LISA 2025 (lisa2025) — AI-Ready Wikipedia

INFOBOX — LISA 2025 一屏速览

维度	内容
本质	挑战赛+数据集二合一：MICCAI 2025（2025-09-27，韩国大田，half-day）第二届 LISA 挑战赛及其配套公开数据集——全球首个公开可用的超低场（0.064T）儿科脑 MRI 分割与质控数据集
组织方	Natasha Lepore（Children’s Hospital Los Angeles）+ Marius George Linguraru（Children’s National Hospital）领衔，首届班底含 King’s College London、Brown University、开普敦大学、Makerere 大学等
数据	79 例 0.064T T2 儿科脑 MRI（三正交采集 + SRR 重建 1mm³ 等向）= 71 训练 + 8 内部验证 + 12 官方验证；Task 1 QA 语料首届口径 432 扫描/144 受试者
标签	Task 2a 双侧海马；Task 2b 双侧尾状核 + 豆状核（壳核+苍白球）；辅助：双侧侧脑室（不参与评测）；QA 七类伪影 0-2 分级
采集网络	乌干达 Kawempe 国家转诊医院 + 南非开普敦大学 CUBIC + 美国 Brown University/Rhode Island Hospital——低资源全球健康网络
冠军	Task 2a 第 1 名 UNIL/CIBM（洛桑大学，合成数据+域随机化，代码 MIT 开源）；Task 2b 第 2 名 Team UPF（nnU-Net + SAM-Med3D LoRA，基底节 Dice 0.86）；Task 1 冠军公开渠道无记录（存照）
首届对照	LISA 2024：QA 432 扫描/144 人 + Task 2 海马 63 训练样本；35 份提交/10 国/4 大洲；冠军 IISc×Oxford 联队（QA 任务）
获取	Synapse 注册墙：syn65670170（2025 届）/ syn55249552（2024 届），注册 + PAT + synapseclient 下载
论文集	Springer LNCS 16411（open access，2026-01-23 出版，11 篇全文/14 份投稿，ISBN 978-3-032-14416-4）
生态	同届姊妹赛 ULF-EnC 2025（同 0.064T 便携 MRI 图像增强，库内 rid 672）；Hyperfine SWOOP 扫描仪；UNITY 联盟低资源影像生态
库内互链	ulf-enc(672)、wmh-challenge(501)、brats-africa(683)、fets(476)、ixi-brain(482)、chaos(337)

LISA 2025 是一个"把 MRI 带到没有 MRI 的地方"的挑战赛+数据集：它围绕 Hyperfine SWOOP 这台 0.064T 永磁便携式床旁 MRI，构建了全球首个公开可用的超低场（ultra-low-field, uLF）儿科脑影像基准——79 例来自乌干达、南非与美国低资源采集网络的儿科 T2 体积，配体素级皮层下结构分割标注与七类伪影质控分级，在 MICCAI 2025 设下"图像质量自动评估 + 海马/基底节分割"三道考题。它的存在本身就是一次宣言：如果便携低场 MRI 要真正走进产科病房与地区医院，算法社区必须先学会在低信噪比、低对比度、伪影常驻的图像上做可靠推理——而这份考卷，高场时代的方法未必答得好。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——Synapse 注册 + 个人访问令牌（PAT）+ synapseclient，无直链；79 例与 432 扫描两套口径先在 §1 Q10 分清。
2. 关心"为什么是低场"：直奔 §0 与 §4——超低场 MRI 的物理代价与全球健康机遇，以及 LISA 2024 → 2025 两届的任务演进。
3. 做方法研究：直奔 §5 冠军方法——UNIL/CIBM 用合成数据与域随机化在 71 例小样本上夺冠，Team UPF 用 nnU-Net + SAM-Med3D LoRA 展示基础模型微调路线，两条路线对低资源场景都可直接搬用。

§0 导读：这个数据集解决什么问题

磁共振成像（MRI）是儿科神经疾病诊断的核心工具——癫痫、先天畸形、发育迟缓、脑积水随访都离不开它。但传统高场 MRI（1.5T/3T）是一台"机房里的巨兽"：造价与维护昂贵、屏蔽房不可移动、检查需要儿童长时间静止（幼儿往往还要镇静），这使得在低收入与中低收入国家、乃至发达国家的偏远地区与新生儿病房里，MRI 可及性长期是奢侈话题。超低场强（ultra-low-field, uLF）便携 MRI 的出现改写了这个前提：以 Hyperfine SWOOP（0.064T 永磁体）为代表的床旁设备可以推进病房、免屏蔽、由技师床旁操作，为"影像送到病人床边"提供了工程可能——LISA 数据的三个采集点（乌干达 Kawempe 国家转诊医院、南非开普敦大学 CUBIC 影像中心、美国 Brown University/Rhode Island Hospital）正是这条路线的全球健康试验场。

但 uLF 不是"便宜的高场"，而是一个物理上更艰难的新模态：0.064T 的场强意味着信噪比与软组织对比度大幅下降、B0 不均匀性带来的畸变与带状伪影常驻、运动伪影在儿科场景几乎不可避免。高场时代打磨成熟的分割与质控算法，直接搬到 uLF 图像上会遭遇双重域偏移（domain shift）——磁场域（0.064T vs 1.5T/3T）与人群域（儿科 vs 成人）叠加。更棘手的是冷启动问题：想训练 uLF 算法，先得有 uLF 标注数据，而标注本身要靠高场图像配准回低场空间再由儿科神经放射学家终审——这正是 LISA 数据集的核心资产：它把这条"高场勾画→跨场配准→专家终审"的流水线产出了公开可用的 79 例体数据与标注。

LISA 的三道考题对应 uLF 临床落地的三个瓶颈。Task 1（图像质量保证，QA）：床旁成像环境不可控，摆位偏差、运动、噪声、拉链伪影等七类问题直接决定一张图像能否用于诊断——自动 QA 是 uLF 大规模筛查的第一道闸门，考法是对七类伪影逐项 0-2 三级评分。Task 2a（海马分割）：海马是癫痫定位与发育研究的核心结构，也是体积小、边界弱、最考验低对比度下精细分割能力的结构。Task 2b（基底节分割）：尾状核与豆状核（壳核+苍白球）是脑瘫、缺氧缺血性脑病等儿科疾病的关键定量区域。三道题合起来，覆盖了"这张图能用吗（QA）—关键结构画得准吗（分割）"的完整决策链。

§0 读法三则：

1. 这个条目是"数据集+挑战赛"二合一：本体是 79 例带标注的 0.064T 儿科脑 MRI 与首届 QA 语料，竞赛部分留下排行榜与两条可复用方法路线（§5）——两者获取方式不同（§6）。
2. 全文关键数字均以 MICCAI 官网、Springer LNCS 16411 论文集、参赛论文与冠军团队 GitHub 仓库多方互证为准；brief 错置、两届数据混用等 9 处坑已在 §10 全部存照。
3. 检索时注意：LISA 有两届（2024 首届 LNCS 15515 / 2025 第二届 LNCS 16411），且名字与著名的肝脏分割挑战赛 LiTS、LSTS 毫无关系——"LISA=肝脏"是本条目排掉的第一大坑（坑 1）。

§0.5 三个最常见的误解，先排掉

误解一：“LISA 是肝脏分割挑战赛。”
不是。LISA = Low-field pediatric brain magnetic resonance Image Segmentation and quality Assurance——低场强儿科脑部 MRI，纯 T2、非肿瘤、非腹部。这个误会来源可理解：MICCAI 肝脏挑战赛谱系声名显赫（LiTS→LSTS→TriALS 2025），而 “LISA” 字形又容易与肝脏缩写联想挂勾。本条目生产过程中收到的候选 brief 即犯了此错（称"多模态（CT+MR）肝脏分割挑战赛"），经三轮核验证伪后按真实身份成稿（坑 1）。

误解二：“这个数据集有 432 例。”
432 是首届 LISA 2024 Task 1 QA 语料的扫描张数（432 扫描/144 名受试者，每人三个正交方向×三个平面）；第二届 Task 2 分割主数据集是 79 例体积（71 训练 + 8 内部验证 + 12 官方验证）。两套口径并存于官方材料，引用时不注明届次与任务就是事实错误（坑 2）。

误解三：“0.064T 图像质量太差，没有科研价值。”
恰恰相反——低质量正是科研价值本身。uLF 图像的 SNR、对比度、畸变问题构成一个真实且未被高场文献覆盖的算法域；SRR（超分辨率重建）后的 1mm³ 各向同性体积已达到可分割、可定量的工作精度。研究价值不在"媲美高场"，而在"床旁可及性 × 算法可靠性"的交集——这恰是高场数据集（如库内 ixi-brain、abide）无法替代的生态位。

§1 数据集速览：十问十答

Q1：79 例是怎么划分的？
官方划分（Issaiy 等参赛论文口径，与 RWTH 团队描述一致）：71 例训练（90%）+ 8 例内部验证（10%），另设 12 例官方验证集（不公开标签，参赛者提交结果到 Synapse 服务器端评测）。三源互证一致；本地自切训练/验证折时注意别与官方口径混淆。

Q2：标注里有什么结构？
Task 2a：左/右海马（hippocampus）；Task 2b：左/右尾状核（caudate）+ 左/右豆状核（lentiform nucleus = 壳核 putamen + 苍白球 globus pallidus 整体标注）；训练数据另含左/右侧脑室（lateral ventricles）标注——但侧脑室只作辅助，不参与官方评测。首次拿到数据先核对标签文件里哪些结构在场，别把侧脑室指标当官方成绩报（坑 5）。

Q3：和首届 LISA 2024 是什么关系？
直系续作。首届（挂 MICCAI 2024，论文集 LNCS 15515）提供两块资产：Task 1 QA 语料（432 扫描/144 受试者 + 42/14 验证 + 27/9 隐藏测试）与 Task 2 海马分割的 63 例训练样本；第二届把 Task 2 升级为双任务（2a 海马 + 2b 基底节，新数据 79 例），QA 任务沿用/扩充首届语料（2025 届 QA 数据规模官方未单列新口径，存照坑 3）。首届冠军是 IISc×Oxford 联队（QA 任务，35 份提交/10 国）。

Q4：数据规格是什么？
0.064T T2 加权，每名受试者沿轴状位/冠状位/矢状位三正交方向各采一组自旋回波序列（TR 1.5s / TE 5ms / TI 400ms），经超分辨率重建（SRR）融合为 1.0×1.0×1.0 mm³ 各向同性体积（体尺寸约 195-197×233×159-189）。体数据以 NIfTI 类格式发放，QA 标签为 CSV 分级表。

Q5：三个任务分别考什么？
Task 1——对每张 uLF 扫描的七类伪影（noise 噪声 / zipper 拉链 / positioning 摆位 / banding 带状 / motion 运动 / contrast 对比度 / distortion 畸变）逐项 0-2 三级评分（0=无，1=存在且轻度干扰皮层下结构分辨，2=严重干扰），指标为各类别准确率与 composite accuracy、weighted F1。Task 2a/2b——分割，指标 Dice（DSC）加距离类指标（HD、ASSD、相对体积误差）。

Q6：标注是怎么做出来的？
间接流水线：分割真值先在高场 T2（1.5T/3T）空间手工勾画，再经九点线性配准回到 uLF 空间，最后由 board-certified 儿科神经放射学家终审。QA 分级为人工评审（首届口径）。这条流水线意味着标签质量受配准精度约束——做标签噪声研究时这是一个现成的真实案例（§8.3）。

Q7：冠军是谁、用了什么方法？
Task 2a 第 1 名：UNIL/CIBM（洛桑大学 Medical Image Analysis Laboratory：Vladyslav Zalevskyi、Thomas Sanchez、Busra Bulut、Meritxell Bach Cuadra）——合成/模拟 MRI 数据 + 域随机化（domain randomization）跨磁场训练 + 人工注释质量筛选，代码以 MIT license 开源（GitHub: Medical-Image-Analysis-Laboratory/lisasegm）。Task 2b 第 2 名：Team UPF（庞培法布拉大学）——nnU-Net（基底节 Dice 0.86）+ SAM-Med3D LoRA 微调（海马 0.70），同队 Task 1 第 3 名（composite accuracy 0.84）。Task 1 冠军公开渠道无名次记录——存照待核（坑 4）。

Q8：我现在能拿到什么？
Synapse 平台（Sage Bionetworks 托管）：2025 届 syn65670170、2024 届 syn55249552。注册 Synapse 账号、生成个人访问令牌（PAT）、用 synapseclient Python 包下载；需同意平台数据使用条款。无公开直链、无 HuggingFace 镜像（已检索确认，坑 7）。论文集 LNCS 16411 open access，章节免费可读。

Q9：79、432、63 三个数字什么关系？
79 = 第二届 Task 2 分割主数据集（本届新增）；432 = 首届 Task 1 QA 语料扫描张数（432 扫描/144 受试者，另有 42/14 验证与 27/9 隐藏测试）；63 = 首届 Task 2 海马分割训练样本数。三数分属两届三任务，引用必须带任务与届次口径（坑 2）。

Q10：这个数据集适合谁用？
五类人：做低场/便携 MRI 算法的（当前唯一公开 uLF 儿科脑分割+QA 基准）；做儿科神经影像定量的（海马/基底节自动分割在 uLF 域几乎空白）；做 MRI 质控模型的（七类伪影人工分级是稀缺的 QA 监督信号）；做域适应/合成数据方法的（UNIL/CIBM 冠军方案就是现成参考实现）；做全球健康影像工程的（跨国低资源采集网络的现实约束样本）。不适合：想商用落地的（数据条款为 Synapse 注册申请制且涉及儿科数据，先审条款）、期望高场分辨率的、样本量饥渴型预训练需求（71 例训练集撑不起从零预训练）。

§1.5 一分钟决策树：你要不要用 LISA 2025

从顶往下走，第一个命中的分支就是你的答案：

1. 你的模型要商用或嵌入产品？ → 停。Synapse 数据使用条款为注册申请制、儿科数据敏感度高；先逐条审阅条款并与组织方确认，别默认可用。
2. 你做的是高场（1.5T/3T）成人脑分割？ → 本数据集域不匹配；用它是自找 domain shift。库内 ixi-brain(482)、cam-can 等高场成人队列更合适。
3. 你做低场/便携 MRI 算法（分割、增强、重建）？ → 这是你的核心基准；搭配 ULF-EnC 2025（库内 ulf-enc, rid 672）的增强赛道数据连用。
4. 你做 MRI 质控/伪影检测？ → Task 1 的七类伪影人工分级是稀缺监督信号；注意 2025 届 QA 数据规模官方未单列（坑 3），训练前先实测下载量。
5. 你做小样本/合成数据方法研究？ → 71 例训练集 + UNIL/CIBM 冠军配方（合成数据+域随机化）是现成实验台。
6. 你做基础模型微调（SAM 系）研究？ → Team UPF 的 SAM-Med3D LoRA 路线（§5.4）给了医学 3D 基础模型在极低场域的适配参考。
7. 你做儿科发育/临床队列研究？ → 谨慎。79 例无逐例人口学与临床指征公开，是算法基准不是临床队列。
8. 你只想引用排名或数字？ → 不用下载：榜单数字、双口径存照与 9 坑清单都在本条目内，引用注明届次与任务口径即可。

走到这里没有命中的，默认答案：先用论文集（LNCS 16411 open access）读透任务定义，再按 §6.1 五步走注册下载。

§2 数据构成深度解剖

2.1 扫描仪与采集协议：0.064T 是什么概念

LISA 的全部数据来自 Hyperfine SWOOP——0.064T 永磁体便携式床旁 MRI（Hyperfine, Inc., Guilford, CT）。把它放进熟悉的坐标系：临床主流 1.5T 场强是它的 23 倍，3T 是它的 47 倍；它甚至低于上世纪八十年代的常导 MRI。这不是落后，而是刻意取舍——0.064T 让磁体小到可以推床、无需屏蔽房、无需氦冷，代价是磁化强度信号天然微弱，一切算法设计都要围绕"低信噪比（SNR）、低对比度、B0 不均匀"展开。

采集协议（Task 2 主数据集，参赛论文三源互证口径）：

• 序列：T2 加权自旋回波（spin echo），TR 1.5s / TE 5ms / TI 400ms；
• 采集几何：每名受试者沿轴状位、冠状位、矢状位三个正交方向各采集一组 2D 切片堆叠；
• 重建：三组正交体积经**超分辨率重建（super-resolution reconstruction, SRR）**融合为单一各向同性体积——用多方向冗余采集弥补单方向层间分辨率不足，这是便携低场 MRI 的标准补救手法；
• 输出规格：1.0×1.0×1.0 mm³ 各向同性，体尺寸约 195-197 × 233 × 159-189（三轴因个体头围而异）。

对算法者的直接含义：你拿到的不是原始切片，而是重建后的融合体积——SRR 本身引入的插值模糊与方向性伪影已"烘焙"进数据；做增强（super-resolution/enhancement）研究时，这份数据的"真值上限"就是 SRR 输出，不是高场级锐度。

2.2 Task 2 主数据集：79 例与三段划分

划分段	例数	用途	标签可见性
训练集	71（官方口径 90%）	本地训练	体数据 + 全部标注可见
内部验证集	8（官方口径 10%）	本地调参/早停	体数据 + 全部标注可见
官方验证集	12	服务器端评测排名	仅体数据，标签不公开

官方划分口径来自参赛论文（Issaiy 等/RWTH 团队）与挑战赛材料的交叉互证。三点提醒：其一，71+8=79 是"可见标注数据"的总量，12 例官方验证集不在其中——写"79 例数据集"时别把 12 例算进训练池；其二，官方验证集提交走 Synapse 平台计分，本地无法复现官方榜单；其三，79 例对深度学习是小样本考场——冠军方案（§5.2）的整个设计哲学就是围绕"71 例撑不起从零训练"展开的。

2.3 标签体系：六个结构、两个任务、一个辅助

Task 2 的体素级标注覆盖三组皮层下结构（六类目标），按任务分组：

任务	结构	侧别	备注
Task 2a	海马（hippocampus）	左/右	癫痫定位与发育研究核心结构；体积小、边界弱
Task 2b	尾状核（caudate）	左/右	基底神经节输入核；头部较大、体部细长
Task 2b	豆状核（lentiform nucleus）	左/右	整体标注：壳核（putamen）+ 苍白球（globus pallidus）不再细分
辅助	侧脑室（lateral ventricles）	左/右	训练数据提供，不参与官方评测

两个易错细节：

1. 豆状核是整体：官方标签把壳核与苍白球合为"豆状核"一类，没有单独的壳核/苍白球通道。引用分数时写"豆状核（含壳核+苍白球）"更严谨；与把两者分开标注的文献对比时要先做标签合并（坑 6）。
2. 侧脑室是烟雾弹：训练数据里有侧脑室标注（它是 QA 评估中"皮层下结构可分辨性"的参照结构，也是最容易分割的大结构），但它不在官方评测清单里。本地跑出来的侧脑室 Dice 再高也与榜单无关（坑 5）。

体量参考（首届 LISA 2024 的 63 例海马口径，第二届沿用同类人群）：单侧海马体积约 0.61-2.32 cm³，中位约 1.2-1.3 cm³——在 1mm³ 体积里只占千余到两千余体素，这是 Task 2a 比 2b 更难的原因之一（目标小 × 边界弱 × SNR 低三重叠加）。

2.4 标注流水线：高场勾画→跨场配准→专家终审

LISA 标注不是直接在 0.064T 图像上画的，而是三步间接流水线（首届口径，官方材料描述）：

1. 高场勾画：在每名受试者配套的高场 T2（1.5T 或 3T）图像上手工勾画目标结构——高场图像分辨率与对比度高，勾画精度有保障；
2. 跨场配准：将高场空间的手工标签经九点线性配准映射回 uLF 空间（uLF 与高场采集同受试者、同次或近次检查）；
3. 专家终审：board-certified 儿科神经放射学家在 uLF 图像上逐例复核、修正，终版定稿。

这条流水线是理解本数据集的一把钥匙，两面性都要看清：

• 好的一面：它绕开了"在低质量图像上从零画轮廓"的不可行性，让 uLF 数据有了可用的金标准——这是数据集得以存在的工程前提；
• 有限制的一面：标签精度上限受配准误差约束；线性配准无法吸收非线性的几何畸变（uLF 的 B0 不均匀畸变部分正是非线性的）；且高场/uLF 强度分布差异大，标签边界在 uLF 图像上并非处处肉眼可核。做标签噪声、弱监督、抗噪训练研究时，这是一个真实且公开的标签误差源样本（§8.3）。

QA 分级（Task 1 语料）则是直接人工评审：对每张扫描的七类伪影逐项打 0-2 分（量表定义见 §3.2）。

2.5 Task 1 QA 语料：432 扫描/144 受试者（首届口径）

Task 1 的监督信号来自人工伪影分级表（CSV）：

• 规模：432 张 0.064T 扫描 / 144 名受试者——每名受试者三个正交方向 × 三个扫描平面；另有验证 42 张/14 人、隐藏测试 27 张/9 人；
• 来源：首届 LISA 2024 建立，第二届沿用/扩充（2025 届 QA 数据规模官方未单列新口径——引用 QA 数据规模必须注明"首届口径"，坑 3）；
• 标注形态：每张扫描一行，七列伪影各一个 0-2 整数分；
• 评分语义：0 = 伪影不存在；1 = 存在且轻度干扰皮层下结构的分辨；2 = 严重干扰皮层下结构的分辨。

注意这套量表是**序数（ordinal）**而非区间：1→2 的"严重程度跳变"没有等距语义。这正是 Task 1 榜单前列方法普遍引入序数损失（ordinal loss）与贝叶斯共现建模的原因（§5.4）——把七类伪影的联合分布当独立七分类做，会丢掉"运动伪影常与摆位偏差共现"这类结构先验。

2.6 采集网络：三个国家、一个全球健康命题

79 例的受试者来自跨国低资源采集网络（首届组织班底披露口径）：

中心	国家	角色
Kawempe National Referral Hospital（Makerere 大学合作）	乌干达	东非儿科采集点
CUBIC（University of Cape Town 影像中心）	南非	南部非洲儿科采集点
Brown University + Rhode Island Hospital	美国	北美采集点与工程支持

这个网络结构本身就是数据集的一部分：它让"便携 MRI + 低资源环境"不再是概念口号而有真实样本——同时也带来现实中该有的约束：跨中心的扫描流程一致性、受试者年龄分布跨度、伦理与去标识流程，公开材料披露粒度都有限（rai:dataLimitations 已存照）。做跨中心泛化研究时，把"来源中心"当协变量纳入设计是基本功课。

2.7 与高场脑 MRI 数据集的坐标系

把 LISA 放进库内脑 MRI 数据集光谱里（对照为各条目公开口径的粗粒度描述）：

数据集	场强	人群	任务	与 LISA 的关系
LISA 2025	0.064T	儿科	QA + 皮层下分割	本条目
ULF-EnC 2025（rid 672）	0.064T	未限定儿科	图像增强	同扫描仪同场强的姊妹赛（§7.2）
ixi-brain（rid 482）	1.5T/3T	健康青少年/成人	多序列结构像	高场对照域——跨场实验的"另一端"
fets（rid 476）	多中心 1.5T/3T	成人为主（肿瘤）	跨机构分割	跨机构泛化方法论同构
wmh-challenge（rid 501）	3T	老年	白质高信号分割	挑战赛谱系前辈
brats-africa（rid 683）	1.5T/3T	非洲低资源环境	脑肿瘤分割	低资源主题同构，但场强不同

一句话定位：在"场强轴"上，LISA 与 ULF-EnC 独占超低场端点，库内其余脑 MRI 条目全部在高场端——这条断带正是 LISA 生态位的可视化。

2.8 数据加载代码骨架（Python）

# 1) Synapse 下载（注册账号 + PAT 后）
import synapseclient
syn = synapseclient.Synapse()
syn.login(email="you@example.com", apiKey="YOUR_PAT")  # PAT 在 Synapse 账户设置里生成
# 2025 届挑战赛项目页（含 Task 2 数据与评估队列）
entity = syn.get("syn65670170", downloadLocation="./lisa2025")

# 2) 读取体数据（NIfTI 类格式，SimpleITK 或 nibabel 任选）
import nibabel as nib
img = nib.load("./lisa2025/sub-XX/anat/sub-XX_T2w.nii.gz")
print(img.shape, img.header.get_zooms())  # 预期 ≈ (195-197, 233, 159-189)，各向 1.0mm

# 3) 读取标注并核对结构在场情况（防止把辅助标签当评测目标）
import numpy as np
seg = nib.load("./lisa2025/sub-XX/anat/sub-XX_dseg.nii.gz").get_fdata()
print("标签值分布:", np.unique(seg))  # 核对实际标签 ID——以随数据发放的说明文件为准

# 4) 三段划分防泄漏：训练只用 71 例，调参只用 8 例内部验证
train_ids = [f"sub-{i:02d}" for i in range(1, 72)]   # 官方划分名单以官方清单为准
val_ids   = [f"sub-{i:02d}" for i in range(72, 80)]
# 注意：12 例官方验证集标签不可见，只能经 Synapse 提交评测——本地无金标准，勿自切混入

# 5) QA 分级表（Task 1，首届口径 CSV）
import pandas as pd
qa = pd.read_csv("./lisa2024_qa_labels.csv")
# 七列伪影：noise / zipper / positioning / banding / motion / contrast / distortion（各 0-2）

代码注释里的三处"以官方为准"（划分名单、标签 ID 表、QA 表列名）就是本数据集获取环节的三处小坑——Synapse 页面为 JS 渲染单页应用，搜索引擎索引不到细节，最终一切以随数据发放的 README/说明文件为准（坑 7）。

2.9 数据规模速查卡

第二届 LISA 2025
├── Task 2 分割主数据集：79 例 0.064T T2 体积（1mm³ 等向 SRR）
│   ├── 训练 71 例（体数据+标注可见）
│   ├── 内部验证 8 例（体数据+标注可见）
│   └── 官方验证 12 例（标签不可见，Synapse 服务器评测）
│   └── 标注：海马×2（2a）｜尾状核×2 + 豆状核×2（2b）｜侧脑室×2（辅助不评测）
└── Task 1 QA 语料（首届口径）：432 扫描/144 受试者
    ├── 验证 42 张/14 人
    └── 隐藏测试 27 张/9 人（标签不公开）
    └── 标注：7 类伪影 × 0-2 三级人工分级

首届 LISA 2024（对照）
├── Task 1 QA：432 + 42 + 27（同上）
├── Task 2：63 例训练样本（海马）
└── 参与规模：35 份提交 / 10 国 / 4 大洲；冠军 IISc×Oxford（QA）

§3 挑战赛设计：三道考题与一套服务器

3.1 赛制总览

LISA 2025 于 2025-09-27（MICCAI 2025 会议日，韩国大田 Daejeon）以 half-day challenge 形式举办现场环节，是 LISA 系列第二届；赛事依托 Synapse 平台运行全流程（注册→数据获取→提交→排名），官网（lisa-challenge.github.io）发布规则与公告。官方明言三个阶段使用同一 Synapse 数据集（“ensuring that the training, validation, and testing phases utilize the same dataset obtained from the Synapse platform”）——与一些分阶段换数据的挑战赛不同，LISA 的训练/验证/测试在数据来源上是连续统一体，只有标签可见性不同。

三项任务、两套数据、三类指标：

任务	数据	考什么	主要指标
Task 1	QA 语料（432 口径）	七类伪影自动分级	各类别准确率、composite accuracy、weighted F1
Task 2a	79 例主数据集	双侧海马分割	Dice（DSC）+ HD/ASSD + 相对体积误差
Task 2b	79 例主数据集	双侧尾状核+豆状核分割	Dice（DSC）+ HD/ASSD + 相对体积误差

3.2 Task 1：七类伪影与 0-2 序数量表

七类伪影是 uLF 床旁场景的"日常"清单，逐项拆解（类别名为官方口径，成因描述为 MRI 物理通识）：

#	伪影	成因概要	床旁场景高发原因
1	noise（噪声）	SNR 不足的随机涨落	0.064T 信号天然微弱；线圈贴近度有限
2	zipper（拉链伪影）	设备/电子泄漏的离散亮线	床旁电磁环境不可控（监护仪等）
3	positioning（摆位）	头位偏转/居中不良	无固定线圈托架，床旁摆放自由度高
4	banding（带状伪影）	B0 不均匀引起的条纹	永磁体均匀性受限 + 金属环境干扰
5	motion（运动）	受试者运动	儿科受试者配合度低、无镇静流程
6	contrast（对比度）	组织对比异常/不足	低场 T2 对比度天生衰减
7	distortion（畸变）	几何形变	B0 不均匀的几何表现

评分量表（官方定义）：0 = 伪影不存在；1 = 存在且轻度干扰皮层下结构分辨；2 = 严重干扰皮层下结构分辨。三点方法学含义：

1. 这是七维序数分类，不是回归：把 0-2 当连续值回归会破坏序数语义；榜单前列方法用 ordinal loss 显式建模（§5.4）。
2. composite accuracy 是主指标：七类伪影的准确率合成一个复合值——单类刷高无用，均衡覆盖才有效。
3. "干扰皮层下结构分辨"把 QA 与 Task 2 串起来了：伪影严重度的判据正是"还能不能做皮层下分割"——QA 是分割可用性的守门员，两个任务在临床逻辑上是一个流水线。

3.3 Task 2a：海马分割

考题：给定 79 例池中的 uLF T2 体积，输出左/右海马的体素级分割。难点三重叠加：目标小（单侧约 0.6-2.3 cm³，§2.3）、边界弱（低对比度下海马与周围海马旁回灰质过渡模糊）、域新（0.064T 的强度分布与训练先验中的高场图像差异巨大）。指标为 Dice 加距离类（HD、ASSD）与相对体积误差——体积误差对海马这类"定量随访"结构尤其关键：临床要的是体积随时间的变化，不是一张好看的分割图。

3.4 Task 2b：基底节分割

考题：左/右尾状核 + 左/右豆状核（壳核+苍白球整体）四个目标的体素级分割。与 2a 相比目标更大（豆状核约 4-6 cm³ 量级），但有自己的坑：尾状核体部细长、与侧脑室壁紧贴；豆状核内部苍白球/壳核的分界在 uLF 上基本不可见——这正是官方把两者合为"豆状核"的原因之一。基底节定量对儿科缺氧缺血性脑病、脑瘫随访有直接临床意义，是 Task 2 中"临床刚需"最硬的一题。

3.5 时间线全记录

时点	事件
2024（MICCAI 2024，摩洛哥）	首届 LISA 2024：QA 任务 + 海马分割任务开考；论文集 LNCS 15515
2025-07-11	RISE-MICCAI Summer School 平行赛道开跑（Journal Club Special Session，仅限暑校学员）
2025 年中	第二届数据与评估在 Synapse 上线运行（syn65670170）
2025-09-27	MICCAI 2025 现场环节（half-day challenge，韩国大田）
2026-01-23	第二届论文集 LNCS 16411 出版（Springer，open access，11 篇全文/14 份投稿）

时间线上的一个引用陷阱：LNCS 16411 的出版年是 2026，但挑战赛与"MICCAI 2025"绑定——写"LISA 2025（MICCAI 2025）"指赛事、写"LNCS 16411（2026）"指论文集，两句话并存但别互换（坑 8）。

3.6 评测制度：Synapse 服务器端与隐藏标签

LISA 的评测制度是"最小可信版"的挑战赛标准件：官方验证集 12 例标签不公开，参赛者提交分割结果，Synapse 服务器端计算 Dice 等指标并排名；QA 任务同理（隐藏测试 27 张，首届口径）。这套制度防泄漏是够用的，但也意味着：本地无法复现官方榜单（拿不到那 12 例的金标准）；第三方论文若报告"官方验证集成绩"而无提交记录佐证，引用时要留一分心（坑 9 的变体）。

平行赛道同样要注意：RISE-MICCAI Summer School 专项赛（2025-07-11 开跑，仅限暑校学员）使用同主题任务，其名次与主赛道独立——CAIAS（Missouri S&T）的 Nazish Khalid 在 RISE 赛道获 Task 2b 第 2、Task 2a 第 3，这些名次不是主赛道名次，混写会张冠李戴（坑 10）。

3.7 制度对照：LISA 与同届挑战赛的异同

把 LISA 2025 放进 MICCAI 2025 挑战赛群像（库内条目可查的对照）：

维度	LISA 2025	ToothFairy3（rid 参见库内）	ULF-EnC 2025（rid 672）
模态	0.064T T2 儿科脑	CBCT 颌面	0.064T 脑（增强）
任务数	3（QA+2a+2b）	2（自动+交互）	增强为主
runtime 入排名	否	是（制度创新点）	否
数据发放	Synapse 注册墙	ditto 注册墙	Synapse
论文集	LNCS 16411（OA）	MICCAI 2026 论文	同届生态

对照可读出的判断：LISA 属于"稳态制度"挑战赛——不玩排名公式创新，把制度创新的重心放在任务组合本身（QA+分割双线、超低场+儿科双域）；真正的实验变量是数据，不是规则。

§4 两届演进：LISA 2024 → LISA 2025（FACTS 必答题）

4.1 两届对照大表

维度	LISA 2024（首届）	LISA 2025（第二届）
挂靠会议	MICCAI 2024（摩洛哥）	MICCAI 2025（韩国大田，2025-09-27，half-day）
论文集	LNCS 15515（Springer，2025）	LNCS 16411（Springer，open access，2026-01-23，11 篇/14 投稿）
Synapse	syn55249552	syn65670170
Task 1（QA）	432 扫描/144 人 + 42/14 验证 + 27/9 隐藏测试	沿用/扩充（2025 届规模未单列，存照）
Task 2	海马分割，63 例训练样本	双任务：2a 海马 + 2b 基底节；主数据集 79 例（71+8+12）
参与规模	35 份提交 / 10 国 / 4 大洲	14 份最终投稿 → 11 篇论文
冠军（可证）	Dr. Vaanathi Sundaresan（IISc）×Oxford 联队，QA 任务第一	Task 2a：UNIL/CIBM；Task 2b 与 Task 1 冠军未公开完整榜单（可证：UPF 2b 第 2/Task 1 第 3；UNIL 2b 第 3）
平行赛道	无	RISE-MICCAI Summer School 专项（2025-07-11，学员限定）

4.2 演进逻辑：从"能不能考"到"考得更全"

首届 LISA 2024 的历史任务是证明这条流水线成立：便携 0.064T 设备能在三个国家的临床现场稳定产数据；高场勾画→配准→终审的标注链能跑通；QA 语义量表（0-2）能让十个国家的团队在同一把尺子上排名。第二届的三步扩张都有明确的针对性：

1. 任务纵向加深：Task 2 从单结构（海马）扩为双结构域（海马 + 基底节）——从"最难的小目标"扩展到"临床刚需的大目标"，一张 79 例的卷子考两个难度档；
2. 数据横向加宽：主数据集从 63 例训练样本扩为 79 例三段划分，且明确训练/验证/测试同源（Synapse 单一数据集口径）；
3. 生态横向加厚：新增 RISE-MICCAI 暑校平行赛道（教学口），把挑战赛从"竞赛"扩展为"竞赛+教育"双出口——这也是低资源影像命题的必然选择：人才池比榜单更稀缺。

4.3 首届事实卡（互链与核对用）

• 组织班底（首届口径）：Natasha Lepore 与 Marius George Linguraru 领衔；成员含 Steven Williams（King’s College London）、Sean Deoni（Brown University / Warren Alpert 医学院 + Advanced Baby Imaging Lab, Rhode Island Hospital）、Jeffrey Tanedo、Rahimeh Rouhi、Shreyash Zanjal（CHLA）、Austin Tapp（Children’s National）、Kirsty Donald（University of Cape Town）、Victoria Nankabirwa（Makerere University, 乌干达）；
• 冠军：Dr. Vaanathi Sundaresan（印度科学理工学院 IISc）与牛津大学团队联队，QA 任务第一名；
• 参与广度：35 份提交来自 10 个国家、4 大洲——对一个小众模态的首届赛事，这个覆盖面本身就是"全球健康命题成立"的证据；
• 数据遗产：QA 语料 432/144（+42/14、27/9）与海马 63 例训练样本，第二届直接继承。

4.4 第二届新增清单

1. Task 2b 基底节赛道（全新）：尾状核+豆状核，临床刚需结构入考；
2. 79 例主数据集（全新）：三段划分 + 侧脑室辅助标注；
3. RISE-MICCAI 平行赛道（全新）：2025-07-11 开跑，学员限定，名次独立于主赛道；
4. 论文集 open access（制度升级）：LNCS 16411 全卷开放获取——首届 LNCS 15515 为传统订阅卷，第二届把方法细节全部免费公开，这对低资源地区读者是有意的可及性设计。

4.5 辨析：LISA 与肝脏挑战赛谱系毫无关系

这是本条目必须正本清源的一节。“LISA"之名在 MICCAI 语境里极易与肝脏分割挑战赛谱系联想：LiTS（Liver Tumor Segmentation Challenge, 2017）、LSTS（Liver Tumor Segmentation Challenge 系列后续）、TriALS 2025（MICCAI 2025 的肝脏挑战赛，非对比 CT 肝病灶分割，Synapse syn65878273）——这条肝脏谱系声名显赫，但没有一届叫 LISA。本条目生产时收到的候选 brief 即误将 LISA 2025 描述为"多模态（CT+MR）肝脏分割挑战赛”，经 MICCAI 官网、MICCAI Society 新闻页、Springer 论文集、dblp 与参赛论文五源核验证伪：LISA 2025 的真实身份是低场强儿科脑 MRI，器官（脑 vs 肝）、模态（纯 0.064T MRI vs CT+MR）、疾病域（发育/皮层下结构 vs 肿瘤）三项全不符合（坑 1）。检索与引用时，"LISA"应与 low-field、pediatric、Hyperfine 共现，与 liver、CT、tumor 的共现即为错引信号。

§5 冠军方法与榜单：两条可复用的解题路线

5.1 榜单总览（只列可证名次）

公开渠道可核验的名次如下（Synapse 榜单页为 JS 渲染单页应用，完整榜单无法存档抓取——以下以论文集论文与团队官方公告为源，坑 4）：

任务	名次	团队	可证成绩
Task 2a	第 1	UNIL/CIBM（洛桑大学）	官方公告 + 论文集论文 + GitHub 三源一致
Task 2b	第 2	Team UPF（庞培法布拉大学）	基底节 Dice 0.86 / 海马 0.72（nnU-Net 口径）
Task 2b	第 3	UNIL/CIBM（同队第二方案）	CIBM 官网新闻 + lisasegm README 双证
Task 1	第 3	Team UPF	composite accuracy 0.84（ordinal loss + 贝叶斯共现建模）
Task 1	第 1	公开渠道无名次记录	— 待核；候选线索（BRIQA 团队，MBZUAI 系）收录论文≠冠军，不写死

5.2 冠军方案：UNIL/CIBM 的"合成数据+域随机化"

Task 2a 冠军 UNIL/CIBM（University of Lausanne Medical Image Analysis Laboratory + CIBM：Vladyslav Zalevskyi、Thomas Sanchez、Busra Bulut、Meritxell Bach Cuadra）的方案直面 71 例小样本的核心矛盾，三件套打法：

1. 合成/模拟 MRI 数据：用模拟器生成带分割真值的合成脑 MRI——合成数据自带像素级金标准，规模可以任意放大；
2. 域随机化（domain randomization）：对合成数据大范围随机化强度分布、噪声、偏置场、分辨率等成像参数——刻意让模型见过"足够烂"的图像，使真实的 0.064T 域落在训练分布的覆盖范围内；
3. 注释质量人工筛选：对 LISA 官方标注跑质量分类（LISA_QC.csv 的 good/bad 二分类），把可疑标注从训练池降权或剔除——在"标注本身经过配准误差传导"的数据集上（§2.4），这步是对系统性标签噪声的工程防御。

三招的组合逻辑自洽：真数据太少 → 用合成扩池；合成与真实有 gap → 用域随机化弥合；真实标签有噪声 → 用质量筛选止损。代码以 MIT license 开源（GitHub: Medical-Image-Analysis-Laboratory/lisasegm），是三条冠军路线中复现门槛最低的一条。同队的第二方案在 Task 2b 拿了第 3 名——说明这套配方对结构域不敏感，是"数据集级"而非"结构级"的解法。

5.3 为什么域随机化在低场场景特别有效

展开一点方法学判断（论据来自冠军论文与 uLF 文献共识）：高场预训练权重（nnU-Net ImageBank、SAM-Med3D 等）的强度先验全部来自 1.5T/3T 世界，而 0.064T 的 T2 对比度、噪声水平、畸变形态在这个先验之外。两条路可以走：微调（拿高场权重在 71 例上继续训练——样本太少，先验被冲掉或过拟合）或重造先验（合成数据+域随机化，从"见过千万种烂图像"的模型出发）。UNIL/CIBM 选了后者并夺冠，等于给"低场域 = 高场域的随机化子集"这个假设投了实证一票——对后续任何稀缺模态（不只是低场 MRI）的分割任务，这都是可迁移的配方骨架。

5.4 Team UPF：基础模型 LoRA 微调与序数贝叶斯 QA

Team UPF（庞培法布拉大学，Universitat Pompeu Fabra；GitHub: reitxel/LISA2025TeamUPF）一条队伍打满三个任务，路线是"现成强基线 + 精准适配"：

• Task 2b（第 2 名）：nnU-Net 直训——基底节 Dice 0.86、海马 Dice 0.72。nnU-Net 的自动配置流水线在 79 例小样本上依旧能打，说明"小样本考场"的第一基准仍然是它；
• Task 2a：SAM-Med3D LoRA 微调——3D 医学基础模型加低秩适配器，海马 Dice 0.70（对比同队 nnU-Net 的 0.72，基础模型路线在本域暂未反超，但差距在 2 个 Dice 点以内，且微调成本远低）；
• Task 1（第 3 名）：ordinal loss 显式建模 0-2 序数语义 + 贝叶斯网络建模七类伪影的共现结构（运动伪影与摆位偏差的条件依赖等），composite accuracy 0.84——把 QA 从"七个独立分类器"升级为"一个带结构先验的联合模型"。

UPF 的价值在对照性：同一个队、两套分割范式（专用 nnU-Net vs 通用基础模型+LoRA）在同一份 79 例上的成绩差（0.86 vs 0.70 的基底节-海马任务内对照），是评估"基础模型能否低样本适配稀缺模态"的现成实证材料。

5.5 其他方法基准（论文集数字，非排名口径）

论文集其余论文给出的可证基准（各队自报，评测协议以官方为准）：

• ViT+UNETR 多任务队：QA weighted F1 0.781；海马 Dice 0.58；基底节 Dice 0.81——多任务共享编码器在 QA 与分割间迁移，但小目标（海马）失分明显；
• SwinUNETR 坐标变换集成队：海马 Dice 0.72±0.17 / 基底节 Dice 0.85±0.05（self-config 集成口径）——注意其 0.85±0.05 与 UPF 的 0.86 分属不同论文口径（集成协议与提交轮次未必一致），并列比较需先对齐口径（坑 9）。

一个横向观察：基底节成绩普遍好于海马（0.81-0.86 vs 0.58-0.72）——目标体积差一个量级是最直接的解释；海马在 uLF 域仍是未解难题，这与高场文献的难度排序一致，说明域偏移没有改变结构的难度结构，只放大了它。

5.6 首届冠军对照：IISc×Oxford 的 QA 攻坚

首届（2024）QA 任务冠军为 Dr. Vaanathi Sundaresan（IISc）×Oxford 联队——在 35 份提交、10 国、4 大洲的池子里夺魁。首届成绩的意义在于验证了 QA 语义量表的排名稳定性：序数评分、主观分级、多中心采集三个噪声源叠加下，榜单仍能收敛出可信排序——这为第二届把 QA 模式原样延续提供了底气。

5.7 方法启示：三类读者各取所需

1. 给稀缺模态分割者：UNIL/CIBM 配方（合成数据→域随机化→标签质检）是"标注数据 <100 例"场景的默认起点；合成器选型不重要，随机化幅度才是命门；
2. 给基础模型研究者：UPF 的 SAM-Med3D LoRA 结果（0.70）划出了当前基础模型在 uLF 域的能力线——能进前二之外的第一梯队，但尚未越过 nnU-Net 专用基线；"更大模型"在这个域还不是赢家；
3. 给 QA/序数建模者：0-2 七维序数 + 共现结构是 MRI QA 的通用形状，UPF 的 ordinal loss + 贝叶斯网络组合可直接搬用到其他质控量表任务。

5.8 复现路线图（从零到提交）

1. git clone lisasegm（MIT）或 LISA2025TeamUPF——两条路线代码都公开；
2. 按 lisasegm 配置合成数据生成（或用官方 71 例 + 8 例起步）；
3. 本地 5-fold（71 例内自切），Dice/HD 全指标对齐官方评测脚本；
4. 8 例内部验证做早停，不碰官方验证集语义（本地无标签）；
5. Synapse 生成 PAT → 按提交格式打包 → 服务器评测拿官方分；
6. 对齐榜单时先确认口径：46 类聚合/结构分组/提交轮次（对照坑 9）。

§6 获取与许可：Synapse 注册墙与三层许可结构

6.1 获取路径（步骤化）

1. 注册 Synapse 账号（synapse.org，Sage Bionetworks 平台）——个人邮箱 + 机构信息；
2. 访问挑战赛项目页：2025 届 synapse.org/Synapse:syn65670170（wiki 631438）；2024 届 synapse.org/Synapse:syn55249552；
3. 同意数据使用条款：挑战赛页内勾选（条款文本在页面内，注册流程中完成）；
4. 生成个人访问令牌（PAT）：账户设置 → Personal Access Tokens；
5. synapseclient 下载：pip install synapseclient → syn.login(apiKey=PAT) → syn.get("syn65670170", downloadLocation=...)（§2.8 代码骨架）。

三个实操提醒：其一，Synapse 页面是 JS 渲染单页应用——搜索引擎索引不到页面细节，wiki 内容要在登录状态浏览（坑 7）；其二，下载前先在 Files 页核对文件清单与版本（数据有更新公告机制）；其三，官方验证集 12 例只发放体数据，找不到标签文件不是下载残缺。

6.2 License 三层结构

层	对象	许可状态	依据与存照
1	数据本体	Synapse 注册申请制：需注册账号 + 同意平台数据使用条款	条款页 JS 渲染未能直接存档核验——按注册申请制表述，具体条款以 Synapse 页面为准（坑 7）；涉及儿科数据，商用与二次分发务必先审条款
2	论文集	Springer open access（LNCS 16411，© the Authors）	书页明示 open access；章节免费可读
3	冠军方法代码	MIT license	GitHub lisasegm 仓库声明

对照表述的纪律：数据许可不是 CC 系列、不是公开直链——写"LISA 数据集 CC BY"即为错引；正确表述是"Synapse 托管、注册申请制"。HuggingFace 上无官方镜像（hf-mirror.com API 检索 “lisa” 前列结果全为无关项目，存照坑 11）——任何 HF 上的 “LISA” 命名模型/数据与本挑战赛无关，谨慎甄别。

6.3 AI-Ready 光谱定位

按本库 AI-Ready 五维语言快评（正式打分见 DAIMS 节）：LISA 处于光谱中段偏"可获得"一侧——数据真实可下载（注册即得，无审批等待），但非直链（Synapse 注册墙）、格式工程化程度中等（NIfTI+CSV，无官方转换脚本/评估代码包的公开程度不及 ToothFairy3 的配套）、元数据披露中等（协议参数齐全但人口学粗粒度）。一句话：拿得到、用得起，但要自己补工程脚手架。

6.4 引用三件套（可直接粘贴）

@book{lisa2025_proceedings,
  title     = {Low Field Pediatric Brain Magnetic Resonance Image Segmentation
               and Quality Assurance: Second MICCAI Challenge, LISA 2025, Held in
               Conjunction with MICCAI 2025, Daejeon, South Korea,
               September 27, 2025, Proceedings},
  editor    = {Lepore, Natasha and Linguraru, Marius George},
  series    = {Lecture Notes in Computer Science},
  volume    = {16411},
  year      = {2026},
  publisher = {Springer, Cham},
  isbn      = {978-3-032-14416-4},
  doi       = {10.1007/978-3-032-14417-1},
  note      = {Open access; 11 full papers selected from 14 final submissions}
}

@book{lisa2024_proceedings,
  title     = {Low Field Pediatric Brain Magnetic Resonance Image Segmentation
               and Quality Assurance: First MICCAI Challenge, LISA 2024, Held in
               Conjunction with MICCAI 2024, Marrakesh, Morocco, Proceedings},
  series    = {Lecture Notes in Computer Science},
  volume    = {15515},
  year      = {2025},
  publisher = {Springer},
  note      = {首届论文集；卷号以 Springer 官方页为准}
}

@misc{lisa2025_challenge,
  title       = {LISA 2025 Challenge -- Low-field pediatric brain {MRI}
                 Segmentation and Quality Assurance},
  howpublished = {\url{https://lisa-challenge.github.io/}},
  year        = {2025},
  note        = {Synapse: syn65670170；访问日期请自行补填}
}

（首届论文集卷号 LNCS 15515 经 dblp/Springer 侧写核验，BibTeX 中其余字段按惯例补全，投稿引用前以 Springer 官方页核对为准——诚实边界：本条目不代官方背书引用格式。）

§7 生态与后续：从 LISA 向外看

7.1 姊妹赛 ULF-EnC 2025：同一台扫描仪的另一半考卷

MICCAI 2025 同届还有一场围绕同一模态的挑战赛：ULF-EnC 2025（Ultra-Low-Field Image Enhancement Challenge，库内条目 ulf-enc, rid 672）——同样基于 0.064T 便携 MRI、同样 Synapse 托管，考的是图像增强（去噪、超分辨、对比度提升方向）。两赛合看是一条完整的 uLF 流水线：ULF-EnC 负责"把图变好"，LISA 负责"在真图上做 QA 与分割"。做 uLF 端到端系统的团队，两个数据集天然配套；两份考卷的成绩单也互为参照——增强算法的分要看它是否真正改善了下游分割/QA，而不是只在感知指标上好看。

7.2 Hyperfine 与低资源影像网络

LISA 的数据基础设施由三股力量交织：

• Hyperfine SWOOP：0.064T 床旁 MRI 的商用代表设备，LISA 全部扫描的来源；设备端的稳定性与易用性决定了"床旁协议"（三正交快速采集）的可行性；
• UNITY 联盟生态：LISA 的多国采集网络（乌干达/南非/美国）与儿科低资源影像研究联盟的网络重叠——组织班底中的 Makerere（乌干达）、UCT CUBIC（南非）、Brown/Rhode Island Hospital（美国）正是这个网络的节点；
• 儿科神经影像临床端：CHLA（洛杉矶儿童医院）与 Children’s National（华盛顿国家儿童医学中心）提供神经放射终审与临床命题——两个机构的儿科神经放射团队是标签质量的最终把关人。

这条"设备商-全球健康网络-儿科临床中心"的三方结构，是低资源影像数据集可复制的组织模板——单靠任何一方都做不出跨三国的 79 例。

7.3 RISE-MICCAI Summer School：教育出口

2025-07-11 开跑的 RISE-MICCAI Summer School 增设 LISA 专项赛道（Journal Club Special Session），限定暑校学员参加。这个设计的信号意义大于竞赛意义：把前沿挑战赛做成教学材料，让低资源地区的学员以参赛者身份进入这个领域——CAIAS（Missouri S&T）的 Nazish Khalid 在该赛道获 Task 2b 第 2、Task 2a 第 3。再次强调：这些名次属 RISE 赛道，与主赛道榜单独立（坑 10）。

7.4 生态位判断：LISA 填的是什么空白

在公开脑 MRI 数据集的版图上，LISA 填了三个互相关联的空白：

1. 场强空白：0.064T 端点此前无公开儿科脑分割/QA 基准（高场端数据集泛滥，超低场端几乎空白）；
2. 人群空白：儿科皮层下结构分割公开数据稀缺（海马/基底节标注多在成人队列）；
3. 质控空白：MRI QA 公开语料本就稀少，uLF 域的七类伪影人工分级语料是独一份。

三个空白叠加的后果是：LISA 在"低场 MRI 临床落地"这个命题上是当前唯一公开考场——没有替代品，这既是它的影响力来源，也是它的风险（单点、小样本，见 DAIMS S 维）。

7.5 LISA 系列大事年表（两届合并视图）

年份	事件
2024	首届 LISA 2024（MICCAI 2024，摩洛哥）：QA + 海马双任务开考；35 提交/10 国/4 大洲；IISc×Oxford QA 夺冠
2025	首届论文集 LNCS 15515 出版（Springer）
2025-07-11	RISE-MICCAI Summer School 专项赛道开跑
2025-09-27	第二届 LISA 2025 现场环节（MICCAI 2025，韩国大田，half-day）
2026-01-23	第二届论文集 LNCS 16411 出版（Springer，open access，11 篇/14 投稿）
后续	冠军代码开源维护（lisasegm，MIT）；uLF 生态随便携 MRI 装机量扩张（同届 ULF-EnC 为增强侧配套）

§8 方法启示：数据集建设与评测方法学视角

8.1 给数据集建设者：间接标注流水线的范本价值

LISA 的"高场勾画→跨场配准→专家终审"流水线回答了一个通用问题：当目标图像质量不足以支撑人工勾画时，金标准从哪来？ 答案是找一个质量更高的"孪生空间"勾画，再配准回来。这个模式可迁移到一切"图像差、有配套"的场景（低剂量 CT、快速序列、遥测信号）。但 LISA 同时示范了这条流水线的诚实披露方式：官方材料明确写明标注经配准生成——把它当优点宣传而不披露误差传导，才是这类数据集最大的坑。

8.2 给临床 AI 落地者：QA 先于分割

LISA 把 QA 放在 Task 1 的位置不是偶然：床旁场景里，"这张图能不能用"比"画得准不准"更前置——伪影严重的图像上再好的分割模型也是垃圾进垃圾出。部署低场影像流程的正确顺序是：先上 QA 闸门（自动判级、不合格重扫），再跑下游定量。LISA 的七类伪影清单可以直接当部署侧的质检需求清单用。

8.3 给评测方法学研究者：小样本+标签噪声的双重考试

79 例训练池 + 经配准传导的标签噪声，让 LISA 成为研究"标签噪声鲁棒训练"的天然实验台：冠军方案里"人工标注质检（good/bad 二分类）"这个环节的存在，本身就是组织方与参赛者对标签噪声现实的一次公开承认。做抗噪方法研究的团队，可以把"是否做标签质检"当消融项，在 LISA 上跑出干净的对照。

8.4 给全球健康工程团队：可复制的组织模板

§7.2 的三方结构（设备商+全球健康网络+临床中心）与两届演进策略（先证明可行、再加宽加深）共同构成一份"低资源数据集创业手册"：设备先行、网络采集、临床把关、教育出口。LISA 的 79 例规模不大，但它在"如何让跨国低资源采集可持续"上的组织经验，比数据本身更稀缺。

§9 库内互链

条目	rid	关系	连读价值
ulf-enc	672	同模态姊妹赛：同 0.064T 便携 MRI、同 Synapse 托管、同 MICCAI 2025，考增强	uLF 流水线上下游配套（增强→QA/分割），两条目连读覆盖完整管线
wmh-challenge	501	挑战赛谱系前辈（脑 MRI 分割挑战赛传统）	对照"高场单病种挑战赛"的组织形态，看 LISA 的双域（场强×人群）差异化
brats-africa	683	低资源环境脑 MRI 挑战赛（非洲）	全球健康命题同构——但注意场强不同（brats-africa 为高场），低资源≠低场强
fets	476	跨机构脑 MRI 分割联盟	跨中心泛化方法论同构；FeTS 的联邦式组织是 LISA 采集网络的"算法侧镜像"
ixi-brain	482	高场健康脑多序列队列	场强轴另一端点——跨场实验（高场预训练→uLF 微调）的标准对照组
chaos	337	CT/MR 跨模态腹部分割挑战赛	"跨模态域偏移"方法论源头之一，uLF 域偏移问题的方法学先例
sliver07	347	经典肝脏分割挑战赛数据集	辨析用：肝脏谱系代表——与 LISA 连读可直观展示"LISA≠肝脏"（坑 1）
atlas-liver-tumor	431	肝脏肿瘤数据集	同上，肝脏域对照锚点

未入库但正文提及（检索提示）：TriALS 2025（MICCAI 2025 肝脏挑战赛，Synapse syn65878273——坑 1 的真正"肝脏同名候选"）、LSTS/LiTS（肝脏挑战赛历史谱系）、Hyperfine SWOOP（扫描仪厂商）、UNITY 联盟（低资源影像网络）、RISE-MICCAI Summer School（教育赛道）。库内检索路径：url_name ILIKE '%ulf%' 命中 rid 672；'%brain%' 与 '%mri%' 可枚举脑 MRI 生态其余条目。

9.1 连读路线建议（以 ulf-enc rid 672 为主轴）

1. 先读本条目 §0 + §2：建立 uLF 物理现实（0.064T 代价）与数据形态（79 例+SRR）的底图；
2. 再读 ulf-enc(672)：同一台扫描仪的增强赛道——看"把图变好"一侧的算法与榜单；
3. 回到本条目 §5：看"在真图上做题"一侧的两条冠军路线（合成数据域随机化 vs 基础模型 LoRA）；
4. 最后 ixi-brain(482) 对照：高场端点数据长什么样——两端对照后，"域偏移"从抽象概念变成可触摸的两份样本；
5. sliver07(347) 收尾：肝脏谱系一瞥，彻底排掉 “LISA=肝脏” 的检索惯性（坑 1）。

§10 避坑清单：11 坑全录

写作、引用、检索 LISA 2025 时已被证实的高频错误，全部存照如下：

1. 器官错置（最大坑）：LISA = 低场强儿科脑 MRI 挑战赛，不是肝脏（无 CT、非肿瘤）。本条目生产时收到的候选 brief 即误写为"多模态（CT+MR）肝脏分割挑战赛"，五源核验证伪；MICCAI 2025 的肝脏挑战赛是 TriALS 2025（Synapse syn65878273），与 LISA 无关（§4.5）。
2. 三数混用：79（第二届 Task 2 分割主数据集）/ 432（首届 Task 1 QA 扫描数，432 扫描/144 人）/ 63（首届 Task 2 海马训练样本）——分属两届三任务，引用不带届次与任务口径即为事实错误。
3. Task 1 规模口径：79 例是 Task 2 口径；Task 1 若沿用首届 432 扫描/144 人口径，2025 届官方未单列新数字——写"Task 1 数据集"必须注明"首届口径存照"。
4. 榜单黑箱：Synapse leaderboard 为 JS 渲染单页应用，WebFetch/curl 均无法抓取；Task 1 冠军公开渠道无名次记录。本条目只写可证名次（UNIL 2a 第 1；UPF 2b 第 2/Task 1 第 3；UNIL 2b 第 3），完整榜单以 Synapse 官方为准。
5. 侧脑室烟雾弹：侧脑室标注仅训练辅助，不参与官方评测——本地侧脑室成绩与榜单无关。
6. 豆状核是整体：官方把壳核+苍白球合标为"豆状核"，无单独通道；与细分标注的文献对比要先合并标签。
7. Synapse 一切皆 JS：项目页、wiki、条款页、榜单页全是 JS 渲染——搜索引擎抓不到细节，条款文本无法公开存档；license 按"注册申请制"表述，具体条款以登录后页面为准。官网 lisa-challenge.github.io 存在（有论文引用佐证）但沙箱外可达性亦不稳定。
8. 两卷 LNCS 易混 + 年份双口径：LNCS 15515 = 首届 2024（2025 出版）；LNCS 16411 = 第二届 2025（2026-01-23 出版，OA）。写"LISA 2025（MICCAI 2025）"指赛事，写"LNCS 16411（2026）"指论文集，别互换。
9. 跨论文成绩口径：基底节 Dice 0.86（UPF，榜单口径）与 0.85±0.05（SwinUNETR 队论文自报集成口径）分属不同论文协议，并列比较前先对齐口径；参赛论文数字≠官方榜单，引用须注明来源性质。
10. RISE 平行赛道名次独立：RISE-MICCAI 暑校赛道（2025-07-11，学员限定）的名次（如 CAIAS Nazish Khalid 2b 第 2/2a 第 3）与主赛道榜单独立，混写即张冠李戴。
11. HF 无官方镜像：HuggingFace 无 LISA 官方数据/模型（hf-mirror 检索确认）——HF 上任何 “LISA” 命名资源与本挑战赛无关；同理，数据许可非 CC 系列，“LISA 数据 CC BY” 即为错引。

§11 总结：五句话画像

1. LISA 2025 是全球首个公开可用的超低场（0.064T）儿科脑 MRI 分割与质控基准：79 例 Hyperfine SWOOP 床旁 T2 体积（SRR 重建 1mm³ 等向），配海马/尾状核/豆状核体素级标注与七类伪影 QA 分级。
2. 它用三道考题覆盖 uLF 临床落地的决策链——图像能不能用（Task 1 QA）、小目标画得准吗（Task 2a 海马）、临床刚需结构画得准吗（Task 2b 基底节）——并让"高场勾画→跨场配准→专家终审"的间接标注流水线成为公开方法论样本。
3. 冠军方案指明了小样本稀缺模态的两条路线：UNIL/CIBM 的合成数据+域随机化+标签质检（MIT 开源）与 Team UPF 的 nnU-Net 基线+SAM-Med3D LoRA 微调——前者夺冠证明"重造先验"胜过"微调先验"。
4. 它的组织形态是低资源数据集的可复制模板：设备商（Hyperfine）×全球健康采集网络（乌干达/南非/美国）×儿科临床中心（CHLA/Children’s National），两届演进走"先证明可行、再加宽加深"。
5. 它的获取形态是"Synapse 注册墙 + 条款存照待核 + 无 HF 镜像"：数据真实可得但无直链，license 按注册申请制表述——在便携 MRI 装机量扩张的当下，这个唯一公开考场的每一次更新都值得低场影像社区盯紧。

DAIMS 评估：AI-Ready 五维打分

维度	评分（1-10）	依据
D 可发现性	6	MICCAI 官网 challenges 页 + MICCAI Society 新闻页 + LNCS 16411（OA，可索引）+ dblp 多路可达；但 Synapse 页面 JS 渲染不可索引、"LISA"与肝脏谱系（LiTS/LSTS/TriALS）检索易混（坑 1）、HF 无镜像（坑 11）、两卷 LNCS 年份双口径（坑 8）共同拖累检索体验
A 可获取性	6	Synapse 注册即得、无用途审批、无等待期（优于请求制）；但无匿名直链、12 例官方验证标签不可见、QA 隐藏测试不可见、儿科数据条款需自行审慎（坑 7）——比公开直链类数据集多一道注册与条款闸门
I 可互操作	7	NIfTI 类体数据 + 1mm³ 各向同值规格明确 + QA CSV 结构简单（七列 0-2）+ 协议参数（TR/TE/TI、SRR）披露完整；扣分项：无官方转换脚本/评估代码公开包（对比 ToothFairy3 的工程配套）、标签 ID 表未在公开页列示（以随数据 README 为准，坑 7）
M 元数据质量	6	采集协议（三正交、TR 1.5s/TE 5ms/TI 400ms、SRR 1mm³）与三段划分（71/8/12）披露清晰、标注流水线公开（高场勾画→配准→终审）；但受试者人口学（逐例年龄、临床指征）披露粗粒度、QA 无标注者间一致性系数、Task 1 2025 届规模未单列（坑 3）
S 可持续性	6	学术机构主导（CHLA + Children’s National）+ 两届连续举办记录 + 论文集 OA 长期可读 + 冠军代码 MIT 开源；但数据单点托管于 Synapse（无 Zenodo/HF 镜像，坑 11）、79 例规模偏小、后续届次未见官方公告
综合评级	6.2/10（中上）	核心价值在"唯一性"而非"工程完美度"：uLF 儿科脑的公开考场独一份（D 维有生态位加成但被检索坑拖累），协议与标注方法披露诚实（M 维亮点），可获取性与可持续性被注册墙、单点托管与小规模压住

打分口径说明：D/A/I/M/S 各维 1-10 分为本库条目体例的标准化评估（非官方评分），依据列给出可核验出处；综合为五维算术平均。对照参考：同模态姊妹赛 ulf-enc（rid 672）在 A 维同为 Synapse 注册墙；高场对照 ixi-brain（rid 482）在 A 维占优（多镜像直链）但在"儿科+QA+超低场"三个维度上均为空白——LISA 的分数要放在这个稀缺性语境里读。

FAQ（高频问答 32 问）

Q1：LISA 是什么缩写？
Low-field pediatric brain magnetic resonance Image Segmentation and quality Assurance——低场强儿科脑部磁共振图像分割与质量保证。

Q2：LISA 2025 是肝脏数据集吗？
不是（坑 1）。儿科脑部、纯 0.064T MRI、非肿瘤。MICCAI 2025 的肝脏挑战赛是 TriALS 2025（syn65878273）；历史肝脏谱系是 LiTS/LSTS，都与 LISA 无关。

Q3：第二届还是第一届？
第二届（论文集副题 “Second MICCAI Challenge”）。首届 LISA 2024 挂 MICCAI 2024（摩洛哥），论文集 LNCS 15515。

Q4：三个任务分别是什么？
Task 1 七类伪影 QA（0-2 三级序数评分）；Task 2a 双侧海马分割；Task 2b 双侧尾状核+豆状核分割。

Q5：分割数据多少例？
79 例（71 训练 + 8 内部验证），另有 12 例官方验证集标签不公开、Synapse 服务器端评测。

Q6：QA 数据多少？
公开口径为首届：432 扫描/144 受试者（训练）+ 42/14（验证）+ 27/9（隐藏测试）。2025 届未单列新口径（坑 3）。

Q7：432 是 432 个人吗？
不是。432 是扫描张数（144 名受试者 × 三正交方向 × 三平面），患者数是 144（坑 2）。

Q8：63 这个数字是什么？
首届 Task 2 海马分割训练样本数（63 例）。与第二届的 79、QA 的 432 分属不同任务与届次（坑 2）。

Q9：扫描仪与序列参数？
Hyperfine SWOOP，0.064T 永磁便携；T2 加权自旋回波 TR 1.5s / TE 5ms / TI 400ms；三正交方向采集后 SRR 融合为 1 mm³ 各向同性。

Q10：标签怎么来的？
高场 T2（1.5T/3T）空间手工勾画 → 九点线性配准回 uLF 空间 → board-certified 儿科神经放射学家终审。

Q11：侧脑室标签算分吗？
不算（坑 5）。只作训练辅助监督；本地侧脑室 Dice 与官方榜单无关。

Q12：豆状核分壳核和苍白球吗？
不分开。官方把两者合标为"豆状核"整体，无单独通道（坑 6）。

Q13：冠军是谁？
Task 2a 第 1 名 UNIL/CIBM（Zalevskyi 等，合成数据+域随机化+标签质检）；Task 2b 第 2 名 Team UPF（nnU-Net，Dice 0.86）、第 3 名 UNIL；Task 1 第 3 名 UPF（composite accuracy 0.84）。Task 1 冠军公开渠道无名次记录（坑 4）。

Q14：Task 1 冠军为什么查不到？
Synapse 榜单是 JS 渲染单页应用，无法公开抓取存档；公开新闻只见第 2/3 名自述。留白待核，不臆写（坑 4）。

Q15：首届冠军呢？
IISc 的 Vaanathi Sundaresan × Oxford 联队，QA 任务第一（35 份提交/10 国/4 大洲）。

Q16：RISE-MICCAI 赛道的名次算主赛名次吗？
不算（坑 10）。那是仅限暑校学员的平行赛（2025-07-11 开跑）；CAIAS 的 Nazish Khalid 在该赛道获 2b 第 2/2a 第 3，与主赛道独立。

Q17：在哪里下载？
Synapse：2025 届 syn65670170（wiki 631438）、2024 届 syn55249552。注册账号 + 生成 PAT + 同意条款 + synapseclient 下载（§6.1 五步）。

Q18：HuggingFace 有镜像吗？
没有官方镜像（坑 11）。HF 上 “LISA” 命名资源（语言模型、游戏角色等）全部与本挑战赛无关。

Q19：license 是什么？
数据按 Synapse 平台条款发放（注册申请制，具体条款页 JS 渲染未能公开存档，以登录后页面为准，坑 7）；论文集 Springer OA；冠军代码 MIT。它不是 CC 系列，“LISA 数据 CC BY” 即为错引。

Q20：能商用吗？
未核实。涉及儿科影像数据且条款未公开细化——商用/二次分发前必须登录 Synapse 逐条审阅并与组织方确认。

Q21：论文集在哪、什么许可？
Springer LNCS 16411，open access，章节免费可读；11 篇全文选自 14 份最终投稿；ISBN 978-3-032-14416-4；2026-01-23 出版（坑 8：赛事是 2025、论文集出版是 2026，两个年份并存不互换）。

Q22：组织者是谁？
Natasha Lepore（Children’s Hospital Los Angeles）× Marius George Linguraru（Children’s National Hospital）领衔；首届班底含 KCL、Brown、UCT、Makerere 等。

Q23：数据从哪些国家来？
乌干达（Kawempe 国家转诊医院/Makerere）、南非（UCT CUBIC）、美国（Brown/Rhode Island Hospital）三地低资源采集网络。

Q24：成绩什么水平？
海马 Dice 0.58-0.72、基底节 0.81-0.86、QA weighted F1 0.78-0.84 / composite accuracy 至 0.84。海马赛道远未饱和。

Q25：冠军方案的要点？
三件套：合成/模拟 MRI 扩池 + 域随机化覆盖低场域 + 人工标注质检（good/bad 清单）。代码 MIT 开源（lisasegm），复现门槛最低。

Q26：基础模型（SAM-Med3D）表现如何？
LoRA 微调后海马 Dice 0.70，比同队 nnU-Net 的 0.72 低 2 个点内——能进第一梯队但未反超专用基线（§5.4）。

Q27：和 ULF-EnC 什么关系？
同届姊妹赛（库内 ulf-enc, rid 672）：同一台 0.064T 扫描仪生态、同 Synapse 托管；ULF-EnC 考图像增强（把图变好），LISA 考 QA 与分割（在真图上做题）——上下游配套。

Q28：官方验证集的标签能看到吗？
不能。12 例只发体数据，评测在 Synapse 服务器端完成；本地无金标准，无法复现官方榜单分。

Q29：怎么引用？
主引 LNCS 16411 论文集（编辑 Lepore & Linguraru）+ Synapse syn65670170（数据）+ 具体参赛章节（方案）；BibTeX 三件套见 §6.4。

Q30：适合做预训练吗？
不适合。71 例训练集撑不起从零预训练；它的定位是微调与评测基准，不是预训练语料。

Q31：人口学信息（年龄/诊断）公开吗？
公开粒度粗：挑战赛材料未披露逐例年龄与临床指征。做发育分段或临床亚组研究需自行向组织方确认。

Q32：下一步还可能有第三届吗？
未见官方公告（存照）。观察点：Synapse 项目页更新、MICCAI 官网 challenges 页、uLF 生态（ULF-EnC/装机量）扩张信号。

Q33：想做"高场预训练 → uLF 微调"的跨场实验，怎么设计对照？
三臂设计：①高场权重直接零样本推理（下界）；②高场权重 + 71 例微调（UPF 路线）；③合成数据+域随机化从头/混合训练（UNIL 路线）。对照组数据选库内 ixi-brain（rid 482）等高场队列做"源域"，海马/基底节双侧结构天然对齐。注意所有臂都先过 LISA_QC.csv 质检，否则标签噪声会淹没域偏移效应。

Q34：LISA_QC.csv（good/bad 质检清单）具体怎么用？
UNIL 冠军团队对 71 例训练数据逐例目检"分割与图像对比度是否对齐（尤其沿脑室边界）“，标注 good/bad 两类。用法三种：①训练前过滤（剔除 bad，最保守）；②损失加权（bad 降权，保留数据量）；③做标签噪声研究时当现成的"噪声指示变量”。清单随 lisasegm 仓库 MIT 开源，与官方数据配合使用。

Q35：为什么海马和基底节的难度差这么多？
三个因素乘法叠加：体积差一个量级（海马中位约 1.2-1.3 cm³ vs 豆状核 4-6 cm³ 量级）；边界对比度（海马与海马旁回灰质过渡在 uLF 上几乎连续）；配准误差的相对影响（同样的绝对配准偏差，在小结构上占比更大）。基底节 0.81-0.86 vs 海马 0.58-0.72 的差距在高场文献中同样存在，LISA 只是放大了它。

Q36：QA 任务里"序数损失"到底解决了什么？
0-2 三级是有序类别（1 与 2 的差别是"干扰程度"，不是两个无关类别）。普通交叉熵把三级当独立类别，"把 2 判成 0"与"把 2 判成 1"罚分相同——但前者临床后果严重得多。ordinal loss 让相邻级的误判代价低于跨级误判，与量表的临床语义对齐。UPF 进一步用贝叶斯网络建模七类伪影的共现（如运动↔摆位），把 QA 从七个独立分类器升级为联合模型。

Q37：可以直接用 LISA 数据做增强/重建研究吗？
可以但要认清"真值上限"：79 例体积都是 SRR 重建产物，增强算法的"高分辨率真值"并不存在——最严谨的做法是把增强输出送进下游 QA/分割评测（与 ULF-EnC 生态衔接），而不是只在感知指标上比较（§7.1）。

Q38：数字归数字——这个数据集最可能以哪种方式失败/被弃用？
三个风险点：①单点托管（Synapse 条款或平台变动无镜像兜底，坑 11）；②届次断档（若无第三届，小样本基准的时效性随 uLF 设备迭代衰减）；③标签噪声被忽视（不做 QC 过滤的训练会低估可达上限，反噬数据集声誉）。对应缓解：社区镜像元数据（不违反条款的前提下镜像文档）、关注届次公告、把 QC 清单纳入默认流程。

Q39：数据文件的格式细节？
体数据为 NIfTI 类格式（.nii.gz），1 mm³ 各向同性；QA 标签为 CSV（每扫描一行、七列 0-2 整数）；目录组织按 nnU-Net 惯例（dataset.json + imagesTr/labelsTr，首届口径）。具体文件清单以随数据发放的 README 为准（Synapse 页面 JS 渲染，搜索引擎索引不到细节，坑 7）。

Q40：跨中心差异（乌干达/南非/美国）能当研究变量吗？
谨慎。官方公开材料未披露逐例来源中心标签与人口学——"来源中心"作为协变量的可操作性取决于随数据发放的元数据粒度。若元数据允许，跨中心泛化实验（留一中心）是高价值题目；若不允许，不要凭受试者编号臆测分组。

Q41：能和 ULF-EnC 数据联合训练吗？
方向可行（增强输出作为分割/QA 的预处理输入），但两个挑战赛数据集的受试者重叠关系未公开——联合训练前先确认无受试者泄漏（同一名儿童出现在两个数据集的训练/验证两侧）。最稳妥的联合方式是把 ULF-EnC 模型当冻结的预处理模块，只训下游 QA/分割。

Q42：为什么本地复现不出官方榜单分数？
三重原因：①12 例官方验证集标签不公开（附录 C）；②QA 隐藏测试同样不公开；③各队论文口径的评测协议（聚合方式、提交轮次、结构分组）与官方榜单未必一致（坑 9）。本地分数只能作为相对比较的依据。

Q43：海马分割的错误模式是什么？
参赛论文与冠军 QC 清单指向两类典型错误：①左右混淆/边界外溢——低对比度下海马与海马旁回灰质过渡模糊，分割边界向外漂移；②配准传导的系统性偏移——标签本身在高场勾画后配准回 uLF，非线性畸变部分无法被线性配准吸收，表现为"分割正确但与图像错位"（这正是 QC 清单筛查的目标）。设计后处理时应区分这两类错误的处理策略。

Q44：如果我只想要一句话结论？
LISA 2025 是 uLF 儿科脑影像当前唯一公开考场：79 例 0.064T T2 体积 + 海马/基底节体素标注 + 七类伪影 QA 分级，Synapse 注册获取，论文集 OA——规模小但无可替代，引用时守好 11 坑。

Q45：训练前一定要跑 LISA_QC.csv 过滤吗？
强烈建议但不强制。冠军团队用它剔除分割-图像失配案例；你的三个选项：①剔除 bad（保守，损失数据量）；②bad 降权（折中）；③不处理（作为"原生数据"基线，同时把 QC 过滤当消融项报告）。任何论文若报告 LISA 成绩，注明是否做了 QC 过滤是新的引用礼仪——否则 0.7 上下的海马 Dice 在不同论文间不可比。

Q46：侧脑室标签既然不评测，为什么数据集要提供？
三个用途：①训练辅助——参赛者普遍报告把脑室加入监督能稳定分割边界（大结构梯度引导小结构定位）；②QA 参照——量表判级语义锚定在"皮层下结构可分辨性"，脑室是最容易辨认的参照物；③预处理——脑提取/配准流水线常用脑室做解剖地标。这是"辅助标签的杠杆效应"（§8）的教科书案例。

Q47：怎么验证我拿到的是官方数据而不是伪造镜像？
四步校验：①来源渠道——只有 Synapse（syn65670170/syn55249552）是官方发放口，任何网盘/HF/第三方直链都不官方（坑 11）；②规格核对——spacing 1 mm³ 各向同性、体尺寸约 195-197×233×159-189、T2 单序列（附录 E 第 9 步）；③目录形态——dataset.json + imagesTr/labelsTr 惯例（首届档案口径）；④条款一致性——官方包内附带的使用说明应与 Synapse 页面条款一致，不一致即停用并回报组织方。

事实清单（硬事实 38 条）

1. 全称：Low-field Pediatric Brain Magnetic Resonance Image Segmentation and Quality Assurance Challenge 2025。
2. 缩写：LISA = Low-field pediatric brain magnetic resonance Image Segmentation and quality Assurance。
3. 归属：MICCAI 2025 卫星挑战赛，2025-09-27，韩国大田，half-day（官网名录 H 标记）。
4. 届次：第二届；首届 LISA 2024 挂 MICCAI 2024（摩洛哥）。
5. 组织者/编辑：Natasha Lepore（CHLA；ORCID 0000-0002-8379-674X）× Marius George Linguraru（Children’s National；ORCID 0000-0001-6175-8665）。
6. 论文集：LNCS 16411，Springer Cham，open access，X+133 页，34 图（28 彩）。
7. 收录规模：11 篇全文 / 14 份最终投稿。
8. ISBN 978-3-032-14416-4；e-ISBN 978-3-032-14417-1；章节 DOI 前缀 10.1007/978-3-032-14417-1；印刷版 2026-01-23。
9. 首届论文集：LNCS 15515（Springer，2025）。
10. 扫描仪：Hyperfine SWOOP（Hyperfine, Inc., Guilford, CT），0.064T 永磁便携床旁 MRI。
11. 序列：T2 加权自旋回波，TR 1.5s / TE 5ms / TI 400ms。
12. 采集几何：轴/冠/矢三正交方向各采一组，SRR 融合为各向同性体积。
13. 输出规格：1.0×1.0×1.0 mm³；体尺寸约 195-197×233×159-189。
14. Task 2 规模：79 例 = 71 训练（90%）+ 8 内部验证（10%）+ 官方验证 12 例（标签不公开）。
15. Task 2a 目标：左/右海马；单侧体积参考 0.61-2.32 cm³，中位约 1.2-1.3 cm³（首届口径）。
16. Task 2b 目标：左/右尾状核 + 左/右豆状核（壳核+苍白球整体，不细分）。
17. 辅助标签：左/右侧脑室，不参与官方评测。
18. 标注流水线：高场 T2 勾画 → 九点线性配准回 uLF → 儿科神经放射学家终审。
19. Task 1 语料（首届口径）：432 扫描/144 受试者训练；42/14 验证；27/9 隐藏测试。
20. 七类伪影：noise、zipper、positioning、banding、motion、contrast、distortion；各 0-2 三级。
21. 量表语义：0=无；1=存在且轻度干扰皮层下结构分辨；2=严重干扰。
22. 官方定位：全球首个公开可用的低场强 MRI 数据集（MICCAI Society 官网 “first-ever publicly available low-field MRI dataset”）。
23. 采集网络：乌干达 Kawempe 国家转诊医院（Makerere）、南非 UCT CUBIC、美国 Brown University/Rhode Island Hospital。
24. 首届组织班底：含 Steven Williams（KCL）、Sean Deoni（Brown/Advanced Baby Imaging Lab）、Jeffrey Tanedo、Rahimeh Rouhi、Shreyash Zanjal（CHLA）、Austin Tapp（Children’s National）、Kirsty Donald（UCT）、Victoria Nankabirwa（Makerere）。
25. 赛制：训练/验证/测试同一 Synapse 数据集（MICCAI Society 官网原话）。
26. 首届参与规模：35 份提交 / 10 国 / 4 大洲。
27. 第二届投稿规模：14 份最终投稿 → 11 篇论文。
28. Task 2a 第 1 名：UNIL/CIBM（Vladyslav Zalevskyi、Thomas Sanchez、Busra Bulut、Meritxell Bach Cuadra）。
29. UNIL 方案：合成/模拟 MRI + 域随机化 + 标注质检（LISA_QC.csv good/bad）；同队 Task 2b 第 3 名。
30. Task 2b 第 2 名：Team UPF——nnU-Net 海马 0.72/基底节 0.86；SAM-Med3D LoRA 海马 0.70。
31. Task 1 第 3 名：Team UPF——ordinal loss + 贝叶斯共现建模，composite accuracy 0.84。
32. Task 1 冠军：公开渠道无名次记录（榜单 JS 渲染不可抓）——待核存照。
33. 首届冠军：IISc Vaanathi Sundaresan × Oxford 联队（QA 任务）。
34. RISE 赛道：2025-07-11 开跑，学员限定；CAIAS Nazish Khalid 获 2b 第 2/2a 第 3（非主赛道名次）。
35. 其他基准：ViT+UNETR 队 weighted F1 0.781/海马 0.58/基底节 0.81；SwinUNETR 坐标系集成队海马 0.72±0.17/基底节 0.85±0.05。
36. UNIL 冠军代码 MIT 开源（GitHub: Medical-Image-Analysis-Laboratory/lisasegm）；UPF 代码公开（reitxel/LISA2025TeamUPF）；Task 1 代码公开（RimeT/lisa2025_task1_teamCGP）。
37. Synapse ID：2025 届 syn65670170（wiki 631438）；2024 届 syn55249552。
38. HuggingFace 无官方镜像；官网 lisa-challenge.github.io 存在（参赛论文引用佐证），页面可达性不稳定。

术语表（30 条）

术语	英文	释义
超低场强 MRI	ultra-low-field (uLF) MRI	远低于传统场强的磁共振（本集 0.064T），便携可床旁
永磁体	permanent magnet	无需超导与氦冷的磁体技术，uLF 设备的物理基础
床旁 MRI	point-of-care MRI	推送至病房/监护室床头完成的影像检查
SRR	super-resolution reconstruction	多方向各向异性采集融合为各向同性体积的重建技术
自旋回波	spin echo	本集 T2 加权序列（TR 1.5s/TE 5ms/TI 400ms）
B0 不均匀	B0 inhomogeneity	主磁场空间不均匀，带状伪影与几何畸变的根源
信噪比	SNR (signal-to-noise ratio)	信号与噪声强度比；0.064T 下天然偏低
海马	hippocampus	认知记忆相关皮层下结构，Task 2a 目标
基底神经节	basal ganglia	皮层下核团群；本集限定尾状核+豆状核（Task 2b）
尾状核	caudate nucleus	基底节输入核；体部细长、贴脑室壁
豆状核	lentiform nucleus	壳核+苍白球合称，Task 2b 目标（整体标注）
壳核	putamen	豆状核外侧部
苍白球	globus pallidus	豆状核内侧部
侧脑室	lateral ventricle	辅助监督标签，不参与评测
拉链伪影	zipper artifact	射频/电子泄漏形成的离散亮线
带状伪影	banding artifact	B0 不均匀导致的条纹状伪影
摆位伪影	positioning artifact	头位偏转引起的几何/对比异常
序数量表	ordinal scale	有序但不等距的分级（本集 0-2）；建模需 ordinal loss
共现建模	co-occurrence modeling	建模多标签同时出现的条件依赖（UPF 用贝叶斯网络）
域偏移	domain shift	训练与部署数据分布差异；本集为磁场×人群双域
域随机化	domain randomization	大范围随机化成像参数以覆盖目标域的训练策略
跨磁场学习	across-magnetic-fields learning	高场标注/训练、低场推断的域适应设定
合成数据	synthetic data	模拟器生成、自带真值的训练数据（冠军方案第一支柱）
nnU-Net	nnU-Net	自配置医学分割框架；本赛最强通用基线
LoRA	Low-Rank Adaptation	大模型低秩高效微调；SAM-Med3D 适配手段
Dice	Dice Similarity Coefficient	分割重叠度指标：2
HD/ASSD	Hausdorff / Avg. Symmetric Surface Distance	边界距离类指标，补 Dice 的盲区
PAT	Personal Access Token	Synapse API 鉴权令牌
注册墙	registration wall	需注册+同意条款方可获取的发放模式（相对公开直链）
LNCS	Lecture Notes in Computer Science	Springer 系列；两届论文集所在卷系（15515/16411）

附录

附录 A：条目信息速查卡

项	值
slug	lisa2025
全称	Low-field Pediatric Brain Magnetic Resonance Image Segmentation and Quality Assurance Challenge 2025
类型	MICCAI 挑战赛配套数据集（第二届）
模态/部位	MRI（0.064T T2）/ 脑（皮层下结构，非肿瘤）
人群	儿科（发育期幼儿为主，逐例年龄未公开）
规模	Task 2：79 例（71+8+12）；Task 1：首届口径 432/144（+42/14+27/9）
标注	体素级掩码（高场勾画+配准+专家终审）+ 七类伪影 0-2 分级
指标	Dice/HD/ASSD/rVE；QA 各类准确率/composite accuracy/weighted F1
托管	Synapse syn65670170（2025 届）/ syn55249552（2024 届）
获取	注册申请制（账号+PAT+条款），无直链无 HF 镜像
论文	LNCS 16411（OA，11 篇/14 投稿，ISBN 978-3-032-14416-4，2026-01-23）
冠军	2a：UNIL/CIBM；2b 第 2：UPF；1 第 3：UPF；1 冠军待核
抓取时点	2026-09-27

附录 B：逐项证据链自证

关键声明	证据源（≥2 独立源）
LISA 2025 存在、全称、会期、half-day	① MICCAI 2025 官网 challenges 页 ② Springer LNCS 16411 书页 ③ dblp conf/miccai/2025lisa
“Second MICCAI Challenge”（第二届）	LNCS 16411 副题原话；首届 LNCS 15515 独立存在
首个公开 uLF MRI 数据集	MICCAI Society 新闻页（miccai.org/?p=1165）原话
79 例 / 71+8 / 12 例划分	① Issaiy 等论文（Springer 全文）② RWTH Aachen 存档 PDF ③ RWTH 检索页描述
标签结构（2a/2b/脑室辅助）	① Issaiy 等论文 ② vcasellesb 仓库 ③ RWTH PDF 标签图例
QA 七类伪影与 432/144 口径	① 首届论文全文（Springer Professional 转载）② openmedlab 档案 ③ UPF 方案描述
Task 2a 冠军 UNIL	① CIBM 官网新闻 ② lisasegm README ③ 论文集对应章节
UPF 名次与成绩	① LISA2025TeamUPF README ② 论文集收录其方案章节
首届冠军 IISc×Oxford	IISc CDS 官网新闻（35 提交/10 国/4 大洲）
RISE 赛道名次	CAIAS（Missouri S&T）官网 2025-10-14 新闻
Synapse 双届 ID	① MICCAI 官网直链 ② 参赛者仓库下载指引 ③ selectdataset 档案（2024 届）
HF 无官方镜像	hf-mirror.com API 实查（2026-09-27），命中结果全为无关同名项目
豆状核整体标注	① vcasellesb 仓库（caudate + lentiform=putamen+pallidum）② RWTH PDF（BG L/BG C 标签）

附录 C：数据获取决策树

你要用 LISA 2025 做什么？
│
├─ 只读方法/引用结论
│   └─ → LNCS 16411 免费全文（Springer OA）——零门槛
│
├─ 跑分割模型（Task 2a/2b）
│   ├─ 愿意注册 → §6.1 五步：注册→项目页→条款→PAT→synapseclient
│   │   ├─ 训练：71 例（先跑 lisasegm 的 LISA_QC.csv 过滤失配案例）
│   │   ├─ 调参：8 例内部验证（早停用）
│   │   └─ 榜单：12 例官方验证推理 → Synapse 提交（本地无标签）
│   └─ 不愿注册 → 无官方替代渠道（坑 11）；先读论文+开源代码评估价值
│
├─ 做 QA（Task 1）
│   └─ → Synapse 包内 QA 语料（首届口径 432/144）+ teamCGP Task 1 代码
│
└─ 商用/二次分发
    └─ → 停。先登录 Synapse 审条款 + 联系组织方（儿科数据+条款未公开细化）

附录 D：标签类别映射速查

任务	结构	侧别	入评测	备注
Task 2a	海马 hippocampus	左/右	是	小目标，Dice 上限约 0.72
Task 2b	尾状核 caudate	左/右	是	体部细长贴脑室
Task 2b	豆状核 lentiform	左/右	是	壳核+苍白球整体，无细分通道
（辅助）	侧脑室 lateral ventricle	左/右	否	训练可用、评测剔除

复现守则三条：①官方 Dice 只算"入评测=是"的通道；②两届类别表不同（首届仅海马 2 通道，第二届 8 通道），跨届加载先对 dataset.json；③报告惯例为左右均值+逐侧分解。

附录 E：下载 SOP 检查清单（对照 §2.8 代码骨架）

[ ] 1. Synapse 账号注册（邮箱+机构信息）
[ ] 2. 定位项目页：syn65670170（2025 届）/ syn55249552（2024 届）
[ ] 3. 页面内同意数据使用条款（登录状态可见，坑 7）
[ ] 4. 账户设置生成 PAT（等同密码保管，不入 git）
[ ] 5. pip install synapseclient → syn.login(apiKey=PAT)
[ ] 6. syn.get("syn65670170", downloadLocation=...) 拉取数据
[ ] 7. 核对文件清单：体数据（NIfTI）+ 标注 + QA CSV + README
[ ] 8. 确认官方验证集 12 例只有体数据（无标签=正常，非下载残缺）
[ ] 9. 本地核对 spacing（1mm³）与体尺寸（约 195-197×233×159-189）
[ ] 10. 建立三段划分台账：71 训练 / 8 内部验证 / 12 官方验证，防泄漏

附录 F：LNCS 16411 论文全名录（11 篇）

按论文集分组结构转录（dblp + Springer 书页口径；页码缺项以"—"存照）：

Task 1 —— 自动超低场 MR 图像质量评估

1. BRIQA: Balanced Reweighting in Image Quality Assessment of Pediatric Brain MRI — Alya Almsouti, Ainur Khamitova, Darya Taratynova, Mohammad Yaqub（pp. 3-14）
2. Robust Multi-label Classification of MRI Artifacts in Low-Field Neonatal Brain Imaging via View-Conditional Dual-Task Learning — Cristian Lazo-Quispe, Roberto Espinoza-Chamorro（pp. 15-25）

Task 2b —— 超低场 MRI 基底节自动分割

3. Towards Robust Basal Ganglia Segmentation in Ultra-Low-Field Pediatric MRI via an Optimized MS-TCNet — Yi Liu, Yueyue Zhu, Haotian Jiang, Xiaoyu Bai, Rongqing Cai, Geng Chen（pp. 29-38）

Tasks 2a+2b —— 超低场 MRI 海马与基底节自动分割

4. Segmenting Brain Regions in Low Field Pediatric Brain MR Images Using (Symmetric) nnU-Net ResEnc — Jan Nikolas Morshuis, Matthias Hein, Christian F. Baumgartner（pp. 41-49）
5. Segmenting Infant Brains Across Magnetic Fields: Domain Randomization and Annotation Curation in Ultra-low Field MRI — Vladyslav Zalevskyi, Busra Bulut, Thomas Sanchez, Meritxell Bach Cuadra（Task 2a 冠军方案）
6. Enforcing Anatomical Symmetry with Euclidean Distance Transforms for Low-Field MRI Bilateral Structure Segmentation — （页码存照缺项）
7. Coordinate Transformations Make Segmentation Models More Data-Efficient — Mahbod Issaiy 等（pp. 74-85）
8. Atlas-Augmented Semantic Segmentation for Robust Ultra-Low-Field Pediatric Brain Imaging — （RWTH Aachen 系，页码存照缺项）
9. Automated Pediatric Brain Hippocampal and Basal Ganglia Segmentation in Ultra-Low Field Magnetic Resonance Images — （页码存照缺项）

Tasks 1+2a+2b 联合

10. Application of Vision Transformers to Multi-Task Learning in the LISA 2025 MRI Challenge — （pp. 109-118）
11. Automatic Quality Assurance and Subcortical Brain Segmentation in Pediatric Ultra-Low-Field MRI: Exploring Ordinal Learning and Foundation Model Adaptation — （页码存照缺项）

三处缺项为公开渠道未披露页码，非遗漏——完整页码以 Springer 书页为准（坑 7 同源：JS 渲染页面无法在受限网络存档）。

附录 G：评测指标计算公式表

指标	公式/口径	用途与读法
Dice (DSC)	2·	P∩G
HD95/HD	∩ 两表面点集距离分位/最大值	边界最坏情形；暴露 Dice 看不见的毛刺
ASSD	两表面点集平均对称距离	边界整体偏移量
rVE		V_P − V_G
逐类准确率	7 类伪影各自的 3 级分类 accuracy	QA 分项诊断
composite accuracy	7 类准确率的复合均值	Task 1 主指标（UPF 口径 0.84）
weighted F1	按类样本量加权的 F1	QA 类别不平衡下的补充口径（ViT 队 0.781）

两条口径纪律：①基底节 0.86（榜单口径）与 0.85±0.05（论文集成像协议口径）并存时注明来源性质（坑 9）；②海马成绩显著低于基底节是结构体积差异（约一个量级）所致，跨任务比较无意义。

附录 H：双口径登记表

数字	口径 A	口径 B	处置
分割规模	79 例总量	71+8（自切）+12（官方验证）	三数并存、分别标注用途；"79 例"不含 12 例已标注数据之外的隐含样本
QA 规模	首届 432/144（+42/14+27/9）	2025 届未单列	全文标"首届口径"（坑 3）
基底节 Dice	0.86（UPF 榜单口径）	0.85±0.05（SwinUNETR 论文口径）	并列需先对齐协议（坑 9）
论文年份	赛事 2025（MICCAI 2025）	论文集 2026-01-23（LNCS 16411）	两年份并存不互换（坑 8）
Task 1 冠军	——（无公开记录）	候选线索（BRIQA 团队收录论文）≠名次	留白待核（坑 4）
UNIL 双名次	2a 第 1 + 2b 第 3	同一团队两方案/两任务	引用时分开表述任务

附录 I：MICCAI 2025 同届挑战赛对照表（库内可查部分）

赛项	主题	库内 rid	与 LISA 的关系
LISA 2025	uLF 儿科脑 MRI QA+分割	本条目	—
ULF-EnC	uLF MRI 图像增强	672	同设备生态姊妹赛（上下游配套）
TriALS 2025	非对比 CT 肝病灶	未入库	肝脏赛项真身（坑 1 的"肝脏同名候选"）
FLARE	多器官/泛癌分割	387	腹部分割生态对照
SynthRAD2025	放疗 CT 合成	671	合成数据方法论呼应
TrackRAD2025	MRI 引导放疗追踪	669	同届生态
TUS-REC2025	免探头 3D 超声重建	670	同届生态
SELMA3D	光片显微自监督	681	自监督方法论对照
SICS-155	白内障手术视频	680	同届生态
STSR	牙科半监督分割配准	677	半监督方法论对照
ToothFairy3	CBCT 颌面分割	673	制度对照（runtime 入排名，§3.7）
ODELIA	乳腺 MRI	655	同届生态
REG²	病理报告生成	639	同届生态
TopBrain 2025	全脑血管分割	632	脑部分割同域（高场对照）

（全 40+ 赛项见 MICCAI 2025 官网 challenges 页；本表只列库内有条目或与本条目有辨析/方法论关系的赛项。）

附录 J：QA 七类伪影与床旁场景对照详表

#	伪影	物理成因	床旁高发原因	评分判据要点
1	noise 噪声	SNR 不足的随机涨落	0.064T 信号弱、线圈贴近度有限	灰质/白质纹理是否糊化
2	zipper 拉链	设备/电子泄漏离散亮线	床旁电磁环境（监护仪等）	是否穿越兴趣区
3	positioning 摆位	头位偏转/居中不良	无固定托架、摆放自由度高	双侧对称性是否破坏
4	banding 带状	B0 不均匀条纹	永磁体均匀性+金属环境	条纹是否压住皮层下目标
5	motion 运动	受试者运动	儿科配合度低、免镇静流程	边缘重影程度
6	contrast 对比度	组织对比异常/不足	低场 T2 对比天生衰减	灰白质分辨是否存续
7	distortion 畸变	几何形变	B0 不均匀的几何表现	解剖比例是否失真

评分总纲（官方）：0=无；1=存在且轻度干扰皮层下结构分辨；2=严重干扰。注意判据锚点是"皮层下结构可分辨性"——它把 QA 与 Task 2 的分割可用性直接挂钩，这是 LISA 两任务在临床逻辑上成一体的地方。

附录 K：坑点速查卡（与 §10 十一坑对照）

坑	一句话	高危场景
1	LISA 是儿科脑 MRI，不是肝脏（肝脏=TriALS 2025；勿混 LiTS/LSTS）	检索/选题/归类
2	79（2025 分割）/432（2024 QA 扫描数）/63（2024 海马训练）三数分属两届三任务	规模引用
3	Task 1 2025 届规模未单列，引用 QA 数据须标"首届口径"	元数据著录
4	榜单 JS 渲染不可抓；Task 1 冠军公开无名次记录，只写可证名次	排名引用
5	侧脑室不参与评测，本地侧脑室成绩与榜单无关	复现评测
6	豆状核=壳核+苍白球整体，无单独通道	跨文献对比
7	Synapse 页面/条款/榜单全 JS 渲染；license 按"注册申请制"表述	自动化抽取/许可转述
8	LNCS 15515=首届（2025 出版）、16411=第二届（2026-01-23 出版，OA）；赛事年 2025 与出版年 2026 并存	引用著录
9	跨论文成绩口径不同（榜单 vs 论文自报），并列先对齐协议	数字比较
10	RISE 暑校赛道名次独立于主赛道，混写即张冠李戴	排名引用
11	HF 无官方镜像；数据许可非 CC 系列，“LISA 数据 CC BY” 即错引	资源获取/许可转述

附录 L：检索决策树

搜 "LISA" 医学影像数据集
│
├─ 命中 low-field / pediatric / brain / Hyperfine / 0.064T
│   └─ ✅ 本条目（MICCAI 2025，syn65670170）
│       ├─ 论文 → LNCS 16411（OA）
│       ├─ 数据 → Synapse 注册（附录 E 十步）
│       └─ 代码 → lisasegm（MIT）/ LISA2025TeamUPF / lisa2025_task1_teamCGP
│
├─ 命中 liver / hepatic / CT / tumor
│   └─ ❌ 错误命中 → 真正要找的可能是：
│       ├─ TriALS 2025（MICCAI 2025 肝脏赛，syn65878273）
│       ├─ LiTS 2017 / LSTS（肝脏谱系）
│       └─ 库内：sliver07(347) / atlas-liver-tumor(431) / flare(387)
│
├─ 命中 language model / reasoning segmentation / LLM
│   └─ ❌ 同名 AI 模型 LISA——与本数据集无关
│
└─ 命中 游戏角色 / 人名 / 其他
    └─ ❌ 噪声；加约束词重搜：LISA + low-field + MICCAI

附录 M：维护计划与触发点

1. Synapse 页面可直视时（换环境/平台改版/人工浏览器核对）：补 Task 1 冠军名次（坑 4）、license 条款全文（坑 7）、Task 1 2025 届口径（坑 3）三项存照；
2. Springer 书页可逐章访问时：补齐附录 F 五处页码缺项；核对论文顺序与分组；
3. LISA 2026（若有第三届）官宣时：更新 §4 两届表为三届版本，注意新卷号与年份口径（坑 8）；
4. 任何商用/再分发动作前：登录 Synapse 逐条审条款 + 联系 CHLA/Children’s National 组织方（坑 7、坑 11）；
5. uLF 生态变化时（Hyperfine 装机量、ULF-EnC 后续、UNITY 网络扩张）：更新 §7 生态节与互链权重；
6. 同名污染变化时：每半年复核附录 L 检索树在主流搜索引擎的实际命中（坑 1、坑 11）。

附录 N：本条目生产档案

项	值
写手代理	agentA-lisa2025
开工三查	.lock 创建于 2026-09-27 08:19:02 CST；ps 留痕=5；SQL 查重 %lisa% 0 行；writing/ 无同名产出
核验结论	brief 三处证伪（器官域/模态/病种），LISA 2025 本体存在性五源证实（MICCAI 官网/MICCAI Society/Springer/dblp/参赛仓库）
关键纠正	“多模态 CT+MR 肝脏分割” → “超低场强儿科脑 MRI 分割与质控”；category_tags 剔除 CT 与肿瘤学
成稿结构	frontmatter+INFOBOX+导语 → §0-§11 → DAIMS → FAQ 32 问 → 事实清单 38 条 → 术语表 30 条 → 附录 A-N
临时文件	/tmp/lisa2025_agentA-lisa2025_part{1…5}.md → cat 拼接成稿
双口径存照	79 vs 432/144 vs 63；赛事 2025 vs 论文集 2026；榜单口径 vs 论文口径；首届 QA 口径 vs 2025 未单列
待核存照	Task 1 冠军名次；Synapse 条款全文；附录 F 页码缺项；官网直抓失败（SSL）
互链池	672（主轴）/501/683/476/482/337/347/431/632/639/655/669/670/671/677/673/680/681
自检	check_md.py + preflight_check.py 双零门槛（结果见最终汇报）

附录 O：四条参赛路线配置对照表

从论文摘要与开源仓库可提取的方法配置，五列对齐（"—"为公开材料未披露）：

配置项	UNIL/CIBM（2a 冠军）	Team UPF（2b 第 2/1 第 3）	Team CGP（多任务）	Issaiy 等（坐标变换）
主架构	SwinUNETR 系合成模板管线	nnU-Net / SAM-Med3D	ViT（QA）+ UNETR（分割）	SwinUNETR 三坐标系集成
预训练	合成模板预训练（自建）	nnU-Net 自配置 / SAM-Med3D 权重	ImageNet ViT + SAM-Med3D 编码器	ImageNet/SAM 系（论文口径）
微调策略	域随机化合成数据扩训	LoRA（SAM-Med3D 路线）	两阶段：冻编码器→LoRA 全调	多坐标系分别训练后集成
损失/输出	分割 Dice 系 + 质检过滤	Dice 系；QA 用 ordinal loss+贝叶斯网络	QA 切片级最大聚合	Projection Dice + Coordinate-Aware Soft Hausdorff
标签质检	有（LISA_QC.csv good/bad）	—	—	—
开源	MIT 全开（代码+权重+QC 清单）	代码开、权重申请制	Task 1 代码开	GitHub: mahbodez/LISA25-public
可证成绩	2a 第 1 / 2b 第 3	2b 第 2（0.86）/ 1 第 3（0.84）	F1 0.781/0.58/0.81	0.72±0.17 / 0.85±0.05

读法：五列里最能预测名次的不是架构列，而是"标签质检+数据扩池"两列的组合——这正是 §8.1"数据工程压倒架构创新"结论的表格化。

附录 P：首届→第二届方法迁移对照

方法主题	首届（LISA 2024，LNCS 15515）	第二届（LISA 2025，LNCS 16411）	迁移判断
QA 分类器	DenseNet264×7（每伪影一个二分类器），平均准确率 0.827	ordinal loss + 贝叶斯共现（UPF，0.84）；BRIQA 均衡重加权；视图条件双任务	从"七独立分类器"进化为"结构化联合建模"；量表语义被显式利用
跨场增强	SFNet 超场增强（uLF→SF 图像再 nnU-Net）：海马 0.61→0.71	合成数据+域随机化（UNIL 冠军）	同一"重造先验"思想的两种实现；第二届放弃显式增强、直接在训练分布上覆盖目标域
分割底盘	nnU-Net（SF 图像训练）	(symmetric) nnU-Net ResEnc；MedSAM2/VNet 图谱增强变体	nnU-Net 家族连续两届是"最强默认基线"
任务范围	海马单结构（63 例）	海马+基底节双结构域（79 例）	考纲加宽；难度结构不变（小目标更难）
基础模型	未参与（首届论文明确"无队伍用基础模型"）	SAM-Med3D LoRA（UPF）、UNETR（CGP）等	第二届基础模型成建制入场，但仍未夺魁

附录 Q：QA 方法论的四层递进（给质控算法设计者）

1. 第一层：七个独立分类器——每类伪影一个二分类/三分类头。实现最简，丢掉级间相关与序数语义（首届主流）。
2. 第二层：序数损失——单头多级输出，损失显式编码 0<1<2 的有序性。修正"跨级误判=相邻级误判"的不合理罚分。
3. 第三层：共现结构建模——贝叶斯网络/图模型捕捉伪影间条件依赖（运动↔摆位、banding↔distortion 同源）。UPF 路线，composite accuracy 0.84 的主要来源。
4. 第四层：切片级聚合——3D 体积拆 2D 切片分别判级后聚合（取逐类最大值等），处理"伪影只在部分切片出现"的局部性（ViT 队路线，F1 0.781）。

四层可叠加：生产级 uLF QA 系统的推荐形态是"序数损失+共现先验+切片聚合"三合一，再叠加多视图输入（LISA 数据天然三正交）。

附录 R：超低场/儿科脑 MRI 公开资源 landscape（条目视角整理）

资源	场强	人群	任务	获取	与 LISA 关系
LISA 2025	0.064T	儿科	QA+分割	Synapse 注册	本条目
LISA 2024	0.064T	儿科	QA+海马	Synapse 注册	同源首届（syn55249552）
ULF-EnC 2025	0.064T	未限定	增强	Synapse 注册	姊妹赛（rid 672）
库内高场儿科/青年队列	1.5T/3T	混合	结构分割	各条目自述	跨场对照域
成人 uLF 临床研究（JAMA Neurol 2021 系）	0.064T	成人	临床验证	非公开数据集	临床有效性文献锚点

三点判断：①公开 uLF 儿科分割/QA 语料仅 LISA 系一家——空白即生态位；②uLF 增强侧与分割/QA 侧已各自成赛，端到端 uLF 管线的两块基石齐备；③成人 uLF 文献丰富但数据不公开，LISA 的公开性本身就是稀缺属性。

（本表为条目视角的 landscape 整理，非官方名录；各资源口径以其官方页为准。）

附录 S：常见错误用法清单（反模式 → 正确做法）

#	反模式	后果	正确做法
1	把 LISA 当肝脏数据集引用	事实错误，误导读者（坑 1）	按"超低场儿科脑 MRI 分割+QA"归类
2	写"79 例含官方验证集"	划分口径错误（训练池实际 71+8）	79=71+8；12 例单列
3	写"432 名受试者"	患者数错 3 倍（432 是扫描数）	432 扫描/144 受试者（坑 2）
4	把侧脑室 Dice 计入官方成绩	成绩不可比（坑 5）	官方只算海马（2a）与尾状核+豆状核（2b）
5	把豆状核拆成壳核/苍白球分别报分	与官方标签结构不符（坑 6）	按"豆状核整体"报告，或先做标签合并
6	写"LISA 数据 CC BY"	许可错引（坑 11）	“Synapse 托管、注册申请制；条款以平台为准”
7	引用 Task 1 冠军名号	无法溯源（坑 4）	只引可证名次；冠军留白待核
8	混用 RISE 赛道与主赛道名次	张冠李戴（坑 10）	名次必带赛道与届次限定
9	直接在 79 例上训练不过质检	低估上限、结论被标签噪声污染	先过 LISA_QC.csv 过滤/降权
10	用 LISA 做从零预训练	样本量远不足，白烧算力	定位为微调+评测基准（Q30）

附录 T：下游引用检查清单（10 秒自检）

[ ] 引用的每个名次都带了"任务+届次+赛道"三限定？
[ ] 79 / 432 / 63 三个数字各带任务与届次口径？
[ ] license 表述为"Synapse 注册申请制"而非任何 CC 协议？
[ ] Task 1 冠军留白（未引用任何不可溯源的名号）？
[ ] LNCS 卷号（15515/16411）与出版年（2025/2026）对应正确？
[ ] 论文自报数字与官方榜单名次未混为一谈？
[ ] 侧脑室成绩未出现在任何"官方成绩"语境？
[ ] "儿科脑"三字出现在条目归类里（而非肝脏/肿瘤）？

八项全过，引用即为安全；任何一项不过，回到 §10 对应坑位复读。

附录 U：补充术语对照（正文术语表未收）

术语	英文	释义
脑室边界对齐	ventricular boundary alignment	UNIL 质检的核心目检项：分割与图像沿脑室壁是否一致
失配	misregistration/misalignment	配准误差导致的标签-图像错位；QC 清单的"bad"判据
早停	early stopping	用 8 例内部验证监控泛化、防止 71 例过拟合
提交轮次	submission round	Synapse 服务器评测的计次限制；跨论文成绩差异来源之一
隐藏测试	hidden test set	官方持有标签不公开的评测集（QA 27 张/9 人口径）
泄漏	data leakage	官方验证集信息混入训练的违规；三段划分台账即为防泄漏
序数回归	ordinal regression	把有序级别当有序目标建模（非分类非回归的中间形态）
图谱增强	atlas-augmented	用配准图谱先验辅助分割（RWTH 系论文路线）
各向同性体素	isotropic voxel	三轴等间距（1 mm³）；SRR 的输出形态
层间分辨率	through-plane resolution	单方向采集的弱轴；三正交+SRR 的动机
条款闸门	terms gate	Synapse 使用条款签署这一获取前置步骤
元数据镜像	metadata mirror	在不违反条款前提下对文档/目录做备份性记录

附录 V：诚实边界声明

本条目以下事项不代官方背书，全部按"存照+以官方为准"表述：

1. License 具体文本：Synapse 条款页未能公开存档——本条目只表述"注册申请制"，不概述条款内容；
2. Task 1 冠军名号：公开渠道无名次记录——留白，不采用任何候选推断；
3. BibTeX 补全字段：§6.4 条目中"按惯例补全"的字段（如首届出版地）投稿前以 Springer 官方页核对；
4. 附录 F 页码缺项：五处"—"为公开渠道未披露，非遗漏；
5. 人口学与临床指征：不推测受试者年龄分布与诊断构成；
6. DAIMS 打分：本库体例的标准化评估（非官方评分），依据列可核验；
7. 2025 届 QA 数据规模：不冒用首届口径，两处分开存照。

以上边界的存在本身就是条目方法论的一部分：写不出来的，标注为什么写不出来——这与 §10 十一坑共同构成本条目的可信度底座。

附录 W：三任务考试大纲（参赛/教学两用）

Task 1（QA）考点地图

考点	常见失分	训练策略
序数语义（0-2 有序）	当三分类做，跨级误判代价失真	ordinal loss / 回归+离散化校准
伪影共现	七个独立头互相矛盾	贝叶斯网络/图先验联合建模
类别不平衡	某类伪影样本少，准确率虚高	均衡重加权（BRIQA 思路）、按类报告
局部性	全局池化漏掉局部伪影	切片级判级后聚合
视图差异	轴/冠/矢表现不同	视图条件化输入（首届论文路线）

Task 2a（海马）考点地图

考点	常见失分	训练策略
小目标+弱边界	边界外溢、左右混淆	精细化后处理、对称性约束（欧氏距离变换论文路线）
域偏移	高场权重直接迁移崩掉	合成数据+域随机化（UNIL 路线）
标签噪声	配准传导误差被当真值学习	LISA_QC.csv 过滤/降权
体积误差	Dice 好但体积漂移	rVE/ASSD 进早停指标

Task 2b（基底节）考点地图

考点	常见失分	训练策略
尾状核细长体部	断裂、与脑室粘连误分	贴壁结构专用增强、拓扑约束
豆状核内部分界	在 uLF 上试图分壳/苍	放弃细分——官方就是整体标签（坑 6）
大目标过自信	Dice 虚高掩盖边界毛刺	HD95/ASSD 进模型选择

三张表合起来的教学读法：QA 考"尺度感"（序数+共现），2a 考"精度"（小目标+噪声），2b 考"结构感"（拓扑+整体标签）——三个考点恰好是医学分割算法能力的三个正交轴。

附录 X：临床场景 → 任务映射

临床场景	关键结构	对应任务	定量产出
癫痫定位/随访	海马（萎缩、硬化）	Task 2a	双侧体积、不对称指数
脑瘫/运动障碍	基底节（尾状核、豆状核）	Task 2b	核团体积与发育曲线
缺氧缺血性脑病（HIE）随访	基底节+丘脑区	Task 2b	定量随访基线
发育迟缓筛查	全流程	Task 1 → Task 2	先 QA 闸门再定量
床旁影像质控	—	Task 1	七类伪影分级、重扫决策

两点克制声明：①LISA 数据为健康/正常发育儿科队列（无疾病标注），上表是临床应用方向而非数据集自带标签；②任何诊断级结论需要前瞻临床验证——LISA 的定位是算法基准，不是诊断依据。

附录 Y：条目表格索引（AI 消费者导航）

本条目 20+ 张表格各自回答的问题一览（按出现顺序）：

表	位置	回答的问题
INFOBOX 速览	条目头	一屏内全貌是什么
uLF 物理约束表	§2.1	0.064T 意味着什么
三段划分表	§2.2	79 例怎么分
标签体系表	§2.3	六个结构+一个辅助怎么归任务
采集网络表	§2.6	数据从哪三国来
高场坐标系表	§2.7	库内脑 MRI 条目在"场强轴"上的位置
赛制总览表	§3.1	三任务考什么、什么指标
七类伪影表	§3.2	每类伪影的成因与床旁高发原因
时间线表	§3.5	两届大事记
制度对照表	§3.7	与 ToothFairy3/ULF-EnC 的赛制异同
两届对照大表	§4.1	2024 vs 2025 全维差异
榜单总览表	§5.1	可证名次有哪些
License 三层表	§6.2	数据/论文/代码各什么许可
库内互链表	§9	与哪些条目连读、为什么
DAIMS 五维表	DAIMS 节	AI-Ready 打分与依据
术语表	术语表节	30 个术语的中英对照
速查卡	附录 A	复用时的字段速查
证据链表	附录 B	每个关键声明的独立证据源
双口径登记表	附录 H	哪些数字有两套口径、怎么处置
同届对照表	附录 I	MICCAI 2025 生态定位
QA 伪影详表	附录 J	评分判据要点
坑点速查卡	附录 K	11 坑一行一坑
考试大纲表	附录 W	三任务的考点-失分-策略
临床映射表	附录 X	场景→任务→产出

自动化消费建议：抽取数字用速查卡（附录 A）+ 双口径表（附录 H）；抽取名次用榜单表（§5.1）；抽取许可用三层表（§6.2）——三表覆盖 90% 的下游引用需求。

附录 Z：跨平台检索式模板

四个高频平台的可直接粘贴检索式（均避开坑 1/坑 9/坑 11 的同名污染）：

Google Scholar / PubMed

"low-field pediatric brain" AND (segmentation OR "quality assurance")
"LISA challenge" AND ("low-field" OR "0.064T") AND MRI
Lepore N AND Linguraru MG AND ("low field" OR "ultra-low field")

dblp / Springer

conf/miccai/2025lisa            # 论文集全目（dblp 键）
"LNCS 16411"                    # 卷号直查
"LNCS 15515"                    # 首届卷号

Synapse（登录态）

syn65670170                     # 2025 届项目
syn55249552                     # 2024 届项目
syn65878273                     # TriALS 2025（肝脏——辨析用，勿混淆）

GitHub

lisasegm                                        # UNIL 冠军（MIT，含 LISA_QC.csv）
LISA2025TeamUPF                                 # UPF 方案（nnU-Net + SAM-Med3D LoRA）
lisa2025_task1_teamCGP                          # Task 1 ViT 路线

检索纪律：任何平台命中"liver/hepatic/tumor + LISA"的组合即为错误命中（坑 1）；命中语言模型 LISA 亦然（坑 9）；Synapse 结果必须在登录态核对（坑 7）。

附录 AA：缩写总表

缩写	全称	首现语境
LISA	Low-field pediatric brain magnetic resonance Image Segmentation and quality Assurance	本数据集/挑战赛名
uLF	ultra-low-field	场强分类（本集 0.064T）
MRI	Magnetic Resonance Imaging	模态
QA	Quality Assurance	Task 1
SRR	Super-Resolution Reconstruction	三正交采集的融合重建
DSC	Dice Similarity Coefficient	分割主指标
HD / ASSD	(95%) Hausdorff Distance / Average Symmetric Surface Distance	边界距离指标
rVE	relative Volume Error	体积相对误差
LoRA	Low-Rank Adaptation	SAM-Med3D 微调手段
SNR	Signal-to-Noise Ratio	uLF 物理约束核心
LMIC	Low- and Middle-Income Countries	低资源目标场景
CHLA	Children’s Hospital Los Angeles	组织方（Lepore）
Children’s National	Children’s National Hospital, Washington DC	组织方（Linguraru）
UNIL	University of Lausanne	Task 2a 冠军团队
CIBM	Center for Biomedical Imaging（瑞士）	UNIL 冠军团队的机构联盟
UPF	Universitat Pompeu Fabra（巴塞罗那）	Team UPF（2b 第 2/1 第 3）
IISc	Indian Institute of Science	首届冠军团队
RWTH	RWTH Aachen University	图谱增强论文团队
CAIAS	Center for Artificial Intelligence and Autonomous Systems（Missouri S&T）	RISE 赛道获奖者所属
RISE	RISE-MICCAI（Summer School）	暑校平行赛道
UNITY	UNITY Consortium	uLF 儿科影像联盟生态
PAT	Personal Access Token	Synapse 鉴权
OA	Open Access	LNCS 16411 许可状态
LNCS	Lecture Notes in Computer Science	论文集卷系（15515/16411）
MBZUAI	Mohamed bin Zayed University of AI	BRIQA 团队机构线索
HIE	Hypoxic-Ischemic Encephalopathy	基底节定量的临床场景（附录 X）
BIDS	Brain Imaging Data Structure	受试者编号惯例参照

附录 AB：版本与变更记录

版本	日期	变更	触发
1.0	2026-09-27	初版成稿（brief 核验→三处纠正→五源互证→成稿）	agentA-lisa2025 生产任务
待定	—	Task 1 冠军、license 全文、2025 QA 口径三项补照	§11 维护计划触发点 1
待定	—	附录 F 页码补齐	触发点 2
待定	—	三届版表（若 LISA 2026 官宣）	触发点 3
待定	—	uLF 生态更新（ULF-EnC 后续/装机量/UNITY 扩张）→ §7 互链权重刷新	触发点 5

变更纪律：任何后续修订必须同步更新坑位表（§10/附录 K）与双口径表（附录 H）——数字变了坑就变了，两处不同步是新坑的温床。

---

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：

• bonbid-hie — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 儿科
• brats-pediatric — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 儿科
• hc18 — 共享标签：医学影像 / 医学图像分割 / 挑战赛数据集 / 儿科
• topaneu2026 — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集
• crossmoda2022 — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集
• aims-tbi — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集
• crossmoda-2023 — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集
• promise12 — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集
• mms-2 — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集
• cmrxmotion — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。