LNQ 2023 (lnq) — AI-Ready Wikipedia

INFOBOX — LNQ 2023 一屏速览

维度	内容
本质	MICCAI 2023 官方挑战赛（LNQ workshop）：CT 纵隔内所有短轴径 >1cm 淋巴结的 3D 分割与量化
任务	单类目标 3D 分割——纵隔淋巴结在 CT 里既小又与血管/食管分界模糊，是小目标分割（small object segmentation）的标杆难题
数据	513 患者对比增强胸部 CT（女 239/男 274，2007-2020）：训练 383（部分标注）/ 验证 20 / 测试 100（均全标注）
癌种	前六占约 60%：乳腺癌 80、CLL 74、NSCLC 58、霍奇金 38、SCLC 30、肾细胞癌 25
规格	512×512；层间距训练/验证 3.0mm、测试 3.8mm；面内 0.8-0.9mm；48-656 层（中位 114）
注释	训练集=临床试验工作流部分标注；验证/测试=3D Slicer 4.11 轴向徒手全标注（参照矢状/冠状面）；NRRD 分发
评估	DSC + ASSD，rank-then-aggregate（逐例排名再聚合）+ bootstrap；Kendall’s τ=1 [0.87-1]，名次极稳
参赛	208 队注册 → 16 队（5 国）进验证榜 → 6 队（3 国）进测试；验证期 2023-05-01 至 08-30（每日 3 次提交）
冠军	Skeleton Suns（Deissler et al.）：nnU-Net + 残差编码器 + TotalSegmentator 背景伪标签 + 外部淋巴结数据；DSC 71.2 [63.4-78.6]%、ASSD 2.95 [2.13-5.05]mm（唯一中位 ASSD<3mm）
亚军/季军	IMR（70.0%/4.15mm）、CompAI（69.0%/5.05mm）；四至六名 Hilab、IMI、SKJP（2.5D EfficientNet-B7）
获取	双轨：挑战赛版注册制（grand-challenge）｜TCIA 版 CC BY 4.0 全量公开（35.27GB，2024-08-28，DOI 10.7937/QVAZ-JA09）
论文	MELBA Vol 3，DOI 10.59275/j.melba.2025-d482（2025-01-29 发表）；arXiv:2408.10069（2024-08-19）
提案存档	Zenodo DOI 10.5281/zenodo.7844666（2023-04-19，11 位作者联署）——挑战赛设计先于赛事 5 个月存档
代码可得性	规则强制前 5 名交代码+Docker；季军 CompAI 公开 GitLab 复现仓库；冠军配方三件套均可经开源组件拼装
库内互链	instance2022(645)、amos(76)、totalsegmentator(422)、abdomenct-1k(402)

LNQ 2023 是一场"把分割难题压到最小尺度"的挑战赛：别的比赛在分割肝、脾、肺这些大器官，它只要求勾出纵隔里那些短轴径刚过 1 厘米、紧贴血管与食管的淋巴结。513 例多癌种对比增强胸部 CT、208 支注册队伍、冠军团 dice 系数（DSC）中位数只有 71.2%——这个在器官分割里"不及格"的分数，恰恰是纵隔淋巴结小目标分割当前的世界水平。它由 MICCAI 2023 官方认证，全套数据现已在 The Cancer Imaging Archive（TCIA）以 CC BY 4.0 无限制公开，是 CT 小目标分割方向最值得跑分的公开基准之一。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——TCIA 版 CC BY 4.0 有直链，挑战赛版是注册制，别走错门。
2. 关心挑战赛结果：直奔 §4 挑战赛设计与结果——rank-then-aggregate 评估与六强成绩表都在那里。
3. 想复现冠军：直奔 §5 冠军方案解剖——nnU-Net 残差编码器+背景伪标签+外部数据的三件套配方，以及三条"后处理反噬"教训。

阅读地图（按出发点选路径）：

我要下载数据        -> §1 Q9-Q12 -> §2.7 -> §6 -> 附录 H
我要跑基线          -> §3.3 -> §5.4 -> 附录 K -> FAQ E 组
我要对标成绩        -> §4.4 -> §4.8 -> 附录 C/G
我要设计评测协议    -> §4.3 -> §4.7 -> §7.4 -> 附录 D
我要写引用/数据卡   -> §6.5 -> §7.6 -> §10.1 -> FAQ Q40
我只想快速了解      -> INFOBOX -> §0 -> FAQ A 组

§0 导读：这个数据集解决什么问题

纵隔淋巴结（mediastinal lymph node）是肿瘤分期、放疗靶区勾画和疗效评估的关键解剖结构，但它也是 CT 上最难分割的目标之一：健康成年人的纵隔淋巴结短轴径多在 1 厘米上下，在 3 毫米层厚的 CT 里只占两三层、几十个像素；它的密度与血管、食管接近，边界在窗位里若隐若现；不同观察者对"算不算一枚淋巴结"的判断也不一致。过去十余年，学界为这个问题积累了 CT Lymph Nodes（Roth 等 2015）等数据集，但普遍存在规模小、患者背景单一、缺乏统一评测的问题——模型在各自数据上自我比较，很难说清"纵隔淋巴结分割到底做到了什么水平"。

LNQ 2023（Mediastinal Lymph Node Quantification，纵隔淋巴结量化挑战赛）对这个问题给出了三件套回答。第一件是数据：513 例多癌种对比增强胸部 CT，覆盖乳腺癌、慢性淋巴细胞白血病（CLL）、非小细胞肺癌（NSCLC）、霍奇金淋巴瘤、小细胞肺癌（SCLC）、肾细胞癌等真实临床分布——这不是一个"健康志愿者+几个病例"的玩具集，而是从 2007-2020 年临床试验工作流里攒出来的真实队列。第二件是评测协议：不比单帧 dice，而是 rank-then-aggregate——先在每个病例、每个指标上给所有队伍排名，再聚合名次，配合 bootstrap 重采样给出置信区间；事后验证显示名次的 Kendall’s τ=1，几乎不可撼动。第三件是透明：赛事全程公开（组织方自称 completely open challenge），前五名队伍须提交代码与 Docker 镜像，最终数据在 TCIA 全量公开。

LNQ 2023 的价值主张可以一句话概括：在所有人都说"淋巴结分割很难"的领域，它把"很难"变成了可测量的 71.2%。这个数字同时划定了上界与下界——它告诉算法工程师"别指望开箱即用的分割模型在纵隔淋巴结上复现器官分割的 95%+“，也告诉临床研究者"小目标分割的改进空间还非常大”。

§0 读法三则：

1. 本条目是"数据集+挑战赛复盘+冠军配方"三合一：本体是 513 例 CT 与掩码，挑战赛是评估协议的权威出处，冠军方案是当前最优实践——三者许可与获取方式不同（§6）。
2. 全文硬数字均出自 MELBA 专刊论文（DOI 10.59275/j.melba.2025-d482）、挑战赛官网（lnq2023.grand-challenge.org）与 TCIA 收藏页三源交叉核验；第三方口径冲突已在 §10 八坑逐条存照。
3. 检索时注意命名家族：LNQ / LNQ 2023 / Mediastinal-Lymph-Node-SEG（TCIA collection 名）指的是同一个数据集（坑 6），别只拿一个名字搜。

0.1 为什么偏偏是"1 厘米"

短轴径 >1cm 是放射学报告里"淋巴结值得记录"的经典阈值——它不是解剖学边界，而是几代人临床经验的操作公约数：小于它的淋巴结多数为反应性增生，逐个报告只会淹没信号；大于它则值得进入分期与随访的决策链。LNQ 把这个临床公约数直接搬进任务定义，带来两个好处：模型输出与放射科报告语义对齐（勾出来的每一枚都是"医生会写进报告的"），以及掩码边界有客观标准可依（1cm 卡尺一量，无需猜"标到底算不算"）。

代价同样明确：亚厘米级淋巴结（临床上其实也在看）被排除在监督信号之外。所以 LNQ 的 71.2% 回答的是"临床报告阈值的淋巴结分割"，不是"任意尺寸淋巴结检测"——引用成绩时别混淆这两个问题的范围。

0.2 MICCAI 挑战赛生态里的 LNQ

MICCAI 是医学影像计算的旗舰会议，其卫星挑战赛生态是数据集基准的重要孵化器。LNQ 2023 的时间线是标准的挑战赛节奏：2023 年 4 月提案存档（Zenodo）→ 5-8 月验证榜 → 9 月测试截止 → 10 月 MICCAI 2023 LNQ workshop 公布名次 → 论文与数据随后分批落库（arXiv 2024-08、TCIA 2024-08-28、MELBA 2025-01）。

它在这个生态里的辨识度来自三点：难度定位（不比大器官比小目标，71.2% 的天际线直白地标记了领域边界）；统计自觉（rank-then-aggregate + bootstrap + Kendall’s τ，把"名次可信吗"写进结论）；开放闭环（数据、协议、结果、代码四个环节全部有公开落点）。挑选挑战赛数据集复现时，这三点也是现成的尽职调查清单。

0.3 谁应该用这个数据集

三类用户的三个用法：

1. 分割算法研究者——把 LNQ 当"小目标试金石"：你的模型在大器官上 95%+ 不代表什么，在纵隔淋巴结上先过 60% 再谈架构创新；六强成绩表（§4.4）就是你的对照系。
2. 临床 AI 工程师——把 LNQ 当"现实检查器"：部分标注、层厚不齐、癌种混杂、成团病灶——这些你在产品里迟早遇到的脏东西，基准里全有；先在 LNQ 上跑通，再谈落地。
3. 数据集/评测研究者——把 LNQ 当"协议范本"：双标注协议怎么写、验证集怎么设、名次稳定性怎么报、前排代码怎么强制——§4.3、§7.4 与附录 D 逐条拆好了。

§1 数据集速览：十六问十六答

Q1：LNQ 2023 到底"量"什么？
分割并计数纵隔内所有短轴径大于 1 厘米的淋巴结。>1cm 是影像学上"淋巴结值得报告"的经典阈值，任务因此直接对齐临床工作流：模型输出=每枚淋巴结的 3D 掩码，量化（quantification）由掩码计数与径线测量自然导出。

Q2：513 例是什么构成？
513 名患者的对比增强胸部 CT，女 239、男 274，采集年份 2007-2020，背景以肿瘤患者为主：癌种前六位为乳腺癌 80 例、CLL 74 例、NSCLC 58 例、霍奇金淋巴瘤 38 例、SCLC 30 例、肾细胞癌 25 例，合计约占 60%——分布刻意贴近"纵隔淋巴结在临床上被认真看"的人群。

Q3：切分怎么划的？
随机 76%/4%/20%：训练 383 例、验证 20 例、测试 100 例。训练集为部分标注，验证与测试集共 120 例为全标注——这个不对称是理解本数据集一切坑的钥匙（坑 7）。

Q4："部分标注"是什么意思？
训练集 383 例的掩码来自既往临床试验工作流：当时的临床软件（如 Yunu/PIM）只勾选对治疗决策有意义的淋巴结灶，其余未标注——未标注不等于不存在。验证/测试集则由标注员在 3D Slicer 4.11 里逐层勾出所有可见淋巴结，为全标注。

Q5：影像规格如何？
对比增强 CT，512×512 矩阵，面内分辨率 0.8-0.9mm；层间距训练/验证 3.0mm、测试 3.8mm——测试切片更厚，同一枚淋巴结占的层数更少，任务更难；每例层数 48-656，中位 114 层。

Q6：标注质量如何保证？
验证/测试集标注在 3D Slicer 4.11 中用 Draw 工具沿轴向徒手勾画，勾画每一层时同步参照矢状面与冠状面确认边界，再经医生复核。掩码以 NRRD 格式与影像配套分发（TCIA 版同时提供 DICOM）。

Q7：挑战赛怎么评？
两个指标：DSC（Dice 相似系数）与 ASSD（平均对称表面距离）。聚合方式为 rank-then-aggregate——先在每个病例、每个指标上把所有队伍排名，再对名次求平均得出最终 rank score；配合 bootstrap 重采样给出置信区间。

Q8：名次稳定吗？
稳定到罕见：bootstrap 下的 Kendall’s τ=1（95% CI 0.87-1），即重采样几乎不改变六强排序。引用"冠军是 Skeleton Suns"时不需要加任何"可能变动"的限定。

Q9：参赛规模多大？
208 支队伍注册，16 支（来自 5 个国家）进入验证榜，6 支（3 个国家）进入测试榜。验证期 2023-05-01 至 2023-08-30，每队每日最多 3 次提交；测试提交截止 2023-09-20；名次在 MICCAI 2023 的 LNQ workshop 上公布。

Q10：成绩是什么水平？
冠军 Skeleton Suns：DSC 中位 71.2%（置信区间 63.4-78.6%）、ASSD 中位 2.95mm（2.13-5.05mm），是六强中唯一 ASSD 中位数低于 3mm 的队伍；亚军 IMR 70.0%/4.15mm；季军 CompAI 69.0%/5.05mm。作为对照，主流器官分割基准上 nnU-Net 类模型的 DSC 普遍 90% 以上——70% 出头就是小目标的现实。

Q11：冠军赢在哪？
三件套：nnU-Net 框架+大容量残差编码器（ResEnc）作基座；用 TotalSegmentator 的器官预测做背景伪标签，让模型"顺便"学会纵隔里哪些不是淋巴结；再用 TCIA CT Lymph Nodes 与 Bouget 2023 精修版等外部全标注淋巴结数据预训练。没有魔法，全是数据工程。

Q12：我现在能拿到什么？
双轨：挑战赛版在 grand-challenge.org 注册后经算法容器访问；TCIA 版（collection 名 Mediastinal-Lymph-Node-SEG）已于 2024-08-28 全量公开，CC BY 4.0，35.27GB，含 513 例全部影像与掩码——做研究走 TCIA 直链即可。

Q13：这堆名字（LNQ/LNQ 2023/Mediastinal-Lymph-Node-SEG）是一回事吗？
是。LNQ 与 LNQ 2023 是挑战赛名，Mediastinal-Lymph-Node-SEG 是数据在 TCIA 的 collection 名，LNQ-MELBA 是专刊论文口径。检索时建议全名族并查，只拿一个名字会漏资源（坑 6）。

Q14：官网在哪，能看到什么？
lnq2023.grand-challenge.org——任务定义、规则（前五名交代码+Docker）、评估指南（rank-then-aggregate 细节）与排行榜页都在；部分子页面为动态渲染，核心数字以 MELBA 论文为准。

Q15：谁在背后？
组织委员会跨 NYU Langone Health、Brigham and Women’s Hospital、MIM Software、Case Western Reserve University、University of Twente 等机构，代表人物含一作 Anahita Dorent、Andriy Fedorov、Awais Mansoor、Wenkui Yu；提案阶段即有 11 位作者联署存档。

Q16：它和十年前那批淋巴结分割数据集什么关系？
继承者与整合者：TCIA CT Lymph Nodes（Roth 2015）等提供了早期数据点，LNQ 用"真实临床队列+统一评测协议+权威榜单"把它们收进一个可比的框架——冠军方案甚至直接用那些老数据当外部训练资源（§5.2）。

§2 数据构成与规格

2.1 总体规模与切分

LNQ 2023 数据本体的骨架是一张 513 例的切分表：

切分	例数	占比	标注协议	层间距	用途
训练集	383	~76%	部分标注（临床试验工作流）	3.0mm	参赛队自行训练
验证集	20	~4%	全标注（3D Slicer 4.11）	3.0mm	验证榜实时评测
测试集	100	~20%	全标注（3D Slicer 4.11）	3.8mm	终榜评测（挑战赛期私有）
合计	513	100%	—	—	—

三个设计动机值得展开：

1. 测试集切厚层（3.8mm）是有意加难。训练/验证用 3.0mm 层间距，测试用 3.8mm——同一枚 1cm 淋巴结在 3.0mm 层里占 3-4 层，在 3.8mm 层里可能只占 2-3 层，3D 上下文更稀薄。这模拟了真实临床里"机器不同、协议不同、层厚不齐"的困境，也是测试集 DSC 普遍低于验证榜的结构性原因之一。
2. 验证集只有 20 例，是刻意的。验证榜每日可提交 3 次、持续近 4 个月，如果验证集大，参赛队会把它当第二个训练集过拟合；20 例刚好够区分好坏，不够喂饱过拟合。
3. 测试集 100 例提供统计功效。bootstrap 重采样要在例数上做文章，100 例让置信区间不至于宽到没意义——冠军 DSC 的 63.4-78.6% 区间就是在这 100 例上算出来的。

2.2 患者背景与癌种分布

数据来自 2007-2020 年间的多中心临床试验队列，性别比女 239:男 274。癌种背景的前六位（合计约 60%）：

癌种	例数	备注
乳腺癌	80	纵隔淋巴结是乳腺癌分期常规评估区
CLL（慢性淋巴细胞白血病）	74	血液系统肿瘤，纵隔淋巴结肿大常见
NSCLC（非小细胞肺癌）	58	纵隔淋巴结分期直接决定治疗策略
霍奇金淋巴瘤	38	论文专项分析：显著更难（bulky/成团淋巴结）
SCLC（小细胞肺癌）	30	纵隔侵犯高发
肾细胞癌	25	淋巴转移路径可经纵隔

这个分布有两个直接的工程含义：

• 标签语义随癌种漂移。不同临床试验对 “>1cm 需要勾画” 的实操标准不同（例如淋巴瘤试验关注 bulky 病灶、肺癌试验关注分期站点），训练集的部分标注因此带有癌种相关的工作流烙印——这不是缺陷而是真实临床的写照，但用它训练时要知道自己在学什么。
• 霍奇金淋巴瘤是"难度放大器"。MELBA 论文的专项分析显示，霍奇金病例的成团（conglomerate）与巨大（bulky）淋巴结显著拉低分割成绩（组间差异检验 p 值落在 0.009-0.27 区间）——成团淋巴结连"算一枚还是几枚"都成为评分歧义源。

2.3 影像规格参数表

参数	数值
模态	对比增强 CT（ceCT）
矩阵	512×512（面内）
面内分辨率	0.8-0.9 mm
层间距	训练/验证 3.0mm；测试 3.8mm
每例层数	48-656 层（中位 114）
采集年份	2007-2020
分发格式	NRRD（影像+掩码配套）；TCIA 版另含 DICOM 原始序列

2.4 标注对象：什么是"一枚淋巴结"

任务定义是纵隔内所有短轴径 >1cm 的淋巴结。这个定义带来三个边界效应：

1. 单类目标。掩码里只有"淋巴结"一类，不区分站点（station）、不区分良恶性、不区分转移与否。站点归属与性质判断留给下游模型——LNQ 只解决"找出来、描出来"。
2. 1cm 阈值以下的淋巴结不在掩码里。纵隔里大量 5-9mm 的小淋巴结在真实临床中也会被放射科医生观察，但它们不构成本数据集的监督信号——把 LNQ 模型直接用于全淋巴结检测时，会系统性漏掉亚厘米级目标。
3. 每例淋巴结数量从个位数到数十个不等。部分标注的训练集里，数量由当年临床试验的勾画范围决定；全标注的验证/测试集里，数量由该患者的解剖决定。论文未给出逐例淋巴结总数的中位数统计，引用时不要自行推算。

2.5 数据字典（TCIA 版字段视角)

字段/内容	说明
Subject ID	患者级唯一标识（513 个）
Series	每患者影像序列（共 1,026 个 series；66,870 幅图像）
影像文件	DICOM 原始序列 + NRRD 体数据
掩码文件	NRRD，单标签体数据（淋巴结=1，背景=0）
Collection 名	Mediastinal-Lymph-Node-SEG（TCIA 收藏页口径）
DOI	10.7937/QVAZ-JA09
总体积	35.27 GB
License	CC BY 4.0

字段语义三条注意：①"images 66,870"是 DICOM 层面计数（series×层数），不是 66,870 个独立样本——患者级样本量永远是 513；②"1,026 series"多于患者数，因部分患者含多个序列（如平扫+增强或多次采集），训练时按患者分组防泄漏；③manifest 下载按 series 组织，落盘后要按 Subject 重组目录再建索引（附录 H Step 5）。

2.6 与同类 CT 数据集的规模对位

把 LNQ 放进库内 CT 条目的坐标系里看，它的"小"是刻意的精准：

数据集	规模	目标	与 LNQ 的关系
instance2022(645)	3,060 例腹部 CT	13 器官全标注	大器官全监督范式，DSC 普遍 85%+
AMOS(76)	600 例（CT+MRI）	15 器官	多模态器官分割，任务难度低于小目标
TotalSegmentator(422)	1,204 例全身 CT	104 结构	LNQ 冠军方案的背景伪标签直接来源
AbdomenCT-1K(402)	1,000 例腹部 CT	多器官	大规模器官分割的代表
LNQ 2023	513 例胸部 CT	纵隔 >1cm 淋巴结（单类）	小目标单类分割的专项基准

同样是"CT+3D 掩码"，器官分割的 DSC 天花板在 90% 区间，而纵隔淋巴结的世界水平只有 71.2%——这个落差本身就是 LNQ 存在的理由。

为什么小目标会难出 20 个百分点？难度来源可以拆成四层，层层叠加：

1. 物理层：1cm 目标 × 3mm 层厚 = 目标在 z 轴只有 3-4 层，3D 上下文极度稀薄；层间部分容积效应让边界层的密度值失真。
2. 对比层：淋巴结与周围血管、食管的 CT 密度接近，常规纵隔窗里"边界"更多是经验判读而非物理突变——这是与肝包膜、肺纹理这类高对比边界的本质区别。
3. 语义层：什么算一枚（成团怎么拆）、勾到血管壁还是留缝隙、1cm 阈值卡在哪个径线——每个判定都有观察者间方差。
4. 评测层：目标小意味着一像素的边界差在 DSC 里被放大——同一个模型，器官分割的 DSC 波动 0.5 个点，淋巴结分割可能波动 5 个点。

这四层解释了为什么 LNQ 六强全部在"数据工程"而非"架构"上做文章（§5.5）：物理与对比层的天花板模型改不了，语义层被协议锁死，剩下能动的只有数据。

2.7 获取与下载实操（TCIA 轨）

TCIA 版的下载有三条常规路径，按顺手程度排序：

1. NBIA 下载器 + manifest。在 TCIA 收藏页（DOI 10.7937/QVAZ-JA09）选 “Download -> Image” 生成 manifest 文件（.tcia 格式），再用 NBIA Data Retriever 打开 manifest 批量拉取——适合要全量 35.27GB 的场景。
2. REST API 逐例抓取。TCIA 的 REST 接口可按 collection 名 “Mediastinal-Lymph-Node-SEG” 列出 513 个 Subject 与 1,026 个 series，按需下subset——适合只要验证 20 例做快速评测的场景。
3. 第三方镜像。部分聚合站点提供转存，但 LNQ 的第三方口径讹误多（坑 1/坑 2），镜像的切分描述未必可靠——数据本体以 TCIA 原站为准。

下载后的目录语义：每个 Subject 下含原始 DICOM 序列与 NRRD 体数据（影像+掩码同几何对齐）。建议下载完先抽验三件事：体数据尺寸与 DICOM 层数一致、掩码非空且仅含值 0/1、验证/测试例的掩码连通域个数与论文口径量级相符（个位数到数十枚）。

2.8 Python 读取骨架（标准库用法）

以下为 NRRD 路线的最小读取骨架（工具用法示例，非官方加载器——LNQ 无官方 Python 加载器，这是互操作性扣分项，见附录 B）：

import SimpleITK as sitk
import numpy as np

# 影像与掩码（NRRD 路线）
img = sitk.ReadImage("train_001_image.nrrd")
seg = sitk.ReadImage("train_001_mask.nrrd")

a_img = sitk.GetArrayFromImage(img)   # (Z, Y, X)
a_seg = sitk.GetArrayFromImage(seg)   # 同几何对齐，单标签体

# 几何信息（层间距在 z 轴：训练/验证 3.0mm，测试 3.8mm）
spacing = img.GetSpacing()            # (sx, sy, sz)
print("spacing:", spacing, "shape:", a_img.shape)

# 掩码自检：非空、二值、连通域粗计数
vals = np.unique(a_seg)
assert set(vals.tolist()) <= {0, 1} and a_seg.sum() > 0

from scipy import ndimage
nodes, n_nodes = ndimage.label(a_seg)     # 3D 连通域 ≈ 淋巴结枚数（粗口径）
print("连通域（≈淋巴结枚数）:", n_nodes)

两点提醒：其一，ndimage.label 数出来的是 3D 连通域，成团淋巴结会被算作一个连通域——这不是"枚数"的医学口径，只是数据自检的粗代理；其二，验证/测试集的连通域应在个位数到数十个量级，若拿到几百个连通域大概率是读错了文件或几何没对齐。

2.9 层厚与重采样的工程注意事项

训练/验证 3.0mm 与测试 3.8mm 的层厚差（坑 8）落到工程上是三件事：

1. nnU-Net 会自动处理，但你要知道它处理了什么。nnU-Net 按训练集的 median spacing（约 0.8×0.8×3.0mm）配置网络与采样；推理测试集时它自动重采样到训练 spacing 再回来——这个过程对用户透明，但意味着你在测试集上的真实"原始分辨率成绩"与重采样后的成绩不是一回事。
2. 自己写管线时的对齐策略。若自建训练管线，建议把所有数据重采样到统一 spacing（各向同性 1.0-1.5mm 或保持面内原始分辨率、层向插值到 2-3mm）；淋巴结是小目标，层向过度下采样会让 3 层高的目标直接消失。
3. 评测时的几何一致性。DSC 对重采样敏感但不致命，ASSD 以 mm 计——评测前务必确认预测掩码被拉回原始 spacing 再算指标，否则表面距离会被层厚放大或缩小。

2.10 三个常见下载陷阱

1. 第三方镜像的口径污染。聚合站点对 LNQ 的描述讹误率高（540 例、393 例等，见坑 1/坑 2），其"转存数据"的切分与元数据未必与官方一致——数据本体与切分信息只认 TCIA 原站与论文。
2. NRRD 与 DICOM 几何漂移。同一患者的 DICOM 序列与 NRRD 体数据应在同一几何系，但个别工具链在格式转换时会引入方向（LPS vs RAS）或原点差异——混用两种格式训练前，先抽验影像与掩码的 GetDirection()/GetOrigin() 一致。
3. 层间距字段想当然。有人假设全数据集层间距统一为 3.0mm——测试集是 3.8mm。任何按统一 spacing 写死的预处理（如按层厚换算物理尺寸的逻辑）都要加分支。

§3 注释流水线：一套数据、两套协议

3.1 为什么会有两套协议

LNQ 的训练集不是为挑战赛新标的数据，而是从既有临床试验工作流里"回收"的：这些病例当年在临床软件（如 Yunu、PIM）里做过淋巴结勾画，勾画的动机是治疗——放疗靶区、疗效评估、分期记录。临床工作流只关心"这个患者当下需要评估的淋巴结"，因此掩码只覆盖临床相关灶，这就是部分标注（partial annotation）。

验证集与测试集则是为挑战赛新建的：组织方召集标注员，在 3D Slicer 4.11 中按统一协议勾画每例的所有可见淋巴结（>1cm），这是全标注（exhaustive annotation）。

两套协议的差异不是"粗标 vs 精标"，而是覆盖语义的根本不同：

维度	训练集（部分标注）	验证/测试集（全标注）
勾画动机	临床决策（治疗相关灶）	基准评测（穷尽所有 >1cm）
勾画工具	临床软件（Yunu/PIM 等）	3D Slicer 4.11（Draw 工具）
勾画方式	沿用试验协议，逐灶勾选	轴向逐层徒手勾画，参照矢状/冠状面
未标注区域含义	可能存在未报告的淋巴结	视为真阴性背景
模型训练风险	检出未标注淋巴结会被计为假阳性	无此风险

3.2 全标注协议的实操细节

MELBA 论文对验证/测试集的标注流程给出了可复现的操作描述：

1. 工具与版本：3D Slicer 4.11，内置 Draw（Labelmap）工具。
2. 勾画平面：以轴向（axial）逐层徒手描边为主平面。
3. 交叉参照：每层勾画时同步查看矢状面与冠状面重建，确认淋巴结的 3D 边界——淋巴结与血管的粘连区在轴向上最难判，冠状面往往能分开"上下两枚"还是"同一枚"。
4. 纳入标准：短轴径 >1cm 且位于纵隔内。
5. 复核：标注完成后经医生复核。

这套协议值得注意的一点是它的"手绘"属性：没有用半自动工具（区域生长、水平集）预生成再人工修边，而是逐层徒手勾画——这保证了边界语义的一致性（全部出自同一勾画标准），代价是边界可能带有 1-2 像素的徒手抖动。对 ASSD 这种以毫米计的表面距离指标，徒手抖动是不可忽略的噪声底，也是为什么 ASSD 的置信区间（如冠军的 2.13-5.05mm）比 DSC 的更宽。

3.3 部分标注对训练的实际影响

如果你打算用训练集训练，必须处理部分标注的假阴性标签噪声：模型检出了一枚真实的淋巴结，但当年临床试验没勾它，损失函数会把它当假阳性惩罚。三种常见应对（论文及参赛队实践口径）：

1. 直接硬训。接受噪声——部分标注来自真实临床，模型学到的工作流语义与评测语义虽不完全一致，但冠军方案证明这条路能走通（配外部数据补充监督）。
2. 外部全标注数据混合。Skeleton Suns 的核心配方之一：用 TCIA CT Lymph Nodes（Roth 等 2015）与 Bouget 2023 精修版这些全标注淋巴结数据做预训练或联合训练，给模型"穷尽式"监督的先验，再在 LNQ 部分标注上微调。
3. 伪标签/一致性策略。对训练集做初次预测，把高置信度但未标注的区域从损失里排除或转正——六强方案里有队伍采用类似思路，但论文未逐一披露细节，复现时以各队论文为准。

3.4 标注一致性：LNQ 没有给你答案的地方

诚实地说：LNQ 论文没有报告验证/测试集标注的观察者间一致性统计（例如双标 Kappa 或 Dice）。这意味着"全标注"本身作为 ground truth 的不确定度是未量化的。两处间接证据提示这种不确定度真实存在：

• 霍奇金成团淋巴结的评分离散（"算一枚还是三枚"直接影响 DSC 与计数）；
• ASSD 指标对边界语义高度敏感（表面距离 1mm 的判定差异就会进入指标）。

对使用者的建议：把 LNQ 的全标注当作"协议化的参考标准"而非"解剖学真理"，报告成绩时引用官方置信区间，不要自行把 DSC 小数点后的差异解读为方法学优劣——rank-then-aggregate + bootstrap 的整套设计就是为了让结论停在"名次"这个它能支撑的粒度上。

3.5 标注成本的量级感受

论文未披露逐例标注耗时，但可以用协议参数做个量级推算：全标注每例需处理 48-656 层（中位 114 层），逐层徒手勾画每层几十秒量级，加上矢状/冠状面交叉核对与复核环节——单例人力成本在"小时"量级，120 例全标注是"人月"量级的工程。这也是为什么挑战赛只对 120 例做全标注、训练集直接回收临床部分标注：穷尽式标注的边际成本，在 513 例全量上不可承受。这个约束不是 LNQ 独有，而是整个医学分割数据集生态的共性——理解了它，就理解了为什么"部分标注+外部数据"会成为冠军配方而不是权宜之计。

3.6 为什么挑战赛敢用部分标注的训练集

一个合理的疑问：既然部分标注有假阴性噪声，为什么不重新全标训练集？三个原因让组织方保留了两套协议：

1. 生态真实性。临床工作流的部分标注恰恰是"真实世界里你能拿到的数据"——任何声称服务临床的模型，最终都要面对这种带缺口的数据。
2. 评测纯净性。验证/测试集全标注保证了评测信号无歧义——训练端可以脏，评测端不能脏，这是基准设计的底线。
3. 外部数据补偿通道。规则允许使用外部公开数据，全标注淋巴结数据（Roth 2015、Bouget 2023）成了天然的监督补充——冠军方案证明了这条通道有效。

换句话说，LNQ 把"数据不完美"本身设计进了任务：它考的不只是模型架构，还有参赛队处理真实世界标签缺口的数据工程能力——这正是它区别于"干净玩具基准"的地方。

3.7 数据集设计流派里的 LNQ

把 LNQ 放进"医学分割数据集是怎么来的"的谱系里，能看到三种流派：

流派	做法	代表	优势	代价
新采集型	为数据集专门立项采集+标注	AMOS(76) 等多中心项目	协议统一、元数据齐	成本高、周期长
临床回收型	回收既有临床工作流的影像与标注	LNQ 训练集	真实分布、边际成本低	标注语义不统一（部分标注）
重标注/精修型	对既有公开数据补新标注	Bouget 2023（精修 Roth 2015）	修正历史质量问题	受制于原数据可用性

LNQ 的聪明之处在于组合：本体走临床回收型拿真实分布与规模，验证/测试集按新采集标准补全标注，再开放外部数据通道让重标注型资源（Bouget 2023）进来补监督。三条流派各取所长——这个组合结构本身就是可复用的数据集工程模板。

3.8 两代勾画工具链的差异

训练集（临床软件勾画）与验证/测试集（3D Slicer 勾画）的差异，除了覆盖语义，还有工具代际差：

维度	临床软件（Yunu/PIM 等）	3D Slicer 4.11（验证/测试）
设计目标	治疗工作流（靶区、疗效、分期记录）	通用科研标注
勾画交互	按临床协议逐灶快速勾选	Draw 工具逐层精勾+多平面核对
交叉参照	视临床场景而定（通常仅轴向）	轴向主勾+矢状/冠状同步核对
输出语义	“治疗需要的灶”	“所有 >1cm 淋巴结”

对使用者的实操含义：训练集掩码的边界质量与覆盖范围都带着"临床节奏"的痕迹——勾得快、勾得省，松边界与漏灶并存。这不是要你歧视这批数据（冠军硬训照样赢），而是提醒：在训练集上算出的任何"掩码统计"（平均枚数、平均体积）都不是全标注口径，做数据统计时只用验证/测试 120 例。

§4 挑战赛设计与结果

4.1 赛制时间线

节点	日期/规则
提案存档	Zenodo DOI 10.5281/zenodo.7844666（2023-04-19，11 位作者联署）
验证榜开放	2023-05-01
验证榜关闭	2023-08-30（每队每日最多 3 次提交）
测试提交截止	2023-09-20（测试集数据不下发，容器推送至 grand-challenge 执行）
名次公布	MICCAI 2023（2023-10）LNQ workshop
论文预印	arXiv:2408.10069（2024-08-19）
数据全量公开	TCIA 2024-08-28（CC BY 4.0）
专刊论文	MELBA Vol 3，DOI 10.59275/j.melba.2025-d482（2025-01-29）

4.2 参赛漏斗与开放承诺

208 支队伍注册 → 16 支（5 个国家）进入验证榜 → 6 支（3 个国家）进入测试榜。组织方在官网强调这是 completely open challenge——数据、评测协议与参赛结果全部公开，并且规则页明确：最终榜前五名队伍须提交代码与 Docker 镜像。这条"给名次就交代码"的规则让 LNQ 的前排成绩全部具备可复核性，在挑战赛生态里属于少见的硬要求。

评估在 grand-challenge 平台经算法容器进行：参赛队上传推理容器，平台在隔离环境里跑验证/测试集，参赛队自始至终接触不到测试影像本体（挑战赛期间）。这也是为什么测试集 DSC 的"私有→公开"时间线值得单独存照（坑 3）。

赛制的三个防作弊细节（各对应一类常见榜单污染）：

1. 测试数据不下发（对治"下载测试集调参"）：推理只在平台的容器环境里发生，测试影像在挑战赛期出不了机房。
2. 每日 3 次提交限额（对治"把验证榜当训练信号"）：把榜单试错的边际成本抬高，四个月窗口内的有效迭代次数被物理限制。
3. 验证集仅 20 例（对治"验证集过拟合"）：样本少到无法支撑精细的验证集爬坡，名次聚合进一步吸收残余抖动。

三条合起来构成一个设计立场：榜单的可信度不是靠参与者自律，而是靠机制把作弊路径堵死——这是后来者设计挑战赛时最值得逐条对照的清单。

4.3 评估协议：rank-then-aggregate

LNQ 的评估设计是它对方法学社区的主要贡献之一，核心三步：

1. 逐例逐指标排名。对每个病例，把所有队伍在该病例上的 DSC 排名、ASSD 排名（ASSD 越小越好）。
2. 聚合名次。对名次求平均，得到每支队伍的综合 rank score——直接比较名次而非原始分数，天然免疫离群病例对均值的拉扯。
3. bootstrap 置信。对测试集做 bootstrap 重采样，检验名次的稳定性——结果 Kendall’s τ=1（95% CI 0.87-1），重采样几乎不改变六强排序。

为什么这很重要：医学分割挑战赛的经典痛点是"A 队 DSC 71.2%、B 队 71.0%，就差 0.2 个点，换批数据排名可能颠倒"。rank-then-aggregate + bootstrap 把这种脆弱性显式量化了——LNQ 用数据证明自己的名次不是抽签，而是结构性差距。后来者引用 LNQ 结果时，正确姿势是引用名次与置信区间，而不是裸比较 DSC 小数。

4.4 六强成绩表（MELBA 论文口径）

名次	队伍	Rank score	DSC 中位 [95% CI]	ASSD 中位 [95% CI]（mm）	备注
1	Skeleton Suns	2.1	71.2 [63.4-78.6]%	2.95 [2.13-5.05]	唯一 ASSD 中位 <3mm
2	IMR	—	70.0%	4.15	最小尺寸后处理反噬（见 §5.3）
3	CompAI	—	69.0%	5.05	误删小组件导致掉名（见 §5.3）
4	Hilab	—	—	—	论文 Table 2 收录方法细节
5	IMI	—	—	—	最小尺寸后处理反噬案例之一
6	SKJP	—	—	—	2.5D EfficientNet-B7 路线

未列出的名次细节（四至六名的具体 DSC/ASSD 数值）以论文 Table 3 为准；本条目只把三源核验过的数字写进硬事实，避免转引误差。四至六名的方法特征是核验过的：SKJP 走 2.5D EfficientNet-B7 路线（六强中唯一非 nnU-Net 系基座），Hilab 与 IMI 的完整成绩见论文。

六强方法特征对比（论文 Table 2 口径的定性拆解）：

队伍	基座	关键组件	外部数据	后处理教训
Skeleton Suns（1）	nnU-Net + ResEnc	TotalSegmentator 背景伪标签	CT Lymph Nodes + Bouget 2023	无（靠数据工程而非输出端剪刀）
IMR（2）	nnU-Net 系	—	有	最小尺寸后处理负收益
CompAI（3）	nnU-Net 系	—	—	误删小型连通域，从榜首滑落
Hilab（4）	论文 Table 2 收录	—	—	—
IMI（5）	nnU-Net 系	—	—	最小尺寸后处理负收益
SKJP（6）	2.5D EfficientNet-B7	2.5D 路线	—	—

（"—"为论文未在定性拆解中突出的维度；完整细节以论文 Table 2 为准。）

六强的三个结构性结论：

1. 全监督完胜。六强全部是全监督方案，弱监督/半监督路线没有进入前排——在部分标注的训练集上，外部全标注数据的补充（如冠军方案）比"巧妙利用噪声标签"的算法创新更有效。
2. nnU-Net 系基座统治。六强中五支以 nnU-Net 或其变体为基座，唯一例外的 SKJP 用 2.5D EfficientNet-B7 仍居末位——小目标分割的技术底座与大器官并无二致，差距在数据工程。
3. DSC 70% 是一条整齐的天际线。前三名挤在 69-71.2% 的窄带里，说明方法差异（4-5 个百分点）远小于任务本身的难度（对比器官分割的 90%+）。

4.5 霍奇金淋巴瘤：难度不是均匀分布的

论文的失败案例分析给出一个值得单独立碑的发现：霍奇金淋巴瘤病例的成绩显著更差。bulky（巨大）与 conglomerate（成团）淋巴结让两类指标同时恶化——成团病灶的"枚数歧义"直接冲击计数类量化，巨大病灶的异质内部（坏死区、融合边界）拉低表面距离。组间差异检验的 p 值区间为 0.009-0.27（不同子分析口径）。

对使用者的含义：如果你用 LNQ 评测自己的模型，按癌种分层报告比报一个总分更有信息量——一个在 CLL 病例上 75%、在霍奇金病例上 55% 的模型，和一个均匀 65% 的模型，临床含义完全不同。

4.6 验证榜 vs 测试榜：数字落差怎么读

参赛队普遍观察到验证榜成绩高于测试榜成绩，这个落差有三个结构性来源，读数字时先扣除：

1. 层厚差（坑 8）：验证 3.0mm vs 测试 3.8mm——测试目标更扁、上下文更薄。
2. 过拟合曝光差：验证榜开放近四个月、每日 3 次提交，队伍事实上在验证集上迭代了大量轮次；测试集只此一回。这不是作弊而是榜单机制的内生属性，LNQ 用小验证集（20 例）+名次聚合把它压到了可控范围。
3. 数据分布差：三段切分随机抽取，但 20 例与 100 例的小样本统计波动天然存在——bootstrap 给出的置信区间就是为此准备的。

因此正确读法是：只比同一榜内的相对名次，不跨榜比绝对值。论文的最终结论全部基于测试榜 + bootstrap，这也是为什么引用 LNQ 成绩时应引 Table 3（测试口径）而非任何验证榜快照。

4.7 评估协议伪代码（rank-then-aggregate 骨架）

# 输入: scores[team][case] = DSC, dists[team][case] = ASSD（越小越好）
# 输出: rank score per team + bootstrap 稳定性

ranks = []
for metric, cases in [("dsc", scores), ("assd", dists)]:
    for case_id in all_cases:
        # 每例: 按该指标给所有队伍排名（ASSD 升序、DSC 降序）
        order = rank_teams_across(cases, case_id, metric)
        ranks.append(order)

# 聚合: 每队名次平均 -> rank score（越小越好）
rank_score = {team: mean(position(team, r) for r in ranks) for team in teams}

# 稳定性: 对 100 例测试集做 bootstrap 重采样，重算名次，
# 统计重采样名次与原名次的 Kendall's tau 分布 -> 置信区间

骨架里最有迁移价值的一行是"每例排名再平均"：它把"某队在难例上崩盘"的惩罚限制在该例的名次内，而不是让其 DSC 离群值污染整队均值。复刻 LNQ 式评测时，这一行是协议的灵魂。

4.8 引用 LNQ 成绩的礼仪

挑战赛成绩是"高stakes、易误引"的数字类型，四条引用规则：

1. 六强名次可裸引——Kendall’s τ=1 背书，"冠军是 Skeleton Suns"不需要限定语。
2. DSC/ASSD 中位数必须带区间——"71.2%“单数字引用在 reviewer 眼里是残缺的，正确写法"71.2 [63.4-78.6]%”。
3. 验证榜快照不要引——近四个月窗口内的验证榜名次随时变动，且非最终口径；一切以测试榜（Table 3）为准。
4. 跨任务比较要挂语境——拿 71.2% 与器官分割 90%+ 对比时，写明"单类小目标 vs 多器官大目标"的任务差异，别让读者以为 nnU-Net 退步了。

§5 冠军方案解剖：Skeleton Suns 的三件套

5.1 成绩与身份

冠军队伍 Skeleton Suns（Deissler et al.）以 rank score 2.1 登顶：DSC 中位 71.2%（bootstrap 95% CI 63.4-78.6%）、ASSD 中位 2.95mm（2.13-5.05mm）。ASSD 中位低于 3mm 意味着分割边界平均偏离参考边界不到 3mm——在层间距 3.8mm 的测试集上，这大约是"边界误差不到一层"的水平，对小目标而言是扎实的成绩。

rank score 2.1 本身也值得读：六队排名聚合后的分数落在 2-6 区间（第 n 名约得 n），2.1 意味着冠军在绝大多数病例上都是第一、偶尔第二——是"全面领先"而非"靠个别病例爆冷"。配合 Kendall’s τ=1，这套数字讲述的是统治级而非幸运级的第一名。反过来读亚军与季军的分差（70.0% vs 69.0%），在名次聚合下同样是结构性差距——LNQ 的窄带分数不是"大家水平一样"，而是"难度把大家的绝对水平都压到了同一量级，但相对差距依然清晰"。

5.2 配方三件套

冠军方案的公开描述可以拆成三个正交组件，每个都可以独立移植：

组件一：nnU-Net + 残差编码器（ResEnc）基座。不用自研架构，直接站在 nnU-Net 的自动配置流水线上，把编码器换成大容量残差编码器（nnU-Net ResEnc 配置）。在小目标任务里，更大的感受野与更强的下采样特征对"在低分辨率层留住小目标"至关重要——这与器官分割里 ResEnc 收益递减的结论形成有趣对照。

组件二：TotalSegmentator 背景伪标签。用 TotalSegmentator（库内条目 totalsegmentator/422）对 LNQ 影像推断全身器官掩码，把这些器官作为背景伪标签加入训练——模型不再面对"一片均质背景+几个前景"的学习信号，而是被迫在"这些是心腔、那些是食管、剩下这个小的才是淋巴结"的解剖语境里定位目标。对边界与血管密度高度相似的纵隔目标，这一步直接把假阳性率打了下来。

组件三：外部全标注淋巴结数据。预训练/联合训练阶段引入外部淋巴结分割数据：

• TCIA CT Lymph Nodes（Roth 等 2015）：90 例全标注腹部/盆腔/胸部淋巴结数据集，淋巴结分割方向的老牌公开资源；
• Bouget 2023 精修版：对上述资源的精修再发布（89 卷、387 个 ≥1cm 淋巴结的空间标注，共 2,912 个淋巴结），修正了原版的标注质量问题。

注意第三组件的隐性含义：冠军并不是在 LNQ 的 383 例上赢的，而是在"LNQ 383 例 + 外部淋巴结数据"的合并分布上赢的。规则允许使用外部数据（挑战赛开放性的一部分），这让 LNQ 的冠军成绩同时是一次"公开淋巴结数据生态的集体胜利"——TCIA CT Lymph Nodes 沉淀十年，最终在 LNQ 榜上兑现。

两个外部资源的速览卡（引用它们时用）：

资源	规模	标注	在冠军配方中的角色
TCIA CT Lymph Nodes（Roth 等 2015）	90 例全标注	腹部/盆腔/胸部淋巴结	预训练/联合训练的主数据源
Bouget 2023 精修版	89 卷、387 个 ≥1cm 淋巴结灶（共 2,912 结）	SAD 精修	修正原版标注质量后再入训练

选型提示：两份资源同源（精修关系），不要当成独立数据集重复计数；引用时分别挂各自出处，混写会引入"90+89 例"式的重复统计错误。

5.3 失败者教训：三条后处理反噬

MELBA 论文记录的三条"好心办坏事"案例，比冠军配方更有迁移价值：

1. CompAI 的误删小组件。一支前排队伍（第三名 CompAI）在推理后处理中把小型连通域当作误检删除——结果把真正的微小淋巴结一起删了，名次因此从榜首滑落。教训：在"目标本身就是小连通域"的任务里，任何基于尺寸的后处理阈值都在和任务定义打架。
2. IMI 的最小尺寸过滤。类似的：以最小体积阈值清理输出，反降成绩——1cm 短轴径的球体体积约 0.5mL，但实际勾画的淋巴结受层厚影响体积波动大，阈值切不准。
3. IMR 的同类尝试。亚军 IMR 也报告了最小尺寸后处理的负收益。

三条教训合成一句话：在 LNQ，模型输出的每个连通域都值得被尊重——想提升成绩，去改数据与训练（如冠军三件套），不要在输出端加启发式剪刀。

5.4 复现建议（按代价排序）

1. 零成本起步：nnU-Net 默认配置直接在 383 例训练集上开训——这是所有队伍的地板，也大概率是你的第一版 baseline。
2. 低成本进阶：加 TotalSegmentator 背景伪标签（组件二独立有效，不依赖外部淋巴结数据）。
3. 完整复刻：引入 TCIA CT Lymph Nodes + Bouget 2023 做预训练或联合训练（组件三），把残差编码器配上。
4. 对照自检：在验证集（20 例，公开）上自评 DSC/ASSD，与六强验证榜成绩对表——测试集虽已公开，但拿测试集反复调试会让你的成绩失去"基准"含义，评测请以验证集为准。

5.5 为什么 nnU-Net 在小目标上依然是王者

六强里五支 nnU-Net 系，这个结果值得单独讨论。直觉上，1cm 目标在 3mm 层厚里只占两三层，似乎该轮到"为小目标量身定制"的架构（注意力增强、多尺度融合、2.5D 切片级分类器）翻身——但榜单没有支持这种直觉。三个解释：

1. nnU-Net 解决的是管线问题而非架构问题。重采样、patch 采样、损失加权、数据增强的自动配置，这些工程决策在目标任务上的影响常常大于骨干网络的选择。小目标任务尤其如此：patch 里该不该放前景、小目标该不该过采样，nnU-Net 的默认策略已经是好的起点。
2. 架构创新的收益被数据质量锁死。部分标注的假阴性噪声对任何架构一视同仁；在外部全标注数据补充监督之前，架构精修的天花板很低——这解释了为什么冠军把创新预算花在数据上（伪标签+外部数据）而不是网络上。
3. 2.5D 路线的失败有信息量。SKJP 的 2.5D EfficientNet-B7 排第六——把 3D 上下文压扁成 2D 切片，对"上下靠两三层就没了"的淋巴结是致命的。这反向确认了 3D 上下文在小目标分割里的不可替代性。

5.6 三个组件的迁移边界

冠军三件套各自能走多远、在哪里失效：

组件	直接迁移场景	失效场景
nnU-Net + ResEnc 基座	几乎所有 3D 医学分割（器官/病灶/腺体）	2D 任务、超大数据集（训练成本）
TotalSegmentator 背景伪标签	任何"目标嵌在解剖密集区"的胸腔/腹腔/盆腔任务	头颈等 TotalSegmentator 覆盖弱、或目标本身是分割对象之一的场景（背景里混入前景）
外部全标注数据预训练	同模态同域有历史数据集的一切任务	域差距过大（如 CT→MRI）、外部数据标注口径与目标任务冲突时

特别提醒第二行的失效模式：如果你的目标任务本身就是 TotalSegmentator 能分割的结构之一，把它的预测当背景伪标签会把前景教成背景——LNQ 幸运在淋巴结不在 TotalSegmentator 的分割清单里，"邻居器官"与"目标"天然互斥。迁移前先检查这个互斥性。

5.7 小目标分割工具箱（按 LNQ 证据分级）

把六强实践与通用经验汇成一个工具箱，按"LNQ 榜单证据强度"分级：

一级（榜单直接验证，放心用）：

• nnU-Net 基座（五/六强采用，含冠军）；
• 大容量残差编码器（冠军采用，小目标任务收益明确）；
• TotalSegmentator 背景伪标签（冠军采用）；
• 外部同域全标注数据预训练/联合训练（冠军采用）。

二级（反向证据，明确别做）：

• 尺寸阈值后处理（CompAI/IMI/IMR 三连负例）；
• 2.5D 压扁上下文（SKJP 列第六的反例）。

三级（通用实践，LNQ 未直接验证）：

• 深监督与小目标过采样（nnU-Net 内建）；
• 测试时增强（TTA）；
• 模型集成（榜单未披露前排是否使用，复现时自行权衡）。

使用建议：先把一级清单跑通（这就是 §5.4 的四步），再考虑三级项做增量实验；二级项在 LNQ 类任务上默认排除——除非你的目标定义恰好允许删小连通域（例如已按站点过滤的下游任务）。

§6 获取与许可：双轨之门怎么进

6.1 轨道一：TCIA 版（AI-Ready 首选入口）

项目	内容
Collection 名	Mediastinal-Lymph-Node-SEG
发布日期	2024-08-28
许可	CC BY 4.0（署名即可，无使用限制条款）
体量	35.27 GB；513 subjects / 1,026 series / 66,870 images
格式	DICOM 原始序列 + NRRD（影像与掩码配套）
DOI	10.7937/QVAZ-JA09（数据引用：Idris et al. 2024）
内容	全量：训练 383（部分标注）+ 验证 20 + 测试 100（全标注）

CC BY 4.0 意味着只要署名，研究、复现、基准评测、衍生数据集构建都不需要额外授权——这是 LNQ 能进入 AI-Ready 数据集生态的关键资格。引用署名建议同时挂两条：数据 DOI（10.7937/QVAZ-JA09）与方法论文 DOI（10.59275/j.melba.2025-d482）。

6.2 轨道二：挑战赛版（grand-challenge）

项目	内容
官网	lnq2023.grand-challenge.org
获取方式	注册制：注册账号、接受 EULA 后访问；测试期推理经算法容器提交，不下发数据
适用场景	复现挑战赛完整流程（容器评测、排行榜对表）；浏览官方文档与规则页

6.3 怎么选

你的需求是什么？
├── 训练/评测淋巴结分割模型
│   └── TCIA 直链下载（CC BY 4.0），验证集 20 例自评
├── 复现挑战赛榜单成绩
│   ├── 1) TCIA 拿全量数据训练
│   ├── 2) 严格按论文协议在测试 100 例跑一次（只跑一次）
│   └── 3) 与 MELBA 论文 Table 3 对表
├── 提交算法到官方容器评测
│   └── grand-challenge 注册 + 打包 Docker + 提交
└── 只想引用"小目标分割难度"论点
    └── 引论文 DSC 71.2% 与六强窄带，注明坑 3 时间线

6.4 许可边界与常见误用

1. 不要把两轨许可混写。"LNQ 是 CC BY 4.0"这句话只在 TCIA 版语境下成立；挑战赛版受 grand-challenge EULA 约束（坑 5）。
2. CC BY 4.0 的署名义务。衍生数据集、榜单、论文引用都须附数据 DOI 与组织方署名——宽松不等于无义务。
3. 患者隐私已处理。TCIA 发布版为去标识数据（HIPAA 合规口径），但这不豁免你按 CC BY 4.0 署名与按伦理规范使用。

6.5 引用格式建议

一条 LNQ 成绩引用至少应挂三条文献：数据（TCIA DOI）、方法论文（MELBA DOI）、以及所用外部数据（如用了冠军配方里的 Roth 2015 与 Bouget 2023）。BibTeX 骨架：

@dataset{lnq2023_tcia,
  title       = {Mediastinal-Lymph-Node-SEG (LNQ 2023 Challenge Dataset)},
  year        = {2024},
  publisher   = {The Cancer Imaging Archive},
  doi         = {10.7937/QVAZ-JA09},
  note        = {CC BY 4.0; 513 subjects}
}

@article{lnq2023_melba,
  title   = {The LNQ 2023 challenge: Benchmarking machine learning methods
             for the segmentation of small and subtle lymph nodes in CT},
  journal = {Medical Imaging with Deep Learning},
  volume  = {3},
  year    = {2025},
  doi     = {10.59275/j.melba.2025-d482}
}

引用时的三条自查：①论文标题以 PDF 原文为准（本条目中文转述，英文标题引原文）；②不要引用镜像页的 2024-AAAA DOI（坑 4）；③成绩数字带置信区间引用（“DSC 71.2 [63.4-78.6]%”），裸引中位数会被 reviewer 追问。

§7 生态与影响

7.1 LNQ 在淋巴结分割文献链上的位置

淋巴结 CT 分割是一个有十余年积累的方向，LNQ 2023 的角色是把散点收敛成基准：

数据集	规模	标注	角色
TCIA CT Lymph Nodes（Roth 2015）	90 例	全标注（腹部/盆腔/胸部）	老牌公开资源；LNQ 冠军外部数据源
Bouget 2023 精修版	89 卷/387 灶（共 2,912 结）	SAD 精修（≥1cm）	对上者的质量再发布
St. Olavs 医院 15 卷	15 卷/384 结	全标注	挪威单中心验证资源
NSCLC-Radiomics / Radiogenomics / Interobserver	TCIA 生态	各异	肺癌淋巴结相关研究的配套资源
LNQ 2023	513 例	双协议（部分/全）	统一基准+权威榜单

注意这个生态的因果方向：LNQ 没有新采集数据（训练集回收自临床工作流），它的新意在于协议、规模与评测——然后把十年公开数据生态（Roth 2015 → Bouget 2023）拉进来一起兑现在榜单上。

7.2 MELBA 专刊与官方存档

LNQ 的最终成果不是一篇单点论文，而是 MELBA（Medical Imaging with Deep Learning）2025 年 Vol 3 专刊论文（DOI 10.59275/j.melba.2025-d482，2025-01-29 发表，CC-BY 4.0）。专刊口径下，论文同时承担三个职能：挑战赛复盘（赛制与六强）、基准发布（数据与协议的权威描述）、方法对照（Table 2 逐队方法拆解）。提案文档另有 Zenodo 存档（DOI 10.5281/zenodo.7844666，2023-04-19，11 位作者联署）。

7.3 前排队伍的后续

• Skeleton Suns（冠军）：Deissler et al. 的 nnU-Net ResEnc 配方在 challenge 后有独立论文发表，配方三件套（§5.2）已成为纵隔淋巴结分割的事实基线。
• CompAI（季军）：公开了复现代码仓库（GitLab），是六强里代码可得性最直接的入口。
• SKJP（第六）：2.5D EfficientNet-B7 路线作为"非 nnU-Net 反例"被后续方法学讨论反复引用。

7.4 对挑战赛生态的方法学影响

rank-then-aggregate + bootstrap + 强制前排交码这套组合拳，在 MICCAI 挑战赛生态里属于可引用的设计样本：它证明了"小验证集+名次聚合+稳定性检验"能把 208 支队伍的赛事做成一个统计上站得住的基准。后续医学分割挑战赛（无论器官还是病灶方向）在遭遇"前三名 DSC 只差 0.3%"的评分争议时，LNQ 的评估设计是现成的参照系。

这套设计里三个细节特别值得抄：

1. 验证集故意小（20 例）。验证集的作用是"够区分好坏"而不是"够训练调参"——大验证集会变成事实上的第二训练集。
2. 提交频率限额（每日 3 次）。把"榜上试错"的成本抬高，抑制对验证集的隐式过拟合。
3. 名次稳定性作为结论的一部分。Kendall’s τ 不是装饰性统计，而是"这个榜单可信吗"的直接回答——后来者设计榜单时应把它列为默认输出。

7.5 与 TCIA 生态的长期关系

LNQ 数据落在 TCIA（The Cancer Imaging Archive）这一长期维护的开放影像库中，与库内其他肿瘤影像 collection（NSCLC-Radiomics、NSCLC-Radiogenomics、NSCLC-Interobserver 等）共享分发基础设施与引用规范。对数据集工程来说，这个落点有三重长期价值：

• DOI 稳定解析：10.7937/QVAZ-JA09 由 TCIA 的 DOI 体系维护，引用不会随官网下线失效；
• 版本事件留痕：2024-08-28 的发布日期、体量（35.27GB）、例数（513 subjects/1,026 series/66,870 images）在收藏页有权威记录，任何第三方讹误都可对照溯源；
• 生态组合：同库的淋巴结相关 collection 可与 LNQ 组合使用（如把 NSCLC 系列当域外测试），组合口径在论文中写明即可。

7.6 三类论文各自该引什么

你在写什么	最小引用集	加分引用
用 LNQ 评测新分割模型	TCIA DOI + MELBA DOI（数据与协议）	评估协议出处段（rank-then-aggregate 细节）
提出"小目标分割"方法	MELBA DOI（难度标定）+ 六强成绩对照	霍奇金分层分析（§4.5）佐证难度结构
数据集工程/挑战赛设计研究	MELBA DOI + Zenodo 提案 DOI	Kendall’s τ 稳定性作为设计证据

一个常见疏漏：引用 LNQ 时只挂 MELBA 论文不挂数据 DOI——数据本身是独立成果（Idris et al. 2024，TCIA），挂数据 DOI 才是对标注与发布工作的完整致谢，也是 CC BY 4.0 署名义务的一部分。

§8 方法学启示：四条可迁移的经验

1. 部分标注不是废数据，是带语义的真实数据。LNQ 训练集的"漏标"来自真实临床工作流，冠军方案直接硬训+外部数据补监督就能登顶。翻译成通用经验：临床回收数据的标注缺口，优先用同域外部全标注数据补，而不是急着发明弱监督算法。
2. 小目标任务禁用尺寸后处理。CompAI/IMI/IMR 三连反例（§5.3）指向一条硬规则：当目标本身就是"小连通域"时，任何尺寸阈值启发式都在错杀。这一条适用于所有小病灶任务（微转移灶、小结节、小息肉）。
3. 背景伪标签是小目标分割的杠杆。TotalSegmentator 器官预测当背景监督，等于免费给模型上了"纵隔解剖课"。这条杠杆对任何"目标嵌在解剖结构密集区"的任务（颅内核团、盆腔淋巴结、腹腔小腺体）都可复制。
4. 评测协议要预设"名次会被质疑"。rank-then-aggregate + bootstrap + Kendall’s τ 的组合把"排名是否可靠"变成可报告的统计量。任何需要区分 0.2 个百分点名次的评测，都值得抄这套作业。
5. 验证集要小得"故意"。20 例验证集+每日 3 次限额的组合，把验证榜的过拟合空间压到最小。验证集不是训练资源，设计基准时别把它做大做全。
6. "完全开放"是可运营的承诺。数据（TCIA）、协议（评估页）、结果（专刊论文）、代码（前五名强制）四个环节全部有公开落点，LNQ 证明了开放性可以逐环节落实，而不只是口号——后来者做挑战赛时，逐项对照这四个环节即可自检开放程度。

§9 与库内条目的关系

选这四个互链对象的理由：它们与 LNQ 共享同一技术栈（3D nnU-Net 系、同模态 CT、同任务族 3D 分割），且都已在库内成条——互链不是"沾边的都链"，而是"读者从本条目出发最可能需要的下一站"。

条目	关系	一句话说明
instance2022(645)	同域 CT 分割、范式对照	13 器官大目标全监督的天花板范式（DSC 85%+），反衬 LNQ 小目标 71% 的难度
AMOS(76)	同域 CT/MRI 器官分割	多模态器官分割代表；与 LNQ 共享"3D nnU-Net 基座"技术栈
totalsegmentator(422)	直接技术依赖	LNQ 冠军方案的背景伪标签来源——库内互链里唯一"进冠军配方"的条目
abdomenct-1k(402)	同域大规模 CT 分割	千例级腹部多器官数据集；规模对照组

互链逻辑：这四个条目与 LNQ 构成"CT 分割难度光谱"——器官级（instance2022/AMOS/AbdomenCT-1K，DSC 85%+）到结构级小目标（LNQ，DSC 71%），TotalSegmentator 则横跨光谱、既是器官分割产品又是 LNQ 的数据组件。

联动用法三条：

1. 难度标定：拿同一个 nnU-Net 配置分别跑库内器官条目与 LNQ，得到的 DSC 差（85%+ vs 71%）就是你手头数据管线的"小目标惩罚"基线——差异远大于此说明你的小目标处理有问题。
2. 组件复用：totalsegmentator(422) 条目里的推理用法可直接服务于 LNQ 训练的背景伪标签步骤（§5.2 组件二），两个条目的工作流可以串成一条管线。
3. 切域评测：AMOS/instance2022/AbdomenCT-1K 的器官掩码可给 LNQ 影像提供解剖上下文特征（部位过滤、ROI 裁剪辅助），跨条目组合时在方法里写明来源版本。

§10 避坑清单：八个已踩过的坑

坑 1：训练集数 383 vs 393。第三方站点 aifasthub 写 “393 partial cases form training”——与论文 Table 1 的 383 不符，疑为笔误或混入边界处理口径。以论文+TCIA 互证的 383 为准；见到 393 即为转引失真。

坑 2：总人数 513 vs 540。selectdataset 写 “540 patients”——论文与 TCIA（513 subjects）双源均为 513。540 系第三方讹误，别让检索快照污染你的数字。

坑 3：测试集"私有→公开"时间线。论文写作时口径为 “test set remained private”（挑战赛期间的事实），但 TCIA 已于 2024-08-28 全量公开含测试集在内的全部数据。引用 2023-2024 年间文献的测试成绩时注意：那时测试集确实私有；今天你拿公开测试集复现的成绩，与榜单成绩在访问历史上不同源——复现请只跑一次并以验证集做日常评测。

坑 4：DOI 占位符 2024-AAAA vs 正式 2025-d482。arxiv-vanity 等镜像页显示 MELBA DOI 为 10.59275/j.melba.2024-AAAA——这是排版系统的占位符。正式 DOI 为 10.59275/j.melba.2025-d482（论文 PDF 与 arXiv 官方记录一致）。引用前查 PDF 原文，别信镜像。

坑 5：许可双轨混写。"LNQ 是 CC BY 4.0"只在 TCIA 版成立；挑战赛版是注册制（EULA+容器）。写论文/数据卡时必须区分入口，否则审稿人或合规同事会来找你。

坑 6：命名家族混淆。LNQ / LNQ 2023 / Mediastinal-Lymph-Node-SEG（TCIA collection 名）/ LNQ-MELBA（专刊口径）指同一数据集。只拿 “LNQ” 检索会漏掉 TCIA 的数据页；只拿 collection 名检索会漏掉挑战赛文档。全名族并查。

坑 7："全标注"误读。513 例中仅验证 20+测试 100 为全标注；训练 383 例是部分标注（临床工作流只勾临床相关灶）。把训练集当全监督标签直接训练，会把"检出了未标注淋巴结"错罚成假阳性——处理方案见 §3.3。

坑 8：层间距不对称。训练/验证 3.0mm vs 测试 3.8mm——测试域结构性更难。跨切分比较数字（如"验证集 DSC 75% 但测试只有 71%"）时，先扣掉层厚差异再谈方法优劣；用 3D 插值把训练数据重采样到测试层距，是合理的对齐手段，但要在方法里写明。

10.1 十条快速自检（写 LNQ 相关内容时逐条打勾）

1. 总例数写的是 513（不是 540）？
2. 训练例数写的是 383（不是 393）？
3. "全标注"只用于描述验证/测试 120 例？
4. 引用 MELBA 论文 DOI 是 2025-d482（不是 2024-AAAA）？
5. 许可表述区分了 TCIA 版（CC BY 4.0）与挑战赛版（注册制）？
6. 提到测试集时标注了"2024-08-28 起公开"的时间线？
7. DSC/ASSD 数字带了 bootstrap 置信区间？
8. 检索/引用时用全名族（含 Mediastinal-Lymph-Node-SEG）？
9. 提到层间距时区分了 3.0 与 3.8mm？
10. 没有把尺寸阈值后处理当作"提分技巧"推荐？

§11 总结

LNQ 2023 用一场赛事回答了三个问题。纵隔淋巴结分割现在做到什么水平？——全监督+外部数据的最好成绩是 DSC 71.2%、ASSD 2.95mm，与器官分割的 90%+ 之间隔着一条"小目标鸿沟"。这样的基准怎么搭才可信？——513 例真实临床队列、双标注协议、rank-then-aggregate 名次聚合、bootstrap 稳定性（Kendall’s τ=1）、前排强制交码。数据能不能真正开放？——挑战赛注册制起步，终点是 TCIA CC BY 4.0 全量公开（35.27GB，DOI 10.7937/QVAZ-JA09）。

对三类读者各送一句：做分割算法的，这里有你逃不掉的小目标地板分与三条后处理反噬教训；做临床 AI 落地的，霍奇金病例的难度分层提醒你别用总分打包票；做数据集工程的，"临床工作流回收+统一评测协议+专刊论文"这条路径本身就是可复制的模板。

一段话速记版（转述给同事时用）：

LNQ 2023 是 MICCAI 2023 的纵隔淋巴结 CT 分割挑战赛，513 例多癌种对比增强胸部 CT（训练 383 部分标注/验证 20/测试 100 全标注），任务是把纵隔里所有 >1cm 的淋巴结勾出来；评估用 DSC+ASSD 的名次聚合协议，208 支报名队里六强进测试，冠军 Skeleton Suns 用 nnU-Net 残差编码器+TotalSegmentator 背景伪标签+外部淋巴结数据的组合做到 DSC 71.2%、ASSD 2.95mm，名次稳定性 τ=1；数据 2024 年 8 月起在 TCIA 以 CC BY 4.0 全量公开，做研究直接下载即可，唯一要记住的坑是训练集是部分标注、测试层更厚。

FAQ（高频问答 46 问）

A. 基础认知

Q1：LNQ 是什么比赛的缩写？
Mediastinal Lymph Node Quantification——纵隔淋巴结量化挑战赛，MICCAI 2023 官方挑战赛之一，名次在其卫星会 LNQ workshop 上公布。

Q2：任务一句话是什么？
在对比增强胸部 CT 里，把纵隔内所有短轴径大于 1 厘米的淋巴结逐个勾出 3D 掩码——单类目标、单模态、纯分割任务。

Q3：谁组织的？
LNQ 组织委员会，核心成员来自 NYU Langone Health（一作 Anahita Dorent）、Brigham and Women’s Hospital（Andriy Fedorov）、MIM Software（Awais Mansoor）、Case Western Reserve University、University of Twente 等，提案文档有 11 位作者联署（Zenodo DOI 10.5281/zenodo.7844666）。

Q4：为什么只标 >1cm 的淋巴结？
1cm 短轴径是影像学"淋巴结值得报告"的经典阈值，任务定义直接对齐放射科工作流；更小的亚厘米级淋巴结不在本数据集的监督信号里。

Q5：数据是新的吗？
训练集不是——383 例回收自 2007-2020 年的临床试验工作流（当年为治疗决策勾画的灶）；验证/测试集是为挑战赛新标的。数据"新"在协议与基准，不在采集。

Q6：论文在哪？
MELBA（Medical Imaging with Deep Learning）2025 Vol 3 专刊：DOI 10.59275/j.melba.2025-d482（2025-01-29 发表，CC-BY 4.0）；另有 arXiv:2408.10069（2024-08-19）预印版。注意镜像站的 DOI 占位符 2024-AAAA 是错的（坑 4）。

Q7：它解决的最大卖点一句话？
把"纵隔淋巴结分割很难"变成了可测量的 71.2%——小目标分割的世界水平首次有了带置信区间的权威基准。

Q8：它的主要局限？
训练集部分标注（坑 7）、测试层更厚（坑 8）、单类目标不含纵隔其他结构、标注观察者间一致性未量化、人群偏肿瘤患者（前六癌种约占 60%）。

B. 数据与获取

Q9：一共多少数据？多大？
513 例患者（女 239/男 274）：训练 383、验证 20、测试 100；TCIA 版总体积 35.27GB，含 1,026 个 series、66,870 幅图像。

Q10：去哪下载？
TCIA collection “Mediastinal-Lymph-Node-SEG”（DOI 10.7937/QVAZ-JA09，CC BY 4.0）直链下载；或经 NNB/NBIA 下载器批量取。挑战赛版在 lnq2023.grand-challenge.org 注册访问。

Q11：什么格式？
TCIA 版同时给 DICOM 原始序列与 NRRD 体数据，掩码为 NRRD 单标签体（淋巴结=1）；Python 侧用 SimpleITK/nrrd 库即可读取。

Q12：影像规格是什么？
512×512 矩阵、面内 0.8-0.9mm、层间距训练/验证 3.0mm 与测试 3.8mm、每例 48-656 层（中位 114）、对比增强。

Q13：患者都是什么病？
以肿瘤患者为主：乳腺癌 80、CLL 74、NSCLC 58、霍奇金淋巴瘤 38、SCLC 30、肾细胞癌 25（前六约占 60%），其余分散在其他癌种。

Q14：训练集的"部分标注"到底是什么意思？
当年的临床软件只勾选治疗相关淋巴结灶，未勾区域不等于没有淋巴结。拿它训练时，模型检出未标注淋巴结会被损失函数错罚为假阳性——应对方案见 §3.3（坑 7）。

Q15：验证/测试集的标注怎么做的？
3D Slicer 4.11 的 Draw 工具沿轴向逐层徒手勾画，每层同步参照矢状与冠状面确认边界，医生复核后发布——全标注、穷尽式。

Q16：能商用吗？
TCIA 版为 CC BY 4.0，商用理论上可行但须署名并遵守其条款；建议商用前核对 TCIA 收藏页的许可声明原文，挑战赛版则受 grand-challenge EULA 约束，两码事（坑 5）。

Q17：测试集现在能拿到吗？
能。2024-08-28 起 TCIA 全量公开（含测试 100 例全标注）；但挑战赛期间（2023 年）测试集确实私有——引用旧文献时注意时间线（坑 3）。

Q18：想要更多淋巴结数据去哪找？
同生态资源：TCIA CT Lymph Nodes（Roth 2015，90 例全标注）、Bouget 2023 精修版（89 卷/2,912 结）、St. Olavs 15 卷 384 结、NSCLC-Radiomics 等系列（§7.1）。

C. 挑战赛与评估

Q19：多少队伍参加？
208 支注册、16 支（5 国）进验证榜、6 支（3 国）进测试榜；验证期 2023-05-01 至 08-30，每队每日 3 次提交上限；测试截止 2023-09-20。

Q20：怎么评分？
两个指标：DSC（Dice 系数，越大越好）与 ASSD（平均对称表面距离，越小越好）；聚合用 rank-then-aggregate——逐例逐指标排名后对名次求平均。

Q21：为什么用名次聚合而不是平均 DSC？
免疫离群病例与微小分数差的干扰：一例崩盘不会毁掉均值，0.2 个百分点的差距也不会被当成真实差距。配合 bootstrap 检验名次稳定性。

Q22：名次稳定吗？
bootstrap 下 Kendall’s τ=1（95% CI 0.87-1）——重采样几乎不改变六强排序，这是挑战赛里罕见的稳定性水平，引用冠军无需加"可能变动"限定。

Q23：冠军是谁？成绩多少？
Skeleton Suns（Deissler et al.）：rank score 2.1，DSC 中位 71.2%（63.4-78.6%）、ASSD 中位 2.95mm（2.13-5.05mm），六强中唯一 ASSD 中位破 3mm 关口的队伍。

Q24：二三名是谁？
亚军 IMR（DSC 70.0%、ASSD 4.15mm）、季军 CompAI（69.0%、5.05mm）；四至六名 Hilab、IMI、SKJP（2.5D EfficientNet-B7 路线，六强中唯一非 nnU-Net 系基座）。

Q25：前排要交代码吗？
要。规则明确最终榜前五名须提交代码与 Docker 镜像——LNQ 前排成绩全部具备可复核性，这在挑战赛生态里属于少见的硬要求。

Q26：霍奇金淋巴瘤病例为什么难？
bulky（巨大）与 conglomerate（成团）淋巴结带来"枚数歧义"与异质内部（坏死、融合边界），组间差异检验 p 值 0.009-0.27——用 LNQ 评测时建议按癌种分层报告。

D. 方法与复现

Q27：冠军用的什么模型？
nnU-Net 基座+大容量残差编码器（ResEnc 配置），不是自研架构——小目标分割的技术底座与大器官一致，差距在数据工程。

Q28：冠军的三件套配方是什么？
①nnU-Net+ResEnc 基座；②TotalSegmentator 器官预测做背景伪标签（模型在解剖语境里学定位）；③外部全标注淋巴结数据（TCIA CT Lymph Nodes+Bouget 2023）预训练/联合训练。

Q29：我能直接跑出 71.2% 吗？
不能指望开箱即得——71.2% 是"基座+背景伪标签+外部数据"三件套的合奏。零成本起步先跑 nnU-Net 默认配置当 baseline，再按 §5.4 逐级加组件。

Q30：后处理删小连通域能提分吗？
大概率掉分——CompAI（误删小组件从榜首滑落）、IMI、IMR 三连反例都在 §5.3。目标本身就是小连通域时，任何尺寸阈值启发式都在和任务定义打架。

Q31：用哪个集做日常调参？
验证集 20 例（公开且全标注）。测试集虽已公开，但拿它反复调参会毁掉成绩的"基准"含义——复现榜单请只跑一次测试。

Q32：和 TotalSegmentator、AMOS 这类数据集什么关系？
同一技术栈（3D nnU-Net 系）、不同难度段：器官分割（DSC 85%+，见 instance2022/AMOS/TotalSegmentator/AbdomenCT-1K）与 LNQ 的小目标（71.2%）构成 CT 分割难度光谱；TotalSegmentator 还是冠军配方的直接组件。

E. 工程实操

Q33：NBIA 下载器怎么用？
TCIA 收藏页点 Download 生成 .tcia manifest 文件 → 安装 NBIA Data Retriever → 打开 manifest → 批量下载。全量 35.27GB；只要验证 20 例的话用 REST API 按 Subject ID 挑着下更快。

Q34：下载完怎么快速自检数据没坏？
三查：①影像与掩码的 NRRD 几何（shape/spacing）一致；②掩码值域仅 {0,1} 且非空；③验证/测试例的 3D 连通域个数在个位数到数十量级（§2.8 有自检代码）。

Q35：掩码里的连通域数就是淋巴结枚数吗？
不严格。成团淋巴结在 3D 连通域意义上是一枚——ndimage.label 的计数是工程代理口径，不是放射学口径；做计数类量化任务时要意识到这个歧义在参考标准里同样存在。

Q36：层厚不一致，训练前要重采样吗？
nnU-Net 自动处理（按训练集 median spacing 配置）；自建管线建议统一重采样到 1.0-1.5mm 各向同性或保持面内分辨率+层向 2-3mm。淋巴结是小目标，层向过度下采样会直接抹掉目标（§2.9）。

Q37：评测 ASSD 时有什么几何陷阱？
算指标前把预测掩码重采样回原始 spacing——否则表面距离按重采样后的层厚计算，3.0 与 3.8mm 的差会直接混进 ASSD 数字里。

Q38：能用 LNQ 训练"检测亚厘米淋巴结"的模型吗？
不能。任务定义只含 >1cm 淋巴结，亚厘米目标不在监督信号里（部分标注训练集尤其如此）；要研究亚厘米目标，需另找数据源并另行标注。

Q39：想给 LNQ 结果加解剖上下文（站点过滤等）怎么办？
用 TotalSegmentator 或 AMOS 系模型的器官预测做上下文特征（如纵隔 ROI 精修、血管邻近性过滤），这是榜单允许的输入端增强；注意别把器官预测当输出后处理去"删东西"（§5.3 教训）。

Q40：写数据卡/论文时的最小引用集是什么？
三条：TCIA 数据 DOI（10.7937/QVAZ-JA09）、MELBA 论文 DOI（10.59275/j.melba.2025-d482）、外加你实际使用的外部数据（如 Roth 2015）。BibTeX 骨架见 §6.5。

F. 边界与误用

Q41：LNQ 能用来评测"纵隔多结构分割"吗？
不能。掩码只有淋巴结一类（附录 E），没有血管/心脏/食管等结构标注；多结构评测请用 instance2022/AMOS/TotalSegmentator 系数据，LNQ 只答"淋巴结这一件事"。

Q42：能把验证 20 例并进训练集吗？
技术上可行（数据是 CC BY 4.0），但你的成绩将无法与验证榜/测试榜任何数字对表——评测锚点被你自己拆了。做基准研究别动切分；做纯应用另说，但要在论文里声明非官方切分。

Q43：外部数据的使用有边界吗？
挑战赛规则允许外部公开数据（冠军就是这么赢的），但外部数据的许可各自独立——Roth 2015 与 Bouget 2023 的引用与许可条款要逐个核对，别把"LNQ 开放"当成"所有相关数据都开放"。

Q44：模型在 LNQ 上成绩好，能直接上临床吗？
不能直接推。71.2% 意味着约三成的边界误差，且数据只覆盖 >1cm 淋巴结与肿瘤患者背景——临床部署需要独立的前瞻验证、亚厘米能力补充与科室工作流适配，LNQ 是研发基准不是放行证书。

Q45：亚厘米淋巴结研究有什么替代数据？
LNQ 明确不含亚厘米目标（任务定义使然，见 Q38/Q41）；研究亚厘米目标需要另找带完整淋巴结标注的数据源并自行补标，或与临床合作按研究协议标注——引用 LNQ 时不要把它说成"全尺寸淋巴结数据集"。

Q46：发现第三方资料与本条目数字冲突时信谁？
按证据等级：MELBA 论文原文（最高）> TCIA 收藏页 > 官网存档 > 本条目（三源核验的转述）> 第三方聚合站（已知多处讹误，见坑 1/坑 2 与附录 G）。冲突数字先回论文 PDF 对原文。

---

事实清单（硬事实 45 条）

1. LNQ = Mediastinal Lymph Node Quantification，MICCAI 2023 官方挑战赛，任务为 CT 纵隔内短轴径 >1cm 淋巴结的 3D 分割。
2. 数据总量 513 例患者对比增强胸部 CT（女 239/男 274，采集 2007-2020）。
3. 切分随机 76%/4%/20%：训练 383 / 验证 20 / 测试 100（论文 Table 1 口径）。
4. 训练集为部分标注（临床试验工作流，Yunu/PIM 等软件勾选临床相关灶）。
5. 验证/测试集（120 例）为全标注：3D Slicer 4.11，Draw 工具轴向逐层徒手勾画，参照矢状/冠状面，医生复核。
6. 癌种前六占约 60%：乳腺癌 80、CLL 74、NSCLC 58、霍奇金 38、SCLC 30、肾细胞癌 25。
7. 影像规格：512×512，面内 0.8-0.9mm，层间距训练/验证 3.0mm、测试 3.8mm，每例 48-656 层（中位 114）。
8. 分发格式 NRRD（TCIA 版另含 DICOM）；掩码为单标签 3D 体数据。
9. 评估指标 DSC + ASSD；聚合协议 rank-then-aggregate（逐例逐指标排名→名次平均）。
10. bootstrap 重采样下 Kendall’s τ=1（95% CI 0.87-1），六强名次稳定。
11. 参赛漏斗：208 队注册 → 16 队（5 国）验证榜 → 6 队（3 国）测试榜。
12. 验证期 2023-05-01 至 2023-08-30，每队每日 3 次提交；测试提交截止 2023-09-20。
13. 规则要求最终榜前五名提交代码与 Docker 镜像。
14. 冠军 Skeleton Suns（Deissler et al.）：rank score 2.1，DSC 71.2 [63.4-78.6]%，ASSD 2.95 [2.13-5.05]mm。
15. 冠军是六强中唯一 ASSD 中位 <3mm 的队伍。
16. 冠军配方：nnU-Net + 残差编码器（ResEnc）+ TotalSegmentator 背景伪标签 + 外部全标注淋巴结数据（TCIA CT Lymph Nodes + Bouget 2023 精修版）。
17. 亚军 IMR：DSC 70.0%、ASSD 4.15mm；季军 CompAI：DSC 69.0%、ASSD 5.05mm。
18. 第四至六名：Hilab、IMI、SKJP；SKJP 为六强唯一非 nnU-Net 系基座（2.5D EfficientNet-B7）。
19. 六强全部为全监督方案；五支以 nnU-Net 系为基座。
20. CompAI 因误删小型连通域的后处理从榜首滑落；IMI 与 IMR 的最小尺寸后处理同样负收益。
21. 霍奇金淋巴瘤病例显著更难（bulky/conglomerate），组间差异检验 p 值 0.009-0.27。
22. 外部数据生态：TCIA CT Lymph Nodes（Roth 2015，90 例）、Bouget 2023 精修版（89 卷/387 灶/共 2,912 结）、St. Olavs（15 卷/384 结）。
23. MELBA 专刊论文 DOI 10.59275/j.melba.2025-d482（Received 2024-08-20 / Published 2025-01-29，Vol 3，CC-BY 4.0）。
24. arXiv 预印 2408.10069（v1 2024-08-19）；镜像页 DOI “2024-AAAA” 为占位符。
25. Zenodo 提案 DOI 10.5281/zenodo.7844666（2023-04-19，11 位作者联署）。
26. TCIA collection 名 Mediastinal-Lymph-Node-SEG：2024-08-28 发布，CC BY 4.0，35.27GB，513 subjects / 1,026 series / 66,870 images，DOI 10.7937/QVAZ-JA09（引用 Idris et al. 2024）。
27. 挑战赛版获取为注册制（grand-challenge EULA + 算法容器提交）。
28. 论文写作时测试集私有（“test set remained private”），2024-08-28 起 TCIA 全量公开——时间线双口径。
29. 第三方口径错误：selectdataset 写 540 patients（实为 513）；aifasthub 写 393 训练例（论文为 383）。
30. 组织方代表机构：NYU Langone Health、Brigham and Women’s Hospital、MIM Software、Case Western Reserve University、University of Twente 等；代表人物 Anahita Dorent、Andriy Fedorov、Awais Mansoor、Wenkui Yu。
31. 官网规则页明确最终榜前五名须提交代码与 Docker 镜像；评估页公开 rank-then-aggregate 细节。
32. 官网自称 completely open challenge；部分子页面（数据/提交说明）为 JS 动态渲染。
33. 季军 CompAI 公开 GitLab 复现代码仓库；冠军 Skeleton Suns 配方全部由开源组件拼装（nnU-Net+TotalSegmentator+公开外部数据）。
34. LNQ 无官方 HuggingFace 数据集镜像（HF 与 hf-mirror 均无官方库），获取以 TCIA 直链为唯一权威通道。
35. 数据本体的身份字段：TCIA collection Mediastinal-Lymph-Node-SEG，513 subjects 唯一患者级键；series 1,026、images 66,870。
36. 任务定义的纳入标准：纵隔内、短轴径 >1cm；掩码单类，不含站点/良恶性标签。
37. 验证集 20 例的设计动机：小到无法喂饱过拟合、大到能区分好坏，配合每日 3 次提交限额。
38. 测试集 100 例支撑 bootstrap 置信区间（冠军区间宽 15.2 个百分点 DSC——小样本不确定度的如实呈现）。
39. 挑战赛评估经 grand-challenge 算法容器执行，参赛队挑战赛期间接触不到测试影像本体。
40. 全标注协议为徒手逐层勾画（非半自动预生成+修边），保证边界语义一致性，代价是 1-2 像素徒手抖动进入 ASSD 噪声底。
41. rank score 2.1 的读法：六队聚合分数约等于名次本身（2.1≈“绝大多数病例第一、偶尔第二”），冠军为统治级而非爆冷级。
42. 亚军与季军的 1 个百分点分差（70.0% vs 69.0%）在名次聚合与 τ=1 背书下同为结构性差距，非评测噪声。
43. 外部资源同源提醒：TCIA CT Lymph Nodes 与 Bouget 2023 为精修关系，不可当独立数据集重复计数（90+89 式加法是错的）。
44. DICOM 层面 66,870 幅图像 ≠ 66,870 个样本；患者级样本量恒为 513，series 1,026 含同一患者的多序列。
45. 训练集掩码上的任何统计（枚数/体积）都不是全标注口径；全标注口径统计只能基于验证/测试 120 例。

---

术语表（48 条）

术语	释义
LNQ	Mediastinal Lymph Node Quantification，纵隔淋巴结量化挑战赛（MICCAI 2023）
纵隔（mediastinum）	两肺之间、胸骨与脊柱之间的胸腔中央区，心脏大血管/气管食管/淋巴结所在
淋巴结短轴径	影像报告淋巴结大小的标准径线；>1cm 为"值得报告"的经典阈值
DSC（Dice）	Dice 相似系数：分割与参考的重叠度量，1 为完全重合
ASSD	平均对称表面距离：两分割表面间点到点的平均距离（mm），越小越好
rank-then-aggregate	先逐例排名再聚合名次的评测协议，免疫离群与微小分数差
Kendall’s τ	名次一致性统计量；τ=1 表示 bootstrap 重采样不改变排序
bootstrap	有放回重采样法，用于估计统计量置信区间
部分标注（partial annotation）	只勾选目标子集（此处为临床相关灶）；未标注≠不存在
全标注（exhaustive annotation）	勾选所有符合标准的目标；未标注区域可视为背景
3D Slicer	开源医学影像平台；LNQ 全标注用其 4.11 版 Draw 工具
NRRD	Nearly Raw Raster Data，医学影像体数据常用格式
TCIA	The Cancer Imaging Archive，NCI 支持的开放肿瘤影像库
DICOM	医学数字影像通信标准；TCIA 分发的原始序列格式
nnU-Net	自配置 U-Net 分割框架，医学分割事实基线
ResEnc	残差编码器配置；冠军方案把 nnU-Net 编码器升级为大容量 ResEnc
背景伪标签	用现成模型（TotalSegmentator）推断的器官掩码当背景监督信号
TotalSegmentator	全身 CT 多结构分割工具（库内 totalsegmentator/422），冠军伪标签来源
CT Lymph Nodes	Roth 等 2015 发布的 TCIA 淋巴结分割数据集（90 例）
Bouget 2023	对 CT Lymph Nodes 的精修再发布（89 卷/2,912 结，SAD 标注）
bulky / conglomerate	淋巴瘤术语：巨大淋巴结 / 多枚融合成团；LNQ 霍奇金病例的难度来源
CLL	慢性淋巴细胞白血病，LNQ 数据第二大癌种背景（74 例）
NSCLC / SCLC	非小细胞肺癌（58 例）/ 小细胞肺癌（30 例）
grand-challenge	医学影像挑战赛托管平台，LNQ 官网与评测基础设施所在
EULA	最终用户许可协议；挑战赛版数据的访问条件
MELBA	Medical Imaging with Deep Learning，LNQ 专刊论文发表的期刊
NBIA / Data Retriever	TCIA 的影像下载基础设施/配套下载器，manifest（.tcia）批量拉取
manifest（.tcia）	TCIA 下载清单文件，NBIA 下载器按其逐 series 拉取
SimpleITK / nrrd	Python 读取 NRRD/DICOM 体数据的常用库
spacing	体数据三轴物理间距；LNQ 关心 z 轴层间距 3.0/3.8mm
重采样（resampling）	把体数据按目标 spacing 插值；小目标任务的层向采样是生死线
连通域（connected component）	二值掩码中相互连接的前景区域；粗口径的"枚数"代理
patch 采样	训练时从体数据裁子块；nnU-Net 自动配置前景过采样
2.5D	逐切片（或薄块）处理、不建完整 3D 上下文的路线；SKJP 采用，列第六
站点（station）	纵隔淋巴结的解剖分区编号系统（如肺癌分期用）；LNQ 掩码不含此信息
放疗靶区勾画	临床中淋巴结分割的主要用途之一；部分标注训练集的原始动机
分期（staging）	肿瘤 TNM 分期中 N（淋巴结）维度的判定，纵隔淋巴结评估的核心场景
rank score	rank-then-aggregate 聚合后的最终名次分数（越小越好；冠军 2.1）
置信区间（95% CI）	bootstrap 给出的区间估计；引用 LNQ 成绩时应连带引用
假阳性/假阴性	误检（把背景当淋巴结）/漏检或"检出未标注目标被错罚"（部分标注陷阱）
伪标签（pseudo-label）	用模型预测当监督信号；冠军用 TotalSegmentator 器官预测做背景
域偏移（domain shift）	训练与测试分布差异；LNQ 的层厚差是最小可测样例
grand-challenge 算法容器	平台的隔离评测机制：队伍交 Docker、平台跑数据
纵隔窗	观察纵隔结构常用的 CT 窗宽窗位预设；淋巴结与软组织在此窗下对比度有限
TNM 分期	肿瘤分期体系，N 维度即淋巴结受累；NSCLC 背景病例的核心临床语境
SAD	逐淋巴结空间标注口径（Bouget 2023 用语）
DICOM-SEG	DICOM 的分割对象标准；TCIA 部分资源的掩码分发格式（LNQ 以 NRRD 为主）
前景过采样	训练采样策略：提高含前景 patch 的出现频率，小目标训练的标配

---

附录

附录 A：来源与抓取存照

来源	URL	抓取时点	用途
挑战赛官网首页	https://lnq2023.grand-challenge.org/	2026-09-26	全称、任务定义（>1cm）、"completely open challenge"表述
官网规则页	lnq2023.grand-challenge.org/rules/	2026-09-26	前 5 名交代码+Docker、赛程
官网评估页	lnq2023.grand-challenge.org/evaluation-guideline/	2026-09-26	DSC+ASSD、rank-then-aggregate 细节
MELBA 论文 PDF	https://www.melba-journal.org/pdf/2025:001.pdf	2026-09-26	Table 1/2/3、标注协议、bootstrap、数据声明（DOI 10.59275/j.melba.2025-d482）
arXiv 记录	https://arxiv.org/abs/2408.10069	2026-09-26	v1 2024-08-19、正式 DOI 交叉确认
Zenodo 提案	DOI 10.5281/zenodo.7844666	2026-09-26	2023-04-19、11 作者联署
TCIA 收藏页	DOI 10.7937/QVAZ-JA09（经 doi.org 解析）	2026-09-26	CC BY 4.0、35.27GB、513 subjects、1,026 series、66,870 images、2024-08-28
第三方（存照用）	selectdataset（“540 patients”）、aifasthub（“393 cases”）	2026-09-26	口径错误证据（坑 1/坑 2）

核验过程备注（供复核者追溯）：

1. 官网子页面存在大小写路径陷阱：/Dataset/、/Rules/ 等大写路径返回 404，真实路径为小写（/data/、/rules/ 等）——从首页 HTML 的链接清单提取后重抓成功。
2. 官网排行榜页为 JS 动态加载，静态抓取只得到 “Loading Results…”——六强数字因此改从 MELBA 论文 Table 3 获取（更权威且带置信区间）。
3. TCIA 主站与 Zenodo 对 curl 不友好（超时/SSL 失败），改经 doi.org 解析 + WebFetch 获取元数据成功——数字与论文侧互证一致。
4. MELBA 论文页无独立 HTML 版，PDF 直链（melba-journal.org/pdf/2025:001.pdf）下载后转文本提取表格——本条目所有论文侧数字均可回溯到该 PDF 的对应 Table。
5. 第三方站点（selectdataset、aifasthub 等）数字与论文冲突，按坑 1/坑 2 存照处理——不采信，仅记录为"讹误存在证据"。

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	官网+MELBA 论文+TCIA 三页均开放可索引；但四套命名（LNQ/LNQ 2023/Mediastinal-Lymph-Node-SEG/LNQ-MELBA）增加检索摩擦（坑 6）
A 可获取性	9	TCIA CC BY 4.0 全量直链（35.27GB）+挑战赛注册制次入口；无任何请求制环节
I 可互操作	8	DICOM+NRRD 双格式、TCIA 标准分发、DOI 存档；扣分项：无官方 Python 加载器，NRRD 掩码需自接 SimpleITK/nrrd
M 元数据质量	8	论文表格完备（Table 1-3）+TCIA 元数据规范；训练集部分标注语义需读者自行消化（坑 7），第三方口径讹误多（坑 1/2）
S 可持续性	8	TCIA 平台长期维护+双 DOI 存档；grand-challenge 官网随赛事冻结但内容仍在线
综合评级	8.2/10（高）	AI-Ready 光谱的头部样本：直链可取+许可宽松+文档权威+协议透明；主要扣分在标注语义不对称与命名混乱

附录 C：逐项证据链自证

关键数字	来源	位置
513 患者 / 383-20-100 切分	MELBA 论文	Table 1
女 239/男 274 / 2007-2020	MELBA 论文	数据节（Table 1）
癌种前六 80/74/58/38/30/25	MELBA 论文	Table 1
层间距 3.0/3.8mm、面内 0.8-0.9mm、48-656 层	MELBA 论文	数据节
3D Slicer 4.11 / Draw / 轴向徒手	MELBA 论文	注释协议节
208/16/6 参赛漏斗、5 国/3 国	MELBA 论文+官网	挑战赛结果节
rank-then-aggregate、Kendall’s τ=1 [0.87-1]	MELBA 论文	评估协议节
冠军 DSC 71.2 [63.4-78.6]% / ASSD 2.95 [2.13-5.05]mm	MELBA 论文	Table 3
IMR 70.0%/4.15mm、CompAI 69.0%/5.05mm	MELBA 论文	Table 3
TotalSegmentator 伪标签 + 外部数据配方	MELBA 论文	Table 2（Skeleton Suns 方法行）
CompAI/IMI/IMR 后处理反噬	MELBA 论文	结果讨论节
霍奇金更难（p=0.009-0.27）	MELBA 论文	失败分析节
前 5 名交代码+Docker	官网规则页	/rules/
TCIA 35.27GB/513/1,026/66,870/CC BY 4.0/2024-08-28	TCIA 收藏页	DOI 10.7937/QVAZ-JA09
Zenodo 2023-04-19/11 作者	Zenodo 记录页	DOI 10.5281/zenodo.7844666
arXiv v1 2024-08-19	arXiv 记录	abs/2408.10069

未能核验事项（诚实披露，正文引用处均已规避）：

1. 验证榜 16 队的完整名次与分数——官网排行榜 JS 动态加载未取到，且论文以测试榜为准；正文不做验证榜数字断言。
2. 四至六名（Hilab/IMI/SKJP）的具体 DSC/ASSD 数值——论文 Table 3 有载但本轮抽取未逐格核对，正文只写方法特征（SKJP 2.5D EfficientNet-B7）。
3. 组织委员会完整名单——已知 11 位提案联署作者与代表人物，未逐一列全；正文用"代表人物"口径。
4. 标注 SOP 原文全文——官网 /rules/ 部分内容为动态渲染；正文协议描述以 MELBA 论文方法节为准。
5. 每例淋巴结枚数的中位数统计——论文未给出该汇总口径，正文明确提示读者勿自行推算（§2.4）。

附录 D：评测协议复刻清单（想搭一个"LNQ 式"基准时逐条打勾）

数据层
├── 真实临床队列（多癌种/多中心），不追求"干净"分布
├── 随机切分并冻结：训练大头/验证小口（防过拟合榜）/测试足量（撑 bootstrap）
├── 双标注协议如实写明：哪些是部分标注、哪些是全标注
└── 域差异如实写明：不同切分的采集参数差异（LNQ：层厚 3.0 vs 3.8mm）

标注层
├── 统一工具与版本（LNQ：3D Slicer 4.11）
├── 勾画平面+交叉参照平面写进 SOP（LNQ：轴向主勾+矢状/冠状参照）
├── 纳入标准量化（LNQ：短轴径 >1cm）
└── 医生复核环节留痕

评测层
├── ≥2 个互补指标（重叠类 DSC + 距离类 ASSD）
├── rank-then-aggregate 名次聚合，不用裸均值
├── bootstrap 重采样报告名次稳定性（Kendall's τ）
└── 前排强制交代码/容器（可复核性）

发布层
├── 数据经可信仓库发布并挂 DOI（LNQ：TCIA，CC BY 4.0）
├── 论文挂开放许可（LNQ：MELBA CC-BY 4.0）
└── 时间线口径声明：哪些成绩来自"数据私有期"，公开后如何复现

附录 E：数据字典（掩码语义与训练建议）

内容	语义	使用建议
掩码值 1	纵隔内短轴径 >1cm 淋巴结（单类，不分站点/性质）	直接当前景类训练；勿再细分
掩码值 0（训练集）	背景或未勾画的淋巴结（部分标注）	假阴性噪声区——见 §3.3 三种应对
掩码值 0（验证/测试）	纯背景（全标注）	可放心当真阴性
DICOM 序列	原始对比增强 CT	窗宽窗位自调；淋巴结观察常用纵隔窗
NRRD 体数据	重采样/对齐后的体数据（与掩码同几何）	训练主入口；与掩码逐体素对齐
亚厘米淋巴结	不在掩码里（任务定义之外）	别拿 LNQ 评全尺寸淋巴结检测

附录 F：冠军配方复现骨架（伪代码）

# 阶段 0：数据获取（TCIA 直链，CC BY 4.0）
#   tcia collection: Mediastinal-Lymph-Node-SEG（513 例，NRRD/DICOM）
#   外部数据: TCIA CT Lymph Nodes (Roth 2015) + Bouget 2023 精修版

# 阶段 1：背景伪标签（组件二）
#   对全部 LNQ CT 跑 TotalSegmentator -> 器官掩码
#   掩码值域映射: 非淋巴结器官=背景类(多类), 其余=待定

# 阶段 2：外部预训练（组件三）
#   在 CT Lymph Nodes + Bouget 上按 nnU-Net 流程预训练
#   目标类别: 淋巴结(单类); 允许跨域(腹/盆/胸)

# 阶段 3：LNQ 微调（组件一）
#   nnU-Net ResEnc 配置; 训练集 383 例(部分标注,硬训)
#   背景 = TotalSegmentator 器官伪标签 + 未标注区
#   验证: 20 例全标注; 每 epoch 算 DSC/ASSD

# 阶段 4：推理与自评
#   对验证 20 例推理 -> DSC/ASSD 逐例 -> 与论文验证榜对表
#   测试 100 例只跑一次(若复现榜单), 与 Table 3 对表
#   禁止: 尺寸阈值后处理(坑见 §5.3)

附录 G：常见错误口径对照表

你可能看到的写法	实际情况	出处
“540 patients”	513（论文+TCIA 双源）	selectdataset（坑 2）
“393 training cases”	383（论文 Table 1）	aifasthub（坑 1）
“DOI 10.59275/j.melba.2024-AAAA”	10.59275/j.melba.2025-d482	arxiv-vanity 镜像占位符（坑 4）
“LNQ 数据集 CC BY 4.0 开放”	仅 TCIA 版成立；挑战赛版注册制	混轨表述（坑 5）
“513 例全标注淋巴结分割数据集”	仅 120 例全标注；训练 383 部分标注	概括失真（坑 7）
“测试集不可获取”	2023-2024 年属实；2024-08-28 起 TCIA 全量公开	时间线（坑 3）
“Mediastinal-Lymph-Node-SEG 是另一个数据集”	就是 LNQ 的 TCIA collection 名	命名家族（坑 6）

附录 H：TCIA 下载与读取 step-by-step

Step 1 定位收藏页
  - 从 doi.org/10.7937/QVAZ-JA09 解析到 TCIA 收藏页（Mediastinal-Lymph-Node-SEG）
  - 核对四要素：CC BY 4.0 / 2024-08-28 / 513 subjects / 35.27GB
Step 2 生成清单
  - Download -> Image -> 生成 .tcia manifest
  - 只需要验证 20 例：改用 REST API 按 Subject ID 精准取
Step 3 批量下载
  - 安装 NBIA Data Retriever -> 打开 manifest -> 等待 35.27GB 落盘
Step 4 结构自检（抽样 3-5 例即可）
  - DICOM series 与 NRRD 影像层数一致
  - 掩码二值、非空、与影像同几何
  - 验证/测试例连通域数量级正常（个位数到数十）
Step 5 建立本地索引
  - 按 subject_id / split（train/val/test）/ 标注协议（partial/exhaustive）
    建 CSV 索引表——把"部分标注 vs 全标注"作为一等字段（坑 7 的工程化防线）
Step 6 训练/评测分流
  - 训练只用 383 例（记得部分标注语义）
  - 日常调参只用验证 20 例
  - 测试 100 例锁定，复现榜单时一次性使用

附录 I：癌种背景与使用注意（前六癌种逐行）

癌种	例数	纵隔淋巴结受累的临床语境	使用注意
乳腺癌	80	分期与疗效评估的常规评估区	分布相对"典型"，适合当默认子群
CLL	74	血液肿瘤，纵隔淋巴结肿大常见且多发	多发弥漫病例多，枚数歧义上升
NSCLC	58	分期直接决定治疗策略（站点语义强）	与分期工作流结合研究价值最高
霍奇金淋巴瘤	38	bulky/conglomerate 病灶多	难度放大器：评测务必单独分层（§4.5）
SCLC	30	纵隔侵犯高发	病灶负荷大，边界融合常见
肾细胞癌	25	淋巴转移路径可经纵隔	例数最少的前六成员，分层统计功效有限

两条通用注意：其一，前六合计约占 60%，其余四成分散在其他癌种——分层报告时小子群的置信区间会很宽，别过度解读；其二，"癌种"是背景标签而非掩码属性，掩码本身不含病灶性质信息。

附录 J：版本与时间线总表（引用时对表用）

时点	事件	权威凭证
2023-04-19	挑战赛提案 Zenodo 存档（11 作者）	DOI 10.5281/zenodo.7844666
2023-05-01	验证榜开放（每日 3 次提交）	官网/论文
2023-08-30	验证榜关闭	官网/论文
2023-09-20	测试提交截止（容器评测，测试集私有）	官网/论文
2023-10	MICCAI 2023 LNQ workshop 公布名次	会议
2024-08-19	论文预印 arXiv v1	arXiv:2408.10069
2024-08-20	MELBA 收稿（Received）	论文页
2024-08-28	TCIA 全量公开（CC BY 4.0，含测试集）	DOI 10.7937/QVAZ-JA09
2025-01-29	MELBA 正式发表（Vol 3）	DOI 10.59275/j.melba.2025-d482
2026-09-26	本条目三源核验抓取时点	见附录 A

附录 K：nnU-Net 复现命令骨架（标准用法，非官方脚本）

# 前提：nnU-Net v2 已安装，环境变量 NNUNET_RAW / NNUNET_PREPROCESSED 已配置
# 步骤 0 数据转换：TCIA NRRD -> nnU-Net Dataset 格式（imagesTr/labelsTr + dataset.json）
#   - 训练 383 例入 imagesTr；验证 20 例留作自评，不进训练
#   - labels 只含 {0 背景, 1 淋巴结}；dataset.json 的 labels 字段对应
#   - 部分标注语义保留（不要试图"补零"未勾画区域）

# 步骤 1 计划与预处理（nnU-Net 自动配置 spacing/patch/增广）
nnUNetv2_plan_and_preprocess -d DATASET_ID --verify_dataset_integrity

# 步骤 2 基线训练（3d_fullres 默认配置）
nnUNetv2_train DATASET_ID 3d_fullres 0        # fold 0
#   进阶：改用 ResEnc 配置（对应冠军组件一）
nnUNetv2_train DATASET_ID 3d_fullres_resenc 0

# 步骤 3 验证集自评（20 例全标注）
nnUNetv2_predict -i VAL_DIR -o PRED_DIR -d DATASET_ID -c 3d_fullres
#   - 预测掩码重采样回原始 spacing 后再算 DSC/ASSD（附录 H Step 6 / Q37）

# 步骤 4 背景伪标签（组件二，进阶）
#   对 LNQ CT 跑 TotalSegmentator -> 器官掩码 -> 映射为多类背景并入训练标签
#   注意：淋巴结不在 TotalSegmentator 清单内，前景/背景互斥成立（§5.6）

# 步骤 5 外部数据预训练（组件三，进阶）
#   TCIA CT Lymph Nodes + Bouget 2023 先训 -> 权重迁移到 LNQ 微调
#   外部数据的许可与引用逐条核对（Q43）

# 禁用项：推理输出不做任何尺寸阈值过滤（§5.3 三连反例）

骨架只到"能跑"为止；冠军级成绩还需要在三件套上做完整工程（外部数据混合比例、增广细节、集成与否），以冠军论文与论文 Table 2 为准。

附录 L：常见误解 vs 事实速查

误解	事实
“数据集很大，适合从零预训练”	513 例是基准规模不是预训练规模；预训练请去外部数据（§5.2 组件三）
“513 例全标注，拿来就训”	仅 120 例全标注；训练 383 例部分标注，直接硬训会吃假阴性噪声（坑 7）
“DSC 71.2% 说明模型不行”	71.2% 是世界冠军水平；小目标的 71% 难度当量大器官的 95%（§2.6）
“删掉小连通域能清洗预测”	三连反例证明反降分；小连通域正是目标本身（§5.3）
“验证集 20 例太小没法用”	小是刻意的防过拟合设计；自评 DSC/ASSD 绰绰有余（§4.2）
“测试集不可得，没法复现”	2024-08-28 起 TCIA 全量公开（坑 3 的当前时点答案）
“LNQ 掩码区分淋巴结转移与否”	不区分；单类掩码，性质判断留给下游（§2.4）
“层间距统一 3mm”	测试集 3.8mm；预处理写死 3.0 会出事（坑 8）
“用 2D 切片模型更快更省”	2.5D 路线列第六；z 轴上下文对小目标是刚需（§5.5）
“TCIA 版和挑战赛版是两个数据集”	同一数据集的两个分发轨；许可与访问方式不同（坑 5/坑 6）

---

尾注

本条目为千方病案医数集 AI-Ready Wikipedia 之 LNQ 2023 条目。所有硬数字经官网（lnq2023.grand-challenge.org）、MELBA 专刊论文（DOI 10.59275/j.melba.2025-d482）与 TCIA 收藏页（DOI 10.7937/QVAZ-JA09）三源交叉核验，抓取时点 2026-09-26；与第三方口径的冲突已在 §10 八坑与附录 G 存照。条目立场：转引数字以论文与数据仓库为最终依据，第三方聚合站点仅作对照。

---

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：

• 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
• 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
• learn2reg — 共享标签：医学影像 / CT / 挑战赛数据集 / 评测基准 / 肺癌
• rexgrounding-ct — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 肺癌
• lndb — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 肺癌
• 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
• 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

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。