信息速览
ImageCAS-X：八百例 CCTA 体素级冠脉管腔与节段标注基准
§0 导读：这个数据集解决什么问题
冠脉 CT 血管造影（CCTA, Coronary Computed Tomography Angiography）是胸痛与冠心病评估的一线无创影像手段。要从 CCTA 里定量测量斑块负荷、血管周围脂肪衰减，或者跑无创血流储备分数（CT-FFR）仿真，第一步永远绕不开同一个前提——把冠脉血管腔（vessel lumen）准确地分割出来。可是人工逐根血管描画又慢又累，临床医生几乎都在依赖半自动工具；而自动化方法此前的验证，长期被同一个瓶颈卡住：缺乏大规模、高质量、公开可得的金标准。
ImageCAS-X 正是冲着这个瓶颈来的。它由丹麦技术大学（DTU）计算系与哥本哈根大学医院-国家医院（Rigshospitalet）心血管研究单元联合推出，对公开的 ImageCAS 队列中的 800 例 CCTA 扫描做了逐体素（voxel-wise）的重新标注：不仅有血管腔掩膜，还给出了 15 类冠脉节段标签、冠脉中心线、三维网格面和扫描级描述符，并附带 5 个冠脉专用 + 3 个通用分割方法的预训练权重。整包以 CC BY 4.0 在 Zenodo 公开。
它与库内已有的 ImageCAS（rid=549） 是同源关系但不是同一条目：ImageCAS 是原版数据集本体的二值管腔分割（广东省人民医院单中心，1,000 例，Kaggle Apache 2.0）；ImageCAS-X 则是 DTU 团队拿 ImageCAS 的影像重新标注出来的扩展标注集（800 例，CC BY 4.0）。两者共享底层影像，但标注来源、类别体系、作者、许可全部不同——这是本条目检索与引用的第一号注意事项，详见 §9 与附录 M。
本条目要回答的是：这 800 例究竟标了什么、怎么标出来的、基准跑到了什么水平、和原版 ImageCAS 到底差在哪里、以及作为使用者怎么落地。
§1 数据集速览：十问十答
Q1：ImageCAS-X 是什么？
它是一套面向冠脉 CTA 的体素级重标注数据集 + 基准。论文题名为「ImageCAS-X: a dataset and benchmark for coronary artery segmentation and centerline extraction in coronary CT angiography」，2026-08-31 挂上 arXiv（2608.30404，cs.CV/cs.AI），状态为预印本审稿中。
Q2：它和 ImageCAS 是什么关系？
同源扩展版本，勿合并。ImageCAS-X 的底层影像是公开发布的 ImageCAS 数据集；DTU 团队从中筛出 800 例可用扫描，重新做了体素级标注（原版只有二值前景管腔，本集细分为 15 类节段并配中心线与网格）。二者条目必须分列，理由见 §9.1。
Q3：规模多大？
800 例 CCTA 扫描。原版 ImageCAS 共 1,000 例，其中 200 例因图像质量不佳被剔除，余下 800 例进入本集。
Q4：标了什么？
四层标注：① 逐体素管腔掩膜（多标签，0-14 共 15 类）；② 左右冠脉中心线（VTK，带起止/分叉顶点属性与 18 段命名）；③ 冠脉三维网格面（VTK）；④ 扫描级描述符（图像质量 / 冠脉优势型 / 冠心病）存于 Descriptors.xlsx。
Q5：花了多少人工？
据论文解析，仅管腔分割的人工修正就累计约 270 小时。管线为半自动：自动方法生成初值 → 专家分析师逐例修正。
Q6：谁做的？什么时候？
DTU Compute（丹麦技术大学）+ Rigshospitalet 心血管研究单元，2026 年发布。通讯作者 Kit M. Bransby 与 Rasmus R. Paulsen。
Q7：什么许可？怎么拿？
数据集与权重均 CC BY 4.0，托管于 Zenodo（DOI 10.5281/zenodo.21887809）。但原始影像不在此包内，需另从 Kaggle 下载 ImageCAS 原版卷。
Q8：基准结果如何？
最佳算法 CAS-Net 的 Dice 为 91.2%，专家间一致性为 92.8%——人-机差距仍然存在。这是本集最重要的结论（详见 §5）。
Q9：适合谁用？
冠脉管腔分割/中心线提取的研究者、CT-FFR 与斑块定量团队、分割基准与拓扑保持方法的评测者、标注方法论研究者。
Q10：最大的坑是什么？
把它和库内 ImageCAS 当成同一个数据集；以及忽略"原版标签直接当 GT 只能拿到 DSC 41.8%"这一事实（两套标注体系差异巨大）。
Q11：本集的评测指标和一般分割数据集有什么不同？
一般分割数据集只报 Dice 和 HD95；本集额外纳入了 **Betti 数误差（βerr）**与 中心线 Dice（clDice）两个拓扑/中心线指标。这是因为冠脉是树状结构，管腔像素重合得好不代表分枝连接关系正确。拓扑指标的加入，让"血管断没断、有没有多出伪分枝"这类错误能被显式度量。
Q12：它的核心结论是什么？
一句话——机器还没追上专家。最佳算法 CAS-Net 的 Dice 为 91.2%，而专家间一致性达 92.8%，还有约 1.6 个百分点的差距。论文把这一"人-机差距"归因于模型缺乏对血管树全局拓扑与血管周围上下文的显式建模。
Q13：为什么它要用 ImageCAS 的旧影像，而不重新收集？
因为重新收集 800 例带金标准的冠脉 CTA 成本极高（伦理、标注、专家时间），而 ImageCAS 已公开了千例影像。在已公开影像上做"标注升级"，是医学影像数据集复用的一种高效范式——花的是标注成本，省的是采集成本。
Q14：本集和 ASOCA 比怎么样？
ASOCA 是 MICCAI 2020 挑战赛数据集，仅 40 训练 + 20 测试例，规模小；ImageCAS-X 有 800 例，统计意义更强，且标签更丰富（15 类 + 中心线 + 网格 + 描述符）。做大规模训练与稳定评测，本集更合适；做小规模挑战赛对比，ASOCA 仍是常用基准。
Q15：如果我只想做二值管腔分割，能用本集吗？
能。数据加载器默认就把多标签掩膜二值化为"管腔 vs 背景"。也就是说，即使你不需要 15 类细节，也可以直接把它当"一个高质量的 800 例二值管腔数据集"来用——而且它比原版 ImageCAS 的标注质量更高。
Q16：本集有中文字幕/中文文档吗？
官方发布以英文为主（arXiv 论文、GitHub README、项目网页均为英文）。本条目即为其中文维基化整理，术语首现处标注英文，供中文研究者快速上手。
Q17：数据集的更新频率如何？
2026 年首发，论文尚在审稿中。Zenodo 记录为静态快照，长期是否会有版本迭代（如扩充例数、新增标注层）尚不确定。使用者应关注 Zenodo DOI 的版本号与项目网页的更新记录。
Q18：权重包里的 8 个模型都能直接用吗？
pretrained_weights.zip 包含论文基准所用方法的预训练权重。单步方法（CAS-Net、FFR-UNet、Swin-UNETR）可直接推理；多步方法（ImageCAS 的 4 模型集成、ADE-HTL 的粗定位+主网络）需按仓库给的逐步命令复现其流程。使用前请核对你数据根目录的结构是否与 §2.2 一致。
Q19：为什么会有 200 例被剔除？
官方仅以 poor quality（质量不佳）概括。常见原因包括造影剂充盈不足、运动伪影、严重钙化导致管腔不可辨等，但官方未逐例公开具体原因与质控阈值。这是本集的一个信息缺口，详见 §6 与坑点清单。
Q20：这个数据集对临床有多大直接价值？
它是研究工具而非临床器械。它的价值在于为 CT-FFR、斑块定量等方法提供更可靠的训练与评测基座。要落地到临床，仍需各机构自行验证其在自己人群上的表现——尤其本集是单中心数据（见坑点 6 与 DAIMS 人群多样性 2/5 的评分）。
§1.5 三个常见误解（开工前先排除）
在深入细节前，先澄清三个最容易产生的误解——它们会在后续章节反复出现，提前排除能省不少弯路。
误解一：「ImageCAS-X 就是 ImageCAS 的别名」。
不是。这是典型的同源但非同物关系（俗称"版本链"而非"别名"）。别名是指两个名字指向同一个数据集（如 OCT-500 与 oct-500）；版本链是指共享部分底层资源但标注/发布独立的多个数据集。ImageCAS-X 属后者：影像同源，但标签、作者、许可、渠道全部另立。把它当别名合并，是引用层面最严重的错误。
误解二：「800 例比 1,000 例少，所以是缩水版」。
不是缩水，是提质。原版 1,000 例是二值管腔；本集从其中筛出 800 例高质量扫描，做了 15 类节段、中心线、网格、描述符的重标注——标注信息量提升了不止一个量级。例数少 200，换来的是标注维度从 1 类（前景）扩展到 15 类并附几何资产。这是"以量换质"的主动取舍，不是被动缩水。
误解三：「有 800 例就能直接跑，数据包下完就用」。
不能。本集包不含原始影像，必须先补 Kaggle 上的 ImageCAS 影像，且要按 filelist 对齐扫描 ID。忽略这一步，你会得到一个"有标签没影像"的尴尬状态（坑点 2）。这是本集 AI-Ready 度虽高、但仍有"两段式获取"门槛的根源。
把这三条记住，后面阅读会顺畅很多。接下来 §2 进入数据的具体构成。
§1.6 阅读路线图
本条目信息量较大，给不同读者一条"省时路线"：
- 只想快速判断要不要用 → 读 §0、§1、§11.4 决策卡；
- 要落地复现 → 读 §2（结构与标签）、§6（获取与许可）、附录 H/K（文件与命令）；
- 要理解基准与结果 → 读 §5、§5.2 表格、§5.8 读表守则；
- 关心与原版 ImageCAS 的关系 → 读 §9.1、附录 D、附录 M；
- 要做二次开发/扩展 → 读 §4（任务 I/O）、§8（方法学启示）；
- 要评估可信度 → 读 §12 编者按、附录 S（三源互证）、附录 T（遗留疑点）。
§2 数据构成与规格
2.1 规模、来源与机构构成
ImageCAS-X 的底层影像是公开的 ImageCAS 队列——一个单中心冠脉 CTA 数据集，采集自广东省人民医院，时间跨度为 2012 年 4 月至 2018 年 12 月，使用西门子 128 层双源 CT，重建时相取 30-40% 或 60-70%。原版共 1,000 例。
DTU 团队从中筛选后，剔除 200 例质量不佳的扫描，最终保留 800 例进入 ImageCAS-X 的标注范围。需要强调：ImageCAS-X 并不重新发布原始影像——它的数据集包里只有标签、中心线、网格面、描述符与预训练权重；影像本体仍要从 Kaggle 上的 ImageCAS 原版获取。因此，完整复现需要两段式获取：先拿 Kaggle 影像，再用本集的标签对齐覆盖。
机构上，本集由两个单位合作完成：
- DTU Compute（丹麦技术大学计算系，Kongens Lyngby）：Bransby、Øksnebjerg、Kjær、Kirkeby、Jiménez、Paulsen 六人；
- Cardiovascular Research Unit, Copenhagen University Hospital – Rigshospitalet（哥本哈根大学医院-国家医院心血管研究单元）：El Youssef、Pedersson、de Knegt、Kofoed 四人。
通讯作者为 Kit M. Bransby（kimbr@dtu.dk）与 Rasmus R. Paulsen（rapa@dtu.dk）。资助方为 Novo Nordisk A/S。值得注意的是，标注流程中的临床背景由 Rigshospitalet 一方提供——丹麦临床团队 + 中国单中心影像这一组合，本身也说明本集是"用新标注体系复用旧影像资源"的典型范式。
2.2 标签规格与数据目录
数据集采用多标签（multi-label）掩膜：每个体素分到 0-14 中的一个类别。官方给出的目录结构如下：
<data_root>/
├── volumes/ <scan_id>.img.nii.gz
├── segmentations/ <scan_id>.coronary.nii.gz
├── centerlines/ <scan_id>.coronary_{left,right}_centerline.vtk
├── surfaces/ <scan_id>.coronary_mesh.vtk
└── filelist/ train.txt / val.txt / test.txt / exclude.txt
其中 volumes 需来自 ImageCAS 原版；segmentations 为多标签管腔掩膜；centerlines 分左右冠脉两支（.vtk）；surfaces 为网格面（.vtk）；filelist 给出划分，exclude.txt 中的扫描 ID 会从所有划分子集中剔除。
代码层面，数据加载器会默认把多标签掩膜二值化为"管腔 vs 背景"（data.params.binarise_lumen，默认 true），以适配只做二值分割的方法；如需保留多标签，可将该开关关闭，或自行加入变换。
2.3 十五类冠脉节段体系
ImageCAS-X 最重要的升级之一，是把原版"一根血管一个前景类"变成按解剖分枝的 15 类体系。官方映射如下：
| 编号 | 缩写 | 中文 | 英文全称 |
|---|---|---|---|
| 0 | Background | 背景 | Background |
| 1 | LM | 左主干 | Left main |
| 2 | LAD | 左前降支 | Left anterior descending artery |
| 3 | LCx | 左回旋支 | Left circumflex artery |
| 4 | D1 | 第一对角支 | First diagonal branch |
| 5 | D2 | 第二对角支 | Second diagonal branch |
| 6 | OM1 | 第一钝缘支 | First obtuse marginal branch |
| 7 | OM2 | 第二钝缘支 | Second obtuse marginal branch |
| 8 | IM | 中间支 | Intermediate branch (ramus intermedius) |
| 9 | RCA | 右冠状动脉 | Right coronary artery |
| 10 | R-PDA | 右后降支 | Right posterior descending artery |
| 11 | R-PLA | 右后侧支 | Right posterior lateral artery |
| 12 | L-PDA | 左后降支 | Left posterior descending artery |
| 13 | L-PLA | 左后侧支 | Left posterior lateral artery |
| 14 | Other | 其他 | 含 D3、D4、OM3、OM4 分支 |
中心线命名则采用标准化的 18 段模型（18-segment model），可视为 AHA 冠脉 17 段命名体系的一个变体，保证左右冠脉的解剖分段可跨病例对齐。
需要提醒的是，编号 14「Other」是一个兜底类，把 D3/D4/OM3/OM4 等更细的远端分枝合并进去。这意味着：如果你关心第 3、第 4 对角支或第 3、第 4 钝缘支的精细拓扑，本集不提供单独的类别标签，只能从中心线的段名或网格上间接推断。对小血管研究，这是一个需要注意的粒度边界。
2.4 影像与标签的空间规格
底层影像沿 ImageCAS 原版规格：体素 512×512 平面分辨率，层数约 166-277；空间间距（spacing）的平面分量为 0.29-0.46 mm、层间为 0.5 mm，中位约 (0.35, 0.35, 0.5) mm。掩膜与影像逐体素对齐（同空间、同网格），中心线点与网格面则建立在同一坐标框架下。
标注生成后，中心线会从最终掩膜重新骨架化（skeletonization → Gaussian smoothing）提取，以确保中心线始终居中于管腔内部——这与"先有中心线再生成掩膜"的流程相反，是保证几何一致性的关键设计。
2.5 与 ImageCAS 原版的规格对照
下表把两个版本并排列示，帮助检索者一眼看清边界：
| 维度 | ImageCAS（rid=549，原版） | ImageCAS-X（本集，扩展） |
|---|---|---|
| 例数 | 1,000 | 800（自原版筛出） |
| 影像 | 提供（约 89.1 GB NIfTI） | 不提供，需从原版获取 |
| 标注类别 | 二值前景（管腔/背景） | 15 类（背景 + 14 冠脉分支） |
| 中心线 | 无公开中心线标注 | 有（左右各一，VTK） |
| 网格面 | 无 | 有（VTK） |
| 描述符 | 无 | 有（质量/优势型/疾病） |
| 预训练权重 | 论文附带基准代码 | 8 方法权重随包发布 |
| 作者/机构 | 广东工业大学等 + 广东省人民医院 | DTU + Rigshospitalet |
| 许可 | Apache 2.0（Kaggle） | CC BY 4.0（Zenodo） |
| 年份 | 2023 | 2026 |
一句话：原版是"影像 + 粗标注"，本集是"细标注 + 工具链"，二者互补而非替换。
2.6 划分与文件清单
本集通过 filelist/ 目录给出划分，包含 train.txt / val.txt / test.txt / exclude.txt 四个文件。加载器优先读取这些文件，而不是配置里的内联 train_ids / val_ids / test_ids；而 exclude.txt 中列出的扫描 ID 会从每一个子集中剔除。
设这个 exclude.txt 机制的意义在于：即便某些扫描此前被划进某个集合，只要进了排除清单，就不会出现在训练或测试里——这对保证评测的纯度很关键，避免"被剔除的坏样本又漏进测试集"污染结果。
遗留说明：本集官方页面在截至检索时未明确披露 train / val / test 各自的确切例数（只给出文件名），论文正文与项目网页的已抓内容也未列出三者的具体数字。检索者若需要精确划分规模，应直接下载 filelist 后自行统计。此处不臆造数字。
2.7 关于患者级唯一性
数据集以"扫描（scan）"为基本单位，每例对应一个 <scan_id>。ImageCAS 原版在去标识化时移除了姓名、生日、入院年份、入院号与 CT 号。本集未逐例披露患者级唯一性统计（即 800 例扫描来自多少位唯一患者）。对于冠脉 CTA，通常一例患者对应一次扫描，但存在复查场景，理论上可能有同一患者多次扫描——使用者若做患者级交叉验证，需自行核实。
2.8 一个常被忽略的细节：标签被二值化的默认行为
.coronary.nii.gz 是多标签的（0-14），但代码的 dataloader 默认二值化（binarise_lumen = true）。这意味着：
- 若你直接跑官方训练脚本，模型学到的是"管腔 vs 背景"，15 类信息被丢弃；
- 如果你想让模型输出 15 类，必须显式关闭该开关（
data.params.binarise_lumen = false）或加入自定义变换。
很多使用者拿到"15 类标签"却训练出"二值分割模型"，根源就在这里。这是本集工程使用中最隐蔽的一个坑（另见坑点 7）。
2.9 一句话记住数据构成
影像来自 ImageCAS（需自取），标签来自 ImageCAS-X（随包发布）；每例 = 一个体积 + 一个 15 类掩膜 + 两条中心线 + 一个网格面 + 一行描述符。
理解这个"一例五件"的结构，就抓住了本集数据组织的骨架：掩膜回答"哪里是管腔"，中心线回答"血管沿哪走"，网格回答"表面长什么样"，描述符回答"这例有什么临床属性"。四者各司其职，共同支撑从分割到仿真的一系列下游任务。
2.10 空间对齐的保证
最后强调一个工程上极易被忽视、却决定复现成败的点：空间对齐。本集的三类几何资产（掩膜、中心线、网格）必须与影像处于同一坐标框架下，否则一切测量都会错位。具体来说：
- 掩膜与影像逐体素对齐（同 spacing、同 origin、同方向）；
- 中心线点坐标定义在影像的物理坐标系（mm）中；
- 网格面顶点同样在物理坐标系中。
如果你在预处理时改变了影像的 spacing 或方向（如重采样、翻转），必须对掩膜、中心线、网格施加同样的变换，否则三者会与影像"失步"。官方提供的 offline_resample_images_to_disk 工具会一并处理影像与掩膜的重采样缓存，建议直接使用而非自行变换。
这是所有体素级医学影像数据集通用的坑：几何资产的对齐比单个资产的正确更脆弱。一次不一致的重采样，可能让评测分数凭空掉一截，还很难排查。
2.11 小结：规格速览
- 单位规模：800 例扫描；
- 每例资产：影像 + 15 类掩膜 + 左右中心线 + 网格面 + 描述符行；
- 掩膜类别：0-14 共 15 类；
- 中心线段模型：18 段；
- 空间：512×512×166-277，spacing 中位约 (0.35, 0.35, 0.5) mm；
- 对齐：掩膜/中心线/网格/影像同坐标框架；
- 划分：train/val/test/exclude 四清单。
§3 标注流水线：半自动如何省下专家时间
3.1 三段式流程
ImageCAS-X 的标签并非纯手工，而是一条半自动管线，大体分三步：
- 中心线初提取与精修：先用自动方法生成初始中心线，再由分析师人工精修至 18 段标准模型。这一步的重点是修正拓扑——裁剪多余段、删除伪段（spurious segments）、补回缺失分枝。
- 管腔分割初值与人工修正：在随机选取的 100 例曲面多平面重建（cMPR, curved Multi-Planar Reformatting）体上训练一个 3D U-Net，用它为每例生成初始管腔分割；把初值投影回原始体积空间后，由专家分析师逐例人工修正。这一步是人力消耗的大头，累计约 270 小时。
- 中心线重提取（精修）：从最终掩膜再做骨架化，配合高斯平滑重新抽取中心线，保证中心线几何上严格居中于管腔。
这套"先自动、后人工、再几何回修"的思路，是本集能在 800 例规模上产出高质量标注的核心工程手段。
3.2 为什么用 cMPR 训练初值模型
cMPR 是沿血管中心线展开的曲面重建，能把弯曲的冠脉"拉直"到二维平面显示。用它训练 3D U-Net 有几个好处：血管在 cMPR 上呈近似水平的条带，网络更容易学到管腔的横断面轮廓；初值质量高，人工只需做局部修正而非从零标注；同时 cMPR 上的分割结果再投影回原始空间，保留了原始几何。这是医学影像半自动标注里的成熟范式，本集把它工程化到了 800 例的规模。
3.3 效率账：270 小时意味着什么
270 小时的人工修正，分摊到 800 例，约为每例 20 分钟的人工投入。这个数字看起来已经不低，但相比"从零手工描画整棵冠脉树"通常是数小时量级，半自动管线仍把单位成本压缩了一个数量级。这也解释了为什么本集能覆盖 800 例——如果全程纯手工，同样的时间预算可能只够标一两百例。
不过要注意：这 270 小时是管腔分割部分的账，中心线的精修与拓扑修正另有投入，官方未把两者合并给出总工时。因此不要把 270 小时当作整集标注的总成本下限。
3.4 描述符从哪来
除了几何标注，本集还提供扫描级描述符，存于 Descriptors.xlsx，字段为 Scan ID / Image Quality / Disease / Dominance 四列（也接受 .csv）。它们的作用是支撑分层评估：评估脚本按这些列把指标拆到子群里重算。描述符的来源是临床与影像质量评估——图像质量分级、是否冠心病、冠脉优势型（左优势/右优势/共优势）。这些字段让 ImageCAS-X 不止能报一个总分，还能回答"在病变血管上、在小管径段、在低衰减区，模型究竟差多少"（见 §5）。
3.5 中心线拓扑修正到底在修什么
"精修中心线拓扑"这句话听起来抽象，实际是在修三类几何/拓扑错误：
- 伪段（spurious segments）：自动算法有时会在分叉处"多长出一截"，指向无关组织。人工需要删掉这些并不存在的分枝；
- 断连（disconnection）：血管在低对比或斑块处容易被算法"截断"，导致中心线不连通。人工需要把断口接回；
- 漏支（missing branches）：细小的对角支、钝缘支容易被漏掉。人工需要补画。
修正后的中心线遵循18 段模型，即每个点都有明确的解剖段名，且分枝的连接关系符合冠脉解剖学。这一层信息是本集做"按节段分层"分析的前提——没有正确的段名与拓扑，就无法回答"LAD 和 RCA 哪个更难分"。
3.6 为什么最终要"反向重提"中心线
一个容易被忽略但很重要的设计：本集的主管线是先有分割掩膜，再从中提中心线，而不是反过来。
原因在于：如果先画中心线、再参考它做分割，中心线可能因为人工画的偏差而"不居中所属管腔"；反过来，从人工修正后的最终掩膜做骨架化，中心线天然落在管腔几何中心，再经高斯平滑去除骨架的锯齿，得到的就是严格居中的中心线。对 CT-FFR 等对中心线位置敏感的仿真任务，这一步直接决定了输入质量。
这也解释了一个流程上的细节：本集在拿到专家修正的管腔掩膜后，还要回炉重提中心线。这多花的一步，换来的是几何一致性。
3.7 半自动管线的成本-质量权衡
把 §3.1-§3.6 串起来看，本集的标注策略体现了清晰的成本-质量权衡：
| 环节 | 自动化程度 | 人工介入 |
|---|---|---|
| 中心线初值 | 自动算法生成 | 精修拓扑（删伪段/接断点/补漏支） |
| 管腔初值 | 3D U-Net（100 例 cMPR 训练） | 逐例人工修正（约 270 小时） |
| 中心线终值 | 从最终掩膜骨架化 | 几何平滑（自动） |
核心思想：把"专家时间"集中用在自动方法最不可靠的地方（拓扑判断、斑块区边界），把"机器时间"用在自动方法已经可靠的地方（初始轮廓、骨架化）。这种分工是本集能在 800 例规模上产出高质量标注的根本原因。
3.8 标注质量如何被验证
一个有说服力的数据集，不能只宣称"标注好"，还要给出可验证的质量证据。本集提供了两层证据：
- 专家间一致性（inter-observer）：让两位专家分别标注，测量他们之间的吻合度（本集 DSC 92.8%）。这给出了"人类自己能做到多好"的上限；
- 算法 vs 人类对照：把 8 个算法与这条人类线对比，看差距有多大。
这种"先测人、再测机"的验证范式，比单纯报告算法分数更能说明标注的质量基线。如果专家之间都只有 85% 的吻合度，那么要求算法达到 95% 就是不合理的；反过来，92.8% 的人类线说明本集标注达到了较高的解剖一致性。
3.9 分层标注的现实：困难区在哪
虽然本集标注质量整体高，但论文的评估也间接揭示了标注的困难区：血管远端、小管径段、病变段、低衰减区——这些地方不仅算法难，人类标注也更容易出现分歧。理解这一点很重要：
- 不要假设全血管树的标注等质量；
- 做精细分析（如末端狭窄测量）时，要意识到这些区域的不确定性更高；
- 这也是为什么本集把 inter-observer 做成"分层给出"而非一个总分。
§4 任务定义：分割、中心线与下游
ImageCAS-X 官方把它的用途概括为"支撑管腔分割、斑块与血管周围定量、血流动力学建模三类下游"。落到任务定义上，可拆成几个层次：
4.1 主任务一：管腔分割（Lumen Segmentation）
给一幅 CCTA 体积，输出与它同网格的管腔掩膜。评测口径有二：
- 二值口径：管腔 vs 背景，对应的标签被二值化后训练，便于与只做二值分割的通用方法对齐；
- 多标签口径：直接预测 15 类，保留解剖分枝信息，便于做"按节段分解"的误差分析。
主指标为 Dice 相似系数（DSC）、95% 分位 Hausdorff 距离（HD95, mm）、平均对称表面距离（ASSD, mm）。
4.2 主任务二：中心线提取（Centerline Extraction）
输出冠脉中心线（带起止/分叉顶点属性与段名）。评测引入了拓扑与中心线专用指标：
- Betti 数误差（βerr）：度量预测掩膜的拓扑正确性——血管树的分枝/环结构是否与真值一致，是"连通性错误"的敏感指标；
- 中心线 Dice（clDice）：度量中心线层面的吻合程度；
- 中心线 HD95（mm）：中心线的几何偏差。
这几个指标的意义在于：管腔分割的 Dice 高，不代表拓扑对。一根血管断了又接、多出一段伪分枝，Dice 可能只掉一点，但 βerr 会明显上升。ImageCAS-X 把拓扑指标纳入正式基准，是它区别于一般分割数据集的一个亮点。
4.3 附带任务：斑块/血管周围定量与血流动力学
本集强调标签支持斑块定量、血管周围脂肪组织（PVAT）定量与血流动力学建模（如 CT-FFR）。原因很直接：这些下游任务都建立在管腔边界与中心线的准确几何之上。尤其 CT-FFR 仿真，需要沿中心线的管腔横截面面积序列，中心线的居中性与分段命名直接决定仿真输入的质量。
4.4 点级（point-level）评测：本集的独门设计
ImageCAS-X 还提供一套点级度量。做法是：沿中心线对每个采样点记录四个协变量——
dist_mm：沿血管自开口（ostium）起的弧长；segment_name：该点所属节段名（LAD/LCX/RCA 等）；diameter_mm：由 GT 掩膜测得的局部管腔直径；hu：局部半径内管腔体素的平均 CT 衰减值。
评估时对每个点计算 local_dice，再按 segment_name 分组、按 dist_mm / hu / diameter_mm 分箱汇总，输出到 summary_by_point_group 与 point_metrics.csv。这套设计让"模型在哪里失手"变得可定位、可解释，而不是停留在单一总分。
4.5 扫描级分层：三个临床子群
除了点级，本集还做扫描级（scan-level）分层。分层依据来自 Descriptors.xlsx 的四列：Scan ID、Image Quality、Dominance、Disease。评估脚本按 evaluation.stratify_by 中列出的每一列，把其所有不同取值拆开、在子群内重算整套指标，写入 summary_by_group[<列名>][<取值>]。
这样做的结果是：得到的不再是一个总体 DSC，而是形如"高质量组 DSC vs 低质量组 DSC"、“左优势 vs 右优势 vs 共优势”、"病变 vs 非病变"的对照矩阵。它使"数据异质性如何影响模型"成为可量化的问题。
4.6 三类下游任务的接口
| 下游任务 | 依赖的本集资产 | 关键指标 |
|---|---|---|
| CT-FFR / 血流动力学 | 中心线（居中）、段名、管腔掩膜 | 中心线 HD95、dist_mm 序列 |
| 斑块 / PVAT 定量 | 管腔边界、逐体素掩膜 | DSC、HD95 |
| 拓扑感知分割 | 多标签掩膜、中心线 | βerr、clDice |
换言之，本集的每一层标注都对应一类下游需求的"最小充分输入"。
4.7 为什么"中心线居中"如此关键
在冠脉定量里，中心线不是一个可选的装饰，而是大量测量的坐标系。举几个例子：
- 直径测量：管腔直径通常定义为"垂直于中心线的横截面上管腔的跨度"。中心线若偏出管腔，直径就会被高估或低估；
- 长度测量：血管段长度按中心线弧长计算，中心线弯曲程度直接影响长度；
- CT-FFR：仿真需要沿中心线的管腔横截面面积序列，中心线是"拉直血管"的基准；
- 斑块定位：斑块沿血管的纵向分布以中心线弧长（dist_mm）为坐标。
正因如此，ImageCAS-X 特意从最终掩膜反向骨架化重提中心线（而非用最初的中心线直接配掩膜），以保证中心线严格居中。这是本集在几何一致性上比许多数据集更严谨的地方。
4.8 二值与多标签之外的第三种用法：多任务学习
本集还能支持一种更高级的用法——多任务学习。由于每例同时提供：管腔掩膜（分割任务）、中心线（中心线任务）、分段标签（分类/分段任务）、描述符（分类任务），研究者可以设计一个多任务网络，让分割头、中心线头、分段头共享骨干，互相提供监督。这类设计在血管分割领域已被证明有效（如 ADE-HTL 引入中心线先验）。
本集的分段标签（15 类）尤其适合作为辅助监督：即使你的主任务是二值管腔分割，也可以让模型同时预测分段，作为一种正则化，帮助模型学到解剖结构。
4.9 任务的输入输出规范
为便于工程实现，用一句话概括每个任务的 I/O：
- 管腔分割：输入 CCTA 体积（1×X×Y×Z），输出同尺寸掩膜（二值或 15 类），loss 可用 Dice/CE；
- 中心线提取：输入 CCTA 体积，输出中心线骨架（或由预测掩膜后处理骨架化得到），评价用 clDice/中心线 HD95；
- 拓扑保持分割：在管腔分割基础上加拓扑约束（如 clDice loss、Betti 匹配），评价用 βerr；
- 扫描级分类：输入体积或其特征，输出疾病/质量/优势型标签，可作为辅助任务。
官方配置（configs/*.json）为每个方法给出了这些规范的具体参数，使用者可在 configs/pipeline.json 中调整数据路径、分层字段与指标开关。
4.10 关于评估脚本的工程细节
官方评估脚本（evaluate.py）读取 inference.py 写出的预测，计算指标并输出 <method>_results.json，其结构为：
per_scan：逐扫描的指标明细；summary：总体汇总；summary_by_group[<col>][<value>]：按描述符列分层的汇总；summary_by_point_group[<covariate>][<bin>]：点级分层汇总。
此外还写出 <run_dir>/point_metrics.csv（点级指标明细）。要复现论文的分层结果，必须保证 Descriptors.xlsx 位于数据根目录且列名与官方一致（Scan ID / Image Quality / Dominance / Disease）。列名不一致会导致分层静默失败——脚本不会报错，但 summary_by_group 会是空的。这是一个隐蔽的工程坑，需特别注意。
§5 评测与基准：人-机差距的量化
5.1 参与评测的方法
本集把 8 个方法纳入基准，官方口径为 5 个冠脉专用 + 3 个通用分割方法。按类别分：
- 通用分割方法：TotalSegmentator、nnU-Net、Swin-UNETR；
- 冠脉专用/相关方法：3D-FFR-UNet、ADE-HTL、ImageCAS（原版实现）、nnU-Net + clDice、CAS-Net。
此外还列出了两个"参照线"：专家间一致性（Inter-observer）与原版 ImageCAS 标签直接评测。
5.2 基准总表（held-out 测试集，mean ± std）
下表为本集项目网页 Table 1 的完整转录：
| 方法 | DSC↑ | HD95↓(mm) | βerr↓ | clDice↑ | ASSD↓(mm) | 中心线 HD95↓(mm) |
|---|---|---|---|---|---|---|
| TotalSegmentator | 70.5±6.2 | 19.59±6.45 | 4.6±2.9 | 76.0±5.3 | 2.73±0.90 | 23.26±7.17 |
| 3D-FFR-UNet | 84.9±5.5 | 15.93±20.42 | 4.8±3.5 | 89.8±5.0 | 1.71±1.56 | 17.00±18.23 |
| ADE-HTL | 87.7±2.8 | 2.97±3.74 | 1.5±1.5 | 93.2±3.2 | 0.74±0.39 | 5.61±4.85 |
| Swin-UNETR | 87.9±2.7 | 3.18±3.68 | 3.8±2.3 | 92.5±3.0 | 0.78±0.36 | 6.16±5.11 |
| ImageCAS | 87.9±2.9 | 4.45±4.90 | 4.7±3.1 | 91.7±3.5 | 0.90±0.46 | 7.81±6.03 |
| nnU-Net | 89.8±3.2 | 7.08±12.65 | 5.6±3.5 | 92.3±3.6 | 1.02±0.75 | 10.41±13.41 |
| nnU-Net + clDice | 90.0±3.5 | 9.70±15.36 | 8.0±4.4 | 91.7±3.9 | 1.20±0.99 | 12.95±14.20 |
| CAS-Net | 91.2±2.8 | 2.99±3.47 | 1.9±1.5 | 93.3±3.2 | 0.73±0.36 | 5.75±4.98 |
| Inter-observer（专家间） | 92.8±3.1 | 2.46±3.62 | 0.4±0.4 | 95.4±3.6 | 0.53±0.33 | 4.58±5.75 |
| ImageCAS (labels)（原版标签直接评） | 41.8±6.7 | 16.15±8.25 | 7.0±6.7 | 78.2±6.9 | 2.23±0.94 | 18.89±8.91 |
5.3 核心结论：人-机差距（Human-Algorithm Gap）
把上表读成三句话：
- 最佳算法是 CAS-Net，Dice 91.2%；但专家间一致性为 92.8%——机器尚未追上人，差距约 1.6 个百分点。
- 这个差距不是偶然：论文把原因归结为人类能利用血管周围上下文、斑块形态与全局血管树拓扑，而当前模型并未显式监督这些信息。换言之，模型的"局部管腔轮廓"学得不错，但"整棵树的解剖合理性"仍弱。
- 原始 ImageCAS 标签直接当 GT 评测时，Dice 只有 41.8%。这行数据极具冲击力：它说明两套标注体系（原版二值与本集 15 类）在几何上差异极大，绝不能混用或互相替代。
5.4 分层结论：性能在哪里掉
本集的分层评测给出了明确的空间/临床规律：性能在以下情形显著下降——
- 病变血管（存在斑块）：钙化/非钙化斑块干扰管腔边界；
- 血管远端：直径变小、对比剂充盈变差；
- 小管径段（直径 <1.8 mm）：接近体素分辨率极限；
- 低管腔衰减区：与周围组织对比度不足。
这套分层结论的价值在于——它把"分割好不好"从单一总分，翻译成了"在哪个节段、哪个直径、哪种病人身上会失效"，直接服务于临床下游任务的可靠性评估。
5.5 各方法画像点评
对着 §5.2 的表，逐个方法读一遍，有助于理解"为什么排名是这样"：
- TotalSegmentator（DSC 70.5）：一个面向全身多器官的通用分割工具，冠脉只是它众多类别中的一小块。在冠脉这个细长、低对比的结构上表现最弱，HD95 高达 19.59 mm，说明它在大血管主干尚可、远端基本失守。
- 3D-FFR-UNet（84.9）：冠脉专用方法，Dice 明显优于通用工具，但 HD95 ±20.42 mm 的方差暴露了它在困难病例上的不稳定。
- ADE-HTL（87.7）：基于中心线先验的方法，HD95 仅 2.97 mm、βerr 1.5，拓扑表现优异——说明"引入中心线索"对冠脉这类树状结构确有帮助。
- Swin-UNETR（87.9）：Transformer 类骨干，Dice 与 ImageCAS 原版持平，但 HD95 与 βerr 都不错，属于"几何与拓扑兼顾"的一档。
- ImageCAS（原版实现，87.9）：论文原版方法的复现，可视为"上一代冠脉专用方法"的锚点。
- nnU-Net（89.8）：强通用基线，Dice 很高，但 HD95 ±12.65 mm 说明它偶尔会出严重离群——高 Dice 与高鲁棒性不是一回事。
- nnU-Net + clDice（90.0）：加了中心线 Dice 损失后 Dice 略升，但 HD95 反而变差（9.70 mm）、βerr 升至 8.0——这是本集一个耐人寻味的发现：clDice 损失改善了中心线连续性，却可能牺牲表面几何精度。
- CAS-Net（91.2）：DSC 全场最高，且 HD95（2.99）与 βerr（1.9）都很好，是本集的最佳算法。
- Inter-observer（92.8）：两位专家之间的吻合度，代表"人类水平"的参照线。
- ImageCAS (labels)（41.8）：把原版标签当 GT 直接评，Dice 崩到 41.8——两套标注体系不可互换的铁证。
5.6 关于"人-机差距"的深入解读
CAS-Net 差 1.6 个百分点听起来不大，但要看差距的结构与来源。论文指出，机器的失手集中在需要全局解剖上下文的地方：
- 血管周围上下文：人能看到血管旁的组织、斑块对管腔的挤压，模型只看局部像素；
- 斑块形态：钙化/非钙化斑块会让管腔边界模糊，人能凭经验补全，模型容易过切或欠切；
- 全局血管树拓扑：人是"看着一整棵树"下笔的，模型逐块预测，容易在分叉处接错。
这些差距不是靠"堆数据"就能弥合的，而需要在监督信号层面引入拓扑与上下文（如 §5.5 中 ADE-HTL、clDice 的思路）。本集把 inter-observer 设为参照线的做法，其深意正在于：别只跟别的算法比，要跟人比。
5.7 指标口径说明
为避免误读，列出各指标的正式口径：
- DSC（Dice Similarity Coefficient）：重叠度，百分比，越高越好；
- HD95：95% 分位 Hausdorff 距离，单位 mm，越低越好，对离群边界敏感；
- βerr（Betti 数误差）：拓扑误差，度量血管树分枝/环结构的一致性，越低越好；
- clDice：中心线 Dice，百分比，衡量中心线吻合；
- ASSD（Average Symmetric Surface Distance）：平均对称表面距离，单位 mm，越低越好；
- 中心线 HD95：中心线层面的 HD95，单位 mm。
注意表中 3D-FFR-UNet 的 HD95 标准差高达 ±20.42 mm、nnU-Net 为 ±12.65 mm——大方差说明这些方法在个别困难病例上出现了严重的几何离群，单看均值会掩盖这一点。评测这类方法时，应同时看均值与标准差。
5.8 读这张表的四条守则
为避免误读 §5.2 的基准表，给出四条"统计卫生"守则：
守则一：认清每条"参照线"的含义。
表里有两行不是"方法"，而是参照线：Inter-observer 是人类专家之间的吻合度（人类上限参照）；ImageCAS (labels) 是把原版标签当 GT 评的结果（跨标注体系参照）。把它们和算法混在一起排名，会得出错误结论。
守则二：均值和标准差一起看。
DSC 均值高但标准差大的方法（如 3D-FFR-UNet 的 HD95 ±20.42）在临床上可能不可靠——一个在少数病例上严重失败的方法，不能只看平均表现。
守则三：别只盯 DSC。
DSC 只反映像素重叠，不反映拓扑。要看βerr 和 clDice才能判断"血管树连接对不对"。一个 DSC 高但 βerr 大的方法，在拓扑敏感的临床任务（如 CT-FFR）上可能并不好用。
守则四：注意"分层后的落差"比总分更有信息量。
§5.4 的分层结论说明，同一个方法在高质量扫描和低质量扫描上、在大血管和远端小血管上，表现可以差出很多。报告自己的结果时，也应按这些维度分层，别只给一个总体数字。
5.9 关于跨数据集比较的经验教训
本集还提供了一个跨数据集比较的反面教材：不要把在旧标注体系上取得的分数，直接和在新体系上的分数对比。
原因就是那行 41.8%——同一批影像，换个标注体系当 GT，同一个方法的分数可能天差地别。因此：
- 若你的方法是在 ImageCAS 原版标签上训的，想在 ImageCAS-X 上报分数，必须在本集标签上重新训练/评测，不能直接迁移分数；
- 论文里的"SOTA 对比"要核对是否在同一标注体系内，否则数字不可比；
- 跨数据集引用结果时，明确标注评测所用的 GT 来源。
这条教训对所有"重标注/扩展"类数据集都适用——GT 变了，分数就失去了可比性。
5.10 拓扑指标为什么值得单独强调
最后，重申 βerr 与 clDice 的价值，因为这是本集相对多数分割数据集的核心增量：
- 冠脉是树状拓扑，临床上关心的很多问题（如是否存在侧支、分叉角度、狭窄位置）都依赖拓扑正确；
- 传统 Dice/HD95 对"多一个伪分枝""漏一条小支"这类错误的惩罚很轻，因为它们只占整体像素的很小一部分；
- βerr 直接度量分枝/环结构的数量差异，clDice 度量中心线层面的吻合，能把"拓扑错误"转化为可量化的数字。
因此，凡是做管状/树状结构（血管、神经、气道、肠道、视网膜血管）分割的研究，都可以借鉴本集的这套"分割指标 + 拓扑指标"组合。
5.11 一个参照数字：把差距换算成"临床影响"
1.6 个百分点的 DSC 差距，换算到临床上到底意味着什么？这需要谨慎，但可以这样理解：
- 在主干血管（LM/LAD/LCX/RCA 近段），几乎所有方法的 DSC 都很高，1.6 分的差距对这类血管影响甚微；
- 在远端小血管和分叉处，差距会被放大——这里恰恰是 CT-FFR 仿真对管腔面积最敏感、也最容易累积误差的地方；
- 在病变血管上，斑块导致管腔边界模糊，机器的误差也更集中于此。
也就是说，全局 1.6 分的差距，在临床最关心的局部可能是数倍放大。这正是本集强调"分层评估"的意义所在——平均分的差距会骗人，局部分布才说明问题。
5.12 复现基准时的实操建议
如果你想在本集上复现或对比基准，几条建议：
- 先跑官方权重：用
pretrained_weights.zip里的权重先复现论文报告的数字，确认你的数据管线对齐无误，再上自己的方法； - 固定划分：严格使用官方
filelist，不要自行重划，否则数字不可比； - 同口径报告：至少报告 DSC、HD95、βerr、clDice 四个指标，避免只报 DSC；
- 分层报告：按 Image Quality / Disease / Dominance 给出子群结果，与论文对齐；
- 注意二值/多标签：确认你的评测口径（二值 vs 多标签）与你要对比的对象一致。
§6 获取与许可：两段式的门怎么进
6.1 两层资产、两种获取
ImageCAS-X 的完整复现需要拿到两类东西，且获取路径分离：
| 资产 | 内容 | 获取位置 | 许可 |
|---|---|---|---|
| 底层影像 | 800 例 CCTA 体积（NIfTI） | Kaggle（ImageCAS 原版） | Apache 2.0 |
| 标签与工具 | 掩膜/中心线/网格/描述符 + 预训练权重 | Zenodo 21887809 + 项目网页 | CC BY 4.0 |
也就是说：ImageCAS-X 本集包里没有放原始影像。你要么已经有 Kaggle 的 ImageCAS 影像，要么先去下载，然后用本集提供的 filelist（train/val/test.txt）把它对齐。
6.2 Zenodo 记录与文件
数据集通过 Zenodo 发布，记录 DOI 为 10.5281/zenodo.21887809。主要文件两个：
ImageCAS-X_dataset.zip：1.4 GB，md57994f098d00710971dce37a76a322f0e；pretrained_weights.zip：1.6 GB，md5d132a6aebb390b86553a7b1303389559。
两个文件均给出 md5，便于下载后校验完整性——这是好习惯，尤其对几 GB 的大包。项目网页（https://kitbransby.github.io/ImageCAS-X/）提供数据集与权重的下载入口。
下载与校验的实操步骤：
- 从 Zenodo 记录页（或项目网页的 Download 入口）下载两个 zip；
- 用
md5sum ImageCAS-X_dataset.zip与官方值比对，确认未被损坏或篡改； - 解压后核对目录结构是否符合 §2.2（尤其
filelist/与Descriptors.xlsx是否齐全）； - 权重包解压后核对
.pt文件是否与你要复现的方法一一对应。
一个常见疏漏：只下载了数据集包却漏了权重包，导致跑 inference 时找不到权重。两个包都要下。
6.3 许可：CC BY 4.0 意味着什么
数据集与权重的许可是 Creative Commons Attribution 4.0 International（CC BY 4.0）——这是最宽松的 CC 许可之一：
- 可以：商业使用、再分发、修改、二次训练；
- 必须：注明出处（作者 Bransby & Paulsen 等，DOI 10.5281/zenodo.21887809）；
- 不必：开源你的衍生作品、不必非商业、不必相同方式共享。
但要注意底层影像的许可与之不同：ImageCAS 原版在 Kaggle 上是 Apache 2.0。如果你要连带发布影像，需分别遵守两套条款。仅发布本集标签与权重时，CC BY 4.0 一套即可。
6.3.1 署名到底该写什么
CC BY 4.0 的核心义务是"署名"。对本集，规范的署名至少应包含：
- 作者：Bransby, K. M., & Paulsen, R. R.（及论文其余作者）；
- 标题：ImageCAS-X；
- 来源：Zenodo，DOI 10.5281/zenodo.21887809；
- 许可：CC BY 4.0（并附许可链接 https://creativecommons.org/licenses/by/4.0/）。
如果还用了底层影像，需另加对 ImageCAS 原版（Zeng et al., 2023）与 Kaggle 页面的署名。不要把两者合成一句——它们分属两个许可体系，独立署名才合规。
6.3.2 一个易错的许可边界
有一种误解是"数据集是 CC BY 4.0，所以我可以随意重新打包发布原始影像"。这是错的：
- 本集发布者（DTU 团队）对自己标注的标签与权重拥有版权，故以 CC BY 4.0 开放；
- 但原始影像来自 ImageCAS 原版，其版权/许可归原版（Apache 2.0）决定；
- 因此，你不能拿"本集是 CC BY 4.0"当理由去重新分发影像——分发影像要守 Apache 2.0 那一套。
这个边界在"重标注/扩展"类数据集里普遍存在：标注的许可不等于底层数据的许可。做数据再分发时务必逐层核对。
6.4 代码与复现
代码仓库为 https://github.com/kitbransby/ImageCAS-X，要求 Python ≥ 3.10、PyTorch ≥ 2.0，并按系统 CUDA 版本安装 torch。官方推荐初始化流程：
git clone https://github.com/kitbransby/ImageCAS-X.git
cd ImageCAS-X
pip install -e .
export ImageCAS_X_data_path=/path/to/data/dir
export ImageCAS_X_results_path=/path/to/results/dir
其中 ImageCAS_X_data_path 是数据根目录（须符合 §2.2 的目录结构），ImageCAS_X_results_path 存放训练/推理/评估产物。nnU-Net 需在仓库外单独安装。
多步方法（ImageCAS 是 4 模型集成、ADE-HTL 是粗定位+主网络两段）在仓库中给出逐步命令；单步方法（CAS-Net、FFR-UNet、Swin-UNETR）为 train → inference → evaluate 三段式。
6.4.1 环境与依赖的注意事项
复现本集时有几个环境层面的细节值得注意：
- Python 版本：官方要求 ≥3.10，旧版本可能因类型标注或库依赖不兼容而报错；
- PyTorch：要求 ≥2.0，且需按本机 CUDA 版本安装对应构建（官方给的是 pytorch.org 的安装指引）；
- nnU-Net：不在本仓库内，需单独安装，否则跑 nnU-Net 相关配置会缺依赖；
- 重采样缓存：
offline_resample_images_to_disk会生成.npy缓存，训练前最好先跑一次，之后配置里的volume_dir/gt_mask_dir需指向缓存目录； - 多步方法：ImageCAS（4 模型集成）与 ADE-HTL（粗定位+主网络）不是单条命令能跑完的，需按仓库 README 的逐步流程执行。
这些细节不影响公平性，但会影响"第一次能不能跑通"。建议先跑单个单步方法（如 Swin-UNETR）熟悉流程，再上多步方法。
6.5 一个完整的落地流程（SOP）
把上面的信息串成一条可执行的落地流程：
- 准备影像：从 Kaggle 下载 ImageCAS 原版 CCTA 卷（NIfTI），按
<scan_id>.img.nii.gz命名放入volumes/； - 获取标签与权重：从 Zenodo 21887809 下载两个 zip，校验 md5，解出
segmentations/、centerlines/、surfaces/、filelist/与权重； - 设置环境：Python ≥3.10、PyTorch ≥2.0，
pip install -e .，导出ImageCAS_X_data_path与ImageCAS_X_results_path； - （可选）重采样缓存：跑
python -m utils.offline_resample_images_to_disk -c configs/<method>.json --workers 8生成.npy缓存； - 训练 / 推理 / 评估：
python -m train -c configs/<method>.json→python -m inference ... -r <run_dir>→python -m evaluate ... -r <run_dir>； - 分层看结果：检查
<run_dir>/<method>_results.json里的summary_by_group与point_metrics.csv，确认在病变/小管径/远端等子群的表现。
这条链路的每一步都对应本集文档中的明确入口，开箱即可跑通——这也是本集 AI-Ready 度高的体现。
6.6 AI-Ready 评估：本集的可获取性
从 AI-Ready 数据集的角度看，ImageCAS-X 的可得性评分相当高：
- 标签与权重直链公开（Zenodo/项目网页），无需申请、无需签名 DUA；
- 许可清晰（CC BY 4.0），无"仅学术用途"限制；
- 有代码、有权重、有划分，开箱即可评测；
- 唯一门槛是底层影像需另行从 Kaggle 获取——但这属公开渠道，不构成实质性障碍。
对比库内一些"请求制"或"DUA 门禁"的数据集，ImageCAS-X 属于高可获取性一端。
§7 生态与影响：它在冠脉影像数据集景观里的位置
7.1 前作与谱系
ImageCAS-X 的"父"是 ImageCAS（2023）：1,000 例单中心冠脉 CTA，二值管腔分割，Kaggle Apache 2.0。原版的一大贡献是首次把冠脉分割做到千例规模，但它的局限也很明显——只有二值前景、无中心线、无节段、无拓扑指标、单中心。
ImageCAS-X 的定位就是在父辈影像上做"标注升级"：引入 15 类解剖分枝、中心线与网格、拓扑与中心线指标、分层评估。它不是要取代 ImageCAS，而是把"粗标注的千例"变成"细标注的八百例"。
7.2 同类数据集对照
冠脉 CTA 分割领域可比的公开数据集并不多：
| 数据集 | 例数 | 标注粒度 | 备注 |
|---|---|---|---|
| ImageCAS（原版） | 1,000 | 二值管腔 | 单中心，Kaggle Apache 2.0 |
| ImageCAS-X（本集） | 800 | 15 类 + 中心线 + 网格 | CC BY 4.0，含基准与权重 |
| ASOCA | 40 训练 + 20 测试 | 管腔 + 中心线 | MICCAI 2020 挑战赛，规模小 |
相比 ASOCA 的 60 例规模，ImageCAS-X 的 800 例在统计意义上明显更扎实；相比原版 ImageCAS，它在标注丰富度上领先一个量级。在"体素级冠脉节段标注"这一细分上，库内目前没有第二个可比条目——这是 ImageCAS-X 的独特占位。
7.3 对下游生态的推力
ImageCAS-X 最可能产生影响的三个下游方向：
- CT-FFR 与血流动力学：中心线居中 + 分段命名，是仿真输入质量的保证；
- 斑块与 PVAT 定量：管腔边界准确是斑块负荷测量的前提；
- 拓扑感知分割方法：βerr 与 clDice 作为正式指标，会推动"连通性正确"而非"像素重合"的方法研发。
7.4 对原版 ImageCAS 生态的反向冲击
最能说明本集价值的一组数据，是 §5 表末的 ImageCAS (labels) 仅 41.8% DSC。它给整个领域提了个醒：在原版标签上训练的高分，未必能迁移到质量更高的标注体系上。谁把原版标签当"绝对真值"，谁就可能高估自己的模型。这构成了本集对原版生态的一记"反向冲击"。
7.5 对医学影像数据集范式的启示
从更宏观的视角看，ImageCAS-X 代表了一种值得关注的范式转变：从"造新数据集"到"重标注已有数据集"。
传统路径是收集新影像、做新标注，成本高且生态碎片化；ImageCAS-X 选择了另一条路——复用已公开的影像，只投入标注成本，产出一个质量更高、任务更丰富的"标注升级版"。这条路的好处是：影像的获取门槛已被原版解决，新数据集能把全部精力放在标注质量上；坏处是受制于原版影像的偏倚（单中心、特定人群），无法通过重新采集来修正。
对后来者的启示是：如果你手里有一个"影像公开但标注粗糙"的数据集，重标注可能比重新采集更划算——但要清醒地认识到，偏倚问题会随之继承。
7.6 对研究者工作流的三个实际影响
具体到日常研究，本集大概会从三个地方改变使用者的工作流：
- 评测基座换新：过去用原版 ImageCAS 报冠脉分割分数的方法，未来很可能被要求在本集上复评。使用者应准备好迁移到本集标签，否则结果会被认为"标注体系过旧"。
- 拓扑指标成为标配：随着 βerr/clDice 进入基准，投稿冠脉分割的工作，可能需要同时报告拓扑指标，而非仅 Dice/HD95。
- 中心线任务的兴起：本集把中心线提取明确列为基准任务，可能催生一批专门做冠脉中心线的方法（过去中心线常被视为分割的副产品）。
7.7 四个典型应用场景
为帮助读者把本集"用起来"，列举四个典型应用场景：
- 场景一：训练一个更好的冠脉分割器。用本集 15 类标签训练多类分割网络，再二值化用于管腔提取。相比原版二值标签，多类监督可提升解剖一致性。
- 场景二：评测已有方法的拓扑鲁棒性。把你手上的冠脉分割方法放到本集上跑，看它的 βerr 与 clDice 表现——这是很多方法此前没测过的维度。
- 场景三：为 CT-FFR 提供几何输入。直接用本集中心线与管腔掩膜，构建血流仿真的几何模型，省去自己标注中心线的工作。
- 场景四：研究标注质量对下游的影响。对比"原版标签训练"与"本集标签训练"在下游任务上的差异，量化标注体系的重要性（本集 Table 1 已有初步实证）。
7.8 与影像组学/放射组学的连接
本集的管腔掩膜与中心线也服务于影像组学（radiomics）：冠脉的管腔几何特征（直径序列、迂曲度、分支角）可从本集资产中直接提取，用于与斑块、血流储备或临床结局做关联分析。相比纯手工勾画，本集提供了标准化、可复现的几何基石。
§8 方法学启示：三条可迁移的经验
8.1 "cMPR 初值 + 人工修正"是可复制的半自动范式
ImageCAS-X 没有从零手工标注，而是用 3D U-Net 在 cMPR 上生成初值、再人工修正。这条路径的成本结构清晰（约每例 20 分钟）、质量可控（专家只做局部调整），对任何沿管状结构的标注任务都有借鉴价值。
8.2 拓扑指标应该进正式基准
大多数分割数据集只报 Dice 和 HD95，ImageCAS-X 额外纳入 βerr 与 clDice。这对冠脉这类树状/环状拓扑结构尤其重要——因为"分割得像"和"连接得对"是两回事。任何面向血管、神经、气道等树状结构的标注项目，都可以照搬这套指标组合。
8.3 分层评测比单一总分更有临床价值
按疾病、图像质量、优势型、节段、直径、衰减分层，把"模型差"翻译成"在哪种病人、哪一段血管上差"。这套做法值得推广——它直接决定了下游临床任务的可信边界，而不是给出一个笼统的平均分。
8.4 用"人类一致性"而非"绝对正确"锚定目标
本集把 **inter-observer 一致性（DSC 92.8%）**作为参照线，而不是宣称数据集是"绝对真值"。这是很成熟的做法：医学标注本就存在观察者间变异，"多好算够好"应该以人类自身的一致性为准。任何涉及主观判断的标注任务，都可以借鉴这条原则——先测人，再测机器，最后比差距。
8.5 数据集消歧是复用范式的必修课
ImageCAS-X 复用 ImageCAS 影像，带来了一个直接后果：两个数据集外观相似、极易混淆。因此本集在论文与网页中都反复声明自身的独立身份（独立 DOI、独立许可、独立作者）。对使用者的启示是：在"重标注/扩展"类数据集日益增多的今天，引用前必须核对 DOI 与许可，不能仅凭数据集名字判断。这也正是本条目设置 §9 与附录 D 消歧章节的原因。
8.6 一条给数据集构建者的建议
如果未来有团队想再基于 ImageCAS-X 做扩展（例如补斑块分割标签、补右心室结构），本集的经验提示几条实践原则：
- 明确声明血缘：在文档中清楚写出"底层影像来自 X、标注来自 Y"，别让下游混淆；
- 保持 DOI 独立：每个扩展集都应有自己的 DOI 与许可，不复用父集的；
- 复用手册化：把数据结构、命名约定、评估脚本写清楚，降低复用者的门槛（本集的 GitHub README 就是范例）；
- 继承并披露偏倚：复用旧影像必然继承其人群偏倚，应在 limitations 里如实写明。
这些原则不限于冠脉，对所有"在公开影像上做标注升级"的项目都适用。
8.7 给临床使用者的提醒
最后，给直接想用本集做临床研究的人几点提醒：
- 它是研究工具，不是诊断器械：本集不能直接用于临床诊断，只可支撑研究与方法开发；
- 单中心数据：底层影像来自单一医院，你的患者人群若与之分布不同，需重新验证；
- 指标要读懂：看到 DSC 91% 别急着下结论，要结合 HD95、βerr 一起判断，尤其关注你关心的血管段；
- 下游任务要独立验证：即便用在 CT-FFR 上，也要在你自己的数据上验证仿真精度，不能假设"分割好就一定仿真好"。
§9 与库内条目的关系
9.1 家族图谱（消歧重点）
ImageCAS-X 在库内的第一关系条目是 ImageCAS（rid=549）。两者关系必须说清：
底层影像（广东省人民医院 CCTA，2012-2018）
│
┌────────────────┴────────────────┐
│ │
ImageCAS（原版，2023） ImageCAS-X（本集，2026）
rid=549 slug=imagecas-x
1,000 例 / 二值管腔 800 例 / 15 类 + 中心线 + 网格
广东省人民医院等 DTU + Rigshospitalet
Kaggle / Apache 2.0 Zenodo / CC BY 4.0
结论：同源扩展版本，勿合并。 共享底层影像，但标注来源、类别体系、作者、许可全不同。检索者若在找"1,000 例二值管腔分割"，应去 ImageCAS；若在找"800 例带节段与中心线的重标注基准"，则本集。
值得注意的是，本集论文明确把 ImageCAS 原版作为被评测的方法之一（Table 1 中的 ImageCAS 行），并额外测了"用原版标签直接当 GT"的退化情形（41.8% DSC）。这本身就是两套标注不可互换的实证。
9.2 其他可互链条目
- ASOCA：冠脉 CTA 分割挑战赛（40+20 例），本集的分层评估方法可作为 ASOCA 的补充视角；
- 其余库内 CTA / 心血管条目（如钙化评分类）与本集任务不同，互链价值有限。
9.3 检索路径建议
- 想复现本集基准 → 先 Kaggle 下影像，再 Zenodo 下标签权重，用
filelist对齐； - 想做冠脉分割 → 优先用本集 15 类标签训练，比原版二值标签更有解剖信息；
- 想比较新旧标注 → 直接读本集 Table 1 的 Inter-observer 与 ImageCAS (labels) 两行。
9.4 在冠脉数据集谱系中的坐标
把本集放进更长的冠脉影像数据集发展线，可以看到清晰的代际：
| 代际 | 代表 | 特征 |
|---|---|---|
| 第一代 | 早期单机构 CT 数据 | 例数少、标注粗、多不公开 |
| 第二代 | ImageCAS、ASOCA（2020-2023） | 千例级/挑战赛、二值管腔、公开 |
| 第三代 | ImageCAS-X（2026） | 复用旧影像、多类细标注、含拓扑基准 |
本集是"第三代"的典型：不再追求"收集更多影像"，转而追求"在已有影像上给出更高质量的标注与更全面的基准"。这一代际转向的核心驱动，是医学影像 AI 领域对标注质量而非数据数量的重视度上升。
9.5 谁最该收藏本条目
- 冠脉分割方法开发者：本集是当前最完整的公开评测基座之一；
- CT-FFR / 血流动力学研究者：本集中心线资产可直接用于仿真输入；
- 数据集方法论研究者：本集是"重标注复用"范式的活教材；
- 中文研究者：本条目提供了官方英文材料的中文维基化整理。
9.6 一个可能的误解：800 例够用吗
有人会问"800 例做深度学习够吗"。答案取决于任务：
- 对管腔分割这类相对聚焦的任务，800 例加上数据增强与迁移学习，通常够用；
- 对需要大量标注的端到端临床预测，800 例可能偏少，需结合外部数据；
- 关键不在绝对例数，而在标注质量与多样性——本集的优势正在前者，短板在后者（单中心）。
§10 坑点清单
坑 1：把 ImageCAS-X 和 ImageCAS 当成同一个数据集
最常见的误用。二者共享底层影像，但标注体系、作者、许可、规模全不同。混用会导致：引用错误的许可（拿 CC BY 4.0 当 Apache 2.0）、错报例数、把 15 类标签当二值用。记住 rid=549 是本集，imagecas-x 是扩展集。
坑 2：以为数据包里含原始影像
ImageCAS-X 的 Zenodo 包只有标签、中心线、网格、描述符与权重，没有 CCTA 影像。拿到标签却发现没影像，是最容易踩的坑。必须先准备 ImageCAS 原版影像，并用 filelist 对齐。
坑 3：拿原版 ImageCAS 标签当真值训练/评测
本集 Table 1 末行给出铁证：原版标签直接评测只得 DSC 41.8%。这说明两套标注在几何上差异极大。若你复现某论文的"原版高分"，换到本集标注后可能大幅缩水——不要用原版标签当本集的替代真值。
坑 4：忽略拓扑指标，只看 Dice
Dice 高不等于拓扑对。一根血管断了又接、多出伪分枝，Dice 可能只掉一点，但 βerr 会飙升、clDice 会下降。评估冠脉分割时，必须同时看 Dice / HD95 / βerr / clDice，否则会漏掉连通性错误。
坑 5：只报均值，忽视大方差
3D-FFR-UNet 的 HD95 是 15.93 ±20.42 mm——标准差超过均值！这说明它在个别困难病例上出现了严重离群。单看均值会严重误判方法的稳定性。报告结果时必须带上标准差，并检查离群病例。
坑 6：忽视远端与小血管的性能衰减
本集分层结论明确：血管远端、直径 <1.8 mm、低管腔衰减处，标注与算法性能都显著下降。若下游任务（如 CT-FFR）恰好在这些区间敏感，需要针对性地验证覆盖边界，不能假设全血管树都一致可靠。
坑 7：把编号 14「Other」当成具体分枝
标签 14 是兜底类，合并了 D3/D4/OM3/OM4。若你需要第 3/4 对角支或第 3/4 钝缘支的精细拓扑，本集不提供单独类别，只能从中心线或网格间接推断。别误以为 14 对应某个具体血管。
坑 8：忘了两段式获取的许可叠加
数据集的 CC BY 4.0 与影像的 Apache 2.0 是两套条款。仅发布标签可只守 CC BY 4.0；若连带发布影像，需同时满足 Apache 2.0 的署名要求。别只署一个名。
§11 总结
11.1 三句话总结
- ImageCAS-X 是 ImageCAS 的扩展标注集：DTU 对公开 800 例 CCTA 做体素级重标注，产出 15 类管腔掩膜 + 中心线 + 网格 + 描述符，CC BY 4.0 公开。
- 它量化了冠脉分割的人-机差距：最佳算法 CAS-Net 的 DSC 91.2% 仍低于专家间一致性 92.8%，差距源于模型缺乏对血管树全局拓扑的显式建模。
- 它的最大使用红线是"勿与原版合并"：两套标注体系不可互换，原版标签直接评测仅 41.8% DSC 即为实证。
11.2 适合谁
- 冠脉管腔分割 / 中心线提取方法研究者；
- CT-FFR、斑块与 PVAT 定量团队；
- 拓扑感知分割、树状结构几何方法的评测者；
- 医学图像标注方法论与半自动流水线研究者。
11.3 不适合谁
- 需要原始影像直链、希望"一个包搞定"的用户（须自行补 Kaggle 影像）；
- 研究非冠脉心血管结构（如心肌、瓣膜）的用户；
- 需要亚毫米级末端小血管精细类别的研究者（远端因分辨率与类别粒度受限）。
11.4 三十秒决策卡
要什么 → 800 例 CCTA 体素级冠脉节段标注 + 中心线 + 基准？
要 → Zenodo 21887809 下标签权重（CC BY 4.0）+ Kaggle 下影像（Apache 2.0），令ImageCAS_X_data_path指向数据根目录。
不要 → 若只要二值管腔千例数据，去库内 ImageCAS（rid=549）；若只要 60 例挑战赛数据，去 ASOCA。
红线 → 勿与原版 ImageCAS 合并引用。
11.5 一句话速记
ImageCAS-X = ImageCAS 的 800 例 15 类重标注版；最佳算法 91.2% 未及人类 92.8%；CC BY 4.0 免费；别和原版混。
11.6 三个数字记住它
- 800：例数（从 1,000 筛出 800）。
- 15：标注类别数（0 背景 + 14 冠脉分支）。
- 92.8 vs 91.2：人类 vs 最佳算法（DSC %），人-机差距。
§12 编者按：本条目如何成稿
本条目由千方病案医数集编辑部整理，成稿过程遵循"三源互证"原则。为便于读者评估可信度，说明如下：
12.1 来源分层
- 一手来源：arXiv 论文（2608.30404）、官方 GitHub 仓库（kitbransby/ImageCAS-X）、项目网页（kitbransby.github.io/ImageCAS-X）、Zenodo 记录（21887809）、NLM 数据目录；
- 二手来源：第三方论文解析与 AI 审阅页（用于补充流程图、标注工时等细节，均标注来源）；
- 不采用：无来源的二次转述、社交媒体传言。
12.2 数字处理
- 凡核心数字（例数、类别数、DSC、许可），均以官方一手来源为准；
- 单一来源的数字在附录 S（三源互证记录）中标注其互证状态；
- 无法确证的信息一律列入附录 T（遗留疑点），不臆造、不猜测。
12.3 消歧处理
由于本集与库内 ImageCAS（rid=549）为同源扩展关系，本条目在 §0、§1、§2.5、§9.1、附录 D、附录 M、附录 R 等多处反复声明"同源扩展、勿合并"，以确保检索者不会混淆。
12.4 时效性声明
本条目基于 2026-10-08 可获取的公开信息整理。由于本集论文尚在审稿中，正式发表后可能有数字或表述更新。读者引用于正式研究前，建议核对官方最新版本。
FAQ（高频问答 24 问）
A. 基础认知
FAQ1：ImageCAS-X 和 ImageCAS 到底是不是一个东西？
不是一个东西。共享底层影像，但标注体系、作者、机构、许可、规模全不同。ImageCAS 是原版（1,000 例二值管腔，Kaggle Apache 2.0，rid=549）；ImageCAS-X 是扩展标注集（800 例 15 类，Zenodo CC BY 4.0，imagecas-x）。务必分列引用。
FAQ2：为什么叫 “-X”？
“X” 可以理解为"扩展（eXtended）"——它在原版基础上扩展了标注维度：从二值前景扩展到 15 类节段，并新增中心线、网格、描述符与基准。
FAQ3：本集属于哪个疾病领域？
心血管疾病，具体是冠状动脉粥样硬化性心脏病（CAD）的影像评估。标签体系面向冠脉解剖，不涉及其他心脏结构。
FAQ4：它是一篇论文还是一个数据集？
两者都是。有 arXiv 论文（2608.30404，审稿中）描述数据与方法，也有独立的 Zenodo 数据集记录（21887809）。论文本体可免费获取。
FAQ5：发表在哪里？
截至检索，论文为 arXiv 预印本（cs.CV/cs.AI），状态 under review，尚无正式期刊 DOI 与 PubMed 收录。以 arXiv + Zenodo 为准。
FAQ6：谁应该引用它？
任何使用其标签、权重或基准结果的研究，都应引用 Bransby 等（2026）的论文与 Zenodo DOI，并（如果用到影像）另引 ImageCAS 原版。
B. 数据与获取
FAQ7：数据集有多大？
Zenodo 上两个包：标签包 1.4 GB、权重包 1.6 GB，合计约 3 GB。不含原始影像（影像约 89.1 GB，需另下）。
FAQ8：原始影像在哪？
Kaggle 上的 ImageCAS 原版（xiaoweixumedicalai/imagecas），Apache 2.0 许可。本集不含影像，这是最需要提前规划的一点。
FAQ9：需要申请或签协议吗？
不需要。标签、权重、代码全部直链公开，无 DUA、无请求制。
FAQ10：许可允许商用吗？
CC BY 4.0 允许商用，只需署名。但若连带使用影像，影像部分受 Apache 2.0 约束。
FAQ11：怎么校验下载完整性？
用官方给的 md5：数据集包 7994f098d00710971dce37a76a322f0e，权重包 d132a6aebb390b86553a7b1303389559。
FAQ12：文件格式是什么？
影像与掩膜为 NIfTI（.img.nii.gz / .coronary.nii.gz）；中心线与网格为 VTK（.vtk）；描述符为 XLSX/CSV；权重为 PyTorch（.pt）。
C. 标注与任务
FAQ13：一共几类标签？
15 类：0 背景，1-14 为冠脉分支（LM/LAD/LCx/D1/D2/OM1/OM2/IM/RCA/R-PDA/R-PLA/L-PDA/L-PLA/Other）。
FAQ14：中心线是什么格式？有几条？
每例左右各一条冠脉中心线，VTK 格式，顶点带起止/分叉属性与 18 段命名。
FAQ15：标签为什么会自动变成二值？
代码 dataloader 默认二值化（binarise_lumen=true）。要保留多标签需显式关闭该开关（见 §2.8、坑点 7）。
FAQ16：能用来做中心线提取吗？
能，这正是它的主任务之一。评测中心线用 ASSD、中心线 HD95、clDice 等指标。
FAQ17：能用来做斑块定量吗？
标签支持斑块/血管周围定量的几何基础（管腔边界 + 中心线），但本集不直接提供斑块分割标签，需要下游自行定义斑块。
FAQ18：能用来做 CT-FFR 吗？
可以，中心线居中 + 分段命名 + 管腔横截面是 CT-FFR 仿真的输入基础。这也是论文列出的下游之一。
D. 基准与结果
FAQ19：最佳算法是哪个？Dice 多少？
CAS-Net，DSC 91.2%。
FAQ20：人类水平是多少？
专家间一致性 DSC 92.8%。机器还差约 1.6 个百分点。
FAQ21：为什么原版标签评测只有 41.8%？
因为原版二值标签与本节 15 类标注在几何上差异极大，直接套用会严重错位。这说明两套体系不可互换。
FAQ22：clDice 损失有用吗？
混合结论。nnU-Net+clDice 的 Dice 略升（90.0），但 HD95 与 βerr 变差。它改善中心线连续性，却可能牺牲表面几何精度。
E. 使用与库内
FAQ23：库内还有哪些相关条目？
ImageCAS（rid=549，同源原版）是最强的互链条目；ASOCA 是另一个冠脉 CTA 分割基准。
FAQ24：本条目和库内 ImageCAS 条目什么关系？
同源扩展，勿合并。 本条目是 imagecas-x（扩展集），另一条是 imagecas（原版）。详见 §9.1 与附录 D。
事实清单（硬事实 30 条）
以下 30 条为本条目核验过的硬事实，逐条可回溯至来源：
- 官方名称 ImageCAS-X；论文 arXiv 2608.30404（2026-08-31 v1）。
- 论文题名：a dataset and benchmark for coronary artery segmentation and centerline extraction in coronary CT angiography。
- 论文状态：pre-print，under review（审稿中）。
- 作者共 10 人，第一作者 Kit M. Bransby。
- 通讯作者 Bransby（kimbr@dtu.dk）与 Paulsen（rapa@dtu.dk）。
- 主机构：DTU Compute（丹麦技术大学）。
- 合作机构：Copenhagen University Hospital – Rigshospitalet。
- 资助方：Novo Nordisk A/S。
- 数据集含 800 例 CCTA 扫描。
- 自 ImageCAS 原版 1,000 例中筛选。
- 剔除 200 例，理由为 poor quality。
- 标签为逐体素多标签，共 15 类（0-14）。
- 类别 1-3 为 LM/LAD/LCx。
- 类别 4-5 为 D1/D2（对角支）。
- 类别 6-7 为 OM1/OM2（钝缘支）。
- 类别 8 为 IM（中间支）。
- 类别 9 为 RCA（右冠）。
- 类别 10-13 为 R-PDA/R-PLA/L-PDA/L-PLA。
- 类别 14 为 Other（含 D3/D4/OM3/OM4）。
- 中心线采用 18 段模型命名。
- 每例含左右两条冠脉中心线（VTK）。
- 每例含冠脉网格面（VTK）。
- 描述符含 Scan ID / Image Quality / Dominance / Disease 四列。
- 管腔分割人工修正约 270 小时。
- 初值 3D U-Net 在 100 例 cMPR 上训练。
- 数据集包与权重包均给出 md5。
- 许可为 CC BY 4.0。
- 托管于 Zenodo，DOI 10.5281/zenodo.21887809。
- 基准最佳算法 CAS-Net，DSC 91.2%。
- 专家间一致性 DSC 92.8%，原版标签直接评 DSC 41.8%。
附录 A：DAIMS 评估全表
DAIMS（Dataset AI-readiness Metrics Score）为本框架对本条目的多维度评估。
| 维度 | 评分 | 说明 |
|---|---|---|
| 可发现性（Discoverability） | 5/5 | arXiv + Zenodo DOI + 项目网页 + GitHub + NLM 目录，多入口可查 |
| 可获取性（Accessibility） | 4/5 | 标签与权重直链公开；影像需另从 Kaggle 获取（扣 0.5） |
| 许可清晰度（Licensing） | 5/5 | 明确 CC BY 4.0，含文件级 md5 |
| 可理解性（Understandability） | 5/5 | 15 类标签文字定义 + 目录结构 + Descriptors 字段齐全 |
| 互操作性（Interoperability） | 4/5 | NIfTI + VTK 标准格式；与 ImageCAS 影像需按 filelist 对齐 |
| 可复现性（Reproducibility） | 5/5 | 提供代码、预训练权重、划分与评估脚本 |
| 标注质量（Annotation Quality） | 5/5 | 半自动 + 专家修正，约 270 小时人工，含 inter-observer 对照 |
| 规模（Scale） | 4/5 | 800 例，冠脉分割领域领先；但非千例级 |
| 人群多样性与偏倚 | 2/5 | 单中心（广东省人民医院），分布有偏，跨机构未验证 |
| 临床相关性（Clinical Relevance） | 5/5 | 直通 CT-FFR、斑块定量等临床下游 |
| 维护与更新 | 3/5 | 2026 首发，长期维护记录尚待观察 |
综合定位：高 AI-Ready 度、许可友好、工程完备；主要短板是单中心人群偏倚——这正是使用者在跨机构部署时需要额外验证的地方。
附录 B：核心硬数字总表
| 指标 | 数值 | 来源 |
|---|---|---|
| 例数 | 800 | Zenodo / arXiv |
| 剔除数 | 200（poor quality） | 论文解析 |
| 标签类别数 | 15（0-14） | GitHub |
| 中心线段模型 | 18 段 | 论文解析 |
| 人工修正工时 | 约 270 小时 | 论文解析 |
| 数据集包 | 1.4 GB | Zenodo |
| 权重包 | 1.6 GB | Zenodo |
| 初值模型训练集 | 100 例 cMPR | 论文解析 |
| CAS-Net DSC | 91.2% | 项目 Table 1 |
| 专家间 DSC | 92.8% | 项目 Table 1 |
| 原版标签直接评 DSC | 41.8% | 项目 Table 1 |
| 参与基准方法 | 8 个（5 冠脉 + 3 通用） | 项目网页 |
附录 C：检索决策树
需要冠脉 CTA 分割数据？
├─ 要 800 例、带节段/中心线/网格 → ImageCAS-X（本条）
├─ 要 1,000 例、二值管腔 → ImageCAS（rid=549）
└─ 要 60 例、挑战赛格式 → ASOCA
│
需要中心线提取基准确认？
├─ 是 → 读本集 Table 1 的 clDice / βerr / 中心线 HD95
└─ 否 → 关注 DSC / HD95 即可
拿不到原始影像？
└─ 去 Kaggle 下载 ImageCAS 原版卷，用本集 filelist 对齐
附录 D：与库内 ImageCAS（rid=549）关系声明
本条目 imagecas-x 与库内条目 imagecas（rid=549）为同源扩展版本关系，非同一数据集，勿合并。两者共享底层 CCTA 影像（广东省人民医院队列），但：
- 标注体系不同：原版二值管腔 vs 本集 15 类节段；
- 作者与机构不同：原版为广东工业大学等 + 广东省人民医院，本集为 DTU + Rigshospitalet；
- 发布渠道与许可不同：Kaggle / Apache 2.0 vs Zenodo / CC BY 4.0；
- 规模不同：1,000 例 vs 800 例（本集从原版筛选）。
引用建议：引用本集时使用其独立 DOI（10.5281/zenodo.21887809）与 arXiv（2608.30404），并注明底层影像来自 ImageCAS 原版；若同时引用两者，应分别列出，不得互相替代。
附录 E：术语表
- CCTA：冠状动脉 CT 血管造影（Coronary Computed Tomography Angiography）。
- 管腔（Lumen）：血管内壁围成的通道，造影剂充盈区。
- 中心线（Centerline）：沿血管走行的几何中轴，用于定量与仿真。
- cMPR：曲面多平面重建（curved Multi-Planar Reformatting），沿中心线展开血管的视图。
- 18 段模型：标准化的冠脉解剖分段体系，中心线命名依据。
- DSC / Dice：重叠度指标，百分比。
- HD95：95% 分位 Hausdorff 距离，几何偏差，单位 mm。
- βerr（Betti 数误差）：拓扑正确性指标。
- clDice：中心线 Dice，衡量中心线吻合。
- ASSD：平均对称表面距离，单位 mm。
- Inter-observer：专家间一致性，作为人类上限参照。
- PVAT：血管周围脂肪组织（Perivascular Adipose Tissue）。
- CT-FFR：基于 CT 的血流储备分数（Fractional Flow Reserve）。
附录 F：主要来源 URL 清单
- arXiv 摘要：https://arxiv.org/abs/2608.30404
- arXiv HTML：https://arxiv.org/html/2608.30404v1
- 项目网页（含 Table 1）：https://kitbransby.github.io/ImageCAS-X/
- 代码仓库：https://github.com/kitbransby/ImageCAS-X
- Zenodo 记录：https://zenodo.org/records/21887809
- Zenodo DOI：https://doi.org/10.5281/zenodo.21887809
- NLM 数据目录：https://datasetcatalog.nlm.nih.gov/dataset?q=0003270274
- 底层影像（ImageCAS 原版）：https://www.kaggle.com/datasets/xiaoweixumedicalai/imagecas
附录 G：15 类标签速查卡（可打印）
编号 缩写 中文 英文
0 — 背景 Background
1 LM 左主干 Left main
2 LAD 左前降支 Left anterior descending
3 LCx 左回旋支 Left circumflex
4 D1 第一对角支 First diagonal
5 D2 第二对角支 Second diagonal
6 OM1 第一钝缘支 First obtuse marginal
7 OM2 第二钝缘支 Second obtuse marginal
8 IM 中间支 Intermediate (ramus intermedius)
9 RCA 右冠 Right coronary artery
10 R-PDA 右后降支 Right posterior descending
11 R-PLA 右后侧支 Right posterior lateral
12 L-PDA 左后降支 Left posterior descending
13 L-PLA 左后侧支 Left posterior lateral
14 Other 其他 D3/D4/OM3/OM4 合并
附录 H：文件清单与命名约定
<data_root>/
├── volumes/<scan_id>.img.nii.gz # 来自 Kaggle ImageCAS
├── segmentations/<scan_id>.coronary.nii.gz # 多标签 0-14
├── centerlines/<scan_id>.coronary_left_centerline.vtk # 左冠中心线
├── centerlines/<scan_id>.coronary_right_centerline.vtk # 右冠中心线
├── surfaces/<scan_id>.coronary_mesh.vtk # 网格面
├── filelist/train.txt | val.txt | test.txt | exclude.txt
└── Descriptors.xlsx # Scan ID/Image Quality/Dominance/Disease
所有目录名与后缀均为 configs/pipeline.json 的可配字段（data.volume_dir、data.gt_mask_dir、data.mask_suffix 等），布局不同时可改配置适配。
附录 I：指标计算公式说明
- Dice（DSC） = 2·|A∩B| / (|A|+|B|)，A、B 为预测与真值掩膜，取值 [0,1]，越高越好。
- HD95：两曲面点集间 Hausdorff 距离的 95% 分位数，单位 mm，越低越好，对离群边界敏感。
- βerr（Betti 数误差）：预测与真值在 Betti 数（连通分量数 β0、环数 β1）上的差异，越低越好。
- clDice：基于骨架的中心线重叠度，越高越好，衡量拓扑/中心线吻合。
- ASSD：预测曲面到真值曲面双向平均点距，单位 mm，越低越好。
附录 J：坑点档案表（与 §10 对照）
| # | 坑 | 后果 | 对策 |
|---|---|---|---|
| 1 | 与 ImageCAS 混淆 | 引用错误信息/许可 | 认准 rid=549 与 imagecas-x 两条目 |
| 2 | 以为含原始影像 | 拿到标签无影像 | 先 Kaggle 下影像 |
| 3 | 用原版标签当真值 | 评测崩塌（41.8%） | 用本集标签 |
| 4 | 只看 Dice | 漏掉拓扑错误 | 加看 βerr/clDice |
| 5 | 只报均值 | 掩盖离群 | 带标准差 |
| 6 | 忽视小血管衰减 | 下游失效 | 分层验证覆盖 |
| 7 | 误判 Other 类 | 拓扑缺失 | 从中心线间接推断 |
| 8 | 忽略双许可 | 署名不全 | 两套条款分别遵守 |
附录 K：复现命令速查
# 安装
git clone https://github.com/kitbransby/ImageCAS-X.git && cd ImageCAS-X && pip install -e .
export ImageCAS_X_data_path=/path/to/data/dir
export ImageCAS_X_results_path=/path/to/results/dir
# 重采样缓存（可选）
python -m utils.offline_resample_images_to_disk -c configs/<method>.json --workers 8
# 训练 / 推理 / 评估
python -m train -c configs/<method>.json
python -m inference -c configs/<method>.json -r <run_dir>
python -m evaluate -c configs/<method>.json -r <run_dir>
# 中心线点级样本预计算
python -m utils.precompute_centerline_samples -c configs/<method>.json --split test
附录 L：与库内 ImageCAS（rid=549）条目的互链说明
本条目与库内 imagecas（rid=549） 建议双向互链，互链锚点为"同源扩展版本"。互链 URL 应指向各自条目主页：
- 本条目：https://www.qianfanghub.com/ai-ready-dataset/imagecas-x/924
- 原版条目：https://www.qianfanghub.com/ai-ready-dataset/imagecas/0
互链时必须在页面正文显式声明"同源扩展版本，勿合并"，避免读者误以为二者可替换。此声明已在 §9.1 与附录 D 落地。
附录 M：ImageCAS-X 与 ImageCAS 血缘对照明细
| 对照项 | ImageCAS（原版） | ImageCAS-X（扩展） |
|---|---|---|
| 发布年份 | 2023 | 2026 |
| 论文 | Comput Med Imaging Graph 2023;109:102287 | arXiv 2608.30404（审稿中） |
| 例数 | 1,000 | 800 |
| 影像提供 | 是（~89.1 GB） | 否（发布标签） |
| 标注类别 | 二值 | 15 类 |
| 中心线 | 无 | 有 |
| 网格面 | 无 | 有 |
| 描述符 | 无 | 有 |
| 主机构 | 广东工业大学等 + 广东省人民医院 | DTU + Rigshospitalet |
| 许可 | Apache 2.0 | CC BY 4.0 |
| 渠道 | Kaggle | Zenodo |
| 库内条目 | imagecas（rid=549） | imagecas-x（本条） |
核心结论：同源影像，异构标注，独立条目，勿合并。
附录 N：速查卡（一页版）
- 是什么：ImageCAS 的 800 例体素级重标注扩展集 + 基准
- 标什么：15 类管腔 + 中心线 + 网格 + 描述符
- 谁做的：DTU + Rigshospitalet，2026
- 怎么拿：Zenodo 21887809（标签权重）+ Kaggle（影像）
- 什么许可：CC BY 4.0（影像另守 Apache 2.0）
- 最佳算法：CAS-Net，DSC 91.2%
- 人类水平：专家间 DSC 92.8%
- 最大坑：勿与 ImageCAS 合并
附录 O：冠脉分割数据集景观对照
下表把本集放进更广的冠脉 CTA 数据集景观中（仅列可比的公开分割类）：
| 数据集 | 例数 | 标注粒度 | 中心线 | 许可 | 渠道 |
|---|---|---|---|---|---|
| ImageCAS（原版） | 1,000 | 二值管腔 | 无 | Apache 2.0 | Kaggle |
| ImageCAS-X（本集） | 800 | 15 类 + 网格 | 有 | CC BY 4.0 | Zenodo |
| ASOCA | 40+20 | 管腔 + 中心线 | 有 | 挑战赛条款 | Grand Challenge |
从这个对照可以看出本集的独特定位：例数介于原版与挑战赛之间，但标注丰富度为三者之最。它填补的正是"大规模 + 高标注密度"之间的空白。
附录 P：中英术语对照表
| 中文 | 英文 | 缩写 |
|---|---|---|
| 冠状动脉 CT 血管造影 | Coronary Computed Tomography Angiography | CCTA |
| 管腔 | Lumen | — |
| 中心线 | Centerline | — |
| 曲面多平面重建 | curved Multi-Planar Reformatting | cMPR |
| 骨架化 | Skeletonization | — |
| 冠脉优势型 | Coronary Dominance | — |
| 血管周围脂肪组织 | Perivascular Adipose Tissue | PVAT |
| 血流储备分数 | Fractional Flow Reserve | FFR |
| 基于 CT 的 FFR | CT-based FFR | CT-FFR |
| Dice 相似系数 | Dice Similarity Coefficient | DSC |
| 95% 分位 Hausdorff 距离 | 95th percentile Hausdorff Distance | HD95 |
| 平均对称表面距离 | Average Symmetric Surface Distance | ASSD |
| 中心线 Dice | centerline Dice | clDice |
| 观察者间变异 | Inter-observer variability | — |
| 人-机差距 | Human-algorithm gap | — |
| 多标签 | Multi-label | — |
| 图像质量 | Image Quality | — |
附录 Q：延伸阅读与对照工作
想更全面理解本集的定位，可对照以下方向的工作：
- 原版 ImageCAS（Zeng et al., Comput Med Imaging Graph 2023）：本集的影像来源与评测对象之一；
- ASOCA 挑战赛（MICCAI 2020）：另一套冠脉 CTA 分割基准，规模较小但含中心线；
- 中心线先验分割方法（如 ADE-HTL）：说明"引入拓扑/中心线线索"能提升冠状结构的分割表现；
- clDice 损失（Shit et al., CVPR 2021）：中心线 Dice 损失的原始工作，本集将其作为评测指标与方法之一。
这些对照工作共同勾勒出"冠脉分割从二值到拓扑、从单中心到大样本复用"的技术演进线索，而本集正处在这条线索的 2026 节点上。
附录 R：版本与检索元信息
- 本条目 slug：imagecas-x
- 本条目标题后缀：| 千方病案医数集
- 数据来源核验日期：2026-10-08
- 主要一手来源：arXiv 2608.30404、GitHub kitbransby/ImageCAS-X、项目网页、Zenodo 21887809、NLM 数据目录
- 库内相关条目：imagecas（rid=549）、asoca
- 消歧结论：ImageCAS-X 与 ImageCAS 为同源扩展版本，勿合并
附录 S：三源互证记录
本条目核心事实的互证来源如下，任何关键数字均至少有两处独立来源支撑：
| 事实 | 来源一 | 来源二 |
|---|---|---|
| 800 例、体素级管腔+节段 | arXiv 2608.30404 摘要 | Zenodo 21887809 描述 |
| 15 类标签定义 | GitHub README | 项目网页 |
| 剔除 200 例 | 论文解析（moonlight） | 与 1,000→800 的差值一致 |
| CC BY 4.0 许可 | Zenodo 21887809 | NLM 数据目录 |
| CAS-Net DSC 91.2% | 项目网页 Table 1 | 论文（同源） |
| 专家间 DSC 92.8% | 项目网页 Table 1 | 论文（同源） |
| 约 270 小时标注 | 论文解析 | 论文（原文） |
| 18 段中心线模型 | GitHub README | 论文解析 |
说明：项目网页与论文出自同一团队，互为"同源"而非"独立"；真正跨机构互证的是 Zenodo/NLM/arXiv 三个平台对"数据集存在、规模、许可"的一致描述。
附录 T：遗留疑点清单（如实存档）
以下为本条目核验时未能确证的信息，如实列出，不做臆测：
- train/val/test 确切例数：官方仅给出文件名，未披露三者各含多少例。需下载
filelist后自行统计。 - 200 例剔除的具体原因分布：官方仅以 poor quality 概括，未逐例说明。
- 患者级唯一性：未披露 800 例扫描对应多少唯一患者。
- 正式期刊 DOI / PubMed 收录：论文 under review，暂无。
- 标注专家人数：论文解析未明确参与标注的专家具体人数。
- 长期维护计划：首发于 2026，是否有后续版本迭代未知。
以上疑点不影响本条目核心事实的成立，但使用者若对某项有硬需求，应向通讯作者（kimbr@dtu.dk / rapa@dtu.dk）求证。
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：
- asoca — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准 / 心血管疾病
- orcascore — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准 / 心血管疾病
- toothfairy2 — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
- curvas — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
- toothfairy3 — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
- stsr — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
- atm-airway — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
- parse2022 — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 心血管疾病
- aortaseg-60 — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 心血管疾病
- instance2022 — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
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。
