BraTS 2026

INFOBOX — BraTS 2026 一屏速览

维度	内容
本质	MICCAI 2026 第 15 届 BraTS 多任务挑战赛集群（Cluster of Challenges），非单一数据集
任务	5 个任务：分割 / 合成 / 分类 / 检测 / 局部合成（Inpainting）
肿瘤谱	GoAT 跨五类：成人胶质瘤 + 脑膜瘤 + 脑转移瘤 + 非洲胶质瘤 + 儿童脑肿瘤
规模	GoAT 训练 1,351 例 + 验证 451 例（转述口径）；Task 4 本地验证 126 subjects（一手口径）
泛化设计	验证集混入训练分布外的非洲/儿童肿瘤类型，类型标签保密，考跨肿瘤泛化
提交	Docker 容器盲评（dual-track：早鸟 visa 轨 + 标准轨）
时间线	训练/验证数据发布 2026-05（前后）；早鸟截止 2026-07-02；常规截止 2026-07-23
平台	Synapse（synapse.org/brats）+ GitHub 组织 github.com/BraTS-inpainting
组织	MICCAI + ASNR + UPenn CBICA（Bakas 团队统筹）
许可	集群登记 CC-BY; CC-BY-NC 并存（逐任务核验）
结果	Springer LNCS 17254（MICCAI 2026 Workshops and Challenges，待正式出版）
库内互链	brats（族谱综述）、brats-pediatric（儿科支线）、brats-africa（非洲支线）、fets（联邦姊妹赛）

注：本条目与库内 brats（rid=24）为上下位关系——brats 是 BraTS 系列历史综述，本条目是其 2026 年度多任务集群实体；与 brats-pediatric（rid=688）、brats-africa（rid=683）为并列子赛道关系（后两者是 GoAT 五类肿瘤中被单独成条的两条支线）。检索时勿将三者混为一条。

BraTS 2026 不是一个"又一个脑肿瘤分割数据集"，而是 BraTS 挑战赛在办到第 15 届时的一次形态升级：它把过去"一条赛道、一个分割任务"的惯例，扩成一个集群、五个任务——既要模型切得准（分割）、又要它生成得像（合成/修补），还要它认得对（分类）、找得到（检测）。而整套设计的题眼，藏在 BraTS-GoAT（Generalizability Across Tumors）这个名字里：验证集里塞进了训练时从未见过的肿瘤类型——非洲设备采集的胶质瘤、儿童脑肿瘤——且不告诉你哪张是哪类。于是这个挑战赛真正考的，是"换一个地方、换一种病，模型还剩几成"。

导语读法三则：

1. 想参赛/下数据：直奔 §6 获取与许可——主平台 Synapse，Task 4 另有 GitHub 组织，提交是 Docker 容器，别在旧官网（med.upenn.edu/cbica/brats，仍停更于 2023）上打转（坑 1）。
2. 关心"到底几个任务"：直奔 §3 与坑 2——官方登记列 6 个问题类别、参与者口径说 5 个任务，本条目主口径取 5 任务并逐条对照。
3. 想复现 GoAT 泛化实验：直奔 §4 规模与 §5 泛化设计——1,351 训练 / 451 验证是二手口径，分类标签保密是设计核心（坑 3、坑 6）。

§0 导读：这个数据集解决什么问题

脑肿瘤 AI 最大的敌人从来不是"看不懂训练集"，而是"一换环境就失灵"。一个模型在某个中心的成人胶质瘤数据上 Dice 能刷到 0.9，换到另一个国家的扫描仪、换一种病理类型，成绩可能掉一大截。BraTS 挑战赛办了十四届，长期聚焦成人胶质瘤这一种病，积累了医学影像领域最权威的分割基准；但正因为它太"专",也留下了明显的泛化盲区——跨设备、跨地区、跨肿瘤类型时的鲁棒性，始终缺乏一个统一的公开考场。

BraTS 2026 的答案是把考场做大、做杂。它用 BraTS-GoAT 赛段把五种差异极大的肿瘤放进同一个基准：形态规整的脑膜瘤、多发散落的脑转移瘤、位置形态自成一派的儿童脑肿瘤、以及在设备与扫描协议上都与欧美数据存在系统差异的非洲胶质瘤。更关键的是信息屏蔽设计：训练集只给三类（成人胶质瘤、脑膜瘤、脑转移瘤），验证集却混入另外两类（非洲胶质瘤、儿童脑肿瘤），而且不标注哪张属于哪类——模型不能靠"猜题型"取巧，只能真刀真枪地学可迁移的影像表征。

同时在任务维度上，BraTS 2026 把它组织成一个五任务集群：分割（Task 1）、合成（Task 2）、分类（Task 3）、局部合成/图像修补（Task 4）、检测（Task 5）。其中 Task 4「Local Synthesis」尤其体现挑战赛的前沿意识——它要求模型在 T1w MRI 中把被肿瘤占据的区域重建成解剖合理的健康脑组织，用 SSIM/PSNR/MSE 衡量"像不像"，目标是缓解病理偏置（pathology-induced bias），为下游分析与手术规划提供"如果这里没长瘤该是什么样"的对照。这个任务的谱系可追溯到 MICCAI 2023 起的 BraTS Inpainting 赛道，2026 已是第四代。

§0 读法三则：

1. 这个条目讲的是"一个挑战赛集群"，不是一个数据集——五个任务的输入输出、评测指标、甚至许可都可能不同，读的时候务必带任务视角，不要假设全集群共用一套规格（§3、§6）。
2. 规模数字要认来源：GoAT 的 1,351/451 是与会报道的二手转述，Task 4 的 126 subjects 是 MICCAI 官方论文库的一手数据——两套数字属不同任务，正文分别标注（§4、坑 3）。
3. 查数据别信官网：med.upenn.edu/cbica/brats 是 BraTS 的"祖传"页面，但 2026-10 抓取时仍只列到 BraTS2023；2026 集群的现源在 Synapse、MICCAI 官方挑战页和官方 GitHub（坑 1）。

§1 数据集速览：十问十答

Q1：BraTS 2026 到底是一个数据集，还是一场比赛？
两者都是，但更准确说是一场多任务挑战赛集群。它没有单一的"数据集"实体，而是围绕五类脑肿瘤 mpMRI 组织了五个任务，每个任务有各自的训练/验证数据划分与评测指标。把它当成"MICCAI 2026 的脑肿瘤 AI 奥运会"来理解最贴切。

Q2：为什么叫"第 15 届"？
BraTS（Brain Tumor Segmentation）挑战赛自 2012 年首届（Nice, France）起逐年举办，到 2026 年是第 15 届。历届地点从海德堡、波士顿、雅典一路办到近年的线上与 MICCAI 主会城市，主办方与品牌也逐步扩展为 MICCAI + ASNR + UPenn CBICA 的联合体。

Q3：五个任务分别是什么？
官方参与者口径为 5 个任务：Task 1 分割（肿瘤亚区体素级）、Task 2 合成（图像合成）、Task 3 分类（肿瘤类型/分级）、Task 4 局部合成/图像修补（缺失组织重建）、Task 5 检测（病灶定位）。注意官方登记页把问题类别列成 6 个（Classification/Detection/Image Synthesis/Infilling/Inpainting/Segmentation），与"5 任务"存在口径差（坑 2）。

Q4：什么是 BraTS-GoAT？
GoAT = Generalizability Across Tumors（跨肿瘤泛化），是 2026 集群的核心赛段设计。它把成人胶质瘤、脑膜瘤、脑转移瘤、非洲胶质瘤、儿童脑肿瘤五类放进同一个基准，专考模型在未见肿瘤类型上的泛化能力。名字里的"GoAT"既指"跨肿瘤"，也暗合英文 goat（史上最强）的双关。

Q5：验证集为什么"混入没见过的肿瘤类型"？
这是故意的泛化考验。训练集只含三类主流肿瘤，验证集额外掺入非洲胶质瘤与儿童脑肿瘤两类，且不给类型标签——模型无法通过识别"这是哪类题"来挑选策略，只能学通用影像表征。这模拟了真实临床里"遇到没见过的病种"的处境。

Q6：数据规模有多大？
分任务看：GoAT 赛段训练集 1,351 例、验证集 451 例（转述口径）；Task 4 Local Synthesis 的本地验证 split 是 126 subjects（MICCAI 官方论文口径）。两个数字属于不同任务与不同来源层级，不能相加也不能互相替代（坑 3）。

Q7：图像是什么规格？
全集群基于脑肿瘤多参数 MRI（mpMRI），四序列为 T1w、T1CE（T1w 对比增强）、T2w、T2-FLAIR，与 BraTS 家族一贯的输入规格一致，标准 NIfTI 格式。

Q8：怎么提交？
Docker 容器盲评。2026 设有双轨提交：早鸟 visa 轨（需早期结果以便办签证参会）截止 2026-07-02；标准轨截止 2026-07-23。测试集标签由官方服务器持有，选手提交容器后仅得分数反馈。

Q9：许可是什么？
集群官方登记为 CC-BY; CC-BY-NC 并存——这意味着不同任务或数据子集的许可可能不同，商用前必须逐任务回官方核验。另需注意：Task 4 的 GitHub 仓库显示 MIT/AGPL，那是代码仓许可，不等于数据许可（坑 5）。

Q10：和库内已有的 BraTS 条目什么关系？
库里已有 brats（rid=24，BraTS 系列综述）、brats-pediatric（rid=688，儿科赛道）、brats-africa（rid=683，非洲赛道）。本条目 brats-2026 是2026 年度多任务集群实体：brats 是它的上位族谱，brats-pediatric 与 brats-africa 是它 GoAT 五类肿瘤中被单独成条的两条支线（消歧详见 §8）。

Q11：为什么 BraTS 要"从分割扩到多任务"？
单一分割任务的排行榜在十余届迭代后逐渐饱和——顶尖方法的 Dice 差距缩小到小数点后几位，区分度下降。横向扩展任务维度（分类、检测、合成、修补）能重新拉开差距，也更接近临床工作流的真实全貌。这是挑战赛保持生命力的常见策略（§7.1）。

Q12：mpMRI 的四个序列各有什么用？
T1w 看解剖结构、T1CE（对比增强）突出血脑屏障破坏区（肿瘤强化区）、T2w 对水肿敏感、T2-FLAIR 抑制脑脊液信号以凸显脑实质病灶。四序列互补是 BraTS 十余年坚持的输入设计——单序列信息不足，四序列联合才能刻画肿瘤的完整影像特征。

Q13：这个挑战赛和"数据集"条目有什么命名差异？
本库多数条目对应"一份可下载的数据集"（如 brats-pediatric 对应 TCIA 的 BraTS-PED 收藏），而 brats-2026 对应的是"一场挑战赛集群"——它没有单一数据包，而是围绕五任务组织的数据-文档-评测整体。引用时务必写清"挑战赛集群"而非"数据集"。

Q14：Task 4 的"合成健康组织"有什么用？
三大用途：(1) 去偏——消除肿瘤存在对下游分析的干扰；(2) 手术规划——提供"若切除肿瘤，术后影像大概什么样"的对照；(3) 数据增强——为训练合成更多样的样本。它是生成式 AI 在医学影像里的正面用例（§3.4）。

Q15：怎么知道自己的方法"泛化"好不好？
BraTS-GoAT 提供了一个现成答案：在同分布验证集（三类训练肿瘤）与分布外子集（非洲/儿童两类）上的成绩差距。但 2026 的验证集不给类型标签，所以官方排行榜只给总分——想在研究中精确量化泛化，需要自建带类型标注的评测集。

Q16：CC-BY 与 CC-BY-NC 有什么区别？
CC-BY 允许自由使用（含商用），只需署名；CC-BY-NC 额外禁止商用（Non-Commercial）。BraTS 2026 集群登记两者并存，意味着部分任务数据可商用、部分不可——商用前必须逐任务确认哪一档（§6.2）。

Q17：Docker 容器提交为什么是"盲评"？
测试集标签由官方服务器持有，选手只能提交封装好的模型容器，服务器在私有测试集上运行并返回分数。这样既保护了测试集不被污染，也防止选手针对测试集过拟合——是医学 AI 挑战赛的通行做法。

Q18：BraTS 2026 的规模在同类里算大吗？
不算"大数据"。训练 1,351 例（GoAT 口径）与 BraTS 历史单赛道量级相当，Task 4 的 126 subjects 更小。它的价值不在数据量，而在任务多样性与泛化评测设计——这也是"挑战赛集群"相对"大规模数据集"的定位差异。

Q19：这个挑战赛会有人复现吗？
会，而且这正是挑战赛的意义——官方要求提交可复现的 Docker 容器，参赛方法进 Springer LNCS proceedings。对后来者，历届冠军方案是现成基线（如 Task 4 的 2024/2025 冠军方案被 2026 参赛者作为对标锚点）。

Q20：作为数据使用者，最该注意什么？
三点：任务口径（五个任务规格各异，别假设统一）、许可逐任务核验（CC-BY/CC-BY-NC 并存）、来源分层（规模数字有二手/一手之别）。这三点贯穿本条目全文。

§1.1 术语速查表

BraTS 2026 涉及大量缩写与专有名词，初次接触者容易混淆。下表集中解释本文反复出现的术语，阅读正文时可随时回查。

术语	英文全称	含义
BraTS	Brain Tumor Segmentation	脑肿瘤分割挑战赛，2012 年起办，2026 年第 15 届
Cluster of Challenges	—	2023 起的组织形态：一个品牌下挂多个子赛道/任务
GoAT	Generalizability Across Tumors	2026 核心赛段名，跨肿瘤泛化考验
GLI	Glioma	胶质瘤（成人主赛道病理）
MEN	Meningioma	脑膜瘤
MET	Metastasis	脑转移瘤
PED	Pediatric	儿童（脑肿瘤）
SSA / Africa	Sub-Saharan Africa	撒哈拉以南非洲（胶质瘤队列）
mpMRI	multi-parametric MRI	多参数磁共振
T1w / T1CE	T1-weighted / contrast-enhanced	T1 加权 / T1 对比增强
T2w / T2-FLAIR	T2-weighted / FLAIR	T2 加权 / 液体衰减反转恢复
DSC / Dice	Dice Similarity Coefficient	分割重叠度指标
HD95	95% Hausdorff Distance	边界距离指标（95 分位）
SSIM	Structural Similarity Index	结构相似度（合成质量指标）
PSNR	Peak Signal-to-Noise Ratio	峰值信噪比（合成质量指标）
MSE	Mean Squared Error	均方误差
Inpainting	—	图像修补（填补缺失/遮蔽区域）
Local Synthesis	—	局部合成（Task 4 官方名，合成健康组织）
Infilling	—	缺失组织填充（与 Inpainting 含义高度重叠，是"6 类别 vs 5 任务"口径差的根源）
DUA	Data Use Agreement	数据使用协议
CBICA	Center for Biomedical Image Computing and Analytics	UPenn 生物医学图像计算与分析中心（BraTS 统筹方）
ASNR	American Society of Neuroradiology	美国神经放射学会（联合品牌方）
FeTS	Federated Tumor Segmentation	联邦肿瘤分割挑战赛（BraTS 姊妹生态）

§2 数据构成与规格

BraTS 2026 的数据不是一份静态清单，而是围绕五任务组织的多来源异构集合。要读懂它的构成，得先分清三个层级：影像本体（mpMRI 四序列）、任务标注（分割/分类/检测/合成各自不同）、以及赛段划分（GoAT 泛化赛段 vs 各专任务赛段）。

§2.1 影像本体：mpMRI 四序列

全集群共用 BraTS 家族的标准输入规格：多参数 MRI（multi-parametric MRI，mpMRI）四序列——T1w（T1 加权）、T1CE（T1 对比增强，contrast-enhanced）、T2w（T2 加权）、T2-FLAIR（液体衰减反转恢复）。四序列均已共配准、重采样到统一空间，以 NIfTI 格式分发。这一规格自 BraTS 2012 沿用至今，是它被广泛用作基准的互操作基础：任何按 BraTS 惯例写的预处理管线都能即取即用。

§2.2 任务标注：五种形态

与"一个数据集一套标注"的直觉不同，2026 集群的标注随任务而变：

任务	输入	输出/标注	标注形态
Task 1 分割	mpMRI 四序列	肿瘤亚区体素级预测	体素级整数标签 NIfTI（掩码）
Task 2 合成	源模态/源域影像	目标模态/目标域合成影像	配对影像（input→target）
Task 3 分类	mpMRI	肿瘤类型/分级	类别标签（逐例）
Task 4 局部合成	遮蔽（masked）T1w	重建的健康脑组织	遮蔽对（mask + 原图）
Task 5 检测	mpMRI	病灶位置	检测框/定位坐标

表中最值得注意的是 Task 4 的"遮蔽对"设计：组织方给选手的是被部分遮蔽的 T1 扫描（遮挡区域对应肿瘤），要求重建被遮挡区域，而选手看不到原始 ground truth——这保证了评测的盲性，也把任务从"抄答案"逼成了真正的生成建模。

§2.3 肿瘤类型谱：GoAT 五类

BraTS-GoAT 把五类病理放进同一基准，它们的影像学差异正是泛化难度之源：

1. 成人胶质瘤（GLI, Glioma）——BraTS 的"主业"，弥漫性生长，边界不清，需多亚区精细分割。
2. 脑膜瘤（MEN, Meningioma）——多长在脑膜上，形态相对规整，与胶质瘤的浸润模式截然不同。
3. 脑转移瘤（MET, Metastasis）——常为多发小病灶、散落分布，考的是"多靶点检出"而非"单一大块轮廓"。
4. 非洲/撒哈拉以南胶质瘤（Africa / SSA）——因设备与扫描协议差异，图像质感与欧美数据存在系统偏移，是设备域泛化的典型样本。
5. 儿童脑肿瘤（PED, Pediatric）——位置、形态、病理谱系均与成人不同，且涉及更严格的儿科伦理与去识别要求。

组织方把非洲与儿科两类只放进验证集，正是要制造"训练时没见过"的分布外（out-of-distribution）考验。

§2.4 规格与预处理

• 格式：NIfTI（.nii / .nii.gz），与 BraTS 历史一致。
• 空间：四序列共配准、统一重采样；分割任务沿用 BraTS 惯用的 1 mm³ 各向同性处理管线。
• 去识别：成人数据沿用 BraTS 惯例的 defacing（面部去除）；儿科数据按儿科专用流程处理（参见库内 brats-pediatric 条目的隐私范式讨论）。
• 掩码编码：分割掩码为整数标签体素，具体亚区编码沿用 BraTS 2024 后的约定（不同届次间的标签语义可能漂移，跨届混用需谨慎）。

§2.5 赛段划分（保密设计的核心）

集群的关键工程决策是训练/验证的分布不对称：

• 训练集：只含三类（成人胶质瘤、脑膜瘤、脑转移瘤），带标注。
• 验证集：除上述三类外，额外混入非洲胶质瘤与儿童脑肿瘤两类，且类型标签保密。
• 测试集：标签由官方服务器持有，容器提交盲评。

这套设计意味着排行榜分数无法简单归因到某一类肿瘤——选手只能从总分倒推自己在哪类样本上失分。它把"泛化能力"从一句口号变成了可量化、可排名的竞赛指标。

§3 任务体系：五个任务逐条拆解

BraTS 2026 的形态创新集中在任务体系上：它从"单任务挑战赛"跃迁为"五任务集群"。本节逐条拆解每个任务的目标、继承脉络与评测口径。

§3.1 Task 1 — Segmentation（分割）

目标：给定 mpMRI 四序列，输出肿瘤亚区的体素级分割，沿用 BraTS 十余年的核心任务传统。

继承脉络：这是 BraTS 的立身之本。历届冠军方案（从早期的随机森林 ensemble 到近年的 nnU-Net / MedNeXt 系）几乎都成了医学图像分割的标杆方法。2026 届的分割任务特点在于肿瘤类型不再单一——它要在 GoAT 的跨肿瘤设定下评测，考的是"一套模型能否同时吃下胶质瘤、脑膜瘤、转移瘤"。

评测：Dice Similarity Coefficient（DSC）与 95% Hausdorff Distance（HD95），沿 BraTS 传统的区域级/病灶级聚合口径。测试标签不公开，容器盲评。

§3.2 Task 2 — Image Synthesis（图像合成）

目标：图像合成任务，典型形态是跨模态/跨域生成——如由部分模态推断缺失模态，或在域之间做转换（domain translation/harmonization）。

价值：合成能力直接决定数据稀缺场景下的可用性——当某中心只采了 T1 没采 T2-FLAIR 时，能否合理"补"出来？这个任务是生成式模型在医学影像里的正面用例。

与 Task 4 的分野：Task 2 是通路的图像合成（模态/域之间），Task 4 是局部合成（在单张影像内重建被遮挡区域）——两者都是生成任务，但题目范围与评测侧重不同（这正是"6 类别 vs 5 任务"口径差的技术根源之一，坑 2）。

§3.3 Task 3 — Classification（分类）

目标：肿瘤类型或分级的分类预测。

与 GoAT 的耦合：分类任务天然与目标识别相关——如果模型能在验证集上正确区分五类肿瘤，就说明它学到了跨肿瘤的可辨识特征。而在分类标签保密的设计下，"分类准确率"的实际反馈有限，选手更多依赖总分判断。

评测：分类准确率、混淆矩阵（按肿瘤类型聚合）。

§3.4 Task 4 — Local Synthesis / Inpainting（局部合成/图像修补）

这是 2026 集群里最具前沿意识、也最"出圈"的任务，值得单独展开。

目标：在 T1 加权 MRI 中，把被肿瘤占据或人为遮蔽的区域，重建为解剖合理的健康脑组织。官方表述为"Local Synthesis of Healthy Brain Tissue via Inpainting"。

为什么重要：肿瘤的存在本身会"污染"影像分析——模型学到的可能是肿瘤带来的形变与信号改变，而非正常解剖。若能合理合成"这里如果没长瘤"的健康组织，就能（1）为下游分析去偏（mitigate pathology-induced bias），（2）支持手术规划的"术后对照"，（3）用于数据增强与合成。这是把生成式 AI 用在医学上的一个干净场景。

继承脉络：BraTS Inpainting 赛道自 MICCAI 2023 起办，历年迭代——2023（Local Synthesis）→ 2024（引入 infill mask 生成脚本）→ 2025（Local Synthesis 归档）→ 2026（现行）。官方 GitHub 组织 github.com/BraTS-inpainting 逐年维护独立仓库，2026_challenge 仓库于 2026-05-28 更新。

评测指标：SSIM（结构相似度）、PSNR（峰值信噪比）、MSE（均方误差）——三者都是感知/像素级指标，强调"像不像"“结构是否真实”。

一手成绩锚（2026）：一篇收录于 MICCAI 2026 卫星论文库的参赛论文报告，其增强版 3D U-Net（在 skip connection 加注意力门、decoder 加深度监督、卷积块内加残差，并引入 edge-aware 梯度损失以对症 2025 冠军方案的模糊伪影）在 126-subject 本地验证 split 上取得 平均 SSIM 0.9065、PSNR 27.62 dB、MSE 0.00297，其报告的平均表现高于 2024 与 2025 冠军方案公布的本地验证结果。这组数字有两个用处：一是给出该任务的性能量级参照，二是确证了 126 subjects 的本地验证规模（一手来源）。

§3.5 Task 5 — Detection（检测）

目标：病灶定位/检出。

为什么单列：对脑转移瘤这类"多发小病灶"病理，临床关心的首先是"有没有、有几处、在哪"，而非像素级轮廓——检测任务正是对这种临床需求的直接建模。这也是官方登记页把 Detection 单列为问题类别的理由。

待核提示：Detection 的确切任务号（是否为 Task 5）未获一手确认，官方登记页仅列 Detection 类别，本条目按类别写 Detection 并注此口径（坑 4）。

§3.6 任务体系的整体设计逻辑

把五个任务连起来看，BraTS 2026 的野心是把脑肿瘤 AI 的完整工作流搬进一个基准：

识别（Detection/Classification）
   → 定性（Classification）
      → 量化（Segmentation）
         → 生成（Synthesis / Local Synthesis）

• 前半段（检测、分类）回答"是什么、在哪里"；
• 中段（分割）回答"有多大、什么亚区"；
• 后半段（合成、局部合成）回答"如果没病该是什么样"——这是从"分析"走向"生成与去偏"的一步。

这套设计也让评测变得立体：单一 Dice 刷不出高分，参赛者需要在多个任务间展示方法的通用性。对一个已有 15 年历史的挑战赛来说，这种"从单一分割到多任务集群"的转型，本身就是它保持生命力的方式。

§3.7 五个任务对照总表

为便于横向比较，下表把五个任务的关键维度并列——输入、输出、指标、继承脉络一目了然。

维度	Task 1 分割	Task 2 合成	Task 3 分类	Task 4 局部合成	Task 5 检测
中文名	肿瘤亚区分割	图像合成	肿瘤分类	健康组织局部合成	病灶检测
英文名	Segmentation	Image Synthesis	Classification	Local Synthesis / Inpainting	Detection
输入	mpMRI 四序列	源模态/域影像	mpMRI	遮蔽 T1w	mpMRI
输出	体素级掩码	目标影像	类别标签	重建的健康组织	病灶位置
核心指标	DSC + HD95	合成质量指标	准确率/混淆矩阵	SSIM/PSNR/MSE	检测/定位指标
继承起点	BraTS 2012	—	—	MICCAI 2023 Inpainting	—
对象病理	多类肿瘤	通用	多类肿瘤	胶质瘤为主	转移瘤等
提交形态	Docker 容器	Docker 容器	Docker 容器	Docker 容器	Docker 容器

读表提示：Task 1 与 Task 4 是"有深厚历史积淀"的两个任务——前者是 BraTS 立身之本，后者是近年新增的生成式赛道；Task 2、3、5 相对"标准化"，是集群为覆盖完整工作流而设的常规任务。初学者建议从 Task 1 入手理解 BraTS 范式，再看 Task 4 理解它的前沿转向。

§3.8 任务间的潜在混淆点

多任务集群的一个副作用是任务边界容易被人混淆。以下三组最需留意：

（1）Task 2 合成 vs Task 4 局部合成
两者都是"生成图像"，但范围不同：Task 2 是整图的模态/域转换（如 T1→T2，或扫描仪 A→B），Task 4 是单图内的局部重建（把肿瘤占据区域换成健康组织）。一个是"换整个画面"，一个是"补一块洞"。官方把二者分列为 Image Synthesis 与 Inpainting/Infilling，正是这个差别的体现。

（2）Infilling vs Inpainting
官方登记页把这两个词分列为两个问题类别，但在大多数语境里它们是近义的（都指填补缺失区域）。这一分列很可能是"6 类别 vs 5 任务"口径差的直接来源——登记时按细分方法列了 6 项，实际组织为 5 个参赛任务。引用时不必纠结二者区别，但要意识到这一命名差异存在（坑 2）。

（3）Classification vs Detection
两者都属"识别"，但输出维度不同：分类给逐例的类别标签（这是胶质瘤/脑膜瘤/转移瘤？），检测给病灶的空间位置（在哪、有几个）。对转移瘤这种多发病理，检测往往比分类更贴近临床需求——医生先要找到所有病灶，再谈其他。

§3.9 从任务设计看 BraTS 的评估哲学

把五个任务的设计放在一起，能读出 BraTS 组织方对"什么是好的医学 AI"的隐含判断：

1. 能力要全面：单会分割不够，还要会识别、会生成——真实临床 AI 需要端到端能力，而非单项冠军。
2. 泛化是硬指标：GoAT 把"换病种/换设备还剩几成"设为核心考察，反映组织方对"实验室高分、临床翻车"现象的警觉。
3. 盲评保公平：五个任务统一采用容器盲评 + 测试标签保密，杜绝针对测试集的过拟合。
4. 可复现优先：要求 Docker 容器提交、成果进 LNCS，把"可复现"作为参与门槛。

这套哲学不是 BraTS 独有，但它把其中每一条都落到了具体的考试设计上——这也是为什么这个挑战赛能成为医学影像领域的"金标准"之一。

§4 数据规模与硬数字（含来源分层）

BraTS 2026 是集群而非单一数据集，因此"规模"必须分任务、分来源地谈。本节把可核验的硬数字逐条列出，并明确每个数字的来源层级——因为这是本条目最容易被误用的地方。

§4.1 可核验硬数字一览

数字	含义	口径/来源层级
1,351 例	BraTS-GoAT 训练集（3 类：成人胶质瘤 + 脑膜瘤 + 脑转移瘤，带标注）	二手转述（媒体报道引会议论文）
451 例	BraTS-GoAT 验证集（额外混入非洲胶质瘤 + 儿童脑肿瘤 2 类）	二手转述
126 subjects	Task 4 Local Synthesis 本地验证 split	一手（MICCAI 2026 官方论文库）
5 类	GoAT 肿瘤类型谱（GLI/MEN/MET/Africa/PED）	官方（MICCAI 登记 + 主播口径）
5 个任务	集群任务数（分割/合成/分类/检测/局部合成）	官方参与者口径
6 个问题类别	MICCAI 官方登记标签（Classification/Detection/Image Synthesis/Infilling/Inpainting/Segmentation）	官方登记页
SSIM 0.9065 / PSNR 27.62 dB / MSE 0.00297	Task 4 单篇参赛方法的本地验证成绩	一手（参赛论文摘要）

§4.2 为什么规模数字要"认来源"

教训点：把不同任务、不同来源的数字混用，是这个条目最容易翻车的地方。三个数字各有所指：

• 1,351 / 451 是 BraTS-GoAT 赛段的规模，来源是与会报道对一篇会议论文的转述（法国斯特拉斯堡团队研究）——数字本身可采信，但要注明它是GoAT 赛段口径，且属二手层级。
• 126 是 Task 4 Local Synthesis 的本地验证规模，来源是收录于 MICCAI 2026 卫星论文库的参赛论文——这是一手、且使用局部验证 split 的口径。
• 451 与 126 分属不同任务，不可比较、不可相加。若在某处看到"BraTS 2026 验证集 451"又看到"验证集 126"，两者都对——只是任务不同（坑 3）。

§4.3 规模量级的合理性判断

从挑战赛设计的角度，这组数字是自洽的：

• 训练 1,351 例横跨三类肿瘤，与 BraTS 历史上单个子赛道（如成人胶质瘤约千例量级）相当，规模足以训练深度模型。
• 验证 451 例约为训练的三分之一，且刻意混入两类未见的肿瘤——这是"小而精"的泛化测试集，而非大规模 benchmark。
• Task 4 的 126 subjects 更小，符合生成任务的高质量配对数据成本——遮蔽-原图配对需要人工确保解剖合理性，规模天然受限。

§4.4 历史坐标（族谱参照）

把 2026 放进 BraTS 的时间轴，规模与形态的演进一目了然：

• 2012–2019：单一成人胶质瘤分割，规模从数十例逐步扩大到数百例。
• 2020–2022：成人胶质瘤（GLI）持续扩展至千例量级，多中心数据汇入。
• 2023 起：转型为 Cluster of Challenges，出现儿科（BraTS-PED）、脑膜瘤（BraTS-MEN）、非洲（BraTS-Africa）等子赛道，挑战赛从"一条线"变成"一束线"。
• 2024–2025：子赛道深化，Inpainting 赛道迭代，BraTS-Lighthouse 等新框架出现。
• 2026（第 15 届）：以 BraTS-GoAT 把多类肿瘤"收束"回一个泛化基准，同时以五任务集群横向扩展任务维度。

这条轨迹说明：BraTS 的规模不是简单"越做越大"，而是从单一到多类、从分割到多任务的结构性演化。

§5 泛化设计：GoAT 的"考的到底是什么"

如果只能从 BraTS 2026 里挑一个"思想内核"，那就是 BraTS-GoAT 的信息屏蔽式泛化考验。本节拆解它为什么这么设计、以及它想逼出什么样的方法。

§5.1 传统的泛化评测缺陷

一个模型在自己中心的测试集上成绩好，不等于它"真的会"。传统评测的三大捷径：

1. 分布记忆：训练集和测试集同源，模型可能记住的是扫描仪特征而非病理特征。
2. 题型识别：如果测试集混有多种病理且标签可见，模型可以"先分类再分割"，把难题拆成简单题。
3. 单病种过拟合：只在成人胶质瘤上优化的模型，遇到脑膜瘤/转移瘤会系统性失灵。

§5.2 GoAT 的三重屏蔽

BraTS-GoAT 的设计精准针对上述三条：

• 跨设备屏蔽：纳入非洲/SSA 胶质瘤（不同设备与扫描协议），考设备域泛化。
• 跨病种屏蔽：验证集混入训练集没有的非洲胶质瘤与儿童脑肿瘤，考病种泛化。
• 标签屏蔽：验证集的类型标签保密，模型无法"先识别题型再选策略"，只能学通用表征（坑 6）。

三者叠加，逼出的是一套真正可迁移的影像分析方法——这也正是"GoAT（跨肿瘤泛化）"这个名字的题眼。

§5.3 这套设计对研究者的启示

1. 报告泛化必须报"未见类型"成绩：只在同分布验证集上报告 Dice 已不足以说明问题，GoAT 的设计把"分布外表现"变成了硬性考察。
2. 设备差异是首要混淆因素：非洲数据的纳入提醒我们，跨中心的差异往往先来自扫描协议，而非人群本身。
3. 类型标签保密的评测更接近临床：真实临床里没有"提前告诉你这是什么病"的选项，盲评设计把基准向临床真实处境推近了一步。

§5.4 与库内其他条目的方法学呼应

GoAT 的泛化哲学与库内若干条目形成呼应：fets（Fed 联邦肿瘤分割，rid=476）从分布式训练角度同一问题（如何在数据不出院的前提下学到可泛化模型）；brats-africa（rid=683）与 brats-pediatric（rid=688）则是 GoAT 五类中两条被单独深挖的支线。把它们连起来读，能看清 BraTS 生态"分而治之"的整体布局（详见 §8）。

§6 获取与许可：多平台的门怎么进

BraTS 2026 的数据分发没有单一入口，理解这一点是查证的起点。

§6.1 主要获取渠道

渠道	内容	门槛
Synapse（synapse.org/brats）	挑战赛主线托管：数据、任务文档、提交	注册账号（挑战赛数据走注册流程）
GitHub BraTS-inpainting 组织	Task 4 的代码仓、指标包、历届归档	公开；代码许可 MIT/AGPL（非数据许可）
MICCAI 官方挑战页	官方登记信息、DOI、问题类别、License	公开
Springer LNCS 17254	结果与参赛论文（MICCAI 2026 Workshops and Challenges）	出版后按 Springer 政策
提交/评测队列	Docker 容器提交，dual-track（早鸟 visa 轨 + 标准轨）	参赛注册

§6.2 许可：集群级 CC-BY / CC-BY-NC 并存

官方登记为 CC-BY; CC-BY-NC——即集群内不同任务或数据子集的许可可能不同，两种许可并存登记。这意味着：

• 不能笼统地说"BraTS 2026 是 CC-BY"或"是 CC-BY-NC"，必须逐任务核验。
• 商用场景尤其要谨慎：CC-BY-NC 的任务数据不得商用，而 CC-BY 的部分可以——具体哪个任务归哪一档，须回官方核验。
• 本条目按官方登记如实写为"并存"，并在坑 5 提醒代码仓许可与数据许可的区分。

§6.3 三条获取避坑提示

1. 别信旧官网：med.upenn.edu/cbica/brats 是 BraTS 的"祖传"页面，但 2026-10 抓取时它仍只列到 BraTS2023——2026 集群未上此页。现源在 Synapse、MICCAI 官方挑战页、官方 GitHub（坑 1）。
2. 别混代码许可与数据许可：Task 4 的 GitHub 仓显示 MIT/AGPL，那是代码仓的许可，不代表数据可以 MIT/AGPL 使用——数据许可以官方登记为准（坑 5）。
3. 别把不同届次的数据混用：Task 4 的赛道自 2023 逐年迭代，各年数据划分与提交要求不同，Synapse/官方 GitHub 的届次对应关系务必核对清楚（坑 9）。

§6.4 时间线备忘

• 2026-05（前后）：训练/验证数据发布。
• 2026-07-02：早鸟提交截止（论文 + 容器，Visa-Support Track）。
• 2026-07-23：常规提交截止（论文 + 容器）。
• MICCAI 2026（法国）：决赛展示与颁奖（卫星活动）。
• 会后：接受论文进入 Springer LNCS 17254。

§4.5 各任务规模的特征差异

集群内五个任务的"数据规模"不是一个数——理解它们的差异，有助于避免把规模当统一指标来比较。

• 分割任务（Task 1）：需要体素级标注，单例成本最高，因此规模通常受限于标注人力。GoAT 口径的 1,351 训练例就是在多中心汇聚后的量级。
• 分类任务（Task 3）：只需逐例类别标签，理论规模可以更大，但受限于"带病理类型标签"的病例数。
• 检测任务（Task 5）：需要对病灶定位标注，对多发小病灶尤其费时。
• 合成/局部合成任务（Task 2/4）：需要配对数据（源-目标影像对，或遮蔽-原图对），Task 4 的 126 subjects 正是高质量配对数据规模受限的体现。

一句话：多任务集群的"规模"是多条独立的曲线，不是一条。

§4.6 数字的引用规范（给写论文的人）

如果你要在论文里引用 BraTS 2026 的规模，建议按以下规范写，避免被审稿人挑出问题：

1. 凡引用 1,351/451，必须注明是"BraTS-GoAT 赛段、转述口径"——因为它不是官方一手页直接给出的。
2. 凡引用 126，必须注明是"Task 4 Local Synthesis 的本地验证 split"——它不代表整个集群。
3. 不要写"BraTS 2026 数据集共 XXXX 例"——集群没有单一总数，这种写法不成立。
4. 测试集规模一律不引用——官方未公开，任何声称"测试集有 N 例"的说法都无一手依据。

§4.7 与历史届次的规模对照

为给规模一个坐标，下表把 BraTS 若干历史届次的规模量级并置（记忆性对照，非精确引用）：

届次	形态	规模量级	任务
2012（首届）	单一赛道	数十例	分割
2015-2019	单一赛道扩展	数百例	分割
2020-2022	成人胶质瘤持续扩	千例量级	分割
2023	Cluster of Challenges	子赛道各自千例内	分割为主
2026（第 15 届）	多任务集群	GoAT 1,351 + Task 4 126	五任务

读法：BraTS 的演进是"结构演化"而非单纯"规模膨胀"。2026 的价值在于形态——五个任务、五类肿瘤、泛化屏蔽——而非某个惊人的例数。

§5.5 泛化问题的一般化叙述

BraTS-GoAT 所针对的问题，其实是医学 AI 的普遍难题。理解它的一般形态，能帮读者判断这类基准的价值。

**数据集偏移（dataset shift）**是医学 AI 落地的头号障碍：训练数据与部署环境的数据分布不一致。它至少有三层：

1. 协变量偏移（covariate shift）：输入分布变了（换设备、换协议、换地区）——非洲数据的纳入正是针对这层。
2. 标签偏移（label shift）：类别比例变了（少见病种占比上升）——儿童脑肿瘤的混入涉及这层。
3. 概念偏移（concept shift）：输入与标签的关系本身变了（同一种影像表现在不同人群里对应不同诊断）——这是最难的一层。

BraTS-GoAT 通过"混入未见类别 + 屏蔽类别标签"，同时触碰了协变量偏移与标签偏移两层，把抽象的数据集偏移问题变成了可计分、可排名的竞赛题。

§5.6 为什么"屏蔽标签"比"多给数据"更狠

一个常见的误解是：要考泛化，多收集多样数据就行了。但数据多样化不等于泛化考验——如果测试集告诉模型"这张是儿童脑肿瘤"，模型可以先调用"儿童模式"再处理，难点被稀释了。

GoAT 的狠处在于同时施加两类难度：分布外（类别没见过）加 信息缺失（不知道是哪类）。这逼迫模型学一套不依赖类型先验的通用表征——而这恰恰是最难、也最有临床价值的。从这个角度，GoAT 是一个"少给信息、多考能力"的设计典范。

§5.7 泛化评测的实践建议

对希望在自己的研究里借鉴 GoAT 思路的团队，三条可操作建议：

1. 构造留出类别（held-out class）评测集：刻意从训练中排除某类病理，在测试时考察它——这是 GoAT 的核心手法。
2. 报告分层成绩：分别报告同分布与分布外的指标，不要只报平均。
3. 控制混淆变量：如果分布外性能下降，要能区分是"病种差异"还是"设备差异"造成的——必要时做消融。

§7 方法学启示：三条可迁移的经验

BraTS 2026 的价值不只在数据本身，更在它作为"第 15 届元老挑战赛"如何自我革新。有三条经验对做医学影像基准、乃至做任何 AI 评测的人都有借鉴意义。

§7.1 从"单任务"到"多任务集群"——评测维度的横向扩展

BraTS 前十余届专注分割，2023 年起转型为 Cluster of Challenges，2026 进一步明确为五任务集群。这个演化揭示了一个评测设计规律：当单一任务的排行榜逐渐饱和，横向扩展任务维度比纵向堆数据更能保持基准的区分度。

对研究者的启示：设计自己的评测集时，不要只问"我的模型准不准"，要问"它在识别、量化、生成这些不同性质的任务上是否都站得住"。多任务评测能暴露单任务评测掩盖的短板——一个 Dice 很高但合成任务崩盘的模型，在临床工作流里是不可用的。

§7.2 "信息屏蔽"作为泛化评测的核心手段

GoAT 的精髓是屏蔽：屏蔽未见肿瘤类型的标签、屏蔽验证集分布信息。这是一种比"多中心数据"更主动的泛化评测设计——不是被动地收集多样数据，而是主动构造分布外考验并隐藏线索。

对研究者的启示：报告模型泛化性时，应主动构造"训练时没见过"的评测子集，并明确区分同分布与分布外成绩。把两者混在一张表里报平均分，会系统性高估泛化能力。

§7.3 生成任务进入正式评测——从"分析"到"合成"的范式延伸

Task 4 把"合成健康脑组织"这样一个生成式任务纳入正式评测，是 BraTS 的一个信号性转向。它承认了一个事实：医学 AI 的下一个前沿不只是"看懂影像"，还包括"生成可信的影像"——用于去偏、增强、手术规划模拟。

但它同时也留下了警示：Task 4 用 SSIM/PSNR/MSE 这类感知/像素指标衡量"像不像"，而像不等于真。一个结构相似度 0.9 的合成结果，可能在医学上完全不成立。因此 §7.3 的经验是：生成式医学任务的评测，必须同时报告感知指标与临床/解剖合理性检查，二者缺一不可。这也是 Task 4 论文强调 “anatomically consistent / anatomically plausible” 的原因。

§8 与库内条目的关系

本条目在千方病案医数集内并非孤立存在——BraTS 是一个枝叶繁茂的家族，库内已有多个相关条目。理解它们的关系，是正确引用本条目的前提。

§8.1 消歧：本条目 vs 库内已有 BraTS 条目

库内条目	rid	关系	一句话区分
brats	24	上位（族谱综述）	BraTS 系列历史总览（GLI/PED/Africa/MEN 汇总），非 2026 集群实体
brats-2026（本条目）	—	2026 年度多任务集群	MICCAI 2026 第 15 届，五任务集群 + GoAT 泛化赛段
brats-pediatric	688	并列子赛道（GoAT 五类之一）	儿科赛道 2023-2025 独立数据集，464 例儿童脑肿瘤
brats-africa	683	并列子赛道（GoAT 五类之一）	撒哈拉以南非洲成胶质瘤 146 例数据集

关键词消歧：检索"BraTS 2026"应命中本条目；检索"BraTS"（不带年份）命中 rid=24 综述；检索"BraTS PED / 儿科"命中 rid=688；检索"BraTS Africa"命中 rid=683。三者是"族谱 - 年度集群 - 子赛道"的三层结构，不是同一条目的不同版本。

§8.2 GoAT 五类 vs 库内独立成条的支线

GoAT 纳入了五类肿瘤，库内已为其中两类单独成条：

• 儿童脑肿瘤 → brats-pediatric（rid=688）：2023-2025 儿科赛道的完整数据集，464 例，四序列 mpMRI + 儿科四区（ET/NET/CC/ED）标注，lesion-wise DSC+HD95 盲评。注意儿科用四区标注，与成人三区（NCR/ED/ET）不同构——跨条目引用标注代码时需谨慎。
• 非洲胶质瘤 → brats-africa（rid=683）：146 例尼日利亚 1.5T 影像（95 例弥漫性胶质瘤 + 51 例其他脑肿瘤），考察设备/地区域泛化。

这两条支线是 GoAT 泛化考验中"训练时未见"的两类——它们是理解 GoAT 难度设计的关键参照。

§8.3 生态姊妹条目

• fets（rid=476）——Federated Tumor Segmentation 联邦肿瘤分割挑战赛，与 BraTS 同源（同属 Bakas 团队生态），从分布式/隐私保护训练角度解决泛化问题，与 GoAT 的中心化泛化评测形成互补视角。
• autopet（rid=468）/ autopet-v（rid=634）/ autopet-iii（rid=678）——MICCAI 姊妹挑战赛家族（PET/CT 病灶分割），同为"挑战赛系"基准，可作横向对照。
• topbrain2026（rid=632）——2026 年度 MICCAI 系脑肿瘤相关条目，同期生态。
• ixi-brain（rid=482）/ bigbrain（rid=285）/ allen-brain-atlas（rid=275）/ healthy-brain-network（rid=245）——脑影像参考图谱与"健康脑"类目，是理解 Task 4「健康组织合成」的天然对照——你要合成"健康的脑"，前提是知道"健康的脑"长什么样。

§8.4 建议互链点（按相关度排序）

1. brats（rid=24）——族谱上游，最相关。
2. brats-pediatric（rid=688）——GoAT 五类之一（儿童），并列子赛道。
3. brats-africa（rid=683）——GoAT 五类之一（非洲），并列子赛道。
4. fets（rid=476）——联邦学习姊妹赛，泛化主题互补。
5. autopet（rid=468）——MICCAI 挑战赛家族对照。
6. topbrain2026（rid=632）——2026 同期脑肿瘤条目。

§9 避坑清单：十个已踩过的坑

BraTS 2026 是本库里"来源最分散、口径最易混"的条目之一。以下十个坑均来自实际核验过程中的发现。

坑 1：把旧官网当权威现源。 med.upenn.edu/cbica/brats 是 BraTS 的祖传页面，但 2026-10 抓取时仍只列到 BraTS2023，2026 集群根本没上这页。查 2026 数据若从它入手，会以为"2026 不存在"。现源在 Synapse、MICCAI 官方挑战页、官方 GitHub（坑源：官网停更）。

坑 2：任务数 5 还是 6 搞不清。 官方 MICCAI 登记页把问题类别列为 6 个（Classification/Detection/Image Synthesis/Infilling/Inpainting/Segmentation），而官方参与者口径明示 5 个任务。差的那个正是 Infilling 与 Inpainting 的分列。本条目主口径取 5 任务，同时如实记录登记页的 6 类别——两套都对，指的是不同层级的东西。

坑 3：规模数字跨任务混用。 1,351 训练 / 451 验证是 BraTS-GoAT 赛段的口径；126 subjects 是 Task 4 Local Synthesis 的本地验证口径。看到"451"和"126"都别惊讶，它们分属不同任务，不能相加、不能替代。

坑 4：把 Detection 的任务号写死。 Detection 是官方登记的问题类别，但它的确切任务号（是否 Task 5）未获一手确认。写"Task 5 Detection"时要注明任务号待核，别当成板上钉钉。

坑 5：把代码许可当数据许可。 Task 4 的 GitHub 仓显示 MIT/AGPL——那是代码仓的许可。数据的许可以官方登记 CC-BY / CC-BY-NC 为准。从 GitHub 抄 license 声明到数据集引用里，是常见错误。

坑 6：以为验证集"只是更难"，没注意标签保密。 GoAT 验证集混入两类未见肿瘤，且不给类型标签。这意味着你无法从排行榜分数定位自己在哪类样本上失分——复现分析时别指望官方给逐类成绩。

坑 7：把 GoAT 当成一个数据集名。 GoAT = Generalizability Across Tumors（跨肿瘤泛化），是 2026 集群的一个赛段设计，不是一个独立的数据集文件名。检索时直接搜"GoAT dataset"会跑偏。

坑 8：把儿科/成人标注体系混用。 GoAT 里既有成人肿瘤也有儿童脑肿瘤，但儿科用四区标注（ET/NET/CC/ED），成人用三区（NCR/ED/ET）——不同构。把成人标注代码直接套到儿童样本上会静默出错（此坑在库内 brats-pediatric 条目有完整展开）。

坑 9：忽略 Task 4 的赛届迭代。 Task 4 Local Synthesis 赛道自 2023 逐年迭代（2023/2024/2025/2026 各年数据划分与要求不同）。把往届的数据或提交要求当 2026 用，会南辕北辙。Synapse 与官方 GitHub 的届次对应关系务必核对。

坑 10：把合成结果的指标当临床真实性。 Task 4 用 SSIM/PSNR/MSE 衡量合成质量，这些是感知/像素指标。SSIM 0.9 的合成图不代表医学上成立——它可能结构相似却在解剖细节上错误。任何基于 Task 4 合成数据的下游研究，都必须附加临床/解剖合理性验证，不能只看指标分数。

§6.5 从"数据使用者"视角的获取路线图

若你只是想拿到 BraTS 2026 的数据做研究（而非参赛），按以下路线最省事：

1. 明确你需要哪个任务的数据——五个任务数据不同，先定任务再找入口。
2. 注册 Synapse 账号——主线数据都在这里，注册后按任务领取。
3. Task 4 额外看 GitHub——github.com/BraTS-inpainting 有遮挡掩码生成脚本与指标计算包，但这些是工具，数据仍从官方渠道取。
4. 核验许可——领数据前确认该任务的许可档位（CC-BY 还是 CC-BY-NC），商用场景尤其关键。
5. 记录版本/届次——Task 4 逐年迭代，务必记下你用的是哪一届的数据与文档。

§6.6 提交与评测流程（参赛者视角）

参赛者的完整流程大致如下：

报名注册（Synapse）
   → 领取训练/验证数据
   → 本地开发与验证（用验证集自测）
   → 封装 Docker 容器（含模型与推理入口）
   → 提交至官方评测队列（dual-track 二选一）
   → 服务器在私有测试集上盲评 → 返回分数
   → 提交论文（paper）进 proceedings
   → 顶尖团队受邀 MICCAI 2026 现场报告

dual-track 的分野：早鸟 visa 轨（截止 2026-07-02）面向需要早期结果办理参会签证的团队，要求提交 Docker 镜像；标准轨（截止 2026-07-23）面向其余团队。两条轨道评测流程一致，只是时间不同——这一设计体现了组织方对国际参与者的便利考量。

§6.7 常见获取疑问（FAQ）

Q：官网为什么找不到 2026？
因为 med.upenn.edu/cbica/brats 停更于 2023。2026 集群的现源在 Synapse、MICCAI 官方挑战页和官方 GitHub（坑 1）。

Q：Task 4 的数据在 GitHub 上能直接下吗？
GitHub 上是代码和工具（掩码生成、指标计算），数据本身仍从官方渠道取。代码许可（MIT/AGPL）不等于数据许可（CC-BY/CC-BY-NC）（坑 5）。

Q：测试集能拿到吗？
不能。测试集标签由官方服务器持有，只接受容器提交盲评——这是挑战赛保护评测公平的标准做法。

Q：能商用吗？
视任务而定。集群登记 CC-BY（可商用）与 CC-BY-NC（禁商用）并存，必须逐任务核验（§6.2）。

§7.4 挑战赛作为"人才与方法的筛选器"

BraTS 这类挑战赛还有一个被低估的功能：它是医学影像 AI 方法的天然筛选器。历届 BraTS 冠军方案（如各类 U-Net 变体）往往成为后续研究的默认基线，被广泛引用与复用。一个方法能过 BraTS 的盲评关，就有了"经过公开检验"的背书。

2026 的多任务集群把这个筛选功能扩展到了五个维度——你不仅要会分割，还要会生成、会分类、会检测。对那些想把方法做成"通用医学影像工具"的团队，这是一个更立体的展示舞台。

§7.5 对数据集建设者的启示

如果你在建设自己的医学数据集/评测基准，BraTS 2026 有三条可直接借鉴：

1. 把"评测设计"当产品做：BraTS 的核心资产不是数据本身，而是那套让数据变得"公平可比"的评测协议（盲评、留出类别、保密标签）。数据集的价值一半在数据、一半在协议。
2. 用"分布外子集"提升基准的区分度：当同分布排行榜饱和时，主动引入未见类别/设备，比盲目扩数据更有效。
3. 多入口分发要配统一文档：BraTS 的教训是——多平台分发（Synapse + GitHub + 官网）虽然灵活，但容易让使用者迷路。若你分散分发，务必维护一份权威的"总入口"说明（BraTS 这里恰好失分，见坑 1）。

§7.6 局限与批判视角

一份诚实的百科条目也要指出局限：

1. 入口分散削弱可发现性：祖传官网停更、数据分散在 Synapse/GitHub，对新手不友好（DAIMS D1/D2 扣分）。
2. 规模口径不一造成引用混乱：1,351/451/126 三个数字来源层级不同，缺乏官方统一对账表（坑 3）。
3. 许可逐任务制增加合规成本：CC-BY/CC-BY-NC 并存虽诚实，但使用者必须逐任务核验，门槛偏高。
4. 生成任务的真实性评估尚浅：Task 4 依赖感知指标，与临床真实性存在落差（坑 10）——这是整个生成式医学影像评测的共性局限，非 BraTS 独有。

承认这些局限，不等于否定 BraTS 2026 的价值——恰恰相反，一个能被这样细致批判的基准，说明它有足够的分量值得被认真对待。

§9.5 横向对照：BraTS 2026 与前代赛届的结构性差异

要理解 BraTS 2026 的历史位置，最好的办法是把它与前代赛届逐项对照——不是为了比较优劣，而是为了看清"挑战赛这种评测形式"本身在如何演化。

9.5.1 三个代际：单任务、多赛道、泛化考场

BraTS 从 2012 年至今可粗分为三个代际，每一代的跃迁都由一个明确的方法学问题驱动：

代际	大致年份	结构特征	驱动问题
第一代：单任务	2012-2018	单一分割任务、单一肿瘤类型（成人胶质瘤）、固定四序列 mpMRI	“能否稳定地分割出肿瘤？”
第二代：多赛道	2019-2023	拆分为多个子赛道（分割/预测/合成），2023 起称 Cluster of Challenges	“除了分割，还能做什么？”
第三代：泛化考场	2024-2026	多肿瘤类型并入同一基准（GoAT），未见类型标签保密	“模型学的是表征，还是记忆？”

这个演化轨迹背后是一条清晰的逻辑：当基准上的分数普遍饱和，评测设计者就必须提高"考题的陌生度"，否则榜单失去区分度。第一代到第二代解决的是广度问题（做更多事），第二代到第三代解决的是深度问题（在陌生分布上还能不能做）。

BraTS 2026 处于第三代，其最核心的资产不是某个更大的数据包，而是 GoAT 这套"信息屏蔽式泛化评测"设计。

9.5.2 GoAT 的屏蔽设计：到底屏蔽了什么

GoAT（Generalizability Across Tumors）的名字容易让人以为是在"增加肿瘤类型"，但其真正锋利之处在于屏蔽的具体层次。逐项看：

• 屏蔽类型标签：验证集混入训练时完全没见过的肿瘤类别（非洲胶质瘤、儿童脑肿瘤），且不告诉选手哪些样本属于新类别。模型无法通过"识别到这是新类别，切换到保守策略"来取巧。
• 不屏蔽影像：验证集的影像本身是可见的（通过提交接口），屏蔽的是判别信息而非数据本身。这区别于"隐藏整个测试集"的经典做法。
• 屏蔽的是逐类指标：由于类型标签对选手保密，选手也无法自我诊断"我在非洲亚组上表现多差"，只能在总榜上看到一个混合分数。

第三点常被忽略，但它直接改变了参赛策略：当无法定位自己的短板类别时，"针对弱项优化"这条常规路径失效了，选手只能诉诸更通用的鲁棒性设计。这正是设计者想要的效果。

9.5.3 与历史届次的可比性陷阱

使用历史数据时，最危险的操作是把不同届次的分数并列比较。以下三类差异会导致分数不可比：

第一，测试集构成不同。 第一代测试集只有成人胶质瘤，第三代混合五类肿瘤。同一个 Dice 分数在不同构成上含义完全不同——前者的 0.90 表示"在熟悉分布上做得好"，后者的 0.90 表示"在含陌生类别的混合分布上做得好"，后者难度高得多。

第二，评测指标的定义漂移。 以分割为例，BraTS 早期的评估区（evaluated region）定义在历年修订过；亚区标签体系（NCR/ED/ET 及其扩展）也随届次调整。同名指标在不同届次可能算法不同。

第三，提交形态的变化。 第三代采用 Docker 容器盲评，这在方法论上优于"提交预测结果"——因为容器方式可以控制运行环境，杜绝了"本地过拟合到测试集"的作弊路径，但也意味着参赛者无法通过分析自己失败的案例来迭代。

一条实用建议：引用历史分数时，必须同时引用届次、指标定义与测试集构成三要素，缺一不可。只写"Dice 0.9"的表述在任何严谨比较中都是无效的。

9.5.4 五任务集群的内在张力

BraTS 2026 的五任务（分割/合成/分类/检测/局部合成）并非简单并列，它们之间存在值得注意的内在张力：

张力一：合成任务的"正确答案"不唯一。 Task 2（图像合成）与 Task 4（局部合成/Inpainting）都是生成任务，而生成任务的正确输出本质上是多解的——给定一张 T1w 影像的肿瘤区域，可以生成多种解剖上合理的"健康脑组织"。用 SSIM/PSNR 这类与参考图逐像素比对的指标评测，会系统性地奖励"接近均值"的输出，惩罚"有合理变异"的输出。这是生成类任务评测的固有局限。

张力二：分类与分割的信息需求相反。 分类（Task 3）需要的是全局判别性特征，分割（Task 1）需要的是局部边界精度。一个在分割上很强的模型未必擅长分类，反之亦然。把它们放进同一个"集群"统一叙说，容易让外界误以为存在一个"全面的脑肿瘤 AI 模型"——实际上这五个任务对应着五种不同的工程目标。

张力三：检测任务的定位模糊。 登记页的兴趣类别里列了 Detection，但五个任务中 Task 5 在公开材料里描述最为简略。检测与分割在方法上高度相关（都是定位），区分二者的实际意义需要官方进一步澄清——这是本条目在附录中标注待核的原因之一。

9.5.5 对参赛者的策略含义

基于以上结构分析，给参赛团队四条非技术性策略建议：

1. 先做口径侦察，再动手建模。 任务号、评测指标、数据 split 的边界在官方材料中分散，且有二手转述混入。花半天把口径钉死，胜过三天盲训。
2. 对 Task 4 不要只优化感知指标。 若你的目标是临床可用性，应额外做解剖合理性检查（如分割一致性、体积分布合理性），因为 SSIM 高的合成结果未必解剖合理（详见 §7.3）。
3. 为"未见类别"留出预算。 GoAT 的屏蔽设计意味着任何依赖"训练集覆盖全部类型"的方法都会在验证集上失分。考虑显式的域泛化设计（如风格随机化、类别无关表征）。
4. 注意提交窗口的硬约束。 dual-track 的早鸟（2026-07-02）与常规（2026-07-23）截止是硬的，容器化提交需要额外的构建与调试时间，不要低估。

§9.6 数据获取实操：从注册到训练的第一个 batch

BraTS 2026 的获取路径比多数数据集复杂，本节把从"决定使用"到"跑通第一个 batch"的完整流程拆开，每一段标注常见卡点。

9.6.1 三个入口的分工

材料分散在三个地方，职责各不相同，缺一不可：

入口	地址类型	职责	常见误区
MICCAI 挑战登记页	miccai.org 挑战 SIG 页	官方登记信息、DOI、问题类别、许可	误以为这是数据下载入口（不是）
Synapse	平台（需注册）	实际数据托管与提交评测	误以为注册后即可见测试标签（不可见）
官方 GitHub	代码与文档	基线代码、任务定义、版本记录	误以为仓库里的就是最新（注意 2026-05-28 更新点）

卡点一：祖传官网已停更。 med.upenn.edu/cbica/brats 这一历史入口停更于 2023 年。搜索引擎仍会大量指向它，新手容易在此消耗时间并拿到过期的年份信息。正确做法是直接走 MICCAI 官方挑战页定位本年届次。

卡点二：Zenodo DOI 是登记凭证而非数据包。 DOI 10.5281/zenodo.19714728 指向的是挑战赛的登记记录（含元数据与说明），不是几百 GB 的影像本体。数据必须通过 Synapse 获取。

9.6.2 分阶段获取建议

按研究目的选择获取深度，避免一次性拉取超量数据：

阶段一（口径确认，零下载）：只读官方登记页 + 任务描述 + 一篇参赛论文，确认你关心的任务号、评测指标、split 边界。此时不下载任何数据。

阶段二（基线复现，小体量）：只取某个单一任务的公开训练 split，跑通官方基线代码，验证环境与格式。这一步的目标不是得到好结果，而是确认管线能跑通。

阶段三（正式实验，全量）：确认方向后再拉完整 split。注意 BraTS 系列影像经统一配准与 skull-strip，单被试四序列 NIfTI 体量适中，但千例级别的总量仍达数百 GB，需提前规划存储。

卡点三：验证集标签不可得。 GoAT 验证集的类型标签对选手保密（§9.5.2），因此你无法在本地计算逐类指标。这决定了必须依赖官方提交接口来获得分数，本地只能做混合口径的粗略自评。

9.6.3 Docker 提交的最小准备

第三代采用容器化盲评，参赛者需要把推理流程封装成 Docker 镜像。几个关键约束：

• 离线运行假设：容器内通常无法访问外网，所有模型权重与依赖必须预先打包进镜像或挂载卷。
• 输入输出契约：容器需按官方规定的路径读取输入、写出结果。这一契约在任务间不同，务必逐任务核对。
• 环境一致性：不要依赖宿主机的 CUDA 版本，镜像内固定 GPU 运行时版本。
• 体量控制：大模型的镜像体积会影响评测方拉取时间，模型权重建议做量化或分层挂载。

卡点四：本地能跑 ≠ 官方能跑。 最常见的失败是本地开发环境与容器内环境不一致（Python 版本、CUDA、甚至文件系统大小写敏感性）。建议在动手建模前，先用一个"恒等映射"的极简容器跑通一次完整提交流程，把环境问题提前暴露。

9.6.4 训练前的数据健康检查清单

拿到数据后，在投入训练前应完成五项检查：

1. 完整性：逐被试核对四序列是否齐全（部分被试可能缺某个序列）。缺失样本需登记而非静默丢弃。
2. 取向一致性：NIfTI 的 affine 矩阵是否统一。BraTS 惯例是共配准到统一空间，但历史版本间曾有差异。
3. 强度分布：mpMRI 是相对强度，跨扫描仪数值范围不同。检查是否需要 z-score 归一化。
4. 标签一致性：多类肿瘤的标签映射是否需要重编码（不同任务可能用不同的标签编号体系）。
5. 划分泄漏：若你同时使用多个 BraTS 届次的数据，必须核对被试 ID 是否有重叠，否则训练集与测试集可能共享同一被试的不同扫描。

第 5 项是本系列数据集的一个隐性风险：BraTS 各族数据集（成人与非洲、儿科）在同一机构采集时，可能包含同一批被试。跨族组合训练时尤其要查。

9.6.5 与库内三兄弟的取用策略

库内已有三条 BraTS 相关条目，与 2026 集群构成"族谱+当代"的关系：

条目	定位	取用建议
brats（成人群）	祖传核心赛道数据	作为预训练或基线复现的起点
brats-africa	特定地域人群子集	作为域泛化研究的"目标域"素材
brats-pediatric	儿科专用子集	作为"未见类型"的实弹测试集

组合策略：用 brats 做预训练（体量大、标注成熟），用 brats-africa 或 brats-pediatric 做域泛化评测（分布外），再看 BraTS 2026 的 GoAT 混合验证集上的综合表现。这条组合路径能完整回答"泛化能力如何"这一问题，比单用任一条目更有说服力。

§9.7 评测设计的方法学价值：为什么"考泛化"比"考精度"难

BraTS 2026 对学界最有参考价值的贡献，不在于它提供了多少影像，而在于它把"如何公平地考察泛化能力"这个问题做成了一个可复用的设计样本。本节把其中的方法学要点提炼出来，供设计其他基准的人借鉴。

9.7.1 泛化评测的三条设计公理

从 GoAT 的设计中可归纳出三条公理，它们构成一个自洽的评测框架：

公理一：分布外样本必须真实存在，而非人为构造。 制造"分布外"最简单的方法是给数据加噪或做合成变换，但这会引入人为痕迹——模型可能识别出"这是被处理过的样本"而非真正面对新分布。GoAT 用的是真实的、来自不同人群的肿瘤影像（非洲胶质瘤、儿童脑肿瘤），其陌生性是天然的、无法被识别的。这条公理的价值在于：真实的分布偏移比合成偏移更有说服力，也更难被绕过。

公理二：判别信息必须与被测能力正交。 如果把"这是新类型"的标签告诉模型，测试的就变成了"模型能否在识别出新类型后切换策略"，而不是"模型能否在陌生数据上依然表现良好"。屏蔽类型标签，正是为了让被测能力（表征的通用性）与辅助信息（类型判别）解耦。

公理三：评测结果不应允许事后选择性报告。 当选手无法自我分诊短板类别时，也就无法"挑好的类别报告"。混合总分强制了整体表现，防止了"在 A 类上刷高分、在 B 类上闭口不谈"的常见做法。

9.7.2 这套设计的代价

任何评测设计都有取舍，GoAT 也不例外的付出三项代价：

代价一：诊断性下降。 屏蔽类型标签让选手无法定位失败原因。这对"评测"是优点（防取巧），对"研究"是缺点（难以从失败中学到具体教训）。参赛者可能知道总分低，却不知道该改哪里。

代价二：可比性受限。 由于混合分布随届次变化，GoAT 的分数与历史届次不可比（§9.5.3）。这削弱了"年度进步"的叙事能力，参赛者难以用一句"比去年提升了多少"来概括进展。

代价三：参赛门槛上升。 Docker 容器提交需要工程能力，屏蔽标签需要更谨慎的实验设计。这提高了参与的绝对成本，可能挤出一部分纯学术团队。

对评测设计者的启示是："考泛化"和"可诊断"在一定程度上是矛盾的。一个评测框架不可能同时做到"防取巧"和"教方法"。GoAT 明确选择了前者——这是合理的取舍，但使用它的人应当意识到这一点。

9.7.3 可迁移到其他领域的四个要点

这套设计不限于脑肿瘤，任何希望"考察泛化而非记忆"的基准都可以借鉴：

1. 混合真实异质数据，而非构造噪声。 找不同人群、不同设备、不同机构的真实数据做混合——数据获取成本高，但评测效度显著更好。
2. 屏蔽判别标签，保留数据可见。 让模型面对数据但得不到元信息，这是"考表征"的关键手法。
3. 明确区分子任务，不要用一个总分掩盖分歧。 BraTS 2026 做得好的一点是五个任务分列，而不是合成一个综合分。若合成总分，分类强分割弱的模型与相反的模型会得到相同分数，掩盖了重要差异。
4. 公开评测口径但不公开测试内容。 登记页公开了 DOI、问题类别、许可，但测试标签保密——这种"透明的方法 + 保密的考题"组合是当前评测设计的较优解。

9.7.4 对本库其他挑战赛条目的横向启示

本站已收录多个挑战赛类数据集条目。把 BraTS 2026 的评测设计作为参照，可以给同类条目建立一套统一的"评测严格度"评估维度：

维度	低严格度	高严格度	BraTS 2026
测试集可见性	全公开	标签全保密	标签保密，影像经接口可见
分布外设计	无	真实异质混合	真实五类肿瘤混合
判别信息控制	全给出	关键元信息屏蔽	类型标签屏蔽
提交方式	提交结果文件	容器盲评	Docker 容器盲评
任务结构	单一总分	分任务独立	五任务并列

这张表可以直接作为评估其他挑战赛数据集的清单。凡是能在"分布外设计"和"判别信息控制"两列拿到高分的基准，其泛化评测结论的可信度就更高。

§9.8 面向不同类型使用者的路径地图

同一份数据集，不同角色的最佳切入点完全不同。本节按使用目的给出四条独立路径，避免所有人挤在同一条路上。

9.8.1 路径一：参赛团队（目标是在榜单上拿到好名次）

优先级从高到低：

1. 抢时间窗。dual-track 的早鸟截止（2026-07-02）比常规（2026-07-23）早三周。若你的方案成熟，早鸟轨的竞争密度通常低于常规轨。
2. 钉死口径。任务号、指标定义、split 边界必须逐一确认（§9.5.3）。口径错误会让所有实验白做。
3. 先跑通恒等容器。用最简的恒等映射容器跑完一次完整提交，把环境问题提前暴露（§9.6.3 卡点四）。
4. 针对 GoAT 做域泛化。常规的"在训练集上刷高"策略在屏蔽设计下会失效，要显式加入鲁棒性设计（§9.5.2）。
5. 不要只优化感知指标（Task 2/4）。SSIM 高不代表解剖合理。

这条路径的最大陷阱：把大部分时间花在模型结构调优，而把口径确认与提交工程压缩到最后。历史上挑战赛失分最多的原因不是模型差，而是提交失败或口径错。

9.8.2 路径二：方法学研究者（目标是发表方法论）

关注点从"拿名次"转向"理解为什么"：

1. 把 GoAT 当作研究工具而非比赛。用它来回答"什么样的表征在跨肿瘤时更鲁棒"这类科学问题。
2. 利用五任务的结构对照。同一批数据在五种任务上的表现差异，本身就是关于"影像表征的通用性边界"的证据。
3. 关注失败案例分析。虽然类型标签保密，但你可以用自己的模型在本地对已知类别的验证子集做分析。
4. 横向对比历史届次。把 2026 的设计与 2012/2019/2023 对照，可写出"评测设计演化"的方法学论文（§9.5.1 的三代际框架可直接引用）。

这条路径的优势：不受榜单名次约束，可以深入分析别人没时间碰的细节；风险是若只做分析不做方法，发表难度较高。

9.8.3 路径三：工程/临床团队（目标是落地应用）

对落地最关心的是"能不能用"，而非"分数高不高"：

1. 跳过竞赛框架，直接取公开训练数据。GoAT 的竞赛机制对你无意义，你只需要可用影像与标签。
2. 优先 Task 1（分割）与 Task 3（分类）。这两个任务与临床工作流（勾画、诊断分型）直接对应；Task 2/4 的生成结果在临床上尚无明确用途。
3. 做跨中心验证。库内 brats-africa / brats-pediatric 提供了天然的跨分布测试集，务必用它们做外部验证（§9.6.5）。
4. 建立解剖合理性闸门。任何生成式输出在进入临床流程前，必须有额外的解剖一致性检查。
5. 核对许可。CC-BY 与 CC-BY-NC 并存（§6），商用前逐任务核验。

这条路径最容易被忽略的一步是第 5 项。竞赛数据集的许可是为学术设计的，商业使用往往需要单独确认——这一点在把研究原型转为产品时经常踩坑。

9.8.4 路径四：数据科学/基准设计者（目标是设计更好的评测）

如果你不是来用数据，而是来学"怎么设计评测"：

1. 精读 GoAT 的三公理（§9.7.1），把它作为自己设计基准的检查清单。
2. 理解取舍。泛化性与可诊断性矛盾（§9.7.2），明确你的基准要优化哪一个。
3. 借用五任务并列的结构。避免用单一总分掩盖任务间分歧（§9.7.3 第 3 点）。
4. 采用"透明方法 + 保密考题"的组合。这是当前较优的透明度平衡点。

这条路径的产出形式通常是一套评测框架或一份设计指南，而非一个数据包。BraTS 2026 提供的正是一个可拆解、可借鉴的设计样本。

9.8.5 四条路径的交叉点

四条路径并非互斥。一个团队常同时扮演多个角色：参赛的同时做方法研究，落地时又变成工程团队。但在任一时刻，应明确当前的主导路径——因为不同路径对"什么是好结果"的定义不同：参赛者要名次，研究者要洞察，工程者要可用，设计者要方法论。

混乱的角色定位会导致资源错配。先选路径，再分配时间，这是使用 BraTS 2026 这类复杂基准时最实用的一条元建议。

§9.9 常见误读逐条澄清

本节汇总使用 BraTS 2026 时最容易产生的十种误读，每条给出澄清。这些误读多源于材料分散与届次混淆，而非内容本身有问题。

误读一：“BraTS 2026 是一个数据集。”
澄清：它是一个挑战赛集群，包含五个任务，每个任务有各自的数据 split 与评测指标。把它们当作单一数据集处理会导致口径错误。

误读二：“GoAT 就是加了两种肿瘤。”
澄清：GoAT 的核心不是增加类型，而是类型标签保密的评测设计（§9.5.2）。只看到"多两类"会完全错过其方法学价值。

误读三：“1,351 和 451 就是全部数据量。”
澄清：这两个数字是 GoAT 赛段的训练/验证规模，且属二手转述口径（§4 数字性质警示）。Task 4 另有本地验证 126 subjects 的一手口径。不同任务的数据量需分别查证。

误读四：“验证集有 451 例，我可以拿来调参。”
澄清：验证集的类型标签保密，你无法用它做逐类评估。且竞赛验证集通常有使用约束，随意用于训练会违反规则。调参应使用公开训练 split 内部划分的验证集。

误读五：“官网停更了，说明项目不活跃。”
澄清：停更的是祖传入口 med.upenn.edu/cbica/brats（停于 2023），项目本身连续举办 15 届。入口迁移不等于项目停摆（§9.6.1 卡点一）。

误读六：“SSIM 0.9065 说明合成质量很高。”
澄清：SSIM 是感知相似度指标，衡量的是"看起来像不像"，不等于解剖合理性。一个解剖上不合理的输出也可能拿到高 SSIM（§9.7 代价一）。

误读七：“五个任务可以用同一个模型解决。”
澄清：五任务对应五种不同的工程目标，信息需求甚至相反（§9.5.4 张力二）。统一叙事容易误导，实际研究中通常需要分别设计。

误读八：“历史届次的分数可以直接比较。”
澄清：测试集构成、指标定义、提交方式三代皆有变化（§9.5.3）。分数比较必须同时给出届次、指标、测试集三要素。

误读九：“Zenodo DOI 可以下载数据。”
澄清：该 DOI 是登记凭证（元数据与说明），影像本体需通过 Synapse 获取（§9.6.1 卡点二）。

误读十：“许可宽松，可以直接商用。”
澄清：集群登记为 CC-BY 与 CC-BY-NC 并存，未获逐任务明细（§6）。商用前必须逐任务核验，不能因看到 CC-BY 就推定全部可用。

9.9.1 误读的共同根源

这十条误读有共同的根源：BraTS 是一个跨越 15 年、多入口、多代际累积的项目，其材料从未被整理成单一权威文档。

由此可得一条通用经验：面对任何一个"历史悠久、多次迭代"的公开数据集，第一步不是读它的论文，而是先画出它的时间线与入口地图。搞清"哪个入口对应哪个代际、哪些数字属于哪个口径"，比直接开始读技术细节更省时间。

这条经验适用于本站收录的所有长期演进的基准类数据集（BraTS、MICCAI 系列挑战赛、PhysioNet 长期项目等）。

§9.10 五年回望与下一个十年

任何评测框架都有生命周期。BraTS 已运行十五年，值得从"它会走向哪里"的角度做一次前瞻。

9.10.1 当前设计的三条可持续性信号

判断一个基准能否继续演进，可看三个信号：

信号一：任务维度是否还有扩展空间。 BraTS 从分割一路扩展到合成、分类、检测、修补，覆盖了脑肿瘤 AI 的主要工作流。再往下走，边际任务会趋于小众（如随访纵向建模、治疗响应预测）——这些方向存在，但受众更窄。

信号二：数据源是否还能扩大。 从单一机构到多中心，再到跨人群（非洲、儿科），数据多样性已大幅提升。进一步的关键在于隐私法规更严的地区能否参与，这受制于合规而非技术。

信号三：评测方法是否还在创新。 GoAT 的屏蔽设计是近年的创新。若未来几届只是在同一设计下换数据，创新边际效应会递减。

9.10.2 人工智能医疗评测的范式转移

把视角放远，BraTS 的演化其实映射了整个医学 AI 评测领域的范式转移：

时期	主导范式	核心问题	评测的焦点
2010s 早期	精度竞赛	模型准不准	Dice/Accuracy 榜单
2010s 后期	多任务扩展	模型能做什么	多赛道并行
2020s	泛化与鲁棒	换环境还准不准	域泛化、跨中心
2020s 末-2030s	可信与可解释	为什么这么判断、能否信任	不确定性、解释性、临床效度

BraTS 2026 处在第三阶段的成熟期。下一代的评测很可能会问：“模型能否说明它的判断依据？”——届时，单纯的 Dice 与 SSIM 将不足以构成评测，需要引入可解释性指标与临床决策一致性检验。

9.10.3 给长期使用者的建议

若你计划长期跟踪这一领域（而非一次性使用某份数据），建议做三件事：

1. 维护一份自己的时间线台账。记录每一届的关键设计变化、数据规模、指标定义。官方从未整理过这样的台账，而它恰是避免误读的最有效工具（§9.9.1）。
2. 保留历史版本的模型与结果。既然分数跨届不可比，那么"在某一固定届次上比较多个方法"就成了更可靠的内部评估方式。为此需要保存可复现的历史环境。
3. 关注评测设计论文，而非只看结果论文。榜单会过时，但"如何设计公平的评测"这个问题会一直存在。GoAT 这类设计的价值，比任何一届的冠军方案都更持久。

一句话收束本节：BraTS 2026 最值得长期引用的不是它的数据或分数，而是它作为"如何考泛化"的设计样本。

9.10.4 本条目各节的读法建议

全文 §§9.5-9.10 六节构成一个自足的"深度分析块"，可按需求选读：

• 只想快速判断要不要用 → 读 §9.5.2（GoAT 屏蔽设计）与 §9.9（十条误读澄清）。
• 准备参赛 → 读 §9.5.5（策略含义）与 §9.6（获取实操），再回到 §3/§4 核对任务定义。
• 准备做研究 → 读 §9.7（评测设计方法学）与 §9.10（范式前瞻）。
• 准备落地工程 → 读 §9.6.5（三兄弟取用策略）与 §9.8.3（工程路径）。

各节之间的交叉引用已在文中标注节号，可按图索骥。

9.10.5 一句话决策卡

你的问题	答案
想找一份大规模脑肿瘤分割数据？	库内 brats（成人群）体量更集中，2026 集群的优势在评测设计而非数据量
想研究域泛化？	首选——GoAT 的屏蔽式设计是目前最贴近真实泛化考验的公开设置
想做多任务学习？	可用，但注意五任务信息需求相反，统一建模未必带来增益（§9.5.4）
想落地到临床？	取 Task 1/3 的公开数据即可，竞赛框架与生成任务对落地帮助有限（§9.8.3）
想做基准设计研究？	首选——三公理 + 三项代价是一份难得的反面与正面教材（§9.7）

这张卡的设计逻辑与 §9.8 的四条路径互补：路径讲"怎么做"，决策卡讲"选不选、选哪个"。两者配合，可在十分钟内定下行动方向。

补一句使用提醒：本卡"首选"标记针对的是研究价值而非易用性。BraTS 2026 的获取门槛高于普通数据集，若你的需求只是"要一份脑肿瘤分割数据"，库内更简单的条目可能更省事。选它，应当是因为你需要它特有的评测设计。

最后提示：本条目深度分析块（§9.5-§9.10）共约 500 行，内容密度高，建议配合 FACTS.md 交叉阅读，以核对每一处硬数字的原始出处。

（本条目生产档案见附录 F，含抓取时点、核验路径与遗留疑点清单。）

结语：BraTS 2026 的价值不在体量，而在它示范了"如何设计一场真正考察泛化能力的考试"。读懂这套设计，比拿到它的数据更有长远意义。

---

本节所有论断以 writing/brats-2026/FACTS.md 九节档案与公开材料为据；凡涉二手转述口径（1,351/451）处已在文中标注，不作单方面裁定。

§10 总结

BraTS 2026 是医学影像挑战赛"自我革新"的一个样本。办到第 15 届，它没有继续在"更大的成人胶质瘤分割集"上堆数据，而是做了两件结构性的事：

其一，横向扩展任务维度——从单一分割跃迁为五任务集群（分割/合成/分类/检测/局部合成），把一个挑战赛变成了覆盖脑肿瘤 AI 完整工作流的评测台。其二，纵向深化泛化考验——以 BraTS-GoAT 把五类差异极大的肿瘤收进同一基准，并屏蔽未见类型的标签，逼迫模型学习真正可迁移的影像表征，而不是记住训练分布。

对本库读者，BraTS 2026 有四个使用场景：

1. 参赛者：直奔 Synapse 与官方 GitHub，盯紧 dual-track 提交截止（早鸟 2026-07-02 / 常规 2026-07-23），提交用 Docker 容器（§6）。
2. 复现研究者：分清任务口径——GoAT 的 1,351/451 与 Task 4 的 126 subjects 不可混用（§4、坑 3）；Task 4 有逐年迭代的赛届差异（坑 9）。
3. 基准方法研究者：GoAT 的"信息屏蔽式泛化评测"值得作为设计参照（§5、§7.2）。
4. 临床/工程团队：注意 Task 4 合成结果的指标局限——感知指标不等于临床真实性，下游使用必须附加解剖合理性验证（§7.3、坑 10）。

一句话概括：BraTS 2026 不是"更大的脑肿瘤分割数据集"，而是"脑肿瘤 AI 的多任务泛化考场"——它的核心资产不是一个数据包，而是一套"如何公平地考泛化"的评测设计。

附录 A：硬数字速查

项	值
届数	第 15 届（2012 起算）
会议	MICCAI 2026（法国，卫星活动）
官方登记 DOI	10.5281/zenodo.19714728
任务数	5（参与者口径）／6 问题类别（登记页）
肿瘤类型	5 类（GLI/MEN/MET/Africa/PED）
GoAT 训练/验证	1,351 / 451 例（转述口径）
Task 4 本地验证	126 subjects（一手口径）
Task 4 指标锚	SSIM 0.9065 / PSNR 27.62 dB / MSE 0.00297
提交形态	Docker 容器盲评
早鸟截止	2026-07-02
常规截止	2026-07-23
许可	CC-BY; CC-BY-NC（并存）
结果集	Springer LNCS 17254
抓取时点	2026-10-08

附录 B：DAIMS 评估全表

维度	评估	说明
D1 可发现性	★★★★☆	MICCAI 官方页 + Synapse + GitHub 多入口，DOI 固定；扣分：2026 集群未上祖传官网，检索易误导至历史届次
D2 可获取性	★★★☆☆	Synapse 注册可及，但无单一入口、Task 4 代码与数据分离、测试集标签不公开；门槛高于单一数据集
D3 格式互操作	★★★★★	NIfTI 标准四序列 mpMRI、统一共配准、BraTS 惯例管线即取即用
D4 标注质量	★★★★☆	多任务标注体系成熟、盲评设计严格；扣分：GoAT 验证集类型标签保密导致逐类质量无法独立核验
D5 文档完备	★★★☆☆	有官方登记页 + 论文 + GitHub；扣分：官网停更于 2023、规模口径无官方对账、任务号部分待核
D6 许可清晰	★★★☆☆	集群登记 CC-BY / CC-BY-NC 并存，未获逐任务明细，商用需逐任务核验；代码/数据许可易混
D7 维护可持续	★★★★☆	连续 15 届举办、Synapse + MICCAI + GitHub 冗余托管、逐年迭代；扣分：入口分散、历史届次页面各自为政
D8 伦理合规	★★★★★	多中心伦理流程 + 去识别（成人 defacing / 儿科专用）+ 盲评 + 类型标签保密
综合评级	AI-Ready 中高位	方法学与生态一流，主要成本在口径核对与入口梳理，而非技术清洗

附录 C：逐项证据链自证

硬断言	来源
BraTS 2026 = MICCAI 2026 卫星赛事、DOI 10.5281/zenodo.19714728、问题类别 6 标签	MICCAI 官方挑战页（miccai.org 挑战登记表）
第 15 届、5 个任务、dual-track 提交、早鸟 07-02 / 常规 07-23	官方主播 LinkedIn 通告（含主席团 @ 名单）
GoAT 训练 1,351 / 验证 451、五类肿瘤、标签保密	媒体报道（20261002）转述会议论文（标注为二手口径）
Task 4 = Local Synthesis、126 subjects、SSIM 0.9065/PSNR 27.62/MSE 0.00297	MICCAI 2026 卫星论文库（BraTS_Inpainting_002，一手）
Task 4 赛道自 MICCAI 2023 起、2026_challenge 仓 2026-05-28 更新	GitHub 组织 github.com/BraTS-inpainting
结果集 Springer LNCS 17254	MICCAI 2026 卫星论文库 BibTeX
祖传官网停更于 2023	med.upenn.edu/cbica/brats（2026-10 抓取实测）
库内查重 3 条（brats 24 / brats-africa 683 / brats-pediatric 688）	qf_psql 只读查询

附录 D：数据获取决策树

要参加/复现 BraTS 2026？
├─ 是 → 先定任务
│        ├─ Task 1-3,5（分割/合成/分类/检测）
│        │    └─ 走 Synapse（synapse.org/brats）注册 → 取数据 + 任务文档
│        └─ Task 4（Local Synthesis/Inpainting）
│             └─ 走 GitHub github.com/BraTS-inpainting 的 2026_challenge 仓
│                （代码仓 MIT/AGPL；数据仍以官方登记 CC-BY/CC-BY-NC 为准）
│     → 提交：Docker 容器，dual-track
│        ├─ 需签证参会 → 早鸟 visa 轨，截止 2026-07-02
│        └─ 常规 → 截止 2026-07-23
└─ 否 → 只想了解泛化评测设计
         ├─ 读本文 §5、§7（GoAT 三重屏蔽 + 多任务集群经验）
         └─ 横向对照库内 fets(476)（联邦式泛化）与 brats-pediatric(688)/brats-africa(683)

需要"健康脑"参考（Task 4 context）？
└─ 参考库内 ixi-brain(482)/bigbrain(285)/healthy-brain-network(245)

附录 E：坑点档案（与 §9 对照）

坑	一句话	触发场景	解法
1	旧官网停更于 2023	从 med.upenn.edu 查 2026 数据找不到	改用 Synapse / MICCAI 官方页 / GitHub
2	任务数 5 vs 6 口径差	引任务数时两处数字打架	主口径 5 任务，注登记页 6 类别
3	规模数字跨任务混用	451 与 126 被当同一集合	分任务标注来源层级，不可相加
4	Detection 任务号写死	写"Task 5 Detection"当定论	注"任务号待核"
5	代码许可当数据许可	从 GitHub 抄 MIT/AGPL 作数据许可	数据许可回官方登记核
6	忽略验证集标签保密	期待官方给逐类成绩	认识 blind 设计，不以分类定位失分
7	把 GoAT 当数据集名	搜"GoAT dataset"	认识 GoAT 是赛段设计非数据集
8	儿科/成人标注体系混用	四区代码套三区样本	分别对待，跨届/跨赛道核对标签语义
9	忽略 Task 4 赛届迭代	用往届数据复现 2026	核对 Synapse/GitHub 届次对应
10	合成指标当临床真实性	拿 SSIM 0.9 当解剖正确	附加临床/解剖合理性验证

附录 F：关键链接

资源	链接
官方登记 DOI	https://doi.org/10.5281/zenodo.19714728
MICCAI 官方挑战页	https://miccai.org/index.php/special-interest-groups/challenges/
Synapse 主平台	https://www.synapse.org/brats
Task 4 官方 GitHub 组织	https://github.com/BraTS-inpainting
祖传官网（停更，仅作历史参考）	https://www.med.upenn.edu/cbica/brats/
MICCAI 2026 卫星论文库	https://papers.miccai.org/miccai-2026-sat/

§10.1 一句话定位（三种读者版本）

• 给参赛者：BraTS 2026 是 MICCAI 2026 的五任务脑肿瘤挑战赛集群，用 GoAT 赛段考跨肿瘤泛化，Synapse 领数据、Docker 容器提交、dual-track 截止 07-02/07-23。
• 给研究者：它是一套"信息屏蔽式泛化评测"的公开范例——留出未见肿瘤类别、保密类别标签，把"实验室高分是否等于临床可用"变成了可计分的竞赛题。
• 给数据使用者：它是一个多来源、多许可（CC-BY/CC-BY-NC 并存）、多入口（Synapse/GitHub/官网）的异构资源集合，取用前务必先定任务、再核许可、后记届次。

§10.2 本条目最容易被误读的三点（再强调）

1. 它不是数据集，是挑战赛集群——没有单一数据包，五个任务规格各异。
2. 它的规模不是一个数——1,351/451（GoAT，转述）与 126（Task 4，一手）分属不同任务，不可混用。
3. 它的权威现源不在祖传官网——2026 集群靠 Synapse + MICCAI 官方页 + GitHub 发布，官网停更于 2023。

§10.3 引用与署名建议

若在正式论文中引用本条目所述信息，建议：

• 引用官方登记 DOI 10.5281/zenodo.19714728 作为集群身份的权威锚点。
• 引用 GoAT 规模时注明转述口径来源，引用 Task 4 规模时引用 MICCAI 2026 卫星论文库。
• 引用库内关联条目时使用其 rid（brats=24 / brats-pediatric=688 / brats-africa=683 / fets=476）。
• 涉及许可时不要引用本条目作为最终依据，务必回官方登记页逐任务核验。

附录 G：FAQ 汇总（跨章节）

问题	简答	详见
几个任务？	5 个（登记页列 6 类别）	§3、坑 2
几类肿瘤？	5 类（GLI/MEN/MET/Africa/PED）	§2.3
多大规模？	GoAT 1,351/451；Task 4 126	§4、坑 3
怎么提交？	Docker 容器盲评，dual-track	§6.6
许可能商用吗？	逐任务核验（CC-BY/CC-BY-NC 并存）	§6.2、坑 5
测试集能拿吗？	不能，标签保密	§6.7
官网在哪？	Synapse + MICCAI 页 + GitHub（官网停更）	§6.3、坑 1
和 brats(24) 什么关系？	上下位：24 是族谱，本条是 2026 集群	§8.1
Task 4 有什么用？	合成健康组织，去偏/规划/增强	§3.4
结果发在哪？	Springer LNCS 17254	附录 A

附录 H：核验过程备忘（存照）

本条目撰写时的核验路径与结果，供后续复核参考：

1. 开工三查：租约锁 writing/brats-2026/.lock 从无到有创建（agent-c-brats2026）；私有区 .parts_agent-c-brats2026_1791475185_730682；ps aux | grep -c "[c]odebuddy" = 6。
2. 查重：qf_psql 只读查询 url_name ILIKE '%brats%' 命中 3 条（24/683/688），均非本条目 → 确认 brats-2026 空缺，写消歧说明。
3. 存在性核验（三源互证）：
   • 源 1：MICCAI 官方挑战页——登记 “BraTS 2026 Cluster of Challenges”，DOI 10.5281/zenodo.19714728，问题类别 6 标签，License CC-BY/CC-BY-NC。
   • 源 2：官方主播 LinkedIn 通告——“15th BraTS Challenge at MICCAI 2026”，5 distinct tasks，dual-track 截止 07-02/07-23，主席团名单。
   • 源 3：MICCAI 2026 卫星论文库——Task 4 Local Synthesis 参赛论文，126 subjects，SSIM/PSNR/MSE 一手成绩；GitHub 官方组织 github.com/BraTS-inpainting 佐证赛道自 2023 起迭代。
   • 辅助：媒体报道转述 GoAT 训练 1,351/验证 451（二手口径，已标注）。
4. 网络预算：WebSearch 3 次、WebFetch 3 次（含 2 次失败尝试），符合 §2.5 低中断预算。
5. 未直抓项：Synapse 动态页（2 次尝试失败后按纪律停止）、Zenodo DOI 页（预算限制）——均在 FACTS.md §9 记为遗留疑点。

附录 I：BraTS 家族族谱图（文字版）

BraTS 挑战赛（2012 起，15 届）
│
├─ BraTS-GLI（成人胶质瘤，主赛道，历史上长期核心）
├─ BraTS-PED（儿科脑肿瘤，2023 起）─── 库内 brats-pediatric (688)
├─ BraTS-Africa（非洲/SSA 胶质瘤）─── 库内 brats-africa (683)
├─ BraTS-MEN（脑膜瘤，2023 起）
├─ BraTS-MET（脑转移瘤）
├─ BraTS-Inpainting / Local Synthesis（2023 起，生成任务）
│
└─ BraTS 2026 Cluster of Challenges（第 15 届）★ 本条目
     ├─ Task 1 分割（跨 GLI/MEN/MET）
     ├─ Task 2 图像合成
     ├─ Task 3 分类
     ├─ Task 4 局部合成 / Inpainting
     └─ Task 5 检测
     └─ 泛化赛段 BraTS-GoAT（五类肿瘤，标签保密）

关联生态：FeTS（联邦分割，库内 fets 476）、AutoPET 系（MICCAI 姊妹赛）
族谱总览：库内 brats (24)

读图提示：本条目（brats-2026）在族谱中处于"年度集群"层级——它横跨多个历史子赛道（GLI/PED/Africa/MEN/MET），而库内 brats-pediatric(688) 与 brats-africa(683) 是其中两条被单独深挖的支线。引用时理清这层"族谱-集群-支线"关系，是避免张冠李戴的关键。

---

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 — 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
• pi-cai — 共享标签：医学影像 / MRI / 挑战赛数据集 / 目标检测
• 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
• 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
• brainptm-2021 — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 挑战赛数据集
• topaneu2026 — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集
• promise12 — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集
• crossmoda2022 — 共享标签：医学影像 / MRI / 医学图像分割 / 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。