BIC-MAC Challenge — 全身 PET/MR 无 CT 衰减校正的跨模态伪 CT 合成挑战赛

INFOBOX — BIC-MAC 一屏速览

维度	内容
本质	MICCAI 2026 挑战赛：从 NAC-PET、DIXON MRI、2D 定位像合成全身伪 CT，实现无 CT 的 PET 衰减校正
全称	Big Cross-Modal Attenuation Correction Challenge（大型跨模态衰减校正挑战赛）
任务	输入 NAC-PET + DIXON MRI（in/out phase）+ 2D topogram → 输出全身伪 CT（Hounsfield Units, NIfTI）
数据	99 名健康被试：20 test + 75 train + 4 val；公开于 HF 79 = 8 full + 67 no-recon + 4 val
体量	全量 643 GB（含 sinogram）｜无 sinogram 45 GB｜单被试 sinogram 约 50 GB
规格	tensor 512×512×531，voxel 1.52×1.52×2.00 mm³（除 pet-label 外重采样到 CT 网格）
评估	四指标（lower-is-better）：CT μ-map MAE、SUV MAE、organ bias、brain-outlier score；最终排名取各指标名次均值
引擎	固定重建流水线基于 STIR；CT 指标按 Carney 双线性 HU→μ 转换
基线	主办方 patch-based 3D U-Net（src/baseline/）
时间线	2026-04 数据政策与重建公式更新｜2026-08 参与队论文挂 arXiv｜2026-09-27 MICCAI 2026 收官，挑战赛已结束
获取	HF DEPICT-RH/BIC-MAC（注册官网）；更完整版 CC-BY 4.0
库内互链	SynthRAD（合成 CT 首推）、CrossMoDA 2023、AutoPET III、Learn2Reg

BIC-MAC 是一个"让 PET 影像摆脱 CT 依赖"的挑战赛：PET 重建要在 511 keV 做衰减校正，传统 PET/CT 直接拿 CT 当衰减图，而 PET/MR 没有 CT——必须凭空合成一张伪 CT。BIC-MAC 把这件事拉到全身尺度，用非衰减校正 PET（NAC-PET）、DIXON MRI 和一张 2D 定位像三种模态，逼出全身 3D 伪 CT，并且不只比"伪 CT 像不像真 CT"，还要把它送进真实的 STIR 重建流水线，看重建出来的 PET 落到多少个 SUV 单位误差。它的核心张力在于：三种输入模态各有缺陷（PET 几何可信但解剖细节有限、定位像对齐但无深度、MRI 解剖对比好但局部未配准），参赛者必须在"可靠性不一致"的异构模态之间做融合决策。

导语读法三则：

1. 只想下数据 / 入门：直奔 §6 获取与许可——注意原始挑战赛数据需注册，更完整版才是 CC-BY 4.0，别混。
2. 想复现评估 / 理解指标：直奔 §4 评估体系——Carney 双线性与 4 mm 平滑两条流水线性质决定了什么误差能被看见。
3. 想跟方法学前沿：直奔 §5 与 §7——“损失比架构重要”“μ 空间优化”"多模型凸融合"是本届挑战赛的方法学共识。

§0 导读：这个数据集解决什么问题

PET 成像是核医学的功能分子影像主力，能显示代谢、受体、血流等生理过程，但它的定量成像有一个物理前提：必须做衰减校正（attenuation correction）。511 keV 的湮灭光子从体内射出时会被人组织吸收，如果不校正，深部器官的信号会被系统性低估，SUV（standardized uptake value）这个临床量化指标就不可信。传统 PET/CT 的解法很直接——CT 本身就是一张反映组织密度的图，把 CT 的 Hounsfield Unit（HU，亨氏单位）经双线性模型转成 511 keV 下的线性衰减系数 μ，就得到衰减图。问题出在 PET/MR：MRI 的像素强度与组织密度没有稳定映射，X 射线根本不参与成像，于是衰减图必须"估计"而非"测量"。

BIC-MAC 挑战赛瞄准的正是 PET/MR 这条路线。它把问题定义为：给定一名被试的非衰减校正 PET（NAC-PET，注意 NAC 本身就是"没有衰减校正"的 PET，因此它保留了衰减造成的失真，反而携带了部分密度信息）、一对 DIXON MRI（in-phase 与 out-of-phase，反映水脂分离对比）和一张 2D 定位像（topogram，类似 CT 扫描前的 scout 投影），合成一张全身 3D 伪 CT（pseudo-CT，单位为 HU）。这张伪 CT 一旦足够准，就能顶替真实 CT 完成衰减校正，让 PET/MR 做到"无 CT 的 PET 重建"（CT-less PET reconstruction）。

这个任务的难点不在单点精度，而在跨模态的可靠性错配：三种输入各有各的不可靠——NAC-PET 与目标网格天然对齐、几何最可信，但缺乏解剖细节；topogram 提供对齐的投影，却没有深度信息（一张 2D 图撑不起 3D 体积）；DIXON MRI 解剖对比最丰富，却可能与 PET 存在局部错位。参赛者必须在一个"可信度不均"的坐标里做融合：是信任几何、信任投影、还是信任解剖对比？BIC-MAC 用一套固定的评估流水线把这个问题逼成可量化的分数，这也是它区别于普通"合成 CT 数据集"的核心价值。

§0 读法三则：

1. 这个条目是"挑战赛 + 数据集 + 固定评估流水线"三合一：数据是 99 名被试的多模态影像，赛制是 CodaBench 提交，评估是内嵌 STIR 重建的闭环——三者必须一起理解（§3、§4、§6）。
2. 全文数字均出自 HF dataset card、GitHub codebase README 与官网/参与者论文三源；规模口径（99/20/75/4 vs 8/67/4）已在坑 2 存照，二者是同一叙事两种切法。
3. 检索时注意"BIC-MAC"是挑战赛名不是模型名；参与队伍的方法论文才是可引的技术来源（§7），官方 organizers 综述论文本轮未检索到（疑点 3）。

§1 数据集速览：十问十答

Q1：BIC-MAC 是什么？
BIC-MAC = Big Cross-Modal Attenuation Correction Challenge（大型跨模态衰减校正挑战赛），是一个 MICCAI 2026 医学影像挑战赛，配套发布 99 名健康被试的多模态 PET/MR 数据集。任务是合成全身伪 CT 以实现无 CT 的 PET 衰减校正。

Q2："衰减校正"为什么要合成伪 CT？
PET 定量成像必须校正 511 keV 光子的组织吸收，传统 PET/CT 直接用 CT 生成衰减图，而 PET/MR 没有 CT，只能从 PET、MRI、定位像等模态估计一张伪 CT 来充当衰减图。

Q3：输入是什么？输出是什么？
输入三种模态：NAC-PET（非衰减校正 PET）、DIXON MRI（in/out phase）、2D 定位像（topogram），另加人口学信息（demographics）。输出是一个全身 3D 伪 CT 体积，NIfTI 格式，单位为 Hounsfield Units。

Q4：数据集多大？
99 名健康被试。其中 20 名保留为测试集（无标签），剩余 79 名公开于 HuggingFace：8 名完整（features + CT 标签 + 重建 + PET 标签）、67 名无重建（features + CT 标签）、4 名验证（features + 重建，无标签）。全量下载 643 GB。

Q5：为什么有两个下载体积（643 GB / 45 GB）？
sinogram（正弦图，PET 重建的原始投影数据）占了数据集约 93% 的体积。若只做伪 CT 合成训练，NIfTI 文件就够了，可用 --exclude "/recon/" 只下 45 GB；只有在本地跑重建、算 PET 指标时才需要 sinogram。

Q6：怎么评估？
双路径四指标（全部越低越好）：① CT 精度——伪 CT 直接比对真 CT 的 μ-map MAE（先按 Carney 双线性模型把 HU 转成 μ）；② PET 精度——伪 CT 送进 STIR 重建得 AC-PET，比对真 PET 的 SUV MAE、organ bias、brain-outlier score。最终排名取四个指标各自名次的平均值。

Q7：主办方提供什么基线？
一个 patch-based 3D U-Net 伪 CT 基线模型，位于代码库 src/baseline/，配 Docker 化的重建与评估流水线，供参赛者对标。

Q8：挑战赛结束了吗？
已结束。官网显示 “The challenge has concluded.”，Final Leaderboard 已公布。颁奖 session 在 MICCAI 2026（Strasbourg，2026-09-27）举行。

Q9：现在的数据能拿到什么许可？
两个版本两套规则：原始挑战赛数据（HF DEPICT-RH/BIC-MAC）需注册官网获取访问；官网披露的更完整版本（含 dynamic PET 与额外 brain MRI）按 CC-BY 4.0 发布。

Q10：为什么它对 AI-Ready 重要？
它是"挑战赛即 AI-Ready 流水线"的样本：数据 + 固定 Docker 重建 + CodaBench 在线评估三位一体，参赛者同一套容器本地/云端跑出可比分数；同时它的固定流水线（Carney 双线性 + 4 mm 平滑）本身就构成一个"什么误差可见、什么不可见"的透明评估契约。

§2 数据构成与规格

2.1 规模、来源与拆分

BIC-MAC 数据集包含 99 名健康志愿者（healthy volunteers）的全身 PET/MR/CT 配对研究。数据按挑战赛用途切分为三部分：

split	被试数	内容	是否公开
test（官方测试集）	20	无标签（保留用于最终评判）	否
train/ (full)	8	features + ct-label + recon + pet-label	是（HF）
train/ (no recon)	67	features + ct-label	是（HF）
val/	4	features + recon（无标签）	是（HF）
合计	99	—	公开 79

公开于 HuggingFace 的 79 名被试 = 8（full）+ 67（no-recon）+ 4（val）。这里有一处规模口径存照（坑 2）：HF dataset card 页顶写 “99 healthy volunteers (20 test, 75 train, 4 validation)”，而 GitHub codebase README 写 “99 subject-unique studies, 20 reserved for testing, remaining 79 … split as 8 full + 67 no-recon + 4 val”。两者并不矛盾——75 train = 8 full + 67 no-recon，只是"按是否有标签"与"按是否有重建数据"两种切法的差异。引用时用总数 99 + 明细 8/67/4 最稳妥。

关键含义：公开可得且带 CT 标签的被试实际只有 75 名（8 + 67）；4 名 val 有重建数据但无标签；20 名 test 既不公开也无标签。若要做闭环的 PET 端监督训练，能用 pet-label/ 的只有 8 名 full。

2.2 每名被试的目录结构

GitHub codebase README 给出的标准结构（以 train/sub-000/ 为例）：

train/
└── sub-000/
    ├── features/          # 模型可用的输入
    │   ├── nacpet.nii.gz                 # 非衰减校正 PET
    │   ├── topogram.nii.gz               # 2D 定位像（scout X-ray）
    │   ├── mri_chunk_{0-3}_{in/out}_phase.nii.gz   # DIXON MRI 分段（0-3）× 相位
    │   ├── mri_combined_{in/out}_phase.nii.gz      # 拼接后的全身 MRI
    │   ├── mri_face_mask.nii             # 面部掩膜
    │   └── demographics/                 # 人口学信息
    ├── ct-label/          # CT 目标
    │   ├── ct.nii.gz                     # ground-truth CT（HU）
    │   └── （body / organ / face 分割）
    ├── pet-label/         # PET 目标（仅 train full 8 有）
    │   ├── pet.nii.gz                    # ground-truth AC-PET
    │   └── （body / organ 分割）
    └── recon/             # 重建数据（仅 12 被试有）
        └── （STIR sinogram + 重建元数据）

四个文件夹各有明确角色：features/ 是推理时全部可用输入；ct-label/ 是伪 CT 的直接监督目标与评估基准；pet-label/ 是下游 AC-PET 的下标；recon/ 是本地跑重建、算 PET 指标的必需件。

2.3 图像规格与重采样

除 pet-label/ 外，全部图像被重采样到 label CT 图像网格：

属性	规格
tensor 尺寸	512 × 512 × 531
voxel 尺寸	1.52 × 1.52 × 2.00 mm³
格式	NIfTI（.nii.gz）
空间对齐	各模态向 label CT 网格重采样；但 DIXON MRI 仍可能存在局部未配准

这条规格说明很重要：它意味着参赛者的模型输入已经是统一网格——大部分刚性对齐由主办方完成，剩下的错位是"局部非刚性误差"，正是挑战标题里 cross-modal（跨模态）的含义。DIXON MRI 在参与者论文中被反复描述为 “may be locally misaligned”（可能局部错位），而"未配准的 DIXON MRI 只有在 μ 空间损失就位后才作为额外输入通道有用"（§5）——这条方法论教训直接源于 2.3 的规格事实。

2.4 体量与存储门槛

版本	体积	用途
全量（含 sinogram）	643 GB	完整研究，含本地重建
无 sinogram（--exclude "/recon/"）	45 GB	仅训练伪 CT 合成模型
单被试 sinogram	约 50 GB	需要个别被试的重建数据时按需拉取

sinogram 占数据集约 93% 的体积，这是 PET 原始投影数据的固有特征（每个角度的投影构成庞大矩阵）。对有 recon 数据的 12 名被试（train: sub-000/001/002/005/006/008/013/014；val: sub-004/009/010/018），sinogram 可单独下载。工程含义：45 GB 就能起步做伪 CT 合成，但要做闭环 PET 评估，本地存储与算力需求陡增。

2.5 模态构成表

模态	文件	维度	在任务中的角色
NAC-PET	nacpet.nii.gz	3D	几何锚点：跟随目标网格，但解剖细节有限
DIXON MRI	mri_chunk_{0-3}_{in/out}_phase.nii.gz	3D × 8	解剖对比：提供软组织/水脂对比，但可能局部错位
2D 定位像	topogram.nii.gz	2D	对齐投影：几何对齐但无深度信息
人口学	demographics/	标量	患者先验：可用于条件化
CT 标签	ct-label/ct.nii.gz	3D	直接监督目标 + CT 指标基准
PET 标签	pet-label/pet.nii.gz	3D	下游重建目标（仅 8 被试）
sinogram	recon/	投影域	本地重建（仅 12 被试）

三种输入模态天然维度不一（2D 与 3D 混用）、坐标系错配（PET/CT 网格 vs MRI vs 投影），这是 BIC-MAC 相对常规"同模态超分"任务的本质难度，也是 §3 任务定义里"跨模态融合"的方法学核心。

§3 任务定义与挑战赛机制

3.1 一句话任务

给定一名被试的 NAC-PET、DIXON MRI、2D 定位像（+ demographics），合成一张全身 3D 伪 CT（HU），使它在 CT 空间与下游 PET 重建空间都尽可能接近真值。

形式化（与会者论文口径一致）：设 P_NAC 为 NAC-PET 体积，T 为 2D 定位像，M_in 与 M_out 为 DIXON in/out-phase MRI，模型 f_θ 输出全身伪 CT：

Ĉ = f_θ(P_NAC, T, M_in, M_out, c_y, c_z)

其中 c_y、c_z 是绝对坐标条件（absolute positional conditioning），用于支撑基于 patch 的全身一致预测——因为全身体积超出显存，模型必须分 patch 预测，而绝对坐标能保证 patch 拼接后在解剖上连续（§5 GeoPACT 与 FiLM 条件的方法学要点）。

3.2 挑战赛机制

环节	内容
注册	官网 bic-mac-challenge.github.io 注册，50+ 团队 / 20+ 国家
奖池	€1,000
提交平台	CodaBench（在线评测 + leaderboard）
本地评测	Docker 容器 ghcr.io/bic-mac-challenge/recon:latest + src/evaluation/
分阶段	validation → dry-run → final submission 三阶段
收官	MICCAI 2026, Strasbourg, 2026-09-27 8:00-10:00 AM, Room Berlin

挑战赛的核心工程契约是 Docker 打包：参赛者把模型（含预处理与推理）容器化，评测方在固定重建容器里跑分。这保证了"同一份数据、同一套重建、同一套指标"，是挑战赛分数可比的前提。

3.3 参赛队方法地图（7 个 team oral）

MICCAI session 议程列出 7 个口头报告，代表本届挑战赛的方法学光谱：

队名 / 方法	核心思路
A Two-Stage Pretrained Body Network and a Dedicated Head Generator	全身分两阶段，头部单设生成器（头面部结构独特）
MACT: Multimodal Attenuation-Aware Pseudo-CT Synthesis	衰减感知的多模态合成
Multimodal Pseudo-CT Synthesis using Separate Modality Encoding and Topogram Conditioning	PET/MR 分编码器 + FiLM 定位像条件（arXiv:2608.21481）
Topogram-Gater Multi-Modal Pseudo-CT Synthesis	定位像门控融合
Regional Specialist Selection for Pseudo-CT Generation	按解剖区域选专家模型
Geometry-Anchored PET-Aware Multimodal Pseudo-CT Synthesis（GeoPACT）	几何锚定 + PET 感知（arXiv:2609.27848）
Region-Weighted Losses and Model Fusion	区域加权损失 + 模型融合（arXiv:2608.21881）

3.4 三条跨队方法学共识

读这 7 个方法，能提炼出本届挑战赛反复出现的三条经验：

1. 损失比架构重要。多个队（GeoPACT、Region-Weighted）都强调，相比换 backbone，把损失放到正确的度量空间带来的增益更大。Region-Weighted 队原文措辞：“The loss matters more than the architecture”——它把 L1 误差放到 CT 指标所用的 Carney μ 空间里并做解剖区域加权。
2. 几何锚定 = 用 NAC-PET 定坐标。GeoPACT 用 NAC-PET 作为空间参考，只把 topogram 与 MRI 特征经门控残差融合进来——因为 NAC-PET 虽细节少，却与目标网格天然对齐，是三种模态里几何最可信的。
3. 多模型凸融合有稳定增益。Region-Weighted 队把两个独立训练的模型做固定凸组合，四项指标中三项优于任一成员，最终在公开验证榜综合第一（mean rank 3.50 / 26 次提交）。

3.5 与"合成 CT"近邻任务的边界

BIC-MAC 常与另一类"合成 CT"任务并列，但边界清晰：

任务	输入	输出	目的
SynthRAD2023（库内 rid 671）	MRI / CBCT	CT	放疗剂量计算
CrossMoDA（库内 rid 684）	MRI（T1/T2）	CT 样图像	分割域适应
BIC-MAC	NAC-PET + DIXON MRI + 2D 定位像	全身伪 CT	PET 衰减校正

区别有三：其一，BIC-MAC 是全身尺度（不是局部器官）；其二，输入是三模态且含 PET 与投影；其三，评估闭环到 PET 重建指标，不止看 CT 像不像。这三点使它成为"合成 CT"赛道里离临床 PET 定量最近的一支（§8）。

3.6 全身体积的工程难点

全身 PET/MR 的物理尺度决定了 BIC-MAC 的工程门槛远高于单器官合成任务。一次全身扫描纵向覆盖可达 1 米以上，配合 512×512×531 的目标网格，单个体积的体素数量达 1.4 亿级（512×512×531 ≈ 1.39 × 10⁸）。这个数量级带来三重约束：

1. 显存约束：3D U-Net 无法一次吞下全身体积，必须 patch 化（分块预测 + 拼接）。主办方基线就是 patch-based 3D U-Net。
2. 拼接一致性约束：分块预测的相邻 patch 若只依赖局部上下文，接缝处会出现解剖不连续。解法是给每个 patch 提供绝对坐标条件（c_y, c_z，甚至三维坐标），让模型知道"这块在身体的哪个位置"。
3. 解剖异质性约束：全身跨越脑、胸、腹、盆、四肢，各区域的密度分布与结构尺度差异极大（脑组织软组织为主、胸部含大量气-骨界面、盆部含髋骨）。单一模型难以兼顾，于是出现"分区专家"（Regional Specialist Selection）这类思路——按解剖区域选不同模型或分支。

这三点解释了为什么本届 7 个 oral 里有多个方案围绕"分阶段"“分区域”"分模态"展开——全身尺度天然逼出"分工"式的架构设计。

3.7 与 MONAI 生态的关系

BIC-MAC 的实现栈高度贴合医学影像 AI 的通用生态：数据是 NIfTI（医学影像事实标准格式），分割评估用到 TotalSegmentator（库内 rid 422，全身器官分割的通用工具），重建用 STIR（开源 PET 重建包），评估封装为 Docker。参赛者通常用 MONAI / PyTorch 构建 3D U-Net 变体。这意味着入行门槛主要不在框架（都是主流工具），而在全身 3D 数据的显存管理与重建物理的理解——后者恰恰是普通视觉研究者最陌生的部分，也是 BIC-MAC 相对"纯视觉合成任务"的独特训练价值。

对选用者的提示：若团队只熟悉 2D 图像或单体素分类，BIC-MAC 的学习曲线会集中在"3D patch 训练 + 重建指标闭环"两块；若团队有医学物理背景（理解 μ、SUV、正弦图），则主要补齐深度学习工程能力。这决定了 BIC-MAC 是"跨学科协作"型任务，而非"纯 AI 竞赛"。

§4 评估体系：固定流水线如何定义"好"

4.1 双路径四指标

BIC-MAC 的评估分两条路径，共四个指标，全部 lower-is-better：

路径	指标	定义	度量空间
CT 精度	μ-map MAE	伪 CT 直接比对真 CT 的全身平均绝对误差	Carney μ 空间（HU 先转 μ）
PET 精度	SUV MAE	伪 CT 重建出的 AC-PET 比对真 PET 的全身 SUV 误差	全身
PET 精度	organ bias	器官层面的系统性偏倚	器官 ROI
PET 精度	brain-outlier score	数据集级的脑区离群分	脑区

最终排名不是指标均值的平均，而是各指标名次（rank）的平均（“The final ranking is the mean of the per-metric ranks rather than the mean of the metrics themselves”）。这个设计选择很关键：四个指标量纲与数值范围差异极大（MAE vs score），若直接平均会被大数值指标主导；改用名次平均，等于让每个指标"一人一票"。对参赛者的含义：不能靠刷单一指标取胜，必须在四条战线都进入前列。

4.2 固定流水线的两条硬性质

CT 指标在 Carney 双线性模型 的 μ 空间里计算。Carney 模型把 HU 分段线性映射到 511 keV 下的线性衰减系数 μ，其关键性质（参与者论文复现口径）：

• 拐点约在 47 HU；
• 拐点以下（软组织）的斜率约 9.6 × 10⁻⁵ cm⁻¹·HU⁻¹，拐点以上（骨）约 5.1 × 10⁻⁵ cm⁻¹·HU⁻¹；
• 故下段斜率约为上段的 1.88 倍。

因此同一 HU 误差在软组织代价约为骨的 1.88 倍。这解释了两个方法学后果：其一，为什么队伍坚持在 μ 空间而非 HU 空间优化损失——损失空间与指标空间必须对齐，否则模型会去优化指标不敏感的方向；其二，为什么要在损失里做解剖区域加权——软组织误差本就"更贵"。

PET 路径的固定重建流水线基于 STIR，其关键性质是：在把 μ-map 前向投影之前，先用 4 mm FWHM 的高斯核做平滑。这抹平了肋骨与椎体的尖峰——而它们恰好承载了胸部切片的大部分精细结构。结论是：

细于约 4 mm 的伪 CT 细节，对三个 AC-PET 指标"不可见"，只有 CT 指标（μ-map MAE）能直接看到。

这条性质是理解 BIC-MAC 评估哲学的钥匙：存在一个分辨率阈值，低于它的努力对下游 PET 指标白费。它也为参赛者划定了优化重心——高分辨率的骨骼细节对 CT 指标有用，但对 PET 指标意义有限；反过来，软组织的低频偏差对两条路径都重要。

4.3 评估流水线的可复现契约

评估流水线以 Docker 镜像形式分发，构成一个明确的可复现契约：

# 报名后拉取官方重建镜像（固定版本）
docker pull ghcr.io/bic-mac-challenge/recon:latest

• 本地可跑：参赛者用 src/evaluation/ 在本地算全部四指标，复现榜单分数；
• 云端对齐：最终提交在 CodaBench 上以同一镜像评分，保证本地分与榜上分一致；
• 版本钉死：2026-04-08 的 Carney 公式 bug 修复明确要求 docker pull ... latest + git pull——说明评估逻辑有版本，历史分数可能因公式修正而漂移。

这三点合起来，BIC-MAC 的评估不是"交上去等一个分数"，而是一套参赛者本地可完全复现的评分机器。这在医学挑战赛里是较高标准的工程实践，也是本条目"AI-Ready"评分的重要加分项（§6.3）。

4.4 评分口径的两处工程细节

1. 8 张 ground truth PET 在 2026-04-08 被更新。这意味着 2026-04-08 之前的 PET 端分数与之后不可直接比较。引用早期榜单数据时必须注明时点。
2. validation 集无标签，靠 CodaBench 在线评分。4 名 val 被试只有 recon/ 而无 ct-label/ 与 pet-label/，因此本地无法算分，只能提交预测到 CodaBench 取回 live metrics——这是"公开数据（train）+ 隐藏评判（val/test）"的标准挑战赛防作弊结构。

4.5 读这组指标的三条守则

1. 别只看 μ-map MAE。它是唯一"全分辨率可见"的指标，因而最容易被刷高，但对临床真正关心的 PET 定量贡献有限。综合排名用名次平均，正是在防这个偏。
2. 别忽视 4 mm 阈值。任何声称"伪 CT 细节极锐利"的增益，若不能被 STIR 重建看见，对三个 PET 指标就是零收益。评估设计已经把这层筛选预先做掉了。
3. 别跨版本比分数。Carney 公式修正（2026-04-08）与 PET ground-truth 更新同时发生，前后榜单不可直接对比。

§5 方法学前沿：本届挑战赛的三条经验

5.1 损失设计：在指标空间里优化

Region-Weighted Losses 队（Ghent University）的核心主张是"loss matters more than the architecture"。它给出的具体做法：

• 在 Carney μ 空间算 L1，而非 HU 空间——因为 CT 指标本身就在 μ 空间；
• 按解剖区域加权：w_v = max(1, λ_bone, λ_brain, λ_organ)，对骨、脑、器官设不同权重，以回应 $\mu$ 空间指标的敏感度差异（软组织误差 1.88 倍代价）；
• 叠加梯度损失（保边缘锐度）、解剖感知损失（用冻结的 TotalSegmentator 保器官一致性）、归一化梯度场损失（NGF，对齐软组织边界，注入 MRI 结构先验但不需要精确配准）、LOR（Line of Response）损失（沿横向响应线积分 μ 差，模拟 PET 物理重建）。

作者给出的一个反直觉发现：未配准的 DIXON MRI 只有在 μ 空间损失就位之后，才作为额外输入通道有用。换言之，输入模态的有效性依赖于损失函数的正确性——这修正了"堆更多模态总没坏处"的朴素直觉。

5.2 几何锚定：用最可信的模态定坐标

GeoPACT 队（VNU-HCM + University of New Brunswick）提出**几何锚定（geometry-anchored）框架：以 NAC-PET 作空间参考，把 topogram 与 DIXON MRI 特征经门控残差融合（gated residual fusion）**并入。理由直白：

• NAC-PET 与目标网格天然对齐 → 用它定坐标最稳；
• topogram 对齐但无深度 → 只作为补充；
• MRI 解剖对比好但可能错位 → 用门控机制"按需采纳"，而非无条件拼接。

同时用绝对坐标 + 全身条件化支撑 patch 预测的解剖一致性，并用可微的 PET 响应代理（differentiable PET-response surrogate）联合训练，使误差与下游重建指标相关。分块推理（sliding-window）出全分辨率伪 CT，测试时无需 CT 或 PET 标签。

另一队（arXiv:2608.21481）走的是分模态编码路线：PET 与 MR 各设独立编码器，用 FiLM 做定位像条件化，同样强调"降低对体素级精确对应的依赖"——与几何锚定异曲同工：都承认模态间存在配准误差，用架构而非预处理去消化它。

5.3 多模型凸融合：用误差的独立性换增益

Region-Weighted 队的收官手段是固定凸组合：

CT_fused = Σ α_i · CT_i

把两个独立训练的模型（一个优化边界对齐、一个优化全局 AC-PET 指标）在 HU 空间平均。作者认为两个模型失败模式互补（complementary failure modes），融合后 SUV MAE、organ bias、brain-outlier 三项均提升，最终公开验证榜综合第一（mean rank 3.50 / 26 次提交）。这条经验是"集成学习在图像回归任务上仍有效"的又一实证，且其收益不需要额外训练——只是把已有模型线性组合。

5.4 三条经验的可迁移性

经验	适用范围	前提条件
在指标空间优化损失	任何"下游用数值指标评测"的回归任务	指标可微或可近似
几何锚定融合	多模态且模态间存在配准误差	有一模态几何可信
多模型凸融合	有多个独立训练且失败模式互补的模型	误差不完全相关

这三条不是 BIC-MAC 独有，但它在全身尺度 + 三模态 + 闭环 PET 指标的严苛条件下把它们同时逼了出来，因此成为可迁移性较强的实证样本。

5.5 五条损失项的解剖

Region-Weighted 队给出的损失组合是本届最完整的"工程配方"，值得逐项拆解以理解设计意图：

损失项	作用	解决的痛点
L1 in μ-space（区域加权）	主监督，对齐指标空间	指标在 μ 空间，HU 空间优化会错位
L_grad（梯度损失）	保边缘锐度	平滑损失易糊边缘
L_AnPer（解剖感知）	冻结 TotalSegmentator 保器官一致	单纯像素损失不管器官语义
L_NGF（归一化梯度场）	对齐软组织边界	MRI 未精确配准仍要注入结构先验
L_LOR（响应线）	沿横向响应线积分 μ 差	模拟 PET 物理重建过程

五项的组合逻辑清晰：主损失负责"对准指标"，其余四项分别处理边缘、语义、配准、物理。其中 L_NGF 尤其巧妙——它用"梯度场方向对齐"替代"像素级配准"，绕开了 MRI 与 PET 局部错位的难题；L_LOR 则把 PET 重建的物理直觉（光子沿响应线累积衰减）写进损失，直接优化与下游指标相关的误差。

这套配方的方法论意义在于：当评估有多条异构指标（CT 空间 + PET 空间）时，损失也应是多目标的，而非单一大损失。Region-Weighted 队的实证是"loss matters more than the architecture"的具体展开——同样的 backbone，换损失函数的收益超过换架构。

5.6 从"合成像"到"合成可用影像"的范式

BIC-MAC 与众多超分/合成任务的分野，在于它追求的不是"视觉上像"，而是"在固定物理流水线里可用"。这一转向有三个可识别的标志：

1. 指标在物理空间：CT 指标不是像素 MSE，而是 μ 空间 MAE（Carney 转换后），直接对应衰减物理。
2. 闭环到下游任务：核心指标（SUV、organ bias）来自把伪 CT 送进 STIR 重建后的产物——伪 CT 只是中间品。
3. 分辨率阈值被显式声明：4 mm 高斯平滑意味着"太细的努力白费"，评估方直接告诉参赛者优化重心在哪。

这种"任务导向的评估"是医学影像 AI 近年的一条主线：从"图像相似度"转向"临床任务表现"。BIC-MAC 是这条主线在 PET 衰减校正上的完整体现，也为其他"中间产物驱动"的任务（如去金属伪影、低剂量 CT 增强）提供了评估设计模板。

5.7 参与队方法的横向对比

把三篇公开方法论文放在一张表里对照，能看清本届方法光谱的分化：

维度	Region-Weighted (2608.21881)	GeoPACT (2609.27848)	Separate Encoding (2608.21481)
backbone	3D U-Net (MuNet) + 注意力门	几何锚定框架	分模态 3D U-Net
核心主张	损失比架构重要	用最可信模态定几何	降低对体素对应的依赖
融合方式	输入通道拼接 + 凸融合	门控残差融合	分编码器 + FiLM 条件
优化空间	Carney μ 空间	衰减空间 + PET 代理	像素空间
命名模型	MuNet2/MuNet4	GeoPACT	—
榜上表现	公开验证榜综合第一	未在抓取中获取	未在抓取中获取

三条路线殊途同归于一个共识：跨模态的核心矛盾是"配准不可靠"，而非"特征不可融合"。区别只在于——Region-Weighted 用损失绕开、GeoPACT 用门控消化、Separate Encoding 用架构解耦。

§6 获取与许可：注册墙与 CC-BY 双版本

6.1 资产清单与门

资产	入口	许可	门槛
原始挑战赛数据集（79 被试，HF）	DEPICT-RH/BIC-MAC（HuggingFace）	需注册挑战赛官网获取访问	注册制
更完整版本（dynamic PET + brain MRI）	官网披露的发布渠道	CC-BY 4.0	见发布说明
代码库	GitHub bic-mac-challenge/challenge-codebase	见 repo	公开
重建 Docker	ghcr.io/bic-mac-challenge/recon:latest	见 repo	公开
提交 / 排行榜	CodaBench	—	注册

HF dataset card 首行明确：“To access this dataset, please register at http://bic-mac-challenge.github.io/**“——即原始挑战赛数据不是无条件开放下载，需先注册挑战赛。而官网披露：”**A more complete version of the dataset, with dynamic PET and additional brain MRI, has now been released under CC-BY 4.0.”——两个版本两套规则（坑 1）。

6.2 下载命令（HF card 原文）

# 全量下载（643 GB，含 sinogram）
hf download DEPICT-RH/BIC-MAC \
  --repo-type dataset \
  --local-dir ./bic-mac-data

# 无 sinogram（45 GB，仅 NIfTI，供伪 CT 合成训练）
hf download DEPICT-RH/BIC-MAC \
  --repo-type dataset \
  --local-dir ./bic-mac-data \
  --exclude "/recon/"

# 单被试 sinogram（约 50 GB，按需）
hf download DEPICT-RH/BIC-MAC \
  --repo-type dataset \
  --local-dir ./bic-mac-data \
  --include "train/sub-000/recon/*"

三种下载粒度对应三种用途：全量用于完整研究；无 sinogram 用于仅训练伪 CT 模型；单被试 sinogram 用于个别重建。入门建议走 45 GB 版——足以跑通伪 CT 合成训练，不必一上来就吞 643 GB。

6.3 AI-Ready 评估

以库内 AI-Ready 检查单过一遍：

• 机器可读元数据：HF dataset card 提供完整目录结构与拆分；GitHub codebase 有 docs/rules.md、docs/data-background.md、docs/reconstruction.md 等结构化文档——良好。
• 公开直链：原始数据需注册（非直链）——AI-Ready 主要失分项；代码库与 Docker 公开直链，补上工程入口。
• 许可明确性：原始挑战赛数据的许可条款细节未在公开页明文完整披露（疑点 4）；更完整版明确 CC-BY 4.0。两个版本两套许可，使用者须先确定自己用哪版。
• 可复现性：强项——固定 Docker 重建 + 本地可复现的四指标 + CodaBench 对齐，构成完整评分机器（§4.3）。
• 文档自洽：规模口径有一处需对齐（坑 2），Carney 公式有版本修正（2026-04-08），均为可登记的正常迭代。

综合：AI-Ready 等级"中偏上"——工程契约（Docker + 本地复现 + 在线榜）质量高于多数挑战赛，可获取性被注册墙拖低；CC-BY 4.0 的更完整版是重要补偿。

6.4 与库内可获取性光谱的对照

档位	库内参照	本条目对应
注册墙	少量老条目	原始挑战赛数据（HF 需注册）
Docker 化挑战赛	少量	BIC-MAC（本地重建+评估全 Docker 化）
公开直链	多数 HF/Zenodo 型	更完整版（CC-BY 4.0）+ 代码库 + 重建镜像

特色在于"注册墙数据 + 公开直链工具"的组合：数据本体保守，但代码、Docker、评估逻辑全部公开——使用者即使拿不到全部数据，也能跑通评估流水线理解任务。这与 PANDA-PLUS（金标准参照）的"母请求制、子直链"结构在哲学上同族。

§6.5 语料解剖：643 GB 里装了什么

BIC-MAC 的体量数字（全量 643 GB）容易让人误以为"数据很多"，实际上93% 的字节属于一类只有评测才需要的中间产物。理解这个结构，是决定"要不要下全量、还是只下 45 GB 精简版"的前提。

6.5.1 两类体量的分野：sinogram 与非 sinogram

版本	体量	含什么	适用场景
全量	643 GB	含 STIR sinogram（原始投影数据）	需要从投影域自行重建、或研究重建算法时
精简	45 GB	只含重建后的 NIfTI 影像	常规伪 CT 生成研究、训练分割/生成模型

单个被试的 sinogram 约 50 GB——这个数字解释了一切：12 个带 recon 的被试（train 8 + val 4）贡献了绝大部分体积。如果你的研究目标只是"输入 NAC-PET + MRI，输出伪 CT"，那么 sinogram 完全用不到，直接取精简版即可，节省 93% 的下载与存储成本。

这是一个可复用的判断原则：看见超大体积的医学影像数据集，先分清"影像域"与"投影域"两部分。前者是大多研究的入口，后者往往只为特定子领域存在。

6.5.2 每被试目录的六类文件

拆开任意一个有完整标注的被试目录，内容可归为六类：

1. 输入影像：nacpet.nii.gz（非衰减校正 PET，核心输入）与 topogram.nii.gz（2D 定位像，提供近似解剖轮廓）
2. MRI 组：mri_chunk_{0-3}_{in/out}_phase.nii.gz（DIXON MRI 按身体部位分 4 段，每段 in/out 两个相位）+ mri_combined_{in/out}_phase.nii.gz（拼接后的全身版）
3. 隐私遮蔽：mri_face_mask.nii（面部区域掩膜——采集时约 60% 被试已做面部去标识化，此文件标记有效区域）
4. CT 教师信号：ct-label/ct.nii.gz（HU 真值）+ body/organ/face 三套分割
5. PET 教师信号：pet-label/pet.nii.gz（ground-truth AC-PET，仅 train full 8 个有）
6. 重建元数据：recon/ 下的 sinogram 与重建参数

第 3 类（面部掩膜）是理解本数据集伦理设计的关键。它不是一个技术文件，而是隐私保护的物证：研究者必须显式处理"哪些区域是被遮蔽的"，模型若在训练中依赖被遮蔽区域的特征，会得到不可复现的结果。

6.5.3 为什么 ground-truth PET 只给 8 个被试

标注等级的差异不是疏漏，而是成本约束的直接体现。三级标注梯度是：

层级	被试数	具备的教师信号	能支撑什么研究
全标注	8（train full）	CT 真值 + PET 真值 + sinogram	端到端评估（CT 与 PET 双路径）
半标注	67（train no-recon）	CT 真值	只做 CT 精度路径的监督训练
无标注	4（val）	仅 recon（无标签）	自监督/无监督方法验证
隐藏测试	20（test）	无（官方留作竞赛评分）	只能通过官方渠道评测

8 个被试的 PET 真值是整份数据集最稀缺的资源。这意味着：任何想在 PET 路径上做监督学习的方案，可用样本只有 8 例——这几乎必然导致过拟合。合理的应对是把 PET 路径当作验证而非训练目标，训练只用 CT 路径的 75 例（8+67），然后看生成的伪 CT 在 PET 重建上的泛化表现。这正是挑战赛双路径设计的用意所在。

6.5.4 统一网格的含义

除 pet-label 外，所有影像都被重采样到 CT 标签网格：512×512×531，体素 1.52×1.52×2.00 mm³。

这个统一化带来两个便利与一个代价。便利是：任意模态之间可直接逐体素比较，无需配准；任意被试之间形状一致，便于批处理。代价是：各模态经历了不同程度的重采样，原始分辨率信息在统一网格中丢失，若你的研究关心噪声纹理等高频特征，需要回溯原始 DICOM。

6.5.5 下载前的容量规划

按 45 GB 精简版做一次合理的本地规划：

• 原始下载：约 45 GB，建议留 60 GB 缓冲。
• 解压后：NIfTI 通常比压缩态膨胀 2-3 倍，峰值需预留 100-130 GB。
• 训练缓存：若做 3D 分割/生成，需把体数据转成框架专属格式（如 numpy memmap 或 LMDB），再留 1.2 倍原始大小。
• 单被试峰值：处理单个 512×512×531 的 float32 体数据，单份约 520 MB；一次载入多模态时注意显存/内存同步增长。

对比全量 643 GB 方案，同样的研究在精简版上完成，成本相差一个数量级。除非你的课题明确需要投影域数据，否则不要下全量——这是本数据集最实际的一条使用建议。

§7 生态与来源

7.1 挑战赛生态

维度	数据
参与规模	50+ 团队注册、20+ 国家
奖池	€1,000
提交平台	CodaBench
公开榜提交数	26 次（Region-Weighted 论文口径）
收官	MICCAI 2026 Strasbourg，2026-09-27
状态	挑战赛已结束，Final Leaderboard 已公布

7.2 参与队方法论文（可引技术来源）

本届挑战赛的公开技术文献以参与队方法论文为主（官方 organizers 综述论文本轮未检索到，见疑点 3）：

论文	arXiv	机构	要点
Region-Weighted Losses and Model Fusion for Cross-Modal PET Attenuation Correction	2608.21881	Ghent University（比利时/韩国）	μ 空间区域加权损失 + 多模型凸融合
Multimodal pseudo-CT synthesis using separate modality encoding and topogram conditioning	2608.21481	Chelsea Sargeant 等	PET/MR 分编码器 + FiLM 定位像条件
Geometry-anchored PET-aware multimodal pseudo-CT synthesis（GeoPACT）	2609.27848	VNU-HCM（越南）+ UNB（加拿大）+ FAU（德国）	几何锚定 + 门控残差融合 + PET 响应代理

7.3 依赖的开源组件

组件	角色
STIR	PET 重建引擎（固定流水线核心）
Carney 双线性模型	HU→μ 转换（CT 指标空间）
TotalSegmentator（库内 rid 422）	器官分割（部分队伍的解剖感知损失）
CodaBench	在线提交与评测平台
HuggingFace	数据集托管（DEPICT-RH org）

7.4 学术背景：为什么 PET 衰减校正是活跃赛道

PET 定量成像的临床价值建立在 SUV 这类绝对量化指标上，而衰减校正的准确性直接决定 SUV 可信度。PET/MR 一体机自 2010 年代进入临床后，"无 CT 的衰减校正"成为持续的研究热点——从早期的超短 TE（UTE）/零 TE 序列、DIXON 分段法，到近年的深度学习伪 CT，方法不断演进。BIC-MAC 把这条演化线上"数据驱动伪 CT"这一支推到全身尺度并给出统一评测，是它对领域的主要贡献。库内 autopet 系列（PET 分割）、head-neck-pet-ct、lung-pet-ct-dx 等共同构成 PET 影像 AI 的条目群（§9）。

§8 方法学启示

8.1 评估流水线本身就是任务的一部分

BIC-MAC 最值得借鉴的设计是：评估不是一个黑箱分数，而是一段公开、可本地复现、可版本化的代码（Docker 化的 STIR 重建 + Carney μ 转换 + 四指标）。它让"什么误差可见"（4 mm 阈值）“什么误差更贵”（软组织 1.88 倍）都成为参赛者设计模型的已知条件。这种"评测透明"是数据集走向 AI-Ready 的关键一环——比一个孤立的 baseline 更有价值。

8.2 模态可靠性差异是跨模态任务的核心变量

BIC-MAC 的三模态各带不同缺陷（PET 几何可信但细节少、定位像对齐但无深度、MRI 对比好但可能错位），逼出"几何锚定"“门控融合”"分模态编码"等一批针对性设计。可迁移的经验是：跨模态融合的难点不在"如何合并"，而在"如何量化各模态的可信度并据此分配权重"。这与临床多模态诊断的直觉一致，也为其他跨模态任务（如 §3.5 的 SynthRAD、CrossMoDA）提供方法参照。

8.3 损失空间必须匹配指标空间

"在 μ 空间而非 HU 空间优化"是本届最清晰的方法学共识。它揭示一条通用原则：当评测指标经过非线性变换时，训练损失若停留在上游空间，就会与最终目标错位。这条原则对任何"合成图像→下游定量指标"的任务（伪 CT、超分、去噪）都适用。

8.4 挑战赛作为 AI-Ready 生产流水线

BIC-MAC 展示了挑战赛模式如何天然产生 AI-Ready 资产：统一数据格式（NIfTI + 固定网格）、统一评估容器（Docker）、统一提交接口（CodaBench）、统一基线（3D U-Net）。挑战赛结束后，这套基础设施仍然可用——它把"数据集"升级为"数据集 + 可复现评测服务"。库内多个 MICCAI 挑战赛条目（SynthRAD、REG²、TopAneu 等）都体现了这一模式。

§9 与库内条目的关系

9.1 家族图谱

• SynthRAD（rid 671）：首推互链。SynthRAD2023 是"MRI/CBCT→CT 合成"挑战赛，与 BIC-MAC 同属"合成 CT"赛道；区别在 BIC-MAC 是全身 + 三模态 + 闭环 PET 指标，SynthRAD 面向放疗剂量计算。两者并读可看清合成 CT 的任务谱系。
• CrossMoDA 2023（rid 684）/ CrossMoDA 2022（rid 647）：跨模态域适应（MRI→CT 样图像），与 BIC-MAC 共享"无 CT 场景下生成 CT 样图像"的问题结构。
• AutoPET III（rid 678）/ AutoPET（rid 468）/ AutoPET V（rid 634）：PET 影像分割挑战赛系列，与 BIC-MAC 同属 PET 影像 AI 赛道；AutoPET 关注病灶分割，BIC-MAC 关注衰减校正，是 PET 链条上互补的两环。
• Head-Neck-PET-CT（rid 838）/ Lung-PET-CT-Dx（rid 475）：PET/CT 多模态数据集，提供 PET 与 CT 配对的临床样本对照。
• Learn2Reg（rid 685）：医学图像配准挑战赛。BIC-MAC 的"跨模态局部错位"问题正是配准的用武之地，两者方法学互通。
• TotalSegmentator（rid 422）：全身器官分割，被本届参赛队用作解剖感知损失的冻结模块。
• NSLC-Radiomics（rid 247）/ NSLC-Radiogenomics（rid 257）：CT 影像组学，与伪 CT 的 CT 指标评估共享 CT 空间基础。
• REG²（rid 639）：MICCAI 2026 病理报告生成挑战赛，与 BIC-MAC 同为 MICCAI 2026 挑战赛家族，体现"挑战赛即 AI-Ready 资产"的共同模式。

9.2 检索路径建议

• 检索词组合：“BIC-MAC” + “attenuation correction” + “pseudo-CT”；或 “Big Cross-Modal Attenuation Correction”（全称）。
• 找数据：HF DEPICT-RH/BIC-MAC（注册挑战赛官网）→ 或取更完整版（CC-BY 4.0）。
• 找方法：三篇参与队 arXiv 论文（2608.21881 / 2608.21481 / 2609.27848）是当前最可引的技术来源。
• 找基线：GitHub bic-mac-challenge/challenge-codebase 的 src/baseline/（patch-based 3D U-Net）。

9.3 三类任务在库内的坐标

把 BIC-MAC 放进库内"医学影像合成 + 挑战赛"的坐标系，可以看到三条清晰的分野：

坐标轴	一端	另一端	BIC-MAC 位置
尺度	单器官/局部	全身	全身（最靠近全身端）
目标模态	同模态增强（CT→CT）	跨模态合成（MRI/PET→CT）	跨模态合成
评估	图像相似度	下游任务闭环	下游闭环（PET 指标）

在这三条轴上，BIC-MAC 都落在"更难"的一端。库内能与之在三个维度同时接近的条目很少——SynthRAD 在"跨模态合成"上相近但尺度局部、评估偏 CT 精度；AutoPET 在"全身 + PET"上相近但任务是分割而非合成。BIC-MAC 的独特性正在于它同时把尺度、跨模态、闭环评估三条难度线拉满，这也是它值得作为独立条目收录的理由。

9.4 对库内 PET 条目群的补充价值

库内 PET 相关条目此前以"分割"（AutoPET 系列）与"诊断"（Lung-PET-CT-Dx、Head-Neck-PET-CT）为主，缺一个"PET 物理与重建层"的条目。BIC-MAC 填的正是这个空档：它关心的不是"PET 里有什么病灶"，而是"PET 本身的定量是否可信"——这是更底层的成像质量问题。加上这条，库内 PET 影像 AI 的谱系才算覆盖了从成像物理（BIC-MAC）→ 病灶分割（AutoPET）→ 临床诊断（Lung-PET-CT-Dx）的完整链条。

§10 避坑清单：八个已踩过的坑

坑 1：两个版本两套许可，别一揽子引用。原始挑战赛数据（HF DEPICT-RH/BIC-MAC）需注册官网获取访问；官网披露的更完整版本（含 dynamic PET + 额外 brain MRI）才是 CC-BY 4.0。转引时务必写清"哪个版本、什么许可"，否则会误导下载者。

坑 2：规模口径两种切法，不是数据矛盾。HF card 写 “99 (20 test, 75 train, 4 validation)”；GitHub README 写 “99, 20 test, remaining 79 = 8 full + 67 no-recon + 4 val”。75 train = 8 + 67，前者按"是否有重建数据"分，后者按"是否有标签"分。引用时用 99 总数 + 8/67/4 明细最稳。

坑 3：BIC-MAC 是挑战赛名，不是模型名。检索"BIC-MAC model"或"BIC-MAC architecture"会一无所获——它是 Big Cross-Modal Attenuation Correction Challenge 的缩写，参赛队伍各有各的模型（GeoPACT、MuNet、MACT 等）。要找具体方法，引参与队论文。

坑 4：评估逻辑有版本，跨版本别比分数。2026-04-08 修正了 Carney HU-to-μ 转换公式的 bug，并更新了 8 张 ground-truth PET。此前的 PET 端分数与之后不可直接比较，引用早期榜单须注明时点。

坑 5：4 mm 阈值决定了哪些努力有意义。STIR 重建前做了 4 mm FWHM 高斯平滑，细于此的伪 CT 细节对三个 AC-PET 指标不可见。别把"骨骼细节极锐利"当卖点——它只对 CT 指标（μ-map MAE）有用。

坑 6：公开被试不等于全部被试。99 名中 20 名 test 不公开，公开 79 名里 4 名 val 无标签，真正带 CT 标签的公开被试只有 75 名，能用于闭环 PET 监督的只有 8 名（有 pet-label）。规划数据量时按 75/8 而非 99 估算。

坑 7：Carney 拐点是参与者复现口径。“knee near 47 HU”"下段斜率 1.88 倍"出自参与队论文对主办方流水线的复现描述，非主办方原始文档。引用时宜标注来源，精确数值以官方 codebase 为准。

坑 8：下载体积三档用途不同。643 GB（全量）用于完整研究；45 GB（无 sinogram）用于伪 CT 合成训练；约 50 GB（单被试 sinogram）用于个别重建。别一上来就下 643 GB——45 GB 足以跑通训练。

§11 总结

11.1 三句话总结

1. BIC-MAC 是 MICCAI 2026 的全身 PET/MR 无 CT 衰减校正挑战赛：从 NAC-PET、DIXON MRI、2D 定位像合成全身伪 CT，再把伪 CT 送进 STIR 重建、以四指标（μ-map MAE、SUV MAE、organ bias、brain-outlier）闭环评估。
2. 它的 99 名健康被试数据集公开于 HuggingFace（需注册），全量 643 GB、无 sinogram 45 GB；更完整版（含 dynamic PET 与 brain MRI）按 CC-BY 4.0 发布。
3. 它的方法学遗产是三条可迁移经验——在指标空间优化损失、几何锚定融合、多模型凸融合——以及一套公开、可本地复现的评估流水线。

11.2 适合谁

• PET/MR 物理与衰减校正研究者：需要一个全身尺度、闭环 PET 指标的标准化测试台。
• 跨模态合成 / 图像回归开发者：想研究"多模态可靠性错配下的融合"。
• 医学挑战赛复现者：代码库 + Docker + CodaBench 提供完整复现路径。
• 数据集工程研究者："注册墙数据 + 公开 Docker 工具"的组合是可研究的可获取性样本。

11.3 不适合谁

• 需要大量带 PET 标签样本做监督训练的项目（仅 8 名被试有 pet-label）。
• 需要患者队列 / 病灶分布的研究（全为健康志愿者，无病灶）。
• 存储与算力受限、又拿不到 643 GB 的团队（但 45 GB 版可缓解）。
• 想要一个"现成可直接 load_dataset"的开箱数据集的人（需先注册挑战赛）。

11.4 30 秒决策卡

你的情况	行动
想立刻跑通伪 CT 合成	注册官网 → 下 HF 45 GB 无 sinogram 版 → 用 src/baseline/ 3D U-Net
要做闭环 PET 评估	追加下载 12 名有 recon 的被试 sinogram + 拉官方重建 Docker
要引方法	三篇参与队 arXiv：2608.21881 / 2608.21481 / 2609.27848
要理解指标	§4——Carney 双线性 + 4 mm 平滑两条性质决定"什么误差可见"
要写合成 CT 综述	§3.5 任务边界表（SynthRAD / CrossMoDA / BIC-MAC 三对比）
要引用本条目	附录 W 引文规范；注意两版本两许可（坑 1）

FAQ（高频问答 30 问）

A. 基础认知

Q1：BIC-MAC 是挑战赛还是数据集？
两者都是。它是一个挑战赛，配套发布一个 99 名健康被试的多模态 PET/MR 数据集。挑战赛已结束，数据集仍在 HuggingFace 提供。

Q2：BIC-MAC 全称是什么？
Big Cross-Modal Attenuation Correction Challenge（大型跨模态衰减校正挑战赛）。

Q3：为什么叫"跨模态"？
因为它要把三种不同模态（PET、MRI、X 射线定位像）融合起来，且这三种模态在维度与空间可靠性上各不相同，需要"跨模态"地协调它们。

Q4："衰减校正"为什么重要？
PET 定量成像（如 SUV）必须校正 511 keV 光子的组织吸收，否则深部器官信号会被低估。传统 PET/CT 用 CT 生成衰减图，PET/MR 没有 CT，只能估计伪 CT。

Q5：伪 CT 和真 CT 差在哪？
伪 CT 是从 PET/MRI/定位像"猜"出来的 CT 样图像（单位 HU），用于充作衰减图，其精度用 μ-map MAE 衡量；它不需要在视觉上以假乱真，只需要在衰减物理上足够准。

B. 数据与获取

Q6：数据在哪下？
HuggingFace DEPICT-RH/BIC-MAC，但需先注册挑战赛官网 bic-mac-challenge.github.io。

Q7：数据集多大？
99 名被试；下载 643 GB（全量）/ 45 GB（无 sinogram）/ 约 50 GB（单被试 sinogram）。

Q8：有标签的被试有多少？
公开 79 名中，75 名有 CT 标签（8 full + 67 no-recon），4 名 val 无标签；有 PET 标签的仅 8 名。

Q9：更完整版是什么？
官网披露的更完整版本增加了 dynamic PET 和额外 brain MRI，按 CC-BY 4.0 发布——与原始挑战赛数据的许可不同。

Q10：入门建议下哪个版本？
45 GB 无 sinogram 版（--exclude "/recon/"），足够跑通伪 CT 合成训练。

C. 任务与评估

Q11：输入输出是什么？
输入 NAC-PET + DIXON MRI + 2D 定位像（+ demographics）；输出全身 3D 伪 CT（NIfTI，HU）。

Q12：怎么评分？
四指标（越低越好）：CT μ-map MAE、PET SUV MAE、organ bias、brain-outlier score；最终排名取四指标各自名次的平均。

Q13：为什么排名用名次平均而非指标平均？
四指标量纲差异大，直接平均会被大数值主导；名次平均让每个指标"一人一票"，防止靠刷单一指标取胜。

Q14：Carney 双线性模型是什么？
把 CT 的 HU 分段线性映射到 511 keV 线性衰减系数 μ 的物理模型；拐点约 47 HU，下段斜率约为上段的 1.88 倍。

Q15：STIR 是什么？
Software for Tomographic Image Reconstruction，一个开源的 PET/SPECT 重建软件包，BIC-MAC 的固定重建流水线基于它。

Q16：4 mm 平滑阈值意味着什么？
重建前 μ-map 被 4 mm FWHM 高斯平滑，细于约 4 mm 的伪 CT 细节对三个 AC-PET 指标不可见，只对 CT 指标可见。

D. 方法与前缘

Q17：有哪些队伍参加？
公开榜 26 次提交、50+ 团队注册。7 个 team oral：Two-Stage Body/Head、MACT、Separate Modality Encoding、Topogram-Gater、Regional Specialist、GeoPACT、Region-Weighted Losses。

Q18：本届最重要的方法学经验是什么？
三条：损失比架构重要（在指标空间优化）、几何锚定（用最可信模态定坐标）、多模型凸融合（用误差独立性换增益）。

Q19：GeoPACT 是什么？
一队的方法：以 NAC-PET 作几何参考，把 topogram 与 MRI 经门控残差融合，绝对坐标 + 全身条件化支撑 patch 预测（arXiv:2609.27848）。

Q20：挑战赛结束了吗？
结束了。官网显示 concluded，Final Leaderboard 已公布，颁奖在 MICCAI 2026（2026-09-27）。

E. 与其他数据集的对比

Q21：BIC-MAC 和 SynthRAD 有什么不同？
两者都做"合成 CT"，但 SynthRAD 面向放疗剂量计算、尺度偏局部、评估看 CT 精度；BIC-MAC 面向 PET 衰减校正、全身尺度、评估闭环到 PET 重建指标（SUV 等）。

Q22：BIC-MAC 和 CrossMoDA 有什么关系？
CrossMoDA 做 MRI→CT 的域适应分割，BIC-MAC 做 PET/MRI/定位像→CT 合成。共同点是"无 CT 场景下产出 CT 样图像"，区别在任务目标（分割 vs 衰减校正）与输入模态。

Q23：和 AutoPET 比呢？
AutoPET 是 PET 病灶分割挑战赛（关心"病灶在哪"），BIC-MAC 是衰减校正（关心"PET 定量准不准"）。两者是 PET 影像链条上互补的两环，不冲突。

Q24：为什么 BIC-MAC 不做病灶相关任务？
因为它用的是 99 名健康志愿者，没有病灶分布。它的任务是成像物理层的（衰减校正），不需要病灶样本。

F. 复现与工程

Q25：能在本地复现榜上分数吗？
能。主办方提供 Docker 化重建镜像（ghcr.io/bic-mac-challenge/recon:latest）与 src/evaluation/ 评估脚本，本地跑出的四指标与 CodaBench 分数对齐。

Q26：为什么本地跑需要 sinogram？
无 sinogram 时只能训练伪 CT 合成模型，但算不了 PET 指标（SUV MAE 等）——PET 指标需要把伪 CT 送进重建流水线，而重建需要 sinogram。故本地闭环评估必须下 sinogram。

Q27：训练时输入通道怎么组织？
常见做法：NAC-PET（1 通道）+ MRI in-phase（1）+ MRI out-phase（1）+ topogram 广播到 3D（1 或按需）+ 绝对坐标（2-3 通道）。具体因队伍而异，主办方基线在 src/baseline/。

Q28：patch 大小怎么选？
受显存与物理需求双重约束。Region-Weighted 队提到 L_LOR 损失需要较大 patch（448×448×48）以捕捉全局衰减效应；太小会丢失跨区域的衰减累积，太大则显存不够。

Q29：评估要跑多久？
STIR 重建是计算密集环节，尤其含 sinogram 的闭环评估。全量评估耗时取决于硬件与被试数，官方 Docker 提供了可复现但非实时的评分路径。

Q30：能只用 MRI 做（不用 NAC-PET）吗？
可以提交，但效果通常较差——NAC-PET 是三种模态里几何最可信的锚点，去掉它会让几何对齐变弱。多数高分方案都用到 NAC-PET。

事实清单（硬事实 40 条）

1. 全称：Big Cross-Modal Attenuation Correction Challenge
2. 缩写：BIC-MAC
3. 性质：MICCAI 2026 医学影像挑战赛
4. 官网：bic-mac-challenge.github.io
5. HF 数据集：DEPICT-RH/BIC-MAC
6. 代码库：github.com/bic-mac-challenge/challenge-codebase
7. 提交平台：CodaBench
8. 颁奖：MICCAI 2026 Strasbourg，2026-09-27
9. 被试总数：99
10. test 被试：20（无标签）
11. train full：8（features + ct-label + recon + pet-label）
12. train no-recon：67（features + ct-label）
13. val：4（features + recon，无标签）
14. 公开被试：79
15. 有 CT 标签的公开被试：75
16. 有 PET 标签的被试：8
17. 有 recon 的被试：12
18. 全量下载：643 GB
19. 无 sinogram 下载：45 GB
20. 单被试 sinogram：约 50 GB
21. tensor 尺寸：512 × 512 × 531
22. voxel 尺寸：1.52 × 1.52 × 2.00 mm³
23. 输入：NAC-PET + DIXON MRI + 2D topogram
24. 输出：全身伪 CT（HU，NIfTI）
25. 评估指标 1：CT μ-map MAE（Carney μ 空间）
26. 评估指标 2：PET SUV MAE
27. 评估指标 3：organ bias
28. 评估指标 4：brain-outlier score
29. 排名规则：四指标名次平均
30. 重建引擎：STIR
31. Carney 拐点：约 47 HU（参与者复现口径）
32. Carney 上下段斜率比：约 1.88 倍（软组织误差更贵）
33. 重建平滑：4 mm FWHM 高斯
34. 全身体素量级：约 1.39 × 10⁸（512×512×531）
35. 挑战赛奖池：€1,000
36. 参与规模：50+ 团队 / 20+ 国家
37. 公开榜提交数：26 次（参与者论文口径）
38. Val（验证）被试：4（无标签，靠 CodaBench 在线评分）
39. 有 recon 的被试清单：train sub-000/001/002/005/006/008/013/014 + val sub-004/009/010/018
40. 数据格式：NIfTI（.nii.gz）

术语表（30 条）

1. BIC-MAC：Big Cross-Modal Attenuation Correction Challenge，大型跨模态衰减校正挑战赛。
2. 衰减校正（attenuation correction）：校正 511 keV 光子在体内被组织吸收造成的 PET 定量偏差。
3. NAC-PET：non-attenuation-corrected PET，未做衰减校正的 PET，保留衰减失真，反携带密度信息。
4. AC-PET：attenuation-corrected PET，做完衰减校正的 PET，可用于 SUV 定量。
5. 伪 CT（pseudo-CT / synthetic CT）：从非 CT 模态估计出的 CT 样图像，用于充作 PET 衰减图。
6. DIXON MRI：一种水脂分离 MRI 序列，产出 in-phase / out-of-phase 两组图像。
7. topogram（定位像）：CT/PET 扫描前的一张 2D scout X 射线投影，几何对齐但无深度信息。
8. HU（Hounsfield Unit，亨氏单位）：CT 图像的标准单位，水≈0，骨≈+1000。
9. μ-map（衰减图）：线性衰减系数 μ 的空间分布，511 keV 下由 CT/伪 CT 转换而来。
10. Carney 双线性模型：把 HU 分段线性映射到 μ 的物理模型，拐点约 47 HU。
11. STIR：Software for Tomographic Image Reconstruction，开源 PET/SPECT 重建软件。
12. sinogram（正弦图）：PET 原始投影数据的二维表示，每个角度一行。
13. SUV（standardized uptake value）：标准化摄取值，PET 的临床定量指标。
14. organ bias（器官偏倚）：器官 ROI 内系统性的定量偏差。
15. FWHM：Full Width at Half Maximum，高斯核宽度指标；此处 4 mm。
16. patch-based：分块处理，因全身体积超出显存而将图像切成小块预测。
17. 几何锚定（geometry-anchored）：以几何最可信的模态（此处 NAC-PET）作空间参考。
18. 门控残差融合（gated residual fusion）：用门控机制按需采纳辅助模态特征。
19. FiLM：Feature-wise Linear Modulation，一种特征级条件化调制方法。
20. 凸融合（convex fusion）：多个模型的线性加权组合，权重和为 1。
21. PET/CT：PET 与 CT 一体机，用 CT 生成衰减图，是 PET 衰减校正的传统方案。
22. PET/MR（PET/MRI）：PET 与 MRI 一体机，无 CT，衰减图必须估计，是 BIC-MAC 的目标场景。
23. 511 keV：正电子湮灭产生的一对光子的能量，是 PET 成像与衰减校正的物理基准能量。
24. scout / 定位像：CT/PET 扫描前用于定位的 2D 投影图像，即 topogram。
25. in-phase / out-of-phase：DIXON MRI 的两个相位，反映水脂成分，是 BIC-MAC 的 MRI 输入。
26. 线性衰减系数（μ）：光子穿过单位长度物质被吸收的概率，511 keV 下的 μ 由 HU 经 Carney 模型得到。
27. Carney 拐点：Carney 双线性模型的分段点，约 47 HU，上下段斜率不同。
28. sliding-window inference：滑窗推理，用重叠窗口分块预测再拼接，产出全分辨率体积。
29. patch：图像分块，因全身体积超显存而切分的局部立方体。
30. ground truth（真值）：此处指配对的真实 CT（ct-label/）与真实 AC-PET（pet-label/）。

附录

附录 A：条目信息速查卡

项	值
slug	bic-mac
名称	BIC-MAC Challenge
全称	Big Cross-Modal Attenuation Correction Challenge
类型	MICCAI 2026 挑战赛 + 数据集
数据	99 名健康被试（公开 79）
任务	三模态 → 全身伪 CT
官网	https://bic-mac-challenge.github.io/
HF	DEPICT-RH/BIC-MAC
许可	注册制（原始）/ CC-BY 4.0（更完整版）
状态	挑战赛已结束

附录 B：DAIMS 评估全表

DAIMS 六维（Data / Acquisition / Incentive / Metadata / Standards）评估：

维度	评估	说明
Data Quality（数据质量）	中上	99 名健康被试，多模态完整配对；全身尺度；固定网格规范
Acquisition（获取可得性）	中	原始数据需注册（HF 非直链）；代码/Docker 公开；更完整版 CC-BY 4.0
Incentive（激励与维护）	中上	挑战赛驱动（€1,000 奖池 + MICCAI 曝光）；50+ 团队参与；2026-04 仍在更新数据政策与公式
Metadata（元数据）	良好	HF dataset card + GitHub docs（rules/data-background/reconstruction/submission）结构化
Standards（标准化）	良好	NIfTI 格式、固定 tensor/voxel 网格、Docker 化评估、CodaBench 标准提交
整体 AI-Ready	中偏上	工程契约（Docker+本地复现+在线榜）质量高；可得性被注册墙拖低；CC-BY 4.0 更完整版为补偿

附录 C：逐项证据链自证

事实	来源
99 被试 / 20-8-67-4 拆分	HF dataset card + GitHub codebase README
643 GB / 45 GB / 50 GB 体积	HF dataset card
512×512×531 / 1.52×1.52×2.00 mm³	GitHub codebase README
四指标 / 名次平均排名	参与队论文 arXiv:2608.21881
Carney 拐点 47 HU / 1.88 倍	参与队论文 arXiv:2608.21881
4 mm FWHM 平滑	参与队论文 arXiv:2608.21881
STIR 重建引擎	GitHub codebase README + arXiv:2608.21881
CC-BY 4.0 更完整版	官网 bic-mac-challenge.github.io
注册获取原始数据	HF dataset card
MICCAI 2026 收官	官网
2026-04-08 Carney bug 修复	GitHub codebase README
2026-04-07 预训练数据政策	GitHub codebase README

附录 D：数据获取决策树

需要 BIC-MAC 数据？
├─ 只想跑通伪 CT 合成训练
│   └─ 注册官网 → HF 下 45 GB 无 sinogram 版
├─ 要做闭环 PET 评估
│   └─ 注册官网 → 下 12 名有 recon 的被试 sinogram + 拉官方重建 Docker
├─ 需要 dynamic PET / brain MRI
│   └─ 取官网披露的更完整版（CC-BY 4.0）
└─ 只要方法 / 基线
    └─ GitHub codebase src/baseline/ + src/evaluation/（公开）

附录 E：模态映射与使用规范

模态	文件应作	不应作
NAC-PET	几何锚点、密度线索	直接当解剖结构图
DIXON MRI	软组织对比先验	假设与 PET 逐像素对齐
topogram	全身范围与投影约束	提供 3D 深度信息
demographics	患者级条件化	替代影像信号

附录 F：伪 CT 合成基线骨架（示意）

# 伪 CT 合成（patch-based 3D U-Net）骨架示意
# 输入：NAC-PET + DIXON MRI + topogram；输出：伪 CT（HU）
import torch, torch.nn as nn

class PseudoCTNet(nn.Module):
    def __init__(self, in_ch=6, out_ch=1, base=32):
        super().__init__()
        # in_ch = nacpet(1) + mri_in(1) + mri_out(1) + topogram_broadcast(1) + coord(2)
        self.enc = nn.Sequential(
            nn.Conv3d(in_ch, base, 3, padding=1), nn.ReLU(),
            nn.Conv3d(base, base * 2, 3, stride=2, padding=1), nn.ReLU(),
        )
        self.dec = nn.Sequential(
            nn.ConvTranspose3d(base * 2, base, 2, stride=2), nn.ReLU(),
            nn.Conv3d(base, out_ch, 3, padding=1),
        )

    def forward(self, x):
        return self.dec(self.enc(x))  # 输出伪 CT（HU）

注：真实基线以主办方 src/baseline/ 为准，此处仅示意 patch 化输入含绝对坐标条件。

附录 G：HU→μ 转换骨架（Carney 双线性，示意）

def hu_to_mu_carney(hu):
    """Carney 双线性 HU→μ（511 keV）示意，拐点约 47 HU。"""
    knee = 47.0
    slope_below = 9.6e-5   # cm^-1 per HU（软组织段）
    slope_above = 5.1e-5   # cm^-1 per HU（骨段）
    mu = hu * slope_below
    above = hu > knee
    mu[above] = (knee * slope_below
                 + (hu[above] - knee) * slope_above)
    return mu

注：精确公式以官方 codebase src/evaluation/ 为准；2026-04-08 曾修正过该公式。

附录 H：四指标定义与解读卡

指标	路径	单位空间	越低越好	解读
CT μ-map MAE	CT	Carney μ	是	唯一全分辨率可见的指标
SUV MAE	PET	全身 SUV	是	临床定量偏差，受 4 mm 平滑影响
organ bias	PET	器官 ROI	是	系统性偏倚，防"整体偏移"
brain-outlier	PET	脑区	是	数据集级离群，防个别病例崩坏

附录 I：许可速查表

资产	许可	门槛
原始挑战赛数据（79 被试）	需注册官网	注册
更完整版（dynamic PET + brain MRI）	CC-BY 4.0	见发布说明
代码库	见 repo	公开
重建 Docker	见 repo	公开
论文（参与队）	arXiv 开放	公开

附录 J：时间线登记表

日期	事件
2025-2026	挑战赛筹备与数据发布
2026-04-07	新数据政策：允许公开数据集预训练
2026-04-08	Carney HU-to-μ 公式修正 + 8 张 PET ground-truth 更新
2026-08-25	参与队方法论文挂 arXiv（2608.21881 / 2608.21481）
2026-09-27	MICCAI 2026 挑战赛 session，收官
2026-10-09	本条目抓取时点（挑战赛已结束）

附录 K：双口径登记表

项	口径 A	口径 B	处理
规模	HF card：99 (20 test, 75 train, 4 val)	GitHub README：99, 20 test, 79 = 8+67+4	同一叙事；用 99 + 8/67/4
train 构成	75 train	8 full + 67 no-recon	75 = 8 + 67
许可	原始：注册制	更完整版：CC-BY 4.0	两版本两许可
体积	643 GB 全量	45 GB 无 sinogram	用途不同
Carney 拐点	参与者论文 47 HU	官方 codebase（未直接核对）	标注为参与者复现口径

附录 L：库内互链点登记表

条目	rid	关系
synthrad	671	合成 CT 挑战赛，首推互链
crossmoda-2023	684	MRI→CT 域适应
crossmoda2022	647	CrossMoDA 前届
autopet-iii	678	PET 分割挑战赛
autopet	468	PET 分割前届
autopet-v	634	AutoPET 后续
learn2reg	685	医学图像配准
totalsegmentator	422	全身器官分割（评估组件）
head-neck-pet-ct	838	PET/CT 多模态
lung-pet-ct-dx	475	PET-CT 诊断
nsclc-radiomics	247	CT 影像组学
nsclc-radiogenomics	257	CT 影像组学
cmrxrecon	506	心脏 MRI 重建
cmrxmotion	687	心脏 MRI 运动
reg2026	639	MICCAI 2026 挑战赛同族
verse-spine	435	MICCAI 挑战赛同族

附录 M：与库内 SynthRAD 条目的关系声明

SynthRAD（rid 671）与 BIC-MAC 同为"合成 CT"挑战赛，但定位不同：SynthRAD 面向放疗剂量计算（MRI/CBCT → CT，局部器官，CT 视觉精度），BIC-MAC 面向PET 衰减校正（三模态 → 全身伪 CT，闭环 PET 指标）。两者互补：SynthRAD 教"如何合成像样的 CT"，BIC-MAC 教"合成的 CT 如何在物理重建下被检验"。

附录 N：方法学经验可迁移性总表

经验	出处	可迁移到
指标空间优化	Region-Weighted (2608.21881)	任意"合成图→数值指标"任务
几何锚定融合	GeoPACT (2609.27848)	多模态配准不稳的融合任务
门控/条件化融合	Separate Encoding (2608.21481)	维度不一的模态融合
多模型凸融合	Region-Weighted (2608.21881)	有互补失败模式的集成
绝对坐标 patch 化	GeoPACT	超显存的全身/全身积预测

附录 O：参与队方法论文登记表

论文	arXiv ID	机构	核心贡献
Region-Weighted Losses and Model Fusion	2608.21881	Ghent University	μ 空间区域加权损失 + 凸融合
Separate Modality Encoding + Topogram Conditioning	2608.21481	Chelsea Sargeant 等	分模态编码 + FiLM 条件
GeoPACT	2609.27848	VNU-HCM + UNB + FAU	几何锚定 + 门控残差融合

附录 P：检索决策树

搜 BIC-MAC 相关资源？
├─ 精确短语 "BIC-MAC" 或 "Big Cross-Modal Attenuation Correction"
├─ 找数据 → HF DEPICT-RH/BIC-MAC（注册官网）
├─ 找代码 → github.com/bic-mac-challenge/challenge-codebase
├─ 找方法 → arXiv 2608.21881 / 2608.21481 / 2609.27848
└─ 找基线 → codebase src/baseline/（patch-based 3D U-Net）

附录 Q：坑点档案（与 §10 对照）

坑	一句话	处置
1	两版本两许可	引用写清版本
2	规模两口径	用 99 + 8/67/4
3	挑战赛名非模型名	引参与队论文
4	评估有版本	跨版本别比分数
5	4 mm 阈值	别把锐利当卖点
6	公开≠全部	按 75/8 估量
7	Carney 复现口径	标注来源
8	体积三档	从 45 GB 起步

附录 R：维护计划与触发点

触发点	动作
官方 organizers 综述论文发表	补入 §7.2 与附录 O
Final Leaderboard 名次公布完整	补入 §4 与 §7.1
更完整版 CC-BY 4.0 数据集正式上线	更新 §6.1 入口
评估流水线再次修版	更新 §4.3 与附录 J
HF dataset card license 字段明确化	更新 §6.3 疑点 4

附录 S：引文规范

• 数据集：BIC-MAC Challenge Dataset. HuggingFace DEPICT-RH/BIC-MAC. 官网 https://bic-mac-challenge.github.io/
• 方法（区域加权损失）：Khoa Tuan Nguyen, Joris Vankerschaver, Wesley De Neve. Region-Weighted Losses and Model Fusion for Cross-Modal PET Attenuation Correction. arXiv:2608.21881.
• 方法（GeoPACT）：Xuan Loc Nguyen, Hoang-Loc Cao, et al. Geometry-anchored PET-aware multimodal pseudo-CT synthesis for whole-body attenuation correction: the BIC-MAC Challenge. arXiv:2609.27848.
• 方法（分模态编码）：Rory Bell, Artemis Bouzaki, et al. Multimodal pseudo-CT synthesis for PET attenuation correction using separate modality encoding and topogram conditioning. arXiv:2608.21481.

附录 T：本条目生产档案

项	值
写手代理	agent-b-bicmac
抓取时点	2026-10-09
核验方式	三轮精确搜索（WebSearch）+ HF card / GitHub codebase / 官网 / 参与队 arXiv 三源互证
网络预算	WebSearch 3 次、WebFetch 2 次（符合 ≤3/≤6 硬约束）
存照	双口径 4 项（§9 + 附录 K）
遗留疑点	6 项（见 FACTS.md §9）

附录 U：FAIR/AI-Ready 检查单

原则	满足	说明
Findable（可发现）	是	官网 + HF + GitHub + arXiv 多渠道
Accessible（可获取）	部分	原始数据注册制；更完整版 CC-BY 4.0
Interoperable（可互操作）	是	NIfTI / 固定网格 / 标准工具链
Reusable（可复用）	是	Docker 化评估 + 本地复现 + 基线
AI-Ready 整体	中偏上	工程契约强，可得性受注册墙限制

附录 V：缩写速查

缩写	全称
BIC-MAC	Big Cross-Modal Attenuation Correction
NAC-PET	Non-Attenuation-Corrected PET
AC-PET	Attenuation-Corrected PET
HU	Hounsfield Unit
μ	linear attenuation coefficient
SUV	Standardized Uptake Value
MAE	Mean Absolute Error
FWHM	Full Width at Half Maximum
STIR	Software for Tomographic Image Reconstruction
FiLM	Feature-wise Linear Modulation
NGF	Normalized Gradient Field
LOR	Line of Response
ROI	Region of Interest
MICCAI	Medical Image Computing and Computer Assisted Intervention

附录 W：维护触发与版本

版本	日期	变更
v1.0	2026-10-09	首版，基于抓取时点三源互证

附录 X：模态对齐问题清单

问题	表现	应对思路
PET-目标网格	天然对齐	直接作几何锚点
topogram-PET	对齐但 2D	广播到 3D 作投影约束
MRI-PET	可能局部非刚性错位	门控融合 / NGF 损失 / 分编码器
全身分块	patch 接缝不连续	绝对坐标条件化
解剖异质	各区域结构尺度差异大	分区专家 / 多阶段

附录 Y：四指标优化重心建议

指标	最敏感的因素	优化建议
CT μ-map MAE	全分辨率细节 + 软组织精度	保锐度的梯度损失 + μ 空间加权
SUV MAE	低频衰减 + 器官整体	全局一致性 + LOR 损失
organ bias	器官边界与密度	解剖感知损失（TotalSegmentator）
brain-outlier	脑区极端病例	脑区专项 / 分区模型

附录 Z：全身 patch 训练注意事项

1. 坐标条件化：给 patch 提供绝对坐标，避免接缝不连续。
2. 重叠滑窗：推理时用重叠窗口 + 加权拼接，减少边界伪影。
3. 背景填充：身体外空区（air）需正确填充，避免硬边界进入训练。
4. 尺度归一：全身各区域 HU 分布差异大，需按区域归一或加区域条件。
5. 显存权衡：patch 越大越能捕捉全局衰减，但显存受限——需平衡。

附录 AA：参与建议路径（给新加入团队）

阶段	动作	产出
第 1 步	注册官网，下 45 GB 无 sinogram 版	本地数据
第 2 步	跑通 src/baseline/ 3D U-Net	基线分数
第 3 步	拉官方重建 Docker，加 12 名被试 sinogram	本地闭环评估
第 4 步	在 μ 空间改损失 + 加区域加权	指标提升
第 5 步	试门控融合 / 多模型凸融合	稳定增益

附录 AB：常见误解澄清

误解	澄清
“BIC-MAC 是一个模型”	它是挑战赛；模型因队而异
“伪 CT 要视觉上以假乱真”	不需要，要的是衰减物理准确
“99 名都能用”	公开 79，有 CT 标签 75，有 PET 标签 8
“细节越锐利越好”	细于 4 mm 对 PET 指标不可见
“HU 空间优化就行”	应在 Carney μ 空间优化
“挑战赛结束了数据就没了”	数据集仍在 HF 提供

附录 AC：本条目与金标准参照的关系

本条目在结构与体例上参照库内 PANDA-PLUS 条目（writing/panda-plus/panda-plus_Wikipedia.md）：采用九节 FACTS + 分 part 直写私有区 + cat 拼接的生产流程。差异在于 BIC-MAC 是挑战赛型条目（强调赛制、评估流水线、参与队方法），而 PANDA-PLUS 是数据集型条目（强调数据规模、注释流水线、标签审计）。两类条目共享同一套读者服务框架（十问十答、避坑清单、决策卡、附录证据链）。

尾注

本条目为千方病案医数集 AI-Ready Wikipedia 数据集的百科条目之一，条目 slug 为 bic-mac。全文硬数字均来自 HuggingFace dataset card（DEPICT-RH/BIC-MAC）、GitHub 挑战赛代码库 README、挑战赛官网与参与队 arXiv 方法论文四类来源，三源互证后成稿。存照冲突与遗留疑点见 FACTS.md §9。发布与维护由主会话负责，本条目谨供研究与检索参考。

声明：BIC-MAC 为 MICCAI 2026 挑战赛，截至抓取时点（2026-10-09）挑战赛已结束。数据集与被引论文的许可、访问条款以官方发布为准；本条目对"注册制"与"CC-BY 4.0 更完整版"的区分依据官网与 HF card 公开表述，实际以发布方最新说明为准。

---

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：

• vlm3d — 共享标签：医学影像 / CT / 评测基准 / 多模态 / 挑战赛数据集
• osic-pulmonary-fibrosis — 共享标签：医学影像 / CT / 评测基准 / 多模态 / 挑战赛数据集
• headline — 共享标签：医学影像 / CT / 多模态 / 挑战赛数据集
• trials-report — 共享标签：医学影像 / CT / 评测基准 / 多模态
• ldctiqac2023 — 共享标签：医学影像 / CT / 评测基准 / 挑战赛数据集
• toothfairy2 — 共享标签：医学影像 / CT / 评测基准 / 挑战赛数据集
• curvas — 共享标签：医学影像 / CT / 评测基准 / 挑战赛数据集
• toothfairy3 — 共享标签：医学影像 / CT / 评测基准 / 挑战赛数据集
• stsr — 共享标签：医学影像 / CT / 评测基准 / 挑战赛数据集
• atm-airway — 共享标签：医学影像 / CT / 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。