信息速览
IXI（Information eXtraction from Images）是帝国理工学院生物医学图像分析组在 2000 年代建设的一个脑 MRI 开放集，官方口径是近六百名正常健康受试者，采集于伦敦的 Hammersmith、Guy’s 与精神病学研究所三家医院。每名受试者的采集协议包含 T1、T2、质子密度（PD）三类结构像、一幅磁共振血管造影（MRA），以及 15 个方向的扩散加权像。这是脑影像领域少见的完全开放、无注册门槛、无伦理审批环节的数据集，以 CC BY-SA 3.0 许可分发。
它之所以在配准论文里出现频率极高，原因不在规模，而在它刻意抹掉了真实临床影像最麻烦的那一部分：发布版图像全部去颅骨、全部配准到标准空间。影像里没有颅骨、没有头皮、没有脖子，也没有明显的病灶。这样一来，任何一对图像之间的差异几乎只剩解剖形态本身的差异，配准算法面对的搜索空间被削得很干净。同样一批图像，放到医院 PACS 里，前处理就要先跑一遍颅骨剥离，而颅骨剥离恰恰是流水线上最容易翻车的一步。
正因如此，IXI 是一把尺子，但它量的是「在干净条件下算法能多准」，不是「在真实条件下算法能不能用」。把 IXI 上的亚毫米误差当成通用能力去写论文，是使用这个数据集时最常见的越界。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 全称 | Information eXtraction from Images（IXI） |
| 发布机构 | 帝国理工学院 生物医学图像分析组（BIA） |
| 采集地点 | 伦敦：Hammersmith、Guy’s、Institute of Psychiatry 三院 |
| 规模（官方口径） | 近 600 名正常健康受试者 |
| 模态 | T1 加权、T2 加权、PD 加权、MRA、15 方向 DWI |
| 扫描仪 | Philips 3T、Philips 1.5T、GE 1.5T |
| 文件格式 | NIfTI-1（.nii），按模态打包为 tar |
| 预处理状态 | 已去颅骨、已配准到标准空间 |
| 附属文件 | bvecs.txt、bvals.txt、人口学电子表格（IXI.xls） |
| 标签 | 无病灶标签；仅有受试者层级人口学 |
| 许可 | CC BY-SA 3.0 |
| 访问门槛 | 无注册、无申请、直接下载 |
| DOI | 无（官方未分配） |
| 主论文 | 无（引用时指向网站或 EPSRC 资助号） |
| 典型用途 | 图像配准基准、组织分割、多模态融合、跨模态合成 |
| 原站与登记页 | brain-development.org/ixi-dataset/ ；nitrc.org/projects/ixi_dataset/ |
§1 它要解决的具体麻烦
1.1 配准论文需要一块人人手里都有的公共场地
图像配准是脑影像里最基础也最难证明的一步。一篇新方法论文要说自己的变形场更平滑、误差更小、不出现折叠，必须在一批公开数据上跑出数字，让评审能复核、让后来者能比较。可真有大规模、多模态、多受试者、又完全开放的脑 MRI 吗？2000 年代后期，答案寥寥。ADNI 需要申请，OASIS 规模偏小且以老年为主，HCP 要等协议审批，BraTS 全是肿瘤病人。IXI 填的正是这个空档：一份不用打招呼就能下载、体量够做统计、格式统一到几乎不用清洗的健康脑磁共振集合。
它解决的麻烦非常具体：你手上有一份新增益、无注册门槛、多模态同源、可以直接喂给配准网络的健康脑数据。这四件事同时成立的数据集，今天依然不多。
1.2 三条常见的错误期待
第一条，把它当成「临床脑影像的代表样本」。IXI 里全是健康志愿者，没有肿瘤、没有卒中、没有术后改变、没有脑室扩大，也没有任何诊断标签。拿它训练病灶分割、拿它估计疾病进展，从一开始就问错了问题。
第二条，把它当成「原始 DICOM 仓库」。它是 NIfTI，而且是已经处理过的 NIfTI。你想研究扫描仪重建、想复现 DICOM 层面的预处理链、想做颅骨剥离，IXI 都给不了——它给你的已经是流水线的下游产物。
第三条，把它当成「带金标准标注的分割集」。它没有体素级组织标签，没有手工勾画的 ROI。所谓「分割」，在 IXI 上通常是用你自己的算法分割再用你的另一套算法验证，或者借用 FreeSurfer、FSL 这类工具产出的标签当伪金标准。这不是 IXI 的能力，是工具的产物。
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 多受试者脑 MRI 做配准基准 | 近六百人、每人四到五类序列 | 够，且是社区默认选择之一 |
| 跨模态配准验证（T1↔T2↔PD） | 同一受试者同一时刻旁的四类结构像 | 够用，是它的核心价值之一 |
| 多模态融合/合成（T1 生成 T2） | 成对的同人不同模态 | 够，配对是天然对齐的 |
| 组织分割训练 | 无体素级标签 | 不够，只能自造伪标签 |
| 颅骨剥离算法验证 | 已去颅骨，颅骨不存在 | 完全不够，方向相反 |
| 病灶检测/疾病分类 | 全健康，无标签 | 不够，只能当阴性对照 |
| 儿童或高龄人群泛化测试 | 以健康成人为主，年龄跨度有限 | 勉强，只能代表中间段 |
| BIDS 格式直接接入 | 官方只发 NIfTI tar，无官方 BIDS | 需自己转，社区有现成转换器 |
| 大规模预训练语料 | 体量约几百例，非千级 | 不够，需与其他集合拼 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 刚接手一个脑配准课题，不知道该从哪个数据起步 | 提供一份几乎零清洗成本的起跑数据 | 先用它把 pipeline 跑通，再换更难的集合 |
| 论文需要一个评审认识、数字可比的基准 | 提供社区公认的默认基线 | 在表里同时列出 IXI 与一个临床集的结果 |
| 要做 T1→T2 或 T1→PD 的合成实验 | 提供同人同刻的多模态配对 | 注意划分必须按受试者切，不能按切片切 |
| 想知道自己的方法在老年人上还灵不灵 | 只能给一个健康成人年龄段 | 另找 OASIS 一类以老年样本为主的集合做对照 |
| 需要验证「先剥颅骨再配准」的完整流水线 | 给不了这一步，因为颅骨已被移除 | 改用含完整头部的原始影像集合 |
| 想研究 MRA 与结构像的几何一致性 | 能提供同人 MRA 与 T1 | 先自行测量两者偏差，不能假定已对齐 |
| 要做无监督异常检测的阴性对照 | 提供大量「正常」样本作为背景分布 | 训练集与测试集要按受试者隔离 |
1.5 一句话判断
如果你的问题里包含「比对齐得准不准」，IXI 是最省事的第一站；如果包含「剥得干净不干净」或「病得重不重」，它在结构上就不适合，换数据比调参更快。
1.6 不适合谁：四条边界
不适合做颅骨剥离研究的人。 发布版已去颅骨，这是 IXI 最强的前处理承诺，也是它最硬的排除项。任何以「从头预测颅内掩膜」为目标的课题，在 IXI 上都无法定义监督信号。
需要疾病标签的人。 全健康志愿者意味着没有阳性样本。你可以用它做阴性对照、做健康先验、做背景分布，但不能用它回答「这个脑有没有病」。
需要人群覆盖度的人。 它面向健康成人，年龄跨度有限，不含儿童、不含发育期、也不以显著萎缩的老年脑为主体。要做跨年龄泛化，必须另配数据集。
需要原始 DICOM 或院内全流程的人。 从扫描仪到 NIfTI 之间的整条链路在 IXI 里是黑箱，你拿不到 k 空间、拿不到重建参数之外的信息，也拿不到未去颅骨的原始重建。
§2 数据构成与规格
2.1 一人五序列：这个结构决定了它能做什么
IXI 的组织单位是受试者，而不是图像。官方页面的描述写得很直白：每名受试者的采集协议包含 T1、T2 与 PD 加权像、MRA 像、以及 15 个方向的扩散加权像。这句话信息量很大——它意味着同一位受试者的五六类图像来自同一次扫描，中间没有走动、没有重新定位、没有换设备。
这对代码意味着什么，值得具体说。如果你按「一个文件夹一个受试者」的方式建索引，四类结构像正好凑成一组，扩散序列则要单独处理：它不是一个文件，而是一方向一个文件。加载器若按「每个文件一个样本」来写，一个受试者会被算成十几个样本，训练集的样本数瞬间翻倍，评价指标也随之失真。一种可行做法是把同一受试者的扩散文件在加载时堆叠成一个四维张量，连同 bvecs 与 bvals 一起返回，这样样本单位才回到「人」。
同源同刻的配对，是 IXI 区别于「把不同人的 T1 和 T2 混在一起」的最关键属性。跨模态配准、跨模态合成、多模态联合分割，这些任务都需要「同一解剖结构在不同对比度下的两个版本」，IXI 天然提供。反过来，一旦你按切片随机划分训练测试集，同一位受试者的相邻切片会同时出现在两边，泄漏几乎是必然的。
2.2 字段与文件的完整字典
| 名称 | 类型 | 含义 | 取值/说明 |
|---|---|---|---|
| IXI_ID | 整数 | 受试者编号 | 出现在文件名中，如 002 |
| 站点标记 | 字符串 | 采集医院 | Guys、HH、IOP 三种 |
| 受试者日期串 | 数字 | 文件命名中的日期片段 | 如 0828，非公开生日 |
| 模态后缀 | 字符串 | 序列类型 | T1、T2、PD、MRA、DTI |
| DTI 方向号 | 两位数字 | 扩散方向序号 | 00 起，逐方向一个文件 |
| 文件格式 | 字符串 | 影像容器 | NIfTI-1，扩展名 .nii |
| bvecs.txt | 文本 | 扩散梯度方向 | 与 DTI 文件配套 |
| bvals.txt | 文本 | 扩散 b 值 | 官方仅说明方向数，b 值表随包给出 |
| SEX_ID | 整数 | 性别 | 表格中的编码列 |
| AGE_ID | 整数 | 年龄 | 表格中的编码列 |
| HANDEDNESS_ID | 整数 | 利手 | 表格中的编码列 |
| ETHNIC_ID | 整数 | 族裔 | 编码列，含白色、亚裔、黑人、华人、其他 |
| MARITAL_ID | 整数 | 婚姻状态 | 编码列 |
| OCCUPATION_ID | 整数 | 职业类别 | 编码列 |
| QUALIFICATION_ID | 整数 | 学历 | 编码列 |
| DOB | 日期 | 出生日期 | 人口学表内 |
| STUDY_DATE | 日期 | 扫描日期 | 人口学表内 |
| 扫描仪场强 | 派生 | 1.5T 或 3T | 由站点推断，非独立字段 |
| 去颅骨标记 | 派生 | 是否已剥离 | 全部为是 |
| 空间标准化 | 派生 | 是否在标准空间 | 全部为是 |
2.3 一条记录的完整解剖
一个受试者在磁盘上的形态大致如下：tar 包解压后是一批平铺的 NIfTI 文件，命名由受试者号、站点、日期串与模态串联而成；DTI 因为按方向拆分，会多出十几个文件。人口学信息不在头文件里，而在单独的一份电子表格中，需要按受试者编号做连接。
IXI-T1.tar 解压后
├── IXI002-Guys-0828-T1.nii
├── IXI012-HH-1211-T1.nii
├── IXI013-IOP-1055-T1.nii
└── 其余受试者同构文件（其余略）
IXI-DTI.tar 解压后
├── IXI002-Guys-0828-DTI-00.nii
├── IXI002-Guys-0828-DTI-01.nii
├── …
├── bvecs.txt
└── bvals.txt
把文件名拆开看，每一段都有含义：IXI002 是受试者号，Guys 是站点，0828 是命名日期片段，T1 是模态。站点与场强之间的关系是固定的——Guy’s 用 Philips 1.5T，Hammersmith 用 Philips 3T，精神病学研究所用 GE 1.5T。这意味着站点标记同时是设备标记，任何按站点统计的差异都无法区分「人群差异」与「设备差异」。
2.4 站点、场强与模态的分布
| 站点 | 场强 | 设备 | 官方是否给出扫描参数 |
|---|---|---|---|
| Hammersmith Hospital | 3T | Philips Intera | 给出，T1/T2/PD/MRA/DTI 全列 |
| Guy’s Hospital | 1.5T | Philips Gyroscan Intera | 给出，T1/T2/PD/MRA/DTI 全列 |
| Institute of Psychiatry | 1.5T | GE | 官方注明「参数暂不可得」 |
| 模态 | 官方描述 | 每个受试者是否都有 | 备注 |
|---|---|---|---|
| T1 加权 | 结构像，高灰白质对比 | 是 | 最常被单独调用 |
| T2 加权 | 结构像，脑脊液高信号 | 是 | 常与 T1 配对做合成 |
| PD 加权 | 质子密度加权 | 是 | 脑脊液与灰质对比低 |
| MRA | 血管造影 | 是 | 与其他模态几何关系需自行核 |
| DTI | 15 方向扩散 | 是 | 拆分存储，附 bvecs/bvals |
2.5 与同类资源的字段差异
| 维度 | IXI | OASIS 类老年集 | HCP 类大样本集 | BraTS 类病灶集 |
|---|---|---|---|---|
| 受试者人群 | 健康成人 | 含临床与老年 | 健康青年 | 脑肿瘤患者 |
| 模态数 | 四到五类 | 多为 T1 为主 | 结构+功能+扩散 | 多参数 MRI |
| 是否去颅骨 | 全部已去 | 通常需自行处理 | 部分提供 | 通常需自行处理 |
| 体素级标签 | 无 | 部分有 | 部分有 | 有，肿瘤分区 |
| 获取门槛 | 无 | 需注册 | 需申请 | 需注册 |
| 许可开放性 | 完全开放 | 受限 | 受限 | 研究用途 |
| 规模量级 | 数百 | 数百 | 上千 | 上千例切片 |
这张表说明了 IXI 的位置：它是在开放性上最慷慨、在标注上最吝啬、在人群上最"正常"的那一档。三者是一体的——公开性做得彻底，就无法附带需要受试者同意的临床标注；人群保持健康，就无法提供病灶。
再往细看一层，模态之间的角色并不对等。T1 对比度最高、灰白质边界最清楚，几乎所有论文都把它当「主视角」，配准的固定像通常是参考模板，移动像通常是 T1，随后再拿 T1 与其他模态去配。T2 与 PD 是「第二视角」，前者脑脊液高信号突出，后者整体平缓，两者都在跨模态任务里承担「看起来完全不一样的那一方」。MRA 则更像一个外挂：它是血管亮、背景暗的投影式图像，解剖内容与前四者重叠很少，实际使用中很少作为配准的移动像，更多是单独挑出来做血管相关的小实验。DTI 是唯一带方向信息的模态，它的每个体素都是一个张量，处理方式与前四类标量像完全不同，实际上等于另一个独立任务包，只是被装在同一个数据集里分发。
§3 它的身份：一份没有主论文的公共基础设施
3.1 它不是一个"数据集项目"，是一个资助项目的副产品
IXI 的全称 Information eXtraction from Images，来自英国工程与物理科学研究理事会（EPSRC）资助号 GR/S21533/02。这个项目的研究目标是「从图像中提取信息」，脑 MRI 是它的试验场。数据集是项目的产出物之一，而不是项目本身的目标。这解释了两件事。
第一，为什么它没有单一主论文。多数医学数据集会有一篇专门的 Data Descriptor，说明采集协议、质控流程、已知缺陷。IXI 没有。官方页面只有一段话、几个下载链接、一句许可说明，加上两个扫描仪的参数页。你要找它的「方法学」，只能从别人引用它的论文里拼。
第二，为什么它的文档密度极低却依然被广泛使用。它的价值不来自文档，而来自数据本身足够干净、足够标准、足够开放。一个研究者下载、解压、跑通，全程不需要读任何手册。
3.2 三院联合采集：一个被反复简化的身份
官方页面把采集点写得清楚：Hammersmith 用 Philips 3T，Guy’s 用 Philips 1.5T，精神病学研究所用 GE 1.5T。NITRC 的登记信息把组织方写成帝国理工学院、中心写成生物医学图像分析组、联系人写 Daniel Rueckert。这两处信息构成了它的官方身份。
但二手介绍里常见两种简化，都需要提防。一是把三家医院压缩成「帝国理工采集」，丢掉了设备异质性；二是把它写成某一家医院的单中心数据，丢掉了三院结构。三院结构恰恰是它的一层价值：同一协议在三台设备上跑，天然构成一个跨设备的小型压力测试。只是这个测试的对照组很弱，因为受试者不在三台机器之间交叉扫描，你无法分离「人」和「机器」。
3.3 名字里的三个词
| 名称元素 | 字面含义 | 在数据里的实际所指 |
|---|---|---|
| Information eXtraction | 信息抽取 | 项目研究目标，非数据集任务 |
| from Images | 从图像 | 磁共振图像，非 CT 或病理 |
| IXI | 缩写 | 也常被当成品牌名直接用 |
缩写本身无语义，只是好记。副作用是：检索时「IXI」几乎不与别的主题撞车，文献召回很干净。
3.4 它在注册表里的位置
| 登记项 | 内容 | 意义 |
|---|---|---|
| NITRC 项目页 | ixi_dataset | 官方认可的第三方登记 |
| 登记时间 | 2015 年 2 月 23 日 | 晚于数据实际采集多年 |
| 组织 | Imperial College London | 与官方页一致 |
| 中心 | Biomedical Image Analysis Group | 与官方页一致 |
| 数据格式标注 | NIfTI-1 | 与官方发版一致 |
| 关联仓库 | NITRC Image Repository | 另一条分发通道 |
| PubMed 提及计数 | 0 | 登记页自身不挂论文 |
| 资助标注 | EPSRC GR/S21533/02 | 与官方页一致 |
NITRC 页面上的 PubMed 提及数为零，不代表没人引用 IXI；它只说明这份登记记录没有绑定任何一篇论文。这个细节本身就是「无主论文」状态的旁证。
3.5 资助与维护的错位
一个数据集能长期在线，靠的通常不是有人持续维护，而是当初的部署方式足够简单。IXI 把文件打包成静态 tar 放在学院服务器上，网页只列链接，没有数据库、没有用户系统、没有配额管理，几乎没有运行成本，也就几乎没有服务能力：不能按需查询、不能统计下载、不能发版本通知。这种「静态发布」常被批评为不规范，但它是可靠性的来源。核验时可以确认页面返回 200、下载端点支持断点返回 206，这些都是静态部署的典型特征。
3.6 它与「数据中心」型数据集的角色分工
| 角色 | 静态发布型（IXI 一类） | 数据中心型 |
|---|---|---|
| 访问方式 | 直接下 tar | 申请、审批、带账号 |
| 版本管理 | 无版本号 | 有版本与变更记录 |
| 使用统计 | 无 | 有下载与引用追踪 |
| 数据规模 | 固定，不再增长 | 持续扩充 |
| 标注能力 | 无 | 可组织标注 |
| 引用规范 | 只能指向网站 | 有 DOI 与固定引用格式 |
| 长期可用性 | 取决于服务器是否还在 | 取决于机构是否继续运营 |
两者不是替代关系。IXI 在这一列里的优势是「现在就能用」，劣势是「没有任何承诺」。
3.7 一句可以被忽略的命名史
IXI 这个缩写里的 Information eXtraction 关注的其实是「从图像里抽取可量化的信息」，而不是「构建一个供算法训练的数据集」。这种起源解释了数据的组织方式：它按模态打包，而不是按任务打包；它附带人口学表，因为项目关心的是「年龄、性别与脑形态的关系」这类统计问题。理解这一点，就能明白为什么不提供标注——在项目最初的设想里，标注不是课题的一部分。
实践意义很直接：官方材料里没有「任务定义」或「评价协议」，只有数据和参数，两者都需要自己写。
§4 它的质量与特色：干净是设计出来的
4.1 去颅骨与配准：省掉的是第一步，也是最难的一步
发布版图像全部去颅骨、全部处于标准空间。对使用者来说，这意味着拿到文件可以直接进网络，不必先跑 BET 或 SynthStrip，也不必担心配准初值。对研究者来说，这意味着两件事被悄悄固定下来了：颅内掩膜的边界，以及世界坐标系与模板的对应关系。
问题在于，这两件事在真实流水线里都是待估计量，而不是已知量。临床影像的颅骨剥离失败率高得惊人：颈部脂肪、颅底、眼眶、术后缺损、金属伪影，任何一样都可能让剥离算法多切或少切。少切一块脑组织，后面的配准会把误差传下去；多切一块颅骨，配准就会被非脑组织带偏。IXI 把这一步删掉了，所以你测到的配准误差里，不包含前处理失败的分量。
这不是缺陷，是定位。IXI 想测的是「给定两个干净的脑，算法能不能对齐」，而不是「给定两张医院原图，整条流水线能不能跑通」。混淆这两种问题，才会出错。
4.2 人群同质性：六百个相似的脑
健康成人、无病灶、年龄集中，这组条件的交集是解剖变异性很小：脑室不大、皮层不薄、无大面积白质病变、无占位效应引起的形变。配准算法在这种数据上主要处理正常个体间的形态差异，而不是病理造成的拓扑改变。
对开发者这是好事：信号干净、收敛稳定、超参好调。对想证明泛化能力的人这是陷阱：一个在低变异数据上把误差压到亚毫米级的模型，可能在老年人脑室扩大的图像上、在儿童髓鞘化未完成的图像上、在术后骨瓣缺损的图像上直接崩掉。IXI 不提供这些压力样本，所以它无法告诉你模型的失败边界在哪里。
4.3 多模态对齐：少数能真正做跨模态验证的公开集
跨模态配准的难点在于「同一个结构在不同对比度下长得不一样」。T1 里白质亮、灰质暗，T2 里脑脊液亮、白质暗，PD 里对比度最低。让算法把 T1 的丘脑准确对到 T2 的丘脑，需要模型理解「这是同一个东西的不同外观」，而不是「这块像素值相近」。
要验证这件事，必须有同一受试者、同一时刻、不同对比度的配对。IXI 提供的正是这种配对，而且免费公开。这就是为什么 T1→T2 合成、跨模态配准的论文里，IXI 出现得如此频繁。
但要注意一个隐含前提：跨模态配准的「真值」从哪来？由于是同一受试者的同一次扫描，理论上解剖位置是一致的，但这只是近似——受试者在序列间的微小运动、不同序列的采集时长差异、重建网格的差异，都会让「真实对齐」本身带有若干毫米级的模糊。所以 IXI 上的跨模态误差，通常只能做相对比较，不能当作绝对精度。
4.4 案例：B 样条后处理在 IXI 上的那次提升
有一篇 2026 年发表在 IEEE 生物医学与健康信息学杂志的工作，做的正是「在深度学习配准网络之后加一道后处理」。作者观察到，逐体素直接回归密集位移场的网络容易产生变形噪声，在噪声或无关信息存在时会出现拓扑畸变。他们的做法是设计一个控制点间距预测器，按输入图像自适应决定控制点密度，再用局部支撑的 B 样条基函数生成连续光滑的变形场。
这篇工作的摘要里给了两个具体的数字：在 IXI 数据上，把 VoxelMorph 基线的 Dice 提升 2.63%，同时把折叠点的数量降低接近六十九倍。折叠点，指的是变形场里雅可比行列式为负的体素——局部「翻面」的位置。一个网络名义上误差很小，却留下大量折叠点，意味着它算出来的变形在物理上不可逆，这在临床上是不能接受的。
同一个案例还有一层设计思路：控制点由网络按输入内容决定疏密，并非均匀铺满整幅图。解剖结构平滑的地方用稀疏控制点，结构复杂、需要大幅形变的地方用密集控制点。这样做的好处是自由度被压住了——自由度一多，网络就有空间把噪声也拟合进去，得到一张看似贴合、实则折皱的位移场。换句话说，这篇工作并没有发明新的相似性度量，它只是给已有的网络加了一道几何约束。
这个案例值得停下来想的是：为什么要在 IXI 上报折叠点，而不是报 Dice？ 因为 Dice 在 IXI 上早就接近饱和了——健康脑之间本来就长得像，随便一个像样的网络都能拿到很高的重叠度。此时真正能区分方法优劣的，是变形场的物理合理性，是拓扑有没有被破坏。这正是 §4.4 的案例揭示的一层道理：在干净数据上，Dice 已经不再是有效指标，折叠率、雅可比负值比例、逆一致性才是。
还有一件事值得注意：折叠点的降低幅度是「接近六十九倍」这样一个数量级的说法，而不是「从百分之几降到百分之几」。这类表述说明基线网络的折叠点本来就很少——在健康脑上，大多数配准网络都不会把结构折坏，剩余的问题集中在少数困难区域，例如脑室边缘、脑沟深部、小脑与脑干的交界。在 IXI 上剩下的那点误差，几乎全部集中在这几个位置，这本身就是一个有用的线索：如果你的方法在 IXI 上过不了关，问题多半出在这些边界，而不是全局。
4.5 质量维度对照
| 质量维度 | 表现 | 说明 |
|---|---|---|
| 图像清洁度 | 高 | 已去颅骨、已标准化 |
| 人群代表性 | 偏低 | 健康成人为主 |
| 标注丰富度 | 极低 | 无体素级标签 |
| 模态覆盖 | 高 | 四类结构像 + 扩散 |
| 配对完整性 | 高 | 同人同刻，天然配对 |
| 设备异质性 | 中等 | 三台机器，两档场强 |
| 文档完备度 | 低 | 无 Data Descriptor |
| 版本稳定性 | 高 | 多年未改，URL 稳定 |
| 获取便利性 | 极高 | 直接下载 |
4.6 头文件里的坐标系：一个容易忽略的一致性优势
NIfTI 格式除了体素数据，还携带仿射矩阵与空间方向信息。IXI 的发布版经过标准空间配准，这意味着每张图的仿射矩阵都被写成了与模板一致的形式。对写代码的人来说，这省掉了一整类调试痛苦：你不需要在加载时反复检查 qform 与 sform 是否冲突，不需要手动翻转左右，也不需要在 RAS 与 LPS 之间来回换算。
但这也埋了一个坑：如果你用 IXI 训练、用院内数据推理，两边坐标系未必一致。不少院内 DICOM 转 NIfTI 的流水线会输出与模板不同的方向约定，模型在 IXI 上学到的「左右」在推理时会反过来。这不是 IXI 的错，但它是「干净数据训练、脏数据部署」这条路上最常见的翻车点之一。
同样的道理也适用于数据范围。IXI 的像素值是重建后的强度，不同扫描仪之间没有做过强度标准化，3T 与 1.5T 的整体亮度分布差别明显。若把三院数据混在一起训练，模型很容易学到「哪个站的图像偏亮」这类捷径，而不是解剖结构。稳妥的做法是把强度归一化写进加载器，并且在站点层面做一次分布检查——哪怕是粗略地画一张直方图，也比完全不检查要强。
4.7 一个常被忽略的事实：它几乎没有随访
IXI 是横断面采集，一名受试者对应一次扫描，没有纵向时间点。这意味着它无法支撑纵向配准、萎缩速率估计、治疗效果追踪这类问题。很多论文在讨论「配准的长期一致性」时引用 IXI，其实只是用了它的横断面配对，并没有真正验证纵向场景。若你的问题涉及「同一个人前后两次扫描」，IXI 从设计上就无法提供材料，必须换用带随访的队列。
§5 怎么拿到：直接下载，然后自己规整
5.1 官方渠道的结构
官方入口是 brain-development.org 上的 IXI 页面。页面上列出的下载项按模态分文件：T1 全部图像、T2 全部图像、PD 全部图像、MRA 全部图像、DTI 全部图像，外加 bvecs 与 bvals 两个文本文件，以及一份人口学电子表格。所有影像都是 tar 包，解压后是平铺的 NIfTI 文件。
NITRC 的 ixi_dataset 项目页是第二条官方登记通道，页面上链接到 NITRC Image Repository。两条通道指向同一批数据，但封装方式不同——tar 包适合一次性全量下载，影像仓库适合按受试者挑选。
5.2 先探一下端点，再决定下多少
下载之前先确认端点还活着，避免下到一半发现链接失效。下面的命令只取文件头部的若干字节，成本几乎为零。
#-- 用 range 请求只取前 1 KB，确认 tar 端点可访问
curl -sS -r 0-1024 -o /dev/null \
-w "status=%{http_code} bytes=%{size_download}\n" \
"https://biomedic.doc.ic.ac.uk/brain-development/downloads/IXI/IXI-T1.tar"
返回 206 与一百来字节的响应，说明服务器支持断点、链接有效。如果是 404 或 403，先判断是链路问题还是链接变更，再决定要不要改走 NITRC 影像仓库。
5.3 校验包体是否下全
tar 包没有官方发布的校验和，这一点需要在工作记录里写清楚。可行做法是自己算一次哈希并留档，后续换机器或换镜像时用来比对，避免用一份不完整的包跑出无法复现的数字。
#-- 自己生成一份校验和留档，官方未提供
sha256sum IXI-T1.tar > IXI-T1.tar.sha256
ls -lh IXI-T1.tar
sha256sum -c IXI-T1.tar.sha256
5.4 解压后的目录规整
官方 tar 包解压出来是平铺的，几百个文件挤在一个目录里。直接喂给 DataLoader 会让文件名解析成为主要开销。先把它们按受试者与模态分目录，再写索引表，后续所有实验都基于索引表，避免反复解析字符串。
#-- 把平铺的 IXI 文件名整理成 (subject, site, modality) 三元组索引
import re
from pathlib import Path
import csv
pat = re.compile(r'IXI(\d+)-([A-Za-z]+)-\d+-(T1|T2|PD|MRA|DTI)(?:-(\d+))?\.nii$')
root = Path("/data/ixi")
rows = []
for p in sorted(root.rglob("*.nii")):
m = pat.match(p.name)
if not m:
continue
sub, site, mod, direction = m.groups()
rows.append({
"subject": f"IXI{sub}",
"site": site,
"modality": mod,
"direction": direction or "",
"path": str(p),
})
with open(root / "index.csv", "w", newline="", encoding="utf-8") as f:
w = csv.DictWriter(f, fieldnames=["subject", "site", "modality", "direction", "path"])
w.writeheader()
w.writerows(rows)
print(f"indexed {len(rows)} files, {len({r['subject'] for r in rows})} subjects")
这段代码顺便做了一次完整性检查：indexed 之后的文件数与受试者数，可以直接拿来和官方口径对照。如果两者差距明显，多半是某个 tar 包没解完。
5.5 读一张图看看头信息
在写任何模型之前，先看一张图的形状、体素尺寸与数据范围。NIfTI 的仿射矩阵和方向编码决定了你后续要不要翻转，早一步确认能省下几小时的排查。
#-- 读单张 IXI 图像，打印形状、体素尺寸、方向与强度范围
import nibabel as nib
import numpy as np
img = nib.load("/data/ixi/IXI002-Guys-0828-T1.nii")
data = img.get_fdata(dtype=np.float32)
zooms = img.header.get_zooms()[:3]
axcodes = nib.aff2axcodes(img.affine)
print("shape :", data.shape)
print("zooms :", tuple(round(float(z), 4) for z in zooms))
print("axcodes :", axcodes)
print("min/max :", float(data.min()), float(data.max()))
体素通常是各向异性的：层内接近一毫米，层厚明显更粗。这一点直接决定了你该不该在模型里使用各向同性的卷积核——在层厚方向做 3×3×3 卷积，感受野在物理空间里其实是斜的。
5.6 按受试者切分，而不是按切片
这一步是 IXI 使用中最常出错的地方。因为每个受试者贡献了上百个切片，你若按切片随机划分，同一受试者的相邻切片会同时落入训练与测试，模型只要记住「这个脑长这样」就能拿高分。正确做法是先按受试者编号切，再在受试者内部展开。
#-- 按受试者编号划训练/验证/测试，杜绝同一受试者跨集
import random
subjects = sorted({r["subject"] for r in rows})
random.Random(0).shuffle(subjects)
n = len(subjects)
train = subjects[: int(n * 0.8)]
val = subjects[int(n * 0.8): int(n * 0.9)]
test = subjects[int(n * 0.9):]
for name, group in (("train", train), ("val", val), ("test", test)):
print(name, len(group), group[:3])
这个划分是随机的，只为演示流程。要发表结果，建议使用社区里已被广泛采用的划分，或者在论文里明确写出这份划分脚本的随机种子和受试者名单，让别人能复现。
§6 与库内条目的关系
6.1 关系图谱
IXI 在库内的位置是「上游输入型」：它经常不是终点，而是其他条目的前置或对照。
| 库内条目 | 与 IXI 的关系 | 使用方式 |
|---|---|---|
| allen-brain-atlas | 组织学参考，非在体 MRI | IXI 提供在体影像，两者互补 |
| bigbrain | 超高分辨率组织学 | 可作解剖参照，与 IXI 无重叠 |
| brainweb | 仿真数据，参数已知 | 与 IXI 互为「仿真 vs 真实」对照 |
| abide | 自闭症临床队列 | IXI 常作健康对照 |
| adhd-200 | 注意缺陷队列 | 同上，健康背景样本 |
| healthy-brain-network | 健康人群汇总 | 概念相近，组织方式不同 |
| brainptm-2021 | 采集协议标准化挑战 | 都在解决「跨设备可比」问题 |
| mrixfields | MRI 相关处理任务集 | 可作下游任务来源 |
| topbrain2026 | 脑部影像任务集合 | IXI 常被列为可用训练源之一 |
| big-mri | 大样本 MRI 资源 | 规模维度上的对照组 |
6.2 检索路径
按用途检索，比按名字检索更容易找到合适的相邻条目：
| 你想做的事 | 先查哪个关键词 | 再看哪类条目 |
|---|---|---|
| 找配准基准 | registration、alignment | IXI、brainweb、brainptm-2021 |
| 找健康对照 | healthy control | abide、adhd-200、healthy-brain-network |
| 找分割任务 | segmentation、atlas | bigbrain、allen-brain-atlas |
| 找仿真验证 | simulated、phantom | brainweb |
| 找跨模态合成 | synthesis、translation | IXI、mrixfields |
| 找大样本预训练 | large-scale、pretraining | big-mri、topbrain2026 |
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
评估 IXI 时最常见的误判，是拿「配准误差低」直接推出「数据质量高」或「方法通用」。这两件事的中间少了一个环节：误差是在什么条件下测的。IXI 的误差是在已去颅骨、已标准化、人群健康、解剖变异小的条件下测的。换掉其中任何一个条件，同一个数字的含义就会变。
所以本节不按「好/坏」来评，而按「在什么条件下成立」来评。一个数据集的质量不是一个分数，而是一组条件。
7.1 五维评分
| 维度 | 分数（满分 5） | 依据 |
|---|---|---|
| 规模 | 3 | 数百人，够做统计，不够做大规模预训练 |
| 结构规整度 | 5 | NIfTI 平铺 + 一致命名，几乎零清洗 |
| 标注丰富度 | 1 | 无体素级标签，无诊断标签 |
| 开放程度 | 5 | CC BY-SA 3.0，零门槛 |
| 场景覆盖 | 2 | 健康成人单一场景，无病理无儿童 |
| DAIMS 综合 | 3.2 | 规整与开放拉高，标注与覆盖拖低 |
DAIMS 这套 24 项检查里，IXI 的高分几乎全部来自「可获取性」与「格式一致性」两栏，低分集中在「标签完备性」与「人群代表性」两栏。这是一种结构性偏斜，不是可以靠补充文档改善的。
7.2 它的强项为什么强
强项有两处，且都是「减法」换来的。第一处是去颅骨与标准化，它让清洗成本归零；第二处是同源多模态配对，它让跨模态任务的监督信号天然成立。两处强项的共同点：都依赖发布方在发布前替你做掉一些事，而做掉的同时也关掉了对应的研究入口。
| 现象 | 说明 | 后果 |
|---|---|---|
| 层面内分辨率高于层厚 | 各向异性是常态 | 三维卷积的感受野在物理空间变形 |
| 未提供强度标准化 | 三院亮度分布不同 | 混训时模型可能学到亮度捷径 |
| 未单独提供掩膜文件 | 去颅骨结果直接写进图像 | 剥离边界只能从全零背景反推 |
| 未标注模板版本 | 标准空间的具体定义未公开 | 不同使用者的「标准」可能不同 |
这四条与「没标注」性质不同：那条限制任务范围，这四条限制复现精度。方法章节里它们通常各占一句话，合起来却常常是别人复现失败的主要原因。务实的做法是在方法里写清这四条怎么处理，哪怕只是「重采样到 1 毫米各向同性、按 1 到 99 百分位截断、从非零掩膜反推脑轮廓」。
7.3 已知的、可枚举的偏差
| 偏差 | 具体表现 | 对结论的影响 |
|---|---|---|
| 人群偏差 | 健康成人，年龄集中 | 不能外推到儿童与高龄 |
| 病理偏差 | 无病灶 | 不能外推到肿瘤、卒中、术后 |
| 前处理偏差 | 已去颅骨 | 无法评估剥离环节的错误传播 |
| 设备偏差 | 三机两场强，站点即设备 | 站点效应与设备效应不可分 |
| 几何偏差 | MRA 与结构像的对应关系需自核 | 跨模态对齐的真值本身带模糊 |
| 采样偏差 | 扩展序列按方向拆分 | 朴素加载会把一个受试者算成十几个样本 |
| 引用偏差 | 无主论文 | 不同论文引用的版本与划分可能不一致 |
第三条与第七条经常一起出现：因为没有主论文，也没有官方划分，不同论文在 IXI 上用的是不同的训练测试切法，报出来的数字未必可直接比较。读者看到两个方法都写「IXI 上 Dice 0.8x」，不能直接下结论说谁更好，必须确认划分是否相同。
7.4 外部验证矩阵
| 验证方向 | IXI 能否承担 | 应配什么数据 |
|---|---|---|
| 健康成人配准 | 能，且是强项 | 无需补充 |
| 老年人萎缩脑配准 | 不能单独承担 | 以老年样本为主的集合 |
| 儿童发育脑配准 | 不能 | 儿科或新生儿集合 |
| 术后变形脑配准 | 不能 | 含术后随访的临床集 |
| 颅骨剥离评测 | 结构上不可能 | 含完整头部的原始影像 |
| 病灶分割 | 不能 | 带体素标签的肿瘤或卒中集 |
| 跨模态合成 | 能 | 可加其他多模态集做泛化 |
| 无监督异常检测 | 可作阴性对照 | 另一个含病灶的阳性集 |
这张矩阵的核心意思是：IXI 在同一列里几乎总是「能」，在相邻几列里几乎总是「不能」。一个负责任的使用方式是把它当作验证矩阵中的一行，而不是整张表。
矩阵里还有一列容易被跳过：无监督异常检测。这一列 IXI 只能算半个合格：健康样本够估计「正常分布」，但评估需要阳性样本。合理做法是把它当训练侧背景分布，阳性侧另找带病灶的集合，且两边预处理必须一致——一边去颅骨一边不去，模型先学到的就是有没有颅骨。
7.5 它为何能持续：免费、干净、约定俗成
IXI 在发布多年后依然是配准论文的默认基线，原因不是它最好，而是它同时满足三个条件：下载零成本、清洗零成本、社区有共识。三者缺一，替代品就会出现。任何新的公开脑 MRI 集合想取代它，必须在开放性上不输、在体量上超出、在社区里积累出可比的基线数字。到目前为止，做到前两条的不少，做到第三条的很少。
这里另有一层机制：基线数字本身构成锁定。换数据集，评审要重估每个数字；沿用 IXI，至少有一行能直接对照。比较上的便利让新方法继续选它，循环自我强化。
§8 生态位与历史
8.1 历史沿革
| 时间 | 事件 | 意义 |
|---|---|---|
| 2000 年代 | 三家医院按统一协议采集 | 数据本体形成 |
| 同期 | EPSRC 项目 GR/S21533/02 执行 | 资金来源与项目身份 |
| 项目结束后 | 以 NIfTI 打包公开 | 从内部资产转为公共资源 |
| 2015 年 2 月 | 登记到 NITRC | 获得第三方目录收录 |
| 2015 年 3 月 | 宣布进入 NITRC 影像仓库 | 增加按受试者访问通道 |
| 此后多年 | 被大量配准与合成论文引用 | 形成社区默认基线 |
| 现在 | 原站与下载端点仍在线 | 长期可用性罕见 |
8.2 它在生态中的位置
脑影像公开资源的谱系可以按两条轴排：一条是「标注密度」，从无标签到体素级金标准；另一条是「开放性」，从需申请到直接下载。IXI 落在「无标签 + 完全开放」这一角，同角的邻居很少。多数完全开放的集合要么体量小，要么模态单一；多数模态丰富、标签齐全的集合，获取门槛都不低。
8.3 为什么它没有被更新的数据集取代
新数据集在体量、分辨率、标注上都超过了 IXI，但没有一个能在「随便下载、几乎不用清洗、评审一眼认得」这三件事上同时打平。方法论文需要的是一个低成本的可比锚点，而不是一个最强的数据源。需求没变，位置就没变。
8.4 它的可替代性
| 替代场景 | 可替代候选 | IXI 仍占优的原因 |
|---|---|---|
| 想要更多受试者 | 大样本健康集合 | 下载更简单 |
| 想要更高分辨率 | 超高场集合 | 获取门槛低 |
| 想要带标签 | 分割挑战集 | 无注册要求 |
| 想要临床多样性 | 院内多中心集 | 完全公开 |
| 想要跨模态配对 | 多模态临床集 | 同人同刻且免费 |
§9 使用指引
9.1 三种角色的路径
算法研究者。 先用 IXI 跑通基线，把 Dice、折叠率、雅可比负值比例三项都记下来，再换一个更难的集合复测同一套指标。IXI 上的数字只用来确认实现正确，不用来证明泛化。
临床或影像科医生。 把 IXI 当作「正常脑的参照分布」来用：看自己的患者图像在形态上偏离了多少，比看单个数字更有意义。不要试图从它身上得到任何诊断结论。
数据工程师。 重点在两件事：一是把 tar 包与人口学表的连接做对，二是把按受试者切分的逻辑写进流水线。这两件事做错，后面都要返工。连人口学表还要留意编码列——性别、利手、族裔等列都是整数代码，按字面读只会得到一串无意义的数字。
| 角色 | 第一步 | 关键动作 | 常见错误 |
|---|---|---|---|
| 算法研究者 | 下 T1 单模态 | 跑通基线并记录三项指标 | 只报 Dice |
| 影像科医生 | 挑若干例做浏览 | 建立正常形态的印象 | 当成病理解剖参照 |
| 数据工程师 | 建索引表 | 按受试者切分 | 按切片切分 |
| 教学场景 | 用小规模子集 | 讲清去颅骨的意义 | 忽略预处理已被做掉 |
9.2 一条最短的可用流程
下面的脚本把「下载一个模态、解压、建索引、统计规模」串成一条链，适合第一次接触时确认环境是否就绪。
#-- 最短流程：取 T1 包、解压、建索引、核对规模
mkdir -p /data/ixi && cd /data/ixi
curl -sS -O \
"https://biomedic.doc.ic.ac.uk/brain-development/downloads/IXI/IXI-T1.tar"
tar -xf IXI-T1.tar
ls *.nii | wc -l
python3 - <<'PY'
import re, glob
files = glob.glob('/data/ixi/*.nii')
subs = {re.match(r'(IXI\d+)-', f.split('/')[-1]).group(1) for f in files}
print('T1 files:', len(files), '| subjects:', len(subs))
PY
输出的两个数就是你在 T1 上的实际可用量。把它们和官方口径对照，差多少就该问一句「是缺哪一批」。
这条流程只用了单个模态，是最小可运行版本。要跑跨模态配准，只需把 T2 与 PD 两个包也取下来，在索引表里加一个 modality 列，然后在数据集类里按受试者编号把不同模态配对。有一个细节值得提前处理：不同模态的图像在采集时的视野与层厚可能略有差异，直接把两幅图送进损失函数前，应先确认它们的形状与体素尺寸是否一致，不一致就先重采样到同一网格，否则网络会拿「形状对不上」当成误差来处理。
#-- 按受试者把 T1 与 T2 配对，检查两模态的形状与体素尺寸是否一致
import nibabel as nib
from collections import defaultdict
pairs = defaultdict(dict)
for r in rows:
if r["modality"] in ("T1", "T2"):
pairs[r["subject"]][r["modality"]] = r["path"]
mismatch = 0
for sub, d in sorted(pairs.items()):
if "T1" not in d or "T2" not in d:
continue
a = nib.load(d["T1"])
b = nib.load(d["T2"])
if a.shape != b.shape:
mismatch += 1
print(sub, "shape differ", a.shape, b.shape)
print(f"{len(pairs)} subjects, {mismatch} with shape mismatch")
这个数字不为零，第一步就不是建网络而是统一网格。跳过它，损失曲线会「看起来在收敛」，只是被压掉的差异并非解剖错位。
| 常见做法 | 风险 | 更稳的替代 |
|---|---|---|
| 直接以原网格送进网络 | 形状不一导致批次拼接失败 | 先统一重采样 |
| 用零填充对齐形状 | 引入虚假边缘 | 用仿射重采样对齐视野 |
| 只做层内重采样 | 层厚差异被忽略 | 三维各向同性重采样 |
| 按切片裁剪固定尺寸 | 丢解剖信息 | 按脑掩膜外接框裁剪 |
5.7 NITRC 影像仓库：按受试者挑，而不是整包下
如果只需要一小批受试者做探索，整包下载并不划算。NITRC 项目页把数据同时挂在 NITRC Image Repository 上，允许按受试者浏览。它的实际访问路径是 XNAT 风格的 REST 接口，形如 /data/archive/projects/IXI/subjects/<编号>/...。这类接口通常需要先认证，并接受项目访问条款，与 tar 包那种「下完就能用」的体验差别很大。
| 通道 | 粒度 | 是否需要账号 | 适合场景 |
|---|---|---|---|
| 官方 tar | 整个模态包 | 否 | 一次性全量、离线备查 |
| NITRC 影像仓库 | 单受试者 | 是 | 挑几例做探索 |
| 第三方转换版 | 预处理后子集 | 视平台而定 | 快速试跑、教学 |
两者都要时，先整包下再挑，比先申请账号快得多。
| 步骤 | 命令要点 | 预期结果 |
|---|---|---|
| 取包 | curl 单个 tar | 得到完整包体 |
| 解压 | tar -xf | 平铺的 NIfTI 文件 |
| 计数 | 文件数 + 受试者数 | 与官方口径对照 |
| 建索引 | 正则解析文件名 | 结构化索引表 |
| 切分 | 按受试者编号 | 训练/验证/测试无交叉 |
9.3 引用方式
官方没有要求引用特定论文，只要求致谢数据来源，并给出了一个可以直接照抄的致谢模板：如使用了 IXI 数据，请声明数据来源，例如指向该网站。规范写法通常包含三样东西：数据集名称、资助号、网站地址。下面给出一个可直接抄写的格式。
IXI Dataset. Information eXtraction from Images (EPSRC GR/S21533/02).
Biomedical Image Analysis Group, Imperial College London.
https://brain-development.org/ixi-dataset/ （访问日期：____）
License: CC BY-SA 3.0
如果你的论文做了 T1→T2 合成或跨模态配准，建议在方法里额外写清三件事：用的是哪个模态组合、按什么方式划分受试者、有没有对 MRA 做几何核验。这三句话能让别人判断你的数字是否可比。
§10 AI 使用声明
| 项目 | 说明 |
|---|---|
| 撰写方式 | 由 AI 辅助撰写，人工设定结构与论点主线 |
| 信息来源 | 官方页面、NITRC 登记页、扫描仪参数页、Europe PMC 摘要 |
| 是否下载全量数据 | 否，未下载任何 tar 包，未做逐文件统计 |
| 数字口径 | 官方口径原样引用，第三方数字标注为多个口径 |
| 图像描述 | 未对任何影像做人工阅片或定量测量 |
| 医学结论 | 无，本文不含任何诊断或治疗建议 |
| 时效性 | 核验日期见页脚，端点可用性可能变化 |
| 责任边界 | 引用前请以官方页面为准 |
常见误读（避坑清单）
| 常见说法 | 实际 | 证据 |
|---|---|---|
| IXI 是六百名病人的影像 | 是健康志愿者，不是病人 | 官方页面写明 normal, healthy subjects |
| IXI 可以直接训练颅骨剥离 | 发布版已去颅骨，无颅骨可剥 | 社区普遍描述为已剥离版本 |
| IXI 有体素级分割标签 | 无任何体素级标签 | 官方只发图像与人口学表 |
| IXI 上 Dice 高就代表方法好 | Dice 在健康脑上早已饱和 | 前沿工作改报折叠点数量 |
| IXI 的三个模态天然完全对齐 | 存在序列间运动与网格差异 | 跨模态误差通常只能相对比较 |
| 官方给了明确的训练测试划分 | 官方未提供任何划分 | 划分由各论文自行决定 |
| IXI 的规模足以做基础模型预训练 | 数百例量级，远小于大样本集 | 与上千级集合对比即可见 |
| 站点差异就等于人群差异 | 站点同时是设备，两者混杂 | 三院对应三台不同扫描仪 |
| IXI 有官方 DOI 可引用 | 官方未分配 DOI | NITRC 登记亦无论文绑定 |
| 序列数就等于受试者数 | DTI 按方向拆分，会放大文件数 | 一个受试者对应十几个扩散文件 |
FAQ
Q1：IXI 一共有多少人？
官方口径是近六百名健康受试者。具体到每类序列，官方页面只给打包链接，不列逐序列的受试者数。第三方整理的数字存在多个口径，差额构成官方未说明，引用前应说明你用的是哪一个口径。
Q2：IXI 可以直接拿去训练颅骨剥离吗？
不行。发布版影像已经去颅骨，颅骨与头皮在数据里不存在，你既拿不到可以监督剥离结果的原始图像，也没有任何可评测的对象。这类任务应改用含完整头部的原始影像集合。
Q3：IXI 的许可能商用吗？
CC BY-SA 3.0 允许商用，但要求署名，并以相同许可分享衍生作品。如果模型权重或衍生数据随论文开源，许可条款要一并考虑；如果只是内部使用，约束会小得多，但仍须致谢来源。
Q4：为什么配准论文几乎都报 IXI 的数字？
因为免费、无需注册、图像干净、社区有约定俗成的划分，评审一眼能对上号。这是惯例的结果，不代表 IXI 上的数字能代表临床难度。
Q5：IXI 里有几位受试者的数据是重复或多余的？
官方未披露任何去重说明。第三方的整理版本在受试者总数上存在差异。若你的分析对样本独立性敏感，建议在自己的流水线里做一次按受试者编号的去重，并把结果写进方法。
Q6：MRA 能直接和 T1 配准吗？
能跑，但要先自己测偏差。MRA 是血管成像，亮度分布与结构像完全不同，且与其他序列之间可能存在几何偏移。把它当作已完成对齐的模态使用，会把偏移带进下游结论。
Q7：IXI 的年龄跨度是多少？
官方页面没有给出年龄区间，只说健康受试者。人口学表格里有年龄列，但取值范围需要你自己统计。二手文献提到的区间各不相同，引用时应以你自己对表格的统计为准。
Q8：能不能只用 T1 做研究？
可以，且这是最常见的用法。T1 单模态足以支撑配准基线、组织分割的自监督实验、形态学统计。代价是放弃了 IXI 最有价值的多模态配对属性。
Q9：IXI 的图像是不是都配准到 MNI 空间？
社区一般描述为已配准到标准空间，官方页面用的是「标准空间」这类概括表述。具体对应哪一个模板版本、使用什么变换，官方未给出细节。若你的方法对该选取敏感，应先自行核验。
Q10：IXI 上的结果能直接写进论文说方法通用吗？
不建议。正确的写法是同时报告 IXI 与至少一个更难的集合，并说明两者的人群与前处理差异。只报 IXI，评审通常会在意见里要求补一个临床集。
Q11：为什么 IXI 没有 BIDS 版本？
官方只发 NIfTI tar 与人口学表，未推行 BIDS。社区有成熟的转换工具可以把 IXI 转成 BIDS 目录，转换后 DTI 会被合并为单个扩散文件，这一点在生成数据集描述时需要说明。
Q12：现在还能下载吗？
原站页面与下载端点在核验时均可访问，返回 200 与支持断点的 206。长期可用性无法保证，建议在项目开始时就把哈希留档，并准备 NITRC 影像仓库作为备份通道。
术语表
| 术语 | 含义 |
|---|---|
| IXI | Information eXtraction from Images，本数据集所属项目的缩写 |
| 去颅骨 | 移除颅骨、头皮与颈部等非脑组织，只保留脑实质 |
| 标准空间 | 把个体脑变换到统一模板坐标系下的过程与结果 |
| 配准 | 求取两幅图像之间空间变换，使对应解剖结构重合 |
| 刚性配准 | 只含平移与旋转的配准 |
| 仿射配准 | 含平移、旋转、缩放、剪切的配准 |
| 可变形配准 | 允许局部形变的配准，用于解剖差异较大时 |
| 位移场 | 可变形配准输出的每体素位移向量 |
| 折叠点 | 位移场中雅可比行列式为负的位置，局部发生翻面 |
| 雅可比行列式 | 描述局部体积变化与方向保持的量 |
| Dice 系数 | 两个掩膜重叠程度的常用度量 |
| 互信息 | 跨模态配准时常用的相似性度量 |
| NIfTI | 神经影像常用文件格式，携带体素与仿射信息 |
| 仿射矩阵 | 体素坐标与物理坐标之间的变换矩阵 |
| axcodes | NIfTI 中描述三个轴向方向的编码 |
| bvecs | 扩散成像的梯度方向表 |
| bvals | 扩散成像的 b 值表 |
| MRA | 磁共振血管造影，突出血流信号 |
| PD 加权 | 质子密度加权，脑脊液与脑实质对比低 |
| MPRAGE | 一种常用的 T1 加权快速梯度回波序列 |
| 颅骨剥离 | 与去颅骨同义，指分离脑实质与非脑组织 |
| 受试者级切分 | 以人为单位划分训练测试，避免同人跨集 |
| 切片级切分 | 以切片为单位划分，健康数据上极易泄漏 |
| 站点效应 | 不同医院或设备带来的系统性差异 |
| 逆一致性 | 正反两个方向配准结果互为逆的性质 |
| 交叉验证 | 轮换训练测试划分以估计稳定性 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 受试者规模 | 近 600 名健康成人 | 官方 IXI 页面 | 官方 |
| 模态数 | 五类（T1/T2/PD/MRA/DWI） | 官方 IXI 页面 | 官方 |
| 扩散方向数 | 15 | 官方 IXI 页面 | 官方 |
| 采集医院数 | 3 | 官方 IXI 页面 | 官方 |
| 场强档位 | 1.5T 与 3T | 官方 IXI 页面与 NITRC | 官方 |
| 文件格式 | NIfTI-1 | NITRC 规格栏 | 官方 |
| 许可 | CC BY-SA 3.0 | 官方 IXI 页面 | 官方 |
| 资助号 | EPSRC GR/S21533/02 | 官方 IXI 页面 | 官方 |
| NITRC 登记日 | 2015-02-23 | NITRC 项目页 | 官方 |
| 联系人 | Daniel Rueckert | NITRC 登记信息 | 官方 |
| 精神病学研究所参数 | 未提供 | 官方扫描参数页 | 官方 |
| 3T 的 T1 TR/TE | 9.6 / 4.6 毫秒 | 官方扫描参数页 | 官方 |
| 3T 的 T2 TR/TE | 5725.79 / 100 毫秒 | 官方扫描参数页 | 官方 |
| 3T 的 T1 采集矩阵 | 208×208 | 官方扫描参数页 | 官方 |
| 3T 的 DTI 采集矩阵 | 112×110 | 官方扫描参数页 | 官方 |
| IXI 上的 Dice 提升 | 2.63% | Europe PMC 摘要 | 论文 |
| 折叠点降幅 | 接近 69 倍 | Europe PMC 摘要 | 论文 |
| 「IXI dataset」文献命中 | 435 条 | Europe PMC 检索计数 | 论文库 |
| 主论文 | 无 | 官方页面未列 | 官方 |
附录 B：数字的来源分层
第一层：官方页面。 近六百名受试者、五类模态、15 个扩散方向、三家医院、两种场强、NIfTI 格式、CC BY-SA 3.0 许可、EPSRC 资助号，全部来自 brain-development.org 的 IXI 页面。两台 Philips 扫描仪的具体参数来自同一站点的扫描仪参数页。NITRC 登记信息提供组织、中心、联系人与登记日期。
第二层：论文摘要。 2.63% 的 Dice 提升与接近 69 倍的折叠点降幅，来自 Europe PMC 收录的一篇 2026 年 IEEE 期刊摘要。这两个数字是方法在该数据集上的评测结果，与数据集本身无关，只用于说明「在干净数据上什么指标才有区分度」。
第三层：未核实。 逐序列的受试者数量、年龄分布、性别比例、每个受试者是否五类序列齐全，官方页面均未给出。第三方整理数字存在多个口径，本文不采信任何单一口径，只在正文中说明「存在差异」。MRA 与其他模态之间的具体几何偏差量级，也没有官方数据。
三层的性质不同：官方数字是承诺，论文数字是观测（换划分就变），未核实项是空白。混在一张表里不标层级，最容易让人误判。
附录 C：完整参考文献
- IXI Dataset 官方页面，Imperial College London, Biomedical Image Analysis Group. https://brain-development.org/ixi-dataset/
- NITRC 项目页：IXI Dataset. https://www.nitrc.org/projects/ixi_dataset/
- NITRC 登记元数据（biositemap）。https://www.nitrc.org/projects/ixi_dataset/biosite.rdf
- 扫描仪参数页：Philips Medical Systems Intera 3T. https://brain-development.org/scanner-philips-medical-systems-intera-3t/
- 扫描仪参数页：Philips Medical Systems Gyroscan Intera 1.5T. http://wp.doc.ic.ac.uk/brain-development/scanner-philips-medical-systems-gyroscan-intera-1-5t/
- Adaptive Control Point B-Spline Method for Improving Accuracy and Deformation Plausibility in Deep Learning Brain Registration. IEEE J Biomed Health Inform, 2026. DOI: 10.1109/jbhi.2026.3745763
- An effective deep learning algorithm for medical image registration. PLOS Digit Health, 2026. DOI: 10.1371/journal.pdig.0001339
- Europe PMC 检索接口，用于统计「IXI dataset」的文献命中数。https://www.ebi.ac.uk/europepmc/webservices/rest/search
附录 D：任务代码
下面的脚本给出一个最小但完整的下游任务骨架：加载 T1、做轻量预处理、按受试者切分、统计每个受试者的有效层数。它不训练模型，但把「数据侧最容易出错的三件事」都过了一遍。
#-- 最小下游骨架：加载、预处理、按受试者切分、统计有效层数
import csv
from pathlib import Path
import numpy as np
import nibabel as nib
import torch
from torch.utils.data import Dataset
class IXIT1(Dataset):
def __init__(self, index_csv: str, subjects: str = "all", crop: int = 96):
with open(index_csv, encoding="utf-8") as f:
rows = [r for r in csv.DictReader(f) if r["modality"] == "T1"]
if subjects != "all":
rows = [r for r in rows if r["subject"] in subjects]
self.rows = rows
self.crop = crop
def __len__(self):
return len(self.rows)
def __getitem__(self, i):
r = self.rows[i]
vol = nib.load(r["path"]).get_fdata(dtype=np.float32)
#-- 强度归一化到 0-1，跳过全零背景
nz = vol[vol > 0]
if nz.size:
lo, hi = np.percentile(nz, 1), np.percentile(nz, 99)
vol = np.clip((vol - lo) / max(hi - lo, 1e-6), 0.0, 1.0)
#-- 居中裁剪到固定尺寸，避免各向异性带来的形状不一
c = self.crop
d, h, w = vol.shape
vol = vol[max(0, d // 2 - c // 2): d // 2 + c // 2,
max(0, h // 2 - c // 2): h // 2 + c // 2,
max(0, w // 2 - c // 2): w // 2 + c // 2]
return {"subject": r["subject"],
"x": torch.from_numpy(vol[None].astype(np.float32))}
if __name__ == "__main__":
root = Path("/data/ixi")
ds = IXIT1(str(root / "index.csv"), crop=96)
print("subjects in T1:", len(ds))
sample = ds[0]
print(sample["subject"], tuple(sample["x"].shape))
跑通这段之后，把 crop 换掉、把归一化换掉、把模态换成 T2，就能对比不同设置下模型的行为。在 IXI 上做的所有对比，都应该在另一个难度更高的集合上重跑一遍，否则你只是在同一块干净场地上反复验证同一件事。
附录 E：如果只记五件事
| 序 | 要点 |
|---|---|
| 1 | 它是健康成人脑 MRI，没有任何诊断标签，不能回答「有没有病」 |
| 2 | 发布版已去颅骨、已标准化，预处理的第一步已经被做掉了 |
| 3 | 正因为去颅骨，它结构上无法用于颅骨剥离研究 |
| 4 | 同人同刻的四类模态使跨模态配准与合成成为它的核心价值 |
| 5 | 它上的亚毫米误差只代表干净条件下的表现，不代表临床通用 |
附录 F：三台扫描仪的参数对照
| 参数项 | Philips 3T（Hammersmith） | Philips 1.5T（Guy’s） | GE 1.5T（IoP） |
|---|---|---|---|
| T1 重复时间 | 9.6 毫秒 | 官方页单列 | 未公开 |
| T1 回波时间 | 4.60 毫秒 | 官方页单列 | 未公开 |
| T1 翻转角 | 8 度 | 官方页单列 | 未公开 |
| T2 重复时间 | 5725.79 毫秒 | 官方页单列 | 未公开 |
| T2 回波时间 | 100 毫秒 | 官方页单列 | 未公开 |
| T2 回波链长 | 16 | 官方页单列 | 未公开 |
| PD 回波时间 | 8 毫秒 | 官方页单列 | 未公开 |
| MRA 采集矩阵 | 288×286 | 官方页单列 | 未公开 |
| MRA 翻转角 | 16 度 | 官方页单列 | 未公开 |
| DTI 采集矩阵 | 112×110 | 官方页单列 | 未公开 |
| DTI 激励次数 | 2 | 官方页单列 | 未公开 |
| 参数可得性 | 完整 | 完整 | 官方注明暂不可得 |
两页 Philips 参数页都按五段逐一列出重复时间、回波时间、采集矩阵与翻转角，GE 那一栏官方写的是「暂无」。想在三个站点之间做参数级对比的论文，必然有一院缺可比参数；保守做法是把 GE 子集单独处理。
附录 G：选型决策树
| 如果你的情况是 | 建议动作 | 理由 |
|---|---|---|
| 只是要跑通一个配准 demo | 直接用 IXI 的 T1 | 零清洗、零门槛 |
| 要做论文主结果 | IXI 只能作为其中一行 | 单一健康数据集不足以支撑泛化结论 |
| 要做论文的消融实验 | IXI 很合适 | 变量可控、结果稳定 |
| 要验证剥离环节 | 立刻换数据 | 结构上不可能 |
| 要验证跨模态 | 用 IXI，但先核 MRA | 前三类结构像可信度更高 |
| 要复现别人的数字 | 先确认划分方式 | 官方无划分，各文不同 |
| 要教学演示 | 用小规模子集 | 全量既不必要也占空间 |
| 要做纵向研究 | 换带随访的队列 | IXI 为横断面 |
| 要报商业产品性能 | 慎用，且需说明许可 | CC BY-SA 有传染性条款 |
附录 H：与人口学表的连接常见错误
| 错误 | 后果 | 正确做法 |
|---|---|---|
| 按文件名猜年龄 | 文件名里的日期串并非生日 | 用表格里的年龄列 |
| 把编码当连续值 | 性别 1/2 求平均得 1.5 | 按码表映射成类别 |
| 直接按行号对齐 | 表格行序与文件排序不同 | 用受试者编号做键 |
| 忽略缺失列 | 某列空白被当成 0 | 先统计每列的非空数 |
| 混淆站点与场强 | 把 Guy’s 当成 3T | 站点到设备的映射表固定 |
附录 I：一次实验前的检查清单
| 检查项 | 为什么重要 |
|---|---|
| 训练测试是否按受试者隔离 | 防泄漏，这是 IXI 上最致命的问题 |
| 是否记录了随机种子 | 无划分文件时必须能复现 |
| 是否核对了方向编码 | 防止左右翻转 |
| 是否统一了强度归一化 | 三台设备亮度分布不同 |
| 是否确认了模态配对完整 | 跨模态任务要求同一受试者两模态都在 |
| 是否在更难的集合上复测 | 单一数据集不能证明泛化 |
| 是否写清了数据来源与许可 | CC BY-SA 要求署名 |
| 是否留了包体哈希 | 官方无校验和，只能自证 |
编辑说明
本文的核验方式是：直接请求官方 IXI 页面、NITRC 项目页与登记元数据、两台 Philips 扫描仪的参数页，均返回 200；下载端点以 range 请求确认返回 206，未下载任何全量包。论文层面的数字取自 Europe PMC 检索接口返回的摘要原文，未获取全文。逐序列的受试者数、年龄分布、性别比例、MRA 与结构像的几何偏差量级，官方与本文均未给出，文中已标明为未核实项，不作推断。本文的定位是数据集介绍与选型参考，不含任何医学诊断建议。核验日期：2026-10-27。
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：
- connectomedb — 共享标签：神经科学 / 多模态 / MRI
- medpix — 共享标签：医学影像 / 多模态 / MRI
- fastmri — 共享标签：医学影像 / 神经科学 / MRI
- segthy — 共享标签：医学影像 / 多模态 / MRI
- amos — 共享标签：医学影像 / 多模态 / MRI
- chaos — 共享标签：医学影像 / 多模态 / MRI
- crossmoda2022 — 共享标签：医学影像 / 神经科学 / MRI
- vestibular-schwannoma-seg — 共享标签：医学影像 / 神经科学 / MRI
- oasis — 共享标签：医学影像 / 神经科学 / MRI
- atlas-v2 — 共享标签：医学影像 / 神经科学 / MRI
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。
