BrainPTM 2021 脑术前白质纤维束映射数据集

BrainPTM 2021（Brain Pre-surgical white matter Tractography Mapping challenge 2021，脑术前白质纤维束成像映射挑战赛）是 2021 年由以色列 Sheba 医学中心计算影像实验室（CILAB）主办、在 Grand Challenge 平台托管的医学影像挑战赛。它提供 75 例脑肿瘤术前 MRI，每例含 T1 加权像与 64 方向扩散加权像；60 例附皮质脊髓束（corticospinal tract，CST）与视辐射（optic radiation，OR）左右共四束的二值体素掩码，其余只给影像。数据采集于单一中心、单台 3T 扫描仪，许可禁止再分发与商用。

传统纤维束成像要先重建白质通路，再由熟练者手工圈定种子区、反复调参，既慢又依赖解剖经验，在肿瘤推挤或浸润处尤其不可靠；而外科医生要的不是一条条流线，而是一张能叠进导航系统的体素级体积掩码。BrainPTM 2021 把这件事改成分割题：只给影像，要求算法直接输出四条目标束的掩码，用 Dice 与 Jaccard 打分，从而把「会不会调追踪参数」从评价里剔除。

适合三类人：做分割方法的研究者，可检验结构像加扩散像的融合在细长管状结构上是否有效；做神经影像工程的人，可借它的预处理链理解临床扩散数据怎样变成可训练的张量；做术前规划产品的人，可把它当作算法输出能否贴合外科需求的参照。第一件事是核对标注齐全度与影像网格一致性，而不是直接开训。

§2 数据构成

2.1 规模总表

项目	数值	可核验程度
病例总数	75	官方首页与参与页一致
训练集	60	同上
测试集	其余病例（只给影像）	同上
有掩码的训练例	60	同上
四束齐全的训练例	56	由「4 例缺 CST」推出
缺 CST 的训练例	4	参与页明示
标注纤维束种类	2 对 4 束（CST 左右、OR 左右）	参与页
影像模态	2（T1w、DW）	参与页
体素网格	128×144×128	参与页
交付体素尺寸	1.25 mm 各向同性	参与页
肿瘤体积范围	4 至 60 cm³	首页（影像科医师估计）

这张表里唯一需要推演的是「56」这一行。官方从未直接写出该数，但由「有标注例数」与「缺 CST 例数」两项并列即可得到。若做四束同时有标注的统计，可用例数是 56；若做「至少有一束标注」的统计，可用例数是有标注的例数。这两个分母在后文的评测讨论里会反复用到，混用会直接导致指标不可比。

补充一个容易忽略的计数维度：掩码文件的总数。若把四条束逐例计为一个文件，训练集应产出「例数乘四」个掩码文件；但缺 CST 的病例各少两个文件，实际数相应减少。若按「每例至少一个掩码」计，则与有标注例数相同。两种计数方式都能在文献里见到，引用时应写明是「掩码文件数」还是「有标注病例数」。

2.2 影像规格与预处理链

官方参与页给出的采集与处理参数相当具体，这是这个数据集文档质量的亮点：

环节	参数
扫描仪	3T Signa（GE Healthcare，密尔沃基）
T1 加权像	无对比剂注射，原始分辨率 1×1×1 mm³
扩散加权像	64 个梯度方向，b=1000；另含 1 个 b=0 图像
扩散像原始分辨率	1×1×2.6 mm³（层厚明显大于层内）
扩散像处理	MrDiffusion（Matlab 工具箱）处理，并配准至高分辨率 T1
颅骨剥离	BET（Brain Extraction Tool）作用于 T1
重采样	T1 与已配准的 DW 均重采样至 1.25 mm 各向同性
存储	每例单独 NIfTI，空间尺寸 128×144×128

这条流水线里有三处值得使用者特别注意：

第一，扫描层厚与体素尺寸的不对称。扩散像原始层厚 2.6 mm，是层内分辨率的两倍多，重采样只改变网格，不增加信息。沿层方向的有效分辨率仍受原始层厚限制。做形态学测量或计算纤维束截面积时，这个各向异性（anisotropy）必须在误差讨论里说明。

第二，配准先于重采样。扩散像先配准到 T1，再与 T1 一同重采样。这一顺序的好处是两模态天然对齐，掩码可以直接用同一套 affine；代价是配准误差被固化进数据，使用者的分割结果里会带上主办方的配准偏差。若自行从原始 DICOM 重做配准，将无法与官方掩码严格对齐。

第三，BET 的适用性。BET 是 2000 年代初的颅骨剥离算法，在健康脑上表现良好，但在有大体积肿瘤、明显水肿或术后改变的脑上，剥离边界可能偏移。数据中的脑掩码若来自同一流程，边界误差会传导到所有下游指标。

2.3 掩码规格与命名

掩码为二值 NIfTI，每个文件对应一条束：CST_left、CST_right、OR_left、OR_right。提交格式要求前景体素取大于 0 的整数、背景为 0，且使用与影像相同的 affine。这一要求看似琐碎，实际决定了评测能否进行：若 affine 不一致，平台的体素级比对会直接错位。

命名中的 left 与 right 指解剖学的左与右。神经影像的一个经典陷阱是影像坐标中的左右与患者解剖左右相反（放射学惯例），NIfTI 通过 affine 的符号位表达朝向，文件名里的 left/right 则应按解剖意义理解。若自建管线时忽略了重定向（reorientation），可能出现左右互换而 Dice 仍接近的现象，因为两束在解剖上高度对称。这一点在常见误读一节的技术陷阱里单列。

掩码的取值是二值而非多类，意味着四条束之间没有互斥关系。理论上一个体素可以同时属于 CST 与 OR，实际解剖上两束交叉极少，但数据未做互斥约束，做多类训练时需要自行处理。

四条束体量并不对等。皮质脊髓束从运动皮层下行经内囊、大脑脚、脑桥至延髓，行程长、截面变化大，在肿瘤位于运动区或基底节时最易被推移；视辐射从外侧膝状体向后绕行，走行更贴近颞顶叶深部白质，肿瘤位置不同则受影响程度差别悬殊。这种不对称意味着四束的平均 Dice 天然会被其中较难的一束拉低，报告分项成绩比报告总平均更能说明问题。

2.4 标注工艺：半自动意味着什么

官方对标注的描述是 semi-manual（半自动）。这三个字的信息量很大：

半自动标注的典型流程是，先用纤维追踪算法在扩散数据上生成候选流线，再由具备神经解剖知识的人筛选、裁剪、修订，最后把保留的流线体素化为二值掩码。与全手工逐层勾画相比，这一流程快得多；与全自动算法输出相比，它有人工把关。

对使用者的含义有三层：

1. 标签带着追踪算法的先验。算法追踪不到的纤维（例如被肿瘤推移、方向弥散、交叉区）在标签里同样缺失，模型学到的会是算法能追到的部分。
2. 标签的一致性取决于修订者的判断。官方未说明由几位专家修订、是否做了观察者间一致性检验，也没有报告标注的重复性。
3. 标签在难例上不可靠。官方自己承认 4 例训练例因纤维追踪重建困难而未给 CST 标注——这说明连半自动流程都放弃了这些病例，它们恰恰是临床上最需要算法帮助的病例。

第三点是这个数据集最值得正视的结构性张力：它在最容易的病例上给出了标签，在最难的病例上选择了空缺。这一取舍在数据生产上是理性的——强行给出不可靠标签比不给标签更糟——但对使用者构成了隐含的分布偏移：训练集的可学样本偏向「纤维束仍可追踪」的病例。

2.5 病种构成与影像异质性

官方首页列出的病理类型为少突胶质细胞瘤（oligodendroglioma）、星形细胞瘤（astrocytoma）、胶质母细胞瘤（glioblastoma）与海绵状血管瘤（cavernoma），并说明包含初发与术后复发两种情况。这一构成对数据的影响可以分层看：

层次	内容	对任务的影响
肿瘤类型	三类胶质瘤加一类血管性病变	胶质瘤浸润性生长，纤维束可能被推挤或包绕；海绵状血管瘤多为边界清晰的含铁血黄素环，造成局部磁敏感伪影
肿瘤体积	4 至 60 cm³	大体积肿瘤造成显著占位效应与中线移位，纤维束解剖位置偏移
水肿程度	无至显著	水肿区扩散参数异常，追踪算法在其中容易产生伪流线
病程	初发或术后复发	术后改变（手术腔、胶质增生、含铁血黄素沉积）改变局部扩散特征

水肿一项尤其重要。血管源性水肿会增加细胞外水分子扩散，降低各向异性分数，使追踪算法在肿瘤周围的白质中失去方向性。这正是临床上最难自动化的区域，也是官方承认追踪重建困难的原因所在。

病种与体积的分布并未公开。官方只给了体积的上下界，没有给出各病种例数、各体积区间的例数。这带来一个实际困难：若研究关心「大体积肿瘤是否更难分割」，无法从数据本身得到分层依据，只能靠自行从影像上测量肿瘤体积，而这又需要额外的肿瘤分割步骤。

2.6 数据字典与字段可靠性

文件/字段	含义	格式	可靠性
T1.nii.gz	无增强 T1 加权像	NIfTI，128×144×128	官方明示参数，可靠
Diffusion.nii.gz	64 方向扩散加权像	NIfTI，同网格	官方明示，但未说明是否已做涡流与头动校正，语义存疑
Diffusion.bvals	b 值表	文本	依惯例推定，格式未在官方页明示
Diffusion.bvecs	梯度方向表	文本	依惯例推定，坐标系约定（是否已随配准旋转）未说明
brain_mask.nii.gz	脑掩码	二值 NIfTI	第三方文件树可见，官方页未描述生成方式
CST_left/right.nii.gz	皮质脊髓束掩码	二值 NIfTI	半自动，4 例缺失
OR_left/right.nii.gz	视辐射掩码	二值 NIfTI	半自动
病例编号	case_1 至 case_75	目录名	训练测试分界由提交说明反推

表中两个「语义存疑」字段值得单独提醒。第一，扩散像是否经过涡流校正（eddy current correction）与头动校正，官方页完全没提；若未校正，bvecs 与影像之间的对应关系在边缘会有偏差。第二，bvecs 在配准后是否随之旋转，也没说明。这两个问题都会直接影响使用者自行计算张量或方向分布函数时的正确性，属于必须在方法学部分声明的未知项。

第三处可靠性提示在「病例编号」一行。文件树是按第三方索引描述重建的，官方参与页只在提交示例里出现 case_61 这一编号，因此「训练为 1 至 60、测试为 61 至 75」是合理推断而非官方明示。若下载后的实际编号与之不符（例如从 0 起编或跳号），应以目录实况为准。

2.7 文件组织与体积估计

第三方整理的文件树显示数据分为五个子目录：训练影像、测试影像、训练掩码、测试掩码占位、训练流线。影像目录按训练与测试两分组，每组每例含 T1、扩散像、bvals、bvecs 与脑掩码。流线目录只覆盖训练集，且以 .trk 格式存储。

流线文件的存在值得单独说明。它意味着标注并非只有体素掩码一种形态——.trk 保留了纤维的走向与逐条流线，可以做纤维束剖面分析、沿束采样等体素掩码做不到的操作。但这类文件的使用门槛更高，需要专门的流线可视化与统计工具，且官方未说明流线与掩码是否严格一一对应。

体积方面，官方未公布总下载大小。按 128×144×128 体素、T1 单通道、扩散像 65 通道估算，单例扩散像的原始体素值约一百多万个，若以 16 位整数存储约 2.4 MB、32 位浮点约 4.7 MB，压缩后应在 1 至 3 MB 量级；T1 单例不足 1 MB。整份数据压缩后在数百 MB 量级，属于可在普通工作站上全量载入内存的规模。这一估计仅供参考，实际大小以下载页为准。

§3 怎么拿到

3.1 三道门：注册、审核、下载

获取路径是一条标准的挑战赛流水线，没有旁路：

1. 在 Grand Challenge 项目页点击加入（Join）按钮，填写账号信息；
2. 等待主办方审核通过；审核标准未在页面说明，从「参与者」这一称谓看，倾向于研究者身份；
3. 审核通过后，项目页的数据集（Dataset）分区出现下载链接，按训练影像、训练掩码等分卷提供。

这一流程的关键特征是链接不可外传：没有公开直链，也没有任何镜像。检索时若看到第三方站点声称提供「BrainPTM 一键下载」，需高度警惕——按协议，任何再分发都违反数据使用条款。

审核环节的实际耗时官方未说明。实践中，Grand Challenge 平台上不同赛事的审核节奏差异很大，从即时通过到数日不等。若研究计划有时间节点，应提前启动注册，而不是等到需要用数据时才开始。

3.2 许可条款逐句读

官方首页的数据使用协议只有两句话，但每句都很硬：

Participants cannot share the data, cannot use it for any commercial purpose.

拆开看：

• cannot share the data：禁止共享。这条比「禁止商用」更严格，意味着连学术合作者之间也不能互相转发，每个使用者都应自行注册获取。
• cannot use it for any commercial purpose：禁止任何商业目的。产品研发、企业内部模型训练、以商业服务形式提供的算法，都在禁止范围内。

协议的第二段是引用要求：若使用本数据或其一部分发表论文（包括排行榜的测试集评测结果），须引用两篇前置论文。这意味着即使用户没有参赛、只是拿数据训练了一个模型并发表，也应引用这两篇文献。

页面未标注 CC BY、CC BY-NC 或任何标准许可名称。这一缺失的意义是：不能按标准许可推断权利边界，只能按协议原文理解。例如「学术用途」是否允许用于发表、是否允许在论文中展示样例图像，协议都没有明确，需要时须向联系人书面确认。

3.3 与标准许可的对照

维度	BrainPTM 2021 协议	CC BY 4.0	CC BY-NC 4.0
再分发	无明示授权	允许（须署名）	允许（须署名，非商业）
商业使用	禁止	允许	禁止
改作	未明确	允许	允许（非商业）
署名要求	引用两篇前置论文	须署名	须署名
是否开放数据	否	是	是（非商业口径）

结论很直接：这不是开放数据。它在开放程度上低于 CC BY-NC，因为非商业的再分发也未被授权。把这类数据归入「开放数据集」列表会造成误导，检索者据此规划的数据共享方案会在合规审查时受阻。

表中的「无明示授权」一栏是刻意措辞。严格地说，协议只写了「不能共享」，并未写明「非商业共享是否可以」，法律上这属于授权范围不明，而非明确禁止。谨慎的处理方式是按最严格解释执行：不共享。

3.4 合规使用的边界清单

基于协议原文，可以推出一份保守的使用边界：

• 可以：注册获取后在所属机构内部用于学术研究；发表论文时按约定引用；在论文中报告在该数据上训练或评测的结果。
• 需确认：在论文中展示病例影像截图；将训练好的模型以权重形式公开（权重是否属于「数据的一部分」协议未定义）；与外部合作者共享处理后的衍生数据。
• 不可以：把原始数据上传到公开网盘或代码仓库；用于企业内部产品开发；把数据打包进对外发布的基准集。

第三条里的「衍生数据」尤其容易踩线。把影像重采样、裁剪成 patch 后上传，仍属再分发的一种形式，协议并未因其「已变形」而豁免。

模型权重的问题在当前的研究生态里越来越常见。一种常见做法是论文录用后把权重放上公开仓库以便复现，但若模型在 BrainPTM 上训练过，权重可能被解读为「数据的衍生」。多数研究者的实际做法是同时在公开数据上训练一个可发布的版本，把 BrainPTM 上的结果只作为内部验证报告——这是一种折中，而非协议的明文允许。

3.5 不参赛也能用

挑战赛已结束，但数据获取通道在抓取时点仍开放。这对使用者的含义是：不必真的提交结果到排行榜，也可以把这批影像当作普通的带标签分割数据集使用。区别在于，不参赛就没有官方测试集评分，所有评测只能在自己划的验证集上做——而这恰恰是这份数据最需要谨慎处理的地方。

不参赛还有一个隐性代价：无法通过提交反馈校正自己的预处理错误。挑战赛期间，参赛者往往通过多次提交观察分数变化来发现管线问题（例如标签读取错位、affine 不一致），而赛后使用者没有这条反馈回路，错误可能一直潜伏到论文评审阶段才被发现。

§4 质量与已知问题

4.1 文档质量：参数齐全，元数据缺位

公平地说，这份数据在采集参数层面的文档优于多数挑战赛：扫描仪型号、序列参数、原始与交付分辨率、预处理工具、目标结构、缺失情况、提交格式、评测指标，官方页都写清楚了。这些信息足够一个影像工程师独立复现预处理链。

缺口在元数据层面：

• 没有病例级的临床信息表（年龄、性别、病理分级、肿瘤位置、既往治疗）；
• 没有标注者信息与标注流程的详细描述；
• 没有训练测试划分的依据说明（是随机分配还是按病种分层，未知）；
• 没有扩散像的校正状态说明（涡流、头动、梯度非线性）。

对方法学研究，前两项影响有限；对需要做分层分析或临床相关性研究的团队，第一项的缺失是硬伤——无法回答「这个方法在胶质母细胞瘤与海绵状血管瘤上表现是否不同」这类问题，因为病种标签不在数据里。

第三项缺失还有一层影响：若训练测试划分是按病种分层，则测试集与训练集的病种构成相似，排行榜成绩可以视为同一分布下的估计；若划分是随机的，小样本下两组构成的差异可能不小，成绩的波动会被进一步放大。这个信息本可以一行字写清，却决定了结果能推广到什么程度。

4.2 标注缺失的结构性偏差

4 例缺 CST 不是随机缺失。官方给出的原因是「纤维追踪重建困难」，而追踪困难通常出现在肿瘤邻近、水肿显著、纤维束被推移或浸润的病例。这意味着缺失与难度正相关：

假设	支持证据	反对证据	结论强度
缺失病例是难例	官方明示原因为追踪困难；追踪困难多见于病变邻近区	未公布这 4 例的肿瘤位置与体积，无法直接验证	B（两条间接证据，无直接数据）
缺失造成评测乐观偏差	若难例被排除，剩余样本的平均难度低于总体	测试集是否有同类缺失未说明	C（单一逻辑推演）
缺失反映方法而非数据缺陷	换用更强的追踪或分割方法，这 4 例或有解	官方未说明是否尝试过其它方法	C

结论是：这 4 例的存在本身是有价值的信息——它标出了「当前纤维束技术的能力边界」。使用者在报告结果时，应明确分母取四束齐全的例数，还是全部有标注的例数。

需要补一句方法论上的提醒：这 4 例在训练集里「缺标签」，如果使用者把全零掩码当作真值喂进损失函数，模型会被训练成「在这些病例上不预测 CST」。正确做法是从损失计算中排除这 4 例的 CST 通道，或者在数据加载阶段跳过对应文件。这一处理细节在官方页没有说明，属于使用者必须自行决定的设计选择，且会影响结果的可比性。

4.3 单中心与单扫描仪的泛化风险

所有数据来自一台 3T Signa。这在方法学上意味着三件事：

1. 无法评估跨设备泛化。不同厂商的梯度系统、不同的 b 值标定、不同的线圈，都会改变扩散信号。在单台设备上训练的模型换到另一台设备上性能下降，是扩散 MRI 领域的常见现象。
2. 无法评估跨机构泛化。不同医院的手术指征、肿瘤谱、扫描协议都不同。
3. 无法做机构间的一致性分析。单中心数据天然无法回答「两个中心的标注标准是否一致」。

对比之下，同样面向脑肿瘤的多中心数据集（例如跨机构联邦学习的脑肿瘤分割项目）正是为了解决这一点而设计。BrainPTM 2021 的定位不是替代它们，而是提供一个「临床深度足够、工程复杂度可控」的小样本基准。

单中心还有一个更隐蔽的效应：患者的转诊结构。Sheba 医学中心是以色列的大型三级医院，其收治的脑肿瘤患者可能偏向复杂病例（复发、巨大肿瘤、邻近功能区）。若如此，这批数据的难度分布与基层医院或体检人群不同，直接外推会高估模型在普通病例上的困难程度。这一点无法从公开信息验证，只能作为使用时的一句限定。

4.4 小样本的统计后果

训练集与测试集都只有数十例与十余例的量级，在分割研究里属于小规模。后果可以量化地看：

• 验证集波动大。若从训练集里划出约五分之一做验证，单例 Dice 变化 0.05 只会让验证集均值变动不到 0.01；但若某例特别难（Dice 0.3），其影响可达 0.06，足以让两次实验的排序反转。
• 交叉验证几乎是必需的。5 折交叉验证每折 12 例，是这份数据上比较方法的最低要求。单次划分的结果不宜作为结论。
• 测试集排名的分辨力有限。十余例的平均 Dice，其置信区间宽度在 0.05 量级，意味着相差 0.02 的两支队伍在统计上难以区分。

这些不是数据的缺陷，而是小样本的固有属性。问题在于官方页面没有提示这一点，使用者容易把排行榜名次当作能力差异。

还有一层：纤维束指标本身对边界敏感。细长结构的 Dice 对「少预测一小段」比「整体偏移一点」更敏感，两条束的直径只有几个体素，边界误差一两个体素即可造成明显的指标下降。因此在小样本上比较方法时，除 Dice 外最好同时报告距离类指标（如 Hausdorff 距离、平均表面距离），后者对细长结构更稳定。

4.5 评测协议的未定义处

官方写明用 Dice 与 Jaccard，按四条束分别对测试例取平均。但有几处没有定义：

• 四条束是否再加权合成单一总分？若合成，是否等权？
• 缺失 CST 的病例在测试集里是否存在？若存在，CST 的平均分母是多少？
• 空预测（全零掩码）如何处理？Dice 定义为 0 还是未定义？
• 是否允许使用额外训练数据（外部数据、预训练权重）？

最后一条在挑战赛里往往是争议焦点。BrainPTM 2021 的页面没有设「禁止外部数据」的条款，这与一些严格限制的赛事不同。使用者在引用他人成绩时，应意识到不同队伍可能使用了不同的外部资源。

评测对象本身也值得确认：Dice 是按体素算的还是按体积算的。在统一网格下两者几乎等价，但若参赛者提交了不同分辨率的文件，平台是否重采样、如何重采样，都会影响结果。官方要求提交文件使用与影像相同的 affine，实际上排除了这一歧义，但前提是参赛者严格遵守。

4.6 排行榜空白的问题

抓取时点访问官方排行榜页面，只看到表头（用户、创建时间、平均 Dice、评论、发表），没有任何队伍记录。页面注明「每位参与者只列其最佳已发表结果」，这解释了为什么榜单可能为空：成绩需以论文发表为条件才上榜。

这一设计对数据使用者的影响是：

• 无法从官方渠道得知参赛规模与最好成绩；
• 无法用排行榜数字作为方法对标的锚点；
• 任何声称「在 BrainPTM 上达到某某 Dice」的说法，都需要核查其自建划分，因为官方榜单不提供可比基准。

另一种可能是排行榜仅在赛事期间对参赛者可见，赛后对外隐藏。无论哪种解释，外部研究者能获得的公开信息都只有「榜单暂无可引用成绩」这一事实。引用时不应臆测「没有队伍参与」，只能陈述「官方公开页面未见成绩」。

§5 能做什么

5.1 任务清单

任务	输入	输出	与官方任务的偏离度
四束体素分割	T1 + DW	四条束的二值掩码	零（官方任务）
单束分割	T1 + DW	单条束掩码	低（拆分四分类）
左右分侧一致性分析	掩码	对称性指标	中（需自建指标）
多模态融合消融	T1 或 DW 单独 vs 联合	掩码	低（同一标签，改输入）
跨病例泛化测试	留一病例	掩码	低（改划分）
追踪算法与分割算法对照	DW	流线 vs 掩码	中（需自建追踪基线）

前两项是这份数据最直接的用法。第三项利用了「左右分开标注」这一设计——同一患者的左右两束在解剖上近似镜像，可作为天然的对称性先验检验。第四项是方法研究的常见需求：只给 T1 不给扩散像，模型能学到什么？只给扩散像不给结构像，又怎样？这类消融在单中心小样本上是可行且有信息量的。

第五项需要说明设计。「留一病例」意味着训练次数等于病例数，计算成本不低；实践中更常见的是 5 折或 10 折。若追求对单例方差的稳健估计，可以先用 5 折，再对表现最差的若干例做专项分析——这与「找难例」的研究目标一致。

5.2 最小可执行示例

以下骨架展示从读取到评测的最短路径，不含任何调参，只用于确认数据可用：

import nibabel as nib
import numpy as np

case = "case_1"
t1 = nib.load(f"sheba75_data_train/{case}/T1.nii.gz")
dw = nib.load(f"sheba75_data_train/{case}/Diffusion.nii.gz")
mask = nib.load(f"sheba75_tracts_train/{case}/OR_left.nii.gz")

print(t1.shape, dw.shape, mask.shape)      # 空间三对应为 128x144x128
print(np.allclose(t1.affine, mask.affine)) # 应为 True，否则不可比
print(np.unique(mask.get_fdata()))         # 应为仅含 0 与 1

三点必须核验：形状一致、affine 一致、掩码取值二值。缺一即说明数据在下载或解压环节出了问题。若 affine 不一致，说明掩码经过了额外的重采样，需要先对齐。

注意扩散像的形状会多出一维，因此打印形状时不会与 T1 完全相同——前三维一致即可。若把完整形状拿去和 T1 逐一比对，会误判为不一致。

5.3 载入扩散数据的注意事项

扩散数据是一个四维张量（三个空间维加一个方向维），与 T1 的三维张量形状不同。读取时应先确认第四维的长度是否为 65（64 个方向加 1 个 b=0），并核对 bvals 的长度是否一致。若长度不符，可能是 b=0 图像被单独存储，需自行拼接。

bvecs 的坐标系约定是另一个坑。FSL 格式的 bvecs 是 3×N 的矩阵，而多数 Python 工具期望 N×3。转置错误不会报错，只会让纤维方向全部错误，且难以从损失曲线上察觉。

排查的办法是做一个可视化自检：算出各向异性分数图，叠加到 T1 上看胼胝体膝部与内囊后肢是否呈现高信号。这两个区域的纤维方向高度一致，是最容易目视验证的部位。若这些位置不亮，方向数据大概率有问题。

5.4 评测实现的要点

Dice 与 Jaccard 都是基于集合重叠的指标，实现本身简单，但有三处容易出错：

• 空掩码情形。若预测与真值都为空，Dice 按 0/0 处理还是记为 1？若真值为空而预测非空，Dice 为 0。官方未定义，自行实现时须在方法部分写明。
• 按束平均还是按例平均。先对每例算四束平均再对例平均，与先对每束算例平均再对束平均，结果不同。官方口径是按束分别平均，但未说明最后如何合成。
• 体素计数而非体积。在统一网格下两者等价，但若自行重采样，体积与体素数的对应关系会变。

三处之中，第一处最容易产生误导性结果。若某条束在若干例上完全缺失（例如小肿瘤病例的 OR 极细），空真值会出现，此时把 0/0 记为 1 会系统性抬高平均分。稳妥做法是报告时同时给出「非空例上的平均」与「含空例的平均」两个数。

5.5 可以延伸的研究方向

在不超出协议许可（非商业、内部学术）的前提下，这份数据支持若干具体研究方向：

1. 管状结构的分割方法学。纤维束细长、分支、易断裂，是检验拓扑保持损失（topology-preserving loss）的理想素材。
2. 多模态融合的收益量化。结构像提供解剖边界，扩散像提供方向信息，两者缺一不可的说法是否成立，可以用消融直接验证。
3. 难例分析与不确定性估计。肿瘤邻近区是天然的高不确定区，可用这份数据检验不确定性图是否与误差分布吻合。
4. 半自动标注的可信度研究。既然标签本身来自半自动流程，可以用不同追踪参数重跑，观察标签对参数的敏感度。

第四项尤其值得做，因为它把数据的一个弱点转化成了研究对象。具体做法是固定一例影像，改变追踪算法的停止阈值与角度阈值，生成多个版本的纤维束，再计算它们与官方掩码的重合度。若重合度对参数高度敏感，就说明官方标签只是「某个参数点上的一个合理答案」，而非唯一答案。

§6 常见误读与引用陷阱

6.1 误读对照表

常见说法	实际口径	证据位置
全称是 Brain Preoperative Tissue Mapping（脑术前组织成像）	全称为 Brain Pre-surgical white matter Tractography Mapping；Tractography 是纤维束成像，不是 Tissue	官方首页标题
这是一个「脑组织分割」数据集	任务对象是白质纤维束，不是脑组织或肿瘤组织	官方参与页任务说明
75 例全部带纤维束标注	只有训练子集带掩码，其余只给影像用于评测	官方首页
训练子集每一例都四束齐全	有 4 例因追踪重建困难缺 CST，四束齐全的例数少于训练例数	官方参与页 NOTE
这是多中心数据集	全部采集于 Sheba 医学中心一家	官方首页
训练集里没有肿瘤的病例	全部病例均为脑肿瘤拟手术患者，含初发与复发	官方首页
图像已经是训练用的标准尺寸	交付网格虽是各向同性，但已是重采样结果，原始层厚不同	官方参与页
扩散像是 1×1×1 毫米各向同性	原始扩散像为 1×1×2.6 毫米，仅重采样到各向同性网格	官方参与页
数据可自由下载与转发	须注册审核，且协议禁止再分发、禁止商用	官方首页协议段
这是 CC BY 许可的开放数据	页面未标注任何标准许可，只有自定义协议	官方首页协议段
排行榜有公开成绩可对标	官方排行榜页面抓取时为空，无队伍记录	官方排行榜页
这是 2021 年采集的数据	2021 是挑战赛年份，采集时间未公布	官方首页未给采集年份
标注是专家逐层手工勾画	官方措辞为半自动，由追踪算法重建后人工修订	官方参与页
肿瘤体积上限约 26 立方厘米	官方给的肿瘤体积上限远高于此；26 立方厘米是第三方统计的纤维束标注体积，两者不是同一个量	官方首页 vs 第三方索引
测试集掩码也提供，只是被置零	测试集只提供影像与空模板，不含标签	第三方文件树中的 dummy 目录
该数据集有官方数据描述论文	未见独立数据论文，引用约定指向两篇前置方法论文	官方引用段
数据可以上传到公开仓库做复现	协议禁止共享，含变形后的衍生数据	官方首页协议段

表中前两条属于名称误读，中间数条属于规模与构成误读，后段属于许可与工程误读。三类误读的成因不同：名称误读来自缩写的陌生感，规模误读来自「总数即标注数」的默认假设，许可误读来自对「学术数据集」的想当然。

误读表本身也需要一个使用提醒：表中的「实际口径」列写的是官方原文可支持的最保守陈述，而非对数据优劣的评价。例如「只有训练子集带掩码」是事实，「测试集无真是为了防过拟合」是解释，两者不在同一层。引用时只引前者。

6.2 技术性陷阱

陷阱一：左右互换不报警。 NIfTI 的 affine 决定了影像在解剖坐标中的朝向，放射学惯例下影像左侧对应患者右侧。若处理管线中做了重定向却未同步翻转掩码，左束会与右束对调。由于两束在解剖上高度对称，Dice 可能只下降几个百分点，损失曲线上完全看不出异常。核验方法是抽一例，在解剖坐标中确认掩码的质心横坐标符号。

陷阱二：bvecs 未随配准旋转。 扩散像配准到 T1 时，若做了旋转，梯度方向必须同步旋转。官方未说明这一处理是否完成。使用者若自行重算张量，应先在小样本上验证主方向是否与解剖预期一致（例如内囊区的纤维方向应大致为上下向），再决定是否信任 bvecs 的坐标系。

陷阱三：第四维顺序。 扩散数据的方向维通常把 b=0 放在第一或最后一个位置，不同工具默认不同。若误把 b=0 当作第一个梯度方向参与张量拟合，结果会出现异常的零扩散体素。

陷阱四：把空模板当真值。 文件树中的测试掩码目录是给参赛者填充的空模板，内容全零。若脚本按文件名通配读取，会把全零当真值，算出 Dice 为零或未定义的荒谬结果。

陷阱五：病例编号不连续。 训练例与测试例分属不同编号区间，中间没有断号；但若只拿到部分分卷，编号会出现空洞。按编号范围生成文件列表而非按目录枚举，会在空洞处报错。稳妥做法是枚举目录后排序。

陷阱六：以 Dice 排序代替能力判断。 测试集只有十余例，平均 Dice 的置信区间宽度在 0.05 量级，相差 0.02 的排名不具统计意义。引用他人结果时，应同时看每束的分项成绩与方差，而不是只看总分。

陷阱七：把缺失标注当负样本。 缺失 CST 的病例若被读成全零掩码，模型会被训练成「在这些病例上不输出」，评测时也把全零当真值。正确做法是在加载阶段按文件存在性过滤，或在损失函数里屏蔽对应通道。

七条陷阱里，前四条与数据格式相关，可以直接在加载阶段编程检查；后三条与实验设计相关，只能靠方法学自律。两类陷阱的排查成本差别很大：格式问题一旦发现，改几行代码即可；设计问题一旦写进论文，往往要重做实验。

§7 在生态中的位置

7.1 在术前脑 MRI 数据集谱系中的坐标

把库内与公开的脑 MRI 数据集按「任务对象」与「模态」两个轴摆放，BrainPTM 2021 的位置相当特殊：

数据集	任务对象	模态	规模	库内编号
BrainPTM 2021	白质纤维束（CST、OR）	T1 + DW	小样本（十位数量级）	本篇
UCSF-PDGM	弥漫性胶质瘤	多序列结构 MRI + 扩散派生图	数百例	469
BraTS	胶质瘤分区	四序列结构 MRI	千例级	24
BRISC	脑肿瘤分割与分类	T1	百例级	792
FeTS	脑肿瘤分割（联邦学习）	多序列结构 MRI	千例级	476
NFBS	颅骨剥离金标准	T1	百例级	1071

这张表揭示的规律是：在术前脑 MRI 领域，绝大多数数据集的任务对象是肿瘤本身，纤维束只作为可选的附加模态（如 UCSF-PDGM 附带扩散派生图）。把纤维束作为唯一标注对象的公开数据集极少，BrainPTM 2021 因此占据了一个细分但清晰的位置。

表中规模一列刻意不重复具体病例数，因为该数字在别处已出现，重复列示只会稀释信息密度。读者若需核对，可回看数据构成一节的规模总表。

7.2 与肿瘤分割数据集的互补关系

「纤维束分割」与「肿瘤分割」在临床流程中是串联的两步：先勾肿瘤，再评估肿瘤与关键纤维束的空间关系，据此决定切除边界。两步的输入高度重叠（都是术前 MRI），但标注对象不同。

这一互补关系带来一个实用结论：BrainPTM 2021 可以与肿瘤分割数据集配合使用，构建「肿瘤加纤维束」的联合任务。做法是在同一病例上叠加两个标注源——但由于 BrainPTM 的病例不公开身份信息，无法与其它数据集的病例做患者级匹配，只能在方法层面组合，不能做数据层面的合并。这是一个容易被忽略的限制：跨数据集的联合训练需要共同的坐标系或配准，而这两份数据的分辨率、预处理链都不同。

若确实需要联合，可行的路径是「级联」而非「合并」：先在肿瘤分割数据上训练肿瘤分割模型，再把模型迁移到 BrainPTM 病例上生成伪标签，最后用真实纤维束标签监督第二阶段的纤维束分割。这条路径的问题是伪标签误差会沿链条传播，且无法从 BrainPTM 自带标签中分离出来。

7.3 与健康脑扩散数据集的差异

健康脑扩散数据集（如多站点健康成人脑 MRI 集合、发育脑连接组项目）在规模上远大于 BrainPTM，且在扩散序列质量上通常更优（更多方向、更高角分辨率、更好的一致性）。但它们的目标是脑连接组的群体统计，不是外科决策。

两者的差异可以用一句话概括：健康脑数据回答「纤维束正常长什么样」，BrainPTM 回答「肿瘤把它推到哪里去了」。前者的标注通常是基于配准的图谱映射，后者的标注必须逐例处理，因为解剖已被病变改变。这也解释了为什么后者的例数少得多——逐例处理的成本远高于图谱映射。

这一差异也决定了评价方式的不同。健康脑数据上的纤维束分割常用与图谱的重合度评价，因为「正确」有一个群体平均的参照；BrainPTM 上只能用与人工/半自动标注的重合度评价，而该标注本身受追踪算法影响。换言之，前者的评价有外部锚点，后者的评价只有内部一致性。

7.4 在挑战赛生态中的位置

BrainPTM 2021 属于 Grand Challenge 平台上「小而专」的一类赛事：单一中心、单一任务、单次举办、无后续届次。与之相对的是 BraTS 这类「大赛事」，连续多年举办、逐年扩充数据、形成稳定的社区与方法谱系。

这一差异的直接后果是可见度：BrainPTM 在文献中的出现频率远低于 BraTS，相关论文多为「顺带使用」而非「专门研究」。数据本身的质量并不因此降低，但对使用者而言，缺少一个持续维护的社区意味着文档问题不会有官方更新，错误也不会被及时更正。

「单次举办」还有一层含义：没有后续届次，就没有版本演进，也没有「去年的方法在今年的数据上表现如何」这类纵向比较。数据是静态的，而脑肿瘤影像的临床实践在变，若干年后这批数据的代表性会下降。

7.5 检索与引用建议

检索这份数据时，可用的关键词组合包括：BrainPTM、BrainPTM2021、pre-surgical tractography mapping、Sheba 75 cases、CST OR segmentation challenge。中文侧可试「脑术前白质纤维束」「纤维束映射挑战赛」「皮质脊髓束 视辐射 分割数据集」。

引用时需注意：官方要求引用两篇前置论文，而不是引用一个「数据集论文」。规范的写法是「数据来自 BrainPTM 2021 挑战赛（Sheba 医学中心 CILAB），方法背景见 Avital 等 2020 与 Nelkenbaum 等 2020」，并按目标期刊要求补上项目页 URL。

另有一处容易被审稿人抓住的细节：两篇前置论文的年份。官方引用块把 Avital 等人的论文写作 2019 年，但其卷期为 IEEE Transactions on Medical Imaging 第 39 卷第 5 期，对应 2020 年 5 月。引用时应按卷期写 2020，若需与官方页面一致可在脚注说明。这一差异不影响文献可查性，但会让参考文献列表出现两个版本。

§8 总结

8.1 三句话

第一，BrainPTM 2021 是一份把神经外科术前纤维束勾画转化为体素级分割赛题的临床数据集，规模小、模态为两条、目标为四条束，临床背景真实。

第二，它的核心价值在于模态组合与任务定义：结构像加扩散像的多模态输入、四条束分侧标注、Dice 与 Jaccard 评测，使它成为检验「算法能否替代人工纤维束勾画」的直接试验台。

第三，它的主要限制是单中心、小样本、半自动标注、非开放许可，这四项决定了它适合做方法学验证，不适合做泛化性结论的最终依据。

8.2 适合与不适合

场景	判断	理由
检验管状结构分割的新损失函数	适合	纤维束细长，拓扑错误可量化
比较多模态融合策略	适合	两模态信息互补明确，消融成本低
做术前规划原型的可行性验证	适合	临床背景真实，影像来自实际手术患者
声称方法可跨医院泛化	不适合	单中心单设备，无外部验证集
训练通用脑部基础模型	不适合	规模过小，模态与任务均单一
发布可商用的纤维束工具	需另行授权	协议禁止商业使用
复现排行榜排名	不可行	官方榜单为空，测试集标签不公开

8.3 使用前的五个自问

1. 我的研究问题需要纤维束标签，还是只需要肿瘤标签？若后者，应换数据集。
2. 我的评测分母是否固定？缺标注的病例是否被正确排除？报告时是否说明了处理方式？
3. 我是否在一个划分上得出了结论？是否做了交叉验证？
4. 我的结果是否依赖了外部数据？若依赖，是否在方法部分声明？
5. 我的产出是否涉及商业用途？若是，许可是否已获书面许可？

这五问的顺序不是随意的：第一问决定「该不该用」，第二三问决定「结果可信不可信」，第四问决定「结果可比不可比」，第五问决定「能不能用」。多数失败的复现项目倒在前三问上，多数合规事故倒在后两问上。

§9 使用要点与复核清单

9.1 拿到数据后的第一小时

下载完成后的第一个小时，建议按固定顺序做四件事，而不是急着写训练脚本：

顺序	动作	目的	失败信号
1	统计目录与文件数	确认分卷完整	训练例数少于应有数量
2	逐个读取影像头信息	确认网格与 affine	形状或 affine 不一致
3	检查掩码取值分布	确认二值与前景体素数	出现非 0/1 取值或全零
4	抽一例计算各向异性分数图并叠加 T1	确认扩散方向可用	胼胝体与内囊不亮

这四步共用一份脚本即可完成，成本不到半小时，却能排除绝大多数「数据看起来对、结果莫名奇妙」的情形。第三、四步尤其重要：前两步只能证明文件读得进来，第三、四步才能证明内容是对的。

9.2 训练集划分建议

在小样本上划分数据，有几个可操作的约定：

• 分层依据只能是影像可见的变量。由于没有病种与体积标签，分层只能用「肿瘤是否邻近目标束」「掩码体积大小」这类可从影像测得或从掩码直接算出的量。
• 按掩码体积分位数分箱。把训练例按皮质脊髓束体积排序后分箱，再在箱内随机分配，可避免某一折全是小束病例。
• 缺失 CST 的病例单独成组处理。它们只有视辐射标签，若混入 CST 的交叉验证会破坏折间平衡。
• 固定随机种子并在方法部分写明。小样本上换一个种子可能让结论反转，写清种子是最低要求的可复现性。

9.3 结果报告的必备信息

一份可被别人复现的报告，至少应写明以下内容：

1. 使用的病例范围（训练、验证、测试各多少例，缺 CST 的如何处理）；
2. 使用的模态（仅 T1、仅扩散、两者拼接或双分支）；
3. 输入尺寸（原始网格还是裁剪块，若裁剪请给块大小与重叠率）；
4. 评价指标定义（Dice 的空真值约定、四束是先平均还是后平均）；
5. 交叉验证方式与随机种子；
6. 是否使用外部数据或预训练权重（用了什么、在什么数据上预训练）。

第 4 项与第 6 项是最常被省略的两项，也是审稿人最容易追问的两项。

9.4 常见结果异常的诊断表

现象	可能原因	排查方向
Dice 在 0.9 以上且各束相同	掩码被误读为真值本身	检查数据加载是否把标签当输入
Dice 接近 0 且四束一致	空模板被当真值	检查测试目录的读取通配
左右两束成绩完全对称	左右互换	检查 affine 朝向与掩码是否同步
验证集波动异常大	单例难度极端	逐例查看 Dice 分布而非只看均值
训练损失下降但 Dice 不涨	前景体素占比极低	检查类别不平衡与损失加权
肿瘤邻近区系统性漏检	标签本身在该区缺失	对照原图与掩码，确认是否为标注空缺

最后一行值得强调。「肿瘤邻近区系统性漏检」在多数分割任务里被当作模型缺陷，但在这份数据上可能反映的是标签的固有边界——半自动流程在追踪困难的区域本就不给标注。若不加区分地优化这一区域的 Dice，等于在拟合标注流程的局限而非解剖真实。

9.5 与其它数据联合时的对接要点

若确实要把这份数据与其它脑部影像数据联合使用，需要提前明确三件事：

对接项	BrainPTM 的取值	对接要求
空间分辨率	交付网格为各向同性毫米级	对方数据若为 1 毫米，需重采样到统一网格
朝向约定	由 affine 表达，未在文档中声明为 RAS 或 LPS	必须按 affine 实际值判断，不可假设
强度归一化	官方未做声明	需自行做 z 分数或百分位裁剪，并在报告中说明
脑提取	已用 BET 处理	对方若未做脑提取，需补做以避免背景干扰

强度归一化一栏常被忽略。T1 的绝对强度随扫描仪与序列参数变化，直接拼接不同来源的影像会让模型学到「来源」而非「解剖」。加入基于脑掩码内部的百分位归一化，是跨数据训练的标准做法。

9.6 复核清单（十项）

• 名称：是否写对为 Tractography Mapping，而非 Tissue Mapping
• 规模：病例总数、训练数、测试数三项是否与官方一致
• 缺失：缺 CST 的例数是否说明，分母是否交代
• 模态：是否说明两条模态及其原始分辨率差异
• 网格：是否说明交付网格已是重采样结果
• 掩码：是否说明半自动来源与其局限
• 许可：是否说明非再分发、非商用，是否避免称其为开放数据
• 评测：Dice 与 Jaccard 的空真值约定是否写明
• 结论：是否避免据单中心小样本做泛化断言
• 引用：是否引用两篇前置论文而非虚构的数据论文

§10 附录与编辑说明

10.1 缩写表

缩写	全称	中文
BrainPTM	Brain Pre-surgical white matter Tractography Mapping	脑术前白质纤维束成像映射
CST	corticospinal tract	皮质脊髓束
OR	optic radiation	视辐射
DW / DWI	diffusion weighted imaging	扩散加权成像
DTI	diffusion tensor imaging	扩散张量成像
ODF	orientation distribution function	方向分布函数
PDD	principal diffusion direction	主扩散方向
sROI	seeding region of interest	种子感兴趣区
BET	Brain Extraction Tool	脑提取工具
CILAB	Computational Imaging Lab	计算影像实验室
FA	fractional anisotropy	各向异性分数
trk	track file format	纤维流线文件格式

10.2 DAIMS 评估

维度	评分（1-10）	依据
D 可发现性	5	有官方项目页与两篇前置论文可查，但无数据描述论文，检索时缩写容易被拆解或纠错，第三方索引质量参差
A 可获取性	4	需注册审核，无公开直链与镜像；许可限制再分发与商用，获取后仍不可自由共享
I 可互操作	6	NIfTI 与 bvals/bvecs 是扩散 MRI 标准格式，可被主流工具直接读取；但无原始 DICOM，预处理不可复现
M 元数据质量	5	采集与预处理参数完备，但缺病例级临床表、缺标注流程细节、缺校正状态说明
S 可持续性	4	托管于 Grand Challenge 平台，页面长期可访问；但赛事已结束，无维护承诺，排行榜为空，文档问题无更新渠道
综合评级	4.8/10（中下）	数据本身临床价值高，短板集中在可获取性与元数据完整性，二者共同限制了复用规模

评分口径说明：五项各按 1 至 10 打分，综合评级为算术平均后一位小数。评分的参照系是「同类公开医学影像数据集」的普遍水平，而非绝对标准。可获取性一项给 4 分而非更低，是因为注册通道确实开放、数据确实可下载，只是不自由；可持续性一项给 4 分，是因为平台稳定但赛事已终，两者性质不同，同分属巧合。

10.3 假设与证据强度

全文的判断按证据强度分级：A 为三条以上独立证据，B 为两条，C 为单一来源，D 为推断。

• A 级：病例构成与训练测试划分（官方首页、参与页两处互证，且提交说明的编号可提供第三处间接支持）。
• B 级：影像采集参数、目标束选择、缺 CST 的例数与原因。
• C 级：文件树结构、标注体积统计、病例编号区间（均来自同一份第三方索引）。
• D 级：缺失病例即难例（逻辑推演）、排行榜空白导致无对标基准（由页面实访推出）、单中心造成转诊偏倚（由医院等级推出）。

分级的意义在于让引用者知道哪句话可以直接搬进论文、哪句话需要自己验证后再用。

10.4 未覆盖内容

• 病例级临床信息（年龄、性别、分级、肿瘤位置）不在数据内，无法讨论分层表现。
• 官方未公布采集年份跨度，未评估时间漂移。
• 测试集标签不公开，未报告任何官方评测分数。
• 未见该数据集上专门的基准论文，未汇总方法对比结果。
• 未核验实际下载体积，体积数字为按网格与通道数推算的量级估计。

10.5 核验与口径登记

核验时间：2026-10-18。核验方式：以 Grand Challenge 官方项目页与参与页为一手来源，第三方数据集索引为二手参照，中文专利文献为三手转述；官方排行榜页实访为空。

事实基础以官方两页为主。凡标注「第三方」的内容（文件树结构、标注体积统计、病例编号区间），均来自同一份 GitHub 索引，未经官方确认，按 C 级证据处理。凡页面未载明的事项（采集年份、参赛队伍数、许可标准名称、扩散像校正状态、标注者人数），一律列为未定义，不作推断补充。

名称核验是最重要的一处更正：派发时使用的「Brain Preoperative Tissue Mapping」一名在官方页面无任何对应，正确全称为「Brain Pre-surgical white matter Tractography Mapping」。该更正已写入误读表首行。

双口径登记三处：其一，Avital 等论文在官方引用块中写作 2019 年，卷期为第 39 卷第 5 期，对应 2020 年；其二，官方称训练集有标注，其中 4 例缺 CST，四束齐全的例数需自行推算；其三，肿瘤体积范围与第三方统计的纤维束标注体积是两个不同的量，不可混引。三处均在正文标明了出处与差异。

维护触发条件：官方页发布数据描述论文、排行榜出现成绩、许可条款变更、数据扩充或新增届次，任一发生时需复核。

10.6 数据构成细节的存疑处

存疑项	现有信息	影响	处理方式
扩散像是否做涡流校正	官方未提	影响自算张量的正确性	在方法部分声明为未知
bvecs 是否随配准旋转	官方未提	影响方向指向	用内囊区目视验证
brain_mask 来源	仅第三方文件树可见	影响背景区统计	默认视为 BET 输出
标注修订者人数	官方未提	影响标签一致性评估	视为未知，不作假设
训练测试划分方式	官方未提	影响成绩外推	报告时说明为未知
测试集是否含缺 CST 病例	官方未提	影响 CST 分母	提交前向主办方确认

这六项的共同特点是：不影响数据能不能用，只影响「用了之后能在论文里说多满」。把它们成表列出，是希望使用者在写作时直接把这张表搬进 Limitations，而不是回避。

10.7 与库内条目的互链说明

库内条目	编号	互链理由	差异要点
UCSF-PDGM	469	同为术前弥漫性胶质瘤 MRI，同含扩散模态	对象是肿瘤分割，非纤维束；多中心以外的单机构大规模
BraTS	24	术前脑肿瘤分割的主流基准	任务对象为肿瘤分区，无纤维束标签
NFBS	1071	颅骨剥离金标准，与本数据预处理链的 BET 环节直接相关	对象是脑掩码，非病变
BRISC	792	脑肿瘤 T1 分割与分类的专家标注基准	模态仅 T1，无扩散
FeTS	476	跨机构联邦学习范式	关注机构间差异，本数据为单中心
IXI	482	健康脑多序列 MRI 基准	健康脑，无病变，标注为图谱映射
OpenNeuro	100	开放神经影像共享平台	平台级条目，非单一数据集
dhcp	882	发育脑连接组，含扩散模态	新生儿人群，任务为连接组

互链的理由按「同任务」「同模态」「同预处理」「同机构类型」四类展开，而非按数据集名称相似度。这一原则的理由是：名称相似的数据集往往任务不同，按名称互链会把检索者引向错误的方向。

---

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：

• brats-meningioma — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 挑战赛数据集 / 肿瘤学
• brats-met — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 挑战赛数据集 / 肿瘤学
• promise12 — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 肿瘤学
• brats-africa — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 肿瘤学
• hntsmrg24 — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 肿瘤学
• brats — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 挑战赛数据集
• crossmoda-2023 — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 挑战赛数据集
• brats-pediatric — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 挑战赛数据集
• panda-cms — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 肿瘤学
• brats-2026 — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 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。