LVQuan 2018 (lvquant) — AI-Ready Wikipedia

INFOBOX — LVQuan 2018 一屏速览

维度	内容
本质	MICCAI 2018 STACOM workshop 的左心室全量化挑战赛数据集（首个 LV quantification 专项公开基准）
官方全称	Left Ventricle Full Quantification Challenge（LVQuan18）
数据集名	Cardiac-DIG（官网 details 页亦写 DIG-Cardiac，坑 3）
主办	Shuo Li、Wufeng Xue（2018 时 Western University；坑 2 机构漂移）
数据	175 例受试者 = 训练 145 + 测试 30；每例 20 帧心中部短轴 cine-MRI，共 3,500 帧
图像规格	80×80 预处理 ROI（landmark 旋转→裁剪→缩放）；像素间距原 0.68-2.08 mm/px
标注	逐帧心肌掩码 + 12 项量化指标：A-cav/A-myo、D1-D3、RWT1-RWT6、时相
任务	4 类全量化：面积 ×2、方向径线 ×3、区域壁厚 ×6、心动时相二分类
指标	MAE + PCC（连续目标）；错误率（时相）；3 折交叉验证（49/48/48）
冠军	Jiahui Li & Zhiqiang Hu（LDAMT，深度聚合多任务关系学习）：面积 MAE 301 mm²、径线 2.15 mm、壁厚 2.03 mm、时相错误率 9.5%
科学结论	直接回归（DR）不需要密集掩码监督即可与基于分割（SG）路线等价——弱监督量化的早期实证
论文	IEEE JBHI 2021;25(9):3541-3553，doi:10.1109/JBHI.2021.3064353，PMCID PMC7611810
获取	官网 lvquan18.github.io（2017-11-26 发布训练数据）；许可条款缺位（坑 5）
库内互链	ACDC（rid 511）、Cardiac Atlas Project（rid 521）、CAMUS（rid 533）、EchoNet-LVH（rid 530）

LVQuan 2018 是心脏影像领域一次"改问题"的挑战赛：在几乎所有前驱赛事都把"把左心室分出来"当作终点时，它把问题推进了一步——分割只是手段，临床要的是数字：腔多大、壁多厚、现在是收缩还是舒张。为此它发布了 Cardiac-DIG：175 例、3,500 帧、逐帧心肌掩码加 12 项量化指标 ground truth 的全量化基准，并在 12 支参赛队伍的对抗中留下一条至今被反复援引的结论：不用像素级掩码监督的直接回归方法，可以做到与基于分割的方法一样好。

导语读法三则：

1. 只想下数据：直奔 §6——注意数据走官网 2017 年发布链路，许可条款缺位（坑 5），商用前先邮件主办方。
2. 关心赛果与排名：直奔 §3 排名表与 §4 方法解剖——冠军 LDAMT 的四项成绩与 SG/DR 之争都在那里。
3. 设计自己的挑战赛：直奔 §3 协议设计（12 目标、3 折 CV、双轨标注）与 §10 坑点档案——这是一份现成的赛制参考。
4. 评估数据治理：直奔 §6（获取与许可）、附录 B（DAIMS）与附录 L（可获取性债务画像）——这是一份 2018 年代挑战赛数据的治理标本。

章节地图：§2 是数据本体（规格、预处理、双轨标注、真值分布），§3-§4 是挑战赛（协议、排名、方法解剖、SG/DR 之争），§5 是学术生态（综述、论文集、谱系、后续影响），§6-§8 是使用侧（获取许可、横向对比、加载与复现代码），§9-§10 是问答与坑点，事实清单与术语表是检索底座，附录 A-N 是证据链与操作卡片。全文事实性陈述均挂一手来源，两处官方口径冲突（数据集名写法、排名表行数）与全部 metadata 缺陷在坑点档案存照。

§0 导读：这个数据集解决什么问题

左心室（LV）的量化是心脏影像分析中临床需求最集中的任务群：腔面积与心肌面积决定重构评估，径线与壁厚是肥厚与扩张的分型依据，心动时相对齐是射血分数（EF）计算的前提。临床指南推荐的 LV 质量、容积、EF 全部依赖这些基础测量。但在 2018 年之前，公开基准几乎全部停在"分割"这一层——ACDC（MICCAI 2017）给的是 RV/心肌/LV 三结构掩码，LVSC（2011）给的是分割排名，Sunnybrook（2009）同样。分割掩码到临床数字之间还隔着一步"怎么算"，这一步没有人统一评测过：同一副掩码，用不同的径线定义、不同的壁厚射线法、不同的时相判定，算出来的数字并不一样。

LVQuan 2018 的回答分三层。第一层是问题重定义：把 LV 全量化（full quantification）拆成四类 12 项目标——2 个面积（腔 A-cav、心肌 A-myo）、3 个方向性径线（D1-D3）、6 个 AHA 分区区域壁厚（RWT1-RWT6）、1 个心动时相二分类——全部纳入统一评测，而不是只比一个 Dice。第二层是数据双轨标注：Cardiac-DIG 同时提供逐帧心肌掩码与逐帧量化真值，使分割路线（SG，segmentation-based）与直接回归路线（DR，direct regression）能在同一数据上同台对比——这是它区别于所有前驱赛事的结构性创新。第三层是预处理标准化：所有图像由主办方统一执行 landmark 标注、旋转、ROI 裁剪、缩放至 80×80，参赛者拿到的是对齐成品，评测不受各自预处理差异污染。

2018 年 9 月 16 日，挑战赛在西班牙格拉纳达（与 MICCAI 2018 同期）落幕，12 支队伍提交结果。赛后官方综述发表于 IEEE JBHI（2021），把 12 支队伍的方法统一复评，结论至今有效：DR 与 SG 两条路线性能相当，且可以互补组合——小数据用 SG 的像素监督，大数据用 DR 的弱监督。

0.1 放回 2018 年看：心脏影像挑战赛的转折点

把 LVQuan 2018 放回它的时间点，才能看清它"改问题"的分量。

2018 年前后，心脏 cine-MRI 的深度学习分割刚经历第一轮平台化：ACDC（MICCAI 2017）把 150 例检查的三结构（RV/心肌/LV）分割做成公开基准后，U-Net 系结构在短轴分割上的 Dice 很快进入平台期，纯分割榜单的区分度开始失效。与此同时临床侧的诉求从未改变——影像科医生读 cine 序列时写下的是一组数字（腔径、壁厚、面积、时相），不是掩码。分割到数字之间的"怎么算"一步，在此前的所有挑战里都被默认留给参赛者自行处理：Sunnybrook（2009）与 LVSC（2011）只评掩码，谁也不管掩码换算成径线时的射线定义是否一致。

LVQuan 2018 对这个空档的回应可以概括为一次评测对象迁移实验：把评测的终点从掩码挪到数字，把掩码降级为中间产物（双轨标注中的一轨）。这个迁移带来三个连锁设计，全部是同代挑战赛中未见过的：

1. 标注必须逐帧：时相判定与面积变化曲线都要求覆盖全心动周期，ED/ES 两帧标注（ACDC 范式）不足以监督量化任务——Cardiac-DIG 因此成为早期心脏公开数据中标注密度最高的数据集之一（20 帧/例全标注）。
2. 预处理必须统一：量化值对几何定义极其敏感，若参赛者各自缩放/旋转，径线与壁厚真值的语义就漂移了——四步预处理流水线（§2.3）因此是量化赛的结构必需，而非便利措施。
3. 指标必须双轨：单一 MAE 会被"预测中位数"策略欺骗，PCC 必须并列（§3.2）——这是量化评测区别于 Dice 评测的指标学负担。

这三条连锁设计在 2018 年之后的心脏量化文献里成为隐性标准：后来的超声量化基准（CAMUS 的 EF 计算、EchoNet 系的量化回归）虽然模态与规模各异，但"逐帧标注 + 统一几何定义 + 多指标并列"的三件套都能找到同构物。换句话说，这个数据集的价值不只在于 175 例数据本身，更在于它第一次把"量化评测需要什么"完整地演了一遍——包括演出了哪些坑（§10 坑点档案的相当部分正是这套设计的事后账）。

0.2 相邻概念边界：四个最易混淆的名字

检索与引用本条目时，以下四个"近亲"需要主动划清边界：

名字	是什么	与 LVQuan 2018 的关系	辨析要点
LVSC	Left Ventricle Segmentation Challenge（2011，cardiacatlas.org 系）	前代 LV 分割赛事	任务是分割不是量化；年代差 7 年（坑 1）
Sunnybrook	2009 年心脏分割挑战数据集	更早的分割基准	同上；文献常三者并引，注意各自年份
ACDC	Automatic Cardiac Diagnosis Challenge（MICCAI 2017）	同语言体系的分割+诊断赛	全栈短轴 vs 单中部切片；掩码评测 vs 数值评测
M&Ms	Multi-Centre, Multi-Vendor & Multi-Disease（2020-）	分割赛道的多中心续作	无量化真值；域泛化维度是 LVQuan 没有的

一个快速自检：如果一段文献在讨论"LV 全量化、12 项目标、直接回归 vs 分割"，那说的是本条目；如果只在讨论 Dice 与三结构掩码，大概率是 ACDC/LVSC——几个名字都以 LV 开头，任务却分属两代。

0.3 30 秒版数据画像

如果只保留三条断言带走：

1. 它把心脏挑战赛的评测终点从"掩码"改成了"临床数字"——四类 12 项（2 面积 + 3 径线 + 6 壁厚 + 1 时相），每例 20 帧逐帧给真值，175 例 / 3,500 帧。
2. 它的数据设计本身就是一场对照实验——双轨标注（掩码 + 数值）让"先分割再换算"与"直接回归"两条路线在同一数据上对决，官方综述的结论（两条路线相当、可组合）至今被弱监督量化文献援引。
3. 它的短板与长板同样典型——任务定义与标注体系是 2018 年代一流水平，但许可条款缺位、无长期镜像、官网停更，DAIMS 综合 6.0/10（附录 B），是"内容 9 分、治理 4 分"的标准画像。

§0 读法三则：

1. 这个条目是"挑战赛 + 数据集 + 方法学结论"三合一：本体是 Cardiac-DIG 的 3,500 帧双轨标注，副产品是一套 SG vs DR 的统一评测框架，遗留资产是一条被广泛援引的等价性结论——三者分别对应 §2、§3-§4、§5。
2. 全文数字均出自官网（lvquan18.github.io）、官方综述（IEEE JBHI 2021，PMC7611810）与 STACOM 2018 论文集（LNCS 11395）三个一手来源；两处口径差异（排名表行数、数据集名写法）已在坑 8、坑 3 存照。
3. 检索时若把 “LV Quantification Challenge 2011” 当作本条目去搜，会误入更早的 LVSC——两个赛事相隔七年、任务不同（坑 1）。

§1 数据集速览：十问十答

Q1：LVQuan 2018 的官方全称是什么？
Left Ventricle Full Quantification Challenge（LVQuan18），即左心室全量化挑战，2018 年 9 月 16 日在西班牙格拉纳达举办，与 MICCAI 2018 同期，挂在第 9 届 STACOM workshop（Statistical Atlases and Computational Modeling of the Heart）之下。注意"Full"在官方标题里——它强调"全量化"：所有临床有意义的 LV 指标都测，不只是体积。

Q2：175 例数据从哪来？
加拿大安大略省伦敦市三所医院，隶属两大健康中心（London Healthcare Center 与 St. Joseph’s HealthCare），从临床常规检查连续收集、无筛选：训练 145 例（年龄 16-97，平均 58.9），测试 30 例（年龄 11-80）。病理谱覆盖室壁运动异常、心肌肥厚、扩张型心肌病、房间隔缺损、缩窄性心包炎等——是一个病种多样的真实临床样本，不是健康志愿者集。

Q3："全量化"量的是什么？
四类 12 项目标：①面积 ×2——LV 腔面积 A-cav、心肌面积 A-myo（mm²）；②方向性径线 ×3——D1-D3（mm）；③区域壁厚 ×6——RWT1-RWT6，按 AHA 六分区（前壁 A、前间隔 AS、下壁间隔 IS、下壁 I、下侧壁 IL、前侧壁 AL）；④心动时相 ×1——收缩/舒张二分类。12 个目标逐帧给出真值，覆盖整个心动周期。

Q4：图像是什么规格？
心中部短轴（mid-ventricular short-axis）2D cine MR，每例完整心动周期 20 帧。原始像素间距 0.68-2.08 mm/px（众数 1.56）。所有图像统一预处理：两个 LV-RV 交点 landmark 定位→旋转对齐→ROI 裁剪（边长为 landmark 间距两倍的正方形）→缩放至 80×80。同例各帧同一变换，保留心肌运动信息。

Q5：标注长什么样？
双轨。第一轨：逐帧心肌分割掩码（可训练 SG 方法）；第二轨：逐帧 12 项量化真值（可训练 DR 方法）。两轨由同一套掩码导出，保证一致性——这使 Cardiac-DIG 成为"同一数据、两种监督范式"的对照实验场。

Q6：谁赢了？
12 支队伍提交，官网最终榜：第 1 名 Jiahui Li 与 Zhiqiang Hu 的 LDAMT（深度聚合多任务关系学习，DR 类方法），四项排名中三项第一（面积/径线/壁厚），时相第二；第 2 名 King’s College London 的 Kerfoot 等人（残差 U-Net，SG 类）；第 3 名并列两队（Guo 等的 U-Net+连续最大流、Oxford 的 Xu 等的直接 vs 分割对比方法）。LDAMT 成绩：面积 MAE 301 mm²、径线 2.15 mm、壁厚 2.03 mm、时相错误率 9.5%。

Q7：SG vs DR 的结论是什么？
官方综述的核心发现：DR 方法不需要密集掩码监督，就能做到与 SG 方法相当的量化精度；两者的误差结构不同（SG 在掩码边界上更稳，DR 省标注成本），可以组合使用——小数据集上用 SG 的像素监督、大数据集上用 DR 的弱监督。这条结论是后续弱监督心脏量化研究的常用论据。

Q8：我现在能拿到数据吗？许可是什么？
训练数据 2017-11-26 经官网发布（lvquan18.github.io），详情页指向 DIG-Cardiac 数据集文档；测试结果经邮件 lvquan18@outlook.com 提交。官网未附数据许可条款——引用与商用前需邮件主办方确认（坑 5）。无官方 Zenodo/HuggingFace 镜像。

Q9：它和 ACDC 是什么关系？
直系前后辈：ACDC（MICCAI 2017）做全栈短轴的分割与诊断分组，LVQuan 2018 做单中部切片的全量化——两者共用"cine-MRI + 短轴 + LV/心肌"的语言体系，但评测对象从掩码换成了数字。Cardiac-DIG 的 80×80 预处理范式也与 ACDC 的原始 NIfTI 形成鲜明对照：前者降低任务门槛、标准化评测，后者保留更多原始信息。

Q10：为什么它对 AI-Ready 重要？
它是"任务定义先于数据发布"的范例：12 项目标的定义、评估公式（MAE/PCC）、交叉验证配置在数据发布时全部写清，检索者拿到的不是一堆掩码而是一份可复现的评测协议。它的教训同样有价值：license 缺位、无长期镜像、官网静态托管——2018 年挑战赛数据普遍存在的"可获取性债务"，正是 AI-Ready 评估要量化的东西（§6）。

§2 数据构成与规格：Cardiac-DIG 本体解剖

2.1 来源、规模与病理谱

Cardiac-DIG 由两大健康中心（London Healthcare Center 与 St. Joseph’s HealthCare）下属三所医院收集，全部来自临床常规检查、无任何选择标准——论文原文强调"Because all the subjects were collected from clinical practice without any specific selection, pathologies from moderate to severe cardiac issues were present"。这不是一个健康人基准，而是一个真实临床分布的切片：

属性	训练集	测试集
受试者数	145	30
帧数（20 帧/例）	2,900	600
年龄（min/median/max）	16 / 59 / 97	11 / 58 / 80
性别	男 50 / 女 20 / 未知 73	男 20 / 女 10
体重（kg）	45.36 / 86.18 / 230	70 / 79.5 / 93
EF（%）	9.6 / 40.6 / 73.8	16 / 42.5 / 87
舒张期帧 / 收缩期帧	1680 / 1220	342 / 258

三个观察：

1. 性别字段过半缺失：训练集 145 例中 73 例性别"Unknown"（约 50%）——早期挑战赛 metadata 管理粗放的直接证据（坑 4）。任何按性别分层的公平性分析在此数据上不可行。
2. EF 覆盖全病程：9.6% 至 87.3% 跨度意味着从终末心衰到健康供体水平的功能谱都有——这对量化模型是好事（目标值分布宽），对分割模型是坏事（极小腔与肥大心肌的形态学极端样本都在）。
3. 体重上限 230 kg 疑似录入异常：正常成年人体重中位数 86 kg，230 kg 虽在病态肥胖范围内但与测试集上限 93 kg 相差悬殊，不排除单位或小数点录入错误（坑 4 存照）。

病理谱（论文列举）：区域性室壁运动异常、心肌肥厚、扩张型心肌病、LV 轻度增大、房间隔缺损、LV 收缩功能障碍、LAD（左前降支）区域缺血、缩窄性心包炎等。

病理谱逐项与 12 目标的关联（为什么这个谱对量化任务友好）：

• 区域性室壁运动异常：直接体现在逐帧面积曲线的局部形态与时相过渡异常上——DR 方法可从数值序列学到运动线索，SG 方法在运动异常帧的分割会变难。
• 心肌肥厚：RWT 高值端的主要来源（训练上界 24.43 mm，远超正常上限），与 §2.7 六分区的供血判断配合可做定位读数。
• 扩张型心肌病：A-cav 高值端来源（训练最大 4,936 mm²），常伴 EF 低值（最低 9.6%）——腔大壁薄的功能学组合。
• 房间隔缺损：容量负荷型改变的来源，腔面积偏大而心肌厚度正常——与肥厚形成形态学两极的对照样本。
• 缩窄性心包炎：舒张受限，面积曲线的充盈段形态特殊——20 帧全周期标注使这类舒张期异常可见，ED/ES 两帧标注方案会把它漏掉。

这份"病理 × 量化表现"的映射正是"临床连续收集"的价值：Cardiac-DIG 不是均衡采样的教科书集，而是量化模型上线后真正会遇到的数据分布。

2.2 切片选择协议：为什么只有一个中部切片

Cardiac-DIG 不给全栈短轴，只给每例 1 个心中部切片的 20 帧。选择协议遵循标准 AHA 处方：沿 LV 长轴将心室三等分，取基底段与心尖段之间的中部段，且要求该切片可见乳头肌与肌小梁——这是临床心脏影像阅读中最具信息量也最难的层面。

论文对此的权衡说明很直白：全栈短轴可以精确计算 LV 容积，但标注工作量"remarkably heavy"（每例 8-15 个层面 × 每层面 20 帧）；单中部切片把标注成本压掉一个数量级，代价是不能直接做体积法 EF——面积法 EF 仍可近似（单平面面积长度法是临床认可的近似），但这是使用者必须自知的边界。做全量化研究（面积、径线、壁厚、时相）不受影响；做容积估算研究请转 ACDC 或 M&Ms（§7）。

2.3 预处理流水线：四步标准化

所有图像（训练+测试）在发布前经主办方统一四步预处理：

步骤	操作	说明
1	Landmark 标注	手工标记 LV 与 RV 的两个交点（室间隔与心外膜交界）
2	旋转	使两 landmark 连线垂直，统一图像方向
3	ROI 裁剪	以两 landmark 中点为中心，裁剪边长为 landmark 间距两倍的正方形
4	缩放	统一 resize 至 80×80 像素

关键设计：同一患者的全部 20 帧使用同一组 landmark 与同一变换——不是逐帧独立对齐。这保证了帧间心肌运动不被预处理抹掉，时相与运动相关的量化研究才成立。

这套预处理的两个人群效应，论文原文有清醒的自我评估：

1. 降低任务难度：“alleviate the difficulties of the task a lot and make researchers focus on the quantification or segmentation of the myocardium”——参与者不用操心方向、尺度、位置，模型可以专注于量化或分割本身。
2. 评测公平：“make the evaluation not biased by various pre-processing”——所有参赛者的输入完全一致，成绩差异只能来自算法本身。

代价同样明确：80×80 的低分辨率牺牲了空间细节（原始 0.68-2.08 mm/px 的信息被压缩），landmark 定位的误差成为系统误差的固定下限，且原始未对齐图像未随数据集公开——想在原生分辨率上工作的研究者拿不到原料（rai:dataLimitations 已存照）。

复现视角的两点注意：

1. 面积因子的换算：80×80 是 resize 后的像素网格，真值面积用 mm² 表达——意味着发布方持有一个"缩放后像素 → mm²"的面积因子映射（逐例取决于原始像素间距与缩放比）。使用者从掩码自行算面积时，若拿不到官方逐例面积因子，换算结果与官方真值会有系统性偏差——先核对数据文档是否附带该映射（§8.5 代码的 pixel_area_mm2 参数即为此留位）。
2. 旋转角度无元数据：四步流水线未声明是否随数据发布 landmark 坐标与旋转参数。若无，从 80×80 图像反推原生几何（如计算真实径线方向）不可行——这也是 §2.8"径线方向以官方定义为准"存照的根源。

2.4 双轨标注体系

标注轨	内容	粒度	服务对象
掩码轨	心肌分割掩码（LV 腔 + 心肌环）	逐帧（20 帧/例全覆盖）	SG 方法（分割监督）
指标轨	A-cav、A-myo、D1-D3、RWT1-RWT6、时相	逐帧	DR 方法（直接回归监督）+ 全体参赛者评测

两轨的一致性由构造保证：指标真值由掩码按几何公式计算（面积=像素计数×面积因子；径线与壁厚按定义的射线/弦长求值；时相按整个周期的时间对齐判定）。因此掩码与指标之间不存在独立双标的分歧——引用该数据的真值时，两者是同一事实的两种表达，不是两个独立标注源。

"同一事实的两种表达"有一个实际推论：做一致性自检时，可以对自己的分割结果同时算两轨并交叉验证——例如从掩码导出的 A-cav 若与真值 A-cav 偏差大，但模型直接回归的 A-cav 与真值接近，说明分割环节有病；反之则说明回归头绕过了掩码信息。两轨互为审计工具的用法，是双轨标注设计送给使用者的隐性福利。

2.5 真值分布速查

训练集真值统计（min/median/max，论文 Table II 口径）：

指标	范围（训练）	范围（测试）
A-cav（mm²）	485 / 2099 / 4936	535 / 2118 / 4560
A-myo（mm²）	788 / 1922 / 3812	1164 / 2453 / 4181
Dimensions（mm）	23.8 / 51.5 / 81.0	24.2 / 52.0 / 78.9
RWTs（mm）	1.40 / 8.76 / 24.43	4.67 / 10.96 / 22.86

两个分布特征值得注意：训练与测试的分布高度相似（同机构同协议连续收集的直接后果），意味着这个数据集上的成绩不能说明跨中心泛化能力；RWT 范围 1.40-24.43 mm 覆盖从极薄到重度肥厚的全谱，是 12 项目标中分布最宽的——也是 LDAMT 之后仍留有改进空间最大的目标。

分布读法的统计学提醒：

1. 中位数 vs 均值的口径：上表按 min/median/max 三点给数，非均值±标准差——引用时写"中位数"勿写"平均"，两者在偏态分布（腔面积右偏是常态）上差异可观。
2. 训练测试相似性是设计使然：同机构、同设备族、同协议的连续收集必然产生相近分布——这不是缺陷，但引用成绩时必须随附"同分布"限定语，防止读者把 301 mm² 误读为泛化性能。
3. 极值不是错误：485 mm² 的极小腔与 4,936 mm² 的极大腔都来自病理谱（§2.1），做数据清洗时不应按"3σ 外即离群"删除——删掉它们等于删掉这个数据集的临床价值所在。

2.6 数据集名与引用规范

同一数据集在两个一手来源中有两种写法：官方综述（JBHI 2021）通篇写 Cardiac-DIG，官网 details 页写 “DIG-Cardiac dataset”。两种写法检索命中率不同（Google Scholar 上 Cardiac-DIG 更多），条目统一采用综述口径 Cardiac-DIG，并在坑 3 存照（坑 3）。

引用规范：数据本体引官网（lvquan18.github.io）+ 官方综述（Xue et al., IEEE JBHI 2021, doi:10.1109/JBHI.2021.3064353）双源；参赛方法论文引 STACOM 2018 论文集（LNCS 11395, Springer 2019）。

BibTeX 最小集（三键，覆盖 90% 引用场景）：

@misc{cardiacdig2018,
  title  = {Cardiac-DIG Dataset ({LVQuan18} Challenge)},
  author = {{LVQuan18 organizers}},
  year   = {2017},
  note   = {Training data released 2017-11-26. \url{https://lvquan18.github.io/}}
}
@article{xue2021lvquan,
  title   = {Left Ventricle Quantification Challenge: A Comprehensive Comparison and Evaluation of Segmentation and Regression for Mid-Ventricular Short-Axis Cardiac {MR} Data},
  author  = {Xue, Wufeng and others},
  journal = {IEEE Journal of Biomedical and Health Informatics},
  volume  = {25}, number = {9}, pages = {3541--3553}, year = {2021}
}
@proceedings{stacom2018,
  title     = {Statistical Atlases and Computational Models of the Heart. Atrial Segmentation and LV Quantification Challenges (STACOM 2018)},
  editor    = {Pop, Mihaela and Sermesant, Maxime and others},
  series    = {LNCS}, volume = {11395}, publisher = {Springer}, year = {2019}
}

著录提示：综述作者 25 人，BibTeX 中建议写全或按目标期刊规范截断（“Xue W, … others”）；@misc 键的年份写 2017（数据发布年）或 2018（挑战年）皆有所本，全文统一即可（坑 7）。

2.7 AHA 六分区速读：RWT1-RWT6 背后的解剖学

12 项目标中最"临床"的一组是 RWT1-RWT6。理解它们要先过一遍 AHA 分区在心中部短轴的切法：以 LV-RV 两 landmark 连线（室间隔方向）为参照，LV 心肌环在短轴切面上被分为六个扇区——

区号代码	AHA 名称	中文	典型冠脉供血
A	Anterior	前壁	LAD
AS	Anterior Septal	前间隔	LAD 间隔支
IS	Inferior Septal	下壁间隔	RCA（多数人）
I	Inferior	下壁	RCA（多数人）
IL	Inferior Lateral	下侧壁	RCA / LCx 变异带
AL	Anterior Lateral	前侧壁	LCx

这张供血对应表正是区域壁厚作为临床指标的价值所在：冠心病患者的缺血呈血管床分布，全局平均壁厚会把病变扇区稀释掉，而 RWT1-RWT6 保留了"哪个扇区薄/厚"的空间信息。论文列举的病理谱中"LAD 区域缺血"与"区域性室壁运动异常"两项，天然就是六分区壁厚与运动分析的靶子。

三个使用注意：

1. 分区命名有版本差异：AHA 17 段模型的正式编号为基底段 1-6、中部段 7-12、心尖段 13-17，Cardiac-DIG 用的是心中部切面的六分区方位简写（A/AS/IS/I/IL/AL），与 AHA 原始编号的对应（大致为中部段 7-12）需在论文方法节自行注明。
2. 乳头肌处理细则存照：心中部切面常含乳头肌，壁厚射线是否穿越乳头肌、腔面积是否扣除乳头肌，本条目检索范围内未见官方公开细则（附录 C 证据链未覆盖此点）——复现换算前请核对综述原文与数据文档，这是换算管线里最大的自由度来源。
3. 射线法定义的敏感性：区域壁厚通常用"从腔质心放射状射线穿越心肌"的射线法求值，射线角度抽样密度（每 1° 还是每 5°）直接影响 RWT 数值的平滑程度——参赛者与复现者固定定义后必须声明。

2.8 十二项目标逐项深读：临床意义与误差代价

把 12 项目标按"临床用途 × 误差代价"展开，可以看清楚这套评测设计的内在结构：

面积组（A-cav、A-myo）——重构与质量的入口

• A-cav（腔面积）：舒张末腔面积是容量负荷（扩张型心肌病、瓣膜反流）与压力负荷（高血压、主动脉瓣狭窄）分型的第一证据。Cardiac-DIG 训练集中位 2,099 mm²、范围 485-4,936 mm²——覆盖从限制性小腔到重度扩张的全谱。
• A-myo（心肌面积）：左室心肌质量的前身指标（质量 ≈ 心肌面积 × 切层厚度 × 心肌比重 1.055 g/cm³），肥厚型心肌病筛查的核心量。训练集中位 1,922 mm²。
• 误差代价：面积是像素计数的直接函数，单像素边界误差在 80×80 网格上占比可观——这两个目标实际考验模型的边界定位能力。

径线组（D1-D3）——几何形态的骨架

• 三条方向性径线给出腔的形状描述（圆度、长宽比），用于重塑（remodeling）分型：离心扩张、向心重构等分型都依赖径线与壁厚的组合读数。
• 误差代价：径线是两点间距离，端点定位误差直接进距离——单像素端点误差可放大为毫米级，这正是 SG 路线在径线分项（§4.3）被 DR 拉开的原因之一。

壁厚组（RWT1-RWT6）——肥厚与缺血的定位器

• 六分区壁厚直接对应肥厚型心肌病诊断（经典阈值：任何部位 ≥15 mm，有家族史者 ≥13 mm）与缺血分布判断（§2.7 供血表）。
• 训练集范围 1.40-24.43 mm，是 12 目标中分布最宽的——极端两端（极薄梗死区、重度肥厚）都是形态学困难样本。
• 误差代价：最高的一组。壁厚 = 外轮廓半径 − 内轮廓半径，是"两个半径之差"，边界噪声在减法中叠加而非抵消——这也是冠军方法之后壁厚分项仍留有最大改进空间的原因。

时相（Phase）——一切周期分析的对齐器

• 收缩/舒张二分类看似简单，实为 EF 计算、应变分析、运动评分的时间锚点。训练集舒张 1,680 帧 / 收缩 1,220 帧，比例约 58/42，轻度不均衡。
• 误差代价：冠军错误率 9.5% 意味着 600 测试帧中约 57 帧判错——主要落在等容收缩/舒张等过渡帧，这类帧对面积变化率敏感，是时相分类的本质难点。

四组目标的误差机制各不相同（计数误差、端点误差、差分误差、过渡帧分类误差），单一指标体系无法公平覆盖——MAE/PCC 双指标加错误率的组合（§3.2）是对这个复杂性的最低成本回应。

2.9 帧维度的读法：20 帧周期结构与采样

每例 20 帧的组织值得单独说一句。cine-MRI 经 ECG 门控在一个心动周期内重建多帧，Cardiac-DIG 固定为 20 帧/例——这意味着不同受试者的帧间距按心动周期归一化后一致（约 5% 周期一帧），但真实毫秒间隔随心率不同而不同。

对量化研究的三个推论：

1. 面积曲线（A-cav 逐帧）在这 20 个采样点上构成周期波形，ED/ES 极值锚定（§8.6）的精度受采样密度限制——心率快者舒张充盈期的采样更稀。
2. 逐帧标注全周期是 Cardiac-DIG 标注密度远超同代的原因（§0.1），也让时相标签天然覆盖过渡帧——这是它区别于"只标 ED/ES"数据集的本质优势。
3. 做帧间插值或超分辨研究时，注意 20 帧是重建帧数而非原始采集相位数，插值目标应是周期一致的几何运动而非独立图像。

§3 挑战赛设计：任务定义、评估协议与时间线

3.1 十二项目标的精确定义

类别	目标	定义要点	单位
面积	A-cav	LV 血池（腔）横截面积	mm²
面积	A-myo	心肌环面积（外轮廓减腔）	mm²
径线	D1-D3	LV 腔三条方向性径线	mm
壁厚	RWT1-RWT6	AHA 六分区区域壁厚：前壁 A、前间隔 AS、下壁间隔 IS、下壁 I、下侧壁 IL、前侧壁 AL	mm
时相	Phase	收缩（1）/舒张（0）二分类	类别

12 项目标在评测时按下述矩阵组织——每个连续目标配 MAE 与 PCC，时相配错误率，再按四个目标组聚合成 Rank-Area / Rank-Dim / Rank-RWT / Rank-Phase 四个分项名次（§3.5）：

目标组	目标数	逐帧指标	聚合分项
面积	2	MAE + PCC	Rank-Area
径线	3	MAE + PCC	Rank-Dim
壁厚	6	MAE + PCC	Rank-RWT
时相	1	错误率	Rank-Phase

矩阵化输出的好处在赛后才完全显形：四组分项名次让"方法在哪类目标上强"一目了然（§4.6 的误差结构分析正是靠这个矩阵做的），而单一综合榜会把这些结构性信息全部压扁。

这套定义的临床对应关系：A-cav 与 A-myo 用于重构指数与心肌质量估算（全栈叠加即可外推体积），D1-D3 用于容积的径线近似与重塑分型，RWT1-RWT6 直接对应肥厚型心肌病的分区诊断，时相对齐是 EF 计算与应变分析的前置条件。每个目标都有明确的下游临床用途——这是"全量化"与"为量化而量化"的区别。

3.2 评估指标

连续目标（A1-A2、D1-D3、RWT1-RWT6，共 11 个）每帧计算两个指标：

• MAE（Mean Absolute Error）：平均绝对误差，|估计值 − 真值| 的帧级平均——反映临床可用的绝对精度。
• PCC（Pearson Correlation Coefficient）：估计值与真值的皮尔逊相关——反映趋势捕捉能力（一个系统性偏 20% 但排序完美的模型 PCC 接近 1 而 MAE 差）。

时相目标用错误率（error rate）：600 个测试帧中二分类错误的占比。

双指标设计是此赛制的第二处方法学自觉：单看 MAE 可以靠"永远预测中位数"刷分，PCC 惩罚这种策略；单看 PCC 忽略系统偏差，MAE 兜底。两者合读才能区分"趋势对但偏移"与"趋势就错"。

两个指标的参考实现见 §8.2；公式口径：

MAE(y, ŷ) = (1/N) Σ |ŷᵢ − yᵢ|           # N = 测试帧数；连续 11 目标逐帧计算后按目标/目标组平均
PCC(y, ŷ) = cov(y, ŷ) / (σ_y · σ_ŷ)      # 帧级估计-真值序列的皮尔逊相关
错误率 = #(phase_pred ≠ phase_gt) / 600   # 测试集 600 帧

注意 MAE 的聚合有两层：先逐目标算（12 项里有 11 项连续目标），再按目标组平均得到面积/径线/壁厚三档成绩——冠军数字"301 mm² / 2.15 mm / 2.03 mm"（§4.2）是三档组平均口径，不是 12 项逐项成绩（§8.2 代码注释已存照）。

3.3 交叉验证与测试协议

官方建议参赛者在训练集上报告 N=3 折交叉验证（每折 49/48/48 例），测试阶段提交 30 例 600 帧的预测结果（邮件至 lvquan18@outlook.com），由主办方统一评分并反馈（2018-06-25 反馈窗口）。

流程要点：训练阶段完全开放（掩码+指标全给），测试阶段只给图像不给真值——标准两段式。测试集与训练集同机构同协议，分布相似（§2.5），因此测试成绩衡量的是"同分布内的算法上限"，不是泛化能力——这是解读排名表的前提。

一个协议存照：测试真值在挑战时保密、由主办方统一评分；综述发表时主办方用它做了 12 队统一复评，但公开材料中没有测试集逐帧真值表的直接下载链接。这意味着赛后研究者若想在测试集上自评，要么请主办方评（邮件渠道），要么把 30 例测试图像当无真值推断集用、以 3 折 CV 成绩做主报告（§8.3）——两种处理在论文方法节都要写明。

3.4 时间线全表

日期	事件
2017-11-26	训练/验证数据发布
2018-06-17	测试数据发布；摘要注册截止
2018-06-22 23:59 CDT	测试结果提交截止
2018-06-25	测试性能反馈
2018-06-28	挑战论文提交截止
2018-07-23	论文通知
2018-07-30	Camera-ready
2018-09-16	Challenge day（Granada, Spain，MICCAI 2018 / STACOM 2018）

从数据发布到挑战日约 10 个月，节奏上与同期 MICCAI 挑战惯例一致（半年级周期）。值得存照的是起点：训练数据在 2017 年 11 月就发了——引用年份时"LVQuan 2017"与"LVQuan 2018"各有出处，官方名称以 2018 为准（坑 7）。

时间线里的两个细节：

1. "摘要注册"与"结果提交"分离（2018-06-17 vs 06-22）：五天窗口意味着参赛者先报名再出结果——这是防"赛后补提交"的常见赛制设计，也解释了为什么 12 支队伍提交但完整成绩无公开（未进入获奖段的方法无义务公开，坑 8）。
2. 反馈到论文截止仅 3 天（06-25 反馈 → 06-28 论文截止）：参赛者拿到官方成绩后须立即定稿论文——这个紧凑节奏说明挑战赛论文本就是"方法描述 + 官方成绩单"的组合，而非充分调优后的终版研究；对参赛方法细节的深挖应以赛后扩展版为准（LDAMT 等方法的后续期刊版本是更深的技术档案）。

3.5 最终排名（官网 Final Rankings 原表）

名次	作者	方法	Rank-Area	Rank-Dim	Rank-RWT	Rank-Phase	Rank-ALL
1	Jiahui Li, Zhiqiang Hu	Deep Layer Aggregation Based Multitask Relationship Learning（LDAMT，DR）	1	1	1	2	1
2	Eric Kerfoot, James Clough, Ilkay Oksuz, Jack Lee, Andrew P. King, Julia A. Schnabel	Residual U-Net（SG）	1	3	4	3	2
3	Fumin Guo, Matthew Ng, Graham Wright	U-Net + Continuous Max-Flow（SG）	3	5	6	7	3
3	Hao Xu, Jurgen E. Schneider, Vicente Grau	Direct vs Segmentation-Based Estimation（双轨对比）	7	4	6	4	3

读表的四个注意：

1. Rank-ALL 是四分项的综合名次，不是四分项名次的算术平均（LDAMT 的 1/1/1/2 综合 1，ResU-Net 的 1/3/4/3 综合 2——综合规则官网未给出公式，存照）。
2. 第 3 名并列两队（Guo 等与 Xu 等），引用时写"并列第 3"（坑 8）。
3. 排名表只有 4 行（5 支队伍），而综述确认 12 支队伍提交——官网只公示获奖名次段（坑 8）。
4. 分项冠军可以不是总冠军：面积分项上 ResU-Net（并列 1）与 LDAMT 打平，但径线与壁厚被 LDAMT 拉开。
5. 名次表里的并列是"公示并列"：第 3 名并列两队是官网原表呈现，不是本条目推断——但并列的判定依据（四分项名次如何合成到 Rank-ALL 3）官网未说明，引用"并列第 3"时勿附加自己推断的合成解释。

3.6 赛制设计的三处方法学自觉

回看整套协议，有三处设计明显超出同代挑战赛的"惯例配置"，值得赛制设计者专门学习：

1. 双轨标注 = 监督范式的公平起跑线。给 SG 与 DR 两条路线各自所需的监督信号（掩码给 SG，数值给 DR），使路线之争不至于退化为数据之争——若只发掩码，DR 参赛者必须先自行换算弱标签，起点即不公。这是整个挑战赛最核心的设计决策，也是官方综述结论（SG/DR 等价，§4.5）得以成立的实验前提。
2. 双指标并列 = 反刷分机制。MAE 单独使用时"永远输出训练集中位数"的策略即可拿到由分布离散度决定的保底分数；PCC 惩罚这种零方差策略。官方把两者并列公示而非加权合成，保留了成绩的透明性——对比某些赛事把多指标加权合成单一分数的做法，LVQuan 的分层公示（分项名次 + 综合名次）更可审计。
3. 统一预处理 = 评测变量控制。§2.3 已详述四步流水线。补一个赛制视角：预处理由主办方锁死，意味着参赛者的自由度被压缩到模型与训练策略上——2018 年多数挑战赛仍把预处理留给参赛者，结果是成绩差异混入工程差异，可复现性打折。LVQuan 的做法本质上是把挑战赛做成了"控制变量实验"。

代价同样要记入账本：统一预处理锁死 80×80 分辨率，使数据集在原生分辨率研究上不可用；双轨标注使标注成本高于纯分割赛（掩码之外还要维护换算管线）。每处自觉都用一类可用性做了交换——引用本赛制的设计者必须成对引用收益与代价。

3.7 与同代心脏挑战赛的协议对照

协议要素	Sunnybrook 2009	LVSC 2011	ACDC 2017	LVQuan 2018
评测对象	掩码	掩码	掩码 + 诊断分组	数值 + 类别
标注粒度	ED/ES 帧	ED/ES 帧	ED/ES 帧	全周期逐帧
预处理	参赛者自理	参赛者自理	参赛者自理	主办方统一
指标	Dice 系	Dice/APD/Hausdorff	Dice/HD	MAE/PCC/错误率
监督范式	仅 SG	仅 SG	仅 SG	SG/DR 双轨
数据规模	数十例级	100 例	150 检查	175 例 / 3,500 帧

这张表的读法：LVQuan 2018 在数据规模上并不占优（与同代同量级），它的全部独特性都在协议列——评测对象迁移、标注密度、变量控制、双轨监督。规模之外的协议创新，正是它能留下方法学结论（§4.5）而同代赛事大多只留下排名的原因。

Sunnybrook 与 LVSC 的规模数为文献常见引用口径，精确值以各自官网为准——本表只用于呈现"协议代差"，不做规模攀比。

§4 参赛方法与排名：SG vs DR 之争的第一次正面对决

4.1 两类方法的语言学

理解排名前先统一术语——这是 LVQuan 2018 留给文献的方法学遗产之一：

• SG（Segmentation-based）：先做像素级分割得到掩码，再用几何公式从掩码算出 12 项指标。训练需要密集掩码监督；优点是可解释（掩码本身是中间产物，可人工检查），缺点是标注成本高、量化精度受"分割误差 → 几何放大"链条影响（一条 1 像素的边界误差在径线上可能放大成 1-2 mm）。
• DR（Direct Regression）：从图像直接回归 12 项数值。训练只需数值标签（弱监督）；优点是跳过掩码环节、标注便宜、端到端优化目标就是评测目标，缺点是黑箱——模型错了没有掩码可查。

LVQuan 2018 的数据集设计（双轨标注）使两类方法首次在同一数据、同一评测下对比。此前的文献里两者各用各的数据，比较没有公信力——这正是官方综述（§5）存在的理由。

术语本身也值得说一句：SG/DR 这对缩写并非通用行话，而是本次挑战语境下的分类学产物——在别的文献里你可能见到"segmentation-then-quantification vs direct estimation"等变体写法。引用本条目结论时建议同时给出全称，避免读者把 DR 误读为其他领域常见缩写（如 digital radiography）。

4.2 冠军 LDAMT：深度聚合 + 多任务关系学习

Jiahui Li 与 Zhiqiang Hu 的获胜方法全称 “Left Ventricle Full Quantification Using Deep Layer Aggregation Based Multitask Relationship Learning”（综述中缩写 LDAMT）。两个核心构件：

1. Deep Layer Aggregation（DLA，深度层聚合）骨干：跨层特征聚合结构，把浅层的精细空间信息与深层的高级语义信息逐级融合——对壁厚这类既需要边界精度（浅层）又需要全局形态判断（深层）的目标尤其合适。
2. Multitask Relationship Learning（多任务关系学习）：12 个量化目标不是 12 个独立回归头，而是显式建模任务间关系（A-cav 与 D1-D3 在几何上相关、RWT 六区共享心肌边界信息），通过关系约束让相关性成为正则化信号。

成绩（测试集，官方综述口径）：面积 MAE 301 mm²（两个面积目标平均）、径线 MAE 2.15 mm、壁厚 MAE 2.03 mm、时相错误率 9.5%。四个分项名次 1/1/1/2——时相分类惜败给某个对手，但综合第一。

DLA 骨干的直观理解：普通 CNN 随层数加深，空间细节（心肌内外膜的精确位置）逐层稀释；DLA 用跨层聚合把浅层高分辨率特征"接回"深层决策，相当于给回归头同时供血"看得细"与"看得懂"两条通路。壁厚目标（需要精确的内外膜半径差）从中受益最大——这与 LDAMT 在壁厚分项的第一名相互印证。

一个值得注意的细节：冠军方法是 DR 类——在"分割是心脏影像基本功"的行业直觉下，直接回归路线拿了总冠军，这本身就是对 SG 优先论的第一次高调反驳。

4.3 亚军 Residual U-Net：SG 阵营的门面

King’s College London 的 Kerfoot、Clough、Oksuz、Lee、King、Schnabel 六人组用残差 U-Net 做心肌分割，再从掩码计算全部指标（标准 SG 路线）。分项 1/3/4/3：面积分项与 LDAMT 并列第一——面积是"像素计数换面积"的目标，分割质量与面积精度直接挂钩，SG 的强项；但在径线（3）与壁厚（4）上被拉开——这两个目标的误差对边界局部噪声更敏感，恰是 SG 的"几何放大"短板。

这支队伍的后续影响力不小：Kerfoot 与 Clough 之后参与 UK Biobank 心脏影像分析工具链（jax、ukbb 卡片组），Schnabel 组是牛津心脏影像方向的持续产出者——Residual U-Net 的参赛经验直接流入了后续大规模心脏数据工具链。

4.4 并列第三的两条路线

Fumin Guo、Matthew Ng、Graham Wright（Toronto）——U-Net + Continuous Max-Flow（SG）：U-Net 分割后接连续最大流（continuous max-flow）做全局优化，用流网络求解把分割的能量最小化变成可并行的问题，强化掩码的空间一致性。分项 3/5/6/7——四项都在中游，没有明显短板也没有单项制胜。Guo 与 Mihaela Pop 合作的另一篇 cine+LGE 配准论文同收于 LNCS 11395（pp. 49-57）。

Hao Xu、Jurgen Schneider、Vicente Grau（Oxford）——Direct vs Segmentation-Based Estimation（双轨）：这篇参赛工作的定位就是方法学对比本身——同一框架下分别实现 DR 与 SG 两种估计，量化比较两条路线的误差结构。分项 7/4/6/4：面积弱（7）但径线（4）与时相（4）强。这支队伍是官方综述的合著者（Xu、Schneider、Grau 都在 25 人名单中），他们的对比视角直接融入了综述的结论框架。

四支公示队伍的风格差异可以压成一张表：

队伍	路线	核心构件	强项分项	风格
LDAMT	DR	DLA 骨干 + 多任务关系学习	面积/径线/壁厚	端到端、显式建模任务相关
Residual U-Net	SG	残差化 U-Net	面积（并列 1）	稳健架构 + 标准换算
Guo 等	SG	U-Net + 连续最大流	无单项突出	全局一致性优化
Xu 等	双轨	同框架 DR/SG 并实现	径线/时相	方法学对比实验

这张表也是 2018 年心脏量化方法生态的缩影：SG 阵营在架构与正则化上内卷，DR 阵营靠任务结构建模突围，而把两条路线摆上同一擂台的"对比实验"本身就是一支参赛队伍——赛制设计对社区议题的塑造力，可见一斑。

4.5 从 12 支队伍到一条结论

官网排名表只公示 4 个名次段（5 支队伍），但官方综述对全部 12 支提交做了逐一方法学与成绩分析——这是综述超越"赛事新闻稿"的价值所在。综述将 12 队方法按架构（CNN 变体、U-Net 系、DLA、多任务/多输出网络）、监督范式（SG/DR/混合）、训练技巧（数据增强、损失设计、后处理）三个轴切片，然后统一在测试集复评。

这个"三轴切片"的读法提示：未进公示名单的 7 支队伍并非没有信息量——综述对它们的架构选择与失败模式的记录（如哪些设计在哪个目标组上失分），恰恰是名次段之外最可复用的经验。本条目以官网公示与综述明确记载为事实边界，不对未公示队伍的成绩做任何推断（坑 8），但综述原文中关于全部 12 队的定性分析值得直接阅读。

核心发现有三条：

1. DR 与 SG 总体性能相当——12 队里 DR 类方法占据榜首，多个 SG 方法（含亚军）紧随其后，两类方法的误差带重叠。
2. 误差结构不同：SG 在掩码可核查的意义上更可解释，DR 在标注成本上占优；“结合两者的混合策略”（小数据 SG + 大数据 DR 弱监督）被综述明确列为最有前景的方向。
3. 多任务建模有效：冠军 LDAMT 与多篇高名次方法都显式利用了 12 项目标间的相关性——"全量化"的任务结构本身就是可学习的信号。

第三条在当时有个务实的推论：既然 DR 不需要密集掩码也能达到 SG 精度，那么弱监督心脏量化可以扩展到无掩码的大规模临床数据——这为后来基于超声/CMR 大队列的量化研究提供了方法学许可证。

4.6 误差结构深读：为什么不同目标"偏爱"不同路线

把 §4.2-§4.4 的分项成绩横过来读，能看到一个稳定的模式：

分项	官网公示名次（路线）	解读
面积	LDAMT 与 ResU-Net 并列 1（DR/SG 平手）	像素计数类目标，SG 的掩码优势与 DR 的端到端优势相抵
径线	LDAMT 1（DR）	两点距离对边界噪声敏感，DR 直接拟合数值，绕过掩码误差链
壁厚	LDAMT 1（DR）	双半径差分放大噪声，同理 DR 占优
时相	LDAMT 2	分类目标与回归骨干的耦合最弱，多任务关系学习的增益最小；分项第一不在官网公示行内（12 支提交中的另一队，坑 8）

模式背后的机制是几何放大链条：SG 路线的误差传递为"分割边界误差 → 几何量误差"，链条长短取决于目标量的几何定义——面积（全域计数）最短、径线（两点距离）居中、壁厚（两半径差分）最长。链条越长，SG 相对 DR 的劣势越明显。DR 路线没有掩码中间产物，其误差是端到端拟合误差，不经过几何放大环节。

反过来，SG 的优势在可核查性：掩码错了可以画出来看，数值错了无从查起。临床部署语境下这种"可解释性保险"有真实价值——这也是综述把混合策略（小数据 SG + 大数据 DR）列为推荐方向的深层理由：SG 提供核查界面，DR 提供标注经济性。

对 2020 年代读者的提醒：这条结论建立在 2018 年的 CNN 技术栈（U-Net/DLA 系）上。此后注意力机制、基础模型微调、交互式标注工具（掩码获取成本大幅下降）都在改变两条路线的成本收益比——引用"DR 与 SG 等价"时应注明技术栈年代，把它当作 2018 年语境下的实证，而非普适定律。

4.7 冠军方法的方法学前史：多任务关系学习从哪里来

LDAMT 的另一半——multitask relationship learning（多任务关系学习）——并非为本次挑战临时发明，它是一支更早的方法学脉络在心脏影像上的落点：多任务学习文献在 2010 年代中期已系统研究"任务相关性如何作为正则化信号"，其经典假设是：若任务 A 与任务 B 的标签在数据生成层面相关，则联合建模 A、B 比分别建模更不易过拟合。

Cardiac-DIG 恰好是这个假设的完美实验场：12 项目标全部由同一套掩码导出（§2.4），任务相关性是构造性事实而非统计巧合。LDAMT 用 DLA 骨干提取共享特征、以关系学习显式建模 12 个输出头之间的依赖，等于把"数据构造层面的相关性"翻译成"网络结构层面的约束"——四分项三冠的成绩说明这种翻译是有效的。

这也给后续多目标医学挑战赛留下一设计启示：目标之间相关性越强，多任务建模的奖励越大——评测协议若把相关目标拆成互不相干的独立赛道（面积赛、壁厚赛各自排名），反而会扼杀这一类方法的空间。LVQuan 把 12 目标放进同一评测矩阵、只按目标组分层排名（§3.5），正是对这一点的制度回应。

4.8 三支 SG/混合队伍的一个共性：掩码之上还有优化

亚军与并列第三中除 Oxford 双轨队外的两支 SG 队伍（Residual U-Net、U-Net+Continuous Max-Flow）有一个容易被忽略的共性：它们都不满足于"分割网络直接出掩码"。Residual U-Net 用残差连接加深编码-解码路径；Guo 队在 U-Net 之后接连续最大流做全局空间一致性优化——把分割的能量最小化转成流网络上的可并行求解。

这提示 2018 年时点上 SG 阵营的竞争已经推进到"分割网络 + 后端几何/正则化优化"的组合阶段，单纯的 U-Net 裸输出已不构成竞争力。复现 SG 路线的读者应把后端优化当作标配而非可选项——这也是 §8.5 换算管线之外，SG 成绩的另一半来源。

§5 官方综述与学术生态：一次挑战赛的四年长尾

5.1 JBHI 2021 综述的三重身份

官方综述（Xue Wufeng 等 25 人，IEEE JBHI 2021;25(9):3541-3553）在生态里有三重身份：

1. 赛事官方总结：Cardiac-DIG 数据集构建协议、12 队方法、评估结果的唯一权威记录（官网只有排名与协议，细节全在综述）。
2. SG vs DR 的系统性对比研究：它不只是罗列成绩，而是给出可迁移的方法学结论（§4.5）——综述标题里 “A Comprehensive Comparison and Evaluation” 是实指。
3. 数据集的持久引用锚点：检索 Cardiac-DIG 时综述是命中率最高的文献载体（PMC7611810 开放获取，HAL hal-03229066 双镜像）。

时间线上的细节：综述 2020-09-18 投稿、2021-03-04 接收、2021-03-08 在线、正式收录于 2021 年 9 月号（Vol 25, No 9）——距挑战日近三年，属挑战赛综述的正常周期（等论文集与后续工作沉淀）。

作者群的构成也值得一看：25 位作者横跨 2018 年主办方（Shuo Li、Wufeng Xue）、参赛队伍（Oxford 的 Xu、Schneider、Grau）与同社区方法学者——赛事主办方与参赛者在综述里合著，这在挑战赛综述里是理想配置：前者掌握测试标签与协议细节，后者贡献第一手参赛经验。读者引用综述结论时，可将其视为"主办方 + 参赛者"的双视角共识，而非单方叙事。

综述的内容地图（按 IEEE JBHI 版式）：数据集构建协议（Cardiac-DIG 的来源、预处理、双轨标注）→ 挑战设计回顾（12 目标、指标、时间线）→ 12 队方法分类与复评（三轴切片）→ 结果分析（SG/DR 对比与误差讨论）→ 结论与展望（混合策略推荐）。读者按需直取：要数据细节读前两块，要方法学结论读后两块——比从头读到尾高效得多。

5.2 STACOM 2018 论文集（LNCS 11395）

挑战赛论文（参赛方法描述）收录于 Springer LNCS 11395：Statistical Atlases and Computational Models of the Heart. Atrial Segmentation and LV Quantification Challenges（9th International Workshop, STACOM 2018, Granada, Spain, September 16, 2018, Revised Selected Papers），2019 年出版，XIV + 487 页，52 篇论文从 60 篇投稿选出，doi:10.1007/978-3-030-12029-0。

书名本身就是信息：STACOM 2018 同期跑了两个挑战——心房分割（Atrial Segmentation）与 LV 量化（LV Quantification），论文集把两者合并出版。编者八人：Mihaela Pop（Toronto）、Maxime Sermesant（Inria）、Jichao Zhao（Auckland）、Shuo Li（Western Ontario）、Kristin McLeod（GE Healthcare）、Alistair Young、Kawal Rhode（KCL）、Tommaso Mansi（Siemens）——横跨学界与工业界（GE、Siemens），是心脏计算模型社区的核心阵容。

与 LVQuan 直接相关的收录论文（目录可见者）：Dangi 等的 “Left Ventricle Segmentation and Quantification from Cardiac Cine MR Images via Multi-task Learning”（pp. 21-31）、Guo 等的 cine 与 LGE 配准工作（pp. 49-57）等。参赛方法论文按名次择优收录，未被收录的成绩细节以官网与综述为准。

论文集的组织方式也值得一提：52 篇论文按两个挑战分节（心房分割与 LV 量化），LV 量化部分的入选者以名次靠前的参赛方法描述为主，每篇含方法架构、训练细节与测试成绩。对参赛方法而言，官网排名给名次、综述给统一复评、LNCS 论文给方法细节——三层信息各有分工，引用时按需选层。

同一论文集中心房分割挑战的论文与本条目数据无直接关系，但同属 STACOM 2018——检索 LNCS 11395 会同时命中两部分，注意按章节区分（坑 1 的论文集版本）。

5.3 STACOM 谱系中的位置

STACOM workshop 自 2010 年起每年挂在 MICCAI 之下，是心脏影像挑战赛的传统容器。LVQuan 2018 前后的谱系：

年份	STACOM 挑战	任务	与 LVQuan 的关系
2011	LVSC（cardiacatlas.org 系）	LV 分割（全栈）	前代赛事，纯 SG 时代
2017	ACDC（独立于 STACOM，CREATIS 主办）	分割 + 诊断分组	同期 MICCAI 心脏挑战，cine-SAX 语言体系共享
2018	LVQuan18	LV 全量化	本条目
2020	M&Ms（独立赛道）	多中心多模态分割 +域泛化	继承"分割"线，补泛化维度
2020	MyoPS 2020	心肌瘢痕分割	STACOM 系后续，病理专项

谱系视角下 LVQuan 2018 的独特性更清晰：它是 STACOM 系里唯一以"量化值"而非"掩码"为评测对象的赛事——后续 M&Ms、MyoPS 又回到了分割赛道。量化评测的复杂性（多目标、双指标、任务相关性建模）可能是它后无来者的原因之一，但"全量化"的问题设定被后续综述与临床量化工具持续继承。

M&Ms 与 MyoPS 两条"回归分割赛道"的续作各有侧重：M&Ms 把战场挪到多中心多厂商的域泛化（数据量与中心数在 2020-2022 连续加码），MyoPS 把病理专项化（水肿/瘢痕等心肌病变分割）——两者都默认"分割已解决、掩码是起点"，恰好反证 LVQuan 当年把评测终点前移到数值的先见：分割赛道越卷越泛化，量化层的缺口反而一直在。

5.4 引用谱与后续影响

官方综述的引用者画像（综述发表后）：心脏量化方法论文（弱监督/半监督量化、超声心动图量化）、基础模型时代的心脏 benchmark 设计（如 Touchstone 类多任务评测）、挑战赛方法学论文（以 LVQuan 为"多目标挑战赛"案例）。"DR 与 SG 等价"结论在生成式与弱监督文献里被反复援引为早期实证。

对 AI-Ready 生态的长期影响：Cardiac-DIG 的 80×80 预处理范式（降低任务难度换取评测标准化）成为后续小图心脏挑战（如超声心动图关键帧量化）的参考模板；而它的许可缺位与托管脆弱性（§6）则成为数据治理讨论的反面教材——两者的教育价值都不小。

5.5 从 LVSC 到 LVQuan：心脏挑战赛的数据治理断代

把三代赛事的治理特征并排，可以看到 2018 年代挑战赛的"可获取性债务"是如何形成的：

代际	代表	数据托管	许可声明	联系方式	今天的状态
第一代（2009-2011）	Sunnybrook、LVSC	网站直链	无 / 极简	个人邮箱	部分链路失效，靠社区镜像存活
第二代（2017-2018）	ACDC、LVQuan18	官网 / GitHub Pages	ACDC 有条款，LVQuan 无	赛事邮箱	ACDC 存续良好；LVQuan 2018 年后停更
第三代（2020-）	M&Ms、MyoPS、ToothFairy 系	Zenodo / 正式 deposit	明确许可 + 引用条款	论坛 / 平台化	版本化、DOI 化、长期存档

LVQuan18 处在第二代的典型位置：比第一代规范（专门官网、结构化时间线、统一预处理），比第三代粗糙（无 DOI deposit、无许可条款、个人 GitHub Pages 托管）。它 2018 年后未再更新的官网，正是第一、二代数据集"赛事结束即冻结"模式的标本——第三代用 Zenodo DOI 解决的问题，在第二代全是隐患。

对数据使用者的实操结论：引用第二代数据集（含 Cardiac-DIG）时，网页存档快照与访问日期是必写项——"官网还在线"不是可长期依赖的保证（坑 5，附录 G 维护计划的由来）。

5.6 等价性结论的后续谱系：从一条结论到一个研究方向

综述的"DR 与 SG 等价 + 混合策略推荐"在 2021 年之后长出了几条分支，检索者可沿此扩展阅读：

1. 弱监督 / 无掩码心脏量化：以"不用密集掩码直接回归量化值"为前提的路线在超声侧大视频队列上持续壮大——其方法学论据（标注成本）常直接援引 LVQuan 综述。
2. 分割-量化联合建模：显式把掩码作为中间表征与量化头联合训练的多任务架构，是多任务谱系的自然延续，验证场从单中心数据走向多中心多厂商数据。
3. 挑战赛方法学论文：LVQuan 被当作"多目标量化挑战赛"的参考案例，出现在挑战赛设计方法的讨论中——尤其双轨标注与分层公示两处（§3.6）。

一条结论能同时养活算法研究、架构演化与赛制设计三个方向，这在挑战赛遗产中并不多见——多数挑战赛的结论寿命止于榜单本身。

引用本条目结论的建议表述（供 related work 直接改写）：

推荐写法：
"In the LVQuan 2018 challenge (MICCAI STACOM 2018), direct regression
without dense mask supervision matched segmentation-based quantification
on 12 LV targets (IEEE JBHI 2021)."

避免写法：
"Deep learning regression always beats segmentation for cardiac MRI."
（过度泛化：结论限 Cardiac-DIG/2018 技术栈，见 §4.6）
"LVQuan 2018 released 3,500 fully annotated MRI volumes."
（错误：是 3,500 帧单中部切片，非全栈 volume，见 §2.2）

三条表述的差异不在事实而在限定语：把"同一数据上两条路线相当"写成"谁永远赢"或"数据是全栈"，都是引用层的二次失真——本条目坑点档案的一半存在意义就是防这类失真。

§6 获取与许可：一条 2017 年的数据链路在今天怎么走

6.1 官方获取渠道

渠道	内容	状态
官网 lvquan18.github.io	挑战协议、排名、时间线、DIG-Cardiac 数据文档指引	GitHub Pages 静态托管，仍在线
训练数据	2017-11-26 发布，经官网指引获取	2018 年后未更新
测试结果提交	邮件 lvquan18@outlook.com	主办方联系邮箱
官方综述	PMC7611810（开放获取）/ HAL hal-03229066	稳定可达
论文集	Springer LNCS 11395（doi:10.1007/978-3-030-12029-0）	付费出版

官网 details 页的原文指引是：“More details about the training dataset can be found in the document of the DIG-Cardiac dataset.”——数据获取的具体表单/链接在挑战时代经由该文档，2018 年后未再变更。实测建议：检索者应先访问官网确认数据链路仍活着，再决定是否邮件主办方；无 Zenodo/HuggingFace 官方镜像（多轮检索未见官方 deposit），第三方转存不可作权威来源。

实测路径记录（本条目生产时点 2026-09-27）：官网 GitHub Pages 响应正常，首页含排名表与时间线，details 页含 DIG-Cardiac 文档指引；综述开放副本经 Europe PMC（MED:33684050 / PMC7611810）可达；HAL 镜像 hal-03229066 可达。直接抓取 PMC 全文页会触发反爬验证——需要全文时走 Europe PMC 或 HAL 两条镜像更稳（本条目生产过程实测，供后来者参考）。

6.2 许可条款：一个明确的空缺

与同期开放数据集对照，Cardiac-DIG 的许可状态是未声明：

数据集	许可声明	声明位置
ACDC（2017）	官网明确开放下载条款	CREATIS 官网
M&Ms（2020）	网站声明研究用途许可	官网
Medical Segmentation Decathlon	CC BY-SA 4.0（逐任务）	官网
Cardiac-DIG（2018）	无	官网无许可页、综述无许可节、论文集无数据声明

这构成三层实际影响：

1. 引用安全：引用数据集本身（官网+综述）没有争议。
2. 再分发：无许可声明意味着默认保留所有权利（版权法默认），使用者不应自行转存公开镜像——这也是本库不提供直链镜像、只提供链路的原因。
3. 商用：必须邮件主办方（lvquan18@outlook.com）书面确认（坑 5）。

许可确认邮件的最小要素（供研究者参考）：①身份与机构；②拟使用的数据范围（训练集/是否含 metadata）；③用途描述（研究课题一句话）；④发表与共享计划（是否公开模型权重/是否再分发衍生数据）；⑤请求书面许可或对适用条款的说明。把第 4 点写清楚尤其重要——无许可声明数据集的争议几乎都出在"衍生品再分发"环节，事前写明比事后补救便宜得多。

从 AI-Ready 视角打分：任务定义、评估协议、真值体系全部满分可复现，唯独许可与长期托管两项拖低整体就绪度——这是典型的"2018 年代挑战赛数据"画像，与同期 ACDC（官网明确条款）形成代际对照。

6.3 版本链与存续

• Cardiac-DIG（2017-2018）：挑战版本体，145+30 例。无官方 v2/changelog——综述 2021 年复评用的是同一批数据（"constructed dataset"口径即训练 145 例）。
• 测试集真值：挑战时保密；综述复评时主办方掌握测试标签并用于统一评测，测试真值是否赛后公开无直接链接（待核存照）。
• 后续数据集：STACOM 2020 的 MyoPS（心肌瘢痕）与 M&Ms（多中心分割）是精神续作而非版本续作——任务定义都变了，数据无继承关系。

6.4 获取决策树

需要 Cardiac-DIG 数据
├── 只需要协议/指标定义/排名 → 官网 lvquan18.github.io（够用）
├── 需要数据本体（训练 145 例）
│   ├── 官网数据链路仍有效 → 按指引获取
│   └── 链路失效 → 邮件 lvquan18@outlook.com / 综述通讯作者（深圳大学 Shuo Li 组）
├── 需要赛果与分析 → IEEE JBHI 2021（PMC7611810 免费全文）
└── 需要参赛方法细节 → LNCS 11395（Springer，机构订阅）

渠道时效性说明：决策树各分支的"仍有效"判断以本条目生产时点（2026-09-27）实测为准（§6.1 实测记录）；决策树不是长效保证，重要使用前应重走一遍树根（官网可达性）——这正是附录 G 维护计划把"官网下线"列为第一触发事件的原因。

6.5 使用伦理与声明边界

• 数据含真实患者影像与人口学字段，任何再分析应按含敏感信息的医疗数据惯例处理：不尝试重识别、不公开原始帧与身份字段的对应关系。
• 性别字段过半缺失（坑 4）意味着按性别分层的结论不可靠——发表时须显式声明该缺失，防止下游文献误引为"性别均衡队列"。
• 体重 230 kg 疑似异常值（坑 4）在统计建模前应做敏感性分析（含/不含该例各跑一遍并对比结论稳健性）。
• 引用赛果时只可引用官网公示的名次段（4 个名次、5 支队伍），不得根据综述图表反推未公示队伍的成绩（坑 8）。
• 商用场景在获得主办方书面许可前，仅可使用官网与综述的公开描述性信息（协议、指标定义），不应使用数据本体。

§7 横向对比：心脏影像数据集景观中的 Cardiac-DIG

7.1 与库内心脏条目的系统对比

维度	Cardiac-DIG（本条目）	ACDC（rid 511）	CAMUS（rid 533）	EchoNet-LVH（rid 530）
模态	cine-MRI（短轴）	cine-MRI（短轴全栈）	超声（2D/3D）	超声（2D）
例数	175 例 / 3,500 帧	150 检查	500 患者 + 205 帧标注集	10,030 视频
核心标注	掩码 + 12 项量化指标（逐帧）	三结构掩码（ED/ES 帧）	四结构掩码 + EF	EF + LVH 表型
任务重心	全量化	分割 + 诊断分组	分割 + 视图分类	量化回归 + 分型
许可	未声明（坑 5）	官网开放条款	开放（CC 系）	研究许可（申请制）
挑战赛	MICCAI 2018 STACOM	MICCAI 2017	MICCAI 2019（EchoNet 系独立）	非挑战赛

选型映射：

• 做多目标量化/多任务学习研究 → Cardiac-DIG（12 目标结构化输出是它的独门属性）
• 做分割模型在全栈短轴上的训练与泛化 → ACDC（规模、许可、生态都更友好）
• 做超声侧量化或跨模态迁移 → CAMUS / EchoNet-LVH
• 做域泛化/多中心 → M&Ms（外部）或等待其入库

映射的边界说明：以上按"任务 → 数据"单向给出，实际选型还有两个反向约束——许可（商用场景下 ACDC/CAMUS 的明确条款优先级应提前到任务匹配之前）与标注口径（要把 Cardiac-DIG 成绩当基准引用时，任何数据增补都会破坏可比性，只能原样使用 145 例训练集）。

7.2 与 MRI 公开心脏数据的技术参数对比

属性	Cardiac-DIG	ACDC	M&Ms
覆盖	单中部切片	全栈短轴	全栈短轴
帧密度	全周期 20 帧	全周期 25-40 帧	全周期
分辨率	统一 80×80（预处理后）	原始分辨率保留	原始分辨率保留
标注帧	每一帧	ED/ES 两帧	ED/ES + 部分
量化真值	有（12 项）	无	无
病理谱	连续临床样本	5 组疾病各 30	3 中心多厂商

Cardiac-DIG 的两个"唯一"在这张表里很显眼：唯一逐帧全标注（训练成本换评测密度），唯一自带量化真值（ACDC/M&Ms 都要研究者自己从掩码算）。反过来，它的两个"唯一短板"也在这张表里：唯一强制低分辨率（80×80），唯一许可空缺。

横向阅读的一个提醒：各数据集的"例数"口径不同——Cardiac-DIG 的 175 是受试者、ACDC 的 150 是检查、EchoNet-LVH 的 10,030 是视频——直接比大小没有意义。应换算到"标注帧数/标注工作量"才有可比性：Cardiac-DIG 3,500 帧全标注、ACDC 约 300 个标注帧（ED/ES × 150 检查）、EchoNet 是视频级 EF 标签。规模数字要看标注粒度的分母。

7.3 任务设计范式对比：分割赛 vs 量化赛

范式	代表	评测对象	指标	标注成本	误差可核查性
分割赛	ACDC、M&Ms、MyoPS	掩码	Dice/NSD	高（像素级）	高（掩码可查）
量化赛	LVQuan 2018	数值 + 类别	MAE/PCC/错误率	中（数值+掩码双轨）	低（黑箱回归无中间产物）
分类赛	各类诊断分组赛	类别	AUC/准确率	低	低

量化赛的结构性风险在 LVQuan 2018 里全部出现过：数值标签无法逐像素人工核查（依赖掩码导出的一致性）、双指标（MAE vs PCC）可能给出矛盾排名、多目标综合名次的合成规则不透明（坑 8）。设计后续量化挑战赛时，这三处是必答题——LVQuan 2018 的答案分别是"双轨标注导出"、“双指标并列公示”、“分项名次+综合名次分层公示”，可以直接抄。

这张范式对比表在文献里的两种用法也值得一记：用法一是方法论文里说明自己的评估配置（“本工作属量化赛范式，报告 MAE/PCC”）；用法二是数据集论文里论证标注预算（“做分割赛需像素级标注，做量化赛只需数值+少量掩码，成本差一个量级”）。两种用法都成立，但不要混用——用范式二论证成本、又按范式一的密度要求标注，是常见的数据集论文自相矛盾处。

7.4 数据集选型决策树

心脏影像研究选数据
├── 做 LV 全量化 / 多任务学习 / SG-DR 对比
│   └── Cardiac-DIG（本条目）：12 目标结构化真值是独门属性
├── 做分割模型的训练与泛化
│   ├── 许可清晰、生态成熟优先 → ACDC（rid 511，全栈短轴）
│   └── 要多中心多厂商域泛化 → M&Ms（外部；入库后挂链）
├── 做超声侧量化
│   ├── 要掩码 + EF 真值 → CAMUS（rid 533）
│   └── 要大规模视频 + LVH 表型 → EchoNet-LVH（rid 530）
├── 做容积法 EF / 全栈分析
│   └── 避开 Cardiac-DIG（单中部切片，§2.2）→ ACDC / CAMUS
└── 做高分辨率 / 原生几何研究
    └── 避开 Cardiac-DIG（80×80 锁定）→ 原始分辨率数据集

决策树的第一层逻辑是任务定义，第二层才是规模与许可——先问"要什么数"，再问"数够不够、拿不拿得到"。

§8 使用指南：加载、评估复现与代码骨架

8.1 数据组织与加载

Cardiac-DIG 官方发布的组织结构（按官网文档与综述描述重建）：

Cardiac-DIG/
├── training/               # 145 例
│   ├── patient001/
│   │   ├── img/            # 20 帧 80×80 预处理 ROI 图像
│   │   ├── gt/             # 20 帧心肌掩码（LV 腔 + 心肌环）
│   │   └── label.txt       # 逐帧 12 项量化真值
│   └── ...
├── testing/                # 30 例（挑战时无真值）
└── DIG_document/           # 数据集文档（官网指引指向）

加载示例（PyTorch，按上述组织假设——实际目录名以官方文档为准）：

一个组织结构的存照：上述目录树是按官网文档与综述描述重建的逻辑结构，实际发布包的目录命名、图像格式（PNG/NIfTI/DICOM）与掩码标签编码以官方 DIG-Cardiac 文档为准——本条目不虚构具体文件名，加载代码中的所有路径与标签值都是"按此假设改写"的模板（§8.5 代码中的类别编码同理）。首次加载时先做三件事：数一遍帧数（应每例 20）、看一遍掩码取值集合（应恰为腔/心肌两类编码）、对一遍 label.txt 列数（应 12 列）。

import numpy as np
from pathlib import Path

def load_patient(root: Path, pid: str):
    frames = np.stack([np.imread(p) for p in sorted((root/pid/"img").glob("*"))])
    masks  = np.stack([np.imread(p) for p in sorted((root/pid/"gt").glob("*"))])
    labels = np.loadtxt(root/pid/"label.txt")   # 20×12: A-cav,A-myo,D1-3,RWT1-6,phase
    return frames, masks, labels

# 12 列真值与官方目标顺序对齐：
# [A_cav, A_myo, D1, D2, D3, RWT_A, RWT_AS, RWT_IS, RWT_I, RWT_IL, RWT_AL, phase]
TARGETS = ["A-cav","A-myo","D1","D2","D3",
           "RWT-A","RWT-AS","RWT-IS","RWT-I","RWT-IL","RWT-AL","phase"]

8.2 官方评估指标复现

def mae(pred: np.ndarray, gt: np.ndarray) -> float:
    return float(np.mean(np.abs(pred - gt)))

def pcc(pred: np.ndarray, gt: np.ndarray) -> float:
    p, g = pred - pred.mean(), gt - gt.mean()
    denom = np.sqrt((p**2).sum() * (g**2).sum())
    return float((p * g).sum() / denom) if denom > 0 else 0.0

def phase_error(pred_cls: np.ndarray, gt_cls: np.ndarray) -> float:
    return float((pred_cls != gt_cls).mean())

# 冠军 LDAMT 的对标杆（测试集口径）：
BENCHMARK = {"area_mae_mm2": 301, "dim_mae_mm": 2.15,
             "rwt_mae_mm": 2.03, "phase_err": 0.095}
# 复现时注意：area 是 A-cav 与 A-myo 两目标 MAE 的平均，
# dim 是 D1-D3 平均，rwt 是 RWT1-RWT6 平均——三档聚合粒度不同，勿逐目标对照

对照这三个函数与冠军标杆时，再强调一次 §3.2 的口径提醒：官网/综述公布的三档成绩是目标组平均后的结果，逐目标（如单独 A-cav）的成绩在公开材料中没有逐项明细——复现者若算出逐目标数字，只能与文献中其他使用者的 own split 结果互比，不能与 301/2.15/2.03 直接对照。

8.3 三折交叉验证骨架

官方建议的 N=3 折（49/48/48 例）：

from sklearn.model_selection import KFold

pids = sorted({p.name for p in (root/"training").iterdir()})
assert len(pids) == 145
kf = KFold(n_splits=3, shuffle=True, random_state=0)
for fold, (tr, va) in enumerate(kf.split(pids)):
    train_ids = [pids[i] for i in tr]   # 49+49+48 中每折 ~96-97 例训练
    val_ids   = [pids[i] for i in va]   # 48-49 例验证
    # 注意：官方口径 49/48/48 指每折验证集大小；随机种子官方未指定，
    # 报告时注明 own split 细节并避免与官网成绩直接横比

一个工程提示：3 折划分应按受试者分组（每例 20 帧进出同一折），绝不能按帧随机划分——同例帧间高度相关，按帧划分会把"同一心脏的相邻帧"同时放进训练与验证集，CV 成绩会虚高到没有参考价值。上面代码按 pids（受试者 ID）划分正是为此。

8.4 DR 与 SG 双路线的最小对照实验

# SG 路线：分割网络 + 几何换算
#   loss = Dice(掩码) ；推理后按面积/径线/射线法从掩码算 12 目标
# DR 路线：多任务回归头
#   loss = SmoothL1(连续 11 目标) + CrossEntropy(时相 2 类)
# 官方结论的复现判据：
#   两条路线在 12 目标 MAE/PCC 上的误差带是否重叠（综述结论：重叠）
#   且 DR 在无掩码监督下训练是否仍收敛到同档精度（综述结论：是）

8.5 SG 路线的换算管线复现：从掩码到 12 项目标

SG 路线的核心资产不是分割网络（U-Net 变体属常识），而是掩码之后那段几何换算管线——它决定数值语义是否与官方真值对齐。以下为最小参考实现（射线抽样密度、乳头肌处理等自由度需按 §2.7 的提醒自行固定并声明）：

import numpy as np

def measures_from_mask(mask: np.ndarray, pixel_area_mm2: float):
    """mask: 80x80。类别编码为示意（cav=1, myo=2），实际以官方掩码标签定义为准。
    pixel_area_mm2: 预处理缩放后每像素代表的实际面积，按官方文档换算。"""
    cav = mask == 1
    myo = mask == 2

    # 1) 面积 = 像素计数 × 面积因子
    a_cav = cav.sum() * pixel_area_mm2
    a_myo = myo.sum() * pixel_area_mm2

    # 2) 质心（射线法原点）
    ys, xs = np.nonzero(cav)
    cy, cx = ys.mean(), xs.mean()

    # 3) 方向性径线：射线从质心出发，量到腔轮廓的像素距离
    px_mm = np.sqrt(pixel_area_mm2)          # 各向同性近似
    def chord(theta_deg):
        t = np.deg2rad(theta_deg)
        r = 0.0
        for step in np.arange(0, 40, 0.25):  # 上限 40 px、步进 0.25 px
            y, x = int(round(cy + step*np.sin(t))), int(round(cx + step*np.cos(t)))
            if not (0 <= y < mask.shape[0] and 0 <= x < mask.shape[1]) or not cav[y, x]:
                break
            r = step
        return r * px_mm
    dims = [chord(d) for d in (45, 135, 225)]  # D1-D3 具体角度以官方定义为准

    # 4) 区域壁厚：6 扇区中心角射线穿过心肌环的长度
    sector_angle = {"A": 90, "AS": 150, "IS": 210,
                    "I": 270, "IL": 330, "AL": 30}   # 角度约定为示意
    def wall(theta_deg):
        t = np.deg2rad(theta_deg)
        thick = 0.0
        for step in np.arange(0, 40, 0.25):
            y, x = int(round(cy + step*np.sin(t))), int(round(cx + step*np.cos(t)))
            if 0 <= y < mask.shape[0] and 0 <= x < mask.shape[1] and myo[y, x]:
                thick += 0.25
        return thick * px_mm
    rwts = {k: wall(v) for k, v in sector_angle.items()}

    return a_cav, a_myo, dims, rwts

复现时的三处自由度（官方细则在公开资料中未见明确说明，附录 C 证据链未覆盖）：径线方向的具体角度、射线步进与抽样密度、乳头肌/肌小梁的归入处理。数值对不上官方真值时先查这三处，再怀疑模型。

换算管线的验证方法：先用官方掩码（而非自己的分割结果）跑一遍换算，与官方指标真值对表——若对不上，问题在换算定义（三处自由度）；若对得上，再换自己的分割结果跑，此时的差距才是分割质量的差距。两步分开验证，是 SG 路线调试的第一原则——把换算误差与分割误差混在一起看，永远定位不了问题。

8.6 时相判定与面积法 EF 的边界复现

# 时相判定（复现实验参考）：以 A-cav 面积曲线极值锚定 ED/ES，
# 过渡帧（等容期）按面积变化率符号判定。官方真值的判定细则未公开，
# 此处为领域常规做法，与官方标注可能存在帧级出入
areas = labels[:, 0]                     # A-cav 逐帧（label.txt 第 1 列）
ed, es = int(areas.argmax()), int(areas.argmin())  # 舒张末最大腔 / 收缩末最小腔

# 面积法"EF"近似——严格说是 fractional area change（FAC）：
fac = (areas[ed] - areas[es]) / areas[ed] * 100
# 注意：FAC 是单切片面积变化率，与体积法 EF 数值不可直接互换
#（§2.2 的边界在此落地）；论文引用时应写 FAC 并注明单中部切片口径

8.7 使用检查清单（12 项）

1. 许可确认：使用前邮件 lvquan18@outlook.com 确认当前用途在许可范围内（坑 5）。
2. 口径声明：引用成绩注明"测试集 600 帧 / 3 折 CV"哪个口径，两者不可混（§3.3）。
3. 聚合粒度：面积/径线/壁厚是三档不同聚合，逐目标成绩勿与三档平均直接比（§8.2）。
4. 泛化边界：训练测试同机构同分布，成绩不代表跨中心泛化——跨中心结论需外部数据（§2.5）。
5. 容积限制：单中部切片，体积法 EF 不可直接计算（§2.2）。
6. metadata 缺陷：性别 73/145 缺失、体重 230 kg 异常值，人口学分析前先清洗（坑 4）。
7. 分辨率代价：80×80 预处理已锁定，高分辨率研究不可行，原生信息有损（§2.3）。
8. 真值一致性：掩码与指标真值同源导出，不是独立双标（§2.4）。
9. 排名引用：写"官网最终榜前 4 名次（12 支提交）“，勿写"12 队完整排名”（坑 8）。
10. 年份引用：数据 2017-11-26 发布、挑战 2018-09-16、论文集 2019、综述 2021——各自标注（坑 7）。
11. 名称规范：数据集写 Cardiac-DIG（综述口径），赛事写 LVQuan18 / Left Ventricle Full Quantification Challenge（坑 3、坑 1）。
12. 长期托管：官网为个人 GitHub Pages，引用时存档快照并注明访问日期（坑 5 关联）。

清单之外的三条软规则（不成文但同样影响成败）：

1. 先跑通官方指标再训模型——评估代码是坐标系，先有坐标系再谈优化方向（§8.2 的三函数是起点）。
2. 把 own split 写进每一张成绩表——145 例的 3 折划分有随机性，表里不注明 split 细节的成绩，三个月后自己都无法复现。
3. 给掩码和数值真值各留一份"未改动副本"——任何清洗（异常值核查、缺失处理）都在副本上做，原始发布的字节级拷贝是复现声明的最终依据。

§9 FAQ：高频问答 34 问

A. 基础认知

Q1：LVQuan 2018 的官方全称到底怎么写？
Left Ventricle Full Quantification Challenge（LVQuan18）。注意官网标题三段式：Left Ventricle Full Quantification Challenge + MICCAI 2018 + In conjunction with the STACOM 2018 workshop。文献简称有 LVQuan18、LVQuan 2018、LVQuan challenge 三种。

Q2：它发表在哪一年？
四个年份各有归属：训练数据 2017-11-26 发布；挑战日 2018-09-16；论文集（LNCS 11395）2019 年出版；官方综述 2021 年发表于 IEEE JBHI。引用赛事写 2018，引用综述写 2021（坑 7）。

Q3：Cardiac-DIG 和 DIG-Cardiac 是两个数据集吗？
不是，同一个：官方综述写 Cardiac-DIG，官网 details 页写 DIG-Cardiac dataset。条目统一用综述口径（坑 3）。

Q4：谁主办？
Shuo Li 与 Wufeng Xue，挑战时均为 Western University（加拿大西安大略大学）教师。2021 年综述中两人署名单位为深圳大学——同一批人跨年机构漂移（坑 2）。

Q5：STACOM 是什么？
Statistical Atlases and Computational Modeling of the Heart，自 2010 年起每年挂在 MICCAI 下的心脏计算模型 workshop，是心脏影像挑战赛的传统容器。2018 年是第 9 届，同期含心房分割与 LV 量化两个挑战。

B. 数据与获取

Q6：数据规模用哪个口径？
受试者口径 175 例（训练 145 + 测试 30）；帧口径 3,500 帧（每例 20 帧）。写论文时两者都要给，别只写一个（坑 6）。

Q7：现在还能下载吗？
训练数据经官网（lvquan18.github.io）2017-11-26 发布链路获取；官网仍在线（GitHub Pages 静态托管），但 2018 年后未更新。链路失效时邮件 lvquan18@outlook.com。无官方 Zenodo/HF 镜像。

Q8：license 是什么？
官网、综述、论文集均未声明数据许可条款——这是明确的空缺而非"开源"或"保留"。研究使用建议邮件主办方备案，商用必须书面确认（坑 5）。

Q9：可以转存到自己的镜像吗？
不建议。无许可声明时默认保留所有权利，公开转存有侵权风险；引用时给官网与综述链接即可。

Q10：测试集真值公开了吗？
挑战时保密（邮件提交预测、主办方评分）。综述复评使用测试标签但未附公开链接，赛后是否公开无直接证据（待核存照）。

Q11：原始未对齐图像有吗？
未公开。发布版全部经过四步预处理（landmark 旋转→裁剪→80×80 缩放），同例各帧同一变换。高分辨率或原始几何研究不可行。

Q12：有全栈短轴或射血分数真值吗？
没有。每例只有 1 个心中部切片，体积法 EF 不可直接计算；面积法 EF 可近似但非官方评测目标。需要 EF 真值请用 ACDC（全栈）或 EchoNet-LVH（超声 EF 标签）。

C. 任务与评测

Q13：12 项目标怎么构成的？
面积 2（A-cav、A-myo）+ 方向径线 3（D1-D3）+ AHA 六分区区域壁厚 6（RWT1-RWT6）+ 心动时相 1（收缩/舒张二分类）= 12。

Q14：评估指标是什么？
连续 11 目标用 MAE + PCC 双指标；时相用错误率。双指标设计防单一指标被刷（永远预测中位数可刷 MAE 但 PCC 惩罚它）。

Q15：交叉验证怎么做的？
官方建议 N=3 折，每折验证集 49/48/48 例；测试阶段 30 例 600 帧一次性提交。官方未指定随机种子——引用他人 3 折成绩时注意是 own split（§8.3）。

Q16：冠军成绩是多少？
LDAMT（Jiahui Li, Zhiqiang Hu）：面积 MAE 301 mm²、径线 MAE 2.15 mm、壁厚 MAE 2.03 mm、时相错误率 9.5%（测试集口径，官方综述摘要）。

Q17：面积 MAE 301 mm² 是什么水平？
训练集 A-cav 中位数 2099 mm²、A-myo 中位数 1922 mm²——301 mm² 约为中位面积的 7.5%，在 2018 年的多目标量化任务上属可用精度；但与临床测量误差要求（径线级 1-2 mm）对照，壁厚 2.03 mm 刚好在临床可接受边缘。

Q18：排名表为什么只有 4 行？
官网只公示获奖名次段（第 1、2、3、3 并列，共 5 支队伍）；12 支提交的完整成绩无公开逐队明细（坑 8）。

Q19：Rank-ALL 怎么合成的？
官网未给公式。从数据看它是四分项名次的综合（LDAMT 1/1/1/2→1；ResU-Net 1/3/4/3→2），非算术平均。引用时写"官网综合名次"即可。

D. 方法与结论

Q20：SG 和 DR 是什么？
SG（segmentation-based）：先分割出掩码再几何换算指标，需像素级监督；DR（direct regression）：图像直接回归数值，只需数值标签。LVQuan 2018 的双轨标注让两者首次同台。

Q21：哪条路线赢了？
DR 类的 LDAMT 拿总冠军，SG 类的 Residual U-Net 第 2 且面积分项并列第 1——总体结论是两条路线性能相当、误差结构不同、可组合使用（小数据 SG + 大数据 DR 弱监督）。

Q22：LDAMT 的"LDA"是什么？
Deep Layer Aggregation（深度层聚合），跨层特征融合骨干；"MT"指 multitask relationship learning，显式建模 12 目标间相关性的多任务框架。两者结合是它四分项三冠的原因。

Q23：多任务建模为什么有效？
12 项目标不是独立的：A-cav 与 D1-D3 几何相关，RWT 六区共享心肌边界，时相与腔面积周期同步。把相关性当正则化信号，每个目标的监督都间接帮助其他目标——综述将其列为高名次方法的共性。

E. 与其他数据集

Q24：和 ACDC 怎么选？
做分割与诊断分组、要许可清晰和生态成熟选 ACDC；做全量化/多任务/弱监督对比研究选 Cardiac-DIG。两者任务定义不同，成绩不可互比。

Q25：能和 M&Ms 一起做泛化实验吗？
可以作为外部测试的思路，但两者预处理体系不同（80×80 强制对齐 vs 原始分辨率）、切片协议不同（单中部 vs 全栈），需重建预处理链路，成本不低。

Q26：超声侧有对应物吗？
CAMUS（rid 533）提供超声四结构掩码与 EF，EchoNet-LVH（rid 530）提供万级视频与 LVH 表型——超声侧量化研究的外部测试池，与 Cardiac-DIG 形成 MRI/US 双模态对照。

F. 生产与库内

Q27：本库 slug 为什么是 lvquant？
官方名 LVQuan18 去数字小写化；与库内 slug 命名惯例（小写连字符、赛事缩写优先）一致。检索时用 LVQuan 才是高命中关键词（坑 1）。

Q28：本条目对 AMT 指派的说明？
本条目原指派 slug 为 amt-ct（“AMT 挑战”），经三轮检索证伪该挑战不存在（PET 示踪剂 α-[11C]methyl-L-tryptophan 与病例报告缩写 aortic mural thrombus 是"AMT"在医学文献中的实际所指），按预案改道第一备选 lvquant。证据链存档于 FACTS.md 第 1 节。

Q29：3 折交叉验证的成绩和测试集成绩能混着比吗？
不能。3 折 CV 是训练集 145 例内部的 own split 成绩（官方未固定随机种子），测试集成绩是 30 例 600 帧的官方统一评分——两者样本与评分主体都不同，引用时必须标注口径（§8.3，坑 8 关联）。

Q30：80×80 的分辨率还能做深度学习吗？
能，而且这正是发布版的设计——12 支参赛队伍全部在 80×80 上训练并产出可比较的成绩。它不适合的是高分辨率细节研究（肌小梁形态、瘢痕显像）与需要原生几何的配准研究。想做原生分辨率工作，ACDC（原始分辨率全栈）是库内替代（§7.4）。

Q31：能把 Cardiac-DIG 和 ACDC 拼起来训练吗？
技术上可行但有三道坎：分辨率体系不同（80×80 锁定 vs 原始分辨率）、切片协议不同（单中部 vs 全栈）、量化真值只有前者有——拼接后监督信号不对称。常见做法是以 Cardiac-DIG 为主任务、ACDC 做预训练或域适应源，而非直接混池（§7.1）。

Q32：为什么这个数据集没有 HuggingFace/Zenodo 镜像？
两个原因叠加：发布年代早于 MICCAI 圈"数据 deposit 规范化"惯例（Zenodo 化在 2019 年后才成为挑战赛标配），且官网从未附许可条款——无许可的第三方转存有侵权风险，本库因此只收录链路、不做镜像（§6.2、Q9）。

Q33：用这个数据集发论文，数据声明（data availability）怎么写？
三要素：数据来源写"Cardiac-DIG dataset, released via the LVQuan18 challenge website (lvquan18.github.io), training data released 2017-11-26"；许可写"数据发布未附许可条款，使用前经邮件与主办方确认"（如已确认附日期）；引用同时挂官网与官方综述（doi:10.1109/JBHI.2021.3064353）。模板见附录 H（§6.5）。

Q34：综述说"DR 与 SG 相当"，为什么我复现时 DR 明显更差？
先查三件事：①训练数据是否给足了数值标签（DR 不能用掩码导出的派生信息当捷径时起点不同）；②是否按受试者分折（按帧划分会虚高 SG 的换算成绩，§8.3）；③损失是否给连续 11 目标与时相分别配权（混在一起训时相会被淹没）。都排除了再看架构——2018 年的等价性结论不保证在所有架构配置上自动复现（§4.6）。

§10 坑点档案（8 则，"坑 N："编号制）

编号	坑	影响	拆解
坑 1	检索名混乱：LVQUant/LVQuan18/LV Quantification Challenge 三写法，且与 LVSC（2011 LV Segmentation Challenge）一字之差	文献检索/选条	搜 “LVQuan” 或 “Left Ventricle Full Quantification Challenge”；LVSC 是 2011 年 cardiacatlas.org 系分割赛，任务与年代都不同
坑 2	主办者机构漂移：2018 Western University → 2021 综述深圳大学（编者栏又写 Western Ontario）	人物著录	按文献年份挂对应机构；跨年引用统一写"Shuo Li（Western University，后任深圳大学）"
坑 3	数据集名双写法：Cardiac-DIG（综述）vs DIG-Cardiac（官网 details）	引用/检索	统一综述口径 Cardiac-DIG；检索时两个都试
坑 4	metadata 缺陷：训练集性别 73/145 缺失；体重上限 230 kg 疑似录入异常	人口学分析	性别分层分析不可行；体重字段先做异常值核查再使用
坑 5	license 缺位：官网/综述/论文集均无数据许可条款	获取/商用/再分发	研究用途邮件主办方备案；商用书面确认；勿公开转存镜像
坑 6	帧数 vs 受试者口径：3,500 帧（帧口径）vs 175 例（受试者口径）混用	数字引用	论文统计部分同时给两个口径；帧数还分训练 2,900 + 测试 600
坑 7	四年份链：2017（数据发布）/2018（挑战日）/2019（论文集）/2021（综述）	引用著录	每个事实挂对应年份；赛事名以 2018 为准
坑 8	排名口径：官网榜仅 4 名次 5 队 vs 12 支提交；Rank-ALL 第 3 并列两队；合成规则未公开	赛果引用	写"官网最终榜前 4 名次（12 支提交）"；并列名次注明；勿自造完整排名

坑点使用指南：八则坑点不是平行清单，而是三类风险——检索/著录类（坑 1、2、3、7，发生在引用前）、统计/方法类（坑 4、6，发生在分析中）、治理/传播类（坑 5、8，发生在获取与发表时）。按生产流程排布的话：写 related work 前查 1/2/3/7，跑实验前查 4/6，发论文前查 5/8。附录 F 是同一组坑的一句话版，供排版时快速索引。

事实清单（硬事实 40 条）

1. 官方全称 Left Ventricle Full Quantification Challenge（LVQuan18）。
2. 挂靠第 9 届 STACOM 2018 workshop，与 MICCAI 2018 同期。
3. Challenge day：2018-09-16，西班牙格拉纳达。
4. 主办：Shuo Li 与 Wufeng Xue（Western University，2018 时点）。
5. 训练/验证数据发布：2017-11-26。
6. 测试数据发布与摘要注册：2018-06-17。
7. 测试结果提交截止：2018-06-22 23:59 CDT；反馈 2018-06-25。
8. 数据集名 Cardiac-DIG（综述口径）/ DIG-Cardiac（官网口径）。
9. 训练集 145 例，测试集 30 例，合计 175 例。
10. 每例 20 帧心中部短轴 cine-MRI，全心动周期。
11. 帧总数 3,500（训练 2,900 + 测试 600）。
12. 数据来源：加拿大安大略省伦敦市三所医院（London Healthcare Center 与 St. Joseph’s HealthCare 两健康中心）。
13. 临床连续收集无筛选：室壁运动异常、心肌肥厚、扩张型心肌病、ASD、缩窄性心包炎等。
14. 训练集年龄 16-97（平均 58.9）；测试集 11-80。
15. 训练集性别：男 50 / 女 20 / 未知 73。
16. 训练集 EF 9.6-73.8%（中位 40.6）。
17. 原始像素间距 0.68-2.08 mm/px，众数 1.56。
18. 预处理四步：landmark 标注→旋转→ROI 裁剪（2×landmark 间距正方形）→80×80 缩放。
19. 同例全帧同一变换，保留心肌运动。
20. AHA 处方三等分取中部切片，要求可见乳头肌与肌小梁。
21. 12 项目标：A-cav、A-myo、D1-D3、RWT1-RWT6（AHA 六区：A/AS/IS/I/IL/AL）、时相。
22. 训练真值 A-cav 中位 2099 mm²；A-myo 中位 1922 mm²。
23. RWT 范围 1.40-24.43 mm（训练）。
24. 时相帧分布：训练舒张 1680 / 收缩 1220；测试 342/258。
25. 标注双轨：逐帧心肌掩码 + 逐帧 12 项指标真值，同源导出。
26. 评估指标：MAE + PCC（连续 11 目标）；错误率（时相）。
27. 官方建议 3 折 CV（49/48/48）。
28. 12 支队伍提交。
29. 冠军 LDAMT（Jiahui Li, Zhiqiang Hu）：Rank-ALL 1（分项 1/1/1/2）。
30. LDAMT 成绩：面积 MAE 301 mm²、径线 2.15 mm、壁厚 2.03 mm、时相错误率 9.5%。
31. 亚军 Residual U-Net（Kerfoot 等，KCL，6 人）：Rank-ALL 2。
32. 并列第 3：Guo 等（U-Net+Continuous Max-Flow）与 Xu 等（Oxford，DR/SG 对比）。
33. 核心结论：DR 不需密集掩码即可与 SG 等价；混合策略（小数据 SG+大数据 DR）为推荐方向。
34. 官方综述：IEEE JBHI 2021;25(9):3541-3553，doi:10.1109/JBHI.2021.3064353，PMC7611810，25 作者。
35. 综述时间线：2020-09-18 投稿 / 2021-03-04 接收 / 2021-09 收录。
36. 论文集：LNCS 11395，Springer 2019，52 篇从 60 选出，doi:10.1007/978-3-030-12029-0。
37. 论文集编者 8 人含 Shuo Li；同期心房分割挑战合并出版。
38. 官方联系：lvquan18@outlook.com；官网 lvquan18.github.io。
39. 数据许可条款：未声明（官网/综述/论文集均无）。
40. 测试集真值赛后公开性：无直接证据（待核）。

三条最常被误写的表述（事实清单的负片）：

1. ❌“175 例全栈短轴 cine-MRI”→ ✅ 单中部切片 × 20 帧；全栈短轴是 ACDC（§2.2）。
2. ❌“LVQuan 2018 提供射血分数真值”→ ✅ EF 只是受试者属性（9.6-73.8%），不是评测目标；单中部切片也无法计算体积 EF（§2.2、Q12）。
3. ❌“12 支队伍完整排名见官网”→ ✅ 官网只公示 4 个名次段 5 支队伍（坑 8）。

术语表（37 条）

术语	释义
LVQuan18	Left Ventricle Full Quantification Challenge 2018 官方简称
Cardiac-DIG	LVQuan 2018 挑战数据集（DIG-Cardiac 为官网别写）
STACOM	Statistical Atlases and Computational Modeling of the Heart，MICCAI 年度心脏 workshop
SAX	Short-Axis，短轴位；心脏 MRI 标准采集平面
Mid-ventricular	心中部的：LV 沿长轴三等分的中间段
AHA 17 段	美国心脏协会左心室分段标准，本数据集用其中短轴六分区
A-cav	左心腔血池横截面积（mm²）
A-myo	心肌环面积（mm²）
D1-D3	LV 腔三条方向性径线（mm）
RWT	Regional Wall Thickness，区域壁厚（mm）
心动时相	Phase：收缩（systole）/舒张（diastole）二分类
EF	Ejection Fraction，射血分数；本数据集仅作受试者属性，非评测目标
ECG-gating	心电门控：按心电周期触发采集，cine 序列的前提
SG	Segmentation-based：先分割后换算的量化路线
DR	Direct Regression：图像直接回归量化值的路线
LDAMT	冠军方法：Deep Layer Aggregation Based Multitask Relationship Learning
DLA	Deep Layer Aggregation，跨层特征聚合骨干网络
MAE	Mean Absolute Error，平均绝对误差
PCC	Pearson Correlation Coefficient，皮尔逊相关系数
Landmark	预处理参考点：LV-RV 两个解剖交点
ROI	Region of Interest，预处理裁剪的目标区域
cine-MRI	心脏电影 MRI：一个心动周期多帧重建的动态序列
LVSC	Left Ventricle Segmentation Challenge（2011），前代分割赛事，勿与 LVQuan 混淆
LNCS	Lecture Notes in Computer Science，Springer 系列，STACOM 论文集载体
M&Ms	Multi-Centre, Multi-Vendor & Multi-Disease 心脏分割挑战（2020）
MyoPS	Myocardial Pathology Segmentation 挑战（STACOM 2020 系）
等价性结论	"DR 与 SG 性能相当"的官方综述核心发现
弱监督	不用像素级掩码、只用数值/类别标签的训练范式
AHA 分区	American Heart Association 左心室 17 段模型；本数据集用其中部短轴六分区（§2.7）
FAC	Fractional Area Change，面积变化率；单切片 EF 的近似量，勿与体积 EF 混同（§8.6）
几何放大链条	SG 路线误差传递模型：掩码边界误差经几何公式放大为量化误差（§4.6）
可获取性债务	数据集因托管/许可/文档欠账导致的长期可用性损失（§5.5、附录 L）
双轨标注	同一数据同时提供分割掩码与量化真值两套监督信号的设计（§2.4）
过渡帧	等容收缩/舒张期的 cine 帧：腔面积变化率小、时相判定最易出错（§2.8）
ED / ES	End-Diastole / End-Systole，舒张末 / 收缩末：cine 序列的两个锚定帧

附录

附录 A：条目信息速查卡

字段	值
slug	lvquant
数据集	Cardiac-DIG
赛事	LVQuan18（MICCAI 2018 / STACOM 2018）
规模	175 例 / 3,500 帧（训练 145 例 2,900 帧 + 测试 30 例 600 帧）
模态	cine-MRI 心中部短轴，80×80 预处理 ROI
标注	逐帧心肌掩码 + 12 项量化真值（双轨同源）
任务	全量化：面积 2 + 径线 3 + 壁厚 6 + 时相 1
指标	MAE / PCC / 时相错误率
冠军	LDAMT（Li & Hu）：301 mm² / 2.15 mm / 2.03 mm / 9.5%
论文	IEEE JBHI 2021;25(9):3541-3553（PMC7611810）
许可	未声明（坑 5）
抓取时点	2026-09-27
评测指标	MAE / PCC（连续 11 目标）+ 错误率（时相）
交叉验证	官方建议 3 折（每折验证 49/48/48 例）
关联论文集	LNCS 11395（Springer 2019，doi:10.1007/978-3-030-12029-0）

附录 B：DAIMS 评估全表

DAIMS 维度	得分	评注
D 数据可用性	5/10	官网链路存活但 2018 年后未更新；无官方长期镜像；许可条款缺位
A 可访问性	6/10	静态官网+邮件渠道；测试真值公开性存疑
I 标注完整性	9/10	逐帧双轨标注全周期覆盖，12 项目标定义精确
M 元数据质量	6/10	人口学字段大量缺失（性别 73/145）、疑似录入异常（230 kg）；采集协议描述完备
S 可持续性	4/10	个人 GitHub Pages 托管、单一联系邮箱、无版本化存档
综合	6.0/10	任务定义与标注体系一流，数据治理与许可管理是 2018 年代挑战赛典型短板

逐维评分理由展开：

• D 数据可用性 5/10：链路活着（+）但无 deposit、无镜像、2018 年后停更（−）；许可缺位使"可用"打折扣。
• A 可访问性 6/10：协议公开、申请路径清晰（+）；测试真值公开性存疑、无 API（−）。
• I 标注完整性 9/10：逐帧双轨、12 目标定义精确、真值分布有官方统计（+）；乳头肌与射线细则未见公开说明（−1）。
• M 元数据质量 6/10：采集协议描述完备（+）；性别 73/145 缺失、体重异常值、无逐例面积因子元数据（−）。
• S 可持续性 4/10：个人 GitHub Pages + 单一 outlook 邮箱、无版本化存档——最低分维度，也是附录 L 债务画像的主要来源。

加权感受：这个 6.0 是"内容 9 分、治理 4 分"的折中——引用本数据集的论文，方法节好写、数据声明节难写，正是这个结构的直接体现。

附录 C：逐项证据链自证

条目断言	证据源	位置
全称/挂靠/挑战日/主办方	官网首页	lvquan18.github.io（Organizer、Important dates 栏）
数据规模/人口学/预处理/标注协议	官方综述 §II Cardiac-DIG	IEEE JBHI 2021 / PMC7611810 / HAL hal-03229066
12 目标定义/评估指标/CV 协议	官网 details 页 + 综述 §IV	lvquan18.github.io/details.html；综述
排名表/冠军方法题目	官网 Final Rankings	lvquan18.github.io
冠军成绩数字	综述摘要	doi:10.1109/JBHI.2021.3064353
论文集卷号/编者/出版信息	Springer 书页 + 图书馆目录	doi:10.1007/978-3-030-12029-0；Temple/PSU 馆藏记录
"AMT 挑战"证伪	三轮 WebSearch（2026-09-27）	FACTS.md §1 改道证据链
库内互链 rid	数据库查询	qf_psql 查询记录（acdc=511 等）
乳头肌/射线细则公开程度	官网+综述检索范围内未见	本条目 §2.7/§8.5 的存照式表述依据
心肌比重 1.055 g/cm³、HCM 阈值 15/13 mm	教科书/临床指南通用值	§2.8 方法说明，非本数据集实测

附录 D：检索决策树

要找 LVQuan / Cardiac-DIG
├── 想了解赛事/协议/排名 → 官网 lvquan18.github.io
├── 想读方法学分析/数据集细节 → 综述（搜 "Left Ventricle Quantification Challenge JBHI" 或 PMC7611810）
├── 想引用参赛方法 → LNCS 11395（Springer）
├── 搜到 "LV Quantification Challenge 2011" → 停，这是 LVSC（坑 1），加 "2018" 或 "Full"
└── 搜 "AMT challenge aortic thrombus" → 停，该挑战不存在（本条目改道起点）

检索关键词组合表（按命中率排序）：

目的	推荐关键词组合
找赛事本体	LVQuan18 / Left Ventricle Full Quantification Challenge
找数据集	Cardiac-DIG（命中率更高）或 DIG-Cardiac dataset
找综述全文	Left Ventricle Quantification Challenge JBHI 2021 / PMC7611810
找论文集	STACOM 2018 LNCS 11395 / doi:10.1007/978-3-030-12029-0
找冠军方法	Deep Layer Aggregation Multitask Relationship Learning left ventricle / LDAMT
排除误命中	加 -2011 或加 MICCAI 2018；勿用裸词 LV Quantification Challenge（坑 1）

附录 E：双口径登记表

事项	口径 A	口径 B	采信
数据集名	Cardiac-DIG（综述）	DIG-Cardiac（官网 details）	综述口径（坑 3）
数据规模	175 例 / 3,500 帧	“145MR 训练”（部分文献只写训练）	175 例全量口径 + 帧数并列（坑 6）
年份	2018（挑战）	2017-11-26（数据发布）	按事实分挂（坑 7）
排名	官网榜 4 名次 5 队	12 支提交（综述）	“官网榜前 4 名次（12 支提交）”（坑 8）
主办机构	Western University（2018）	深圳大学（2021 综述）	按文献年份（坑 2）
性别字段	男 50 / 女 20	未知 73	并列披露（坑 4）

附录 F：坑点速查（与 §10 对照）

编号	一句话	高发场景
坑 1	LVQuan ≠ LVSC，写法有三	检索
坑 2	主办者机构随年份漂移	著录
坑 3	Cardiac-DIG / DIG-Cardiac 双写	引用
坑 4	性别过半缺失 + 体重异常值	人口学
坑 5	license 空缺	获取/商用
坑 6	帧口径 vs 受试者口径	统计
坑 7	四年份链	著录
坑 8	排名只有前 4 名次 + 并列	赛果

附录 G：维护计划与触发点

触发事件	动作
官网下线（GitHub Pages 404）	更新 §6 获取决策树，将"链路失效→邮件主办方"升级为主路径；存档快照 URL
Cardiac-DIG 出现官方 Zenodo/HF 镜像	更新 §6.1 表与 license 状态；重估 DAIMS D/A 维度
主办方公开数据许可条款	更新 §6.2 对照表与 INFOBOX 许可行；DAIMS 重评
测试集真值确认公开	更新 §6.3 与 Q10；补充外部复评入口
综述被撤稿/更正（低概率）	复核全部数字引用
库内新增 M&Ms/MyoPS 条目	扩充 §7 对比表第三列
第三方镜像出现（非官方）	在 §6.2 标注"存在非官方转存，权威性存疑"，提醒读者以官网链路为准（Q9）
官方公开测试标签	更新 §6.3、附录 L"测试真值不透明"行的债务状态

附录 H：引文规范

数据集：LVQuan18 organizers. Cardiac-DIG dataset. LVQuan18 official website, https://lvquan18.github.io/, training data released 2017-11-26 (accessed 2026-09-27).

官方综述：Xue W, Li J, Hu Z, et al. Left Ventricle Quantification Challenge: A Comprehensive Comparison and Evaluation of Segmentation and Regression for Mid-Ventricular Short-Axis Cardiac MR Data. IEEE J Biomed Health Inform. 2021;25(9):3541-3553. doi:10.1109/JBHI.2021.3064353

论文集：Pop M, Sermesant M, Zhao J, Li S, McLeod K, Young A, Rhode K, Mansi T, eds. Statistical Atlases and Computational Models of the Heart. Atrial Segmentation and LV Quantification Challenges. STACOM 2018. LNCS 11395. Springer, 2019. doi:10.1007/978-3-030-12029-0

附录 I：本条目生产档案

• slug：lvquant（改道自 amt-ct，改道证据链见 FACTS.md §1）
• 生产代理：agentA-amt；生产时点 2026-09-27
• 结构：INFOBOX + 导语 + §0-§10 + 事实清单 40 条 + 术语表 37 条 + 附录 A-N
• 坑点：§10 八则（坑 1-8，"坑 N："编号制）
• FAQ：34 问（基础/数据/评测/方法/对比/生产六组）
• 一手来源：官网（WebSearch 索引全文）、IEEE JBHI 综述（Europe PMC + HAL + PMC 摘要多源）、Springer LNCS 11395 书页
• 双口径存照：附录 E 六则

附录 J：FAIR/AI-Ready 检查单

维度	判定	说明
F 可发现	部分达标	官网+综述+论文集三锚点；无 DOI 化数据 deposit（坑 5 关联）
A 可访问	部分达标	HTTP 静态页+邮件协议；无标准 API/镜像
I 可互操作	受限	预处理锁定（80×80）降低跨数据集互操作；格式未标准化声明
R 可复用	受限	许可未声明是最大障碍；任务定义与指标公式完全公开是最大加分

AI-Ready 三问（拿这张表回答数据工程团队的三个高频问题）：

1. “拿来就能训练吗？”——能。图像+掩码+逐帧真值三件套齐备，协议与指标公开，12 支队伍已证明可复现。
2. “拿来就能合规发表吗？”——研究用途大概率可以（邮件备案更稳），商用/再分发必须先拿到书面许可。
3. “三年后还拿得到吗？”——不确定。个人静态托管是全条目最脆弱的一环，引用时存档快照是自保动作（附录 G 第一行）。

附录 K：量化挑战赛设计者检查清单（从 LVQuan 2018 提炼）

设计一个多目标医学量化挑战赛时，以下 10 项逐条自查（括号内为本条目对应章节）：

1. 目标定义是否逐一有临床对应用途，而非"为多而多"？（§3.1、§2.8）
2. 每个目标的几何/计算定义是否精确到第三方可复现（射线法、分区角度、单位）？（§3.1、§8.5）
3. 监督信号是否对全部参赛范式公平——掩码派与回归派各取所需？（§3.6）
4. 指标是否防单策略刷分（绝对误差与相关性并列、类别目标单独计）？（§3.2）
5. 预处理是否统一锁死以控制变量？其代价（分辨率损失/原始信息不可回溯）是否已随数据声明？（§2.3、§2.8）
6. 排名公示是否分层（分项 + 综合），综合名次合成规则是否公开？（§3.5、坑 8）
7. 时间线是否给足"数据发布 → 结果提交"周期（本赛约 7 个月，§3.4）？
8. 联系渠道是否有机构背书，而非仅个人邮箱？（§6.1、坑 5）
9. 许可条款是否随数据同步发布，而非留白？（§6.2）
10. 长期托管是否有 DOI 化 deposit 兜底，而非仅静态网页？（§5.5、附录 J）

十条中 LVQuan 2018 过了前七条、折在后三条——这恰好与它 DAIMS 得分结构（标注/协议满分、治理/可持续失分，附录 B）互为镜像，可见清单的区分度是真实的。

附录 L：一份 2018 年代挑战赛数据的"可获取性债务"画像

Cardiac-DIG 的 DAIMS 6.0/10（附录 B）拆开看，失分项几乎全部来自"债务"而非"资产"：

债务项	表现	利息（对今天的后果）	偿还成本
许可留白	官网/综述/论文集均无条款	每个新使用者都要邮件确认一次（坑 5）	主办方一页声明即可清偿
无 DOI deposit	仅 GitHub Pages 托管	链接失效即数据不可达，引用不可恢复	Zenodo 上传一次即可
测试真值不透明	赛后公开性无直接证据（§6.3）	外部复评无法进行	公开测试标签或明确声明保密
metadata 粗放	性别 73/145 缺失、体重异常值（坑 4）	公平性分析整体不可行	发布勘误表即可

四项债务的共同点：偿还成本都远低于当初的欠账成本——它们是"当年没有惯例"的产物，而非技术困难。这也是本条目把它同时当正面教材与反面教材引用的原因：任务定义、双轨标注、统一预处理这些"资产"部分至今领先，治理"债务"部分今天一天就能还清。设计新数据集的团队，拿这张表当发布前 checklist 即可。

附录 M：按角色的学习路径

四类读者按下列顺序读本条目，最快拿到各自需要的最小完备集：

读者角色	建议阅读序	最小完备集
数据使用者（要做实验）	INFOBOX → §1 → §6 → §8.1/§8.7 → §2	获取链路 + license 边界 + 加载与检查清单 + 数据规格
算法研究者（要复现/对比方法）	§3 → §4 → §8.2-§8.6 → §5	评测协议 → 排名与误差结构 → 指标复现 → 综述谱系
赛制设计者（要办新挑战赛）	§3.6-§3.7 → §10 → 附录 K/L	赛制自觉 → 坑点档案 → 设计者清单与债务画像
数据管理者（要评估收录）	§6 → 附录 B/J/L → §5.5	获取/许可 → DAIMS/FAIR → 债务画像与代际定位

四条路径共用同一份事实底座（事实清单 40 条），只是取用顺序不同——这是"百科条目而非教程"的结构设定：章节按主题组织，不按读者难度递进。

附录 N：frontmatter 关键字段取值依据

字段	取值	依据
title	含"LVQuan 2018 (lvquant)"与站点后缀	官方赛事名 + slug + 站点命名规范
subtitle	"首个左心室全量化挑战 + 175 例/12 项指标/12 队"四要素	官网 + 综述硬数字压缩
description	170 字符内覆盖"挑战-数据-标注-结论"	首页摘要卡的长度闸门
category_tags	医学影像/MRI/医学图像分割/挑战赛数据集/心血管疾病	库内受控词表命中（5 个，2-6 区间内）
patient_count	“175 例（训练 145 + 测试 30），每例 20 帧，共 3,500 帧”	双口径并列（坑 6）
data_source.name	三所医院 + 两健康中心 + 预处理 + 标注概述	综述 §II 数据构建节
license	“未声明 + 邮件确认提示 + 综述开放副本指引”	§6.2 的许可空缺结论 + 坑 5
schema_org	MedicalWebPage + Dataset + cr:RecordSet + ScholarlyArticle 四节点	站点 JSON-LD 规范；variableMeasured 对应 12 目标

字段值全部可在附录 C 证据链中回溯到一手来源；frontmatter 内不存放"仅推断"级信息——推断级内容只出现在正文并显式标注。

尾注

本条目为千方病案医数集 AI-Ready Wikipedia 之 LVQuan 2018 / Cardiac-DIG 数据集百科页。所有事实性陈述截至抓取时点 2026-09-27，三大一手来源（官网 lvquan18.github.io、IEEE JBHI 2021 官方综述 doi:10.1109/JBHI.2021.3064353、Springer LNCS 11395 论文集 doi:10.1007/978-3-030-12029-0）交叉核验；两处官网与综述的口径差异（数据集名写法、排名表行数）与全部 metadata 缺陷已在 §10 坑点档案与附录 E 双口径登记表中存照。本条目由写手代理 agentA-amt 生产，生产过程包括对原指派条目"AMT 挑战"的三轮证伪检索与按预案的 slug 改道（证据链存 FACTS.md）。数据获取、许可确认与外部链接有效性请以访问时点实测为准。

---

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：

• mms-2 — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 心血管疾病
• cmrxmotion — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 心血管疾病
• emidec — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 心血管疾病
• myops — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 心血管疾病
• mm-whs — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 心血管疾病
• lascarqs — 共享标签：医学影像 / MRI / 医学图像分割 / 挑战赛数据集 / 心血管疾病
• cmrxrecon — 共享标签：医学影像 / MRI / 挑战赛数据集 / 心血管疾病
• mms — 共享标签：医学影像 / MRI / 医学图像分割 / 心血管疾病
• camus — 共享标签：医学影像 / 医学图像分割 / 挑战赛数据集 / 心血管疾病
• topaneu2026 — 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。