信息速览

数据集名称M&Ms — 多中心多厂商多疾病心脏 MRI 分割 AI-Ready Wikipedia

数据类型345 例 cine CMR,约 69.52 GB NIfTI,3 国 6 中心 4 厂商,7+1 类病理,LV/MYO/RV 三类标注,注册后开放获取

规模345 例受试者

接入方式巴塞罗那大学（Universitat de Barcelona） url: https://www.ub.edu/mnms/

AI 就绪度

M&Ms — 多中心多厂商多疾病心脏 MRI 分割 AI-Ready Wikipedia

INFOBOX


数据集名称	M&Ms
英文全称	Multi-Centre, Multi-Vendor & Multi-Disease Cardiac Image Segmentation Challenge
别名/简称	M&Ms challenge、MNMS、Multi-CMRA challenge
疾病分类	心肌病及相关心血管疾病谱（ICD-11：BC43.1 肥厚型心肌病 / BC43.0 扩张型心肌病 / BC43.6 致心律失常性心室心肌病 / BA01 高血压性心脏病；含正常对照）
SNOMED CT	87878005 Left cardiac ventricular structure / 53085002 Right cardiac ventricular structure / 49848007 Left ventricle myocardium（详见 §2.2）
数据模态	心脏磁共振（短轴 cine SSFP，4D 体数据）
AI 任务类型	心脏结构分割（LV/MYO/RV）、跨中心跨厂商域泛化、半监督分割、多疾病 CMR 分析
样本总数	345 例 cine CMR（开放版 211230：Training 175 + Validation 34 + Testing 136）
数据大小	约 69.52 GB（Kaggle 社区镜像口径，含全部 4D NIfTI）
数据格式	4D NIfTI（.nii.gz）+ CSV 元数据表
许可证	M&Ms Dataset Terms of Use（学术研究使用）
访问级别	注册后开放（官网注册并同意数据使用政策）
语言	英文（元数据表与文档）
首发日期	2020（MICCAI 2020 挑战）/ 2020-12-30（开放版 211230）
最后更新	2020-12-30（211230 开放版，此后停止更新）
发布机构	巴塞罗那大学（Universitat de Barcelona）等，H2020 euCanSHare 项目支持
官方主页	https://www.ub.edu/mnms/
下载地址	https://www.ub.edu/mnms/
DOI	10.1109/TMI.2021.3090082（TMI 论文）
引用次数	600+（Google Scholar，截至 2026-09）
AI 就绪度评分	⭐⭐⭐⭐（4/5）— 官方划分齐全、标签规范统一、nnU-Net 转换脚本与冠军模型公开；扣分项：标注仅覆盖 ED/ES 帧需手动抽取、公开 val/test 无标注、文献规模口径混乱需固定版本
页面状态	published

§0 E-E-A-T 信任声明与免责声明

医学审核者：千方病案医学编辑部交叉审核：§2 医学背景（ICD-11 与 SNOMED CT 映射、心肌病分类与临床任务定义、金标准描述）、§7 偏倚分析。

数据工程审核者：千方病案医学编辑部交叉审核：§4 DAIMS 数据字典（4D NIfTI 结构与标签编码）、§5 数据划分策略、§6 预处理 Pipeline 和坑点。

审核日期：2026-09-05

审核方式：交叉审核

利益冲突声明：千方病案医数集与巴塞罗那大学、euCanSHare 项目及各数据贡献中心无任何商业利益关联。本页面不销售 M&Ms 数据集本身，仅提供 AI 就绪指南与学术信息服务。编辑者未接受上述机构的任何形式资助。

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。M&Ms 要求用户在官方网站（https://www.ub.edu/mnms/）注册并同意数据使用政策后获取数据，数据仅限学术研究用途。具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 📌 30 秒速览

这是什么？ M&Ms 是一个公开的心脏磁共振（CMR）影像数据集，收录了 345 例心脏电影（cine）MRI 检查。它最大的特点是"三个多"：多家医院（3 国 6 中心）、多台不同厂家的扫描仪（Siemens、Philips、GE、Canon）、多种疾病（肥厚型心肌病、扩张型心肌病等 7 类心血管疾病加上健康人）。每例数据是三维的心脏动态影像，其中舒张与收缩两个关键时相由医生逐像素画出了心脏三个结构的边界。

为什么重要？ AI 模型在一家医院的数据上训练后，换到另一家医院、另一台设备上常常"水土不服"——这是医疗 AI 落地的最大障碍之一。M&Ms 通过刻意混入 4 家厂商、6 家中心的数据，让研究者可以在同一个数据集里测量并解决这种"设备差异"问题。2020 年的 MICCAI 国际挑战赛以此为题，吸引了全球 14 支队伍参赛，其结论深刻影响了后续跨中心心脏影像研究。

我能用它做什么？ 训练自动勾画左心室、心肌、右心室的深度学习模型（心脏功能定量分析的第一步）；测试你的模型能否扛住"换机器"的考验；做半监督、域自适应等前沿方法研究。数据可免费申请，附带官方划分和可对照的公开基准。

§1.1 摘要

M&Ms（Multi-Centre, Multi-Vendor & Multi-Disease Cardiac Segmentation Challenge）由巴塞罗那大学等机构在 H2020 euCanSHare 项目支持下组织，于 2020 年作为 MICCAI/STACOM 挑战发布，全文发表于 IEEE Transactions on Medical Imaging（2021）。数据集为短轴 cine CMR，以 4D NIfTI 格式发布，维度为 (x, y, z, t)。挑战版设计规模 350 例、最终收集 375 例；公开的 211230 开放版含 345 例：Training 175（Labeled 150 + Unlabeled 25）、Validation 34、Testing 136。覆盖西班牙（巴塞罗那 4 家中心）、德国（汉堡 UKE）、加拿大（蒙特利尔 McGill MUHC）共 6 家医院，厂商编码 A（Siemens）、B（Philips）、C（GE）、D（Canon）。病理体系为 7 类心血管疾病 + 正常 + 其他。标注仅覆盖 ED/ES 两帧，标签值为 0 背景 / 1 LV 血池 / 2 心肌 / 3 RV 血池（与 ACDC 的标签顺序不同）。挑战冠军为 DKFZ 的 Full 等人（nnU-Net 2D+3D 集成），其公开模型已成为事实上的社区基线。数据经官网注册后开放获取。

§1.2 战略价值

维度一：跨中心泛化的"标准压力测试场"。 医疗影像模型的域偏移问题难以量化，因为多数单中心数据集无法分离"设备差异"与"人群差异"。M&Ms 的设计刻意让部分厂商（C、D）只出现在测试阶段、不出现在训练标注中（训练集仅覆盖 A/B/C 三厂商，测试集含 D），从而可以直接测量模型对"未见过的扫描仪"的鲁棒性。TMI 2021 论文的核心结论之一就是：跨 vendor 的性能下降远大于跨中心，且强度域偏移是主要障碍。此后 ACDC 训练 → M&Ms 测试的无监督域自适应研究、以及各色域泛化方法，都把 M&Ms 当作标准考核场地。

维度二：多疾病谱让"通用心脏模型"成为可能。 ACDC 只有 100 例、5 类；M&Ms 将肥厚型心肌病、扩张型心肌病、高血压性心脏病、房间隔缺损术后等纳入同一标注体系，病变心肌的形态学差异极大（如 HCM 的非对称肥厚、DCM 的心腔扩大），使模型必须在 7+1 类形态上同时保持精度。M&Ms-2（2021）又将任务推进到右心室与先天性疾病谱（360 例）。三者构成 2020-2023 年心脏分割研究最常用的"家族式"基准矩阵，一个模型若能同时在这三套数据上表现稳定，就具备了走向多中心临床环境的初步证据。

维度三：挑战赛式发布带来的工程红利。 与多数"论文附带数据"不同，M&Ms 的发布流程高度工程化：固定版本号（211230）、结构化元数据 CSV（含中心/厂商/病理/ED-ES 帧号）、统一的 Singularity 容器提交协议、以及冠军 nnU-Net 预训练模型在 Zenodo 公开（DOI 10.5281/zenodo.4288464）。研究者可以一键获得强基线，把精力集中在域泛化方法创新上，而非重新造轮子。

§1.3 同类数据集横向对比

数据集	规模	中心/厂商	病理谱	标注	差异化定位
M&Ms	345 例 cine CMR（开放版）	6 中心（3 国）/ 4 厂商	7+1 类心血管疾病	ED/ES 帧 LV/MYO/RV 像素级	多中心多厂商域泛化的旗舰基准
ACDC	100 例 cine CMR	1 中心 / 1 厂商	5 类（正常 + 4 类疾病）	ED/ES 帧 LV/MYO/RV 像素级	小规模入门基准，标签顺序与 M&Ms 不同
M&Ms-2	360 例 cine CMR	3 中心（西班牙）/ 3 厂商 9 台扫描仪	8 类（含先心病、瓣膜病等）	ED/ES 帧，聚焦 RV 分割，含 LAX 4C 视图	右心室与先心病扩展，任务设置不同

§1.4 版本时间轴

时间	版本/事件	说明
2020-06	挑战设计文档（Zenodo record 3886268）	设计口径 350 例、3 国 4 厂商，公布挑战协议与评估指标
2020-06~09	MICCAI 2020 挑战期	14 支队伍提交，验证/测试标签不公开，需提交 Singularity 容器；冠军于 2020-10-04 公布
2020-12-30	开放版 211230 发布	345 例（Training 175 + Validation 34 + Testing 136），含元数据 CSV，官网注册获取
2021-12	TMI 2021 论文发表	IEEE TMI 40(12):3543-3554，完整挑战结果与分析
2021	M&Ms-2 发布	右心室分割任务，360 例，MICCAI 2021 STACOM（Zenodo DOI 10.5281/zenodo.4573984）

§1.5 典型应用场景

心脏功能自动定量：在 ED/ES 分割基础上计算左心室容积、射血分数、心肌质量，用于心肌病筛查与随访。
跨厂商域泛化研究：训练集只含部分厂商，测试集含未见厂商（如 D=Canon），量化并改进模型的域偏移鲁棒性。
半监督/弱监督分割：官方在 Training 中单独提供 25 例 Unlabeled 数据，天然支持半监督算法评测。
多疾病心肌形态分析：7 类心血管疾病共享同一标注协议，支持疾病特异性形态学建模（如 HCM 肥厚模式）。
教学与基线复现：nnU-Net Task114 转换脚本与冠军预训练模型公开，适合作为医学影像课程的进阶实战数据集。
自监督预训练语料：150 例标注 + 25 例官方无标注 + 136 例测试影像可合并为约 300 例规模的 cine 影像语料，用于掩码图像建模等自监督预训练，再以少量标注微调。
不确定性量化与测试时自适应：多中心多厂商设置天然支持对"换机器后模型要不要重校准"的量化研究，ACDC→M&Ms 迁移是该方向的标准实验设置。

§2 医学背景

M&Ms 的标注对象是心脏三大结构（左心室血池、心肌、右心室血池），而其患者谱覆盖 7 类心血管疾病与健康对照。理解这些疾病的形态学差异，是理解"为什么跨疾病、跨厂商分割困难"的前提。

§2.1 ICD-11 编码映射

下表将 M&Ms 的病理标签映射到 WHO ICD-11（编码经 WHO ICD-11 浏览器核对）。分布列为 TMI 2021 论文报告的挑战全量 375 例口径。

M&Ms 病理标签	ICD-11 编码	ICD-11 术语（中文）	挑战全量分布（例）
Normal（健康对照）	不适用	健康对照无诊断编码	125
HCM	BC43.1	肥厚型心肌病（Hypertrophic cardiomyopathy）	103
DCM	BC43.0	扩张型心肌病（Dilated cardiomyopathy）	51
HHD	BA01	高血压性心脏病（Hypertensive heart disease）	25
ARV	BC43.6	致心律失常性心室心肌病（Arrhythmogenic ventricular cardiomyopathy）	16
IHD	BA40-BA6Z（章节）	缺血性心脏病（含 BA51 缺血性心肌病，按具体病种细分编码）	8
LVNC	见下方说明	左心室致密化不全（未列入 BC43.0-BC43.7 子目，部分方案归入先天性心脏病章节）	4
AHS	见下方说明	主动脉瓣狭窄（归入心脏瓣膜病章节）	3
Other	不适用	其他心血管病变，官方未逐例细分	40

说明：ICD-11 心肌病子目（BC43.0-BC43.7）不含左心室致密化不全的独立条目，LVNC 在不同分类方案中归属不同，使用时应按具体编码方案核对；IHD 与 AHS 属于病因性描述，应结合具体诊断细分编码。M&Ms 数据集本身不随数据提供 ICD 编码，上表仅为本页面的研究性映射。

§2.1b SNOMED CT 映射

分割标签对应的是解剖结构而非疾病。下表给出三个标注结构对应的 SNOMED CT 编码（与 DICOM CID 7152 “Cardiac Structure Segmentation Type” 一致）。

标签值	结构	SNOMED CT 码	术语
0	背景	不适用	Background
1	左心室血池	87878005	Left cardiac ventricular structure
2	心肌	49848007	Left ventricle myocardium
3	右心室血池	53085002	Right cardiac ventricular structure

注意：沿用 ACDC 标注协议，M&Ms 的"心肌"（MYO）标签只描画左心室心肌壁（含室间隔），不包含右心室游离壁，因此映射到"左心室心肌"而非泛"心肌"概念。

§2.2 疾病简介与流行病学

M&Ms 各病理类在 CMR 上的典型形态学表现如下：

HCM（肥厚型心肌病）：以无血流动力学原因的左室壁增厚（成人 ≥15 mm）为特征，人群患病率经典估计约 1/500，是年轻人心源性猝死的重要病因。CMR 上表现为非对称性室壁肥厚，心肌质量显著升高。
DCM（扩张型心肌病）：左室（常累及双室）扩大伴收缩功能下降，是心脏移植的主要适应症之一。CMR 上心腔显著扩大、射血分数降低、心肌壁相对变薄。
HHD（高血压性心脏病）：长期高血压导致左室向心性肥厚，晚期可扩张伴心衰。高血压是全球最常见的慢性心血管危险因素之一，该类患者在 CMR 检查人群中占比可观。
ARV（致心律失常性心室心肌病）：右室心肌被纤维脂肪组织进行性替代，致室性心律失常风险升高。M&Ms 的 ARV 类覆盖右室形态异常谱系，右室血池形态高度多变，是该数据集中最难的分割对象之一。
AHS（主动脉瓣狭窄）：主动脉瓣狭窄增加左室后负荷，导致代偿性左室肥厚，形态上可与 HCM 相似但分布模式不同。
IHD（缺血性心脏病）：冠心病导致心肌缺血或梗死，是全球头号死因。CMR 上可见节段性室壁运动异常与变薄，梗死区形态因冠脉分布而异。
LVNC（左心室致密化不全）：胚胎期心肌致密化停滞，形成显著肌小梁与深陷隐窝，心肌双层结构（致密层/疏松层）使自动分割的边界定义更困难。
Normal（健康对照）：形态正常，构成各类疾病组形态对比的基线。

人群患病率的量级参考（供定位各病"稀有程度"）：高血压影响以十亿计的人群；IHD 为全球头号死因；HCM 经典估计约 1/500（现代心脏磁共振筛查研究常报告至 1/200）；DCM 约 1/250-1/400；ARVC 约 1/1,000-1/5,000；LVNC 按不同影像诊断标准报告率在 0.01%-1.4% 之间；主动脉瓣狭窄在 65 岁以上人群约 2%-7%。注意：M&Ms 的样本构成不反映上述自然患病率——它反映的是三级医院 CMR 转诊谱（详见 §7.1）。

这种"正常 + 形态学两端极化"的构成（扩张 vs 肥厚 vs 正常）正是 M&Ms 相对 ACDC（仅 5 类）的核心增值：模型必须同时在形态谱两端保持精度。

§2.3 临床任务定义

心脏 cine MRI 的临床读片核心是"定量"，而定量的前提是分割：

筛查：从大批量检查中自动识别心腔容积、射血分数异常的个体，支持心肌病家系筛查与体检场景。
诊断：沿 ED/ES 两帧分割计算左室舒张末容积（LVEDV）、收缩末容积（LVESV）、射血分数（EF = (LVEDV − LVESV) / LVEDV × 100%）与心肌质量（MYM = 心肌体积 × 1.05 g/cm³），对照正常范围完成功能诊断。
分级与疗效评估：HCM 室壁最大厚度用于风险分层；DCM/化疗患者 EF 序列监测用于治疗决策。
预后随访：右室容积与功能（RV-EDV/RV-EF）是 ARVC、肺动脉高压、先心病术后的关键预后指标，这直接呼应了 M&Ms-2 将任务聚焦右心室的动机。

自动分割把上述流程从"手工勾画每层 10-20 分钟"压缩到秒级，是心脏 MRI 工作流自动化研究的第一性任务。

值得强调的是，M&Ms 把"多疾病"作为第一等公民引入评测：同一模型必须在健康、肥厚、扩张、右室病变等形态谱系上同时达标，而 ACDC 时代"单病种数据上刷分"的惯常做法在本数据集上会立即暴露为跨疾病方差过大。这使它成为检验"临床级鲁棒性"而非"基准分数"的更严苛考卷。

§2.4 患者人群构成

M&Ms 为回顾性、多中心、以临床转诊人群为主的收集。挑战训练集的厂商/中心构成为（据 Full et al. 与 TMI 论文）：

组成	厂商	例数	备注
中心 1（巴塞罗那）	A（Siemens）	75	全部有标注
中心 2（巴塞罗那）	B（Philips）	50	全部有标注
中心 3（汉堡 UKE）	B（Philips）	25	全部有标注
中心 4（巴塞罗那）	C（GE）	25	官方半监督子集，无标注
测试集补充厂商 D（Canon）	D	50（挑战测试口径）	训练标注中不出现厂商 D

人群表：挑战全量 375 例中健康对照 125 例、HCM 103 例、DCM 51 例、HHD 25 例、ARV 16 例、IHD 8 例、LVNC 4 例、AHS 3 例、Other 40 例；年龄与性别分布官方未随公开包逐例发布，仅随病理标签以匿名化形式组织。

§2.5 临床价值

功能定量的自动化基线：LV/MYO/RV 三结构分割直接产出 EF、心肌质量等核心临床指标，M&Ms 的多疾病标注使"一套模型服务多科室"成为可评测目标。
跨设备可迁移性的临床证据：医院采购不同厂商设备是常态；M&Ms 证明跨厂商掉点大于跨中心，为"设备无关 AI"的监管讨论提供了量化依据。
罕见病形态资源的低成本补充：LVNC、ARV 等罕见表型在单中心难以收集，M&Ms 的集中标注为稀有形态研究提供了可直接下载的样本。
标注协议的传播基准：ACDC 协议的多疾病继承版本，使后续心脏分割资源（如 M&Ms-2）在标签体系、指标与提交格式上保持可比性，降低了跨研究的迁移成本。
监管科学的实证样本：TMI 论文关于"跨厂商掉点大于跨中心"的定量结论被域泛化文献广泛引用，是"设备无关 AI"评审要点讨论中常被列举的实证来源。

§2.6 金标准参考

属性	说明
金标准范围	每例仅 ED 与 ES 两个时相帧（其余时间帧无标注）
标注方式	人工逐像素分割，三维连通标注（覆盖所有短轴层）
标注者	各来源中心有经验的临床医生
标注协议	遵循 ACDC 挑战标注标准
标签体系	0 背景 / 1 LV 血池 / 2 心肌 / 3 RV 血池
金标准性质	专家人工标注（单标注者为主，官方未公开逐例双人一致性数据）

金标准的边界需要明确：标注覆盖 ED/ES 两帧的全部短轴层，但不含心房、大血管与瓣膜平面结构；标签 2（MYO）按 ACDC 惯例仅指左室心肌壁（乳头肌/肌小梁的归属随各中心执行习惯，官方未逐例说明）；RV 血池不含右心房。若研究需要全心动周期、含心房的全心腔或 LAX 视图标注，本数据集不满足，应考察 M&Ms-2（含 LAX）或其他全时相资源。

§3 数据集规格

§3.0 版本抉择矩阵

M&Ms 存在"挑战版"与"开放版（211230）"两套口径，另有一名字相近的 M&Ms-2。选错版本是复现偏差的第一来源。

你的需求	推荐版本	大小（约）	理由
复现挑战赛基准 / 对比 TMI 2021 数字	开放版 211230	69.52 GB（镜像）	与官方划分（175/34/136）对齐，社区基准均按此口径
半监督/域自适应方法研究	开放版 211230	69.52 GB（镜像）	自带 25 例 Unlabeled 训练子集，协议现成
右心室、先心病、多视图研究	M&Ms-2（Zenodo 4573984）	官方页为准	任务与疾病谱不同（360 例、SAX+LAX 4C）
只需要小规模入门 CMR 数据	ACDC	数百 MB	100 例、任务更简单，标签顺序却与 M&Ms 不同（见坑点 1）

§3.1 模态详情

模态：心脏磁共振（CMR），短轴位（SAX）cine 电影序列，稳态自由进动（bSSFP/SSFP）为主。
数据形态：每例一个 4D NIfTI，维度 (x, y, z, t)，其中 t 为心动周期重建时相（18-30 帧，中位 25 帧）。
标注时相：仅舒张末期（ED）与收缩末期（ES）两帧有像素级标注，帧号记录在官方元数据 CSV 第 5、6 列。
标注结构：LV 血池、心肌（MYO）、RV 血池三类，见 §2.1b。

各中心使用各自的临床 bSSFP cine 协议（TR/TE、翻转角、带宽等未逐例随包发布），典型面内分辨率约 1-1.5 mm × 1-1.5 mm，层厚 5-10 mm，每例 6-18 个短轴层覆盖心室，扫描时屏气。这些协议差异正是"跨厂商域偏移"的物理来源：同一解剖在不同重建链路下呈现不同的强度分布与纹理。

§3.2 按子集样本数

开放版 211230（本页主口径，共 345 例）：

子集	例数	标注文件	用途
Training/Labeled	150	含 _sa_gt.nii.gz	有监督训练
Training/Unlabeled	25	无 _sa_gt.nii.gz	官方半监督设置
Validation	34	部分发布含 _sa_gt.nii.gz	调参与模型选择
Testing	136	不含标注	官方/社区盲测
合计	345

挑战版口径（对照）：训练 175（A 75 + B 75 + C 25 未标注）、验证 40（每厂商 10）、测试 160（每厂商 40），设计文档口径 350 例，挑战最终收集 375 例。不同论文引用 300/320/345/350/375 等数字均源于此（见坑点 6）。Full et al. 补充报告测试集为 200 例（A 21+29、B 24+26、C 50、D 50），其中厂商 D 仅出现在测试。

§3.3 数据格式

内容	格式	命名	说明
影像	4D NIfTI（.nii.gz）	{PatientID}_sa.nii.gz	维度 (x, y, z, t)
标注	4D NIfTI（.nii.gz）	{PatientID}_sa_gt.nii.gz	与影像同维度，仅 ED/ES 帧含有效标签
元数据	CSV	211230_M&Ms_Dataset_information_diagnosis_opendataset.csv	12 列：中心、厂商、病理、ED/ES 帧号等，691 行

§3.4 存储大小

Kaggle 社区镜像（含全部 4D NIfTI 与元数据）：约 69.52 GB。
官网开放版按打包方式不同体积略有差异，以官网下载页为准；建议预留 100 GB 以上磁盘空间用于解压与中间产物。

§3.5 标注方式

人工像素级标注：每例在 ED/ES 两帧上对所有短轴层逐层勾画三结构，输出为与影像同维度的 4D 标注体（无标注时相为空值）。无任何自动或弱监督预标注参与，属于高成本、高一致性的"小标注量 + 全监督"模式（150 例标注训练集）。

按每例约 10 层、每层三结构勾画 5-10 分钟估算，150 例标注约对应 800-1,500 小时临床医生工作量——这正是公开标注心脏数据集稀有的原因，也是"用好这 150 例"（正确划分、正确增强、正确对比）比"换大模型"更具性价比的原因。

§3.6 标注者资质与一致性

标注由各来源中心有经验的临床医生完成，遵循 ACDC 挑战的标注标准。
官方未公开逐例的标注者数量与 inter-rater 一致性系数。
质量的已知薄弱点在心底层：右心室与右心房在此过渡，人工与自动标注的分歧最大（冠军方案论文对最基底层 DSC 明显下降有专门讨论，见坑点 7）。

如需自行估计标注一致性，可行做法是：抽取 10-20 例（覆盖各病理与各中心）请第二名标注者重标，按类计算 Dice 或执行 Hausdorff 距离，将结果作为论文的标注可靠性附录——这是官方未提供但审稿人常问的补充证据。

§3.7 采集周期

回顾性多中心收集。挑战于 2020 年 6 月启动（设计文档 Zenodo record 3886268，设计口径 350 例）、2020 年 10 月 4 日在 MICCAI 2020（利马）公布结果，开放版于 2020-12-30 发布。逐例采集日期未随公开数据发布。

时间线上三个口径需要区分：设计发布（2020-06，350 例目标）→ 挑战运行（2020-06 至 2020-10，最终收集 375 例并用于排名）→ 开放固化（2020-12-30，345 例向社区永久开放）。开放版冻结后不再增补，社区后续对比实验均以 345 例为准。

§3.8 地域覆盖

中心	城市	国家
Vall d’Hebron 医院	巴塞罗那	西班牙
Clínica Sagrada Familia	巴塞罗那	西班牙
Dexeus 大学医院	巴塞罗那	西班牙
Creu Blanca	巴塞罗那	西班牙
汉堡大学医学中心（UKE）	汉堡	德国
McGill 大学健康中心（MUHC）	蒙特利尔	加拿大

3 国、6 中心、4 厂商的"多中心多厂商"组合是数据集的命名由来，也是其域泛化研究价值的核心来源。

地理覆盖虽限于欧加（西、德、加），但四家巴塞罗那机构与 UKE、MUHC 在临床文化、转诊路径与扫描 SOP 上的差异（如检查指征掌握、心衰门诊结构差异）仍构成真实的"中心效应"；TMI 论文据此把"中心"与"厂商"当作两个正交的域变量分别统计，这也是本数据集区别于"多中心但同构"数据集的方法学价值。

§3.9 设备规格

厂商编码	厂商	出现范围
A	Siemens	训练与测试
B	Philips	训练与测试
C	General Electric	训练（仅未标注）与测试
D	Canon	仅测试（挑战口径）

开放版 150 例标注训练集的成像参数统计（openmedlab 整理）：

参数	最小	中位	最大
面内矩阵 (x, y)	192 × 192	256 × 256	384 × 384
层数 (z)	5	11	16
时相数 (t)	18	25	30
面内分辨率 (mm)	0.98	1.25	1.63
层厚 (mm)	5	—	10

层厚（5-10 mm）与面内分辨率（约 1.25 mm）之间存在 4-8 倍的各向异性，是 3D 卷积方法必须显式处理的问题（见坑点 5）。

§3.10 深度溯源链

声明	溯源来源
345 例开放版构成（175/34/136）	Kaggle 镜像目录计数 + arXiv 2510.05819 文献口径
挑战协议、评估指标、队伍成绩	arXiv 2101.00232（TMI 2021 前身）+ Zenodo record 3886268
6 中心 3 国构成与病理分布	openmedlab 数据集条目 + TMI 2021 论文
4 厂商编码 A/B/C/D	Full et al.（arXiv 2011.07592）Table 1
标签值定义与 ACDC 差异	nnU-Net Task114_heart_MNMs 官方转换脚本
采集与许可条款	官方主页 https://www.ub.edu/mnms/

§4 数据结构

§4.0 目录树

开放版解压后的目录结构如下（以 Kaggle 镜像与官方发布说明为准）：

211230_M&Ms_Dataset/
├── Training/
│   ├── Labeled/                      # 150 例，带像素级标注
│   │   ├── {PatientID}/
│   │   │   ├── {PatientID}_sa.nii.gz       # 4D 影像 (x, y, z, t)
│   │   │   └── {PatientID}_sa_gt.nii.gz    # 4D 标注，仅 ED/ES 帧有效
│   │   └── ...                             # 共 150 例
│   └── Unlabeled/                    # 25 例，无 _gt 文件
│       ├── {PatientID}/
│       │   └── {PatientID}_sa.nii.gz
│       └── ...
├── Validation/                       # 34 例
│   ├── {PatientID}/
│   │   ├── {PatientID}_sa.nii.gz
│   │   └── {PatientID}_sa_gt.nii.gz        # 部分发布含标注
│   └── ...
├── Testing/                          # 136 例，不含标注
│   ├── {PatientID}/
│   │   └── {PatientID}_sa.nii.gz
│   └── ...
└── 211230_M&Ms_Dataset_information_diagnosis_opendataset.csv
                                          # 12 列元数据：中心/厂商/病理/ED/ES 帧号等

§4.1 DAIMS 字段字典

字段名	类型	说明	示例值	AI 用途	观测误差	信息性缺失编码	取值范围
PatientID	文本	匿名化病例 ID，目录名与文件前缀	目录名即 ID	唯一主键、分层抽样	无	无缺失	编码字符串
影像 _sa.nii.gz	4D 体数据	短轴 cine 序列，维度 (x, y, z, t)	(256, 256, 11, 25)	模型输入	面内 0.98-1.63 mm	无	192-384 矩阵
标注 _sa_gt.nii.gz	4D 体数据	像素级分割，仅 ED/ES 帧有效	同影像维度	监督信号	基底层分歧最大	无标注时相为空值
Vendor	字母编码	厂商 A/B/C/D（A=Siemens、B=Philips、C=GE、D=Canon）	“A”	域泛化分组	字母为匿名编码，真实机型未公布	无	A/B/C/D
Centre	中心编码	来源医院（6 中心）	中心编号	域偏移分析	与厂商部分混淆	无	1-6
Pathology	类别	病理标签（7+1 类 + Other）	“HCM”	疾病分层评估	Other 类未细分	无	Normal/HCM/DCM/HHD/ARV/AHS/IHD/LVNC/Other
ED 帧号	整数	舒张末时相索引（CSV 第 5 列）	2	抽取标注帧	0 起始或 1 起始需按脚本核对	无	0-29
ES 帧号	整数	收缩末时相索引（CSV 第 6 列）	16	抽取标注帧	同上	无	0-29
t（时相数）	整数	心动周期重建帧数	25	时间采样对齐	心率不同导致不等长	无	18-30
体素间距	浮点	面内 0.98-1.63 mm，层厚 5-10 mm	(1.25, 1.25, 8)	重采样策略	各向异性显著	无	见 §3.9

§4.2 标签分布

标签值	解剖结构	典型像素占比	备注
0	背景	约 85%-95%	单帧内背景占绝对多数
1	LV 血池	次大结构	ED 帧最大、ES 帧收缩变小
2	心肌（左室）	最小众数类	HCM 显著增厚、DCM 变薄，跨疾病差异极大
3	RV 血池	形态多变	新月形，基底层与右房过渡易混淆

类不平衡提示：MYO 像素占比远小于两个血池，而其恰是心肌病分析的关键结构；训练时应使用 Dice 损失、区域加权采样或深度监督，而非仅用交叉熵。

另一个值得注意的现象是标签语义随疾病变化的系统性：HCM 的 MYO 厚、血池小，DCM 相反，ARV 的 RV 可异常扩大。这意味着"每个标签的先验形状"在不同病理下完全不同——任何依赖形状先验或后处理连通性假设的算法，都需要按病理类别验证其假设是否仍然成立。

§4.3 关键统计

标注训练集 150 例的影像尺寸从 (192, 192, 5, 18) 到 (384, 384, 16, 30)，中位 (256, 256, 11, 25)：没有两个病例完全同形状，加载时必须按病例独立处理。
ED/ES 帧号因人而异（心率与重建协议不同），不存在全局统一帧号。
病理分布不均（正常与 HCM 为主，AHS 仅 3 例）：分层抽样时稀有类可能为空（见 §5.3）。
层间间距（z 方向 5-10 mm）远大于面内分辨率（约 1-1.5 mm），是典型的各向异性体数据，直接 3D 下采样会引入伪影（见坑点 5）。

§4.4 数据层级

中心（6）→ 厂商（4）→ 病例/患者（345，匿名 ID）→ 4D cine 检查（1 例 = 1 序列）
    → 时相（t 帧，18-30）→ 短轴切片（z，5-16 层）→ 像素（标注仅 ED/ES 帧）

层级含义：同一病例的所有层、所有时相共享同一 PatientID——按病例切分 train/val，严禁按切片切分（见坑点 2）。

§4.5 缺失值与信息性缺失

现象	原因	是否数据缺陷	处理建议
Unlabeled 子集 25 例无 _sa_gt 文件	官方半监督协议设计	否（有意设计）	供一致性/伪标签方法使用
_sa_gt 4D 体数据中除 ED/ES 外时相无标签	官方仅标注两关键时相	否（协议使然）	只按 CSV 帧号抽取两帧参与训练
Testing 子集 136 例无标注	官方盲测协议	否	用 Validation 调参；Testing 供最终报告
部分病例仅 5 层短轴覆盖	扫描协议差异	否（临床常态）	3D 模型需容忍小 z；勿假设全层覆盖心室

除上表外，元数据 CSV 本身无缺失单元格；"缺失"集中在语义层面——年龄、性别、采集日期、确切的扫描参数均未随公开包逐例提供，任何需要这些字段的建模（人口学分层、协变量校正）都应在立项前确认可获取性。

§5 划分与使用建议

§5.1 官方划分

开放版 211230 的官方划分按病例级切分，训练/验证/测试互不重叠：

子集	例数	用途	标注可用性
Training/Labeled	150	有监督训练	完整（ED/ES 帧）
Training/Unlabeled	25	官方半监督协议	无
Validation	34	调参与模型选择	见官方下载包
Testing	136	最终盲测	不公开

挑战版口径为训练 175（含 vendor C 未标注 25 例）、验证 40（每厂商 10 例）、测试 160（每厂商 40 例），厂商维度刻意均衡以支持跨厂商分析。

§5.2 社区惯例划分

官方划分原样使用：绝大多数论文直接采用 150 labeled 训练 + 34 validation，在 Testing 上报告一次。
5 折交叉验证：nnU-Net 系工作常在 Labeled 150 例上做 5 折 CV（按病例分组），再择优在 Testing 报告。
跨数据集域泛化协议：ACDC 全量训练 → M&Ms 全量零样本测试（或反向），衡量跨中心/跨疾病迁移，是无监督域自适应（UDA）文献的标准设置之一。

§5.3 泄漏风险

M&Ms 的 4D 结构带来三类典型泄漏，全部源于"同一病例产生了多个高度相关的样本单元"：

切片级泄漏：相邻短轴层几乎相同；按 z 切分 train/val 等于让模型背答案。
时相级泄漏：心动周期相邻帧高度相似；按 t 切分同样泄漏。
调参泄漏：反复在 Testing（部分社区镜像标注可得的情形）上迭代超参，使盲测退化为第二验证集。

统一防泄漏原则：所有划分在 PatientID 粒度完成，且任何参数决策只允许消费 Validation（或 CV 内部折），Testing 一生只碰一次。

§5.4 交叉验证建议

推荐按病例 5 折，分层变量为（病理 × vendor）组合；注意 AHS 仅 3 例、LVNC 仅 4 例，稀有类折间可能空缺，宜用分组分层抽样并报告每折类分布。
每折同时报告整体 DSC 与 per-vendor DSC，后者才是 M&Ms 的核心研究信号。
若做挑战式对比，可用官方 Validation 34 例做模型选择，重复 3 个随机种子取均值以压缩波动；nnU-Net 默认 5 折联合训练（融合 5 个模型预测）在 150 例量级仍稳定，冠军方案（Full et al.）即采用 2D/3D 各 5 折共 10 个模型的集成。

§5.5 外部验证建议

ACDC（100 例、1 中心）：最便捷的跨中心外部集，注意标签重映射（坑点 1）。
M&Ms-2（360 例、RV 任务）：疾病谱扩展（先心病、瓣膜病），可检验多疾病鲁棒性；任务与标签定义不同，需按其协议对齐。
自采/院内数据：最终走向部署前，用本机构扫描仪数据做小规模前瞻评估，量化 vendor 域偏移的真实临床影响。

跨集评估的三条纪律：①先完成标签重映射与层对齐检查，再计算 DSC（ACDC 标签顺序相反，见坑点 1）；②在论文中声明目标域数据是否参与过任何超参决策——"完全无目标域数据"与"目标域仅用于调参"是两档强度完全不同的结论；③报告 per-vendor 与 per-class 结果，避免只给整体均值掩盖结构间与设备间的差异。

§6 AI 就绪指南

§6.0 云端快速启动

Kaggle 上有社区镜像（tailength/m-and-ms-dataset，69.52 GB），可直接在 Kaggle Notebook 中挂载试用，无需下载到本地：

# Kaggle Notebook 中镜像挂载于只读路径 /kaggle/input
import glob
paths = glob.glob("/kaggle/input/m-and-ms-dataset/**/*_sa.nii.gz", recursive=True)
print(len(paths))  # 应约为 345（影像数量；标注数量约为 150-184，视打包而定）

§6.1 快速上手

以下代码假设：

DATA_ROOT 指向解压后的 211230_M&Ms_Dataset/ 目录；

路径拼接关系为 DATA_ROOT / 子集 / {PatientID} / {PatientID}_sa.nii.gz；

最小可用子集为 Training/Labeled 的 150 例（唯一同时具备影像、标注与官方监督协议的训练数据）；

标签抽取依赖官方元数据 CSV 中记录的 ED/ES 帧号。

# 最小加载示例：读取一例 4D 影像与 ED/ES 标注帧
import nibabel as nib
import numpy as np
from pathlib import Path

DATA_ROOT = Path("211230_M&Ms_Dataset")
case = next((DATA_ROOT / "Training" / "Labeled").iterdir())

img4d = nib.load(case / f"{case.name}_sa.nii.gz").get_fdata()     # (x, y, z, t)
gt4d  = nib.load(case / f"{case.name}_sa_gt.nii.gz").get_fdata()  # 仅 ED/ES 帧非空
print(img4d.shape, np.unique(gt4d))

# 从官方 CSV 读取该病例的 ED/ES 帧号（第 5、6 列）后再抽帧：
import csv
CSV_PATH = DATA_ROOT / "211230_M&Ms_Dataset_information_diagnosis_opendataset.csv"
with open(CSV_PATH, newline="", encoding="utf-8") as f:
    rows = [r for r in csv.reader(f) if case.name in r[0]]
ed_frame, es_frame = int(rows[0][4]), int(rows[0][5])   # 起始约定见坑点 3
img_ed, img_es = img4d[..., ed_frame], img4d[..., es_frame]
gt_ed,  gt_es  = gt4d[..., ed_frame],  gt4d[..., es_frame]
# 标签语义（M&Ms 原生）：0 背景 / 1 LV / 2 MYO / 3 RV（与 ACDC 不同！）

§6.2 数据获取

渠道	链接	大小	条件
官方开放版	https://www.ub.edu/mnms/	以下载页为准	注册并同意数据使用政策
Kaggle 社区镜像	https://www.kaggle.com/datasets/tailength/m-and-ms-dataset	69.52 GB	Kaggle 账号
冠军预训练模型	https://zenodo.org/record/4288464	2.3 GB	开放（CC 许可见 Zenodo 页）
挑战设计文档	https://zenodo.org/record/3886268	数 MB	开放

# 方式一：Kaggle CLI（推荐用于快速实验）
kaggle datasets download -d tailength/m-and-ms-dataset -p ./data --unzip

# 方式二：官网注册获取（正式引用与合规分发首选）
# 1. 访问 https://www.ub.edu/mnms/  2. 按页面指引注册并同意使用条款
# 3. 下载 211230 开放版压缩包并解压至 ./data/211230_M&Ms_Dataset/

下载完成后先做完整性清点（防镜像/解压截断）：

# 清点 NIfTI 数量：影像与标注应各 345 个（见坑点 6 的 345/350/375 口径差异）
find ./data -name "*_sa.nii.gz"  | grep -v "_gt" | wc -l   # 期望 345
find ./data -name "*_sa_gt.nii.gz" | wc -l                 # 期望 345
# 抽查一个病例的维度：应为 4D (x, y, z, t)
python3 -c "import nibabel as nib; print(nib.load('./data/211230_M&Ms_Dataset/Training/Labeled/A/759/A/759_sa.nii.gz').shape)"

§6.3 预处理全流程

流程：抽取 ED/ES 两帧 → ROI 裁剪 → 重采样（各向异性策略）→ 强度标准化 → 保存 3D 样本对。

# 预处理：从 4D NIfTI 产出 (img_ed, img_es, gt_ed, gt_es) 3D 样本对
# 依赖：nibabel, numpy, scipy, pandas
import numpy as np
import pandas as pd
import nibabel as nib
from pathlib import Path
from scipy.ndimage import zoom

DATA_ROOT = Path("211230_M&Ms_Dataset")
TARGET_SPACING = (1.5, 1.5, 5.0)   # 各向异性目标：面内 1.5 mm、层向 5 mm（见坑点 5）

meta = pd.read_csv(DATA_ROOT / "211230_M&Ms_Dataset_information_diagnosis_opendataset.csv")

def preprocess_case(case_dir: Path):
    img4d = nib.load(case_dir / f"{case_dir.name}_sa.nii.gz").get_fdata().astype(np.float32)
    gt4d  = nib.load(case_dir / f"{case_dir.name}_sa_gt.nii.gz").get_fdata().astype(np.uint8)
    row = meta[meta.iloc[:, 0].str.contains(case_dir.name, regex=False)].iloc[0]
    ed, es = int(row.iloc[4]), int(row.iloc[5])          # ED/ES 帧号（起始约定见坑点 3）

    zooms = nib.load(case_dir / f"{case_dir.name}_sa.nii.gz").header.get_zooms()  # (sx, sy, sz, st)
    factors = (zooms[0] / TARGET_SPACING[0], zooms[1] / TARGET_SPACING[1], zooms[2] / TARGET_SPACING[2])

    samples = {}
    for tag, frame in (("ed", ed), ("es", es)):
        img3d, gt3d = img4d[..., frame], gt4d[..., frame]
        img_r = zoom(img3d, factors, order=1)            # 影像：三线性
        gt_r  = zoom(gt3d,  factors, order=0).astype(np.uint8)   # 标签：最近邻，防插值出非法标签
        img_r = np.clip(img_r, *np.percentile(img_r, [0.5, 99.5]))   # 稳健窗
        img_r = (img_r - img_r.mean()) / (img_r.std() + 1e-8)        # z-score
        samples[tag] = (img_r.astype(np.float32), gt_r)
    return samples  # {"ed": (img, gt), "es": (img, gt)}，标签仍为 0/1/2/3

§6.4 PyTorch DataLoader 完整示例

# Dataset：磁盘缓存预处理结果为 .npz，训练时直接读取
# 目录预期：DATA_ROOT/Training/Labeled/{PatientID}/{PatientID}_sa.nii.gz
import torch
from torch.utils.data import Dataset, DataLoader

class MnMs2DSliceDataset(Dataset):
    """逐层 2D 数据集：取每个病例 ED/ES 两帧的全部短轴层。
    输入为 §6.3 preprocess_case 的输出缓存：CACHE/{PatientID}_{ed|es}.npz
    （数组键：img (z,H,W)，gt (z,H,W)，标签 0/1/2/3）"""

    def __init__(self, cache_dir: Path, patient_ids, augment=None):
        self.samples = []
        for pid in patient_ids:
            for tag in ("ed", "es"):
                npz = cache_dir / f"{pid}_{tag}.npz"
                if npz.exists():
                    self.samples.append(npz)
        self.augment = augment

    def __len__(self):
        return len(self.samples)

    def __getitem__(self, idx):
        d = np.load(self.samples[idx])
        img, gt = d["img"], d["gt"].astype(np.int64)
        if self.augment is not None:
            img, gt = self.augment(img, gt)
        return (torch.from_numpy(img[:, None].copy()).float(),   # (z, 1, H, W)
                torch.from_numpy(gt[:, None].copy()))            # (z, 1, H, W)

def collate_slices(batch):
    imgs = torch.cat([b[0] for b in batch], dim=0)   # 合并所有层 → (N, 1, H, W)
    gts  = torch.cat([b[1] for b in batch], dim=0)
    return imgs, gts

train_ds = MnMs2DSliceDataset(cache_dir, patient_ids=train_ids)
train_loader = DataLoader(train_ds, batch_size=4, shuffle=True,
                          num_workers=4, collate_fn=collate_slices,
                          pin_memory=True, persistent_workers=True)

注意：patient_ids 必须来自病例级划分（§5.3），不可按层或按时相切分。

§6.5 实战坑点

⚠️ 坑点 1：标签值语义与 ACDC 相反（分类：标签理解）

问题：M&Ms 标签 1=LV 血池、2=心肌、3=RV 血池，而 ACDC 为 1=RV、2=心肌、3=LV。两数据集常被一起使用，直接混用标签会让"类别"错位。
症状：用 ACDC 预训练权重直接在 M&Ms 上推理，“LV 输出"落在右心位置，各类 DSC 互相错位、整体精度异常低；联合训练时 loss 不收敛或学成"数据集判别器”。
解决：

简单方法：数据集配置里显式声明标签语义；跨集迁移时做重映射 mms_to_acdc = {1: 3, 2: 2, 3: 1}。

进阶方法：
LABEL_MAP = {"mms": {"LV": 1, "MYO": 2, "RV": 3}, "acdc": {"LV": 3, "MYO": 2, "RV": 1}}
def to_common_semantics(mask, source):
    m = mask.copy()
    for struct, v in LABEL_MAP[source].items():
        m[mask == v] = LABEL_MAP["mms"][struct]   # 统一到 M&Ms 语义
    return m
assert mask.max() <= 3   # 断言防非法标签
SOTA 方法：使用 nnU-Net 官方 Task114_heart_MNMs 转换脚本——其注释明确指出 “labels differ for ACDC challenge”，并在 dataset JSON 中以独立 label schema 声明，联合训练时按数据集来源配置。
参考：https://huggingface.co/ChrisXiao/AutoSeg4ETICA/blob/main/nnunet/dataset_conversion/Task114_heart_MNMs.py

⚠️ 坑点 2：按切片或时相切分训练/验证导致病例级泄漏（分类：数据泄漏）

问题：一例 4D 数据包含 5-16 层 × 18-30 时相，相邻层/相邻帧高度相似。若在层或帧粒度切分，同一心脏同时出现在训练与验证中。
症状：验证 DSC 高达 0.95+，但换一批病例立刻下降 5-15 个百分点；模型在"新扫描仪/新病人"上表现远逊于验证结果。
解决：

简单方法：在 PatientID 唯一列表上做 train_test_split，之后任何层/帧只跟随所属病例。

进阶方法：
from sklearn.model_selection import GroupShuffleSplit
gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
tr, va = next(gss.split(slice_records, groups=slice_records["PatientID"]))
SOTA 方法：nnU-Net 式 5 折 CV（分组 = PatientID，按病理 × vendor 分层），同时报告整体与 per-vendor 指标。
参考：nnU-Net 官方文档；sklearn GroupShuffleSplit 文档

⚠️ 坑点 3：把 4D 全部时相当监督信号（分类：预处理陷阱）

问题：_sa_gt.nii.gz 只有 ED/ES 两帧有效，其余时相为空。直接以 4D 影像配 4D 标注训练，空时相会被当作"全背景"标签。
症状：模型严重偏向预测背景；MYO、RV 等小结构 DSC 异常偏低；平均 DSC 被空帧稀释后反而"看起来正常"，问题被掩盖。
解决：

简单方法：按官方 CSV 第 5、6 列的 ED/ES 帧号抽帧，只构建 2 个 3D 样本/病例。

进阶方法：核对帧号起始约定（nibabel 索引从 0 开始，官方 CSV 可能从 1 开始）。off-by-one 会让标注与影像错一帧、DSC 静默下降；用抽帧可视化或"标注重叠率断言"（gt 与影像心腔区域重叠应显著高于随机）验证。

SOTA 方法：若做时序模型，把无标注帧设为 ignore_index（损失屏蔽）而非背景类；半监督方法将中间帧视为无监督信号（官方 Unlabeled 子集同理）。
参考：Task114 转换脚本 select_annotated_frames_mms；官方信息 CSV 列说明

⚠️ 坑点 4：vendor/中心字母编码不透明（分类：偏倚陷阱）

问题：厂商以匿名字母 A-D 编码（A=Siemens、B=Philips、C=GE、D=Canon），且同一厂商出现在多个中心（vendor A 在中心 1 与 6，vendor B 在中心 2 与 3）。凭文件名或目录名猜映射极易出错。
症状：按"文件名首字母 = 厂商 = 中心"写的分组逻辑产出错误组合计数；leave-one-vendor-out 实验的"未见域"实际并非未见；跨中心结论失真。
解决：

简单方法：一切分组以官方信息 CSV 列为准，不解析文件名。

进阶方法：
ct = pd.crosstab(meta["centre"], meta["vendor"])
assert (ct > 0).sum().sum() >= 6   # 交叉表检查预期组合
print(ct)                          # 人工核对训练/测试覆盖
SOTA 方法：域泛化实验显式声明 leave-one-vendor-out；注意挑战口径中厂商 D（Canon）只出现在测试——在 D 上的表现应表述为"未见厂商泛化"，不可混入常规验证。
参考：Full et al.（arXiv 2011.07592）Table 1；TMI 2021 论文

⚠️ 坑点 5：5-10 mm 层厚 vs 约 1.25 mm 面内的强各向异性（分类：预处理陷阱）

问题：层向分辨率比面内粗糙 4-8 倍。等方性重采样会在 z 向插值出大量"伪层"；各向同性 3D 卷积的 patch 设计被 z 轴限制卡死。
症状：3D 模型无法收敛或显存爆炸；标签重采样后 MYO 薄层结构断裂；评估 DSC 对 z 插值方式极其敏感。
解决：

简单方法：2D 逐层训练与推理（挑战冠军方案的 5×2D 模型集成即基于此路线）。

进阶方法：各向异性目标 spacing（如 (1.5, 1.5, 5.0) mm）；影像三线性、标签最近邻插值；3D patch 的 z 尺寸不超过 8-12 层。

SOTA 方法：nnU-Net 的 ExperimentPlannerTargetSpacingForAnisoAxis 针对各向异性轴自动规划 spacing 与 patch（Task114_heart_MNMs 即指定该 planner）。
参考：nnU-Net 官方文档；Task114 转换脚本

⚠️ 坑点 6：文献规模口径混乱（300/320/345/350/375）（分类：评估误用）

问题：设计文档口径 350 例、挑战最终收集 375 例、开放版 345 例（Training 150 标注 + 25 未标注 + Validation 34 + Testing 136），不同论文各引其一。
症状：复现者清点数据发现"少了 30 例"误以为下载损坏；把开放版成绩与挑战全量成绩直接对比；引用规模时张冠李戴。
解决：

简单方法：固定 211230 开放版版本号，并在论文/报告的方法节显式声明。

进阶方法：
EXPECTED = {"train_labeled": 150, "train_unlabeled": 25, "val": 34, "test": 136}
counts = {k: len(list((DATA_ROOT / sub).glob("*/"))) for k, sub in {...}.items()}
assert counts == EXPECTED   # 数据清点断言
SOTA 方法：引用时写明双口径——“开放版 345 例；挑战全量 375 例（含未公开部分）”，对比他人数字前先核对其口径。
参考：本页 §3.2 与 §3.10 溯源链

⚠️ 坑点 7：基底层（basal slices）标注与评估歧义（分类：标签理解）

问题：最基底层上 RV 与右心房、LV 与左房/主动脉流出道过渡，解剖边界约定不唯一；人工与自动标注在此处分歧最大。
症状：整体 DSC 正常但逐层分析显示最底层 DSC 显著偏低；不同论文间 RV 成绩差异部分来自对基底层的不同处理。
解决：

简单方法：除均值外报告 per-slice DSC 分布（尤其首末层），让弱点可见。

进阶方法：遵循挑战协议（全层平均、不剔除底层）；推理后处理保留最大连通域、删除孤立小簇。

SOTA 方法：冠军方案对基底层采用 2D 模型 + 形状先验的集成策略；亦可引入解剖位置编码辅助层位判断。
参考：Full et al.（arXiv 2011.07592）对基底层 DSC 的讨论；TMI 2021

⚠️ 坑点 8：验证/测试标签不公开与容器化提交惯例（分类：评估误用）

问题：挑战期 val/test 标签不公开，官方成绩通过 Singularity 容器提交评测产生；开放版 Testing 136 例无标注。社区镜像中 Validation 的标注可用性还随打包方式而异。
症状：找不到 test 标签误以为文件损坏；把 Validation 结果当作 Testing 成绩对外报告；复现他人数字时对不上口径。
解决：

简单方法：Validation 是唯一本地调参集；Testing 仅在最终版本上预测一次。

进阶方法：复现官方评测流程——打包 Singularity/Docker 容器、锁定依赖与随机种子，让"提交什么就评测什么"可审计。

SOTA 方法：双轨报告——官方挑战口径成绩 + 自建按病例 5 折 CV 成绩；引用他人数字时先核对其使用的是 val 还是 test。
参考：挑战设计文档 https://zenodo.org/record/3886268；TMI 2021 论文评测协议

§6.6 数据增强：安全与危险清单

增强	安全性	说明
小角度随机旋转（±15°）	✅ 安全	短轴层面内旋转不改变解剖语义
随机缩放（0.8-1.2）	✅ 安全	模拟体型差异
弹性形变（保守幅度）	✅ 安全	模拟心脏运动与个体差异
Gamma 强度变换	✅ 安全	强度域偏移正是跨 vendor 主障碍，适度gamma扩张有助泛化
高斯噪声 / 平滑	✅ 安全	模拟不同重建设置
直方图匹配 / 风格迁移	⚠️ 进阶	冠军同队研究表明对跨 vendor 有效，但实现复杂、需防把 vendor 信息"洗过头"
左右水平翻转	❌ 危险	心脏不对称、RV 位于右侧，翻转产生解剖学不可能样本
上下翻转 / 90° 旋转	❌ 危险	破坏心尖-基底轴向语义
随机交换标签值	❌ 危险	三类标签非对称等价（见坑点 1）

选择原则可归纳为一句：几何增强只在短轴层面内做，强度增强优先于几何增强。跨 vendor 场景下，与冠军同队经验一致的结论是——先把强度域（gamma、噪声、直方图）做满，再考虑昂贵的风格迁移；所有几何增强都必须与标注同时变换并保持最近邻插值用于标签。

§6.7 模型推荐

模型	适用场景	获取方式
nnU-Net（2D/3D）	首选基线，Task114 官方支持	GitHub MIC-DKFZ/nnUNet + Task114 转换脚本
冠军 2D+3D nnU-Net 集成	直接对标挑战第一名的强基线	Zenodo record 4288464（2.3 GB 预训练模型）
nnFormer	心脏分割专用 Transformer-CNN 混合	GitHub（原生支持 ACDC/M&Ms 实验）
MedNeXt	nnU-Net 生态内的 ConvNeXt 变体	GitHub MIC-DKFZ/MedNeXt
MONAI UNet/UNETR	快速原型与教学	pip install monai

§6.8 硬件需求

任务	最低配置	推荐配置	说明
2D 逐层训练（150 例）	8 GB 显存	11-24 GB（RTX 3090/4090 级）	冠军 2D 路线，单卡数小时-1 天量级
3D 各向异性训练	11 GB 显存	24-40 GB	patch 受 z 轴限制（坑点 5）
2D+3D 五折集成复现	2 张 24 GB 卡	多卡并行	nnU-Net 官方流水线
推理	CPU 可行	单卡 <8 GB	每例秒级

§6.9 评估指标代码

挑战官方指标为 DSC、IoU、ASSD、HD（TMI 2021 协议），按结构类别分别统计：

# 指标：DSC / IoU / HD95 / ASSD，逐类别计算
# 依赖：numpy, scipy（或 medpy/monai 等价实现）
import numpy as np
from scipy.ndimage import distance_transform_edt

def dice(pred: np.ndarray, gt: np.ndarray, label: int) -> float:
    p, g = pred == label, gt == label
    denom = p.sum() + g.sum()
    return 1.0 if denom == 0 else 2.0 * (p & g).sum() / denom

def surface_distances(pred: np.ndarray, gt: np.ndarray, label: int, spacing=(1.25, 1.25, 5.0)):
    """HD95 与 ASSD：基于欧氏距离变换的双向表面距离"""
    p, g = pred == label, gt == label
    if p.sum() == 0 or g.sum() == 0:
        return np.nan, np.nan
    d_to_g = distance_transform_edt(~g, sampling=spacing)
    d_to_p = distance_transform_edt(~p, sampling=spacing)
    sd = np.concatenate([d_to_g[p], d_to_p[g]])          # 双向表面距离
    return np.percentile(sd, 95), sd.mean()              # (HD95, ASSD)

def evaluate(pred, gt, spacing):
    rows = []
    for label, name in [(1, "LV"), (2, "MYO"), (3, "RV")]:
        hd95, assd = surface_distances(pred, gt, label, spacing)
        rows.append({"structure": name, "dice": dice(pred, gt, label),
                     "hd95": hd95, "assd": assd})
    return rows

§6.10 MLOps 笔记

数据版本固定：下载包与代码仓库绑定 211230 版本；任何重打包镜像先做 §6.5 坑点 6 的清点断言。
指标口径进版本库：把"DSC per 结构 × per vendor × 子集口径"写进评测配置，防止跨实验口径漂移（坑点 6、8）。
容器化：用 Docker/Singularity 锁定 nnU-Net 版本与随机种子，直接对齐官方提交惯例。
隐私合规：数据限学术研究用途；产出模型公开权重前核对官方使用条款，勿在公开服务中直接嵌入受条款约束的数据派生组件。

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型	描述	严重程度	缓解建议
厂商-中心混淆	vendor 与医院部分绑定（A 在中心 1/6、B 在中心 2/3），模型可能学到中心特征而非解剖	高	leave-one-vendor-out 协议；per-vendor 指标报告
病理分布不均	正常 125 + HCM 103 占三分之二，AHS 仅 3、LVNC 仅 4（挑战口径）	高	稀有类过采样；报告按类指标而非仅均值
转诊人群偏倚	三国三级医院回顾性收集，不代表人群患病率	中	勿用于流行病学推断
训练集厂商覆盖不全	挑战口径中 D（Canon）仅出现在测试	高	将 D 上结果表述为"未见厂商泛化"
单标注者	逐例由来源中心医生标注，无公开 inter-rater 数据	中	底层切片结果单列（坑点 7）
时代局限	2020 年发布的 bSSFP 协议为主，未覆盖新型低场机与压缩感知重建	中	部署前用自采数据验证

§7.2 标注质量

标注遵循 ACDC 标准协议、由各来源中心经验丰富的临床医生完成，属于高质量金标准。已知薄弱环节：基底层解剖过渡区（RV-右心房）分歧最大；MYO 在 HCM 极端肥厚与 DCM 变薄两端形态跨度大，边界约定对结果敏感；官方未公开逐例标注者人数与一致性系数，故无法逐例量化。

对结果解读的含义：在 M&Ms 上 0.90 与 0.92 的 DSC 差异未必有临床意义——标注本身的模糊地带（心底层面、乳头肌归属）已占去约 1-2 个点的天然波动。论文中应引用逐层/逐结构细分结果，而非只报一个总均值。

§7.3 泛化性评估

部署场景	失效风险	证据
未见厂商（如 D=Canon）	高：强度域偏移导致明显掉点	TMI 2021 结论：跨 vendor 下降大于跨中心；强度驱动的增强/直方图匹配/风格迁移有效
疾病谱外移（先心病、术后改变）	高：训练谱 7+1 类未覆盖	M&Ms-2 专门为 RV 与先心病扩展任务
层厚不同的新协议	中：z 轴 spacing 变化破坏模型假设	训练集层厚 5-10 mm；新协议需重采样验证
心律失常/不规则心动周期	中：ED/ES 帧定位不稳	时相选择质量影响下游定量

§7.4 伦理

数据经来源中心匿名化处理（编码 ID、字母化厂商/中心），公开版不含姓名、出生日期等直接标识信息；发布遵循各中心伦理批准与官方数据使用政策，限学术研究使用。使用者在发表论文时应按官方要求引用 TMI 2021 论文并遵守官网条款。

合规细节：三个欧洲中心的数据处理受 GDPR 约束，公开包经 DICOM 头清洗与几何去标识；蒙特利尔中心按其所在省与研究伦理要求另行批准。若使用者需在中国境内开展涉及人类受试者的二次研究，应同时遵守所在机构伦理审查规定——数据虽已公开，二次使用的伦理备案要求以本单位政策为准。

§7.5 公平性

疾病谱公平性：稀有类（AHS 3 例、LVNC 4 例、IHD 8 例）样本量不足以训练专属模型，跨类性能差距应在论文中显式报告。
厂商公平性：模型对低资源厂商（测试期才出现的 D）性能应单独呈现，避免用整体均值掩盖。
人口学维度：公开包未逐例提供年龄/性别，无法直接做人口学公平性审计；如需该维度，应联系官方按协议获取。
报告纪律：建议在论文附录同时给出"整体均值"与"最差组别"（worst-group）两套数字，二者差距本身就是 M&Ms 最重要的研究信号之一。

§7.6 数据漂移

M&Ms 采集于挑战期前后并固定于 211230 版本，此后不再更新。随扫描软件升级（深度学习重建、compressed sensing 逐步普及），新采集数据的纹理与噪声特性会与本数据产生漂移；建议部署管线中监控输入强度分布（直方图偏移量）与 ED/ES 帧质量，作为漂移报警信号。

§7.7 DAIMS 数据就绪度评估

#	检查项	状态	说明
1	宽格式	✅	元数据 CSV 为单行一例的宽表结构
2	唯一标识	✅	PatientID 全局唯一，目录与文件名一致
3	特殊字符	⚠️	数据集名含 “&”，shell/正则处理路径需引号
4	重复行	✅	官方发布无重复病例
5	缺失编码	⚠️	空标注帧、缺失 gt 文件需按协议理解（§4.5）
6	标签标识	✅	0-3 标签语义明确（注意与 ACDC 顺序不同）
7	罕见类分组	⚠️	AHS 3 例、LVNC 4 例，分层抽样易空折
8	偏倚评估	✅	TMI 2021 系统分析 vendor/中心/病理效应
9	数据字典	⚠️	CSV 12 列无官方逐列说明文档，部分靠社区整理
10	信息性缺失解释	✅	Unlabeled 子集与 Testing 无标注的意图官方明确
11	设备记录	⚠️	厂商为字母匿名码，具体机型未公布
12	共线性	⚠️	vendor 与 centre 部分共线，域分析需解耦设计
13	编码映射	✅	可映射 ICD-11/SNOMED CT（本页 §2.1/§2.1b）
14	时间戳处理	❌	逐例采集日期未随公开包发布
15	划分建议	✅	官方三划分 + 挑战口径均有据可查
16	泄漏讨论	✅	病例级划分原则在挑战协议与社区共识中明确
17	标签分布	⚠️	类别严重不均（125/103/…/3），需按类报告
18	测量偏倚	⚠️	单标注者为主；基底层分歧已知（坑点 7）
19	外部验证建议	✅	ACDC、M&Ms-2 构成现成外部验证梯度
20	版本记录	✅	211230 版本号明确；变体口径已在 §3.2 澄清
21	预处理脚本	✅	nnU-Net Task114 转换脚本 + 冠军模型公开
22	合规要求	⚠️	注册制学术许可，无标准 SPDX 许可证文本
23	多模态对齐	❌	单模态影像数据集，不适用
24	去标识化	✅	编码 ID + 字母化机构/厂商，无直接标识符

DAIMS 评分：17 / 24

评分解读：12 项 ✅、10 项 ⚠️、2 项 ❌。作为影像数据集，M&Ms 的组织规范、官方划分与版本管理达到同类前列；扣分集中在"元数据透明度"（CSV 逐列文档、采集日期、机型）与"单模态数据集固有不适配项"（时间戳、多模态对齐），而非数据本身的完整性问题。

对你意味着什么：(1) 可以放心把它作为分割与域泛化研究的主力基准，官方划分直接用；(2) 起项目前先写清点断言与标签重映射检查（坑点 1、6），把 ⚠️ 项锁死在配置里；(3) 若研究依赖采集时间或机型细节，本数据无法支持，应改用提供 DICOM 原始头信息的数据集；(4) 论文中报告 per-vendor 与 per-pathology 指标，避免整体均值掩盖公平性问题。

§7.8 外部验证矩阵

外部数据集/场景	来源机构	评估任务	性能指标	相对内部变化	关键发现
M&Ms 挑战测试集（含未见厂商 C/D）	挑战官方（14 队）	LV/MYO/RV 分割	冠军 ED DSC：LV 0.939 / MYO 0.839 / RV 0.910；ES DSC：LV 0.886 / MYO 0.867 / RV 0.860	训练标注不含 vendor D，D 上下降最明显	强度域偏移是跨厂商主障碍；前三名差异无统计显著性（p>0.01）
M&Ms-2（RV 任务，360 例）	UAB/巴塞罗那联合团队	右心室分割	见 JBHI 2023 论文（10.1109/JBHI.2023.3267857）	疾病谱扩展至先心病/瓣膜病	多疾病 RV 分割更难，M&Ms 训练权重可作为对照起点

§8 基准性能与生态

§8.1 挑战排行榜

MICCAI 2020 M&Ms 挑战共 14 支队伍提交（评估指标 DSC/IoU/ASSD/HD，结构 × 时相分别统计）：

排名	模型	性能（ED DSC：LV/MYO/RV；ES DSC：LV/MYO/RV）	年份	关键技术	完整引用	代码
1	nnU-Net 5×2D + 5×3D 集成（DKFZ）	ED：0.939/0.839/0.910；ES：0.886/0.867/0.860	2020	BatchNorm 替换 InstanceNorm + 强化数据增强	Full et al., 2020, arXiv:2011.07592	Zenodo record 4288464
2	Label propagation + 风格迁移（单模型）	见 TMI 2021 汇总表	2020	标签传播 + 强度风格迁移缓解域偏移	Zhang, 2020（见 Campello et al., 2021, IEEE TMI 40(12):3543-3554, DOI 10.1109/TMI.2021.3090082）	未公开
3	5×3D nnU-Net 集成 + 直方图匹配	见 TMI 2021 汇总表	2020	直方图匹配扩充训练强度域	Ma, 2020（见 Campello et al., 2021, DOI 10.1109/TMI.2021.3090082）	未公开

数值不可直接比较的原因：前三名差异无统计显著性（p>0.01）；不同队伍在验证集上的模型选择策略不同；且开放版（345 例）与挑战版（375 例）测试划分不同，社区复现数字与挑战官方数字存在系统性口径差。

§8.2 SOTA 总结与选型建议

要一个强基线：直接用 nnU-Net（Task114_heart_MNMs）或冠军公开模型，不要从零造轮子。
研究域泛化：在 nnU-Net 基线上叠加强度域策略（直方图匹配、风格迁移、gamma 扩张）——TMI 2021 的核心教训是"强度域 > 几何域"。
研究半监督：官方 25 例 Unlabeled 子集是现成协议，可与 Full et al. 的全监督上限直接对照。
阅读顺序建议：先读 TMI 2021 论文掌握数据与协议全貌，再读 Full et al. 2020 复现冠军基线，最后按研究方向检索以 M&Ms 为评测域的 UDA/半监督最新论文——这条路径可以用最小时间成本建立对该基准的正确预期。

§8.3 评测协议

指标：DSC、IoU、ASSD、HD，逐结构（LV/MYO/RV）逐时相（ED/ES）统计后平均。
挑战期：val/test 标签不公开，参赛者提交 Singularity 容器由官方统一评测。
社区惯例：官方 Validation 调参 + Testing 一次性报告；或 150 例标注集 5 折 CV。
复现注意：非官方评测（如自己在 Testing 之外重切分）得到的数字不可与挑战排行榜直接比较——口径不同（见 §8.1 与坑点 8）。

数据集	规模	关系	适用
ACDC	100 例，1 中心	标签顺序互逆的"前代"基准（坑点 1）	入门、跨集 UDA 源域
M&Ms-2	360 例，3 中心	同团队后继，RV 任务 + LAX 视图	RV/先心病研究
UK Biobank CMR	约 5 万例级别影像子研究	大规模正常谱	预训练与正常解剖建模

选型思路：入门与冒烟测试选 ACDC（小、快、协议同源）；研究"多疾病 + 多厂商"选 M&Ms；右心室专题选 M&Ms-2；做预训练或正常解剖先验则叠用 UK Biobank。四者标签均为 0/1/2/3 体系，但结构语义与帧标注范围不同，混用前务必核对各自的标注协议（M&Ms 仅 ED/ES，UK Biobank 常为单帧）。

§8.5 关键论文 Top5

Campello et al., 2021, IEEE Transactions on Medical Imaging 40(12):3543-3554. DOI 10.1109/TMI.2021.3090082 — M&Ms 挑战主论文：数据集、协议与 14 队结果完整分析（引用 600+，截至 2026-09）。
Campello et al., 2020/2021, arXiv:2101.00232 — 挑战阶段性总结：划分细节、指标与队伍成绩表。
Full et al., 2020, arXiv:2011.07592 — 冠军方案：nnU-Net 2D+3D 集成与各向异性规划实践。
Martín-Isla et al., 2023, IEEE JBHI 27(7):3302-3313. DOI 10.1109/JBHI.2023.3267857 — M&Ms-2 论文：RV 多疾病多视图扩展。
Isensee et al., 2021, Nature Methods 18:203-211. DOI 10.1038/s41592-020-01008-z — nnU-Net：M&Ms 冠军与基线生态的底层框架。

§8.6 社区活跃度

主论文引用 600+（Google Scholar，截至 2026-09）；nnU-Net Task114_heart_MNMs 被心脏分割与 UDA 文献广泛用作标准转换脚本；Kaggle 存在维护中的社区镜像（69.52 GB）支持即开即用；2020 年后以"ACDC→M&Ms"为协议的无监督域自适应论文持续产出，是跨中心心脏分割方向的引用锚点。

活跃度的三个可验证信号：①下游复现密度——Task114 脚本相关的复现问答（常见报错集中在路径、标签重映射与 spacing 规划）在 GitHub issues 与技术博客中可稳定检索；②引用持续性——2021 年后每年仍有以 M&Ms 为训练或评测域的 UDA、半监督与基础模型论文发表；③资源可用性——官网、Zenodo 权重记录与 Kaggle 镜像自 2020 年起持续可访问，未出现资源失效报告。

§8.7 生态快照

资源	类型	链接	维护方	推荐理由
M&Ms 官方主页	官方数据页	https://www.ub.edu/mnms/	巴塞罗那大学	正式下载与条款来源
挑战设计文档	设计文档	https://zenodo.org/record/3886268	euCanSHare	协议与评估细节
冠军预训练模型	模型权重	https://zenodo.org/record/4288464	DKFZ（Full et al.）	2.3 GB，直接对标第一名
nnU-Net	框架	https://github.com/MIC-DKFZ/nnUNet	MIC-DKFZ	Task114 官方支持
Kaggle 社区镜像	数据镜像	https://www.kaggle.com/datasets/tailength/m-and-ms-dataset	社区	69.52 GB 即开即用（License 标注 Unknown，正式引用仍以官网为准）
M&Ms-2 主页	官方数据页	https://www.ub.edu/mnms-2/	巴塞罗那大学	后继任务扩展

§9 相关资源与引用

§9.1 官方与社区资源列表

M&Ms 官方主页（下载、条款、常见问题）— https://www.ub.edu/mnms/
M&Ms-2 官方主页（后继任务）— https://www.ub.edu/mnms-2/
euCanSHare 挑战页（赛事背景与支持项目）— http://www.eucanshare.eu/multi-centre-multi-vendor-multi-disease-cardiac-image-segmentation-challenge-mms/
挑战设计文档（协议、指标、划分设计）— https://zenodo.org/record/3886268
冠军预训练模型（nnU-Net 2D+3D 集成，2.3 GB）— https://zenodo.org/record/4288464
nnU-Net 框架仓库（Task114_heart_MNMs 官方转换任务）— https://github.com/MIC-DKFZ/nnUNet
Task114_heart_MNMs 转换脚本镜像（含 “labels differ for ACDC challenge” 注释）— https://huggingface.co/ChrisXiao/AutoSeg4ETICA/blob/main/nnunet/dataset_conversion/Task114_heart_MNMs.py
TMI 2021 主论文 — https://doi.org/10.1109/TMI.2021.3090082
挑战总结（arXiv 预印本，含队伍成绩表）— https://arxiv.org/abs/2101.00232
冠军方案论文（arXiv 预印本）— https://arxiv.org/abs/2011.07592
M&Ms-2 论文（IEEE JBHI 2023）— https://doi.org/10.1109/JBHI.2023.3267857
M&Ms-2 数据（Zenodo，DOI 10.5281/zenodo.4573984）— https://zenodo.org/record/4573984
Kaggle 社区镜像（69.52 GB，含元数据 CSV）— https://www.kaggle.com/datasets/tailength/m-and-ms-dataset
openmedlab 数据集条目（6 中心与病理分布整理）— https://github.com/openmedlab/Awesome-Medical-Dataset/blob/main/resources/M%26Ms.md

§9.2 BibTeX 完整引用

@article{campello2021mmms,
  title   = {Multi-Centre, Multi-Vendor and Multi-Disease Cardiac Segmentation: The M\&Ms Challenge},
  author  = {Campello, Victor M. and Mart{\'i}n-Isla, Carlos and Izquierdo, Carlos and
             Petersen, Steffen E. and Ballester, Miguel A. Gonz{\'a}lez and Lekadir, Karim and
             others},
  journal = {IEEE Transactions on Medical Imaging},
  volume  = {40},
  number  = {12},
  pages   = {3543--3554},
  year    = {2021},
  doi     = {10.1109/TMI.2021.3090082}
}

@misc{campello2021mmms_summary,
  title         = {The Multi-Centre, Multi-Vendor \& Multi-Disease Cardiac Image Segmentation Challenge (M\&Ms)},
  author        = {Campello, Victor M. and others},
  howpublished  = {arXiv preprint arXiv:2101.00232},
  year          = {2021}
}

@misc{full2020mmms_winner,
  title         = {An Ensemble Approach to Automated Left Ventricular and Whole Heart Segmentation in Multi-Centre, Multi-Vendor \& Multi-Disease Cardiac MRI},
  author        = {Full, Peter M. and others},
  howpublished  = {arXiv preprint arXiv:2011.07592},
  year          = {2020}
}

@article{martinisla2023mmms2,
  title   = {Multi-Disease, Multi-View \& Multi-Center Right Ventricular Segmentation in Cardiac MRI: The M\&Ms-2 Challenge},
  author  = {Mart{\'i}n-Isla, Carlos and others},
  journal = {IEEE Journal of Biomedical and Health Informatics},
  volume  = {27},
  number  = {7},
  pages   = {3302--3313},
  year    = {2023},
  doi     = {10.1109/JBHI.2023.3267857}
}

@article{isensee2021nnunet,
  title   = {nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation},
  author  = {Isensee, Fabian and Jaeger, Paul F. and Kohl, Simon A. A. and Petersen, Jens and
             Maier-Hein, Klaus H.},
  journal = {Nature Methods},
  volume  = {18},
  pages   = {203--211},
  year    = {2021},
  doi     = {10.1038/s41592-020-01008-z}
}

@article{bernard2018acdc,
  title   = {Deep Learning Techniques for Automatic MRI Cardiac Multi-structures Segmentation and Diagnosis:
             Is the Problem Solved?},
  author  = {Bernard, Olivier and Lalande, Alain and Zotti, Clement and others},
  journal = {IEEE Transactions on Medical Imaging},
  volume  = {37},
  number  = {11},
  pages   = {2514--2525},
  year    = {2018},
  doi     = {10.1109/TMI.2018.2837502}
}

§9.3 引用指南

使用数据集本身：引用 Campello et al. 2021（TMI）为主引用，可加注挑战总结 arXiv:2101.00232。
使用冠军基线或其权重：同时引用 Full et al. 2020 与 Isensee et al. 2021（nnU-Net）。
涉及 M&Ms-2 的对比：引用 Martín-Isla et al. 2023，并注意区分两代任务设置。
引用规模数字时注明版本口径（开放版 345 例 / 挑战全量 375 例），见坑点 6。
粘贴 BibTeX 的注意事项：①主引用应使用上方 TMI 正式版条目（含 DOI 与卷期页码），勿用 arXiv 版本自动生成；②引用 M&Ms-2 用 JBHI 条目，勿与本文混淆；③LaTeX 中 M\&Ms 的 & 需转义；④若引用的是本页而非原始文献，请同时附原始文献 DOI 以便溯源。

§10 AI 使用声明卡

§10.1 AI 模型使用

AI 模型	版本	用途
deep-model（WorkBuddy）	2026-09	初稿生成：INFOBOX 数据汇编、§1-§9 结构化写作、§6 代码示例生成、JSON-LD 构建
WebSearch（多源检索）	2026-09	9 组检索：官方页面、划分口径三角验证、基准成绩、引用数快照、ICD-11/SNOMED 编码核验

§10.2 AI 参与范围

AI 参与范围：初稿生成 + 资料整理 + 代码生成 + 格式化排版。

AI 在本页面的工作中负责：(1) 从官方主页、TMI 2021 论文、arXiv 预印本、Zenodo 文档与社区镜像中整理结构化信息；(2) 生成 §6 的 Python/Bash 代码示例；(3) 系统化组织 §6.5 的 8 个坑点与 §7.1 偏倚表；(4) 执行 G1/G2/G3 排版规范检查与中英文格式标准化；(5) 构建 §C 统一 JSON-LD @graph。所有 ICD-11 与 SNOMED CT 编码经独立检索与 WHO/DICOM 官方来源交叉核验。

§10.3 输入来源

Campello et al. (2021), IEEE TMI 40(12):3543-3554 — M&Ms 挑战主论文（DOI: 10.1109/TMI.2021.3090082）
Campello et al. (2021), arXiv:2101.00232 — 挑战总结与队伍成绩表
Full et al. (2020), arXiv:2011.07592 — 冠军方案与划分表
M&Ms 官方主页 https://www.ub.edu/mnms/（获取条款与版本信息）
euCanSHare 挑战页与设计文档（Zenodo record 3886268）
冠军预训练模型 Zenodo record 4288464（DOI: 10.5281/zenodo.4288464）
nnU-Net Task114_heart_MNMs 官方转换脚本（标签语义与 ED/ES 抽帧逻辑）
Kaggle 社区镜像 tailength/m-and-ms-dataset（目录构成、69.52 GB、元数据 CSV 规格）
openmedlab Awesome-Medical-Dataset M&Ms 条目（6 中心构成、病理分布、成像参数统计）
arXiv:2510.05819（345 例开放版口径的文献佐证）
Martín-Isla et al. (2023), IEEE JBHI 27(7):3302-3313 — M&Ms-2 论文（DOI: 10.1109/JBHI.2023.3267857）
UAB Portal Research 数据集条目（M&Ms-2 规模与设计口径）
WHO ICD-11 浏览器与 FindACode ICD-11 镜像（BC43 心肌病子目编码核验）
KEGG ICD-11 概览与 MalaCards/WikiMD（BA01 高血压性心脏病编码核验）
DICOM PS3.16 CID 7152 与 CID 12305（SNOMED CT 心脏结构编码核验）
Google Scholar 引用快照（截至 2026-09）

§10.4 人工校验表

内容模块	审核者	审核方式	审核状态
§2 医学背景（ICD-11/SNOMED 映射、病理谱、金标准）	千方病案医学编辑部	与 WHO ICD-11 浏览器及 DICOM CID 交叉比对	✅ 已验证
§3 数据集规格（345/375 口径、子集构成、设备统计）	千方病案医学编辑部	与官方页、arXiv 论文及 Kaggle 镜像三方交叉比对	✅ 已验证
§4 数据结构（目录树、DAIMS 字段字典）	千方病案医学编辑部	与官方发布说明及 nnU-Net 转换脚本交叉比对	✅ 已验证
§5 数据划分策略	千方病案医学编辑部	交叉审核	✅ 已通过
§6 代码示例与坑点	千方病案医学编辑部	逻辑审查 + 与 nnU-Net Task114 官方实现比对	✅ 已通过
§7 质量评估与 DAIMS 评分	千方病案医学编辑部	交叉审核	✅ 已通过
§8 排行榜与引用数表述	千方病案医学编辑部	与 arXiv 成绩表及 Scholar 快照交叉比对	✅ 已验证
§C JSON-LD @graph	千方病案医学编辑部	Schema v3.9 字段逐项校验	✅ 已通过

§10.5 AI 生成章节标注

以下章节由 AI 生成初稿并经人工审核：§1.0 30 秒速览、§3.0 版本抉择矩阵、§6.0-§6.4 代码示例、§6.5 八个坑点、§6.9 评估指标代码、§7.5 公平性分析、§7.7 DAIMS 评估表与评分、§8.7 生态快照、§C JSON-LD。

§10.6 最后审核

最后一次人工审核日期：2026-09-05

页面状态：published（全部内容已完成审核并发布）