信息速览
INFOBOX — Cell Tracking Challenge 一屏速览
维度 内容 本质 细胞/细胞核在时序显微视频中分割、关联与追踪的客观基准（benchmarking initiative），非单一数据集 主办 Centre for Biomedical Image Analysis (CBIA)，Masaryk University, Brno（捷克布尔诺马萨里克大学） 起点 2012 年发起，运行逾十年；固定截止日期赛 6 届（ISBI 2013/2014/2015/2019/2020/2021），第 7 届 ISBI 2024 在线投稿 自 2017-02 起月度评估、排名与公布 三大基准 CTB（分割+追踪）、CSB（仅分割）、CLB（仅关联，2024 引入） 数据规模 20 个数据集（2D+t 10 + 3D+t 10）；CTB/CSB 各含 13 个评测数据集 模态 荧光 Fluo / 相差 PhC / 明场 BF / 微分干涉相差 DIC 维度 2D+t 与 3D+t；真实与计算机合成（SIM/SIM+）并存 对象物种 人（HeLa/肺癌/乳腺癌）、小鼠、大鼠、线虫 C. elegans、果蝇、拟谷盗 标注层级 gold truth（金标准追踪/分割）+ silver reference（银参考分割，覆盖 13 个数据集） 核心度量 SEG（Jaccard）、TRA（AOGM）、DET、LNK、BIO（CT/TF/BC/CCA） 综合指标 OPCSB=0.5(DET+SEG)｜OPCTB=0.5(SEG+TRA)｜OPCLB=0.5(LNK+BIO) 里程碑论文 Bioinformatics 2014｜Nature Methods 2017（21 算法/13 数据集）｜Nature Methods 2023（89 算法/20 数据集） 规模跨度 单数据集 36 MB（Fluo-C2DL-Huh7）至 467 GB（Fluo-N3DL-TRIF 测试集） 获取 全部数据集对任何人开放下载（训练集含标注/测试集不含）；注册后投稿 许可 自定义使用条件，非 CC BY：CTC 用途免许可；公开非 CTC 科研需许可；商业用途双重许可；严禁克隆数据集 库内互链 cholectrack20（rid 886）、trackrad（rid 669）等追踪类基准
Cell Tracking Challenge 是生物医学图像分析领域运行时间最长、影响力最广的细胞分割与追踪"公开擂台"之一。它不做一次性发榜，而是自 2012 年起持续维护一套带金标准的时序显微视频库，并自 2017 年起以月度评估的方式让算法排名滚动更新——十多年间，它从一个 ISBI 卫星挑战赛成长为该领域公认的参考基准，其评测流程与度量（尤其 TRA 所依赖的 AOGM 图匹配框架）被后续大量细胞追踪工作直接沿用。本条目要讲清的是：这个基准的数据结构（20 个数据集、四模态、二维三维、真实与合成）、评测机制（三基准五度量到三综合指标的换算链）、许可边界（一套常被误读为 CC BY 的自定义条款），以及它作为 AI-Ready 资源的可用性与坑点。
导语读法三则：
- 只想下数据跑算法：直奔 §2 数据构成与 §6 获取与许可——注意训练集才含参考标注，测试集是"盲测"，且许可不是 CC BY。
- 关心评测怎么算分：直奔 §4 评估方法论——从 SEG/TRA/DET/LNK 到 OPCTB 的换算链一页讲清。
- 选型或复现基准：直奔 §3 数据集全景与 §7 生态与影响——13 个评测集 vs 20 个存储库集的口径差异（坑 1）务必先看。
§0 导读：这个基准解决什么问题
细胞是活的、动的、会分裂的。要理解细胞迁移、组织发育与疾病机制，研究者需要用显微成像把细胞在时间维度上"跟住"——不仅要逐帧把每个细胞或细胞核的边界勾出来（分割），还要判断第 t 帧的某个细胞是不是第 t+1 帧的同一个细胞（关联），并把整个谱系还原成一棵分裂树（追踪）。这三件事今天的算法都能做，但"做得好不好"缺少统一裁判：不同团队用不同数据、不同指标、不同后处理，数字互不可比。
Cell Tracking Challenge 的回答是一套标准赛道 + 标准裁判。标准赛道是 20 个带参考标注的时序显微数据集，覆盖从二维培养皿到三维胚胎的多种真实场景，并配以计算机合成序列（这些序列有"完美"标注，可用于受控实验）。标准裁判是一套从图匹配理论导出的度量：把算法输出和参考标注都表示为"无环有向图"（每个细胞是顶点、时序关联是边、分裂是分叉），然后用改造成本衡量两者的差异——差距越小，分数越高。这套 AOGM（Acyclic Oriented Graph Matching）框架的妙处在于，它把"检测"“分割”“关联”"追踪"拆成可分别计量的子问题，从而让不同能力的算法能在同一把尺子下比较。
§0 读法三则：
- 这是"基准"而非"数据集"：同一条目里既有数据存储库（20 个数据集）、评测基准（CTB/CSB/CLB 三榜）、也有评测软件（公开的 EvaluationSoftware.zip）。
- 全文硬数字均可回溯到官网 datasets/history/evaluation 页与三篇里程碑论文；候选情报"CC BY 4.0"与"9 个赛项"与官网不符，已在坑 1、坑 2 存照。
- 若你只想找"某个具体数据集"，请先看 §2 的 2D/3D 全表——命名代码（如 Fluo-N2DL-HeLa）本身就编码了模态、对象、维度与难度。
为什么细胞追踪是"难问题"
如果不熟悉这个领域，可能疑惑：追踪细胞有什么难的？难点至少有六层：
- 形变：细胞是柔软的，边界随迁移不断变化，同一细胞在不同帧形状差异很大，无法用固定模板匹配；
- 接触：密集场景中细胞相互贴靠甚至重叠，分割时难以切开，关联时难以区分谁是谁；
- 分裂：细胞有丝分裂时一分为二，追踪算法必须识别"一个轨迹在此终止、两个新轨迹在此诞生"，且分裂前后形态剧变；
- 进出视野：细胞会移入或移出成像区域，轨迹有头有尾，不能假设每个细胞全程可见；
- 成像差异：荧光、相差、明场、DIC 的成像机理完全不同，一个算法在荧光上奏效未必在明场上可用；
- 维度：3D 时序是"三维空间 × 时间"，数据量与计算复杂度陡增，且 Z 轴常有各向异性与采样不足。
正是这六层难点，使得"细胞追踪"至今没有单一统治性算法，也使得一个统一、客观、持续的基准（CTC）具有不可替代的价值：它把这些问题分解成标准化的赛道，让不同方法在同一把尺子下比较进步。
§1 数据集速览：十问十答
Q1：Cell Tracking Challenge 到底是一个数据集还是一场竞赛？
两者都是。它是"基准 + 存储库 + 在线榜单"的组合体：既有可供下载的 20 个数据集，又有持续接收投稿并月度排名的三个榜单，还公开评测软件。官方措辞是 benchmarking initiative（基准计划）。
Q2：它运行多久了，谁在办？
2012 年发起（launched），运行逾十年。主办方是捷克布尔诺的 Masaryk University 生物医学图像分析中心（CBIA），核心联系人 Martin Maška；计算资源由 Czech-BioImaging 项目与 IT4Innovations 国家超算中心支撑。
Q3：一共多少个数据集？为什么有的地方说 13、有的说 20？
存储库共 20 个（2D+t 10 + 3D+t 10）；而当前 CTB 与 CSB 各纳入 13 个参与排名评测。20 是"拥有的"，13 是"在榜上比试的"，两者并存不矛盾（详见坑 1）。
Q4：数据覆盖哪些成像模态和维度？
四模态：荧光（Fluo）、相差（PhC）、明场（BF）、微分干涉相差（DIC）；维度跨 2D+t 与 3D+t；既有真实数据也有计算机合成数据（SIM/SIM+）。
Q5：标注分几种？
两种层级：gold truth（金标准，手工追踪/分割参考标注，其中部分真实集由 3 名标注者共同产生，并报告标注者间变异）、silver reference（银参考分割标注，覆盖 13 个既有数据集的训练视频，供算法调参）。测试集的参考标注不公开。
Q6：怎么算分？
五个核心度量：SEG（分割，基于 Jaccard）、TRA（追踪，基于 AOGM）、DET（检测，基于 AOGM-D）、LNK（关联，基于 AOGM-A）、BIO（生物准确度，含 CT/TF/BC/CCA）。综合到三个总指标：OPCSB、OPCTB、OPCLB。
Q7：三个基准（CTB/CSB/CLB）有什么不同？
CTB 评"分割+追踪"、CSB 只评"分割"、CLB 只评"关联"（2024 年 ISBI 2024 引入）。CLB 的出发点很实际：很多场景下你拿到的是"不完美但已给定"的分割掩膜，只需把关联做好——于是单独设榜。
Q8：投稿方式是什么？
在线提交，月度评估排名（自 2017-02 起）。分两类：regular submissions（针对单个或少数数据集调优）与 generalizable submissions（跨数据集通用，2023-08 起开放），分开排名。
Q9：要拿数据得先注册吗？
下载数据集不需要注册——官方明说"全部 2D+t 和 3D+t 数据集对任何人开放下载"。注册只是为了投稿参与评测。
Q10：为什么它对 AI-Ready 重要？
它是"基准类资源"的典型样本：数据、评测代码、榜单、方法论论文四位一体，且运行十余年有完整的版本演进史。但它的许可不是通用开源协议，而是自定义条款，AI-Ready 评估必须把这一边界讲清（§6）。
Q11：CTC 与 Cellpose、TrackMate 这类工具有什么关系？
CTC 是基准，Cellpose、TrackMate、StarDist 等是算法/软件。二者关系是"考题与考生"——很多通用细胞分割工具会在 CTC 数据上报告成绩，CTC 榜单也收录了各种参赛算法的实现描述。CTC 本身不提供分割软件，只提供数据、真值与评测。
Q12：为什么这个基准能活十几年？
三个原因：一是需求持续（细胞追踪算法永远有人做）；二是可复现（评测软件公开、榜单透明）；三是自我更新（数据从 2D 荧光扩到 3D 明场，基准从 CTB 增到 CSB、CLB）。一个基准若停止更新，很快会被超越；CTC 靠持续扩充数据集与榜单维持了公信力。
Q13：数据集里的"金标准"到底有多金？
取决于数据集。多数真实集的 gold 标注由 3 名标注者共同产生，官方公开标注者间变异（SEG/TRA 的均值±标准差）——即官方坦承"标准答案有主观差异"。四个数据集（Fluo-N3DH-CE、Fluo-N3DL-DRO、Fluo-N3DL-TRIC、Fluo-N3DL-TRIF）仅有单一手工追踪标注，三个合成集则有数学意义上的完美真值。
Q14：投稿后多久知道成绩？
月度评估。这是 2017-02 起确立的机制：提交后由组织方在非公开测试集真值上评测，每月更新榜单。相比一次性截止的挑战赛，这种滚动机制让算法可以在任何时间点参赛并即时看到相对排名。
Q15：CTC 的数据是"AI-Ready"吗？
部分符合。它具备 AI-Ready 的核心要素（结构化数据、参考标注、评测协议、元数据），但有两个短板：一是许可非标准开源（复用受限），二是测试集真值不公开（外部无法完整复现评测）。因此它是"研究/参赛高度可用、商业/二次分发受限"的资源（详见 §6.3 与附录 B）。
§2 数据构成与规格
2.1 规模、来源与组织构成
Cell Tracking Challenge 的数据存储库由 20 个时序显微数据集组成，按维度分为两组：
- 2D+t 数据集 10 个：明场 2 个（BF-C2DL-HSC、BF-C2DL-MuSC）、DIC 1 个（DIC-C2DH-HeLa）、相差 2 个（PhC-C2DH-U373、PhC-C2DL-PSC）、荧光 4 个（Fluo-C2DL-Huh7、Fluo-C2DL-MSC、Fluo-N2DH-GOWT1、Fluo-N2DL-HeLa）、合成荧光 1 个（Fluo-N2DH-SIM+）。
- 3D+t 数据集 10 个：荧光 7 个（Fluo-C3DH-A549、Fluo-C3DH-H157、Fluo-C3DL-MDA231、Fluo-N3DH-CE、Fluo-N3DH-CHO、Fluo-N3DL-DRO、Fluo-N3DL-TRIC、Fluo-N3DL-TRIF）、合成荧光 2 个（Fluo-C3DH-A549-SIM、Fluo-N3DH-SIM+）。
说明：上式按样本名计数为 1+1+1+…… 逐一列出，3D 真实荧光实为 8 个（含 TRIF），加 2 个合成共 10 个。此处以官网 3d-datasets 页列出的 10 条为准。
数据来源极其多样，覆盖多个物种与多种生物学场景：人源 HeLa 细胞与细胞核、人肺癌（A549/H157）、人乳腺癌（MDA231）、人肝癌细胞（Huh7）、小鼠造血/肌肉干细胞、大鼠间充质干细胞、中国仓鼠卵巢细胞核（CHO）、秀丽隐杆线虫（C. elegans）胚胎、黑腹果蝇（D. melanogaster）胚胎、拟谷盗（T. castaneum）胚胎。数据提供方横跨 Stanford、Erasmus MC、CIMA Pamplona、MIT、University of Washington、HHMI Janelia、Max Planck、University Hospital Heidelberg 等机构。
支撑机构方面，CBIA 隶属 Masaryk University（捷克），评测所需的高性能计算与存储由捷克教育青年体育部大型研究基础设施项目（Czech-BioImaging，LM2023050 与 CZ.02.1.01/0.0/0.0/18_046/0016045）支持；银参考标注的计算在 IT4Innovations 国家超算中心集群上完成；早期评估使用 NVIDIA 捐赠的 Quadro P6000 GPU。
2.2 命名约定与难度编码
CTC 的数据集代码不是随意字符串，而是可解码的约定。以 Fluo-N2DL-HeLa 为例：
Fluo= 荧光显微（另有PhC相差、BF明场、DIC微分干涉相差）；N= 对象类型为细胞核（Nucleus，另有C表示完整细胞 Cell）；2D= 二维（另有3D）；L= 难度/密度标记（Low 低密度、High 高密度，前者通常更稀疏易分）；HeLa= 样本来源缩写。
合成数据集以 SIM 或 SIM+ 结尾（如 Fluo-N2DH-SIM+、Fluo-C3DH-A549-SIM），其中 + 表示该合成集额外提供"完美分割掩膜供关联"。这一命名体系让检索者一眼可判数据集的空间维度、成像方式与生物学对象。
2.3 标注层级：金标准与银标准
CTC 的标注体系分两层，理解这层区分是正确使用数据的前提：
- gold truth（金标准）：真实数据集的参考标注，用于官方评测排名。部分数据集的 gold 标注由 3 名标注者共同产生，官方因此发布"标注者间变异"（inter-annotator variability）——以 SEG 与 TRA 的"均值 ± 标准差"形式给出，提醒使用者：即便是人手标注也并非绝对唯一答案。例外情况是仅存在单一手工追踪标注的数据集（Fluo-N3DH-CE、Fluo-N3DL-DRO、Fluo-N3DL-TRIC、Fluo-N3DL-TRIF），以及无需人手标注的计算机合成集（Fluo-C3DH-A549-SIM、Fluo-N2DH-SIM+、Fluo-N3DH-SIM+）——后者直接拥有"真值"（ground truth）。
- silver reference（银参考）：为方便参赛者调参，官方为13 个既有数据集的训练视频提供了银参考分割标注。它由算法辅助生成、精度低于金标准，但足以让算法在无测试集答案的情况下自评调优。
在官网的下载清单上还有两个记号：✱ 表示"该真实训练集附银参考分割标注，并附可用于关联的不完美分割掩膜"；✚ 表示"该合成训练集附完美分割掩膜供关联"。
2.4 为什么标注要分"金"与"银"
“金/银"的分层不是形式主义，而是对标注成本与使用自由的精算。手工逐帧标注一个 3D 时序序列的成本极高：以 Fluo-N3DL-TRIF 为例，单集训练数据 320 GB，帧数成百上千，要对每个细胞核逐帧勾边并建立关联，专家工时以周甚至月计。若把它作为唯一可用的标注，绝大多数参赛者将无法在本地调参——因为他们拿不到测试集的答案，而训练集若也只有"稀缺的金标准”，算法就没法自我检验。
银标准的引入解决了这个两难：用算法辅助生成分割标注（成本远低于手工），覆盖训练视频，让参赛者能在本地迭代；而最终的排行榜仍以金标准为准。这是一种"训练用银、定榜用金"的双层设计，既降低了参与门槛，又保住了评测的严肃性。ISBI 2020 首次为 9 个数据集发布银标注，ISBI 2021 扩至 13 个，正是这一策略的持续投入。
2.5 时间步与成像元数据的价值
CTC 为每个数据集提供了完整的采集成像元数据——显微镜型号、物镜规格、像素/体素尺寸（微米）、时间步（time step）。例如：
- DIC-C2DH-HeLa：Zeiss LSM 510 Meta，Plan-Apochromat 63x/1.4（油镜），像素 0.19×0.19 μm，时间步 10 min；
- Fluo-N2DL-HeLa：Olympus IX81，Plan 10x/0.4，像素 0.645×0.645 μm，时间步 30 min；
- Fluo-N3DL-DRO：SIMView 光片显微镜，16x/0.8（水镜），体素 0.406×0.406×2.03 μm，时间步 30 sec。
这些元数据并非装饰：时间步直接决定细胞在两帧间位移的尺度，进而影响追踪难度与算法设计（时间步越长，位移越大、关联越难）；像素/体素尺寸决定物理尺度下的分辨率；物镜与显微镜型号则暗示了成像信噪比与伪影特征。做跨数据集泛化的研究者，必须把这些物理量纳入考虑——同一个算法在时间步 30 sec（DRO）与 80 min（MDA231）的数据上，面临的关联难度天差地别。
2.6 存储库与评测集的关系再澄清
为彻底消除"到底几个数据集"的困惑，用一句话锚定：CTC 拥有 20 个数据集，但并非每个数据集都同时进入三个基准的评测。CTB（追踪）与 CSB（分割）各自纳入 13 个数据集，CLB（关联）的纳入集另计。因此：
- 若你问"CTC 有多少数据可下载" → 20 个；
- 若你问"追踪榜上有几个数据集的分数" → 13 个；
- 若你问"所有数据集都参与评测吗" → 不是，卷库（repository）≠ 榜单（benchmark）。
这一区分在检索 CTC 相关数字时至关重要：论文里说"20 个数据集"指的是存储库全量，榜单说"13 included datasets"指的是评测子集，两者都对，只是口径不同（详见坑 1）。
§3 数据集全景
3.1 2D+t 数据集全表
| 代码 | 模态 | 生物学对象/样本 | 训练集 | 测试集 | 时间步 |
|---|---|---|---|---|---|
| BF-C2DL-HSC | 明场 | 小鼠造血干细胞/水凝胶微孔 | 1.6 GB | 1.6 GB | 5 min |
| BF-C2DL-MuSC | 明场 | 小鼠肌肉干细胞/水凝胶微孔 | 1.2 GB | 1.3 GB | 5 min |
| DIC-C2DH-HeLa | DIC | HeLa 细胞/平面玻璃 | 37 MB | 41 MB | 10 min |
| Fluo-C2DL-Huh7 | 荧光 | 人肝癌源细胞（YFP-TIA-1） | 36 MB | 36 MB | 15 min |
| Fluo-C2DL-MSC | 荧光 | 大鼠间充质干细胞/聚丙烯酰胺 | 72 MB | 71 MB | 20 min |
| Fluo-N2DH-GOWT1 | 荧光 | GFP-GOWT1 小鼠干细胞 | 53 MB | 46 MB | 5 min |
| Fluo-N2DL-HeLa | 荧光 | HeLa H2b-GFP（Mitocheck） | 182 MB | 168 MB | 30 min |
| PhC-C2DH-U373 | 相差 | 胶质母细胞瘤-星形细胞瘤 U373 | 40 MB | 38 MB | 15 min |
| PhC-C2DL-PSC | 相差 | 胰腺干细胞/聚苯乙烯 | 124 MB | 106 MB | 10 min |
| Fluo-N2DH-SIM+ | 荧光（合成） | HL60 细胞核（Hoescht，MitoGen 生成） | 91 MB | 96 MB | 29 min |
2D 组的特点是"密度梯度"：_2DL_（低密度）的数据集细胞稀疏、相互接触少，分割与关联相对简单；_2DH_（高密度）则细胞拥挤、接触频繁，是难度分水岭。模态上，明场、相差、DIC 属于无荧光标记的"明场类"，信噪比低于荧光，历来是算法泛化的硬骨头——ISBI 2020（第 5 届）专门补入两个明场数据集正是为应对这一缺口。
3.2 3D+t 数据集全表
| 代码 | 模态 | 生物学对象/样本 | 训练集 | 测试集 | 时间步 |
|---|---|---|---|---|---|
| Fluo-C3DH-A549 | 荧光 | A549 肺癌细胞/Matrigel | 244 MB | 294 MB | 2 min |
| Fluo-C3DH-H157 | 荧光 | H157 肺癌细胞/Matrigel | 7.0 GB | 7.1 GB | 2 min |
| Fluo-C3DL-MDA231 | 荧光 | MDA231 乳腺癌细胞/胶原 | 182 MB | 179 MB | 80 min |
| Fluo-N3DH-CE | 荧光 | 秀丽隐杆线虫（C. elegans）胚胎 | 3.1 GB | 1.7 GB | 1 min |
| Fluo-N3DH-CHO | 荧光 | CHO 细胞核（GFP-PCNA） | 98 MB | 105 MB | 9.5 min |
| Fluo-N3DL-DRO | 荧光 | 黑腹果蝇（D. melanogaster）胚胎 | 5.8 GB | 5.9 GB | 30 sec |
| Fluo-N3DL-TRIC | 荧光 | 拟谷盗（T. castaneum）3D 制图投影 | 20.6 GB | 19.9 GB | 1.5 min |
| Fluo-N3DL-TRIF | 荧光 | 拟谷盗胚胎（全 3D） | 320 GB | 467 GB | 1.5 min |
| Fluo-C3DH-A549-SIM | 荧光（合成） | A549 模拟（FiloGen 生成） | 314 MB | 327 MB | 20 sec |
| Fluo-N3DH-SIM+ | 荧光（合成） | HL60 细胞核模拟（MitoGen 生成） | 3.1 GB | 5.9 GB | 29 min |
3D 组的体积跨度惊人：最小 Fluo-N3DH-CHO 训练集仅 98 MB，最大 Fluo-N3DL-TRIF 测试集达 467 GB——后者是拟谷盗胚胎的全三维成像，训练集 320 GB，对存储与算力构成实质门槛。3D 组的生物学含金量也最高：C. elegans 的细胞谱系已知且恒定，果蝇与拟谷盗胚胎则是发育生物学的经典模型，其"每个细胞都能追踪到谱系"的要求远超 2D 培养皿场景。
3.3 三朵"合成数据"之花
CTC 中三组合成数据集值得单独一提，因为它们由 CBIA 自研的细胞模拟器生成、自带完美真值：
- Fluo-N2DH-SIM+ 与 Fluo-N3DH-SIM+：由 MitoGen 生成，模拟荧光染色的 HL60 细胞核群体，对应论文 IEEE TMI 2017（Svoboda & Ulman）。
- Fluo-C3DH-A549-SIM：由 FiloGen 生成，模拟带生长与分支伪足（filopodia）的单个运动细胞，对应论文 IEEE TMI 2018（Sorokin et al.）。
合成数据的价值在于"可控性"：真值完美，能让研究者精确诊断算法在分割、关联、分裂检测各环节的失效原因。但它也有原罪——域差距（domain gap）：模拟器再精细，也与真实成像的噪声、光照不均、形变分布有偏差。因此用合成数据调参、用真实数据定论，是 CTC 社区公认的做法。
3.4 部分数据集的"限定评测区"
官网对若干 3D 数据集有明确的"评测范围限定"提示，这是使用前必须注意的：
- Fluo-N3DL-DRO：仅神经系统中参与发育的细胞会被纳入检测/分割/追踪准确度评测，这些细胞可在所提供 gold 参考标注的第一帧中被识别。任何其他被分割与追踪的细胞，在 CTB 评测软件中一律计为错误；但在 CSB 评测软件中，额外的细胞会自动被过滤、不受惩罚。
- Fluo-N3DL-TRIC 与 Fluo-N3DL-TRIF：仅胚盘（blastoderm）中位于胚胎与胚外组织交界处的细胞谱系参与评测，同样以第一帧 gold 标注识别目标。TRIF 另有成像质量说明——数据由光片显微镜多视角融合，部分视角可能配准不完美（出现明显虚假的突出细胞核），或多视角未完全覆盖体积（出现沿某一图像轴延伸的局部暗斑）；待追踪细胞的选择已刻意避开这些伪影区域。
这一设计体现了 CTC 对"评测公平性"的考量：在包含海量无关细胞的胚胎场景中，只对研究者真正关心的谱系计分，避免算法因"多标了不相关的细胞"而受罚。
3.5 数据集的"难易梯度"
把 20 个数据集按难度排开，可看出一条从易到难的连续谱：
- 易端：Fluo-N2DL-HeLa、Fluo-N2DH-GOWT1、Fluo-N2DH-SIM+ 等"低密度荧光细胞核"数据集。细胞核在荧光下对比度高、形状近似椭圆、相互接触少，很多算法在这些集上 SEG/TRA 已达很高水平。
- 中段：DIC-C2DH-HeLa、PhC-C2DH-U373、Fluo-C2DL-Huh7 等"高频形变、接触增多"的细胞集。完整细胞（非细胞核）的边界远不如细胞核规整，且 DIC/相差成像噪声大，分割难度陡增。
- 难端：Fluo-N3DL-DRO、Fluo-N3DL-TRIC、Fluo-N3DL-TRIF 等 3D 胚胎数据集。三维体积大、细胞数量多（成百上千）、有密集分裂事件、还限定只评测特定谱系——这是当前 CTC 上最具挑战性的题目。
这一梯度使 CTC 成为少见的"既能测入门算法、也能压顶尖算法"的基准：低密度集用于验证基本能力，3D 密集集用于拉开差距。
3.5b 逐集速览：2D 十集
- BF-C2DL-HSC（明场，小鼠造血干细胞/水凝胶微孔）：Stanford Baxter 实验室提供，5 min 时间步，考察明场下的干细胞追踪。
- BF-C2DL-MuSC（明场，小鼠肌肉干细胞/水凝胶微孔）：同实验室，与 HSC 成对，考验明场细胞形态辨识。
- DIC-C2DH-HeLa（DIC，HeLa/平面玻璃）：Erasmus MC 提供，10 min 时间步，DIC 成像的高密度 HeLa 是经典难题。
- Fluo-C2DL-Huh7（荧光，人肝癌源细胞 YFP-TIA-1）：Heidelberg 提供，15 min 时间步，荧光完整细胞（非核）追踪。
- Fluo-C2DL-MSC（荧光，大鼠间充质干细胞）：CIMA Pamplona 提供，20 min 时间步，细胞形态随基质形变。
- Fluo-N2DH-GOWT1（荧光，GFP-GOWT1 小鼠干细胞）：捷克科学院生物物理所提供，5 min 时间步，高密度细胞核。
- Fluo-N2DL-HeLa（荧光，HeLa H2b-GFP）：Mitocheck Consortium 提供，30 min 时间步，低密度细胞核，入门首选。
- PhC-C2DH-U373（相差，U373 胶质母细胞瘤）：UC Berkeley 提供，15 min 时间步，相差成像高密度。
- PhC-C2DL-PSC（相差，胰腺干细胞）：Fraunhofer 提供，10 min 时间步，低密度相差。
- Fluo-N2DH-SIM+（荧光合成，HL60 细胞核）：CBIA 用 MitoGen 生成，29 min 时间步，附完美关联掩膜。
3.5c 逐集速览：3D 十集
- Fluo-C3DH-A549（荧光，A549 肺癌/Matrigel）：CIMA 提供，2 min 时间步，3D 完整细胞。
- Fluo-C3DH-H157（荧光，H157 肺癌/Matrigel）：CIMA 提供，体积大（训练集 7.0 GB），3D 高密度。
- Fluo-C3DL-MDA231（荧光，MDA231 乳腺癌/胶原）：MIT 提供，80 min 长时间步，低密度细胞迁移。
- Fluo-N3DH-CE（荧光，C. elegans 胚胎）：University of Washington 提供，1 min 时间步，经典谱系追踪。
- Fluo-N3DH-CHO（荧光，CHO 细胞核 GFP-PCNA）：Erasmus MC 提供，9.5 min 时间步，细胞核增殖追踪。
- Fluo-N3DL-DRO（荧光，果蝇胚胎）：HHMI Janelia 提供，30 sec 时间步，仅神经系统细胞参与评测。
- Fluo-N3DL-TRIC（荧光，拟谷盗制图投影）：Max Planck Dresden 提供，仅胚盘边界谱系参与评测。
- Fluo-N3DL-TRIF（荧光，拟谷盗全 3D）：Max Planck Dresden 提供，467 GB 测试集，最大最难。
- Fluo-C3DH-A549-SIM（荧光合成，A549 模拟）：CBIA 用 FiloGen 生成，含伪足分支，附完美关联掩膜。
- Fluo-N3DH-SIM+（荧光合成，HL60 细胞核模拟）：CBIA 用 MitoGen 生成，附完美关联掩膜。
3.6 数据集来源的机构网络
CTC 的数据来自全球多个实验室的捐赠式共享，构成一张跨机构网络。主要贡献方包括：
- Stanford University（Baxter 干细胞生物学实验室，H. Blau）：小鼠造血/肌肉干细胞两集（BF-C2DL-HSC/MuSC）；
- Erasmus Medical Center, Rotterdam（荷兰）：DIC-C2DH-HeLa 与 Fluo-N3DH-CHO；
- CIMA Pamplona（西班牙，应用医学研究中心）：Fluo-C2DL-MSC、Fluo-C3DH-A549、Fluo-C3DH-H157；
- MIT（R. Kamm）：Fluo-C3DL-MDA231；
- University of Washington / HHMI Janelia / Max Planck Dresden：C. elegans、果蝇、拟谷盗等胚胎数据；
- University Hospital Heidelberg（德国）：Fluo-C2DL-Huh7；
- Mitocheck Consortium：Fluo-N2DL-HeLa 的 HeLa H2b-GFP 数据；
- Masaryk University CBIA：三组合成数据集（MitoGen/FiloGen 生成）。
这种"多方数据 + 一方组织"的结构，既是 CTC 数据多样性的来源，也解释了为何其商业用途需要"组织方 + 数据提供者"双重许可——因为数据版权分散在众多提供者手中（详见 §6.2）。
§4 评估方法论
CTC 的评测体系建立在一个统一的理论框架上：无环有向图匹配（Acyclic Oriented Graph Matching，AOGM）。所有度量取值均在 [0,1] 区间，越高越好。
4.1 五核心度量
DET（检测准确度）——衡量每个对象是否被识别出来。其数值定义为归一化的 AOGM-D：
DET = 1 − min(AOGM-D, AOGM-D0) / AOGM-D0
其中 AOGM-D 是将算法计算出的节点集变换为参考节点集的代价，AOGM-D0 是从零构建参考节点集的代价（即空检测结果的 AOGM-D）。分子的 min 算子确保当"从零重建参考集"比"改造计算集"更便宜时，DET 不会被算成负数。
SEG（分割准确度）——衡量分割区域与实际细胞/细胞核边界的吻合程度，比较算法的实例分割掩膜与 gold 分割真值。SEG 基于 Jaccard 相似指数（交并比），细节见官方 SEG.pdf。
TRA（追踪准确度）——衡量每个对象在连续帧中是否被正确识别并跟随，比较算法输出的无环有向图与 gold 追踪真值。定义为归一化的 AOGM：
TRA = 1 − min(AOGM, AOGM0) / AOGM0
AOGM0 为从零构建参考图的代价。TRA 是 CTC 最核心、也最具原创性的度量，其理论基础出自 PLoS One 2015 的 AOGM 论文。
LNK（关联准确度）——衡量对象的跨帧跟随，是比较算法图与参考图得到的归一化 AOGM-A（association 变体）。LNK 的特别之处在于它构造两个"顶点集同步、顶点同步零惩罚"的中间图，从而把"检测/分割误差"与"关联误差"解耦，专门考察关联能力。这对应 2024 年引入的 CLB 基准。
BIO（生物准确度）——对某数据集适用的"生物学启发式度量"求平均，含四项：
- CT（Complete Tracks，完整轨迹）：算法能从头到尾完整重建的参考轨迹比例，用于要求完美谱系还原的场景；
- TF（Track Fractions，轨迹片段）：对所有已检测轨迹，其相对于参考轨迹的最长连续匹配片段比例的平均——可理解为"一旦检测到细胞，算法能正确重建其轨迹的比例"；
- BC(i)（Branching Correctness，分支正确性）：在容差 i 帧内正确检测分裂事件的效率；
- CCA（Cell Cycle Accuracy，细胞周期准确度）：正确重建细胞周期长度（两次连续分裂之间的时间）的准确度。
4.2 三综合指标
为便于直接比较榜单上的算法，CTC 定义三个"总绩效"指标：
| 基准 | 综合指标公式 | 含义 |
|---|---|---|
| Cell Segmentation Benchmark (CSB) | OPCSB = 0.5·(DET + SEG) | 检测与分割的均值 |
| Cell Tracking Benchmark (CTB) | OPCTB = 0.5·(SEG + TRA) | 分割与追踪的均值 |
| Cell Linking Benchmark (CLB) | OPCLB = 0.5·(LNK + BIO) | 关联与生物准确度的均值 |
这套公式设计得相当克制：追踪基准不把 DET 直接放进综合指标（因为 TRA 的 AOGM 本身已内含节点匹配信息），分割基准则用 DET+SEG 的组合，避免分割指标单打独斗。理解这一映射，是读懂 CTC 榜单数字的前提。
4.3 评测软件与榜单
CTC 公开了实现 DET、SEG、TRA 的命令行软件包（EvaluationSoftware.zip）及使用说明，任何人都可下载用于自评调参——这套软件同时被组织方用于官方评测，保证"参赛者自评"与"官评"口径一致。榜单分两类投稿：
- regular submissions（常规投稿）：针对单个或少数数据集调优，按数据集列最佳三名；
- generalizable submissions（通用投稿）：要求算法跨数据集通用，2023-08 起开放，按 13 个纳入数据集列最佳三名。
榜单月度更新：官网当前榜单一栏列出了从 2017-02-21（在线投稿开放）到 2026-08-08 的完整更新日志，可追溯每个算法（如 AC、NUDT-CN、KIT-Sch-GE、BGU-IL、THU-CN 等，以"机构-国别"标签命名）的加入、更名与分数的历次变化。
4.4 度量的直观理解
若觉得公式抽象，可用一个类比把握五个度量：
- SEG 像"描红"：每帧把细胞轮廓描得准不准（像素级）；
- DET 像"点名"：该有的细胞有没有点到、有没有点到不该点的（对象级）；
- TRA 像"连点成线"：跨帧把同一个细胞串起来、并正确标出分裂，串得对不对（整体追踪）；
- LNK 像"只教连线"：假设点已给好、描边不用管，只看连线对不对（纯关联）；
- BIO 像"问生物学问题"：轨迹完整吗（CT）？片段拼得对吗（TF）？分裂抓到了吗（BC）？细胞周期算准了吗（CCA）？
一次完整的 CTC 评测会同时给出这些维度的分数，因此"某个算法很强"这句话必须配上"在哪个度量上强"才有意义——这是读懂 CTC 榜单的第一原则。
4.5 为什么 RANKING 用"两榜并列"
CTC 榜单分 regular 与 generalizable 两类并列，这一设计直指细胞追踪领域的一个痼疾：过拟合单一数据集。一个算法可以只在某几个数据集上精调超参、拿到漂亮分数，但换到新数据集就崩盘——这对真正想推广的方法毫无价值。通过单设 generalizable 赛道（要求跨 13 个数据集通用），CTC 把"专精"与"通用"两种能力分开计量，鼓励后者。这一理念在 ISBI 2021 被正式确立，也反映在 Nature Methods 2023 论文对"顶尖算法可重用性"的专门研究上。
4.6 度量的边界与局限
任何度量都有边界，CTC 亦不例外。使用者在解读分数时应意识到：
- AOGM 的图模型假设轨迹无环（时间不可逆），这在生物学上成立，但对非细胞类的时序关联任务未必适用；
- SEG 只评逐帧分割，不惩罚跨帧的"标签抖动"（同一细胞在不同帧被赋予不同实例 ID）——这类错误由 TRA 承担；
- BIO 的 BC/CCA 需要足够的细胞周期样本，在细胞分裂稀少的短序列上统计意义有限；
- 标注者间变异构成分数上限：当算法分数进入标注变异区间，其绝对值已难再解释为"能力差异"；
- 跨数据集比较须谨慎：不同数据集难度差异巨大，同一个 TRA 数值在稀疏 2D 与密集 3D 上的含义完全不同。
这些局限并不削弱 CTC 的价值，反而提示：基准分数是"相对的、情境化的"，脱离具体数据集与度量谈分数高低，是常见的误用。
4.7 榜单之外：CTC 提供的分析文档
除榜单外，CTC 官方还维护几份对研究者极有价值的数据：
- CellTrackingBenchmark.xlsx：常规投稿的详细技术/生物性能评估；
- CellTrackingBenchmark-Generalizability.xlsx：通用投稿的详细评估；
- CellSegmentationBenchmark.xlsx 与其 Generalizability 版：分割基准的对应文档；
- TagMapping.xlsx：算法当前标签与历史标签的映射（因为算法频繁更名，如 AC (8) 改名 LUH-GE）；
- inter-annotator variability 图表：标注者间变异可视化。
这些文档使 CTC 不只是一个"看排名"的地方，而是一个可做定量元分析的研究平台——Nature Methods 2023 论文正是基于这些积累做了三项跨算法的关系研究。
§5 里程碑论文与十年演进
5.1 六篇关联论文
CTC 的学术影响力集中体现在其关联出版物上，官网 history 页列出的核心论文构成一条完整的方法学脉络：
| 编号 | 论文 | 期刊/年份 | 核心贡献 |
|---|---|---|---|
| [1] | A benchmark for comparison of cell tracking algorithms | Bioinformatics, 2014 | 第 1 届赛的物流、方法与结果报告（DOI: 10.1093/bioinformatics/btu080） |
| [2] | Cell tracking accuracy measurement based on comparison of acyclic oriented graphs | PLoS One, 2015 | TRA/AOGM 度量的理论定义来源（DOI: 10.1371/journal.pone.0144959） |
| [3] | MitoGen: 3D 合成时序序列生成框架 | IEEE TMI, 2017 | 细胞群体荧光模拟器（DOI: 10.1109/TMI.2016.2606545） |
| [4] | An objective comparison of cell-tracking algorithms | Nature Methods, 2017 | 覆盖 3 届赛、21 个算法、13 个数据集（DOI: 10.1038/nmeth.4473） |
| [5] | FiloGen: 单细胞伪足生长分支的合成序列生成器 | IEEE TMI, 2018 | 单运动细胞模拟器（DOI: 10.1109/TMI.2018.2845884） |
| [6] | The Cell Tracking Challenge: 10 years of objective benchmarking | Nature Methods, 2023 | 分析 89 个算法、20 个数据集，含三项技术-生物学关系研究（DOI: 10.1038/s41592-023-01879-y） |
其中 [4] 与 [6] 两篇 Nature Methods 论文是 CTC 的"十年双峰"：[4] 总结了 2017 年之前的三届赛（21 算法/13 数据集），[6] 总结了截至 2022-06 收集的全部结果（89 算法/20 数据集），并首次系统探讨了"算法的技术性能与生物性能之间的关系"“数据集与标注属性对结果的影响”"顶尖算法的通用性与可重用性"三个方法论问题。
5.2 七届赛事时间线
| 届次 | 年份 | 会议地点 | 关键增补 |
|---|---|---|---|
| 第 1 届 | ISBI 2013 | San Francisco, USA | 起步：2D/3D 荧光标记细胞与细胞核的分割+追踪 |
| 第 2 届 | ISBI 2014 | Beijing, China | 增 3D+t 发育荧光 + 2D+t 相差/DIC；引入新一代计算机生成数据集 |
| 第 3 届 | ISBI 2015 | Brooklyn, NY, USA | 增果蝇（D. melanogaster）光片显微胚胎数据 |
| — | 2017-02 | — | 开放在线投稿，改为月度评估排名 |
| 第 4 届 | ISBI 2019 | Venice, Italy | 引入分割中心基准（CSB）；增拟谷盗制图投影 + 单细胞伪足数据 |
| 第 5 届 | ISBI 2020 | （虚拟） | 增 2 个明场数据集 + 1 个全 3D 拟谷盗集；为 9 个集发布银参考标注 |
| 第 6 届 | ISBI 2021 | （虚拟） | 银标注扩至 13 个集；转向强调跨数据集通用性 |
| 第 7 届 | ISBI 2024 | Athens, Greece | 引入仅关联基准（CLB） |
固定截止日期赛共 6 届（官网明确表述 “six fixed-deadline challenge editions”）。2017-02 起转入在线月度评估模式，此后赛事仍与 ISBI 每年结合举办。第 7 届后，CLB 自 2026-10 起脱离固定赛制、转为在线常态运行并持续开放投稿。
5.3 三次"结果剖析"的递进
CTC 的历史是一部"评估对象不断扩张"的历史。第 1 届仅面向 2D/3D 荧光；第 2 届扩到相差与 DIC；第 4 届起把"只做分割"的算法也纳入（CSB）；第 7 届再把"只做关联"的算法纳入（CLB）。与此同时，评测重点也从"单一数据集刷分"转向"跨数据集通用"——第 6 届（ISBI 2021）明确把 generalizability 作为核心关切，2023 年的 Nature Methods 论文更专门研究了顶尖算法的可重用性。这一演进反映了一个成熟基准的自我修正：当算法在个别数据集上逼近饱和时，换数据集还能不能打才是真问题。
5.4 论文引用网络：CTC 如何被引用
CTC 的关联论文形成了清晰的引用网络。理论论文（PLoS One 2015 的 AOGM）定义度量；工具论文（IEEE TMI 2017 的 MitoGen、2018 的 FiloGen）提供合成数据；综述论文（Nature Methods 2017、2023）总结赛事结果；首发论文（Bioinformatics 2014）记录首届。任何使用 CTC 数据的研究，官方要求至少引用 Nature Methods 2023（可选前身 2017）并致谢 Cell Tracking Challenge——这一引用要求并非客套，而是 CTC 得以持续运行的社会契约：论文引用是主办方申请捷克政府研究基础设施资助（Czech-BioImaging 项目）的可量化产出。
5.5 从"赛事"到"基础设施"的转变
2017-02 的在线化是 CTC 性质转变的拐点。在此之前，它与 ISBI 绑定，是"两年一次的赛事"；此后，它成为"全天候的评测基础设施"——任何时候都能提交、每月都能看到排名、数据持续扩充。这一转变的意义在于：基准从"事件"变成了"服务"。研究者不再需要等待赛期，而是可以随时把自己的新算法送去体检，与历史积累的所有算法同台比较。CTC 十年积累的 89 个算法、上百次榜单更新，正是这一"服务模式"的产物。
5.6 数据集的"代际"特征
CTC 的数据集按加入时间可分出清晰的代际：
- 第一代（2012-2015）：以 2D/3D 荧光细胞核为主（HeLa、GOWT1、CE、CHO 等），目标是建立最基础的分割+追踪赛道；
- 第二代（2014-2019）：引入相差、DIC、明场等无荧光标记模态，以及拟谷盗、单细胞伪足等新场景，扩大方法学的适用面；
- 第三代（2020 至今）：加入全 3D 大体积胚胎（TRIC、TRIF）、引入 CSB 与 CLB 两个新基准，并把评测重心从"刷单集"转向"跨集通用"。
每一代都对应领域痛点的迁移：早期缺统一赛道，中期缺模态多样性，后期缺通用性与细粒度任务（只分割/只关联）。CTC 的代际演化本身就是一部细胞分析问题意识的编年史。
5.7 合成数据生成器的双重角色
值得注意的是，CTC 中的合成数据（MitoGen、FiloGen 生成）具有双重角色。一方面，它们是训练/诊断工具——完美真值让算法误差可归因；另一方面，它们本身就是独立的研究成果（两篇 IEEE TMI 论文）。这种"数据集即论文产出"的模式，使 CTC 的贡献溢出到细胞模拟这一独立子领域，也解释了为何一个"基准"能持续吸引方法学投入。
§6 获取与许可：一套常被误读的自定义条款
6.1 下载：无需注册，开放获取
CTC 的数据获取门槛在"下载"这一环是零：官网明确指出，全部 2D+t 与 3D+t 数据集对任何人开放下载。每个数据集提供两个 ZIP：
- 训练集：
https://data.celltrackingchallenge.net/training-datasets/<代码>.zip（含原始图像 + 全部可用参考标注）； - 测试集：
https://data.celltrackingchallenge.net/test-datasets/<代码>.zip（不含参考标注，用于盲测）。
ZIP 内文件的命名与内容遵循官方《Naming and file content conventions.pdf》。注册（registration）仅用于投稿参与评测，与下载无关。技术支援联系 Martin Maška（xmaska@fi.muni.cz）。
6.2 许可：这不是 CC BY 4.0
这是本条目最需要澄清的一点。候选情报曾称数据许可为 “CC BY 4.0”，但一手核验结果为：官网并未声明 CC BY 4.0，而是给出一套自定义的"图像使用条件"（Conditions of use of the images），共 5 条，其限制性强于常见 CC 协议。 原文条款如下：
- 使用任何数据集产生的出版物，须引用 Nature Methods 论文（可选引用其前身 Nature Methods 2017），并致谢数据来源（Cell Tracking Challenge）；
- 任何 CTC 相关用途（准备投稿、参赛、报告结果）无需组织方或数据提供者明确同意；
- 任何公开的、非 CTC 相关的科学用途，须获得组织方明确许可；
- 任何商业用途，须获得组织方及数据集描述中列出的数据提供者明确许可；
- 严禁克隆数据集或其部分（含参考标注）。若需证明数据集存在，请使用数据集描述中的下载链接。
这套条款的要点值得逐条体会：引用+致谢是义务；参赛用免许可（降低参与门槛）；但公开的非 CTC 科研用途要许可（这意味着你不能随意把数据二次发布用于其他研究而不打招呼）；商业用途需双重许可（既是组织方的许可，也需各数据提供者的许可——因为数据来自众多不同机构）；克隆被严格禁止（禁止镜像、转发、二次分发数据集或其标注）。这与 CC BY 允许自由再分发、允许商用的精神完全不同。因此任何把 CTC 数据当作"CC BY 4.0 可自由使用"的假设都是错误的。
6.3 AI-Ready 视角下的许可评估
从 AI-Ready 数据集的角度看，CTC 的许可呈现一种"下载开放、使用受限"的双面性：
- 加分项：下载零门槛、无需注册、无需 API key，数据集对任何人有可获取性；评测软件公开、榜单公开、方法论论文公开，复现路径清晰。
- 减分项：许可非标准开源协议，“公开非 CTC 科研用途需许可”“商业用途需双重许可”"严禁克隆"三条都可能构成自动化流水线构建与二次分发的法律障碍；对希望把数据纳入训练集并公开模型的团队而言，需要逐案确认边界。
因此，把 CTC 归入"开放获取但受限使用"类资源最为准确——它能被自由下载与用于参赛/研究，但不能被当作通用开源数据随意再分发。
6.4 与常见开源许可的对照
为便于检索者快速定位 CTC 许可的"位置"，把它与几种常见协议对照：
| 用途 | CC BY 4.0 | CC BY-NC 4.0 | CTC 自定义条款 |
|---|---|---|---|
| 下载 | 允许 | 允许 | 允许（无需注册） |
| 参赛/评测 | 允许 | 允许 | 允许（免许可） |
| 学术研究发表 | 允许 | 允许（非商业） | 公开非 CTC 科研需许可 |
| 商业使用 | 允许 | 禁止 | 双重许可（组织方+提供者） |
| 二次分发/镜像 | 允许（须署名） | 允许（非商业） | 严禁克隆 |
| 署名义务 | 有 | 有 | 有（须致谢+引用论文） |
从表中可见，CTC 的条款在"分发"与"商业"两个维度上比 CC BY-NC 更严，仅在"参赛免许可"一点上比通用协议更宽松。把它误标为 CC BY 4.0，会在最关键的"二次分发"与"商业使用"两点上给出错误信号，这正是本条目反复强调该许可边界的原因。
6.5 评测软件与自评闭环
CTC 不仅给数据，还给"裁判"：官方公开 EvaluationSoftware.zip（命令行工具，实现 DET/SEG/TRA）及使用说明。这套软件用于官方评测，参赛者也可下载自评调参。这是一个完整闭环——数据、真值、评测代码、榜单四者齐备，使 CTC 成为可被独立复现的基准，而非"只公布分数不公布算法"的黑箱。值得注意的是，官方另发布了各基准的详细评估结果文档（如 CellTrackingBenchmark.xlsx、CellSegmentationBenchmark-Generalizability.xlsx），以及算法标签映射文档（TagMapping.xlsx），供研究者追溯每个算法历次标签变更。
§7 生态与影响
7.1 作为领域"参照系"
在细胞分割与追踪领域，CTC 已成为事实上的参照系。任何宣称"更强的细胞追踪算法"的新工作，被追问的第一个问题往往是"在 CTC 上得了多少 TRA/OPCTB"。十余年的积累使它兼具三重要素：长时段（2012 至今）、可复现（软件公开）、可持续（月度更新）。论文 [6] 标题中"10 years of objective benchmarking"（十年客观基准）正是对这一地位的自我确认。
7.2 衍生的算法生态
CTC 榜单积累了大量算法，以"机构-国别"标签命名并持续更新（如 AC、NUDT-CN、THU-CN、KIT-Sch-GE、BGU-IL、UCH-CL、DESU-US、AMOLF-NL、CZB-US、LUH-GE 等）。榜单的更新日志本身就是一部算法进步史：一个新算法上榜、被超越、被更名——2024-06 到 2026-08 间就有 NUDT-CN、AMOLF-NL、THU-CN、AC (9) 等多轮上新。CTC 的参赛者池跨越全球高校与研究所，形成活跃的方法学社区。
7.3 与合成数据生成器的互哺
CTC 与 CBIA 自研的模拟器形成互哺：MitoGen 与 FiloGen 生成的三组合成数据集进入 CTC 存储库，而这些模拟器本身又是独立论文（IEEE TMI 2017/2018）。这种"生成器—基准"绑定，使 CTC 拥有了真实数据无法提供的可控实验能力，也推动了细胞模拟这一子领域的发展。
7.4 影响的方法学遗产
CTC 最深远的遗产或许是它的度量框架。AOGM（无环有向图匹配）把追踪评估形式化为图改造成本问题，这一思想被后续大量细胞追踪、粒子追踪乃至更广的时序关联任务借鉴。同时，CTC 提出的"技术性能 vs 生物性能"双维度评估（SEG/TRA 属技术，CT/TF/BC/CCA 属生物）提示：一个在像素层面精确的算法，未必在生物学意义上有用——这一区分对生物医学 AI 的评估设计具有普适启示。
7.5 库内定位
在千方病案 AI-Ready Wikipedia 库内，CTC 属于"基准/挑战赛数据集"这一类别，与 cholectrack20（手术器械追踪）、trackrad（放射学）等同为"追踪"母题下的条目，但 CTC 的对象是细胞级显微成像，与临床影像追踪在数据形态上有本质区别。它同时也是库内少见的"运行逾十年、有完整版本演进史、自带评测软件"的基准型资源。
7.6 与临床影像追踪基准的差异
把 CTC 与库内临床影像类追踪/分割基准并置，可凸显其独特性：
| 维度 | CTC | 典型临床影像基准（如 cholectrack20、acdc） |
|---|---|---|
| 成像对象 | 细胞/细胞核（显微） | 器官/病灶/器械（宏观） |
| 空间尺度 | 亚微米至微米 | 毫米至厘米 |
| 时间尺度 | 秒至分钟（细胞运动/分裂） | 秒（手术）至心动周期（MRI） |
| 时序角色 | 追踪细胞谱系（含分裂树） | 追踪运动物体位移 |
| 标注类型 | 逐帧逐细胞分割+关联 | 逐帧分割或检测框 |
| 物种 | 多物种细胞系/胚胎 | 患者 |
| 评测核心 | AOGM 图匹配 | 分割 Dice / 检测 mAP |
这张表说明：CTC 的"追踪"在本质上比临床追踪更复杂——它要还原的是有分裂事件的树状谱系，而非简单的连续位移。这也是 CTC 投入大量精力定义 AOGM 与 BIO 度量的原因。
7.7 对下游研究的影响路径
CTC 影响下游研究的路径至少有三条：
- 数据复用：研究者在 CTC 上训练/微调分割或追踪模型，再迁移到自己的显微数据（迁移学习）；
- 方法比照：新算法以 CTC 榜单为基准证明先进性，形成可比的文献基线；
- 度量借用：CTC 的 SEG/TRA/AOGM 度量被移植到其他时序关联任务（如粒子追踪、雷达目标关联）的评估中。
第三条路径最能体现 CTC 的方法学溢出价值：一个为细胞追踪设计的度量框架，因其图论本质的通用性，被借用到完全不同的领域。
§8 方法学细节：度量背后的设计取舍
8.1 为什么用"图匹配"而不是"配对计数"
朴素的分割评测（如 Dice/Jaccard）只需要逐帧比较掩膜，但追踪评测无法用逐帧比较解决——因为"这是不是上一帧的同一个细胞"本质是一个跨帧的对应关系问题。CTC 选择把追踪结果建模为无环有向图：顶点 = 某帧某个细胞，边 = 相邻帧间的关联，分叉 = 细胞分裂，无环则保证时间不可逆。于是"算法输出与参考标注的差距"就转化为"把一个图改造成另一个图的成本"——加顶点、删顶点、加边、删边、改边各有代价，加权求和即为 AOGM。TRA 就是用"从零构建参考图的成本"把这个代价归一化到 [0,1]。
这套设计的一个直接好处是：分裂检测、关联错误、漏检、误检都能被同一框架统一计量，不必为每种错误单独设计指标。这也是 CTC 度量被广泛借鉴的原因。
8.2 技术度量与生物度量的双轨
CTC 的度量分两轨：
- 技术轨（technical）：DET、SEG、TRA——关心"像素和图的吻合度"；
- 生物轨（biologically inspired）：BIO 下的 CT、TF、BC、CCA——关心"生物学结论是否成立"。
两轨并置的意义在于：一个算法可能 SEG 很高（像素层面贴合），却因漏检分裂而 CT 很低（谱系还原失败）；反之，一个算法可能像素粗糙但关联稳健。CTC 用 CTB 的 OPCTB=0.5(SEG+TRA) 综合技术轨，又在 CLB 的 OPCLB=0.5(LNK+BIO) 中把生物轨纳入——不同基准侧重不同维度。研究者选型时若关心"细胞谱系刻画"，应重点看 CLB 的 BIO 而非只看 CTB 的 TRA。
8.3 标注者间变异：承认"标准答案不唯一"
CTC 一个值得称道的坦诚之处，是公开发布标注者间变异（inter-annotator variability）。对多数数据集，gold 标注由 3 名标注者共同产生，官方以 SEG/TRA 的"均值 ± 标准差"形式量化三者的分歧。这意味着：CTC 承认即便是专家手工标注也存在主观差异，算法不可能（也不必）追求与某一标注者 100% 一致。例外包括仅单一手工追踪标注的四个数据集（Fluo-N3DH-CE、Fluo-N3DL-DRO、Fluo-N3DL-TRIC、Fluo-N3DL-TRIF）与无需人手标注的三个合成集——这些在标注者间变异表中标为 NA。
8.4 盲测与"隐藏金标准"
CTC 的评测公平性依赖一套"训练公开、测试保密"的机制：训练集含参考标注供调参，测试集不含参考标注，参赛者提交测试集结果后由组织方在非公开的参考标注上评估并返回分数。这一设计避免了"在测试集上过拟合"，也是它能长期公信的原因。代价是：外部研究者若想完整复现评测，必须走官方投稿通道；仅凭公开数据自评，会缺失测试集的真值。
8.5 标注工艺：金标准是怎么造出来的
理解金标准的产生过程，有助于正确解读分数上限。CTC 的金标准并非"一次标注即成"，而是经历了一套质量控制：
- 多标注者手工标注：多数数据集由 3 名标注者独立对同一序列标注分割与追踪；
- 分歧量化：官方向参赛者公开这三份标注之间的 SEG/TRA 差异（均值±标准差），即"标注者间变异"；
- 参考标注确定：以共识方式确定金标准，但官方明确承认"标准答案存在主观区间"。
这一工艺的直接推论是：算法不必、也不可能在所有度量上达到 1.0。若某算法的 TRA 已经进入标注者间变异的范围内，它就已在"人类水平"附近——继续提升的空间受限于标注本身的不确定性，而非算法能力。
8.6 合成数据的受控实验价值
三组合成数据集（Fluo-N2DH-SIM+、Fluo-N3DH-SIM+、Fluo-C3DH-A549-SIM）提供了一种真实数据无法给的东西：已知的真值。研究者可以精确知道"某帧某细胞的分裂是否真的发生"“某分割边界的真值在哪”，从而把算法的误差归因到具体环节（是漏检？是错关联？还是边界不准？）。这种"可诊断性"使合成数据成为算法调试的首选工具，也解释了为何 CTC 持续投入 MitoGen、FiloGen 两代生成器的研发。
但合成数据必须与真实数据配对使用：生成器再复杂，也只是对真实成像的近似模型。CTC 官方在论文中明确把合成集定位为"受控实验"，而非"真实场景替代"。用合成集调方法、用真实集定结论，是负责任的用法。
8.7 度量归一化的巧思：为什么要 min 算子
CTC 五个度量的公式里都出现 min(代价, 代价0) 这一算子，其用意值得单独说明。以 TRA 为例：
TRA = 1 − min(AOGM, AOGM0) / AOGM0
若没有 min，当算法输出与参考图"毫无关系"时，AOGM（改造代价）可能大于 AOGM0（从零构建参考图的代价），导致 TRA 为负。min 的作用是把"最差情况"封顶在"相当于什么都没做"（即从零构建），从而让 TRA 严格落在 [0,1]。这是一个典型的度量稳健性设计：它保证了"随便输出一个空结果"的得分不会优于"努力改造但效果差"的结果，避免了度量的病态行为。这种细节体现了 CTC 度量设计的严谨——它不只是一个分数公式，而是经过仔细推敲的行为准则。
8.8 技术轨与生物轨的分歧案例
一个常被提及的洞见是：技术性能高不等于生物学有用。设想一个算法在 SEG 上接近满分（像素级分割精准），但因漏检了某次细胞分裂，导致该细胞之后的所有轨迹全部错位——此时它的 CT（完整轨迹）会骤降。对关心谱系的生物学家而言，这个"分割很准"的算法反而是没用的。CTC 用双轨度量把这种分歧显式暴露出来，迫使研究者同时关注"像不像"与"对不对"。Nature Methods 2023 论文专门研究了技术性能与生物性能的关系，正是这一关切的方法学成果。
§9 与库内条目的关系
9.1 家族图谱
CTC 在库内可归入**“细胞/显微图像分析基准"与"挑战赛数据集”**两个母题。库内相关条目包括：
- cholectrack20（rid 886）：手术视频中的器械/动作追踪，与 CTC 同属"追踪"母题但对象不同（器械 vs 细胞）；
- trackrad（rid 669）：放射学报告相关条目，名称含"track"但域不同；
- 医学图像分割类基准若干（如 acdc、3dircadb、atlas-liver-tumor、3d-mammogram 等）：与 CTC 的"分割"子任务族谱上有交集；
- cholectrack20 与 CTC 可作"追踪基准跨域对照"（临床手术 vs 显微细胞）。
互链 rid 一律由主会话入库后回填核验，写手不写死（R018 教训）。
9.2 检索路径建议
- 想找具体某个细胞追踪数据集（如 Fluo-N2DL-HeLa）→ 查 §3 全表，代码即线索；
- 想找评测方法源自何物（AOGM）→ 查 §4 与 §5 论文 [2]；
- 想找许可怎么用→ 查 §6，切记"下载开放、使用受限"；
- 想找相关基准→ 注意"track"只是关键词，cholectrack20/trackrad 与 CTC 并不同物（R019 别名撞库教训：不要因名字相似就合并）。
9.3 建议互链点（写手建议，rid 由主会话回填）
| 目标条目 | 关系 | 建议互链位置 |
|---|---|---|
| cholectrack20 | 同属"追踪基准"，对象为手术器械 | §7.5、§9.1 |
| trackrad | 名称含 track 的放射学条目 | §9.1（并注明非同类） |
| acdc | 心脏 MRI 分割基准 | §9.1 分割基准家族 |
| 3dircadb | 肝脏 CT 分割基准 | §9.1 分割基准家族 |
| atlas-liver-tumor | 肝脏肿瘤分割 | §9.1 |
| 3d-mammogram | 乳腺影像分割 | §9.1 |
依 R012 教训：relatedLink 仅写纯 URL，消歧与血缘说明留在正文（本表即属正文）。依 R018：rid 一律不写死，由主会话入库后统一回填核验。
§10 避坑清单
坑 1：把"20 个数据集"和"13 个数据集"混为一谈。
官网 datasets 页列出 2D+t 10 个 + 3D+t 10 个 = 20 个数据集（存储库全量）；但 CTB 与 CSB 的榜单页各自写明"13 included datasets"（纳入评测数）。Nature Methods 2023 论文口径也是 20。20 = 拥有的，13 = 在榜比试的。 引用数字前先确认你指的是哪个口径。
坑 2：误信"数据许可 CC BY 4.0"。
候选情报称 CC BY 4.0，但官网实为自定义 5 条使用条件：参赛用免许可，公开非 CTC 科研需许可，商业用途双重许可，且严禁克隆数据集。把 CTC 当 CC BY 自由使用会踩版权红线。正确表述是"开放获取、受限使用"。
坑 3：误称"9 个赛项"。
候选情报称"9 个赛项"，官网未见支持。实为三大基准（CTB/CSB/CLB），固定截止日期赛 6 届。数字出处不明的"9"不要写进条目。
坑 4：以为下载要注册。
官方明确"全部数据集对任何人开放下载"，下载无需注册；注册只为投稿。别把投稿门槛当成下载门槛。
坑 5：拿测试集找标注而扑空。
训练集 ZIP 含参考标注，测试集 ZIP 不含。若解压测试集后找不到 ST/GT 目录，不是下载坏了，是设计如此（盲测）。
坑 6：忽视"限定评测区"导致自评分数虚低。
Fluo-N3DL-DRO/TRIC/TRIF 仅指定谱系的细胞参与评测，其他细胞在 CTB 软件中计为错误。若你自评时把全部检出的细胞都算进去对齐，会得到远低于官方口径的分数。
坑 7：把合成数据的成绩当作真实场景结论。
SIM/SIM+ 集有完美真值，成绩往往显著高于真实集，但存在域差距。调参可用，定论须回归真实数据。
坑 8：低估 3D 大数据的存储门槛。
Fluo-N3DL-TRIF 训练集 320 GB、测试集 467 GB，Fluo-N3DL-TRIC、Fluo-C3DH-H157 也在 GB 到数十 GB 级。规划实验前先估算磁盘与 IO。
坑 9：以为评测只看一个分数。
CTC 有五核心度量 + 三综合指标，不同基准侧重不同。只看 OPCTB 会忽略生物轨的 CT/TF/BC/CCA；只看 SEG 会忽略追踪能力。选型须对维度看分。
坑 10：把"运行 6 届赛"当成"已停办"。
固定截止日期赛 6 届是历史事实，但自 2017-02 起转入在线月度评估并持续运行至今（最新榜单快照 2026-08-08），CLB 自 2026-10 仍在开放投稿。CTC 是活的基准，不是历史遗迹。
坑 11：把"C"标签一律理解成癌细胞。
命名中的 C 表示"完整细胞"（Cell），N 表示"细胞核"（Nucleus），与癌症无关。Fluo-C2DL-Huh7 里的 C 是完整细胞，Fluo-N2DL-HeLa 里的 N 是细胞核——两者虽都含 HeLa 字样，评测对象却不同（细胞 vs 细胞核），不可混用。
坑 12：把难度标记 H/L 读成"高度/长度"。
2DH/2DL 中的 H 是 High（高密度）、L 是 Low（低密度），描述细胞拥挤程度而非图像尺寸。_2DL_ 通常更稀疏、更易；_2DH_ 更拥挤、更难。误读会错判数据集难度。
坑 13：以为 SIM+ 的"+"无关紧要。
SIM 与 SIM+ 不同：+ 表示该合成集额外提供完美分割掩膜供关联——这对 CLB（仅关联基准）尤为重要。看到 + 就知道该集附带了可作关联输入的真值掩膜。
坑 14：用官方榜单截图（PNG）当作可解析数据。
CTC 排行榜以 PNG 图片形式发布，精确分数藏在配套 XLSX（CellTrackingBenchmark.xlsx 等）中。若需引用具体分数，务必下载 XLSX 而非截图估读，否则数字可能失真。
坑 15：忽略"引文与致谢"是硬性义务。
使用 CTC 数据的出版物必须引用 Nature Methods 2023（可选 2017）并致谢 Cell Tracking Challenge。这不是"建议引用"而是条款第 1 条。漏引可能在学术规范上被质疑。
坑 16：以为 generalizable 与 regular 榜首可以混谈。
两榜评测的算法在目标上不同：regular 允许针对单/少数数据集调优，generalizable 要求跨 13 个数据集通用。直接比较两榜同一名次的分数是没有意义的——它们的"难度设定"根本不同。
坑 17：忽视数据集会随时间扩充。
CTC 仍在增长（2012 的 13 集 → ISBI 2015 增果蝇 → ISBI 2019 增拟谷盗/伪足 → ISBI 2020 增明场与全 3D 拟谷盗 → 2023 论文口径 20 集）。早期论文里的"数据集总数"会过期，引用时须标注口径年份。
坑 18：把"C2DL"当成两个维度。
C2DL 是"细胞（C）+ 二维（2D）+ 低密度（L）"三个字段的连写，不是一个独立维度。拆开读才能正确解码数据集代码。同理 C2DH = 细胞 + 2D + 高密度。
坑 19：忽略 CTC 与"Cycle 轮次"无关。
本库工作流中的 “cycle”（轮次）是生产流程概念，与 CTC 的数据集命名、评测轮次毫无关系。检索时若把两者混谈会张冠李戴。
坑 20：把榜单"最佳三名"当作只有三名参赛。
榜单展示的是 best-three，实际历史累计算法远多于此（Nature Methods 2023 口径 89 个算法）。不要把榜单可见条目数误当作参赛总数。
坑 21：以为所有数据集都用同一套度量。
CTB 用 SEG+TRA（OPCTB），CSB 用 DET+SEG（OPCSB），CLB 用 LNK+BIO（OPCLB）。三榜度量组合不同，比较时须对齐基准。
坑 22：把"数据集开源"等同于"可商用"。
官方条款第 4 条明确商业用途须获组织方与数据提供者双重许可。用于产品、模型商业化训练前，务必走许可流程。
§11 总结
11.1 三句话总结
- CTC 是细胞分割与追踪领域运行逾十年的客观基准：自 2012 年发起，主办方为 Masaryk University CBIA，自 2017 年起月度评估排名，三大基准（CTB/CSB/CLB）覆盖 20 个真实与合成、2D 与 3D、多模态的时序显微数据集。
- 它的核心贡献是一套统一的评测度量：以 AOGM（无环有向图匹配）为理论基础的 SEG/TRA/DET/LNK，加上生物轨的 BIO（CT/TF/BC/CCA），换算为 OPCTB/OPCSB/OPCLB 三个综合指标，评测软件公开可复现。
- 它的许可常被误读：并非 CC BY 4.0，而是自定义 5 条使用条件——参赛免许可、公开非 CTC 科研需许可、商业用途双重许可、严禁克隆数据集；引用须致谢并引用 Nature Methods 2023 论文。
11.2 适合谁
- 细胞分割/追踪算法开发者：想找标准评测数据与榜单对标；
- 生物医学图像分析方法学研究者：想研究基准评估框架、标注质量与算法性能关系；
- 发育生物学与细胞生物学研究者：需要带谱系标注的时序显微数据（C. elegans、果蝇、拟谷盗等）；
- 合成数据生成研究者：MitoGen/FiloGen 的合成集提供可控实验素材；
- 医学 AI 评估方法学研究者：CTC 的"技术 vs 生物"双轨评估是教科书式案例。
11.3 不适合谁
- 想找临床影像追踪数据的人：CTC 是细胞级显微成像，不是 CT/MRI 患者追踪；
- 想自由再分发数据集的人：CTC 严禁克隆数据集，不能作二次分发的数据源；
- 不想处理大数据存储的人：部分 3D 数据集达数百 GB；
- 期望"即插即用的预训练权重"的人：CTC 是基准与数据，不直接提供成品模型权重。
11.4 30 秒决策卡
| 你的问题 | 答案 |
|---|---|
| 是什么 | 细胞分割/追踪的客观基准（benchmark） |
| 谁办的 | Masaryk University CBIA（捷克布尔诺） |
| 多久了 | 2012 至今，逾十年 |
| 多少数据 | 20 个数据集（2D+t 10 + 3D+t 10）；评测榜各含 13 个 |
| 怎么评 | 五度量（SEG/TRA/DET/LNK/BIO）→ 三综合指标（OPCTB/OPCSB/OPCLB） |
| 怎么下 | 官网直接下载，无需注册；训练集含标注、测试集不含 |
| 什么许可 | 自定义（非 CC BY）：参赛免许可、非 CTC 公开科研需许可、商业双重许可、禁克隆 |
| 官网 | https://celltrackingchallenge.net/ |
11.5 一句话给每类读者
- 给算法工程师：CTC 是细胞追踪的"标准考场"，先看训练/测试无标注的盲测机制（坑 5），再考虑投稿。
- 给生物学家：想要带谱系标注的时序显微数据，先看 §3 的 3D 胚胎集（C. elegans、果蝇、拟谷盗），但注意限定评测区（坑 6）。
- 给数据管理者：CTC 是"下载开放、使用受限"的典型，许可非 CC BY（坑 2），别再引用错误许可。
- 给评估方法学研究者：AOGM 与"技术 vs 生物"双轨（§4、§8）是必读的方法学遗产。
- 给选型者：CTC 定位是"评测权威 + 数据多样"，不是"开箱即用模型库"。
11.6 与其他细胞分割基准的关系
细胞分析领域并非只有 CTC 一个基准。但 CTC 的独特性在于三点：其一，时间维度——多数分割基准只评单张图像的静态分割，CTC 评的是时序追踪（含分裂树）；其二，持续时长——十余年月度更新，是罕见的"活基准"；其三，度量原创性——AOGM 框架是其原创方法学贡献，而非借用现成的 Dice/IoU。这三者叠加，使 CTC 在细胞分析基准中占据不可替代的位置。对于只评静态分割的资源，CTC 的 CSB 分支（segmentation-only）反而提供了一个可与之对照的时序分割评测入口。
11.7 本条目撰写中的核验要点回顾
为便于后续维护者复核，此处列出本条目最关键的几处一手核验结论：
- 存在性：官网 celltrackingchallenge.net 实抓，首页/2d-datasets/3d-datasets/history/evaluation-methodology/organizers 六页互证，数据集真实存在、可下载。
- 许可：官网 datasets 页"Conditions of use of the images"5 条原文实抓，确认非 CC BY 4.0（与候选情报出入，按实核成稿）。
- 规模：2D+t 10 + 3D+t 10 = 20 个数据集，与 Nature Methods 2023 论文口径（20 datasets）一致；CTB/CSB 各含 13 个评测集。
- 赛制：固定截止日期赛 6 届（官网 history 明确），在线月度评估自 2017-02 起。
- 数字出处：全部硬数字落来源 URL，见 FACTS.md §2-§7。
若后续维护发现官网更新（如新增数据集、许可条款变更），应以官网为准同步修订，并更新 frontmatter 的 lastReviewed 日期。
11.8 结语
Cell Tracking Challenge 是一个"活着的"科学基础设施：它用十余年时间，把"细胞怎么动、怎么分裂"这一生物学基础问题，转化为可量化、可比较、可持续改进的计算基准。它的价值不仅在于提供数据，更在于提供了一套度量问题的语言——AOGM、SEG、TRA、BIO 这些术语已经成为细胞追踪研究者的共同词汇。对于任何希望在细胞分析领域工作的人，理解 CTC 不仅是"拿到一份数据"，更是"接入一个学术共同体"。而对 AI-Ready 数据集生态而言，CTC 也提供了一个范本：如何让一份数据通过持续维护、公开评测与清晰（尽管严格）的许可，成为十年不倒的领域基石。
§12 使用指南：从下载到投稿的完整路径
12.1 第一步：搭好下载与解压环境
CTC 数据集以 ZIP 分发，全套下载占用空间可观。建议按需下载，不要盲目全量：
# 以 2D 低密度荧光集为例（训练集含标注）
wget https://data.celltrackingchallenge.net/training-datasets/Fluo-N2DL-HeLa.zip
unzip Fluo-N2DL-HeLa.zip -d ./data/Fluo-N2DL-HeLa
# 测试集不含标注，用于盲测投稿
wget https://data.celltrackingchallenge.net/test-datasets/Fluo-N2DL-HeLa.zip
解压后的目录结构遵循官方《Naming and file content conventions.pdf》：每个序列一个子目录，内含图像帧（如 t000.tif、t001.tif）与标注子目录（金标准分割 ST/SEG/man_track、追踪 GT/TRA/man_track、银标准 ST/SEG/res_track 等）。训练集才有这些标注目录，测试集只有图像。
12.2 第二步：分清你能拿到哪一级真值
在动手前先明确三档标注的可得性：
- 训练集金标准：可下载，可直接用于监督训练与自评；
- 训练集银标准：可下载（13 个数据集），精度较低，适合快速迭代；
- 测试集真值：不可下载，只能通过官方投稿获得评估分数。
因此，如果你的目标是"训练一个模型"，请使用训练集金/银标注；如果你的目标是"证明模型多强"，必须走投稿通道拿测试集分数——两者不可互相替代。
12.3 第三步：用官方软件自评
CTC 公开的 EvaluationSoftware.zip 可本地运行，实现 DET/SEG/TRA。典型用法是把算法输出的分割掩膜与追踪标注按官方命名约定整理后，调用评测软件得到分数。这一步的价值在于与官评口径一致——你本地算出的 TRA 若与官方接近，说明格式与流程都对；若差异大，多半是命名或格式不合规。
12.4 第四步：提交投稿
投稿前需注册（registration），然后按 submission-of-results 的说明打包结果提交。评测月度进行，分数会在下个月的榜单快照中体现。投稿分为 regular 与 generalizable 两类，选择哪一类取决于你的算法是否跨数据集通用。
12.5 常见工程陷阱
- 格式不合规：CTC 对文件命名与目录结构要求严格，一个文件名错误就可能导致评测软件读不到结果。务必对照命名约定文档逐项核对。
- 压缩格式：部分数据集为 TIFF 序列，注意位深与颜色通道（多为 16-bit 单通道）。
- 坐标原点：3D 数据的 Z 轴方向与体素各向异性（如 DRO 的 0.406×0.406×2.03 μm）会影响算法设计，别假设各向同性。
- 内存：3D 大集（TRIF 训练集 320 GB）无法整个读入内存，须流式或分块处理。
12.6 选择第一个数据集的建议
初学者第一次上手 CTC，建议按以下优先级选集：
- Fluo-N2DL-HeLa：低密度荧光细胞核，任务干净、数据小（182 MB），是社区公认的入门集；
- Fluo-N2DH-GOWT1：同为细胞核荧光，密度稍高，作为第二步提升难度；
- DIC-C2DH-HeLa：切换到 DIC 模态，体验无荧光标记的挑战；
- Fluo-N3DH-SIM+：进入 3D，但因是合成集、有完美真值，诊断性强；
- Fluo-N3DL-DRO / TRIC / TRIF：3D 真实胚胎，留给有算力的进阶者。
不要一上来就挑战 TRIF（467 GB），除非你已确认存储与 IO 能支撑。
12.7 学会读"分数表"
CTC 榜单以数据集为行、算法为列（或反之），单元格内是 SEG/TRA/OPCTB 等分数。读表要点：
- 先看你关心的度量（关心分割看 SEG，关心追踪看 TRA/OPCTB）；
- 再看数据集（同一算法在不同集上分数差异可能极大）；
- 注意投稿类别（regular 与 generalizable 不可混比，坑 16）；
- 留意更新时间（算法会迭代，旧分数可能已过期）；
- 精确数值以对应 XLSX 为准，不要凭 PNG 截图估读（坑 14）。
12.8 复现他人结果时的注意事项
若你想复现某篇论文在 CTC 上的成绩，须确认：数据集版本（CTC 会扩充）、评测软件版本、测试集是否一致、以及论文报告的是自评还是官评分数。CTC 官方鼓励使用统一评测软件，但论文中的分数有时来自作者自评（在训练集上），与官方榜单分数不可直接对照——这是复现时最常见的落差来源。
§13 CTC 在细胞分析工作流中的选型建议
13.1 何时该用 CTC
- 你要评测一个细胞分割/追踪算法——CTC 是首选标准；
- 你要找现成数据训练模型——CTC 提供多模态多物种的公开集；
- 你要研究评估方法学——CTC 的双轨度量与标注者间变异是理想样本；
- 你要做迁移学习——CTC 的细胞核/细胞分割结果可迁移到自有的显微数据。
13.2 何时不该用 CTC
- 你要临床影像追踪——请用临床类基准，CTC 是显微尺度；
- 你要自由再分发数据——CTC 严禁克隆；
- 你要商用训练数据——CTC 商业用途需双重许可；
- 你要免标注的小规模实验——CTC 的 3D 集需要相当的存储与算力投入。
13.3 与其他细胞分割资源的取舍
市面上另有若干细胞分割资源（各具侧重的自有数据集与预训练模型）。CTC 的独特定位是评测的权威性与数据的多样性：若你的目标是"比谁强"，CTC 榜单是硬通货；若你的目标是"快速开箱即用做分割"，某些现成模型可能更快上手，但其自报成绩仍常以 CTC 为参照。二者可组合使用：用现成模型做冷启动，用 CTC 做最终评测。
§14 常见误解澄清
误解一：“CTC 就是 HeLa 数据集。”
不。HeLa 只是其中若干集（DIC-C2DH-HeLa、Fluo-N2DL-HeLa）的样本来源，CTC 覆盖人肺癌、乳腺癌、小鼠干细胞、大鼠干细胞、线虫、果蝇、拟谷盗等多物种。
误解二：“CTC 是免费的，所以随便用。”
免费下载 ≠ 自由使用。下载零门槛，但许可条款限制二次分发与商业使用（§6.2）。
误解三：“合成数据不够真实，没价值。”
合成数据的价值在于受控诊断，不在于替代真实场景。它是调试算法归因的利器，只是不能单独作为结论依据。
误解四：“分数越高说明算法客观上越好。”
分数高低取决于评测的数据集难度、度量维度与提交类别（regular vs generalizable）。脱离上下文谈"分数高"没有意义。
误解五：“CTC 已经很久了，可能过时了。”
恰恰相反，它仍在月度更新（最新快照 2026-08-08），CLB 于 2026-10 仍在开放投稿。持续性正是它未过时的证明。
误解六：“银标准可以替代金标准。”
银标准是算法辅助生成的、精度较低，仅用于调参。正式评测定论必须用金标准，二者不可互换。
误解七：“所有数据集都能做完整追踪评测。”
部分数据集只评测特定谱系（DRO/TRIC/TRIF），或只有单一手工标注、甚至无需手工标注（合成集）。使用前须确认该集的评测范围。
FAQ（高频问答 30 问）
A. 基础认知
Q1：CTC 和普通数据集有什么不同？
普通数据集只有数据和标注；CTC 是"数据 + 真值 + 评测软件 + 滚动榜单 + 方法论论文"的五位一体基准，且持续运行更新。
Q2：CTC 缩写会和别的冲突吗？
"CTC"在医学影像领域常指 CTC（循环肿瘤细胞，Circulating Tumor Cells），也可能指 CT 结肠成像（CT Colonography）。本条目专指 Cell Tracking Challenge，检索时建议用全称或域名 celltrackingchallenge。
Q3：它是竞赛还是一次性挑战赛？
早期（ISBI 2013-2021）是固定截止日期赛，共 6 届；2017-02 起转为在线月度评估的持续性基准；第 7 届（ISBI 2024）引入 CLB 后，CLB 自 2026-10 起脱离固定赛制常态在线运行。
Q4：组织方是哪家机构？
Masaryk University 生物医学图像分析中心（CBIA），位于捷克布尔诺；核心联系人 Martin Maška。
B. 数据与获取
Q5：一共有多少个数据集？
存储库共 20 个（2D+t 10 + 3D+t 10）；当前 CTB/CSB 各纳入 13 个评测。
Q6：下载需要注册或付费吗？
都不需要。官方明确全部数据集对任何人开放下载，注册仅用于投稿。
Q7：训练集和测试集有什么区别？
训练集 ZIP 含原始图像与全部参考标注，供调参；测试集 ZIP 不含参考标注，用于盲测投稿。
Q8：金标准和银标准是什么？
gold truth 是手工标注的参考真值（用于官方评测）；silver reference 是算法辅助生成的银参考分割标注（覆盖 13 个数据集的训练视频，供调参），精度低于金标准。
Q9：数据量有多大？
跨度极大：最小 Fluo-C2DL-Huh7 训练集 36 MB，最大 Fluo-N3DL-TRIF 测试集 467 GB。
Q10：数据许可是什么？
自定义 5 条使用条件，非 CC BY 4.0：参赛免许可；公开非 CTC 科研需组织方许可；商业用途需组织方+数据提供者双重许可；严禁克隆数据集；须致谢并引用 Nature Methods 2023。
C. 评测方法
Q11：SEG/TRA/DET/LNK/BIO 分别是什么？
SEG 分割（Jaccard）、TRA 追踪（AOGM）、DET 检测（AOGM-D）、LNK 关联（AOGM-A）、BIO 生物准确度（CT/TF/BC/CCA 的均值）。
Q12：AOGM 是什么？
无环有向图匹配（Acyclic Oriented Graph Matching），把追踪结果建模为图，用"改造成本"度量算法图与参考图的差距，是 TRA/DET/LNK 的共同基础。
Q13：综合指标怎么算？
OPCSB=0.5(DET+SEG)；OPCTB=0.5(SEG+TRA)；OPCLB=0.5(LNK+BIO)。
Q14：三个基准（CTB/CSB/CLB）区别？
CTB 评分割+追踪；CSB 只评分割；CLB 只评关联（2024 引入，对应"给定不完美分割掩膜只做关联"场景）。
Q15：能自己跑评测吗？
可以。官方公开 EvaluationSoftware.zip（实现 DET/SEG/TRA）供自评调参，与官评口径一致。
D. 演进与影响
Q16：有哪些里程碑论文？
Bioinformatics 2014（首届）、PLoS One 2015（AOGM 度量）、Nature Methods 2017（21 算法/13 数据集）、Nature Methods 2023（89 算法/20 数据集）等，详见 §5。
Q17：为什么强调 generalizability？
ISBI 2021（第 6 届）起转向强调跨数据集通用，2023-08 起开放 generalizable submissions 单独排名，避免算法只在个别数据集刷分。
Q18：合成数据集有哪些？
Fluo-N2DH-SIM+、Fluo-N3DH-SIM+（MitoGen 生成）、Fluo-C3DH-A549-SIM（FiloGen 生成）。
Q19：标注者间变异是什么意思？
部分数据集 gold 标注由 3 名标注者产生，官方以 SEG/TRA 的均值±标准差量化其分歧，表明标准答案非唯一。
Q20：为什么有些数据集限制评测区域？
如 DRO/TRIC/TRIF 仅指定谱系细胞参与评测，避免算法因分割了不相关的细胞（胚胎场景中海量）而被误罚。
E. 工程与复现
Q21：数据集怎么组织文件？
遵循官方《Naming and file content conventions.pdf》：每个数据集分训练/测试，序列以数字编号，图像与标注分目录存放（图像如 000.tif、001.tif，标注目录含分割掩膜与追踪标注）。具体命名细节以该文档为准。
Q22：本地自评和官方评测分数会一致吗？
若使用官方公开的 EvaluationSoftware.zip，口径一致；差异主要来自你是否拥有测试集真值。官方评测在非公开真值上进行，外部无法完全复现榜单分数的绝对值。
Q23：能不能把 CTC 数据直接打包进我的开源项目？
不可以。条款第 5 条明确严禁克隆数据集或其部分（含参考标注）。你可以链接官方下载地址，但不能重新分发数据本体。
Q24：想引用 CTC 应引哪篇？
至少引用 Nature Methods 2023（DOI 10.1038/s41592-023-01879-y），可选引用其前身 Nature Methods 2017（DOI 10.1038/nmeth.4473），并致谢 Cell Tracking Challenge。若涉及 AOGM 度量，另引 PLoS One 2015。
Q25：CTC 的榜单在哪里看？
官网 latest-ctb-results（追踪榜）、latest-csb-results（分割榜）与 latest-clb-results（关联榜）三个页面，各提供 best-three 结果与历史更新日志。
Q26：为什么要分"技术度量"和"生物度量"？
技术度量（SEG/TRA/DET/LNK）关心像素与图的吻合；生物度量（BIO：CT/TF/BC/CCA）关心生物学结论是否成立。一个像素精准但漏检分裂的算法，技术分高而生物分低——双轨能暴露这种分歧。
Q27：CTC 的"月度评估"具体怎么运作？
自 2017-02 起，任何注册用户可随时提交结果，组织方在非公开测试集真值上评测，每月更新榜单快照。榜单页按日期列出每次更新的算法变动。
Q28：3D 数据集为什么这么占空间？
3D 时序 = 二维空间 × 深度 × 时间。以 Fluo-N3DL-TRIF 为例，全三维胚胎成像、帧数多、深度大，训练集达 320 GB、测试集 467 GB。规划实验前须评估磁盘与 IO 能力。
Q29：CTB/CSB/CLB 的榜单会互相冲突吗？
不会。三者评测不同任务（追踪/分割/关联），同一算法的三个分数可以并列展示。但要注意：CTB 的 13 个集与 CSB 的 13 个集未必完全相同口径，比较时须对齐数据集列表。
Q30：新算法还有提升空间吗？
有，但空间收窄且分化。低密度 2D 荧光集上许多算法的分数已接近标注者间变异范围（人类水平），提升空间有限；而 3D 密集胚胎集（DRO/TRIC/TRIF）仍有明显提升余地。这也是 CTC 持续增补 3D 数据的动因。
事实清单（硬事实 43 条）
- CTC 于 2012 年发起（launched）。
- 主办机构：Masaryk University CBIA，捷克布尔诺。
- 核心联系人：Martin Maška（xmaska@fi.muni.cz）。
- 固定截止日期赛共 6 届（ISBI 2013/2014/2015/2019/2020/2021）。
- 第 7 届为 ISBI 2024（Athens, Greece），引入 CLB。
- 在线投稿自 2017-02 开放，改为月度评估排名。
- 三大基准：CTB、CSB、CLB。
- CLB 自 2026-10 起在线常态运行并开放投稿。
- 存储库共 20 个数据集（2D+t 10 + 3D+t 10）。
- CTB 与 CSB 各含 13 个纳入评测数据集。
- Nature Methods 2023 论文分析 89 个算法、20 个数据集（截至 2022-06）。
- Nature Methods 2017 论文覆盖 3 届赛、21 个算法、13 个数据集。
- 银参考标注覆盖 13 个既有数据集（ISBI 2021）。
- 四模态：荧光 Fluo、相差 PhC、明场 BF、微分干涉相差 DIC。
- 命名规则：模态-对象(C细胞/N核)-维度-难度(H高/L低)-样本。
- 2D 最小集：Fluo-C2DL-Huh7 训练集 36 MB。
- 3D 最大集：Fluo-N3DL-TRIF 测试集 467 GB。
- 三组合成集：Fluo-N2DH-SIM+、Fluo-N3DH-SIM+、Fluo-C3DH-A549-SIM。
- MitoGen 对应 IEEE TMI 2017（Svoboda & Ulman）。
- FiloGen 对应 IEEE TMI 2018（Sorokin et al.）。
- AOGM 度量定义出自 PLoS One 2015（DOI 10.1371/journal.pone.0144959）。
- SEG 基于 Jaccard 相似指数。
- TRA = 1 − min(AOGM, AOGM0)/AOGM0。
- DET = 1 − min(AOGM-D, AOGM-D0)/AOGM-D0。
- LNK = 1 − min(AOGM-A, AOGM-A0)/AOGM-A0。
- BIO 含 CT、TF、BC(i)、CCA 四项。
- OPCSB = 0.5(DET+SEG)。
- OPCTB = 0.5(SEG+TRA)。
- OPCLB = 0.5(LNK+BIO)。
- 全部数据集对任何人开放下载，无需注册。
- 训练集含参考标注，测试集不含。
- 许可为自定义 5 条条件，非 CC BY 4.0。
- 特定数据集（DRO/TRIC/TRIF）仅指定谱系细胞参与评测。
- 评测软件 EvaluationSoftware.zip 公开，实现 DET/SEG/TRA。
- 时间步跨度：从 30 sec（DRO）到 80 min（MDA231）。
- 命名代码中 C=完整细胞、N=细胞核。
- 难度标记 H=高密度（难）、L=低密度（易）。
SIM与SIM+区别：+附完美分割掩膜供关联。- 榜单分 regular 与 generalizable 两类，2023-08 起开放 generalizable 投稿。
- 榜单最新快照日期为 2026-08-08。
- Nature Methods 2023 论文含三项研究：技术-生物性能关系、数据集/标注属性影响、顶尖算法可重用性。
- 每数据集提供显微镜、物镜、像素/体素尺寸、时间步等采集成像元数据。
- 官方命名与文件约定文档为《Naming and file content conventions.pdf》。
术语表（36 条）
| 术语 | 中文 | 释义 |
|---|---|---|
| Cell Tracking Challenge (CTC) | 细胞追踪挑战赛 | 细胞分割与追踪的客观基准，2012 年发起 |
| CTB | 细胞追踪基准 | 评"分割+追踪"，综合指标 OPCTB |
| CSB | 细胞分割基准 | 只评"分割"，综合指标 OPCSB |
| CLB | 细胞关联基准 | 只评"关联"，综合指标 OPCLB，2024 引入 |
| SEG | 分割准确度 | 基于 Jaccard 相似指数 |
| TRA | 追踪准确度 | 基于归一化 AOGM |
| DET | 检测准确度 | 基于归一化 AOGM-D |
| LNK | 关联准确度 | 基于归一化 AOGM-A |
| BIO | 生物准确度 | CT/TF/BC/CCA 的均值 |
| AOGM | 无环有向图匹配 | 追踪评估的图论框架 |
| AOGM-D | 检测用 AOGM | DET 的基础 |
| AOGM-A | 关联用 AOGM | LNK 的基础 |
| CT | 完整轨迹 | 能完整重建的参考轨迹比例 |
| TF | 轨迹片段 | 已检测轨迹的最长连续匹配比例均值 |
| BC(i) | 分支正确性 | 容差 i 帧内检测分裂的效率 |
| CCA | 细胞周期准确度 | 正确重建细胞周期长度的准确度 |
| Gold truth | 金标准 | 手工标注的参考真值 |
| Silver reference | 银参考 | 算法辅助的分割标注，供调参 |
| Ground truth | 真值 | 合成数据集的完美标注 |
| Time-lapse microscopy | 时序显微成像 | 按时间序列采集的显微视频 |
| Fluorescence | 荧光显微 | 用荧光标记成像 |
| Phase contrast | 相差显微 | 无染色、基于相位差成像 |
| Brightfield | 明场显微 | 普通透射光成像 |
| DIC | 微分干涉相差 | 增强对比度的无染色成像 |
| OPCTB | 追踪综合绩效 | 0.5(SEG+TRA) |
| OPCSB | 分割综合绩效 | 0.5(DET+SEG) |
| OPCLB | 关联综合绩效 | 0.5(LNK+BIO) |
| Regular submission | 常规投稿 | 针对单/少数数据集调优 |
| Generalizable submission | 通用投稿 | 要求跨数据集通用 |
| Inter-annotator variability | 标注者间变异 | 多标注者分歧的均值±标准差 |
| MitoGen | （模拟器名） | CBIA 的 3D 细胞核群体模拟器 |
| FiloGen | （模拟器名） | CBIA 的单细胞伪足模拟器 |
| Domain gap | 域差距 | 合成与真实数据的分布差异 |
| Cell lineage | 细胞谱系 | 细胞经分裂形成的树状家族关系 |
| Mitosis | 有丝分裂 | 细胞分裂过程 |
| Filopodia | 伪足 | 细胞表面细长突出物 |
附录
附录 A：条目信息速查卡
| 字段 | 值 |
|---|---|
| 官方名 | Cell Tracking Challenge（CTC） |
| slug | cell-tracking-challenge |
| 官网 | https://celltrackingchallenge.net/ |
| 主办 | Centre for Biomedical Image Analysis (CBIA), Masaryk University, Brno |
| 起始年份 | 2012 |
| 数据集总数 | 20（2D+t 10 + 3D+t 10） |
| 评测纳入数 | CTB/CSB 各 13 |
| 基准 | CTB / CSB / CLB |
| 模态 | Fluo / PhC / BF / DIC |
| 度量 | DET / SEG / TRA / LNK / BIO |
| 综合指标 | OPCSB / OPCTB / OPCLB |
| 里程碑论文 | Bioinformatics 2014；PLoS One 2015；Nature Methods 2017；Nature Methods 2023 |
| 许可 | 自定义（非 CC BY） |
| 获取 | 官网开放下载，无需注册 |
附录 B：DAIMS 评估全表
DAIMS（Data and AI Management Standards）评估从数据可用性维度对资源打分：
| 维度 | 评估 | 说明 |
|---|---|---|
| 数据可发现性（Discoverability） | 高 | 官网、论文、榜单三重入口，名称与 slug 稳定；但名称含通用缩写需注意歧义 |
| 可访问性（Accessibility） | 高 | 全部数据集开放下载，无需注册、无需 API key；训练/测试直链稳定 |
| 互操作性（Interoperability） | 中高 | 提供官方命名与文件内容约定（Naming and file content conventions.pdf），格式统一；但为显微成像专有格式生态 |
| 可复用性（Reusability） | 中 | 评测软件与度量公开、可复现；但许可限制二次分发与非 CTC 公开科研，克隆被禁，复用需确认边界 |
| 数据质量（Quality） | 高 | 金标准由多标注者产生并公开标注者间变异；银标准分级；合成集含完美真值 |
| 元数据完备性（Metadata） | 高 | 每个数据集提供显微镜、物镜、像素/体素尺寸、时间步等完整采集成像元数据 |
| 许可清晰度（Licensing） | 中 | 条款明确但非标准协议，且被误读为 CC BY 的风险高；商业与非 CTC 科研均受限 |
| 规模与代表性（Scale/Coverage） | 高 | 跨 2D/3D、四模态、多物种、真实与合成，10 年持续扩充 |
综合判断：CTC 是"高可发现、高可访问、高数据质量，但许可受限"的基准型资源。其 AI-Ready 价值主要在于评测方法论与数据多样性的双重厚度，短板在于非标准许可带来的复用摩擦。对研究者而言，它是训练/评测细胞分析算法的首选公开基准；对希望将数据纳入商业产品或二次分发的团队而言，则须逐案厘清许可边界。
附录 C：数据集完整清单（20 个）
2D+t（10 个）
| # | 代码 | 模态 | 对象 | 难度 |
|---|---|---|---|---|
| 1 | BF-C2DL-HSC | 明场 | 细胞 | 低密度 |
| 2 | BF-C2DL-MuSC | 明场 | 细胞 | 低密度 |
| 3 | DIC-C2DH-HeLa | DIC | 细胞 | 高密度 |
| 4 | Fluo-C2DL-Huh7 | 荧光 | 细胞 | 低密度 |
| 5 | Fluo-C2DL-MSC | 荧光 | 细胞 | 低密度 |
| 6 | Fluo-N2DH-GOWT1 | 荧光 | 细胞核 | 高密度 |
| 7 | Fluo-N2DL-HeLa | 荧光 | 细胞核 | 低密度 |
| 8 | PhC-C2DH-U373 | 相差 | 细胞 | 高密度 |
| 9 | PhC-C2DL-PSC | 相差 | 细胞 | 低密度 |
| 10 | Fluo-N2DH-SIM+ | 荧光(合成) | 细胞核 | 高密度 |
3D+t（10 个）
| # | 代码 | 模态 | 对象 | 备注 |
|---|---|---|---|---|
| 11 | Fluo-C3DH-A549 | 荧光 | 细胞 | 肺癌 |
| 12 | Fluo-C3DH-H157 | 荧光 | 细胞 | 肺癌，7 GB 级 |
| 13 | Fluo-C3DL-MDA231 | 荧光 | 细胞 | 乳腺癌 |
| 14 | Fluo-N3DH-CE | 荧光 | 细胞核 | 线虫胚胎 |
| 15 | Fluo-N3DH-CHO | 荧光 | 细胞核 | CHO |
| 16 | Fluo-N3DL-DRO | 荧光 | 细胞核 | 果蝇，限神经系统 |
| 17 | Fluo-N3DL-TRIC | 荧光 | 细胞核 | 拟谷盗投影，限胚盘谱系 |
| 18 | Fluo-N3DL-TRIF | 荧光 | 细胞核 | 拟谷盗全 3D，467 GB |
| 19 | Fluo-C3DH-A549-SIM | 荧光(合成) | 细胞 | FiloGen |
| 20 | Fluo-N3DH-SIM+ | 荧光(合成) | 细胞核 | MitoGen |
附录 D：评测流程一图流（文字版）
1. 下载训练集（含金/银标注）→ 训练/调参你的分割+追踪算法
2. 用官方 EvaluationSoftware.zip 本地自评（可选）
3. 注册账号
4. 在测试集（无标注）上跑你的算法，按命名约定打包结果
5. 提交 → 组织方在非公开测试集真值上评测
6. 月度榜单更新，你的算法出现在 regular 或 generalizable 榜
7. 引用 Nature Methods 2023 + 致谢 Cell Tracking Challenge
附录 E：关键链接速查
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：
- kpis — 共享标签：医学影像 / 挑战赛数据集 / 评测基准 / 医学图像分割 / 目标检测
- 3dteethland — 共享标签：医学影像 / 挑战赛数据集 / 评测基准 / 目标检测
- cryoet-data-portal — 共享标签：挑战赛数据集 / 评测基准 / 医学图像分割 / 目标检测
- psfhs — 共享标签：医学影像 / 挑战赛数据集 / 评测基准 / 医学图像分割
- toothfairy2 — 共享标签：医学影像 / 挑战赛数据集 / 评测基准 / 医学图像分割
- curvas — 共享标签：医学影像 / 挑战赛数据集 / 评测基准 / 医学图像分割
- toothfairy3 — 共享标签：医学影像 / 挑战赛数据集 / 评测基准 / 医学图像分割
- stsr — 共享标签：医学影像 / 挑战赛数据集 / 评测基准 / 医学图像分割
- prostate158 — 共享标签：医学影像 / 评测基准 / 医学图像分割 / 目标检测
- rsna-pneumonia — 共享标签：医学影像 / 挑战赛数据集 / 评测基准 / 目标检测
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。
