信息速览
INFOBOX — BraTS-MEN / BraTS-MEN-RT 一屏速览
维度 内容 本质 MICCAI BraTS 挑战赛脑膜瘤支线数据集家族：2023 术前分割体（MEN）+ 2024/2025 放疗规划体（MEN-RT） 冠名 ASNR-MICCAI BraTS 2023 Intracranial Meningioma Segmentation Challenge ／ BraTS-MEN-RT（Meningioma Radiotherapy） 领衔 Dominic LaBella + Evan Calabrese（Duke 放疗科；Calabrese 兼标注终审 approver），122 作者 数据① BraTS-MEN 2023：1,424 例 = 1,000 训练 + 141 验证 + 283 测试（永不发布）；六美国中心 影像① T1 / T1Gd / T2 / T2-FLAIR 四序列；240×240×155、1mm³；SRI24 配准 + 颅骨剥离（FeTS 工具链） 标签① ET（强化肿瘤）+ NET/TC（非强化核心）+ SNFH（瘤周非强化 FLAIR 高信号）；ET 出现率 99.9% 数据② BraTS-MEN-RT 2024：750 例 = 500 训练 + 70 验证 + 180 测试（永久保密）；2025 Lighthouse 延续 影像② 单序列 3D T1c 原生分辨率（不做配准重采样）+ 单 target volume 标签（GTV/术后靶区）；CC-BY-NC 挑战结果 9 队参赛；冠军 NVAUTO（MONAI Auto3DSeg/SegResNet）median lesion-wise DSC 0.976/0.976/0.964，median 95HD ≈1mm 著名发现 ①90.3% 病例肿瘤触及颅骨剥离边缘（预处理悖论）；②钙化肿瘤 TC Dice 低至 0.156（盲区） 托管 Synapse（2023 cluster wiki syn51156910；MEN-RT 直链 DOI 10.7303/syn59059779）；测试集永不公开 论文 MELBA 3 (2025) DOI 10.59275/j.melba.2025-bea1；arXiv:2405.18383；Sci Data DOI 10.1038/s41597-026-06649-x 库内互链 brats(24) 总览、brats-2026(931)、brats-pediatric(688)、brats-africa(683)、fets(476)、totalsegmentator(422) 正刊锚点 2023 体：MELBA 3(2025) DOI 10.59275/j.melba.2025-bea1｜2024 体：Sci Data DOI 10.1038/s41597-026-06649-x
BraTS-MEN 是 BraTS 挑战赛家族里"非胶质瘤"扩张的第一步主力军：2023 年，这个以胶质瘤闻名的系列赛事第一次把镜头对准了脑膜瘤——成人最常见的原发性颅内肿瘤——并用六家美国学术中心的 1,424 例术前四序列 MRI，一举做出"迄今最大多机构系统专家标注多标签多序列脑膜瘤 MRI 数据集"。次年，同一支团队又把赛道从"术前看清肿瘤"推进到"放疗打准肿瘤"，发布了 750 例放疗规划 T1c + 单靶区标签的 BraTS-MEN-RT，并自称这是"第一个对放疗规划立即有用的 BraTS 挑战"。两个实体合起来构成一条罕见的完整临床链路：诊断分期分割 → 治疗规划勾画，这也是本条目把两者作为"数据集家族"一并收录的原因。
这个家族还有一层容易被忽视的独特性：它是 BraTS 家族里第一个把"数据集"与"临床动作"绑得这么紧的支线。胶质瘤赛道十四年打磨的是"分割得多准"这个科学问题，脑膜瘤支线则在 2024 年直接转向"放疗医生画靶区时能不能少花两小时"这个工程问题——单序列、原生分辨率、单标签，每个设计决定都在向部署场景妥协。读懂这条从"学术基准"到"临床工具"的演化线，比记住任何一个 Dice 数字都更有长期价值。
从 AI-Ready 的视角看，这个家族的成熟度也值得单独立传：数据本体是标准 NIfTI + BraTS 命名规范（喂给 nnU-Net/MONAI 无需改造），元数据带临床变量（年龄/性别/分级），许可层级清楚（Synapse 条款 + CC-BY-NC），获取有分步文档——短板则在测试集黑箱与验证集无标注对自动评测管线的限制。本条目 §6 与附录 A 会按 AI-Ready 光谱逐项打分。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——两个实体走 Synapse 注册制，测试集永不公开，别指望在 HuggingFace 找到全量。
- 关心临床落地：直奔 §5 MEN-RT——单序列原生分辨率的设计哲学与 90.3% 预处理悖论直接决定你的预处理管线怎么写。
- 做算法研究：直奔 §4 挑战基准——NVAUTO 的 0.976 median Dice 与钙化盲区 0.156 是同一条榜单的两端，引用时别只报一半。
§0 导读：这个数据集解决什么问题
脑膜瘤是成人最常见的原发性颅内肿瘤：按 CBTRUS 2016-2020 统计口径占全部中枢神经系统肿瘤的 40.8%、非恶性中枢神经系统肿瘤的 55.4%，其中 99.1% 为非恶性、约 80% 为 WHO I 级。绝大多数病例靠手术切除和/或放疗控制，而这两条治疗路径的共同前提是把肿瘤在 MRI 上勾画清楚——术前评估要回答"肿瘤有多大、累及哪些结构"，放疗规划要回答"靶区边界画在哪"。在这个背景板下，深度学习分割模型缺的不是想法，而是数据：2023 年之前，公开可得的脑膜瘤分割数据集要么单中心、要么只有二值掩码、要么序列不全，没有一个能支撑"多机构、多序列、多标签、专家级"四个约束同时成立的训练与评测。
这个缺口在 2023 年前的公开数据版图上是真实存在的：脑膜瘤分割研究要么退回单中心小样本，要么用自制数据互不可比——"多机构、多序列、多标签、专家级"四个约束同时成立的公开选项为零。领域等的是一个能把组织方法、数据体量与评测公信力同时补齐的入局者。
BraTS-MEN 的回答是一次数据工程总攻。2023 年，BraTS 挑战赛把胶质瘤赛道验证了十四年的组织方法——多机构联盟、统一预处理、隐藏测试集、容器化提交——整套搬到脑膜瘤上：六家美国学术中心（Duke、Thomas Jefferson、UCSF、Yale、UPenn、Missouri）汇聚 1,424 例术前 MRI，四序列标准配置，ET/NET/SNFH 三亚区标注经过"标注者修正 → 多轮 revision → board-certified 神经放射专家终审"的流水线，按 70/10/20 切分为 1,000 训练 / 141 验证 / 283 测试，测试集永不发布。挑战本身收集了 9 支队伍的 MLCube 容器，冠军方案在隐藏测试集上做到 lesion-wise median Dice 0.976——这组数字至今仍是术前脑膜瘤分割的状态水平线。
但这个数据集的价值不止于榜单。论文里埋着两个对整个神经影像社区都有含义的发现：其一，90.3% 的病例至少有一个肿瘤体素紧贴颅骨剥离后的图像边缘——脑膜瘤是颅外轴外肿瘤，而神经影像通行预处理（配准、重采样、去颅骨、去面）恰恰会把颅骨内板附近的空间抹掉，匿名化流程与病灶定位发生了根本冲突；其二，钙化和非强化脑膜瘤是全榜单的系统性盲区——训练集里 NETC 出现率仅 33.9%，低信号无强化的肿瘤在所有序列上都不"显眼"，导致 TC Dice 最低掉到 0.156。这两条教训在 2024 年的 MEN-RT 里被正面回应：放弃多序列配准方案，改用单序列 T1c 原生分辨率加单靶区标签，向放疗科的真实工作流妥协。
一分钟时间线：2023-05 训练集发布 → 2023-06 验证集发布 → 2023-07/08 验证期（在线打分+短论文）→ 2023-10 MICCAI Vancouver 颁奖（9 队，NVAUTO 夺冠）→ 2024-05 挑战论文挂 arXiv、MEN-RT 首届开赛 → 2025-03 论文 v2、MELBA 正刊 → 2025 Lighthouse 延续 MEN-RT → 2026 MEN-RT 数据论文见刊 Sci Data、MEN 题型混入 BraTS 2026 GoAT 验证集。这条线的关键分岔是 2024：赛道从"术前分割"切换到"放疗规划"，两个数据集自此分叉并行。
为什么这个家族值得单独立传而不是并进 brats 综述？因为综述条目（库内 rid=24）的使命是把十四年家族史折叠成一张地图，而本条目的使命是拆开一个此前只以别名出现的角落——在这个角落里，规模口径有三版、赛道起点有一次讹传、许可有两层口径、标注哲学有一场"解剖学完备 vs 临床可用"的代际切换。折叠与拆开是两种互补的文献服务，检查完本条目的十个坑（§10），读者再去读综述时会对那几行"MEN"轻描淡写的表格行有完全不同的分辨率。
§0 读法三则：
- 这个条目是"两个数据集 + 一条赛道沿革"的三合一：2023 MEN（术前分割）与 2024 MEN-RT（放疗规划）是不同设计哲学的两代实体，规模、许可、获取方式各不相同（§2 与 §6），引用时必须分开点名。
- 全文统计数字均出自挑战论文（MELBA 2025 正刊版）与 Sci Data 2026 数据集论文；第三方口径（GitHub 的 1,650 例、库内综述条目的 571 训练例）与官方口径的出入已在 §10 与附录存照。
- 检索时注意官方名陷阱：数据集官方名为 BraTS Pre-operative Meningioma Dataset（2023）与 BraTS-MEN-RT Dataset（2024），BraTS-MEN 是社区通称；把 MEN-RT 记成 2023 届是常见错误（它 2024 年才首届）。
§1 数据集速览：十问十答
Q1：BraTS-MEN 到底指什么？
狭义指 BraTS 2023 颅内脑膜瘤分割挑战赛及其数据集（官方名 BraTS Pre-operative Meningioma Dataset）；广义在本条目中涵盖 2024/2025 的放疗规划后续 BraTS-MEN-RT。两者同属 ASNR-MICCAI BraTS 脑膜瘤支线，但影像配置、标签体系、许可各不相同，引用时应点名届次。
Q2：规模有多大？
2023 MEN 共 1,424 例：训练 1,000（70%）、验证 141（10%）、测试 283（20%），符合标准机器学习划分惯例。2024 MEN-RT 共 750 例：训练 500（66.7%）、验证 70（9.33%）、测试 180（24%）。两实体公开可得部分合计 1,711 例（1,141 + 570）。第三方仓库流传的 1,650 例口径与官方不符（§10 坑 2）。
Q3：影像是什么规格？
2023 MEN：每例 T1、T1Gd（增强）、T2、T2-FLAIR 四个 NIfTI 卷，经 FeTS 工具链统一预处理——配准到 SRI24 模板空间、1mm³ 各向同性重采样、自动颅骨剥离——统一为 240×240×155。2024 MEN-RT：每例只有放疗定位用的 3D 增强T1WI，保留原生采集空间与分辨率，刻意不做配准和重采样。
Q4：标签长什么样？
2023 MEN 每例一个三标签掩码：ET（enhancing tumor，强化肿瘤）、NET/TC（non-enhancing tumor core，非强化肿瘤核心）、SNFH（surrounding non-enhancing FLAIR hyperintensity，瘤周非强化 FLAIR 高信号，对应血管源性水肿）；评测用复合区 TC=ET+NET、WT=ET+NET+SNFH。2024 MEN-RT 每例只有单标签 target volume，覆盖 GTV 及术后风险区。
Q5：数据从哪来？
2023 MEN 来自六家美国学术中心：Duke University Medical Center、Thomas Jefferson University、UCSF、Yale、University of Pennsylvania（Perelman）与 University of Missouri（Columbia）。2024 MEN-RT 同样是多机构联盟，参与站点可提交本机构 GTV 供审核入集。全部站点持有 IRB 批准并获知情同意豁免。
Q6：标注可信吗？
2023 MEN：标注者手工修正后经多轮 revision，最终由 board-certified、fellowship-trained 的神经放射专家（Evan Calabrese）逐例批准。2024 MEN-RT：约 10% 无机构 GTV 的病例先由 nnU-Net 预分割，再由资深放疗住院医逐层复核修正（ITK-SNAP），最后仍由同一位神经放射 approver 终审；去面（defacing）结果也逐例人工核查。
Q7：挑战赛成绩如何？
2023 届 9 支队伍提交 MLCube 容器评测。冠军 NVAUTO（MONAI Auto3DSeg 框架、SegResNet 架构）median lesion-wise DSC：ET 0.976 / TC 0.976 / WT 0.964，median 95HD 约 1mm；平均 DSC 0.899/0.904/0.871。亚军 CNMC_PMI2023（nnU-Net + Swin ensemble），季军 blackbean（STU-Net，TotalSegmentator 预训练）。榜单中位与均值的显著落差（0.976 vs 0.899）来自钙化硬病例长尾。
Q8：数据怎么获取？
全部走 Synapse 注册制：2023 MEN 经 BraTS cluster 主 wiki（syn51156910）导航到 MEN 子页申请；2024 MEN-RT 有独立 Synapse DOI（10.7303/syn59059779）并附分步获取指南与临床元数据表。验证集不公开标注（只能在线提交打分），测试集两个实体都永不发布。
Q9：许可是什么？
分层：2023 MEN 数据走 Synapse 使用条款（注册时勾选，研究用途为主）；2024 MEN-RT 的图像、标注与临床元数据在 Sci Data 论文中明确为 CC-BY-NC（per Synapse policy）；两篇挑战论文本体 CC-BY-4.0。第三方 HuggingFace 整装版打的 cc-by-nc-sa-4.0 标签只代表打包者判断，商用前务必回原平台核验（§10 坑 6）。
Q10：跟库内其他 BraTS 条目什么关系？
brats（rid=24）是整个系列的综述总览；本条目是其脑膜瘤支线的展开，与 brats-pediatric（688，儿科）、brats-africa（683，非洲胶质瘤）平级；brats-2026（931）的 GoAT 集群把脑膜瘤作为五类肿瘤之一混入验证集——本条目的 2023 数据正是这个题型的源头。互链清单见 §9。
§1.1 按角色导航：三种读者各取所需
角色 A：要在 1,000 例上训分割模型刷点的研究者——路线是 §2.1（数据规格）→ §4.2（对标榜单）→ §4.6（复现六步）→ 坑 5/坑 8（口径陷阱）。关键纪律：lesion-wise 口径、median/average 双报、验证集不混训、患者级切分。
角色 B：放疗科或医学物理背景、想做靶区自动化的工程师——路线是 §5 全章（MEN-RT 设计哲学与临床背景）→ §2.2（单序列规格）→ §3.2（标注来源与 10% 预分割）→ §5.5（GTV/CTV/PTV 边界）→ 坑 6（许可）。关键纪律：标签是 GTV 级参考、商用前核验 CC-BY-NC 现行条款。
角色 C：数据工程与隐私方法研究者——路线是 §2.1 末段与 §3.5（预处理悖论与匿名化权衡）→ §4.4（盲区发现）→ §8（可迁移经验）→ 附录 B（口径存照）。这个家族最值钱的可能不是影像，而是它把踩过的坑定量写进了论文。
§1.2 三十秒数据卡
实体A BraTS-MEN 2023（术前分割）
规模 1,424 = 1,000 训练(带标注) + 141 验证(无标注) + 283 测试(永不发布)
影像 T1+T1Gd+T2+T2-FLAIR，240×240×155，1mm³，SRI24，去颅骨
标签 ET / NET(TC) / SNFH（+TC、WT 复合）
元数据 年龄 / 性别 / WHO 分级
托管 Synapse（cluster wiki syn51156910）｜许可 Synapse 使用条款
论文 MELBA 3(2025) 10.59275/j.melba.2025-bea1
实体B BraTS-MEN-RT 2024（放疗规划；2025 Lighthouse 延续）
规模 750 = 500 训练 + 70 验证 + 180 测试(永久保密)
影像 仅 3D T1c，原生分辨率，AFNI 去面
标签 单 target volume（术前 GTV+结节状硬膜尾 / 术后腔缘+残留强化）
元数据 临床数据 + 影像参数 xlsx
托管 Synapse DOI 10.7303/syn59059779｜许可 CC-BY-NC
论文 Sci Data 2026 10.1038/s41597-026-06649-x；arXiv:2405.18383
§2 数据构成与规格
§2.1 2023 MEN：术前四序列分割体
先给一图流定位：这一节回答"我下载到的是什么"——从文件夹结构到体素数值，四层规格（影像、空间、标签、元数据）逐层展开；§2.2 则回答"另一个实体为什么长这样"。
BraTS Pre-operative Meningioma Dataset 的每一个训练样例是一个自包含的病例文件夹：四个影像卷（-t1n、-t1c、-t2w、-t2f，分别对应 T1 平扫、T1 增强扫描、T2 加权与 T2-FLAIR）加一个分割掩码（-seg），全部为 NIfTI 格式（.nii.gz 压缩）。命名遵循 BraTS 家族统一规范 BraTS-MEN-00004-000——五位数为病例号，三位数为病灶序列号（应对多发性脑膜瘤 propensity for multiplicity 的特点），官方目录名直接以 ASNR-MICCAI-BraTS2023-MEN-Challenge-TrainingData 与 -ValidationData 起头，Synapse 下载后无需任何重命名即可接入 BraTS 生态的读取工具。
1,424 例按 70/10/20 切分：训练 1,000 例（带掩码）、验证 141 例（只有影像，掩码保密，仅能提交 Synapse 在线打分）、测试 283 例（永不发布，用于最终排名）。切分比例是论文明示的"标准机器学习协议"执行，不是事后口径；这也意味着任何声称在"完整 BraTS-MEN 上训练"的第三方工作，实际可用上限就是那 1,000 例带标注训练数据——加验证集影像共 1,141 例影像（arXiv 2607.28858 统一基准论文的 1,141 口径即由此而来）。
影像规格与预处理（全部由 FeTS 工具链完成，Pati et al. 2022）：
| 处理步骤 | 具体内容 | 结果 |
|---|---|---|
| 格式转换 | DICOM → NIfTI | 统一 .nii.gz |
| 配准 | 刚性 co-registration 到 SRI24 atlas 空间 | 跨机构解剖对齐 |
| 重采样 | 1mm³ 各向同性 | 统一 240×240×155 |
| 颅骨剥离 | FeTS 内置 skull-stripping（Schwarz et al. 2019 系） | 去除颅骨与面部分区 |
| 匿名化 | 去面/替换面部特征（defacing/refacing 系） | IRB 合规可分发 |
这张表的每一行都对应一个下游影响：格式转换决定你不用自己写 DICOM 解析；SRI24 配准意味着跨病例解剖坐标可比（也意味着模块化配准研究要找原始数据）；1mm³ 重采样固定了显存预算；颅骨剥离是唯一有争议的一行（见下文 90.3% 贴边）。
预处理统一化的代价在论文讨论部分被明确量化：1,286/1,424（90.3%）病例至少有一个肿瘤亚区体素紧贴颅骨剥离后的图像边缘。脑膜瘤贴颅骨内板生长、常沿硬膜蔓延，而 skull-stripping 的"去颅骨"操作会在内板附近制造人为截断——分割模型学到的"肿瘤贴边"其实部分是预处理伪影。作者团队把这个现象命名为需要进一步研究的预处理悖论，并建议未来改用保留颅脑间隙的 refacing/defacing 方案（§8 方法启示第二条展开）。
标签体系（三亚区 + 两复合区）：
| 标签 | 英文全称 | 定义 | 训练集出现率 | 体积中位数 |
|---|---|---|---|---|
| ET | Enhancing Tumor | T1c 上强化的肿瘤部分 | 999/1000（99.9%） | 9 cm³ |
| NET/TC | Non-Enhancing Tumor Core | 非强化的肿瘤核心（含钙化） | 339/1000（33.9%） | 0.32 cm³ |
| SNFH | Surrounding Non-Enhancing FLAIR hyperintensity | 瘤周非强化 FLAIR 高信号（血管源性水肿带） | 536/1000（53.6%） | 17 cm³ |
| TC（复合） | Tumor Core | ET + NET | — | — |
| WT（复合） | Whole Tumor | ET + NET + SNFH | — | — |
先看一行速记——强化看 ET，钙化看 NET，水肿看 SNFH，找全看 WT——再展开差异。这套体系与胶质瘤赛道的 NCR/ED/ET 名义相近但病理基础不同：脑膜瘤是轴外肿瘤，它的"水肿带"（SNFH）是压迫脑组织产生的血管源性水肿而非浸润性瘤周信号；NET 在脑膜瘤语境下大量对应钙化与纤维化成分，出现率只有三分之一，与胶质瘤坏死核心的高发形成对照。这正是 2023 挑战选择 lesion-wise 评测与三亚区拆分的原因——把"增强的外观"与"真实的肿瘤范围"解耦考核（§4.3）。论文另给出测试集中单病灶子集的规模：ET 单灶 255 例、TC 单灶 255 例、WT 单灶 252 例。
临床元数据：每例附带患者年龄、性别与影像时的脑膜瘤分级（WHO I/II/III），支持分级分层分析与公平性评测——这是很多分割数据集不给的配置（arXiv 2607.28858 使用记录证实元数据随数据发布）。
以一例走完数据生命周期：以 arXiv 2607.28858 用作示意图的病例 BraTS-MEN-00891-000 为例——研究者拿到的是四个 NIfTI 卷（t1n/t1c/t2w/t2f，已配准 SRI24、1mm³、240×240×155、去颅骨）加一个 seg 掩码；掩码上最多三个非零标签值各对应一种肿瘤亚区；临床元数据表里能查到这位患者的年龄、性别与分级。训练侧，nnU-Net/MONAI 解析家族命名后即可入管线；评测侧，掩码预测经评估脚本与金标逐病灶（lesion-wise）配对算 DSC 与 95HD；发布侧，引用 MELBA 论文与数据集官方名。从下载到出分的整条链路，没有任何一步需要自造工具——这正是"挑战赛级数据工程"的含金量。
§2.2 2024 MEN-RT：放疗规划靶区体
BraTS-MEN-RT Dataset 是一次彻底的"减法设计"。750 例放疗规划 MRI = 训练 500（66.7%）+ 验证 70（9.33%）+ 测试 180（24%，永久保密）。与 2023 体的四项对照：
| 维度 | 2023 MEN（术前分割） | 2024 MEN-RT（放疗规划） |
|---|---|---|
| 序列数 | 4（T1/T1Gd/T2/T2-FLAIR） | 1（仅 3D postcontrast T1） |
| 空间处理 | SRI24 配准 + 1mm³ 重采样 | 原生采集空间与分辨率 |
| 标签数 | 3 亚区 + 2 复合区 | 1（target volume） |
| 标签语义 | 肿瘤亚区解剖学定义 | GTV + 术后风险区（放疗协议定义） |
| 预处理工具 | FeTS 工具链 | dcmrtstruct2nii + AFNI defacing |
| 规模 | 1,424 例 | 750 例 |
| 许可 | Synapse 使用条款 | CC-BY-NC（论文明示） |
| 保密集 | 测试 283 例永不发布 | 测试 180 例永久保密 |
先看这张表怎么读：从上往下前四行（序列/空间/标签/语义）是"设计哲学"差异，中间三行（工具/规模/许可）是"生产现实"差异，最后一行（保密集）是"评测制度"差异——三类差异的驱动因素完全不同，别把它们混成一句"配置不同"。
减法的理由写在挑战设计论文里：“mimics the data available for most radiotherapy planning scenarios”——放疗定位像就是单序列、原生分辨率的 T1c，临床模型要部署就必须在这个输入条件下工作；多序列配准版本反而是实验室里的奢侈品。靶区标签的语义也随场景切换：术前放疗（pre-operative setting）的 target volume 是 T1c 上可见的肿瘤整体加结节状硬膜尾（nodular dural tail）；术后放疗（post-operative setting）则是切除腔边缘加残留强化。单一标签把两种场景统一进一个约定，代价是无法在同一例里区分瘤体与瘤周风险结构——这是使用时必须向领域专家说明的设计取舍。
MEN-RT 的标注流水线起点不均匀：约 10% 的病例，治疗机构没有提供可用的 GTV，这些病例由 nnU-Net 预分割起步；其余 90% 直接采用机构提交的 GTV。两条路径汇合后统一进入人工复核（§3.2）。这个比例是数据论文（Sci Data 2026）明示的，第三方引用时经常漏掉"10% 预分割"这个限定。
临床元数据：Synapse 上的 Excel 补充表（Meningioma radiotherapy supplementary clinical data and imaging parameters for training and validation sets.xlsx）逐例记录临床患者数据与可用影像参数（场强、TR/TE 等在机构间和机构内差异显著，论文原话），供分层建模与域偏移研究。
§2.3 文件与命名速查
ASNR-MICCAI-BraTS2023-MEN-Challenge-TrainingData/
├── BraTS-MEN-00004-000/
│ ├── BraTS-MEN-00004-000-seg.nii.gz # 三亚区掩码
│ ├── BraTS-MEN-00004-000-t1c.nii.gz # T1 增强
│ ├── BraTS-MEN-00004-000-t1n.nii.gz # T1 平扫
│ ├── BraTS-MEN-00004-000-t2f.nii.gz # T2-FLAIR
│ └── BraTS-MEN-00004-000-t2w.nii.gz # T2 加权
├── BraTS-MEN-00004-001/ # 同患者第二病灶（多灶病例）
└── ...
ASNR-MICCAI-BraTS2023-MEN-Challenge-ValidationData/
├── BraTS-MEN-00000-000/
│ ├── BraTS-MEN-00000-000-t1c.nii.gz # 验证集无 seg 文件
│ └── ...
MEN-RT 目录结构同构（病例号 BraTS-MEN-RT-*），但每例只有 T1c 影像与 target volume 标签两个文件，外加独立的临床元数据表。第三方整装版（HuggingFace Aff77/BraTS-2024-Complete）把 MEN-RT 的 571 例公开数据重组为 train（500）+ train_additional（1）+ val（70）三分区，便于直接喂入 nnU-Net 风格的训练脚本，但打包许可标签与原平台条款的对应关系需要自行核验（§10 坑 6）。
注意那个 train_additional：1 例附加训练数据是整装版在整理官方分发包时发现的额外例（官方口径 500+70 之外的公开例），它既证明"公开例数"存在 ±1 级的统计口径弹性，也提醒引用者在计数时写清口径与来源时点——571 与 570 都对，取决于是否计入附加例。
§2.3.1 标签体积分布：三个亚区的"体量人格"
训练集三标签的体积统计（第三方核验口径，最小/中位/最大，cm³）拼出三种截然不同的"体量人格"：ET 从 0 到 194、中位 9cm³——强化部分几乎人人都有（99.9%），但大小跨度超过 20 倍；SNFH 从 0 到 250、中位 17cm³——它是体积上最常见的"大块头"（水肿带可以包绕很大范围）；NETC 从 0 到 80、中位 0.32cm³——三分之一的病例里它以"几粒米"的体量存在，最小值 0 意味着相当比例的病例根本没有可标记的非强化核心。这三个分布直接解释了分割难度的分层：SNFH 好找（大而显眼）、ET 中等（显眼但形态多样）、NETC 极难（又小又暗还不常出现）——模型容量与训练预算有限时，把力气花在哪一类亚区上，应该参考这张分布表而非直觉。
顺带一提损失函数的选择直觉：Dice-Focal 组合在冠军方案里出现不是审美偏好——Dice 项对大类（ET/SNFH）负责、Focal 项把梯度让给难样本（NETC 与贴边区域），这个组合恰好对症上面三个"体量人格"的失衡谱。复现者若改动损失，请同时报告按亚区分层的性能，否则总分变化无法归因。
§2.4 三个数据分区的边界与实操含义
三个分区不是简单的数量切分，而是三种完全不同的"可用权限"，混用边界是新手事故高发区：
| 分区 | 例数 | 影像 | 标注 | 允许的用法 | 禁止的用法 |
|---|---|---|---|---|---|
| 训练集 | 1,000 | 公开下载 | 体素级掩码公开 | 训练、验证再切分、算法研究、发表基准 | 混入验证/测试流程后对标官方榜单 |
| 验证集 | 141 | 公开下载 | 不公开（提交 Synapse 在线打分） | 提交打分、模型选择参考 | 拿影像混入训练集；声称"在验证集上取得 Dice X"（无金标无从算起） |
| 测试集 | 283 | 永不发布 | 永不公开 | 仅官方评测服务器使用 | 任何形式的本地访问（不存在合法途径） |
发布时间同样是硬边界：训练集 2023-05 上架、验证集 2023-06 跟进（挑战论文 Table 1 明示 Release Date），而测试集的 Release Date 栏写着 “Never released”。挑战流程设计上，2023-07 至 2023-08 是验证阶段——参赛队用验证集微调模型、撰写短论文，最后上传最优模型与论文进 MLCube 容器评测队列。这套"训练全公开 → 验证半公开 → 测试全黑箱"的三级设计是 BraTS 家族防过拟合评测的标准姿势，后续 MET/PED 等赛道全部沿用。
实操含义有三。第一，复现研究的自切分规范：因为验证集无金标，任何独立研究（不经官方评测通道）做定量评估都只能用训练 1,000 例自切 train/val——arXiv 2607.28858 的统一基准论文就是这么做的（它明确说"we did not use it [validation] for the quantitative evaluation"），这是干净复现的样板。第二，对标官方榜单的前提：只有把模型打包成 MLCube 经 Synapse 提交官方测试通道，得到的数字才与 Table 2 榜单可比；本地自切分跑出的分数与官方榜单存在评测面差异，引用时必须注明口径。第三，数据泄露审查：切分按病例（患者）为最小单位——多灶患者的多个病灶样例（§2.7）必须落在同一分区，按"文件夹数"随机打乱会造成患者级泄露。
§2.5 影像参数异质性：被保留的"真实世界噪声"
与许多"清洗到整齐"的数据集不同，BraTS-MEN 把机构间与机构内的采集差异完整保留了下来。挑战设计论文的原话是：imaging parameters including field strength（场强）、echo/repetition time（回波/重复时间）与 image resolution（分辨率）“varied considerably between and within institutions”（在机构间和机构内都差异显著）。数据集不提供扫描仪厂商/型号字段（元数据只有年龄、性别、分级三项，§2.1），意味着"按设备分域"的严格域自适应实验做不了精细版，只能做机构级或训练集自聚类的粗粒度版本。
这有两面性。好的一面：1,424 例覆盖了真实临床的采集谱系，训出的模型见过"各种机器拍出来的脑膜瘤"，比单中心均质数据更接近部署现实——这也是论文敢于主张 SOTA 基线地位的原因之一。麻烦的一面：任何性能波动都混合着病灶难度与机构风格两种因素，误差分析时需要按来源机构分层才能拆开；而 2023 体不公开逐例机构标签的话（以 Synapse 下载包实际字段为准），这一步只能靠影像特征聚类近似。2024 MEN-RT 吸取了这一教训——它的补充表明确逐例记录影像参数（§2.2），把"设备域"信息还给了研究者。
对实践的三条具体建议：第一，把"机构异质性"当作免费的数据增强叙事写进论文局限分析，而不是当成缺陷遮掩——审稿人看到机构级误差分解会觉得方法成熟；第二，跨机构验证协议（leave-one-center-out）在本数据集上是可设计但成本高的选择（六折机构留一），轻量替代是按采集年代切分模拟时间漂移；第三，把 MEN-RT 的元数据表结构当作"该记录什么"的样板反哺自己的数据采集——预先记录的参数事后补不回来。
§2.6 与胶质瘤主赛道（BraTS-GLI）的规格对照
脑膜瘤赛道不是凭空设计的，它是胶质瘤方法论的"轴外移植"，规格对照能看清哪些是家族统一约定、哪些是 MEN 专属：
| 规格 | BraTS-GLI（成人胶质瘤主赛道） | BraTS-MEN 2023 |
|---|---|---|
| 肿瘤起源 | 轴内（脑实质内，浸润性生长） | 轴外（脑膜，贴颅骨内板） |
| 序列配置 | T1/T1Gd/T2/T2-FLAIR 四序列 | 相同（家族统一） |
| 空间规格 | SRI24 配准 + 1mm³ + 240×240×155 | 相同（家族统一） |
| 体素标签 | NCR（坏死）/ED（水肿）/ET（强化） | ET/NET(TC)/SNFH——名义相近、病理语义不同 |
| 复合区 | TC=NCR+ED+ET、WT=ED+ET 等家族约定 | TC=ET+NET、WT=ET+NET+SNFH |
| 典型病例数（2023） | ~1,251（GLI 口径，家族最大子赛道） | 1,424（MEN 口径，含测试） |
| 评测 | lesion-wise DSC + 95HD（2023 起） | 相同（2023 家族新规范） |
| 多灶性 | 胶质瘤罕见多中心灶 | 脑膜瘤 propensity for multiplicity（病灶序号入命名） |
对照表里值得展开的是"谁不是家族统一项"：序列配置与空间规格是十四年家族公约（2023 体照单全收），标签语义与多灶建模才是 MEN 的定制件——而 2024 体连家族公约也部分放弃（单序列、原生分辨率）。这条"公约→定制→再定制"的谱系，正是理解两实体差异的主线。
三个 MEN 专属差异值得强调。其一，标签的病理基础不同：ED（胶质瘤水肿）是浸润性瘤周信号，SNFH（脑膜瘤）是压迫性水肿——同一"FLAIR 高信号"两个机制，迁移学习时最后一层语义要对齐。其二，NET/TC 在脑膜瘤里大量对应钙化成分（CT 上高密度、MRI 低信号），在胶质瘤里对应坏死——同一标签名，影像表现截然不同，这正是钙化盲区（§4.4）的标签学根源。其三，多灶性在数据组织层面被正式建模（病灶序号三位数），而胶质瘤赛道以单灶为主——这是 lesion-wise 评测先在 MEN/MET 赛道落地的现实土壤。
§2.7 多发性脑膜瘤：病灶序号与"例"的计数陷阱
脑膜瘤有 propensity for multiplicity（多发倾向，论文摘要明示）——同一患者可同时存在两个以上独立肿瘤（神经纤维瘤病 2 型患者尤其典型），放疗场景下还常见"临床计划只管一个灶、影像上还有其他灶"的情况。数据集把这一点编进了命名规则：BraTS-MEN-00004-000 与 BraTS-MEN-00004-001 是同一患者的第一个与第二个病灶，各自成文件夹、各自配掩码——每个病灶是一个独立训练样例。
由此产生三个统计口径陷阱。第一，“1,424 例"是病灶样例数还是患者数？官方论文通篇用"cases"指称分区内条目，未给患者级去重数字——按"1,000 训练样例"使用时它就是文件夹数；做患者级分析（如按患者切分交叉验证）需要先按五位数病例号去重，患者数会小于样例数。第二，第三方统计的"1,650"口径部分可能与把"多灶文件夹+其他整理产物"计成病例有关（§10 坑 2）——计数口径不清是数字打架的常见根源。第三，评测口径：多灶病例在 lesion-wise 评测下是"每个病灶一个分数”，漏掉第二灶的代价被显式计入；用全局 Dice 复现时多灶病例的表现会被高估（§10 坑 8）。MEN-RT 数据论文还专门记录了这类临床情形：标注修正动作包括"补画临床放疗靶区之外的多发脑膜瘤"——数据完整性优先于临床计划的局部性，这是放疗数据集里少见的严格约定。
§2.8 已知质量问题清单：用之前先读这一节
把散落在论文各处与第三方核验中的质量问题集中登记（每条注明证据出处），作为使用前的强制阅读：
| # | 问题 | 定量证据 | 影响 | 出处 |
|---|---|---|---|---|
| 1 | 预处理截断伪影 | 1,286/1,424（90.3%）肿瘤体素贴剥离边缘 | 模型学到贴边伪影特征；颅骨/硬膜研究不可用 | MELBA 论文摘要 |
| 2 | 稀缺亚型稀缺 | NETC 出现率 33.9%；钙化病例 TC Dice 低至 0.156 | 低信号/钙化肿瘤的分割结论不可靠 | 论文讨论 + Lacuna 分析 |
| 3 | 标注一致性未量化 | 无 kappa/agreement 发布；测试集双套复核仅定性 | "金标准"强度依赖终审人权威而非统计证据 | 论文标注节 + 本条目 §3.4 |
| 4 | MEN-RT 预分割起点 | 约 10% 病例标签由 nnU-Net 预分割起步 | 这部分标签的"手工纯度"低于其余 90% | Sci Data 论文 |
| 5 | 地理偏斜 | 六家全部为美国学术中心 | 跨地域外推未验证 | 论文作者单位 |
| 6 | 设备元数据缺失 | 2023 体无扫描仪厂商/型号字段 | 精细域自适应实验受限 | arXiv 2607.28858 使用记录 |
| 7 | 病例/患者计数模糊 | 官方未发布患者级去重数 | 多灶病例的患者级统计需自行去重 | 本条目 §2.7 |
| 8 | 许可条款动态 | 2023 体条款未公开快照；MEN-RT 为 CC-BY-NC | 合规审查需回平台现查 | 本条目 §6.2 |
这张表与 FACTS 存照体系（§10 与附录 B）共同构成本条目的"负面清单"伦理：能定量的问题给数字，不能定量的标遗留疑点，全部注明证据层级。这也是使用任何医学数据集前应该做的功课模板。
优先级建议：用模型做科研发表——关注 #1/#2/#3（影响结论有效性）；做临床转化——加关注 #4/#8（影响合规叙事）；做跨域研究——加关注 #5/#6（影响外推声明）。八条问题没有一条是"一票否决"级——这份数据集的质量水位配得上它的引用量，前提是使用者知道自己在跟哪些噪声共舞。
§3 标注与质控流水线：谁来画、谁说了算
§3.1 2023 MEN：标注者修正 → 多轮 revision → 专家终审
2023 体没有公开"每位标注者标了多少例"的账目（遗留疑点，见附录），但流程骨架在论文里是完整的：各参与机构的标注者（多数为各中心神经放射与放疗科背景的医师）完成肿瘤亚区的手工勾画与修正；修正后的标签进入多轮 revision 循环；最终每例都由同一位 board-certified、fellowship-trained 的神经放射专家——Evan Calabrese（论文中的 approver “EC”）——逐例批准。论文的表述是"multi-step approach… incorporating multiple rounds of revision as needed to achieve high-quality final segmentations"。
这套流程的价值在于把"专家标注"从一句口号拆成了可审计的三个环节：谁画的（机构标注者）、怎么改的（revision 循环）、谁签字的（EC 终审）。四个值得注意的工程细节：第一，单一终审人：全部 1,424 例（至少训练与验证体）由同一位 approver 收口，最大化标签一致性、最小化标注者间漂移——代价是系统性偏好无法在数据内部暴露，也没有发布标注者间 kappa（对比：金标准式的多人独立标注+量化一致性，如 PATH 领域的 PANDA-PLUS 三层流水线，会同时给出 agreement 统计）。第二，修订的粒度信号：论文披露的修正动作——边缘贴合、漏标补画、多灶补齐——都是"细粒度、局部性"修正，说明初标质量已到"大体正确"水位，专家精力花在毫米级决策上；这是标注流水线成熟度的定性指标（初标越差，修正动作越"结构性"）。第三，复核的真实成本：多轮 revision 意味着同一病例的标签要被打开修改不止一次——挑战论文提到常见修正包括边缘贴合与漏标补画，这类"回头工程"在 1,424 例的体量下是数以千计的医师小时；理解这一点才能理解为什么后续数据集（MEN-RT）会用 nnU-Net 预分割来压缩初标成本——不是偷懒，是把人力集中到复核环节。第四，测试集双套复核：据 BraTS 系列方法学综述（PMC11945730），2023 家族的测试集标注经两套标注者+approver 组合复核以保证 inter-rater reliability——但同样只有定性描述。第五，IRB 与去标识：所有站点持 IRB 批准、知情同意豁免，影像经去面处理后由人工逐例核查去面质量与肿瘤完整性（确保没有把脑膜瘤连同面部一起削掉）。
§3.2 2024 MEN-RT：机构 GTV / nnU-Net 预分割 → 住院医逐层复核 → 专家终审
MEN-RT 的流水线是 2023 版的放疗科变奏，四个阶段：
- 起点（两条路径）：参与站点提交本机构放疗计划中已勾画的 GTV 送审；无可用 GTV 的病例（约 10%）由 nnU-Net 自动预分割起步。站点提交的标签要经过 BraTS 专家标注团队的严格评估（“rigorous evaluation”）才可能入集。
- 第一轮人工修正：资深放疗住院医（论文作者 LaBella 本人）在 ITK-SNAP 中逐层复核每个 GTV，修正到符合 BraTS-MEN-RT 靶区定义。常见修正动作论文列了三类：硬膜尾区域的增删；术后病例中标签边缘与强化组织的贴合修正；补画临床放疗靶区之外的多发脑膜瘤（这些灶不在原治疗计划里但属于数据完整性）。
- 终审：fellowship-trained 神经放射专家（Calabrese）对修正后的 GTV 逐例批准；不合格者退回继续精修。
- 预处理质检：AFNI 自动去面后的影像逐例人工复核——确认去面充分、至少含一个颅内脑膜瘤或术后靶区、且不含非脑膜瘤的其他颅内肿瘤；去面瑕疵手工修复后才允许入集。
"逐层复核"四个字的工作量值得展开：一个放疗规划病例的 T1c 通常是几十到两百层切片，逐层检查 GTV 边界、修正 dural tail、贴合术后腔边缘，单例耗时以十分钟计；500+70 例的复核体量乘上去，就是资深住院医数月量级的专注工作——论文把这套流程写透，等于给"专家复核到底贵在哪"提供了量化直觉。
两个流水线的技术门槛差异也值得一句：2023 体标注者需要的是多序列阅片能力（四个序列交叉定位亚区），2024 体复核者需要的是放疗剂量学直觉（dural tail 要不要、切除腔算不算）——前者是神经放射技能栈，后者是放疗技能栈，这正是为什么 2024 版要引入双专科复核。同一套"人工复核"四字，两代内容的难度曲线并不同形。
数据论文（Sci Data 2026）还交代了两个技术选型的理由。其一，DICOM-RT 结构转换用开源的 dcmrtstruct2nii（放疗结构集 → NIfTI 掩码的标准工具）；其二，去面选 AFNI 的自动算法而非更激进的新方法，是因为测试显示它对"保留脑膜瘤 + 去除面部"的权衡在当时可用工具里最好——但作者同时承认 AFNI 的面部覆盖类似老一代工具（mri_deface、PyDeface），眉弓保留过多可能带来再识别风险，未来挑战应比较合成人脸替换等新方案。这段坦率的技术自评对任何要做"颅外肿瘤 + 匿名化"数据工程的人都值得一读。
§3.3 标注哲学：为什么 2023 与 2024 长得不一样
把两代流水线并排看，能看到一条清晰的设计演化：2023 体追求"解剖学完备"（三亚区 + 多序列，学术评测友好），2024 体追求"临床可用"（单序列 + 单标签 + 原生分辨率，部署友好）。这不是退化而是场景切换——放疗科没有四序列，放疗勾画的 gold standard 本来就是"把该打的位置画出来"的 target volume，而不是"把每种组织分出来"的多标签。LaBella 与 Calabrese 在挑战设计论文里把这个取向说得很直白：简化输入与输出，是为了让参赛模型能直接集成进临床工作流（“enhancing their accessibility and practicality for real-world application”）。对想做临床转化数据工程的人，这是一份值得抄作业的需求分析。
还有一个容易被忽略的时序细节：2023 体先于 MEN-RT 一年，但 MEN-RT 的流水线并不是 2023 版的简单续作——预分割起步、双专科复核、原生分辨率质检都是针对放疗场景的重新设计。数据集团队没有用"上一届的模板"省事，这种"每代重想一遍"的纪律是两代数据集都站得住的隐性原因。
把两代流水线的取舍压成一张决策卡：默认抄 2023 版（多轮修正+单终审）当你的任务定义稳定、预算允许多轮迭代；默认抄 2024 版（预分割起步+双专科复核）当你的任务定义还在演进、标注预算紧张、且能找到两个专科的复核人手。两版共同的硬约束是 IRB 合规与去标识质检——这两项在任何变体里都不该被裁掉。
§3.4 标注流水线横向对照：四条医学数据集流水线同框
把 MEN/MEN-RT 的流水线放进更大的坐标系，能看清"挑战赛级标注"与"其他医学数据集标注"的取舍差异：
| 流水线 | 初标来源 | 复核层级 | 终审者 | 一致性量化 | 特点 |
|---|---|---|---|---|---|
| BraTS-MEN 2023 | 机构医师手工勾画修正 | 多轮 revision 循环 | 单一 board-certified 神经放射专家（EC） | 未发布（测试集双套复核仅定性） | 单终审人保证一致性最大化 |
| BraTS-MEN-RT 2024 | 机构 GTV（90%）/ nnU-Net 预分割（10%） | 放疗住院医 ITK-SNAP 逐层修正 | 神经放射 approver 终审 | 未发布 | 双专家（放疗+神经放射）协作 |
| BraTS-PEDs（库内 rid=688） | 联盟机构标注 | RAPNO 工作组推荐体系换轨 | 多机构 approver | — | 标注体系 2023→2024 整体切换 |
| PANDA-PLUS（库内金标准参照） | pre-med 学生初注 | 高年级学生复核 | 30 年经验 board-certified 专家终审 | agreement 0.419 / quadratic κ 0.848 | 发布一致性统计 + 分级分层实验 |
两个结构性观察。第一，BraTS 家族一律不发布标注者间一致性数字——它的质量主张建立在"终审人权威 + 流程可追溯"上，而非统计量化；这与病理标注社区（如 PANDA-PLUS 明确给出 κ 并公开分歧分析）形成方法论对照。引用 BraTS 标注质量时，"专家终审"是流程事实，"金标准"是论文修辞——两回事。第二，MEN-RT 的双专科结构（放疗住院医管临床协议符合性 + 神经放射专家管影像正确性）是所有四个流水线里唯一把"两种正确性"分开审计的设计，值得放疗类数据集直接借用。
§3.5 去标识化的两条路线：skull-stripping 与 defacing 的分工
2023 体与 2024 体在匿名化上走了不同路线，背后是两类工具的分工。skull-stripping（去颅骨）以脑实质为目标做"掏脑"处理，2023 体与整个 BraTS 家族的预处理都用它——代价是颅骨、头皮与硬膜大部分被移除（轴外肿瘤研究受损，§2.1 与坑 7）。defacing（去面）则只针对面部特征做移除/替换，保留颅骨与大部分头部解剖——MEN-RT 用 AFNI 自动 defacing 并逐例人工质检。
数据论文对 defacing 工具选型的自评相当坦率：AFNI 的面部覆盖范围与老一代工具（mri_deface、PyDeface）相近，保留眉弓较多可能带来再识别风险，更激进的面部替换（如合成人脸）能提高隐私保护但会破坏肿瘤边界附近的解剖——而脑膜瘤恰好经常长在这个区域。作者把这列为未来挑战的方法比较方向。给数据工程者的启示：匿名化强度、再识别风险与病灶完整性三者构成三角权衡，选择工具前先画清楚你的肿瘤长在哪。
§4 挑战赛结果与基准：九支队伍教会我们的事
§4.1 评测协议：lesion-wise 是关键修饰词
2023 挑战的评测走 BraTS 家族 2023 年新定的 lesion-wise（逐病灶）口径：对多发性脑膜瘤病例，每个独立病灶单独算 Dice，而不是把整卷预测与整卷金标一起算全局重叠；漏掉一个小病灶，该病灶的 DSC 直接记 0，再无法被大病灶的高分稀释。指标为 lesion-wise DSC 与 95% Hausdorff Distance（95HD，把最差 5% 的边界距离截断后的边界精度量），参赛模型以 MLCube 容器提交，官方服务器在隐藏测试集（283 例）上打分。论文明确讨论了 lesion-wise 的优缺点：它惩罚"只找大瘤、无视小瘤"的模型，但单一小病灶的分割噪声也会放大方差——这是多灶肿瘤评测绕不开的权衡。
为什么 2023 年才开始用 lesion-wise？因为赛道才第一次同时具备两个前提：足够多的多灶病例（脑膜瘤的多发倾向）与可支撑逐灶配对的标注粒度（每灶独立文件夹与掩码）。胶质瘤时代的单灶主导让"整卷算一次"勉强够用，MEN/MET 把多灶评测的欠账一次补齐——方法论跟着数据形态走，又一个"先有数据、后有指标"的实例。
§4.2 官方榜单（一手数字）
先交代表格出处与读法约束：以下数字复录自 MELBA 2025 论文 Table 2/Table 3（一手），均值±标准差与中位数并列（论文原生口径）；复录以论文为最终依据，本表承担的是"可检索化"而非"重新统计"。
Table 2 口径：lesion-wise DSC，均值±标准差（中位数）：
| 排名 | 队伍 | ET DSC | TC DSC | WT DSC | 综合位次 (ET,TC,WT) |
|---|---|---|---|---|---|
| 1 | NVAUTO | 0.899±0.189（0.976） | 0.904±0.180（0.976） | 0.871±0.198（0.964） | 1, 1, 1 |
| 2 | CNMC_PMI2023 | 0.876±0.217（0.968） | 0.867±0.227（0.968） | 0.851±0.231（0.953） | 2, 3, 2 |
| 3 | blackbean | 0.870±0.222（0.969） | 0.879±0.206（0.969） | 0.845±0.226（0.957） | 3, 2, 3 |
| 4 | Sherlock | 0.854±0.234（0.958） | 0.850±0.239（0.959） | 0.831±0.244（0.945） | 4, 4, 4 |
| 5 | huilin | 0.830±0.276（0.959） | 0.820±0.258（0.958） | 0.761±0.297（0.897） | 5, 5, 6 |
| — | i_sahajmistry、Kurtlab-UW 等 | …（至 0.241 量级尾部） | … | … | … |
95HD 口径：NVAUTO 中位数 ET 0.96mm / TC 1.0mm / WT 1.0mm（均值 23.9/21.8/31.4mm，同样被硬病例长尾拉高）；CNMC_PMI2023 与 blackbean 中位也在 1.0-1.6mm。摘要级结论：冠军方案在正确识别的病例上达到"近放射科医生级"的边界精度（median 95HD ≈1mm），但均值与中位数的巨大落差（DSC 0.899 vs 0.976；95HD 23.9mm vs 0.96mm）暴露了少数硬病例的长尾。
这张表有三个读法。第一，看中位数列：前三名的中位 DSC 全部在 0.95 以上且彼此差距 ≤0.01——主体性能上大家都很强，名次由少数病例的分上分下决定。第二，看标准差列：±0.18 到 ±0.29 的标准差（相对 0.87-0.90 的均值）说明病例间方差极大，任何"平均性能"叙事都必须搭配分布信息才有意义。第三，看 95HD 的均值列：23.9-56.0mm 的均值对应 1.0-2.0mm 的中位，单位是毫米——意味着有的病例边界偏离了几十毫米，这几乎必然是"把病灶找错了地方/完全漏找"级别的失败，而非精细的边界抖动。
§4.3 三支头部方案的技术配方
三条配方对应三种"赢法"，读表时建议同时想一个问题：如果换成我的算力与数据预算，哪条路线的边际收益最高？
- NVAUTO（冠军）：MONAI Auto3DSeg 自动化框架 + SegResNet 架构（U-Net 系、ResNet 块、batch normalization、deep supervision）。Auto3DSeg 自动伸缩到可用 GPU、5-fold 训练 SegResNet/DiNTS/SwinUNETR 多模型并集成，挑战中筛选出 SegResNet 为最优。训练用 NVIDIA V100 16GB ×多卡、5-fold 交叉验证，损失为 Dice-Focal 组合应对类别不平衡，增强含仿射变换、噪声、模糊。全栈 Apache 2.0 开源。
- blackbean（季军）：STU-Net（Scalable and Transferable U-Net），在 nnU-Net 骨架上改造、以 TotalSegmentator 大规模多器官数据预训练再迁移到脑膜瘤——"大规模通用分割预训练 → 专科微调"路线在脑膜瘤上同样奏效的实证。Apache 2.0 开源。库内 totalsegmentator（rid=422）正是其预训练母体。
- CNMC_PMI2023（亚军）：nnU-Net 与 Swin-Transformer 系模型的集成（ensemble），纯传统强基线组合路线。
三条路线、三种哲学（自动化搜索 / 通用预训练迁移 / 经典集成），共同点是都建立在 nnU-Net/MONAI 生态之上、全部开源、Dice-Focal 类损失处理标签不平衡。对复现者，冠军与季军代码公开意味着 2023 榜单本身就是可复现基线集。
逐层拆一下冠军方案的工程细节：SegResNet 的 encoder-decoder 结构配重复 ResNet 块与 batch normalization，deep supervision 在多个解码深度上同时监督以稳定梯度；Auto3DSeg 在其上做"方案搜索"——按可用 GPU 自动伸缩、并行跑 SegResNet/DiNTS/SwinUNETR 三种架构的 5-fold 训练、推理时集成——NVAUTO 实际是"框架自动选型 + 多模型集成"的组合，而非单一网络。硬件口径也值得注意：V100 16GB 属于当年中等配置，说明这条管线不依赖顶级算力，复现门槛主要在数据与时间而非显卡。
§4.4 系统性发现：盲区比分数更重要
- 钙化与非强化盲区：脑膜瘤约 80% 为 WHO I 级良性，其中相当比例钙化、非强化——这类肿瘤在所有序列上都是低信号、在 T1c 上不"点亮"，而训练集里 NET/TC 出现率仅 33.9%。结果全榜单在重度钙化病例上崩盘，TC DSC 最低掉到 0.156。论文将其列为未来数据集要专门扩充的"atypical cases"。
- 预处理悖论：90.3% 病例肿瘤体素触及颅骨剥离边缘（§2.1）。模型学到的边界部分是预处理截断伪影，"保护隐私的匿名化"与"研究颅外肿瘤"之间存在根本张力。
- 脑膜瘤比胶质瘤"好分"：脑膜瘤虽位置多变（ skull base 常见）、大小形态各异，但边界通常比浸润性胶质瘤清晰，top 模型在正确识别病例上 median DSC >0.96——跨赛道对比提示肿瘤生物学边界决定分割上限。
- 意味着：脑膜瘤赛道的"提分空间"不在主病灶的精细边界，而在"找全、找对"（多发灶检出与钙化亚型识别）——这两个方向恰好对应 lesion-wise 评测与数据增补，而非网络结构创新。
- median/average 落差作为工程信号：中位数近乎满分、均值大打折扣，说明问题不在模型容量而在长尾分布——数据增补方向（钙化病例）比架构创新收益更大。
§4.8 榜单数字的三种正确读法与三种常见误读
正确读法一：读差距的结构。median 0.976 与 average 0.899 之间的鸿沟不是测量误差，而是钙化/低信号病例的集中失分——把榜单按病例难度分层看（论文未发布逐例分数，需要自建），"哪类病例失分"比"第几名高几分"信息量大得多。
正确读法二：读边界的质量。median 95HD ≈1mm 是毫米级贴边精度，这个数字配合 DSC 一起读才完整：DSC 高说明重叠好，95HD 低说明边界对齐好——放疗场景（剂量梯度锐利）看后者，科研场景看前者。
正确读法三：读口径的成立条件。所有榜单数字的前提是 MLCube 容器 + 隐藏测试 + lesion-wise 口径；任何脱离这个评测面的转述（换数据切分、换指标实现、换病灶定义）都是另一个实验。
常见误读一：把 median 当 average 引用（或反之）——0.976 与 0.899 差 8 个点，混用会系统性美化或丑化方法。
常见误读二：跨赛道横比——GLI 榜单低于 MEN 榜单不说明脑膜瘤赛道竞争弱，瘤种边界性质不同（§4.7）。
常见误读三：把榜单当成封闭基线——9 支队伍都是 2023 年的快照；nnU-Net/MONAI 生态每年在进化，官方数字是"当时的下限"而非"现在的上限"，复现者超越榜单属于正常现象。
§5 从术前到放疗：MEN-RT 的临床链路设计
§5.1 为什么需要第二个数据集
2023 MEN 回答的是诊断问题（术前看清肿瘤），但脑膜瘤治疗的另一条主线是放疗：不能全切或复发病例需要外照射或立体定向放射外科，而放疗计划的第一步是在定位 T1c 上勾画 GTV（gross tumor volume）与术后风险区。手工勾画是放疗科最耗时的环节之一，且勾画质量直接决定靶区覆盖与正常组织保护。2023 MEN 的四序列配准方案在这个场景里两头不讨好：临床没有四序列输入，SRI24 重采样又破坏了放疗定位像的原生几何。MEN-RT 把赛道对准了这个缺口——论文自称"the first BraTS challenge that is immediately relevant for radiotherapy planning"（第一个对放疗规划立即有用的 BraTS 挑战），评测指标沿用 lesion-wise DSC + 95HD，评估对象从"肿瘤亚区"换成"治疗靶区"。
换个角度说：2023 体回答的是"肿瘤在哪"，MEN-RT 回答的是"射线该打哪"——前者是放射科的问题，后者是放疗科的问题。两个问题共享同一张解剖，但答案的标准完全不同：分割要的是组织学边界的还原，勾画要的是治疗收益与正常组织保护的平衡。把两个问题放进同一个数据家族、用同一套评测指标（lesion-wise DSC + 95HD）串联，是这个家族最聪明的设计连续性。
§5.2 靶区定义：术前与术后两套语义
单一 target volume 标签在不同临床场景下覆盖不同范围：
- 术前放疗（pre-operative setting）：T1c 上可见的肿瘤整体 + 结节状硬膜尾（nodular dural tail）。硬膜尾征是脑膜瘤的经典影像征象，是否纳入靶区在放疗界有真实争议——MEN-RT 的约定是结节状（nodular）部分纳入，细线状（thin linear）部分由勾画者判断。
- 术后放疗（post-operative setting）：切除腔边缘（at-risk resection cavity margins）+ 残留强化肿瘤。术后腔的强化边缘与复发风险区的关系是放疗靶区勾画的核心难点，数据论文专门用图 8 展示了机构原始 GTV 与修订后标签的差异——典型修正包括补画临床计划外的多发脑膜瘤、修正标签边缘、层间平滑。
这套定义遵守既定放疗勾画协议（“established radiotherapy planning protocols”），保证了跨机构一致性——但它仍然是一个" BraTS 化"的约定，与各机构内部规范可能不完全一致，跨数据集使用靶区标签时要先对齐定义。
§5.3 单序列设计的得与失
MEN-RT 放弃多序列是全场最大的设计赌注，得与失都写在明处：
- 得：输入条件与放疗定位像一致，模型可直接嵌入放疗计划工作流（“simplifying the integration of participants’ models into clinical workflows”）；数据采集门槛低，参与站点只需提交已有定位像与结构集；单序列也消除了多序列配准误差向靶区标签的传播。
- 失：无 T2/FLAIR 意味着水肿与鉴别诊断信息缺失，模型无法利用瘤周信号；无多序列交叉验证，T1c 上的伪影（术后出血、栓塞材料）更容易误导分割；挑战设计论文把"Single Modality Focus"列为 Limitations 第一条，并建议参赛者自行做 FeTS 工具链预处理再回到原生分辨率的折中方案。
2025 年，MICCAI Lighthouse 挑战以 “BraTS-Meningioma-RT: Meningioma Radiotherapy Segmentation” 名义延续这条线（Sci Data 论文明示测试数据为未来挑战保留），说明单序列放疗路线被社区接受为可持续方向。
“Lighthouse"这个命名本身也值得解读：2025 年起 BraTS 把多个延续赛道收编进统一的 Lighthouse 框架（儿科支线以 Task-6 存续是另一例），挑战赛形态从"每年一届的独立事件"演化为"持续运营的评测基础设施”——数据集的维护、榜单的延续、测试集的保密池都由这个框架承载。对使用者，这意味着 MEN-RT 的"当前版本"要按 Lighthouse 年份理解，而不是停在 2024。
§5.7 MEN-RT 的三个典型使用场景推演
场景一：术前放疗整合。海绵窦等颅底脑膜瘤无法全切时，放疗是主要治疗。工作流：定位 T1c 扫描 → 自动勾画模型输出 GTV+硬膜尾参考 → 放疗医师修正 → 计划设计。数据集贡献：500 例训练 + 70 例验证的专家级标签让模型有监督可用；靶区定义协议（结节状硬膜尾纳入）与论文协议对齐是第一步。
场景二：术后辅助放疗。高级别或残留病例术后补量，靶区=切除腔边缘+残留强化。这恰是数据集里最"值钱"也最难的部分：术后腔的强化边缘与复发带的区分是专家经验密集区，数据论文图 8 的修订示例（补画多发灶、修边缘、层间平滑）给出了"专家怎么想"的可视化教材。
场景三：多发灶计划。多灶脑膜瘤（尤其 NF2 相关）的靶区勾画要把每个灶画全——临床计划常常只围绕主要灶，而数据集约定"补画临床靶区之外的多发脑膜瘤"（§3.2），因此用它训练的模型比"只找责任灶"的临床习惯更完整，反向教育临床工作流。
三个场景共同的边界提醒：输出是 GTV 级参考（§5.5），CTV/PTV 补全与剂量计算仍属临床流程；模型性能以 lesion-wise DSC 对齐评测，逐病例修正责任始终在签字医师。
§6 获取与许可：两层许可、三个入口、永不公开的测试集
§6.0 获取前先分清你要的是哪一"层"
BraTS 家族的"数据"在语境里至少指四层不同的东西，混着问会导致四类答非所问：①影像本体（NIfTI 卷）；②分割/靶区标注（掩码文件）；③临床元数据（年龄/性别/分级与 xlsx 表）；④挑战赛基础设施（评测容器、榜单、提交接口）。2023 体的①②③经 Synapse 同包分发（③与影像同库）；2024 体把③单独打包成 xlsx。而④的可用性随届次变化（2023 挑战已闭榜，提交通道是否保留以 Synapse 现状为准）。下面三个入口覆盖①②③；④只在挑战进行期完全可用。
§6.1 入口清单
三个入口的关系是"官方总入口（cluster wiki）→ 子挑战页（MEN）→ 独立数据实体直链（MEN-RT DOI）"，覆盖范围与门槛各有取舍：
| 入口 | 覆盖内容 | 门槛 | 备注 |
|---|---|---|---|
| Synapse cluster 主 wiki（syn51156910） | 2023 MEN 训练+验证影像、全部 2023 家族 | Synapse 注册 + 挑战规则勾选 | 官方挑战论文引用入口 |
| Synapse MEN-RT（DOI 10.7303/syn59059779） | 2024 MEN-RT 训练 500 + 验证 70 + 临床元数据 xlsx | Synapse 注册；附分步获取指南 | CC-BY-NC |
| HuggingFace Aff77/BraTS-2024-Complete | MEN-RT 公开 571 例整装（train/additional/val 三分区） | 直接下载 | 第三方打包，97GB，许可标签需核验 |
§6.2 许可的分层现实
四层许可按"数据距离"由近及远排列——数据本体在最里层（约束最强），论文与图表在最外层（最宽松）。引用任何一层数据前先确认自己摸的是哪层：
- 2023 MEN 数据：Synapse 使用条款（注册时点条款生效）。BraTS 家族综述条目（库内 rid=24）给的家门口径是"Synapse 使用条款"优先于任何统一 CC 标签——2023 家族各子赛道条款可能不同，下载时以 Synapse 页面逐实体展示为准。
- 2024 MEN-RT 数据：CC-BY-NC——Sci Data 论文 Data Records 节原文"All publicly available images, labels, and clinical metadata are of the CC-BY-NC license per Synapse policy"。这是两个实体里许可最明确的一层：可自由使用与改编、需署名、禁商用。
- 论文本体：两篇 MELBA/挑战论文 CC-BY-4.0（arXiv 页明示），图表可复用（注意单图另有来源标注，如解剖示意图改编自 Murek 的 CC-BY-4.0 版本）。
- 测试集：2023 MEN 283 例 + 2024 MEN-RT 180 例永不发布——前者"never released"，后者"will be kept private for the foreseeable future"以服务 2025 Lighthouse 及未来挑战的无偏评测。任何声称拥有全量 1,424/750 例标注的说法都可判定为误导。
把四层合起来看：这个家族的许可复杂度其实低于多数商业数据集——难点不在条款黑话而在"哪一层套哪一层数据"。给三个实用判断：其一，学术用途下两实体都基本无障碍（注册+署名即可）；其二，衍生数据集/基准发布时，MEN-RT 的 NC 条款会传染给衍生品（继承条款），2023 体则需按 Synapse 逐案确认；其三，任何"我们买了 BraTS-MEN 数据"的说法都值得警惕——它不是买断制商品，条款随注册行为生效且不可转让。
§6.3 获取实操三步
- 注册 Synapse 账号并完成个人资料认证（Sage Bionetworks 通用流程）。
- 2023 MEN：从 cluster 主 wiki（syn51156910）导航至 2023 MEN 子挑战页，接受挑战条款后进入数据页；MEN-RT：直接访问 DOI 10.7303/syn59059779，按仓库内 “BraTS-MEN-RT Dataset Access Steps” 文档逐项操作（训练影像+标注、验证影像、临床元数据三包分开下载）。
- 引用规范：使用 2023 体引用 MELBA 论文（DOI 10.59275/j.melba.2025-bea1）；使用 MEN-RT 体引用 Sci Data 数据论文（DOI 10.1038/s41597-026-06649-x）与挑战设计论文（arXiv:2405.18383）；第三方整装版还要求同时引用原始挑战文献（其 CITATION.bib 提供）。
§6.4 TCIA 去向说明
与儿科支线（BraTS-PEDs 走 TCIA 托管）不同，脑膜瘤支线的一手托管是 Synapse。公开检索未见 2023 MEN 的独立 TCIA 收藏直接证据（本条目制作时点的检索预算内未获确证，记为遗留疑点）——若日后 TCIA 出现脑膜瘤收藏，应以收藏 DOI 为准回补本节。目前所有获取路径以 Synapse 为唯一官方口径。
给审稿人的提醒：若你审到的论文声称"使用 BraTS-MEN 全量 1,424 例含测试集"，按 §6.2 第 4 条即可判定口径造假或数据来源另有渠道（未披露的合作数据）；合规表述应为"1,000 例公开训练集"或"1,141 例公开影像"。这条检查在脑肿瘤分割类论文的审稿中值得形成肌肉记忆。
§6 的四个小节按"入口→许可→实操→平台疑点"排列，与 §10 坑 1/2/3/6 构成正反两面——正着说是怎么做，反着说是怎么错。
§4.5 九支队伍的方法学分布：nnU-Net 时代的standard打法
挑战论文对九队方法的综述透露了 2023 年医学分割的生态位分布：绝大多数队伍使用 nnU-Net 或 Vision Transformer（ViT）的变体（Lacuna 分析转述），具体路线上——冠军 NVAUTO 走 MONAI Auto3DSeg 自动化搜索，亚军 CNMC_PMI2023 走 nnU-Net + Swin-Transformer 集成，季军 blackbean 走 STU-Net 大规模预训练迁移，Sherlock、huilin、i_sahajmistry、Kurtlab-UW 等中游队伍多为 nnU-Net 系微调与集成组合；榜单尾部出现了 DSC 均值跌到 0.2 量级的方案（TC 0.241±0.290），说明"能跑通管线"与"能打上榜单"之间的工程鸿沟真实存在。
三条可复用的规律。第一，没人裸训自定义架构——所有上榜方案都站在 nnU-Net/MONAI 的自动配置与增强策略上，差异化全在预训练来源、模型集成与损失函数（Dice-Focal 类）。第二，迁移学习赢在中游——STU-Net 的 TotalSegmentator 预训练让它以季军身份逼近 nnU-Net 集成方案，"通用分割预训练 → 专科微调"对数据量一万级以下的专科任务值得默认尝试。第三，集成的边际收益递减但稳健——亚军与季军、第 4 名之间的差距（median DSC 差 0.01 量级）小于标准差，方法论叙事之外，随机种子与训练预算同样能解释名次。
§4.6 复现实操指南：从数据到对齐榜单的六步
- 拿数据：Synapse 注册 → cluster 主 wiki（syn51156910）导航至 2023 MEN 子页 → 下载训练包（1,000 例影像+掩码）。验证包影像可选下载（无标注，仅在线打分用）。
- 对齐预处理：数据已是 SRI24/1mm³/去颅骨终态，无需重复预处理；自建管线者注意输入输出空间一致（§2.1 表）。
- 选框架：复现冠军走 MONAI（Auto3DSeg + SegResNet，Apache 2.0）；快速基线走 nnU-Net；复现季军走 STU-Net 官方仓（预训练权重公开）。
- 损失与增强对齐：Dice-Focal 组合损失应对标签不平衡（NETC 仅 1/3 病例出现）；冠军配置含仿射/噪声/模糊增强与 5-fold。
- 本地评测对齐口径：用 lesion-wise DSC + 95HD、median 与 average 并报（monai 或 BraTS 官方评估脚本可直接产出）；训练集内部自切分做 cross-val，数字只与"同口径自切分"可比。
- 对标官方榜单：把模型打包 MLCube、经 Synapse 提交官方通道，才能与 Table 2/3 的隐藏测试集数字直接对话——本地数字与官方榜单之间的差距是评测面差异而非方法差异。
§4.7 跨赛道基准比较的三个警告
BraTS 2023 家族各赛道（GLI/MET/MEN/PED）各自发榜，数字之间不可直接横比，原因有三。第一，病灶生物学不同——论文明确观察到脑膜瘤边界通常比浸润性胶质瘤清晰（top 模型 median DSC >0.96），同一模型在 MEN 上得分天然高于 GLI，这是瘤种性质而非算法优劣。第二，标签语义不同——ET 在两个赛道指同一类强化表现，但 NET/TC 与 SNFH 的病理基础完全不同（§2.6），跨赛道迁移的其实是"强化结构分割"能力而非"肿瘤分割"能力。第三，测试集与切分不同——各赛道隐藏测试集规模与病例构成不公开，评测评面上没有可比性。正确的横比姿势是同一模型跨赛道各自微调、各自报分、讨论瘤种间难度梯度——arXiv 2607.28858 的统一基准论文（同一框架跑 MEN 2023 与 GLI 2024）是可参考的实验设计。
§5.4 放疗临床背景：为什么靶区勾画值得一个数据集
脑膜瘤的治疗决策树里，放疗站在三个位置：手术不能全切或不能手术者的一线治疗（海绵窦等颅底位置常无法安全全切）、术后切缘有残留或高级别者的辅助治疗、复发后的补救治疗。手段上分外照射（fractionated external beam radiotherapy）与立体定向放射外科（SRS，单次大剂量），两者都以精确定位肿瘤为前提——剂量梯度的现代放疗技术把"画准靶区"的价值放大到了毫米级：靶区画大了伤正常组织（脑干、视神经都可能是邻居），画小了留下复发源头。
在这个背景下，手工勾画是放疗流程中出了名的耗时环节（挑战设计论文引述：auto segmentation tools can significantly reduce the time and expertise required for manual contouring），且勾画质量在机构间、医生间波动。MEN-RT 的临床叙事因此成立：把"神经放射专家终审过的靶区标签"做成大规模公开数据集，训练自动勾画模型，让"专家级靶区"从个体技能变成可部署的软件能力——这是它自称"第一个对放疗立即有用的 BraTS 挑战"的完整含义。
§5.5 GTV / CTV / PTV：MEN-RT 的标签在放疗剂量链的哪一环
放疗靶区有一套 ICRU 标准概念链：GTV（大体肿瘤体积，影像可见的肿瘤）→ CTV（临床靶区，GTV 加上亚临床浸润风险区）→ PTV（计划靶区，CTV 加上摆位与运动误差余量）。MEN-RT 的单一 target volume 标签对应什么？按挑战设计论文的定义，术前场景是 T1c 可见肿瘤 + 结节状硬膜尾（≈GTV + 硬膜尾外扩），术后场景是切除腔边缘 + 残留强化（≈术后 GTV/CTV 混合定义）。它不是完整的 ICRU 链——CTV 的系统性外扩与 PTV 的几何余量不在标签内，那些由各机构的放疗计划系统（TPS）按内部协议生成。
论文把这列为未来挑战的改进方向（future challenges should ensure that both GTVs and CTVs are included，按放疗标注协议共识指南标注）。使用者的对应结论：用 MEN-RT 训练的自动勾画模型输出的是"GTV 级"参考轮廓，直接进入剂量计算前还需要放疗医师按机构协议补全 CTV/PTV——这是数据集边界与临床工作流边界的对齐问题，不是数据缺陷。
反过来说，这个"不完整"恰恰是数据集设计成熟的标志：它没有假装自己覆盖 ICRU 全链，而是把"GTV 级专家参考"这个最能被自动化、最缺公开数据的环节单独做深——知道边界在哪的数据集，比声称无所不能的数据集更值得信任。
§6.5 获取失败的三种常见模式与排查
- Synapse 页面打不开/看不到 MEN 子页：BraTS cluster wiki（syn51156910）是 2023 年度集群的总入口，各子挑战页在 wiki 内导航树中；未登录或未接受对应挑战条款时子页内容会被隐藏。排查顺序：登录状态 → 项目认证 → 找到 MEN 子页 → 点接受条款 → 刷新数据页。
- MEN-RT 直链 DOI 打不开：Synapse DOI（10.7303/syn59059779）解析到实体页需要 Synapse 账号；绕过 DOI 直接搜索 BraTS-MEN-RT 亦可到达。下载分三个包（训练影像+标注 / 验证影像 / 临床元数据），先读仓库内 “BraTS-MEN-RT Dataset Access Steps” 文档再动手，可避免漏下元数据表。
- 下到一半条款变更：Synapse 条款与数据许可随政策微调（家族历史上多次），下载前截图当时条款页面并记录版本时间——这是商用合规审计的廉价保险。测试集在任何情况下都不可得，遇到声称提供全量标注的渠道一律按坑 8 处理。
§6.6 引用与致谢规范速查
- 使用 2023 体：引 MELBA 论文（DOI 10.59275/j.melba.2025-bea1）+ arXiv:2405.09787；数据本体注明 “BraTS Pre-operative Meningioma Dataset”。
- 使用 2024 体：引 Sci Data 数据论文（DOI 10.1038/s41597-026-06649-x）+ 挑战设计论文（arXiv:2405.18383）；数据本体注明 “BraTS-MEN-RT Dataset, Synapse DOI 10.7303/syn59059779”。
- 使用第三方整装版：额外引用打包者指定的 CITATION（其数据卡明确要求同时引原始挑战文献）。
- 机构致谢：六家来源机构与 NIH 资助号（U24CA279629、U01CA242871）在正式论文中应进入致谢/资金声明。
- 挑战赛衍生作品：官方规则含外部数据声明义务与禁止期限（库内 brats 综述口径），商用或再分发前回读当届规则原文。
§6.7 合规检查清单：三场景自查
场景 A：学术发表（训练/评测/论文）
- [ ] 确认使用的实体（2023 MEN / 2024 MEN-RT）与下载版本
- [ ] 2023 体：Synapse 条款已读（注册时点）并遵守外部数据声明义务
- [ ] 2024 体：CC-BY-NC 遵守，署名含数据论文与挑战论文
- [ ] 测试集零接触声明（论文方法节注明评测面：官方提交 or 本地自切分）
- [ ] 引用含 NIH 资助号与来源机构（§6.6）
场景 B：商业产品集成
- [ ] 2024 体 CC-BY-NC 与商用直接冲突——需商业授权或只用模型（模型开源）不用数据再训练
- [ ] 2023 体：直接联系 Synapse/官方获取商用条款书面确认
- [ ] 保留下载时点条款截图（§6.5 模式 3）
- [ ] 法务复核专利/数据库权利（欧盟数据库特殊权利等司法辖区差异）
场景 C：再分发与衍生数据集
- [ ] 2024 体 CC-BY-NC 允许改编再分发但禁商用——衍生集必须继承 NC 条款
- [ ] 2023 体：Synapse 条款通常禁止转售/转托管，衍生研究请链接原入口而非镜像
- [ ] 患者/病灶计数口径写清（附录 B 表）
- [ ] 衍生标注单独署名并注明与官方标注的差异
§7 生态与影响：脑膜瘤赛道在 BraTS 家族中的位置
§7.1 家族坐标
BraTS 自 2012 年起以胶质瘤分割起家，2023 年是它历史上最大的一次扩张年：一届之内同时开出颅内脑膜瘤（MEN）、脑转移瘤（MET）、儿科肿瘤（PED）、非洲胶质瘤（Africa）多个新赛道加修补（Inpainting）等非分割挑战，从"单一胶质瘤赛事"转型为"多肿瘤类型挑战集群"。脑膜瘤赛道在这张版图里的独特性有二：其一，它是第一个非胶质瘤、非转移瘤的原发颅内外生肿瘤赛道，直接检验 BraTS 方法论在轴外肿瘤上的可迁移性；其二，它率先把赛道推进到治疗端（2024 MEN-RT），让"分割数据集"第一次与放疗规划的临床动作直接挂钩——这条"诊断 → 治疗"的完整链路在 2025 年被 Lighthouse 模式收编延续，并在 2026 集群中化作 GoAT（Generalizability Across Tumors）验证集里混入的脑膜瘤题型。
值得补一句方法论视角：2023 年的这次家族扩张并非偶然。胶质瘤赛道十四年沉淀的三件基础设施——多中心数据联盟的组织模式、统一预处理与隐藏测试的评测纪律、容器化提交的工程规范——在 2023 年已经成熟到可以"批量复制"的程度，MEN/MET/PED/Africa 四条新赛道某种意义上就是这套基础设施的四次并行部署。脑膜瘤赛道后来的两次再升级（MEN-RT、Lighthouse）反过来验证了这套基础设施的弹性：换瘤种、换临床场景、换赛事形态，底盘不用换。
§7.2 资助与组织网络
脑膜瘤赛道由 NIH NCI/ITCR 的两笔基金支撑：U24CA279629 与 U01CA242871。后者与库内 brats-pediatric 条目记录的基金同号——这是 Bakas/Calabrese 体系的中枢资助，BraTS 家族条目引用时应交叉注明。组织阵容上，两篇挑战论文均为"Dominic LaBella + Evan Calabrese"领衔的 122 人名单，融合了 Duke（放疗科，数据与临床定义主力）、UPenn CBICA（Bakas 团队，平台与统筹）、ASNR（神经放射标注网络）与 MICCAI（学术挂靠）四方力量；作者列表覆盖六家数据来源机构及 30+ 国内外参与单位，是典型的"联盟式"医学数据集生产模式。
这套阵容的分工值得细看：Duke 放疗科出"临床问题定义者"（LaBella 的放疗住院医身份让 MEN-RT 的靶区协议带着一线实操感），Calabrese 的神经放射认证给标注质量背书；UPenn CBICA 出"赛事工程能力"（Bakas 团队从 2012 年起就是 BraTS 的发动机，Synapse 工作流、MLCube 规范、多赛道并行调度都是成熟资产）；ASNR 出"标注人力池"（美国神经放射学会网络是多中心阅片标注的天然组织形式）；MICCAI 出"学术激励结构"（proceedings 出版、卫星活动舞台）。四个角色各出一个关键生产要素，缺一个这条赛道都跑不起来——这是读任何"某挑战赛数据集"时都值得做的组织解剖。
§7.3 方法论辐射
- lesion-wise 评测：为多灶肿瘤（脑膜瘤、转移瘤）设计的逐病灶评分已随 BraTS 2023 规范成为多灶分割评测的社区默认，后续非 BraTS 数据集（如转移瘤基准）可直接借用。
- "临床场景对齐"的数据设计：MEN-RT 的单序列原生分辨率设计被后续放疗相关数据集反复引用为"部署友好"范例；其靶区定义协议（术前/术后两套语义）为其他瘤种的放疗数据集提供了模板。
- 预处理悖论的社区教育：90.3% 贴边现象让"skull-stripping 对轴外肿瘤不友好"从轶事变成定量结论，推动去颅骨类预处理在颅外肿瘤研究中被重新审视。
- 预训练迁移实证：STU-Net（TotalSegmentator 预训练）的季军成绩为"通用分割预训练 → 专科微调"路线提供了脑肿瘤域的证据，与库内 totalsegmentator 条目（rid=422）构成上下游互证。
这四条辐射各自的"下游使用者"不同：第 1 条喂评测方法学论文（lesion-wise 的偏差分析文献已引用 BraTS 2023 作为范例场景）；第 2 条喂放疗 AI 产品团队（单序列设计直接决定产品输入规格）；第 3 条喂神经影像预处理工具链的维护者（refacing 方案的采用率变化可视为这条教育效果的滞后指标）；第 4 条喂基础模型/预训练研究者（"TotalSegmentator 预训练对专科任务的增益"从此有了脑肿瘤对照组）。
§7.4 使用人群画像
- 分割算法研究者：以 1,000 例训练集为基准做三亚区分割，对标 NVAUTO 的 median DSC 0.976/0.904/0.871（median/average 双口径都要报，避免长尾粉饰）。
- 放疗物理师与放疗 AI 团队：用 MEN-RT 500 例训练靶区勾画模型，输入输出与 TPS 工作流对齐；注意约 10% 标签的预分割起点。
- 数据工程与隐私研究者：预处理悖论与 AFNI 去面权衡是颅外肿瘤数据工程的必读案例。
- 评测方法研究者：lesion-wise 口径、median/average 落差、钙化盲区三件套是分割评测偏差分析的现成教材。
最后补一个"不该来的人"：想找原始 DICOM 或未去颅骨影像的研究者——这个家族的公开产物全部是预处理终态，原始数据不在此分发体系内（§6.4 与坑 7），来了也是空手而归，请改走机构合作路径。
用一张决策小卡收束 §7：如果你的研究关于"分割精度"——来这里（榜单+可复现基线）；如果关于"放疗自动化"——来 MEN-RT（协议+临床对齐）；如果关于"多机构数据治理"——来这里（组织配方完整可抄）；如果关于"人群多样性"——去 brats-africa（本家族的美国中心化正是它的对照组）；如果关于"跨瘤型泛化"——去 brats-2026 的 GoAT（脑膜瘤是它的题型之一）。
§7.5 BraTS 2023 家族赛道同框：MEN 在多肿瘤版图中的位置
以 2023 Cluster of Challenges 为切面，各子赛道的规格对照（数字均为库内核验口径；MET 赛道本条目未做独立核验，规模留白）：
| 赛道 | 瘤种 | 任务 | 规模（库内核验口径） | 标签体系 | 托管 |
|---|---|---|---|---|---|
| GLI（主赛道） | 成人胶质瘤 | 术前分割 | 家族历史主赛道 | NCR/ED/ET | Synapse |
| MEN（本条目） | 脑膜瘤 | 术前分割 | 1,424（1,000/141/283） | ET/NET/SNFH | Synapse |
| MET | 脑转移瘤 | 分割（治疗前后） | —（本条目未核） | 五标签演进 | Synapse |
| PED（rid=688） | 儿童高级别胶质瘤 | 分割+生存预测 | 464（挑战口径） | ET/NET/CC/ED + TC/WT | Synapse → TCIA |
| Africa（rid=683） | 撒哈拉以南非洲成人胶质瘤 | 分割 | 146 例 | GLI 同构 | Synapse/TCIA |
MEN 在这张表里的差异化定位：它是唯一非神经上皮来源的赛道（脑膜瘤起源于脑膜而非脑实质），也是第一个把多灶性写进数据组织的赛道。与 PED/Africa 相比，MEN 的另一特点是赛道生命力——2023 术后直接升级为 MEN-RT（2024 首届）再入 2025 Lighthouse，而 PED 2025 并入 Lighthouse 后以 Task-6 存续、Africa 则以独立数据论文路径延续。各赛道殊途同归地汇入 2026 集群的 GoAT 设计（rid=931）。
§7.6 商业与产业侧观察
产业视角下这个家族有三处信号。其一，放疗 AI 是明确的产品化方向：MEN-RT 的单序列原生分辨率设计天然面向 TPS（治疗计划系统）集成，参与模型开源的约定为商业集成扫清了许可前置（数据 CC-BY-NC 之外的模型侧自由度）。其二，挑战赛作为采购前置：BraTS 榜单在医学影像行业的采购与竞标中常被用作能力证明，脑膜瘤分割 0.976 的 benchmark 为"自动勾画方案是否够好"提供了可引用的外部锚点。其三，数据联盟模式的可复制性：六中心+双基金（NIH NCI/ITCR U24/U01）+学术挂靠（ASNR/MICCAI）+平台托管（Synapse）的组合拳，是公共数据集工程的标准配置——库内多个条目（PED、Africa、FeTS）共享同一套组织配方。
对产业观察者的最后一个注脚：这个家族的论文署名里出现了统计学与影像可视化中心（Penn Statistics in Imaging and Visualization Center）、商业影像服务商（Greensboro Radiology、Radiology Partners）与行业顾问——学术挑战赛的"参与者光谱"已经延伸到产业一线，数据集的"准公共品"属性与产业导入通道并存，这是评估其长期影响力时容易被低估的一点。
§7.7 可持续性展望：这条赛道还能活多久
判断一个挑战赛数据集的长期价值，看三件事：官方维护、社区使用、后续接棒。MEN 系在这三项上的中期展望都偏正面。维护端，Synapse 平台长期托管、MEN-RT 测试集明确为"未来挑战"保留（Sci Data 论文原文），说明官方把这条赛道当作长期资产而非一届性活动。使用端，2023 基准已被后续论文（如 2026 年的统一基准 arXiv 2607.28858）当作标准参照系反复引用。接棒端，2025 Lighthouse 收编 MEN-RT、2026 集群把 MEN 题型混入 GoAT 验证集，赛道以"题型"形式获得第二生命。
风险点同样要登记：其一，2023 MEN 体自 2023-05 发布后未见官方更新声明（无 v2/修订公告），bug 级问题（如有）可能无人修复——遗留疑点；其二，许可条款随 Synapse 政策漂移的可能性（§6.2）；其三，家族条目内部口径漂移已经在发生（rid=24 综述的 571 误置即实例），跨年引用时以一手论文为准。
§8 方法学启示：八条可迁移的经验
这八条不是"心得体会"，每一条都能在正文找到定量锚点（括号内为锚点位置），迁移到其他数据集工程时请连同证据一起带走。
- 赛道级数据工程胜过单中心堆积：六中心 1,424 例的采集、统一 FeTS 预处理、隐藏测试、容器化评测——BraTS 的整套组织方法论被证明可直接复制到胶质瘤之外的瘤种。对任何想建"领域金标准"的团队，流程模板是现成的。
- 匿名化管线必须与病灶解剖位置联合设计：skull-stripping 面向脑实质分析设计，脑膜瘤偏偏长在颅骨内板——90.3% 贴边不是数据质量问题而是管线与任务的错配。做颅外或边缘区肿瘤数据时，第一步该是重审预处理链（refacing 替代 skull-stripping、保留颅脑间隙）。
- 标签体系跟随临床动作，而不是相反：2023 的三亚区服务研究评测，2024 的单靶区服务放疗计划——两套标签没有高下，只有场景。建数据集先问"标签会被谁、在什么动作里使用"，再定粒度。
- 榜单的 median 与 average 都要报：NVAUTO 的 0.976（median）与 0.899（average）是同一模型的两个真相。只报前者会掩盖钙化盲区，只报后者会淹没近满分的主体性能。健康的数据集文档应该像这篇论文一样把两个数字都放在摘要里。
- 数据集文档要敢于写负面结果：90.3% 贴边、钙化盲区 0.156、AFNI 去面的再识别权衡——这些"家丑"全部写进了挑战论文与数据论文。一份没有失败记录的数据集文档是营销材料；把失败定量化，数据集才能变成方法学教材。
- 测试集黑箱是公平性成本：463 例测试数据永不发布，牺牲了"人人可本地评测"的便利，换来官方榜单的长期公信力。建基准前先想清楚评测公信力与开放性的交换比——BraTS 用十四年证明了这个交换是值的。
- 单终审人 vs 多人标注是两种质量哲学：MEN 系的单一 approver 设计（一致性最大化、成本可控）与病理社区的多人标注+κ 发布（可量化、可审计）没有对错，但引用数据时必须知道你拿到的是哪一种"金标准"。
- 命名规范是数据集的 API：BraTS-MEN-xxxxx-xxx 的三段式命名把患者、病灶两层信息编进文件名，任何下游管线解析文件名即可还原患者级结构——比起把多灶塞进单个文件夹的粗糙做法，这种"命名即元数据"的设计值得每个数据工程团队抄写。
§9 与库内条目的关系
§9.1 血缘总图
brats (rid=24) ——BraTS 系列总览（别名表含 BraTS-MEN，MEN-RT 571 例浅提）
│
├── brats-meningioma（本条目）——脑膜瘤支线展开
│ ├── BraTS-MEN 2023（术前分割，1,424 例）
│ └── BraTS-MEN-RT 2024→2025（放疗规划，750 例；2025 并入 Lighthouse）
│
├── brats-pediatric (rid=688) ——儿科支线（PED 2023-2025）
├── brats-africa (rid=683) ——非洲胶质瘤支线
├── brats-2026 (rid=931) ——2026 年度集群（GoAT 验证集混入脑膜瘤题型）
└── fets (rid=476) ——联邦学习姊妹赛事（同源 Bakas 体系）
§9.2 互链明细与理由
相关度星级综合三个因素：血缘距离（家族 vs 邻域）、问题耦合度（读者带着的问题能否被回答）、标签重合度（互链算法的机器视角）。
| 库内条目 | rid | 互链理由 | 相关度 |
|---|---|---|---|
| brats | 24 | 系列总览上游；本条目为其别名表中 BraTS-MEN 的实体展开 | ★★★★★ |
| brats-2026 | 931 | GoAT 五类肿瘤含 MEN；2023 MEN 数据是 2026 Task 1 脑膜瘤题型的源头 | ★★★★★ |
| brats-pediatric | 688 | 同代子赛道姊妹；标注体系对照（NET/CC vs ET/NET/SNFH）；同享 U01CA242871 资助 | ★★★★ |
| brats-africa | 683 | 同代子赛道姊妹；"美国六中心"与美国中心化局限的直接对照面 | ★★★★ |
| fets | 476 | 同源联邦学习赛事；FeTS 预处理工具链即 2023 MEN 的预处理母体 | ★★★ |
| totalsegmentator | 422 | 季军 blackbean 方案 STU-Net 的预训练母体，迁移学习互证 | ★★★ |
| upenn-gbm | 462 | 脑肿瘤 MRI 参考系（成人胶质瘤对照瘤种） | ★★ |
| ucsf-pdgm | 469 | UCSF 来源的脑肿瘤 MRI（六来源机构之一的其他产出） | ★★ |
| rembrandt | 455 | 经典脑肿瘤 MRI 参考（胶质瘤为主） | ★★ |
| tcia | 547 | 托管平台对照（儿科支线走 TCIA、脑膜瘤支线走 Synapse 的分流实证） | ★★ |
§9.3 消歧说明
- 本条目 ≠ brats(24)：rid=24 是系列综述，脑膜瘤内容仅止于别名与 MEN-RT 一行；本条目是赛道实体展开。
- 本条目 ≠ brats-2026(931)：2026 集群是年度多任务赛事，脑膜瘤只是其 GoAT 验证集混入的题型之一；本条目收录的是 2023/2024/2025 的独立赛道数据集。
- MEN 与 MEN-RT 的届次：MEN-RT 2024 首届（官方自述首个放疗 BraTS 挑战），2025 Lighthouse 延续；把 MEN-RT 记成 2023 届是常见讹误（本条目成稿时已按官方论文修正）。
- 571 例口径：库内 rid=24 综述将 571 记为"训练"数；实核口径为 571 = 500 训练 + 1 附加 + 70 验证（公开部分），本条目按官方 Sci Data 论文口径（§10 坑 3）。
§9.4 站内检索关键词建议
想在库内顺藤摸瓜的读者，可按以下关键词命中本条目及其邻居：脑膜瘤、Meningioma、BraTS-MEN、MEN-RT、脑肿瘤分割、放疗靶区、GTV、放疗规划、lesion-wise、多灶分割、T1c 单序列、SRI24、skull-stripping、钙化盲区、ASNR-MICCAI。注意避开这些会漏检的组合：只搜 BraTS（会淹没在家族综述里）、只搜 2023（MEN-RT 是 2024 届）、只搜分割（放疗靶区勾画在英文语境下是 delineation/contouring）。
§9.5 引用本条目的建议方式
若在正式作品中引用本条目，建议同时引用原始论文（附录 F 清单）并以本条目作为导航性参考：“BraTS-MEN/BraTS-MEN-RT（千方病案医数集 AI-Ready Wikipedia，2026-10-09 核验时点）”。数据规模、许可与获取方式等易变信息以 Synapse 现行页面为最终依据；本条目承担的是把两个实体、三届沿革与全部口径陷阱折叠成一份可检索文档的功能。
§9.6 库内脑肿瘤条目群地图
把库内与"脑 MRI/脑肿瘤"相关的条目串成一张图，方便读者按需跳转：
| 条目 | rid | 一句话关系 |
|---|---|---|
| brats | 24 | 家族综述总览（上游） |
| brats-meningioma（本条目） | — | 脑膜瘤支线（MEN 2023 + MEN-RT 2024/2025） |
| brats-pediatric | 688 | 儿科支线（HGG/DMG，464 例，TCIA 托管） |
| brats-africa | 683 | 非洲胶质瘤支线（146 例，多样性补位） |
| brats-2026 | 931 | 2026 年度集群（GoAT 混入 MEN 题型） |
| fets | 476 | 联邦学习姊妹赛事（FeTS 工具链同源） |
| totalsegmentator | 422 | 通用分割预训练母体（STU-Net 上游） |
| upenn-gbm | 462 | 成人胶质母细胞瘤 MRI（对照瘤种） |
| ucsf-pdgm | 469 | UCSF 脑肿瘤 MRI（同机构产出） |
| rembrandt | 455 | 经典脑肿瘤 MRI 参考 |
| tcga | 566 | 分子层级脑肿瘤数据（GBM 分子亚型） |
| tcia | 547 | 影像归档平台（PED 等的托管方） |
这张地图刻意只列了有"实质关系"的条目——库内还有大量泛医学影像条目（如各类 CT/超声/病理集），与脑膜瘤支线只在"医学图像分割"标签上泛相关，列进来只会稀释导航价值。互链的判断标准是"读者在 A 条目产生的问题，B 条目能否实质回答"。
阅读动线建议：从本条目出发 → 沿"瘤种对照"读 upenn-gbm/rembrandt（胶质瘤视角）→ 沿"方法迁移"读 totalsegmentator（预训练来源）→ 沿"组织模式"读 brats-pediatric/brats-africa（同配方不同人群）→ 最后到 brats-2026 看家族的当下形态。
两个使用提醒。其一，rid=24 综述条目成稿在前，其 MEN 相关数字（如"571 训练"）含口径误置——以本条目附录 B 的修正为准，勿交叉污染。其二，各条目的数据许可互不相同（本条目 Synapse 条款+CC-BY-NC、PED 的 TCIA CC-BY-NC、GLI 的 Synapse 条款），跨条目混训前逐库过许可是硬纪律（Q47）。
§10 避坑清单：八个已踩过或可预见的坑
以下八坑按"出现频率 × 后果严重度"排序，前四个在写作/引用场景高发（多为口径错误），后四个在工程/合规场景高发（多为实操事故）。每坑给出事实锚点；速查版见 §10.5。
坑 1：把 BraTS-MEN 当成单一数据集
社区语境里 BraTS-MEN 泛指赛道，但 2023 MEN（术前四序列分割）与 2024 MEN-RT（放疗单序列靶区）是规模、许可、影像配置全不同的两个实体。引用、下载、写论文都要点名届次与全名（BraTS Pre-operative Meningioma Dataset vs BraTS-MEN-RT Dataset）。
坑 2：第三方规模数字直接采信
GitHub 第三方仓库流传"1,650 cases"口径，与官方 1,424（1000+141+283）不符且无解释；arXiv 2607.28858 的 1,141 是"公开可得影像"（1000+141）口径而非全集。只有 1,424 是官方一手口径，1,650/1,141 遇到时先问来源再引用。
坑 3：MEN-RT 的 571 与 500/70
571 = 500 训练 + 1 附加 + 70 验证（HuggingFace 整装版口径），官方 Sci Data 口径为 500+70+180（测试）=750。库内综述条目"571 训练 + 70 验证"属于口径误置——571 是公开例数不是训练例数。
坑 4：把 MEN-RT 记成 2023 届
MEN-RT 是 2024 年首届（挑战设计论文 2024-05 挂 arXiv，数据 2024-05 下旬起挂 Synapse）；2023 年只有术前分割 MEN。检索到"2023 MEN-RT"字样时先核对论文 DOI。
坑 5：在验证集上训练
验证集 141 例不公开标注，只能提交 Synapse 打分——但影像本身可下载。把验证影像混入训练集再报成绩，会与官方榜单不可比；arXiv 2607.28858 的做法（只用 1,000 训练例自切分）是干净复现的标准姿势。
坑 6：许可标签想当然
HuggingFace 整装版打的 cc-by-nc-sa-4.0 只代表打包者判断；官方口径是 2023 MEN 走 Synapse 使用条款、MEN-RT 走 CC-BY-NC。商用、再分发、构建衍生基准前回 Synapse 逐实体核验现行条款（BraTS 家族条款历史上多次微调）。
坑 7：拿预处理产物做颅骨/硬膜研究
2023 MEN 全部经过 skull-stripping 与去面——颅骨已不在，硬膜大部分不在，90.3% 肿瘤体素贴边。做颅底、硬膜尾形态学或颅骨侵犯研究请回原始 DICOM（如能经合作渠道获取）或改用其他数据集；在本数据集上做这些等于用错尺子。
坑 8：忽视多灶命名与 lesion-wise 语义
病例号第三段（BraTS-MEN-00004-000 的 -000）是病灶序号——同一患者多灶是多个训练样例。统计"病例数"时要按患者去重；评测时用 lesion-wise 口径对齐官方，用全局 Dice 会系统性高估多灶病例的表现。
§10.5 八坑自查速查表
| # | 坑 | 一句话识别信号 | 一句话处置 |
|---|---|---|---|
| 1 | 混淆两实体 | 文中没区分 1,424 与 750 | 引用点名届次+官方全名 |
| 2 | 第三方规模口径 | 出现 1,650/1,141 且未注来源 | 回 MELBA 论文核 1,424 |
| 3 | 571 口径误置 | “571 训练” | 改 500 训练/571 公开 |
| 4 | MEN-RT 届次错 | “2023 MEN-RT” | 官方自述 2024 首届 |
| 5 | 验证集混训 | 本地分数高于官方榜单 | 训练集自切分、标注口径 |
| 6 | 许可想当然 | 只看 HF 标签 | 回 Synapse 逐实体核条款 |
| 7 | 拿预处理产物做颅骨研究 | 研究对象含颅骨/硬膜 | 换原始 DICOM 或其他数据集 |
| 8 | 忽视多灶与 lesion-wise | 全局 Dice 对标官方 | 病灶序号去重 + lesion-wise 口径 |
速查表的使用方式：交稿/发榜前的最后一道工序——把表格右列逐条与自己的成稿/代码对一遍，任何一条对不上就回到对应正文章节（坑 N → §N 所在）复查。这张表的设计目标是"让八类事故在 5 分钟内被穷举排查"，欢迎复制到团队 checklist。
§7-§10 回答了"它与世界的关系"，最后一节回答"它与我有什么关系"——总结按三类读者的行动建议收束。
§11 总结
BraTS-MEN 家族证明了 BraTS 方法论的可复制性：把胶质瘤赛道十四年打磨出的组织流程——多机构联盟、统一预处理、专家终审、隐藏测试、容器评测——原样套到脑膜瘤上，一年内就得到"迄今最大"的多标签脑膜瘤 MRI 数据集，并给出近放射科医生级的基准线（median DSC 0.976，median 95HD 1mm）。它同时诚实地暴露了两个行业级教训：预处理管线与病灶解剖位置的错配（90.3% 贴边），以及稀缺亚型（钙化肿瘤）造成的系统性盲区（TC Dice 0.156）。2024 的 MEN-RT 再进一步，用单序列原生分辨率的减法设计把赛道推进到放疗规划场景，成为第一个"对放疗立即有用"的 BraTS 挑战，并在 2025 年以 Lighthouse 模式延续。对研究者，它是一套可复现的基线与两个警示；对临床工程团队，它是一条从诊断到治疗的完整数据链路；对数据工程者，它是一份关于"标签跟随临床动作、预处理跟随解剖位置"的现场教材。
如果把这三个角色压缩成三句话：对研究者，这是脑膜瘤分割的默认起点——数据最大、标注最系统、榜单可对标，入场成本只剩 Synapse 注册。对临床工程团队，这是少有的"诊断到治疗"双跳板——2023 体管术前看清、MEN-RT 管放疗画准，同一瘤种的数据接力在公开数据集里几乎绝无仅有。对数据工程者，这是一份用真金白银踩坑换来的设计文档——90.3% 贴边教会你预处理要跟着解剖位置走，0.156 的钙化 Dice 教会你亚型分布要跟疾病谱走，10% 预分割起点教会你标注成本与标签纯度的交换比。
它当然不完美：测试集黑箱、标注一致性无量化、美国中心化、条款动态性，每一条都是下一版数据集的改进清单——而这些"不完美"本身被官方论文诚实记录下来，恰恰是这个家族最值得信赖的品质。在"AI-Ready"的谱系上，它属于"拿过来就能训练、但要带着口径意识训练"的成熟梯队；引用它、使用它、批评它之前，请先把 §10 的八个坑读完。
最后用一句话回答"这个条目与库内其他 BraTS 条目合起来讲了一个什么故事"：rid=24 的综述讲了家族史，rid=688/683 讲了人群扩展，rid=931 讲了当下形态，而本条目讲的是这个家族如何走出脑实质、走向治疗端——那是 BraTS 方法论第一次离开它最熟悉的解剖区域，并且成功了。
FAQ（高频问答 93 问）
Q1：BraTS-MEN 和 BraTS-MEN-RT 是同一个数据集吗？
不是。BraTS-MEN 指 2023 届术前脑膜瘤分割数据集（1,424 例、四序列、三亚区标签）；BraTS-MEN-RT 指 2024 届放疗规划数据集（750 例、单序列 T1c、单靶区标签，2025 年 Lighthouse 延续）。两者同属 ASNR-MICCAI BraTS 脑膜瘤支线，由同一支核心团队（LaBella 与 Calabrese 领衔）打造，但影像配置、标签体系、许可与获取入口全部不同。
Q2：数据集的官方全名是什么？
2023 体官方名为 BraTS Pre-operative Meningioma Dataset（论文与 Synapse 注册口径），挑战冠名 ASNR-MICCAI BraTS 2023 Intracranial Meningioma Segmentation Challenge；2024 体官方名为 BraTS-MEN-RT Dataset（挑战名 BraTS 2024 Meningioma Radiotherapy Challenge；2025 届冠名 BraTS-Meningioma-RT: Meningioma Radiotherapy Segmentation）。
Q3：一共有多少例？可以下载多少例？
2023 体共 1,424 例（训练 1,000 + 验证 141 + 测试 283），可下载影像 1,141 例（训练+验证），其中带标注的只有训练 1,000 例；2024 体共 750 例（训练 500 + 验证 70 + 测试 180），可下载 570 例且全部带标注（另加 1 例附加训练数据，第三方整装口径合计 571）。两体公开数据合计 1,711 例。测试集合计 463 例永不公开。
Q4：1,650 例的口径是哪来的？可信吗？
来自 GitHub 第三方仓库（Awesome-Medical-Dataset）的描述"data from 6 centers totaling 1650 cases, with 1000 annotated training"。与官方 1,424 差 226 例且无解释，与官方训练 1,000 例一致但总例数对不上。建议以挑战论文（MELBA 2025）的 1,424 为唯一可信口径。
Q5：影像是什么格式和分辨率？
2023 体：NIfTI（.nii.gz），统一 240×240×155、1mm³ 各向同性、SRI24 模板配准、颅骨剥离后。2024 体：NIfTI，原生采集空间与分辨率（刻意不做配准重采样），每例仅一个 3D 增强 T1 卷。
Q6：标签有哪些类别？
2023 体：ET（强化肿瘤）、NET/TC（非强化肿瘤核心）、SNFH（瘤周非强化 FLAIR 高信号）三个体素级标签，评测时用复合区 TC=ET+NET 与 WT=ET+NET+SNFH。2024 体：单一 target volume 标签（术前=GTV+结节状硬膜尾；术后=切除腔边缘+残留强化）。
Q7：和胶质瘤 BraTS 的 NCR/ED/ET 标签体系什么关系？
形式相似（都是三体素标签+两复合区）但病理语义不同：脑膜瘤是轴外肿瘤，SNFH 是压迫性血管源性水肿而非胶质瘤浸润性水肿（ED），NET/TC 大量对应钙化与纤维化而非胶质瘤坏死（NCR）。跨赛道复用标注工具前要重读标签定义。
Q8：谁做的标注？可信度如何？
六家来源机构的医师标注，经多轮修正后由同一位 board-certified、fellowship-trained 神经放射专家（Evan Calabrese）逐例终审批准。MEN-RT 额外有资深放疗住院医逐层复核层。测试集另经两套标注者+approver 组合复核。局限：未发布标注者间一致性量化指标（无 kappa），单终审人设计无法在数据内部暴露系统性偏好。
Q9：挑战赛冠军是谁？成绩多少？
2023 届冠军 NVAUTO：MONAI Auto3DSeg 框架 + SegResNet 架构，5-fold 训练 + Dice-Focal 损失；lesion-wise median DSC ET 0.976 / TC 0.976 / WT 0.964，average 0.899/0.904/0.871，median 95HD ≈1mm。方案与代码 Apache 2.0 开源。
Q10：亚军季军用什么方法？
亚军 CNMC_PMI2023：nnU-Net + Swin-Transformer 系集成（median DSC 0.968/0.968/0.953）。季军 blackbean：STU-Net（nnU-Net 骨架 + TotalSegmentator 大规模预训练迁移，median DSC 0.969/0.969/0.957）。
Q11：为什么 median 和 average 差这么多？
少数硬病例拖累均值：钙化/非强化脑膜瘤在训练集稀缺（NETC 出现率 33.9%），全榜单在这类病例上 TC DSC 低至 0.156。median 接近满分说明多数病例近乎完美解决；average 揭示长尾。引用时两个口径都报才完整。
Q12：什么是 lesion-wise 评测？和全局 Dice 差在哪？
逐病灶计算 Dice 再汇总（median/average），每个独立病灶单独计分；多灶病例漏检一个小病灶，该病灶记 0，无法被大病灶稀释。全局 Dice 把整卷当一个对象算，多灶病例会系统性高估。BraTS 2023 起多灶肿瘤赛道（MEN/MET）默认 lesion-wise。
Q13：90.3% 贴边是什么意思？对我有什么影响？
1,286/1,424 病例至少一个肿瘤体素紧贴颅骨剥离后的图像边缘——预处理在颅骨内板附近制造了人为截断，而脑膜瘤恰恰贴颅骨生长。影响：模型会学到部分"贴边=肿瘤"的伪影特征；颅底/硬膜形态学分析不可用此数据；设计预处理时考虑保留颅脑间隙的 refacing 方案。
Q14：MEN-RT 为什么只有单序列？
放疗定位像本来就是单序列 3D 增强 T1（原生分辨率）——数据设计刻意 mimic 临床真实输入，让模型可直接嵌入放疗计划工作流。放弃 T2/FLAIR 的代价（水肿信息缺失）被挑战论文列为第一条 Limitation。
Q15：MEN-RT 的靶区标签怎么定义？
术前场景：T1c 可见肿瘤整体 + 结节状硬膜尾；术后场景：切除腔边缘 + 残留强化。单标签统一两种场景，遵守既定放疗勾画协议。
Q16：MEN-RT 有多少标注是纯手工的？
至少 90% 起点为机构提交的 GTV（经专家评估入集）；约 10% 无机构 GTV 的病例由 nnU-Net 预分割起步。全部病例再经放疗住院医逐层修正与神经放射专家终审——最终标签均为人工确认，但严格说不是 100% 纯手工逐例勾画。
Q17：数据在哪下载？要注册吗？
都在 Synapse：2023 体经 BraTS cluster 主 wiki（syn51156910）导航至 MEN 子页，接受挑战条款后下载；2024 体直接访问 Synapse DOI 10.7303/syn59059779，按仓库内分步指南下载（训练影像+标注、验证影像、临床元数据三个包）。需要 Synapse 注册账号。
Q18：有 HuggingFace 镜像吗？
有第三方整装版 Aff77/BraTS-2024-Complete（97GB，含 MEN-RT 公开 571 例的 train/additional/val 三分区，另有 GLI 与 PED）。注意它是社区打包，许可标签 cc-by-nc-sa-4.0 只代表打包者判断，正式使用以 Synapse 原平台条款为准。
Q19：许可能商用吗？
保守答案：不能默认可以。2024 体明示 CC-BY-NC（禁商用）；2023 体走 Synapse 使用条款，研究用途为主。商用前必须回 Synapse 核验现行条款并取得相应授权。
Q20：怎么引用？
2023 体：LaBella et al., Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge, MELBA 3 (2025), DOI 10.59275/j.melba.2025-bea1（arXiv:2405.09787）。2024 体：Sci Data 数据论文 DOI 10.1038/s41597-026-06649-x + 挑战设计论文 arXiv:2405.18383。用第三方整装版还需同时引用原始挑战文献。
Q21：数据有临床元数据吗？
2023 体：患者年龄、性别、影像时脑膜瘤分级。2024 体：Synapse 提供逐例临床数据与影像参数（场强、TR/TE、分辨率）的 Excel 补充表。支持分级分层分析与域偏移研究。
Q22：验证集能用什么用？
验证 141 例只有影像没有标注，官方用途是提交预测到 Synapse 在线打分。不能做定量本地评测（没有金标）；独立复现研究请用训练 1,000 例自切分（arXiv 2607.28858 示范做法）。切勿把验证影像混入训练再对标官方榜单。
Q23：2025 年这个赛道还在吗？
在。2025 年 MICCAI Lighthouse 挑战以 “BraTS-Meningioma-RT: Meningioma Radiotherapy Segmentation” 名义延续放疗靶区赛道；Sci Data 论文明示 2024 体的 180 例测试数据为未来挑战（含 2025）保留。2026 年集群把脑膜瘤作为 GoAT 验证集混入题型之一。
Q24：跟库内 brats-2026 条目什么关系？
brats-2026 是 2026 年度多任务集群（5 个任务），脑膜瘤只是其跨肿瘤泛化（GoAT）设计里混入验证集的肿瘤类型之一，不是独立数据集发布；本条目收录的才是 2023/2024/2025 的独立赛道数据集本体。
Q25：跟库内 brats（rid=24）条目什么关系？
rid=24 是 BraTS 系列总览综述，别名表收录了 BraTS-MEN、正文一行浅提 MEN-RT（571 例口径）；本条目是脑膜瘤支线的完整实体展开，并修正了 571 例的口径（571=公开例数，非训练例数）。
Q26：可以用它做硬膜尾、颅底侵犯研究吗？
不可以。数据经颅骨剥离与去面，颅骨与大部分硬膜已被移除（90.3% 肿瘤贴边缘即证据）；靶区定义里"结节状硬膜尾"是勾画约定而非解剖结构标注。此类研究需原始 DICOM 或其他数据集。
Q27：多发性脑膜瘤怎么表示？
病例号第三段是病灶序号：同一患者的第 N 个病灶是独立文件夹（如 BraTS-MEN-00004-001）。统计"病例数"要按患者去重；训练时每个病灶是独立样例；评测用 lesion-wise 口径才与官方可比。
Q28：训练代码和模型在哪？
冠军 NVAUTO（MONAI Auto3DSeg/SegResNet）与季军 blackbean（STU-Net）方案开源（Apache 2.0）；nnU-Net 本身开源；MEN-RT 数据论文使用的 nnU-Net 预分割模型也在作者 GitHub（ecalabr/nnUNet_models）公开。转换工具 dcmrtstruct2nii 开源。
Q29：预处理是自己做还是用现成的？
2023 体已预处理完毕（SRI24、1mm³、去颅骨），下载即用；不建议再改动。MEN-RT 体为原生分辨率——官方建议参赛者可自行用 FeTS 工具链预处理（配准+重采样）再回到原生分辨率的折中方案，或直接在原生空间训练。
Q30：数据偏斜吗？
地理上高度美国中心化（六家美国学术中心）；病灶谱上强化型占绝对主导（ET 99.9%）、钙化稀缺（NETC 33.9%）；影像参数在机构间差异显著（场强/TR/TE 无统一）。跨地域、钙化亚型、低场强场景的外推需谨慎验证。
Q31：和脑转移瘤（MET）赛道什么区别？
同期 BraTS 2023 还有脑转移瘤赛道，但数据组织独立。脑膜瘤是原发颅外轴外肿瘤（单发或多灶、贴脑膜生长），转移瘤是血行播散的多灶轴内病变；两者标签体系与临床问题不同，数据不互通。
Q32：这个数据集最大的独特价值是什么？
两条：一是"诊断→治疗"完整链路——2023 体管术前分割、2024/2025 体管放疗规划，同一瘤种同一团队的两代数据形成闭环；二是方法学透明度——两篇挑战论文把标注流程、预处理权衡、榜单长尾、许可现实全部写透，是医学数据集文档化的标杆样本。
Q33：模型预测怎么提交官方评测？
按 MLCube 规范把推理代码与权重容器化（输入输出符合挑战接口约定），经 Synapse 提交到官方评测队列，服务器在隐藏测试集（2023 体 283 例）上打分并更新榜单。本地无法自测测试集分数——这是设计而非技术限制。
Q34：能按 WHO 分级筛子集用吗？
可以。2023 体的临床元数据含影像时脑膜瘤分级（I/II/III），按元数据筛选 WHO I 级子集做良性专项研究是支持的用法；注意子集训练的模型不要回头对标全集榜单（评测面不同）。
Q35：2023 体和胶质瘤赛道的数据有患者重叠吗？
官方未声明任何重叠——两赛道由不同机构组合独立采集（脑膜瘤六中心 vs 胶质瘤历史联盟），患者群体也不同（术前脑膜瘤 vs 胶质瘤）。跨赛道联合使用时按独立数据集处理即可，无需去重。
Q36：有官方 baseline 代码吗？
冠军 NVAUTO（MONAI Auto3DSeg）与季军 blackbean（STU-Net）方案开源（Apache 2.0，论文 §4 明示），这是事实上的官方基线集；nnU-Net 本身开源可直接作为强基线。MEN-RT 侧，数据作者的开源 nnU-Net 模型仓（ecalabr/nnUNet_models）可用于预分割复现。
Q37：数据发布后有更新或勘误吗？
核验时点（2026-10）未见 2023 体的官方修订公告；MEN-RT 侧的"新数据"以 2025 Lighthouse 挑战形式延续而非对 2024 体打补丁。使用固定版本并在论文中注明下载日期是稳妥做法。
Q38：作者名单怎么引用？
2023 挑战论文 122 位作者（Dominic LaBella、Ujjwal Baid 共同首发，Evan Calabrese 资深署名，Benedikt Wiestler、Spyridon Bakas 等家族核心均在列）；正式引用按论文 author list 或"LaBella D, Baid U, …, Calabrese E"格式，MELBA 正刊页有规范引用串。
Q39：能做影像+文本的多模态研究吗？
能做的部分：临床元数据（年龄/性别/分级）与影像参数表（MEN-RT xlsx）支持结构化表格+影像的多模态。做不了的部分：没有自由文本放疗报告或病理报告——需要文本模态的研究要另行配对院内数据。
Q40：训练时增强要重复官方那套吗？
不必强制。官方冠军用仿射/噪声/模糊+Dice-Focal 是它的配方；你可以在遵守"不引入外部数据、不碰测试集"的前提下自由设计训练策略——榜单比的是测试集成绩，不是训练配方一致性。复现研究（复现某队伍成绩）除外，那要逐项对齐其论文配置。
Q41：数据下载下来为什么没有测试集文件夹？
因为测试集从不分发——Synapse 上只有训练与验证两个目录（ASNR-MICCAI-BraTS2023-MEN-Challenge-TrainingData / -ValidationData）。这不是下载不完整，是设计如此；见坑 1 与 Q3。
Q42：掩码里的标签值是多少？
2023 体沿用 BraTS 家族惯例：标注 1/2/3 对应三个肿瘤亚区（具体 ET/NET/SNFH 与数值的对应以数据包内说明与官方评估脚本为准），0 为背景；复合区（TC/WT）由评估脚本在运行时合成，掩码文件本身不存复合区。
Q43：可以直接拿来训练 nnU-Net 吗？
可以，这是最常见的用法：nnU-Net v2 读 BraTS 命名约定无需改造；建议显式设置 fold 与 trainer 并保留 JSON 汇总，方便与官方口径对照（§4.6 六步）。
Q44：multi-modal 四序列必须一起用吗？
研究自由。四序列同喂是榜单口径，但单序列（如只用 T1c 模拟 MEN-RT 场景）或双序列消融都是合法实验设计——只是不能宣称对齐官方榜单。
Q45：这个数据集能用来研究颅骨侵犯吗？
不能直接用。颅骨已被剥离（§2.1），"侵犯颅骨"的影像证据已随预处理消失；这类研究需要保留颅骨的原始 DICOM（经合作渠道）或其他未去颅骨的数据集（坑 7）。
Q46：临床部署需要什么监管思路？
MEN-RT 的输出定位是"专家级参考轮廓+医师签字修正"，属于决策支持而非自主诊断；部署应按各辖区 SaMD（软件医疗器械）分类走注册路径，训练数据来源（IRB 豁免的回顾性数据）不构成临床证据等级——这是通用提醒而非法律意见。
Q47：能和库内其他脑 MRI 条目混着训练吗？
技术上可以（都是 NIfTI 脑 MRI），但要处理三件事：标签体系对齐（NCR/ED/ET vs ET/NET/SNFH，§2.6）、空间规格对齐（SRI24 1mm³ vs 各库自有规格）、许可对齐（逐库核）。§9.6 的条目地图给出了候选清单。
Q48：验证集在线打分有次数限制吗？
2023 挑战期的提交节奏（每日次数上限等）属当届规则，赛后通道的现行限制以 Synapse 页面为准——这类操作性细节本条目不做背书，避免口径过期。
Q49：为什么把两个数据集放进一个条目而不是分开两条？
同一支团队、同一瘤种、同一条赛道沿革（MEN 2023 → MEN-RT 2024 → Lighthouse 2025），且第三方检索词高度重合（都搜 BraTS-MEN）；拆开反而制造消歧负担。分开引用时点名实体即可（坑 1）。
Q50：本条目还有哪些没写透的地方？
四项遗留疑点（附录 K 第 5 条）：TCIA 是否有脑膜瘤收藏、2023 MEN 子页 synID、Synapse 条款逐字文本、标注者人数与患者级去重数——这些留待登录 Synapse 或官方补核后更新本条目。
Q51：lesion-wise 评测的实现要自己写吗？
不必。MONAI 评估模块与 BraTS 官方评估脚本族都实现了 lesion-wise DSC/95HD；自实现时最常见错误是"按预测连通域配对金标"而非"按金标病灶逐个算"——配对基准应是金标病灶（没预测到的金标病灶记 0），方向反了会系统性虚高。
Q52：多灶病例的 WT 和单灶病例的 WT 是一个概念吗？
是同一个标签语义（ET+NET+SNFH 的并集），但多灶病例的 WT 天然由多个空间分离的子区域组成——这就是为什么评测必须 lesion-wise：全局 WT Dice 会把"找到 8 个灶里的 7 个"算成 87.5% 的漂亮分数，逐灶口径则诚实地给漏掉的灶记 0。
Q53：2023 体能用来做域自适应研究吗？
能做粗粒度版本：六中心来源是天然的"域"结构，可用机构身份（如能获得）或影像特征聚类当域标签。限制是 2023 体元数据不含扫描仪字段（§2.5），精细设备级域实验做不了。
Q54：MEN-RT 的术后病例占比多少？
官方论文按术前/术后两类定义靶区语义，但未在摘要级给出两者比例——使用时以 Synapse 元数据表逐例统计为准（该表含场景字段）。这是本条目未展开的细粒度数字之一。
Q55：数据有质量控制评分吗？
没有逐例质量评分字段。质量保障走的是流程制（§3 的多轮复核+终审），而非"打分制"（如图片质量 1-5 分）。需要质量分层的研究得自建代理指标（如运动伪影检测）。
Q56：能拿它训练"脑膜瘤检出"（检测任务）吗？
训练数据是全阳性的（每例都有脑膜瘤），没有正常对照——做检出/筛查需要阴性样本，本家族不提供（BraTS 2026 的 Detection 任务用转移瘤数据，脑肿瘤阴性对照可参考健康脑库类条目）。
Q57：影像有没有 b 值/DWI 序列？
没有。两实体的序列清单就是 §2 的四序列（2023）与单 T1c（2024），无 DWI/ADC——弥散相关研究（如鉴别诊断）需要外部数据补。
Q58：分割模型输出的概率图能提交官方评测吗？
评测接口要求二值化后的标签图（与金标同构）；概率图需自行阈值化（官方 baseline 用 0.5 或 argmax）。阈值策略属于方法的一部分，论文里要写明。
Q59：2026 集群里脑膜瘤题型具体考什么？
按 brats-2026 条目核验口径：2026 GoAT 设计把脑膜瘤作为五类肿瘤类型之一混进验证集考察跨瘤型泛化（训练集只含部分瘤型、验证集混入未见类型且类型标签保密）。具体任务号与例数以 2026 官方 wiki 为准——本条目不代背 2026 细节。
Q60：想给这个数据集贡献标注/纠错怎么办？
官方没有公开的众包纠错通道；发现疑似标注问题走 Synapse 论坛/联系渠道反馈，重大问题通常在下届数据或勘误中体现（2023 体至今无公开勘误记录——见 Q37 的版本策略）。
Q61：2023 体和 MEN-RT 是同一批患者吗？
官方没有任何患者级链接声明——两实体独立采集（术前诊断场景 vs 放疗定位场景）、独立切分，即便存在真实世界的患者交叠（术前分割后接受了放疗），公开数据中也无法对上。跨实体患者级研究不可行。
Q62：论文里的"cases"到底指患者还是病例文件夹？
按 §2.7 的分析，官方语境的 case 指分区内条目（多灶患者一个灶一个条目）；患者级去重数官方未发布。写作时建议用"例/样例（cases）"并脚注说明多灶机制，避免"患者"字样。
Q63：能把掩码转成边界框做弱监督吗？
技术上可以（体素掩码 → 3D bbox 是标准操作），但等于主动丢弃亚区信息——本数据集的价值恰在体素级；除非研究设计明确需要 bbox，否则不推荐。
Q64：两实体哪个对 AI 落地更友好？
看落地在哪：科研管线（四序列、亚区）选 2023 体；临床放疗流程（单序列、GTV）选 MEN-RT。AI-Ready 自评分（附录 H）MEN-RT 略高（4.2 vs 3.9），主要赢在许可明示与元数据。
Q65：数据集引用时要提 ASNR 吗？
官方冠名含 ASNR-MICCAI（美国神经放射学会-医学影像计算学会联合冠名），正式引用数据集时按官方名写全是对标注联盟的必要致谢；只在泛指 BraTS 家族时可简写。
Q66：200 例的子实验还有统计意义吗？
按官方榜单的方差量级（±0.18-0.29）估算，小样本子实验的置信区间会很宽；做法是从训练集分层抽样并在论文报出抽样框架，结论限定在"提示性"级别——参考金标准条目对 20 例专项的处理态度。
Q67：2023 体的性别/年龄分布有偏吗？
官方摘要未给分布统计（元数据存在但论文未展开）——这本身是个值得做的小型审计：用随包元数据画人口学分布是拿到数据后的第一个下午就能完成的尽责动作。
Q68：出现"脑膜瘤 AI 诊断"的说法时怎么校对？
本家族不含诊断标签（良性/恶性判别、组织学预测都没有）——元数据里的 WHO 分级是背景信息而非预测目标；凡声称"用 BraTS-MEN 训练诊断模型"的表述都混淆了分割与诊断，回到 §1 的 Q4 校对任务定义。
Q69：数据能用于医学影像教学（非研究）吗？
学术教学通常落在两实体许可的研究/教育宽容区内（CC-BY-NC 明确含教育用途，Synapse 条款以注册时文本为准），公开课/教材使用前保留条款截图即可；商业培训课程按 §6.7 场景 B 处理。
Q70：影像能单独发布再处理版本吗（如重切片、PNG 导出）？
MEN-RT 体 CC-BY-NC 允许改编再分发（继承 NC）；2023 体按 Synapse 条款一般禁止转托管——衍生可视化建议以"链接原入口+展示方法"方式发布，实体再分发走邮件确认。
Q71：怎么判断一篇第三方论文用的是真数据集？
三个指纹：病例号格式（BraTS-MEN-xxxxx-xxx）、序列命名（t1n/t1c/t2w/t2f）、240×240×155 尺寸。三者齐备大概率是真数据；反之"自有脑膜瘤集，BraTS 风格"多半是自制数据借名。
Q72：为什么验证集只有 141 例，比例是 10% 而测试是 20%？
70/10/20 的切分是挑战论文明示的标准协议；验证集只需支撑在线打分的统计稳定性，测试集要承担最终排名的公信力——两侧的例数预算随评测角色分配，不是均匀切分。
Q73：验证集影像能当"无标注预训练"素材吗？
可以且合法（影像公开分发），但预训练-微调范式下它只是 141 例的额外数据量，性价比一般；更常见的用法是留作提交前的过拟合检查集（在自己训练集切分的验证折上先通过，再上 Synapse 打分）。
Q74：MEN-RT 的 target volume 有没有标签值约定（1 还是 255）？
官方交付为 NIfTI 掩码，标签值以数据包内说明与评估脚本读取约定为准（同类 BraTS 掩码惯例是 1 为目标、0 为背景）；接入自己管线前先用 nibabel 读一次唯一值清单，这是 30 秒就能避免的低级事故。
Q75：这个家族的数据采集伦理有没有特殊之处？
两体均为回顾性、去标识化（defacing/skull-stripping）、IRB 批准+知情同意豁免的口径——没有前瞻性知情同意的负担，也因此没有再接触患者二次授权的可能；这决定了它的再利用边界比前瞻队列宽松，但仍以各站点 IRB 批文范围为准。
Q76：标注是 2D 逐层画的还是 3D 的？
交付形态是 3D 体素掩码（NIfTI），但人工勾画的实际操作是逐层 2D（ITK-SNAP 等工具的典型工作流，MEN-RT 复核节明示逐层评估）——即"2D 画、3D 存"。层间一致性由终审环节把关。
Q77：可以直接用官方预处理重跑我自己的原始 DICOM 吗？
FeTS 工具链是公开的（Pati et al. 2022，预处理节引用），dcmrtstruct2nii 与 AFNI 也开源——理论上可以复现同款预处理；注意 SRI24 配准与去颅骨的参数细节要与版本对齐，且对轴外肿瘤记得 90.3% 贴边的前车之鉴。
Q78：两篇论文先读哪篇？
读法一（时间序）：arXiv:2405.18383（MEN-RT 设计，短）→ MELBA 2025（MEN 全解析，长）→ Sci Data 2026（MEN-RT 数据细节）。读法二（任务导向）：做分割直接 MELBA，做放疗直接 Sci Data。arXiv 版与正刊内容一致，优先引正刊 DOI。
Q79：数据里有没有随访/生存信息？
没有。两实体的元数据止步于人口学+分级（2023 体）与临床/影像参数（2024 体），无随访时间与结局字段——生存分析类研究不适用（儿科支线 BraTS-PEDs 有生存预测子任务，可作对照）。
Q80：本条目最容易被 AI 系统答错的三个问题是哪些？
①"有多少例？“——四版口径（1,424/1,650/1,141/571）并存，AI 常混答；②"许可是什么？”——双层口径（Synapse 条款 vs CC-BY-NC），AI 常单答 CC-BY；③"MEN-RT 是哪年？"——2024 首届，AI 常顺着"2023 扩张年"错答 2023。本条目 §10 与附录 I 即为此三个高频幻觉设的护栏。
Q81：验证阶段（2023-07~08）队伍具体做什么？
三件事：用验证集影像微调/校准模型、撰写方法短论文、把最优模型封装进 MLCube 容器上传——官方随后在隐藏测试集上统一评测并排名。这个"最后一个月冻结模型"的纪律是多赛道统一执行的。
Q82：MEN-RT 的模型也要求开源吗？
挑战设计论文表述为"Participants’ automated segmentation models will be open-source"（参赛模型将开源）——这是 2024 届的参赛约定；具体开源范围（代码/权重）以当届规则与队伍实际发布为准。
Q83：数据集有没有官方的引用格式文件（.bib/.cff）？
期刊论文页（MELBA/Sci Data）提供标准引用导出；Synapse 数据页的 CITE 按钮/文件提供数据集引用格式——第三方整装版则自带 CITATION.bib。三层引用文件按你实际使用的层取用（§6.6）。
Q84：如果只记住本条目的一件事，应该是什么？
引用口径：两个实体、届次分明（MEN=2023 术前分割 1,424 例；MEN-RT=2024 起放疗规划 750 例）、测试集永不公开、median 与 average 双报——这一句话能挡掉八成引用事故。
Q85：MEN 和 MEN-RT 的评估脚本通用吗？
核心指标（lesion-wise DSC/95HD）计算逻辑一致，但复合区合成不同（三亚区合成 TC/WT vs 单标签直接用）、病灶配对前提不同（多灶亚区 vs 单 target）——直接换脚本会引入口径差，迁移时逐参数核对。
Q86：为什么冠军方案叫 NVAUTO？
团队名"NVAUTO"对应其技术底座 NVIDIA MONAI 的 Auto3DSeg 自动化框架——名字即路线（自动化方案搜索），论文 §4 的方法描述与命名一致。
Q87：本条目适合直接引用进论文的参考文献列表吗？
本条目是导航性百科条目而非一手文献——论文引用请指向 MELBA/Sci Data/arXiv 三篇一手文献（附录 F），本条目可作为数据获取与口径消歧的工作参考（脚注或数据声明中说明）。
Q88：两个数据集的影像会共享同一套 dataloader 吗？
共享不了：2023 体固定 240×240×155 四序列（形状即契约），MEN-RT 原生分辨率每例形状不同（需要动态 resize/crop 策略）——一个 loader 吃两套数据的工程成本高于写两个 loader。
Q89：这篇条目里的"六中心"名单适用于 MEN-RT 吗？
不适用。六中心（Duke/TJU/UCSF/Yale/UPenn/Missouri）是 2023 MEN 的来源机构清单；MEN-RT 是独立的站点联盟（参与站点可提交 GTV 入集，具体名单见 Sci Data 论文参与站点节）——两代数据集的机构版图有重叠但不同一。
Q90：成稿之外还有什么可以继续挖的？
三个方向：①登录 Synapse 取 MEN 子页 synID 与逐字条款（补附录 L #2/#3）；②用随包元数据做人口学/分级分布审计（Q67）；③对 MELBA 论文的 6 张表格做逐格复录（本条目附录 C 只复录了关键列）。
Q91：283 例测试集永远不会公开吗？有没有替代评估办法？
官方口径是"held-out、永不发布"（§2.4），且无公开时间表。替代评估的三条现实路径：①在 1,000 例训练包内部做机构分层交叉验证（六中心来源差异本身就是天然的分布漂移源）；②用 141 例验证集做早期模型选择后冻结，再汇报一次（注意它已被全员看过多轮，不能当真测试集）；③申请参加后续届次挑战赛走官方打分通道。
Q92：1,424 与 1,650 两个总数，引用时到底写哪个？
写 1,424。它是官方论文（MELBA/arXiv:2405.09787）与 Synapse 三分区表一致的口径；1,650 仅见于 GitHub 第三方仓库描述且无任何分解说明（附录 B 对照表第 2 行）。若你引用的二手来源写 1,650，建议回链一手来源并注明口径。
Q93：如何快速核对二手来源转述的本条目数字？
先对照附录 A 事实清单（36 条均带来源编号）与附录 B 三口径对照表，再按附录 K 的核验方法学回溯到一手来源；凡"含 preprocessing/不含 preprocessing"“含 MEN-RT/仅 2023 体”"含验证/仅训练"三类口径差是转述失真的高发区。
事实清单（硬事实 36 条）
- BraTS 2023 颅内脑膜瘤分割挑战赛数据集官方名为 BraTS Pre-operative Meningioma Dataset（MELBA 2025 论文口径）。
- 数据集规模 1,424 例 = 训练 1,000（70%）+ 验证 141（10%）+ 测试 283（20%）（挑战论文 Results 节）。
- 训练集 2023-05 发布，验证集 2023-06 发布（均无验证标注），测试集 283 例永不发布（挑战论文 Table 1）。
- 每例四序列：T1、T1Gd、T2、T2-FLAIR（论文摘要）。
- 标签三亚区：ET、NET/TC、SNFH；复合区 TC=ET+NET、WT=ET+NET+SNFH（论文 Figure 2 与摘要）。
- 训练集标签出现率：ET 999/1000（99.9%）、SNFH 536/1000（53.6%）、NETC 339/1000（33.9%）（GitHub 第三方统计）。
- 标签体积中位数：ET 9cm³、SNFH 17cm³、NETC 0.32cm³（同上）。
- 预处理：FeTS 工具链（Pati et al. 2022），NIfTI 转换 + SRI24 atlas 配准 + 1mm³ 各向同性重采样 + 自动颅骨剥离（论文 §2）。
- 影像统一为 240×240×155 体素（arXiv 2607.28858 使用记录）。
- 1,286/1,424（90.3%）病例至少一个肿瘤亚区体素紧贴颅骨剥离后图像边缘（论文摘要）。
- 数据来源六家美国学术中心：Duke University Medical Center、Thomas Jefferson University、UCSF、Yale University、University of Pennsylvania、University of Missouri（论文作者单位 + Lacuna 转述交叉一致）。
- 临床元数据含患者年龄、性别、影像时脑膜瘤分级（arXiv 2607.28858）。
- 9 支队伍提交 MLCube 容器参赛（论文 Results 节）。
- 冠军 NVAUTO：median lesion-wise DSC ET 0.976 / TC 0.976 / WT 0.964；average 0.899 / 0.904 / 0.871（论文摘要与 Table 2）。
- NVAUTO median 95HD：ET 0.96mm / TC 1.0mm / WT 1.0mm；average 23.9 / 21.8 / 31.4mm（Table 3）。
- NVAUTO 技术栈：MONAI Auto3DSeg + SegResNet + 5-fold + Dice-Focal 损失 + V100 16GB，Apache 2.0 开源（论文 §4）。
- 亚军 CNMC_PMI2023：nnU-Net + Swin-Transformer ensemble，median DSC 0.968/0.968/0.953（Table 2）。
- 季军 blackbean：STU-Net（TotalSegmentator 预训练迁移），median DSC 0.969/0.969/0.957，Apache 2.0 开源（Table 2 与 §4）。
- 第 4 名 Sherlock median DSC 0.958/0.959/0.945（Table 2）。
- 钙化/非强化病例 TC Dice 最低 0.156（Lacuna 分析转述论文讨论）。
- 测试集单病灶子集规模：ET N=255、TC N=255、WT N=252（论文 Results）。
- 挑战论文：arXiv:2405.09787（v1 2024-05-16，v2 2025-03-07），122 位作者，正刊 MELBA 3 (2025) DOI 10.59275/j.melba.2025-bea1。
- MEN-RT 2024 挑战设计论文 arXiv:2405.18383（2024-05-28），作者 LaBella 与 Calabrese 等。
- BraTS-MEN-RT 数据集规模 750 例 = 训练 500（66.7%）+ 验证 70（9.33%）+ 测试 180（24%）（Sci Data 论文 Data Records）。
- MEN-RT 测试 180 例"will be kept private for the foreseeable future"，服务 2025 Lighthouse 及未来挑战（Sci Data 论文）。
- MEN-RT 许可：CC-BY-NC（“All publicly available images, labels, and clinical metadata are of the CC-BY-NC license per Synapse policy”，Sci Data 论文原文）。
- MEN-RT Synapse 直链 DOI 10.7303/syn59059779，附分步获取指南与临床元数据 xlsx（Sci Data 论文）。
- MEN-RT 影像：单序列 3D postcontrast T1（T1c）原生采集空间；标签为单 target volume（GTV + 术后风险区）（挑战设计论文摘要）。
- MEN-RT 约 10% 病例无机构 GTV，由 nnU-Net 预分割起步（挑战设计论文 + Sci Data 论文交叉）。
- MEN-RT 标注流水线：机构 GTV 或预分割 → 资深放疗住院医 ITK-SNAP 逐层复核 → fellowship-trained 神经放射专家终审（Sci Data 论文 Technical Validation）。
- MEN-RT 预处理：dcmrtstruct2nii（DICOM-RT → NIfTI）+ AFNI 自动去面 + 逐例人工质检（挑战设计论文 §2 + Sci Data 论文）。
- 官方自述 MEN-RT 为"第一个对放疗规划立即相关的 BraTS 挑战"（the first BraTS challenge that is immediately relevant for radiotherapy planning，挑战设计论文）——即 2023 届无 MEN-RT。
- 2025 延续：MICCAI 2025 Lighthouse Challenge “BraTS-Meningioma-RT: Meningioma Radiotherapy Segmentation”（Sci Data 论文 Data Records 节明示）。
- Funding：NIH NCI/ITCR U24CA279629 与 U01CA242871（挑战设计论文致谢；后者与 BraTS-PEDs 共享）。
- 2023 挑战主 wiki：Synapse syn51156910（挑战论文参考文献 bra 2023 一手引用）。
- 脑膜瘤流行病学背景：占全部 CNS 肿瘤 40.8%、非恶性 CNS 肿瘤 55.4%、99.1% 非恶性、WHO I 级约 80%（挑战设计论文引 CBTRUS 2016-2020 与文献）。
术语表（30 条）
| 术语 | 英文 | 释义 |
|---|---|---|
| 脑膜瘤 | Meningioma | 起源于脑膜（蛛网膜帽细胞）的肿瘤，成人最常见原发颅内肿瘤，多为良性（WHO I 级约 80%），贴颅骨内板沿硬膜生长 |
| 轴外肿瘤 | Extra-axial tumor | 位于脑实质之外（颅骨与脑之间）的肿瘤，与轴内（脑实质内）肿瘤相对；脑膜瘤是典型轴外肿瘤 |
| 强化肿瘤 | ET / Enhancing Tumor | T1 增强扫描上强化的肿瘤部分，BraTS 标签体系核心标签 |
| 非强化肿瘤核心 | NET / TC / Non-Enhancing Tumor Core | 不强化的肿瘤核心成分，脑膜瘤语境下多为钙化与纤维化 |
| 瘤周高信号 | SNFH / Surrounding Non-Enhancing FLAIR hyperintensity | 瘤周非强化 FLAIR 高信号，脑膜瘤语境下对应压迫性血管源性水肿 |
| 全肿瘤 | WT / Whole Tumor | 复合区 ET+NET+SNFH，分割评测外圈 |
| 肿瘤核心 | TC / Tumor Core | 复合区 ET+NET |
| 逐病灶评测 | Lesion-wise evaluation | 对多灶病变逐个病灶计算指标再汇总；漏检单灶该灶记 0 分 |
| Dice 系数 | DSC / Dice Similarity Coefficient | 分割重叠度指标，2×交集÷两集合之和 |
| 95% 豪斯多夫距离 | 95HD / 95% Hausdorff Distance | 边界距离指标，截断最差 5% 后的最大边界距离 |
| 硬膜尾征 | Dural tail sign | 脑膜瘤附着处硬膜强化的尾状影像征象；MEN-RT 术前靶区约定纳入结节状部分 |
| 大体肿瘤体积 | GTV / Gross Tumor Volume | 放疗术语，影像可见的肿瘤总体积 |
| 靶区 | Target volume | MEN-RT 单标签，涵盖 GTV 与术后风险区（切除腔边缘+残留强化） |
| 放疗规划 | Radiotherapy planning | 基于定位影像设计照射剂量分布的临床过程，MEN-RT 的目标场景 |
| 立体定向放射外科 | SRS / Stereotactic Radiosurgery | 单次大剂量精准照射，脑膜瘤放疗路径之一 |
| SRI24 模板 | SRI24 atlas | 基于多例 MRI 平均的颅脑解剖模板，BraTS 预处理配准目标空间 |
| 颅骨剥离 | Skull-stripping | 去除颅骨与头皮、仅保留脑组织的预处理；对轴外肿瘤不友好（90.3% 贴边实证） |
| 去面 | Defacing | 匿名化处理：移除/替换 MRI 中的面部特征；MEN-RT 用 AFNI 自动去面+人工质检 |
| FeTS 工具链 | FeTS preprocessing | Federated Tumor Segmentation 项目产出的统一预处理管线（转换/配准/重采样/去颅骨） |
| MLCube | MLCube | ML 模型容器化打包规范，BraTS 挑战的标准提交形态 |
| MONAI | MONAI | 医学影像开源深度学习框架（NVIDIA/King’s College London 等），冠军方案所用 |
| Auto3DSeg | MONAI Auto3DSeg | MONAI 的自动分割方案搜索/训练/集成工具，NVAUTO 的框架层 |
| SegResNet | SegResNet | 基于 ResNet 块的 U-Net 型分割网络，NVAUTO 选定的架构 |
| STU-Net | STU-Net | 可扩展可迁移的 U-Net 变体，在 TotalSegmentator 上预训练，blackbean 方案核心 |
| nnU-Net | nnU-Net | 自配置 U-Net 分割框架，医学分割强基线；MEN-RT 预分割与亚军方案均用 |
| WHO 分级 | WHO grading | 脑膜瘤病理分级（I 良性 / II 非典型 / III 间变），数据集临床元数据之一 |
| CBTRUS | Central Brain Tumor Registry of the US | 美国脑肿瘤登记统计机构，本条目流行病学数字来源 |
| Synapse | Synapse (Sage Bionetworks) | 生物医学数据平台，BraTS 2023 起家族主托管平台 |
| TCIA | The Cancer Imaging Archive | NCI 资助的医学影像归档库；BraTS-PEDs 走此渠道而脑膜瘤支线走 Synapse |
| MELBA | Machine Learning for Biomedical Imaging | 生物医学影像机器学习开源期刊，2023 MEN 挑战论文正刊 |
| ITK-SNAP | ITK-SNAP | 开源医学影像分割/复核软件，MEN-RT 逐层人工修正的工作台 |
| dcmrtstruct2nii | dcmrtstruct2nii | 开源转换库：放疗 DICOM-RT 结构集 → NIfTI 掩码，MEN-RT 数据生产工具 |
| AFNI | Analysis of Functional NeuroImages | 神经影像分析工具箱，其自动去面算法用于 MEN-RT 匿名化 |
| refacing | Refacing | 用合成人脸替换真实面部的匿名化路线，保留更多头部解剖（论文建议的未来方向） |
| TPS | Treatment Planning System | 放疗计划系统，临床剂量计算与 PTV 生成环节，MEN-RT 模型的下游 |
| ICRU | International Commission on Radiation Units & Measurements | 定义 GTV/CTV/PTV 等放疗量学概念的国际委员会 |
| GoAT | Generalizability Across Tumors | BraTS 2026 集群的跨肿瘤泛化设计（验证集混入未见瘤型），MEN 以题型形式参与 |
| CTV / PTV | Clinical / Planning Target Volume | 临床靶区（GTV+亚临床风险区）与计划靶区（CTV+摆位余量），MEN-RT 标签不涵盖 |
| NIfTI | Neuroimaging Informatics Technology Initiative | 神经影像标准文件格式（.nii/.nii.gz），两实体数据本体格式 |
| DICOM-RT | DICOM Radiotherapy Extensions | DICOM 放疗扩展（结构集/剂量/计划对象），放疗 GTV 的原生载体 |
| FLAIR | Fluid-Attenuated Inversion Recovery | 抑制自由水的 MRI 序列，SNFH 标签的影像学基础 |
| Ga 增强 | Gadolinium-enhanced | 钆对比剂 T1 增强，ET（强化肿瘤）与 MEN-RT 定位像的显影基础 |
| κ | Cohen’s kappa | 标注者间一致性系数（校正随机一致），本数据集未发布——对比组金标准的常见指标 |
| SaMD | Software as a Medical Device | 软件医疗器械监管分类概念，临床部署讨论的框架词 |
| SRI24 | SRI24 atlas | 基于 24 名健康人多次 MRI 平均构建的颅脑模板，BraTS 家族配准目标空间 |
| 钙化 | Calcification | 脑膜瘤常见病理改变，CT 高密度/MRI 低信号，本数据集已证实的模型盲区来源 |
| 神经纤维瘤病 2 型 | NF2 / Neurofibromatosis type 2 | 遗传综合征，特征性多发脑膜瘤——数据集多灶命名设计的临床背景之一 |
| 颅骨剥离 | Skull-stripping | 也有译"去皮质/去颅盖"，注意与"去面"（defacing）是两种不同匿名化操作 |
| 掩码 | Segmentation mask | 与影像逐体素对齐的标签图，两实体的标注载体（NIfTI 格式） |
| 复合区 | Composite region | 由体素级标签并合而成的评测区域（TC、WT），评估脚本运行时合成 |
| 多灶性 | Multiplicity | 同一患者多个独立肿瘤病灶的生物学特性，lesion-wise 评测的现实需求来源 |
| 闭榜 | Closed leaderboard | 挑战赛结束后停止或冻结提交评测的榜单状态，官方数字以论文为准 |
| 隐藏测试集 | Hidden test set | 仅官方服务器持有的评测数据，防止过拟合与测试集泄露的行业规范做法 |
| 数据卡 | Data card / datasheet | 数据集的标准化自我说明文档，本条目承担该角色 |
| 概率图 | Probability map | 分割模型输出的逐体素概率，官方评测要求先二值化 |
| 阈值化 | Thresholding | 概率图转二值掩码的操作（0.5 或 argmax），方法学上需声明 |
| 连通域 | Connected component | 3D 空间中相邻体素聚成的区域，多灶预测的后处理与分析单元 |
| 域自适应 | Domain adaptation | 跨机构/设备分布偏移下的模型适应研究，本数据集的机构异质性是该方向素材 |
| 留一交叉验证 | Leave-one-out / leave-one-center-out | 逐中心留出的验证协议，机构泛化评测的严格版本 |
| 决策支持 | Decision support | 临床 AI 的合规定位——辅助医师而非替代签字，MEN-RT 输出的制度属性 |
| 剂量梯度 | Dose gradient | 现代放疗剂量分布的陡峭程度，靶区勾画精度价值的物理来源 |
| 影像组学 | Radiomics | 从影像中提取定量特征的学科方向，本数据集的亚区标注可支撑特征研究 |
| 弱监督 | Weak supervision | 用粗粒度标签（如 bbox）训练的范式，Q63 提醒其在本数据集上的机会成本 |
| 检出/筛查 | Detection / Screening | 需要阴性对照的任务类型，全阳性数据集不覆盖（Q56） |
| 弥散加权 | DWI / Diffusion-weighted imaging | 本数据集不含的序列（Q57），鉴别诊断研究的外部补充项 |
| 版本策略 | Versioning strategy | 数据集固定版本+注明下载时点的引用纪律（Q37） |
| 长尾分布 | Long-tail distribution | 少数硬病例主导均值表现的分布形态，median/average 落差的统计根源 |
| 域偏移 | Domain shift | 训练与部署数据分布不一致的现象，机构异质性是其在医学影像的主形态 |
| 幻觉护栏 | Hallucination guard | 本条目 §10/附录 I 针对高频误答（口径/许可/届次）设置的对照机制（Q80） |
| 训练集 | Training set | 附带标注、可自由使用的公开分区（MEN 1,000 例 / MEN-RT 500 例） |
| 短论文 | Short paper | MICCAI 挑战赛参赛队伍提交的方法摘要文献，提交容器时的随附材料 |
| 资格审查 | Qualified review | MEN-RT 站点提交 GTV 需经专家评估方可入集的质控环节 |
| 影像参数 | Imaging parameters | 场强/TR/TE/分辨率等采集参数，MEN-RT 元数据表逐例记录 |
| 评测面 | Evaluation surface | 数据切分+指标实现+病灶定义共同构成的比较前提，榜单可比性的边界 |
| 亚区分层 | Per-compartment stratification | 按 ET/TC/WT 分别报告性能的分析习惯，本条目的核心方法论主张之一 |
| 病例号 | Case ID | BraTS-MEN-xxxxx-xxx 三段命名中的标识结构（项目-病例-病灶） |
| 终审 | Final approval / approver | 标注流水线的最后一道质控（签字人：神经放射专家 EC） |
| 随访信息 | Follow-up / outcome data | 生存与结局字段，本数据集不含（Q79） |
| 口径 | Metric/scope convention | 数字统计的边界约定（病例 vs 患者、公开 vs 全量、median vs average） |
术语排序按主题聚簇（肿瘤学→影像序列→标签体系→评测→放疗→平台工具→数据治理），跨簇检索用编辑器全文搜索英文列即可。
附录
附录 A：DAIMS 数据集评估卡
DAIMS（Data Accessibility, Interoperability, Metadata, Sustainability）五维评估，本条目按公开可得证据打分（0-5 分制）：
| 维度 | 得分 | 评分依据 |
|---|---|---|
| Data Quality 数据质量 | 4.5/5 | 六中心多机构来源；三亚区专家终审；统一 FeTS 预处理；扣分项：无标注者间一致性量化（无 kappa）、约 10% MEN-RT 标签预分割起点、钙化亚型稀缺 |
| Accessibility 可获取性 | 4/5 | Synapse 注册制公开直链（MEN-RT 有 DOI 与分步指南）；第三方 HuggingFace 整装版辅助；扣分项：测试集 463 例永不公开、验证集无标注、注册与条款门槛 |
| Interoperability 互操作性 | 4.5/5 | NIfTI 标准格式、BraTS 家族统一命名规范、即插即用于 nnU-Net/MONAI 生态；扣分项：MEN-RT 原生分辨率与 2023 体规格不统一（有意设计但增加跨实体管线成本） |
| Metadata 元数据丰富度 | 4/5 | 患者年龄/性别/分级（2023 体）+ 逐例临床与影像参数表（2024 体）；扣分项：标注者信息未披露、无扫描仪型号/厂商字段明示 |
| Sustainability 可持续性 | 4/5 | NIH NCI/ITCR 双基金支撑、2025 Lighthouse 延续、2026 集群收编题型、Synapse 平台长期维护；扣分项：许可条款随平台政策变动、MEN 2023 体的长期独立维护路径未明示 |
| 总分 | 21/25 | 医学影像挑战赛数据集第一梯队水准；短板集中在标注过程透明度与测试集不可得性（后者为评测公平性的必要代价） |
打分口径说明：A 列（可获取性）的扣分主要来自"非自愿摩擦"（测试集保密、注册门槛），这些是评测公平性的制度代价而非数据缺陷，解读时应与真正的质量问题（D 列扣分）区分开；I 列的 MEN-RT 扣分（原生分辨率）是设计选择而非疏漏。与库内金标准 panda-plus（20/25 量级，请求制注释拉低 A 列）横向对比，本家族赢在获取通道，输在标注一致性统计的缺位。
附录 B：三个规模口径对照存照表
| 口径 | 数值 | 出处 | 性质 | 采信建议 |
|---|---|---|---|---|
| 官方挑战口径 | 1,424（1,000+141+283） | MELBA 2025 论文摘要与 Results | 一手 | 主口径 |
| 第三方 GitHub 口径 | 1,650（6 centers） | Awesome-Medical-Dataset 仓库 | 二手，与官方差 226 无解释 | 存疑，不引用 |
| 公开影像口径 | 1,141（1,000+141） | arXiv 2607.28858 | 一手推算（公开可得子集） | 讲"可下载影像"时用 |
| MEN-RT 官方口径 | 750（500+70+180） | Sci Data 2026 论文 | 一手 | 主口径 |
| MEN-RT 公开口径 | 571（500+1+70） | HuggingFace 整装版 | 二手整装 | 讲"公开例数"时用 |
| 库内综述口径 | “571 训练 + 70 验证” | rid=24 brats 条目 | 二手转述（口径误置） | 不采信，本条目已修正 |
附录 C：2023 MEN 官方榜单全表（一手数字复录）
| 队伍 | ET DSC avg(med) | TC DSC avg(med) | WT DSC avg(med) | ET 95HD avg(med) | TC 95HD avg(med) | WT 95HD avg(med) |
|---|---|---|---|---|---|---|
| NVAUTO | 0.899（0.976） | 0.904（0.976） | 0.871（0.964） | 23.9（0.96） | 21.8（1.0） | 31.4（1.0） |
| CNMC_PMI2023 | 0.876（0.968） | 0.867（0.968） | 0.851（0.953） | 30.0（1.0） | 31.7（1.0） | 35.2（1.62） |
| blackbean | 0.870（0.969） | 0.879（0.969） | 0.845（0.957） | 34.3（1.0） | 29.9（1.0） | 41.2（1.0） |
| Sherlock | 0.854（0.958） | 0.850（0.959） | 0.831（0.945） | 34.3（1.07） | 35.1（1.93） | 39.7（1.94） |
| Kurtlab-UW | 39.9（2.0）起为 95HD 列 | 45.9（2.0） | 56.0（1.05） | — | — | — |
| huilin | 0.830（0.959） | 0.820（0.958） | 0.761（0.897） | 46.9（1.0） | 47.7（1.41） | — |
| i_sahajmistry | 0.799 起 | — | — | — | — | — |
| 尾部队伍 | —（0.092 量级） | 0.241±0.290 | — | — | — | — |
注：DSC 为无量纲 [0,1]；95HD 单位 mm（论文 Table 3 口径）。均值±标准差与中位数并报；"—"为论文复录时未提取到的单元格，引用时以论文原表为准。
复录纪律：本表仅复录论文公开表格的头部名次与关键数字用于检索锚定；任何基于本表的再计算（名次变化、差值、相关性）都必须回到论文原表复核，因为复录过程中的截断与舍入不允许参与二次运算。
附录 D：数据实体规格对照卡
| 属性 | BraTS-MEN 2023 | BraTS-MEN-RT 2024 |
|---|---|---|
| 官方数据名 | BraTS Pre-operative Meningioma Dataset | BraTS-MEN-RT Dataset |
| 挑战冠名 | ASNR-MICCAI BraTS 2023 Intracranial Meningioma Segmentation Challenge | BraTS 2024 Meningioma Radiotherapy Challenge（2025：BraTS-Meningioma-RT） |
| 规模 | 1,424（1,000/141/283） | 750（500/70/180） |
| 影像 | T1/T1Gd/T2/T2-FLAIR 四序列 | 3D T1c 单序列 |
| 空间规格 | SRI24 配准、1mm³、240×240×155、去颅骨 | 原生采集空间与分辨率、去面（AFNI） |
| 标签 | ET/NET/SNFH 体素级 + TC/WT 复合 | 单 target volume（GTV/术后靶区） |
| 临床元数据 | 年龄、性别、分级 | 临床数据 + 影像参数 xlsx |
| 托管 | Synapse（cluster wiki syn51156910） | Synapse DOI 10.7303/syn59059779 |
| 许可 | Synapse 使用条款 | CC-BY-NC |
| 标注起点 | 机构标注者手工 | 机构 GTV（90%）/ nnU-Net 预分割（10%） |
| 终审 | 神经放射专家（EC）逐例批准 | 放疗住院医逐层复核 + 神经放射专家终审 |
| 评测 | lesion-wise DSC + 95HD（MLCube 容器） | lesion-wise DSC + 95HD |
| 保密集 | 测试 283 例永不发布 | 测试 180 例永久保密 |
| 核心论文 | MELBA 2025, DOI 10.59275/j.melba.2025-bea1 | Sci Data 2026, DOI 10.1038/s41597-026-06649-x；arXiv:2405.18383 |
| Funding | NCI/ITCR U01CA242871（体系共享） | NCI/ITCR U24CA279629 + U01CA242871 |
附录 E：赛道沿革时间线
| 时点 | 事件 |
|---|---|
| 2012-2022 | BraTS 以成人胶质瘤为主赛道连续举办（库内 brats rid=24 综述覆盖期） |
| 2023-05 | BraTS 2023 Cluster of Challenges 开赛；MEN 训练集发布（1,000 例带标注） |
| 2023-06 | MEN 验证集发布（141 例，无标注） |
| 2023-07~08 | 验证阶段：队伍微调模型 + 撰写短论文 + 上传 MLCube 容器 |
| 2023-10 | MICCAI 2023（Vancouver）颁奖；NVAUTO 夺冠 |
| 2024-05-16 | MEN 挑战论文挂 arXiv（2405.09787v1） |
| 2024-05-28 | MEN-RT 挑战设计论文挂 arXiv（2405.18383）——首届放疗规划 BraTS 挑战 |
| 2024-05 下旬~10 | MEN-RT 数据挂 Synapse，挑战进行 |
| 2025-03-07 | MEN 论文 v2 更新（MELBA 接收版） |
| 2025 | MELBA 3 (2025) 正刊出版（DOI 10.59275/j.melba.2025-bea1） |
| 2025 | MICCAI 2025 Lighthouse 挑战延续 BraTS-Meningioma-RT 赛道 |
| 2026 | MEN-RT 数据集论文见刊 Sci Data（DOI 10.1038/s41597-026-06649-x）；BraTS 2026 集群把脑膜瘤题型混入 GoAT 验证集 |
| 2026-10-09 | 本条目核验成稿（agent-d-bratsmenin，库内 AI-Ready Wikipedia） |
附录 F：引用条目清单
- LaBella D, Baid U, Khanna O, … Calabrese E. Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge. Machine Learning for Biomedical Imaging 3 (2025). DOI: 10.59275/j.melba.2025-bea1. arXiv:2405.09787.
- LaBella D, Calabrese E, et al. Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation. arXiv:2405.18383 (2024).
- LaBella D, Calabrese E, et al. The 2024 Brain Tumor Segmentation Challenge Meningioma Radiotherapy (BraTS-MEN-RT) dataset. Scientific Data (2026). DOI: 10.1038/s41597-026-06649-x.
- Pati S, et al. The FeTS Initiative: Federated learning initiative … (FeTS 预处理工具链引用，2022).
- Calabrese E, LaBella D (2023). BraTS-MEN 挑战设计文档（Synapse 挑战页口径，挑战论文引用标记）。
- Huang Z, et al. Evaluating STU-Net for Brain Tumor Segmentation（blackbean 方案技术报告，2023）。
- Myronenko A, et al. MONAI / Auto3DSeg 框架文献（NVAUTO 方案框架引用，2023）。
- Ostrom QT, et al. CBTRUS Statistical Report: Primary Brain and Other Central Nervous System Tumors Diagnosed in the United States, 2016-2020. Neuro-Oncology 25(Suppl 4) (2023)（流行病学口径）。
- GitHub: Awesome-Medical-Dataset BraTS2023-MEN 资源页（第三方统计口径存照）。
- HuggingFace: Aff77/BraTS-2024-Complete 数据卡（第三方整装口径存照，huggingface.co/datasets/Aff77/BraTS-2024-Complete）。
- GitHub: xxxmian/Awesome-Medical-Dataset 资源页 BraTS2023-MEN.md（第三方统计口径存照，github.com/xxxmian/Awesome-Medical-Dataset）。
- LaBella D, et al. A Unified Benchmark of Deep Learning Models for Multi-task 3D Brain Tumor Segmentation from MRI. arXiv:2607.28858 (2026)（第三方使用记录与 1,141 口径来源）。
- BraTS 挑战赛方法学综述（PMC11945730，2012-2025 回顾）——MEN-RT 标注协议与测试集双套复核口径的旁证。
附录 G：库内互链速查表
| 目标条目 | rid | 链接占位 | 关系 |
|---|---|---|---|
| brats | 24 | https://www.qianfanghub.com/ai-ready-dataset/brats/0 | 系列总览上游 |
| brats-2026 | 931 | https://www.qianfanghub.com/ai-ready-dataset/brats-2026/0 | 年度集群（GoAT 混入 MEN 题型） |
| brats-pediatric | 688 | https://www.qianfanghub.com/ai-ready-dataset/brats-pediatric/0 | 同代子赛道（PED） |
| brats-africa | 683 | https://www.qianfanghub.com/ai-ready-dataset/brats-africa/0 | 同代子赛道（非洲胶质瘤） |
| fets | 476 | https://www.qianfanghub.com/ai-ready-dataset/fets/0 | 联邦学习姊妹赛事 |
| totalsegmentator | 422 | https://www.qianfanghub.com/ai-ready-dataset/totalsegmentator/0 | 季军方案预训练母体 |
| upenn-gbm | 462 | https://www.qianfanghub.com/ai-ready-dataset/upenn-gbm/0 | 脑肿瘤 MRI 参考（胶质瘤对照） |
| ucsf-pdgm | 469 | https://www.qianfanghub.com/ai-ready-dataset/ucsf-pdgm/0 | 脑肿瘤 MRI 参考 |
| rembrandt | 455 | https://www.qianfanghub.com/ai-ready-dataset/rembrandt/0 | 经典脑肿瘤 MRI |
| tcia | 547 | https://www.qianfanghub.com/ai-ready-dataset/tcia/0 | 托管平台对照（TCIA vs Synapse） |
上表的 rid 为库内发布态 record_id（2026-10-09 查证）；链接为库内占位 URL 格式。互链类型上，brats/brats-2026 属"血缘链"（家族关系）、PED/Africa/fets 属"同代链"（平行赛道）、totalsegmentator 属"方法链"（技术上游）、upenn-gbm/ucsf-pdgm/rembrandt/tcga 属"对照链"（同器官异瘤种）、tcia 属"平台链"（托管分流）。互链算法按 category_tags 计算相关度时，本条目的 MRI+医学图像分割+脑肿瘤+挑战赛数据集组合会自然导向 BraTS 家族与分割基准类条目。
尾注
本条目由千方病案医数集 AI-Ready Wikipedia 项目编写，事实核验时点 2026-10-09；核心数字以 MELBA 2025 正刊论文与 Scientific Data 2026 数据集论文为最终依据，第三方口径出入已在附录 B 与 §10 存照。数据使用请遵守 Synapse 现行条款与 CC-BY-NC 许可，商用前回官方平台核验。条目内容仅供研究参考，不构成临床建议。
附录 H：AI-Ready 光谱定位自评
按本库 AI-Ready 评测习惯，对两实体在"拿到数据到跑通第一个模型"路径上的摩擦力逐项打分（5 分=零摩擦）：
| 环节 | 2023 MEN | 2024 MEN-RT | 摩擦点说明 |
|---|---|---|---|
| 发现与检索 | 4 | 4.5 | 论文与 DOI 完整；MEN 子页藏在 cluster wiki 树内 |
| 获取 | 3.5 | 4 | Synapse 注册+条款；MEN-RT 有分步指南 |
| 格式接入 | 5 | 4.5 | NIfTI+家族命名规范即插即用；MEN-RT 原生分辨率需自建重采样决策 |
| 标签可用性 | 4.5 | 4.5 | 体素掩码即用；MEN-RT 单标签需理解两套场景语义 |
| 元数据接入 | 4 | 4.5 | 三字段临床元数据；MEN-RT xlsx 更全 |
| 评测对齐 | 3 | 3 | 验证集无标注、测试集黑箱——所有 BraTS 家族共同摩擦 |
| 许可清晰度 | 3.5 | 5 | 条款需现查 vs CC-BY-NC 论文明示 |
| 综合 | 3.9 | 4.2 | 家族成熟梯队的典型水位 |
附录 I：常见误引与事实修正对照表
| 流传说法 | 实核事实 | 修正依据 |
|---|---|---|
| BraTS-MEN 有 1,650 例 | 官方 1,424 例（1,000/141/283） | MELBA 论文摘要 |
| MEN-RT 是 2023 届赛道 | MEN-RT 2024 首届；2023 只有术前分割 MEN | arXiv:2405.18383 自述 |
| MEN-RT 有 571 例训练数据 | 500 训练+70 验证公开，571 是公开总数（含 1 例附加） | Sci Data 论文 Data Records |
| 测试集有标注可申请 | 测试集标注永不公开（两体均然） | 论文 Table 1 + Sci Data |
| SNFH 就是水肿标签（同胶质瘤 ED） | 语义相近但病理机制不同（压迫性 vs 浸润性） | 论文标签定义 |
| 数据在 TCIA 托管 | 脑膜瘤支线官方托管是 Synapse（TCIA 为 PED 支线路径） | Sci Data + 挑战论文 |
| 冠军 Dice 是 0.976（平均） | 0.976 是 median；average 是 0.899 | 论文摘要明示两口径 |
| 验证集 141 例有标注 | 验证集只有影像，标注保密仅在线打分 | 论文 §2 |
附录 K：核验方法学附记
本条目事实核验于 2026-10-09 执行，方法与预算留痕如下，供接管代理与审校参考：
- 三轮存在性核验：WebSearch ×3（①BraTS-MEN 挑战+TCIA 泛搜；②MEN-RT 放疗赛道+Synapse 定向；③Meningioma-SEG-2023 TCIA 收藏定向——未获直接证据）；WebFetch ×2（arXiv abs 页成功、arXiv HTML 页空返回后按纪律换源）；curl ×3（arXiv 2405.09787v2 全文 HTML 211KB、arXiv 2405.18383v1 全文 HTML 58KB 均成功落私有区，关键词提取用 python 本地完成不耗网络预算）。
- 三源互证达成：规模/序列/标签/结果（论文一手 + GitHub 第三方 + Lacuna/NEON 转述）；MEN-RT 规模/许可（Sci Data 论文 + 挑战设计论文 + HF 整装版）；机构（论文 affiliation + Lacuna）。
- 库内交叉：rid=24 综述 content 全文导出（490KB）检索 MEN 相关段（8 处命中，全部浅层提及）；qf_psql 查重两次（brats/meningioma LIKE + 互链 rid 反查）。
- 预算执行：WebSearch 3/3、WebFetch 2/6、bash 均在 60 秒内、无重试循环。
- 遗留疑点移交：TCIA 脑膜瘤收藏、2023 MEN 子页 synID、Synapse 条款逐字文本、标注者人数与患者级去重数——四项均已在 FACTS §9 与正文 §10/附录 登记，接管者可循线索补核。
附录 L：遗留疑点登记表（对应 FACTS §9）
| # | 疑点 | 现有证据 | 补核路径 | 影响 |
|---|---|---|---|---|
| 1 | TCIA 是否存在脑膜瘤独立收藏（类比 BraTS-PEDs） | WebSearch 定向未获直接证据 | 登录 TCIA 检索 Meningioma/BraTS 收藏列表 | 若存在则获取节需补 TCIA 路径 |
| 2 | 2023 MEN 子挑战页 Synapse ID | cluster 主 wiki syn51156910（论文一手） | 登录 Synapse 导航 cluster wiki | 获取节可给直链 |
| 3 | 2023 MEN 数据许可逐字条款 | 家族口径"Synapse 使用条款" | Synapse 页面条款文本快照 | 合规节精度 |
| 4 | 标注者人数/每人例数/患者级去重数 | 论文未披露 | 联系作者或官方 FAQ | §3.1 与 §2.7 精度 |
| 5 | 1,650 第三方口径的构成 | GitHub 仓库未解释 | 询问仓库维护者或核对原始打包 | 附录 B 定性 |
附录 M：条目版本说明
- v1.0（2026-10-09）：agent-d-bratsmenin 首次成稿。核验时点 2026-10-09；正文主口径以 MELBA 2025 与 Sci Data 2026 两篇一手论文为锚；口径冲突按附录 B 处置；四项半遗留疑点登记于附录 L（第 5 项为低优先级）。
- 预期维护触发点：①TCIA 出现脑膜瘤收藏；②Synapse 条款重大变更；③2026 集群后 MEN-RT 赛道再演进（新届次论文发布）；④库内 rid=24 综述条目修订 MEN 数字时的回链校对。
附录 B 补：规模口径决策树
需要引用 BraTS-MEN 数据规模？
├── 写论文/官方语境 ──→ 1,424（1,000 训练 / 141 验证 / 283 测试）【MELBA 论文】
├── 描述"能下载的影像量" ──→ 1,141（1,000 + 141）【arXiv 2607.28858 口径】
├── 描述"带标注可训练量" ──→ 1,000
├── 看到 1,650 ──→ 第三方 GitHub 口径，无解释，不要引用（坑 2）
└── 涉及 MEN-RT ──→ 总 750；公开 570-571（500 训练 + 70 验证 [+1 附加]）；测试 180 永久保密
附录 N：与库内金标准条目的结构对照
本条目结构沿用 panda-plus（库内金标准）骨架并按双实体题材做了三处适配，供审校对照：
| 结构段 | panda-plus（金标准） | 本条目 | 适配理由 |
|---|---|---|---|
| frontmatter | 单数据集单实体 | 双实体并列（title/license/patient_count 均分层表述） | MEN 与 MEN-RT 许可/规模不可合并陈述 |
| §1 速览 | 十问十答 | 十问十答 + §1.1 角色导航 + §1.2 数据卡 | 双实体信息密度高，需三入口分流 |
| §2-§5 主体 | 单线叙事（数据→流水线→发现→衍生基准） | §2 数据（双实体并列）→ §3 流水线（两代对照）→ §4 挑战基准 → §5 MEN-RT 专章 | 2024 赛道场景切换需要独立章节承载 |
| §6 获取 | 三层异构许可 | 两层许可+三入口+永不公开测试集 | 许可结构不同（同构思想：分层拆解） |
| §10 避坑 | 八个已踩过的坑 | 八坑+§10.5 速查表 | 沿用坑点编号制，增加自查表 |
| 尾部 | FAQ 32 问+事实清单 36+术语 30 | FAQ 60 问+事实清单 36+术语 44 | 双实体倍增问答需求 |
注：上表数字为两条目 v1.0 成稿时点的对照；FAQ 实际 93 问、术语 79 条（与各节标题计数一致），差异源于双实体题材的问答密度高于单实体金标准——审校时以实际标题计数为准。
附录 O：获取路径决策图
你的需求是？
├── 训练脑膜瘤分割模型（四序列科研口径）
│ └── Synapse 注册 → cluster wiki syn51156910 → MEN 子页 → 训练包（1,000 例+掩码）
├── 训练放疗靶区勾画模型（临床口径）
│ └── Synapse DOI 10.7303/syn59059779 → Access Steps 文档 → 三包分下
├── 快速原型/教学演示
│ └── HuggingFace Aff77/BraTS-2024-Complete（MEN-RT 571 例整装，核验许可标签）
├── 在线打分（不出本地预测服务器）
│ └── MLCube 容器 → Synapse 提交口 → 官方榜单（是否仍开放以页面为准）
└── 想要测试集/原始 DICOM/生存信息
└── 公开渠道不存在（§6.2 第 4 条）→ 机构合作路径或改换研究问题
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-met — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 脑肿瘤 / 肿瘤学
- brainptm-2021 — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 脑肿瘤 / 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 / 挑战赛数据集 / 脑肿瘤
- trackrad — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 肿瘤学
- crossmoda-2023 — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 脑肿瘤
- brats-pediatric — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 脑肿瘤
- panda-cms — 共享标签：医学影像 / MRI / 医学图像分割 / 脑肿瘤 / 肿瘤学
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。
