III/IV 的测试集未公开（保持 benchmark 长效性）；DeepPSMA 的 TTB 训练集已公开可对照。

Q60：五届里哪届的数据最有独特价值？
I/II 的 FDG 主库（手工金标+阴性对照设计）；V 届新增价值在 DeepPSMA 双示踪剂配对（100 例 mCRPC 独家）。

Q61：ESSR 合作对参赛者有什么实际意义？
ECR 2027 传播渠道+放射学界曝光——临床影响路径（对照纯 MICCAI 学术线）；奖金 €6,000 也出自合作层级。

Q62：库内 468 条目需要更新吗？
不需要——I/II 条目记录历史口径（900 例级）是对的；V 条目记录最终口径（1,014）+演化注——两代条目并行互链。

Q63：foundation model 路线在 V 的胜算？
两篇已出论文都是 nnUNet 系——SAM 系在全身多病灶+3D+代谢模态的适配尚未证明；foundation 许可是开放的，战场在方法适配。

Q64：器官上下文可以用别的分割器吗？
可以——totseg_24 只是现成选项；自训器官模型/其他工具输出均可；关键在器官先验进入网络的接口设计。

Q65：本条目最重要的一个提醒？
AUC 优化而非终点优化——训练策略的每个选择（课程/架构/后处理）都要问"零交互表现如何？每步增益斜率如何？"——这是 V 与前四届的根本差异。

§10 总结：从"全自动"到"人机协作"的评估范式转折

autoPET V 的核心贡献不在数据（主库与 IV 同源）也不在规模（1,611+100 例在挑战赛界非最大），而在评估哲学的转向：AUC-Dice+AUC-DMM 把"交互效率"从叙事变成可排名的数字——模型被要求"零交互时就可用，且每一点人类投入都高效兑现"，这与 CHIMERA 的"变量随机化压力测试"异曲同工：两个 2026 挑战赛都在惩罚"依赖理想条件"的模型。五库全家福（TCIA+FDAT+Zenodo 三载体冗余）+资质分级标注+交叉中心测试的设计，使本条目成为 GC 五连中"训练侧 AI-Ready 度"最高的条目（DAIMS 7.7）。系列五届的 frontier 命名谱系则示范了挑战赛品牌资产的管理学——每届一个 frontier，演化路径自我讲述。对 AI-Ready 数据集评估的启示：交互型数据资产的评估必须包含"交互协议本身的公开度"——涂擦模拟脚本公开而临床涂擦集不公开的双面性，是这类数据独有的可复现性结构。

附录 AO：决赛阶段提交策略备忘（Final test 窗口）

AO.1 提交前自检清单（十项）

容器本地跑通 test/ 链路（MHA 输入输出）
零交互基线 Dice 达标（对照 IV 论文 0.79 unified 量级）
随机课程已启用（k∈[0,10] 均匀采样）——防零交互崩塌
器官监督开启（FPV 抑制）
tracer 路由就绪（分类器或双分支）
实例后处理（小连通域过滤——DMM 增益）
SUV 单位校验（PET 通道预处理）
spacing 元数据保真（NIfTI→MHA 桥）
推理时延预算（GC 配额内——滑窗/缓存优化）
双赛道自测（固定步+可变步鲁棒）

AO.2 成绩预期管理

Preliminary 榜单是校准器（本地-线上偏差的主要观测点）
Final 与 Preliminary 中心分布不同（newly harmonized 队列）——分数漂移正常
双指标排名的博弈：DMM 侧的实例级优化（后处理）与 Dice 侧的体素优化（网络）分离推进

AO.3 赛后数据资产跟踪清单

[ ] Final 榜单（分割+检测+效率三维分布）
[ ] MICCAI 2026 现场 slide（10-03/09）
[ ] journal summary paper（11 月起起草）
[ ] Cat 2 临床涂擦资产发布与否（AJ 检查项 8 的补位观察）
[ ] 库内 468 条目的系列注记更新（若官方发布五届数据终版）

（完）

本条目为千方病案医数集 GC 五连第四发。数据以 autoPET V 官方页面（autopet-v.grand-challenge.org）、autopet.org、GitHub lab-midas/autoPETV、Zenodo 15281784、TCIA DOI 与 arXiv 2509.02402/2608.30844 为准，抓取时点 2026-09-25。库内前作 rid 468（AutoPET I/II）与本条构成系列互链。

附录 AP：本条目存证链（方法论要求）

事实组	存证信源	抓取时点
任务/双赛制/评估	autopet-v GC task+evaluation 页	2026-09-25
数据五库/DOI/标注矩阵	GC datasets 页+GitHub README+Zenodo 15281784	2026-09-25
组织团队/奖金	organization 页+Küstner 领英×2	2026-09-25
系列谱系/frontier 命名	autopet.org 官网	2026-09-25
IV 数据口径/课程实证	arXiv 2509.02402（清华参赛论文）	2026-09-25
参赛方法两案例	arXiv 2608.30844（TRIAGE）+智源转载	2026-09-25
时间线/参与度	GC timeline 页+GC 动态+Summer Newsletter	2026-09-25

补充说明：本条目五届谱系表（附录 E）与五库数据字典（附录 A）构成挑战赛系列条目的双索引结构——后续若 autoPET VI 发布，按附录 O 的续作方法论直接续写。