信息速览
INFOBOX — MRIxFields2026 一屏速览
维度 内容 本质 MICCAI 2026 官方卫星挑战赛数据集（跨磁场强度 MRI 协调与翻译） 全称 MRIxFields2026 — Cross-Field MRI Harmonisation and Translation Challenge 2026 场强 0.1T / 1.5T / 3T / 5T / 7T（五档，覆盖低场到超高场） 模态 T1W / T2W / T2FLAIR（三模态） 数据 前瞻配对（40 位 travelling volunteers）+ 回顾非配对（ID 0001–1056 按场强分块） 规格 NIfTI .nii.gz，364×436×364 @ 0.5mm 各向同性，MNI 空间，float32设备 Siemens Healthineers、United Imaging Healthcare（联影）、Point Imaging 任务 Task 1 超高清合成 / Task 2 低场增强 / Task 3 统一任意到任意翻译 指标 nRMSE / SSIM / LPIPS / Dice（14 深部灰质核团）/ Volume Consistency → rank-summation 基线 Conditional Flow Matching（arXiv 2609.00960），HF 权重库 49 checkpoint 论文 挑战赛论文拟入 MICCAI 2026 LNCS proceedings（待发） 获取 数据 Synapse 门控（申请制）｜代码与权重 MIT 公开｜元数据 Zenodo DOI 库内互链 ixi-brain(482) / oasis 类目 / brats 类目 / mri 模态根节点
MRIxFields2026 是一台"给不同磁场强度拍出来的脑 MRI 搭翻译桥"的挑战赛数据集。同样是人的大脑，用 0.1T 的低场设备扫出来和用 7T 的超高场扫出来，图像在信噪比、对比度、分辨率与伪影结构上几乎是两套语言；临床上大量基层设备与便携低场设备产出的是前者，而研究级诊断与精细分割依赖的是后者。MRIxFields2026 把 0.1T 到 7T 五档场强、T1W/T2W/T2FLAIR 三模态、前瞻配对与回顾非配对两类数据集中到同一套预处理规格下，用三个逐级加难的任务（超高清合成、低场增强、统一任意到任意翻译）和一套多维评测（像素指标 + 感知指标 + 分割指标 + 体积指标）把"能不能把一种场强的脑 MRI 翻译成另一种场强"变成可比较、可排名的问题。
导语读法三则：
- 只想下数据参赛：直奔 §6 获取与许可——数据在 Synapse 申请制，代码和基线权重才是公开直链，别在数据上白找链接。
- 想知道难在哪：直奔 §2 与 §5——先看五档场强 × 三模态这张表，再看三个任务的难度阶梯和五指标评测口径。
- 想引规模数字：直奔 §4——官网与 Zenodo 两套规模口径必须先读清，直接抄一个数字极易口径错位（坑 2、坑 3）。
§0 导读：这个数据集解决什么问题
磁共振成像（MRI）的成像质量高度依赖主磁场强度。临床上最常见的是 1.5T 与 3T；超高场的 7T 能提供更高的信噪比与对比度，是脑皮层与深部核团精细成像的研究利器；而 0.1T 量级的低场/便携 MRI 则以低成本、可移动、可床旁的优势快速铺开，但图像分辨率与对比度远逊于高场。结果是：同一个病人、同一种解剖结构，在不同场强设备上呈现为难以直接比较的两套图像。这让"低场扫、高场读"或"多中心数据汇总训练"这类路径处处受阻。
MRIxFields2026 的回答是把"跨场强"做成一个显式的机器学习任务族：
- 低场要增强：把 0.1T 的低场图像提升到接近临床可用水平（Task 2）；
- 高场要合成：由常规场合成高场（如 7T）的分辨率与对比度（Task 1）；
- 任意到任意要统一：用单一条件模型实现任意场强/模态之间的双向翻译，而不是每对场强训一个专用模型（Task 3）。
支撑这三件事的数据，一部分来自 travelling volunteers（流动志愿者）——同一批受试者在多台不同场强的扫描仪上被反复扫描，构成严格配对的训练/评测真值；另一部分是 回顾性非配对数据——来自既有临床/研究队列的单场强扫描，规模更大但缺乏配对。两类数据混合，正是该挑战赛区别于一般"配对图像翻译基准"的关键。
§0 读法三则：
- 这是"挑战赛 + 数据集 + 基线方法"三合一条目：数据集本体在 Synapse（门控），代码与权重在 GitHub/HuggingFace（MIT），方法论文在 arXiv（§6 分门别类）。
- 全文涉及两处双口径冲突（规模计数口径、Task 1 验证集例数），两者都已在 §4 与 §10 逐条存照，请勿只取其一。
- 检索时注意官方名是 MRIxFields2026；"MRI x Fields"是品牌化书写，"cross-field MRI harmonisation"是方法学描述词，三者不是同义数据集名（坑 1）。
§1 数据集速览：十问十答
Q1：MRIxFields2026 是什么性质的数据集？
不是一篇论文的附带数据发布，也不是静态数据集，而是 MICCAI 2026 的官方卫星挑战赛（satellite challenge）：围绕"跨磁场强度 MRI 协调与翻译"组织的竞赛，配套数据集、基线方法与评测协议，挑战赛论文拟收入 MICCAI 2026 的 LNCS proceedings。
Q2："跨磁场强度"具体跨哪些场强？
五档：0.1T、1.5T、3T、5T、7T。这覆盖了从便携低场（0.1T）到常规临床（1.5T/3T）再到中高场（5T）与超高场（7T）的完整梯度，其中 0.1T 与 5T 在公开数据集中都属稀缺档位。
Q3：有哪些成像模态？
T1W、T2W、T2FLAIR 三个模态，每个受试者的数据按场强 × 模态组织，因此跨场强与跨模态两个维度的变换都在任务范围内。
Q4：数据分几类？
两类。前瞻配对（prospective paired）：travelling volunteers 在同一受试者身上跨多台不同场强扫描仪采集，构成严格配对的跨场强真值；回顾非配对（retrospective unpaired）：来自既有队列的单场强扫描，规模更大但无配对。二者用途不同（配对用于监督/评测真值，非配对用于扩样本与预训练）。
Q5：图像规格统一吗？
统一。全部预处理为 NIfTI（.nii.gz） 格式，364×436×364 体素，0.5mm 各向同性分辨率，MNI 空间配准，float32 数据类型。统一规格是三任务可比、可排名的基础。
Q6：三个任务分别是什么？
Task 1 超高清合成：由低场/常规场合成高场（如 7T）分辨率与对比度；Task 2 低场增强：将 0.1T 低场图像提升至诊断可用水平；Task 3 统一条件模型任意到任意翻译：单一条件模型完成任意场强/模态间的双向翻译。任务按难度与泛化要求递进。
Q7：怎么评分？
五个指标：nRMSE（归一化均方根误差）、SSIM（结构相似性）、LPIPS（学习感知图像块相似度）、Dice（针对 14 个深部灰质核团的分割重叠）、Volume Consistency（体积一致性）。最终以 rank-summation（各指标排名求和）定座次——即单一指标不能决定胜负。
Q8：基线方法是什么？
Conditional Flow Matching for Cross-Field MRI Harmonisation（条件流匹配），论文挂于 arXiv（2609.00960）。基线权重在 HuggingFace 以 MIT 许可公开，共 49 个 checkpoint。
Q9：我现在能拿到什么？
分三层：数据本体在 Synapse 平台，门控获取（申请/密码制，无公开直链）；代码（GitHub MRIxFields/MRIxFields2026）与基线权重（HuggingFace mrixfields/MRIxFields2026-Baseline）为 MIT 公开；元数据记录在 Zenodo（DOI 10.5281/zenodo.19847223）。
Q10：为什么它对 AI-Ready 重要？
它是"门控数据 + 全开代码/权重"的双轨样本：数据受 Synapse 申请制约束，AI-Ready 可获取性维度被拖低；但团队把代码与基线权重全部 MIT 开放，并在 arXiv 公开方法，用可复现的"代码-权重-论文"三角补上了可获取性缺口。这种"数据保守、方法开放"的结构，与库内"本体请求制、衍生基准开放"的 PANDA-PLUS 形成对照，是研究数据可获取性光谱的又一个清晰刻度。
§1.5 速览补充：二十个技术细节问答
Q11：为什么规格选 364×436×364？
这是 MNI152 标准脑模板在 0.5mm 各向同性下的常见体网格尺寸的变体，兼顾了脑解剖覆盖与计算可行性。它保证所有场强/模态数据在相同体网格上逐体素可比，是跨场强像素级指标（nRMSE）可计算的前提。
Q12：为什么是 float32 而非 int16？
MRI 原始信号经重建后的强度是连续的，int16 量化会引入量化误差，影响低强度对比度区域的精度。float32 保留了完整动态范围，便于精确计算 nRMSE 与做强度归一化。
Q13：0.1T 上采样到 0.5mm 是否有意义？
有。虽然 0.1T 原生分辨率远低于 0.5mm，但统一网格让低场图像能与高场图像做逐体素对齐，这对配对监督与像素指标计算是必需的。上采样不增加真实信息，但提供空间参照（详见坑 6）。
Q14：前瞻配对只有 40 志愿者，怎么用？
40 位志愿者是"高质量监督锚点"：可用于（a）监督配对翻译训练，（b）评测真值，（c）验证非配对方法。规模小但配对严格，稀有度高。
Q15：回顾非配对 1056 例的用途？
扩样本、预训练、以及非配对/半监督方法的训练场。因为缺乏配对，它不能直接提供跨场强的输入-目标对。
Q16：Task 1/2/3 是否需要分别提交？
三任务独立评测（§5.1），参赛者可选择参加。Task 3 难度最高、也最受关注，因为它要求统一模型。
Q17：五指标里哪个最关键？
没有"最关键"——rank-summation 的设计就是不偏袒单一指标（§5.3）。但临床视角下 Dice 与 Volume Consistency 更贴近真实可用性。
Q18：14 个深部灰质核团具体是哪些？
抓取时点未逐条确认（§9 遗留疑点 5）。依据深部灰质解剖学，通常包括丘脑、尾状核、壳核、苍白球、伏隔核、黑质、红核、丘脑底核等（具体名单以官方为准）。
Q19：数据集有测试集真值吗？
挑战赛模式下，测试集真值通常隐藏，参赛者提交预测后由组织方评分（§3.5）。验证集可能公开部分真值。
Q20：挑战赛结束后数据还在吗？
Synapse 托管通常长期保留，但访问条件与数据划分可能调整。建议及时申请并本地留存（须遵守数据使用协议）。
§2 数据构成与规格
2.1 五档场强 × 三模态的矩阵
MRIxFields2026 的核心组织轴是"场强 × 模态"。场强五档覆盖了从便携低场到超高场的完整梯度：
| 场强 | 类别 | 临床/研究定位 | 在本数据集中的角色 |
|---|---|---|---|
| 0.1T | 低场 / 超低场 | 便携、床旁、低成本 | Task 2 的输入端；最难增强的档位 |
| 1.5T | 常规临床 | 一线主流设备 | 常规基线场强 |
| 3T | 临床高场 | 主流科研与临床 | 常规基线场强，与 1.5T 构成常见对 |
| 5T | 中高场 | 介于 3T 与 7T 之间的新兴档 | 稀缺档位，公开数据少 |
| 7T | 超高场 | 研究级精细成像 | Task 1 的目标端；深部核团精细成像 |
模态三档：T1W（T1 加权，解剖结构清晰）、T2W（T2 加权，含水/病理敏感）、T2FLAIR（T2 液体衰减反转恢复，抑制脑脊液信号、突出病灶）。三模态在场强上的对比度变化规律不同，跨场强翻译通常需要模态条件，这为 Task 3 的"条件模型"设计提供了直接动机。
2.2 前瞻配对数据：travelling volunteers
前瞻部分的核心设计是 travelling volunteers（流动志愿者）：同一批受试者被安排到多台不同场强的扫描仪上重复扫描。这样得到的跨场强图像对是"同一人、同一天体状态"下的严格配对，可直接充当监督训练的输入-目标对与评测真值。
这一设计的意义在于：跨场强翻译最大的障碍是"找不到同一受试者在不同场强下的配对数据"——绝大多数公开数据集是单场强、单中心的。travelling volunteers 正是为了制造这种配对而付出的采集成本。配对数据的规模注定小于回顾数据（受试者需被多次搬运与重复扫描），因此它在数据集中扮演"高质量监督锚点"的角色，而非规模主力。
2.3 回顾非配对数据：按场强分块的编号体系
回顾性非配对数据按场强分块编号（据官网 data.html 口径）：
| 场强 | ID 范围 | 例数 |
|---|---|---|
| 0.1T | 0001–0100 | 100 |
| 1.5T | 0101–0328 | 228 |
| 3T | 0329–0471 | 143 |
| 5T | 0472–0737 | 266 |
| 7T | 0738–1056 | 319 |
| 合计 | 0001–1056 | 1056 |
这一分块结构的实用含义是：看到 ID 就能推断场强。例如 ID 0500 落在 0472–0737 区间 → 5T；ID 900 → 7T。对于研究跨场强分布偏斜的团队，编号分块让"按场强取样"变得可编程。
场强分布并不均衡：7T（319）与 5T（266）最多，1.5T（228）次之，3T（143）再次，0.1T（100）最少。0.1T 数量最少属预期（低场设备普及但用于科研采集的规模有限），但对 Task 2（低场增强）而言，输入端样本量最小意味着训练信号相对稀缺——这是任务难度的结构性来源之一。
2.4 图像规格与预处理
| 属性 | 规格 |
|---|---|
| 格式 | NIfTI（.nii.gz） |
| 体素尺寸 | 364 × 436 × 364 |
| 空间分辨率 | 0.5 mm 各向同性 |
| 空间标准化 | 配准至 MNI 空间 |
| 数据类型 | float32 |
统一到 MNI 空间与 0.5mm 各向同性的用意是消除"不同场强扫描仪分辨率/几何差异"这一混杂因素：如果不先配准到公共空间，跨场强翻译模型会把大量容量花在几何对齐上，而非对比度与分辨率翻译。0.5mm 各向同性是相当高的采样精度（尤其对 0.1T 这样原生分辨率远低于此的低场数据），意味着低场数据在预处理阶段就经历了上采样——低场"增强"任务的真实难点在对比度与信噪比，而不只是像素分辨率（详见 §5 与坑 6）。
2.5 数据来源与设备谱系
数据来自三家设备制造商相关的成像系统：
| 制造商 | 国家/地区 | 在本数据集中的角色 |
|---|---|---|
| Siemens Healthineers | 德国 | 高场系统主力（7T / 3T / 1.5T） |
| United Imaging Healthcare（联影医疗） | 中国 | 提供高场与低场系统 |
| Point Imaging | — | 低场（0.1T）专用低场 MRI 设备 |
多制造商、多场强的设备谱系，使数据集天然带有多中心异质性：同一场强下不同厂商的序列参数、重建算法、噪声特性都有差异。这既是挑战（模型必须对设备间差异鲁棒），也是价值（更接近真实的多中心临床数据条件）。关于各档场强对应的具体机型与归属机构，抓取时点未逐条确认（见 §9 遗留疑点 4）。
2.6 与一般"图像翻译基准"的边界
要理解 MRIxFields2026 的定位，需划清三条边界：
- 它不是单一配对翻译基准：一般翻译基准（如 T1↔T2 的配对翻译）只有"模态"一个变化轴；MRIxFields2026 有"场强 × 模态"两个轴，且场强维度含 0.1T/5T 这类非常规档位。
- 它不是纯合成数据：所有图像来自真实扫描仪，前瞻配对来自真实 travelling volunteers，不是仿真生成的配对。
- 它不是单纯的超分辨率任务：虽然规格统一为 0.5mm，但任务目标是跨场强的对比度/信噪比协调，超分辨率只是其中一环（Task 1），低场增强（Task 2）与任意到任意翻译（Task 3）都不等价于放大像素。
§2.7 场强-信噪比-对比度的物理背景
理解 MRIxFields2026 的任务设计，需要先理解"场强改变图像"的物理机制。MRI 信号强度大致与主磁场强度 B₀ 的平方相关，因此从 0.1T 到 7T 是约 70 倍的场强跨度，信噪比（SNR）的理论增益极大——这是超高场（7T）在精细解剖成像上无可替代的原因。但场强升高并非只有好处：
| 物理效应 | 低场（0.1T）表现 | 高场（7T）表现 | 对任务的意味 |
|---|---|---|---|
| 信噪比 SNR | 低，图像噪声重 | 高，细节丰富 | 翻译需从低 SNR 推断高 SNR |
| T1 弛豫时间 | 短，灰白质对比与高场不同 | 长，T1 对比更丰富 | 跨场强 T1W 对比度不可直接对应 |
| 磁化率伪影 | 弱 | 显著增强（尤其 7T） | 高场图像携带低场没有的伪影 |
| 化学位移伪影 | 弱 | 增强 | 是场强特异伪影，翻译需处理 |
| B1 不均匀性 | 相对轻 | 严重（7T 射频波长效应） | 高场图像有低频强度不均 |
| 射频能量沉积 SAR | 低 | 高，序列受限 | 影响可采集序列类型 |
这张表解释了一个关键点：跨场强翻译不是"简单放大"。低场与高场图像在对比度规律（T1 值不同）、伪影结构（高场有磁化率/B1 伪影、低场没有）、噪声特性（低场噪声主导）三方面都不同。模型必须学会"补上低场缺失的对比度、并避免把高场伪影当作真实解剖"——这正是 Task 3 的难点，也是为什么单一像素指标无法充分衡量翻译质量（§5.2）。
2.8 三模态在场强维度的差异
T1W、T2W、T2FLAIR 三模态对场强的敏感度不同：
- T1W：T1 弛豫时间随场强升高而延长，灰白质对比在 7T 与 1.5T 上表现差异明显，是跨场强翻译中"对比度最难对齐"的模态；
- T2W：T2 弛豫时间场强依赖性较弱，但高场下磁化率效应更突出，伪影差异是主要难点；
- T2FLAIR：在 T2W 基础上做脑脊液信号抑制，抑制效果与场强相关，是三者中序列最复杂、跨场强变异最需要建模的模态。
因此，“跨场强翻译"实际上是"跨场强 × 跨模态"的二维问题，这也是 Task 3 要引入"条件”（源/目标场强 + 模态）的原因。
§2.9 一次完整的"数据流"示例
以一个假想的 0.1T 患者扫描为例，走完 MRIxFields2026 的完整数据流：
1) 采集：0.1T 便携设备扫描 → 原始 DICOM（研究者本地）
2) 预处理：重建 → 配准至 MNI 空间 → 重采样至 364×436×364 @0.5mm（float32）
3) 入库：转为 NIfTI .nii.gz → 按场强分块编号（0.1T 段 0001-0100）
4) 准入：上传 Synapse → 使用者申请 → 批准后下载
5) 建模：作为 Task 2 输入（目标：诊断可用水平）
6) 评测：翻译结果与高场参考（配对时）或分布参考（非配对时）比较
→ nRMSE / SSIM / LPIPS / Dice(14核团) / Volume Consistency
7) 排名：五指标排名求和 → 该任务的座次
这条流把"物理成像 → 工程预处理 → 平台治理 → 机器学习 → 多维评测"串成一条链，也解释了为什么数据集的价值不只在于图像本身，还在于它把每个环节都标准化了。
§3 组织与协作：挑战赛如何运转
3.1 挑战赛定位与会议语境
MRIxFields2026 作为 MICCAI 2026（Medical Image Computing and Computer Assisted Intervention，医学图像计算与计算机辅助干预大会）的卫星挑战赛运行。MICCAI 系列挑战赛的通行模式是：组织方发布数据集与评测协议 → 参赛队伍提交算法与结果 → 排行榜排名 → 优胜方法在会议卫星活动中报告 → 挑战赛总结论文收入 LNCS proceedings（Springer 的 Lecture Notes in Computer Science 系列）。
3.2 任务分工与难度阶梯
三个任务构成清晰的能力阶梯：
| 任务 | 目标 | 输入 → 输出 | 核心难点 |
|---|---|---|---|
| Task 1 | 超高清合成 | 低/常规场 → 高场（如 7T） | 分辨率 + 对比度 + 高频细节恢复 |
| Task 2 | 低场增强 | 0.1T → 诊断可用水平 | 极低信噪比下的对比度重建 |
| Task 3 | 统一任意到任意翻译 | 任意场强/模态 → 任意 | 单一条件模型的泛化与双向一致性 |
Task 3 是设计上最有雄心的一个：它要求用一个条件模型覆盖所有场强/模态对，而不是为每一对单独训练专用模型。这直接对应真实场景——临床上不会为每对场强部署一个模型，一个能接受"源场强 + 目标场强 + 模态"条件的统一模型才有部署价值。
3.3 参与方与作者团队
Zenodo 记录标注 22 位作者，为跨国、跨机构协作，涉及与三家设备制造商相关的机构。关于具体主办 PI、机构完整列表与通讯作者信息，抓取时点未逐条解析（见 §9 遗留疑点 1）。这一遗留项不影响数据集本身的可用性判断，但引用"由谁主办"时需谨慎。
3.4 组织与评测的透明度
挑战赛模式下，数据集、评测脚本与基线方法三者的公开程度决定了可复现性。MRIxFields2026 的做法是把代码与基线权重完全开放（MIT），只把数据本体置于 Synapse 门控之下。这种"方法全开、数据门控"的组合，在 MICCAI 挑战赛里属较常见但也值得注意的配置：它保证了方法可复现，但数据可获取性依赖于申请审批（§6 详述）。
§3.5 挑战赛的典型运转周期
MICCAI 系列卫星挑战赛通常遵循如下周期（MRIxFields2026 的时间线据抓取时点推演）：
| 阶段 | 典型内容 | MRIxFields2026 对应 |
|---|---|---|
| 数据发布 | 开放训练集（可能分批） | Zenodo 记录 2026-04-28 发布 |
| 训练期 | 参赛者开发与自评 | 2026 上半年至年中 |
| 验证期 | 提交验证集预测，看排行榜 | 分轮次开放 |
| 测试期 | 提交测试集预测，隐藏真值 | 待定 |
| 结果与报告 | 优胜方法报告 + 总结论文 | MICCAI 2026 会议 + LNCS |
这一周期解释了两件事：其一，数据规模可能随轮次变化（这可能是 Task 1 验证集 255 vs 225 双口径的来源之一）；其二，Synapse 托管是分阶段开放的，早期申请者与后期申请者看到的数据划分可能不同。
§4 规模硬数字与双口径存照
4.1 硬数字一览
| 项目 | 数值 | 来源口径 |
|---|---|---|
| 场强档位 | 5（0.1T/1.5T/3T/5T/7T） | 官网 |
| 模态数 | 3（T1W/T2W/T2FLAIR） | 官网 |
| 回顾非配对例数 | 1056（ID 0001–1056 分块） | 官网 data.html |
| 前瞻配对志愿者 | 40（ID 0001–0040） | 官网 data.html |
| 图像规格 | 364×436×364 @ 0.5mm MNI float32 | 官网 |
| 基线 checkpoint 数 | 49 | HuggingFace |
| 作者数 | 22 | Zenodo |
| Zenodo 版本 | v1，2026-04-28 | Zenodo |
4.2 双口径存照 A：数据集规模（images 计数 vs case 计数）
这是本条目最重要的一处口径冲突，务必读完再引用：
| 口径 | 回顾非配对 | 前瞻配对 | 疑为计数单位 |
|---|---|---|---|
| 官网口径 | 约 2500+ | 600 | images 计数（每受试者按 场强×模态 展开） |
| Zenodo 描述口径 | 约 500 | 约 200 | case / subject 计数 |
对两套数字的关系，合理推断是：600 配对 images = 40 志愿者 × 5 场强 × 3 模态 = 600，恰好整除——这强烈支持官网 600 是 images 计数。同理，官网 2500+ 回顾 images 若按"例 × 模态数"粗略展开，与 1056 例的 case 口径大致同量级（每例多模态展开后膨胀到数千 images）。因此：
- 引用"例数/受试者数"→ 用 1056（回顾）+ 40（前瞻）；
- 引用"图像张数/扫描数"→ 用官网 2500+/600；
- 两者不可混用，也不可把 600 说成"600 位配对志愿者"。
4.3 双口径存照 B：Task 1 验证集例数（255 vs 225）
官网不同位置对 Task 1 验证集规模的表述存在差异：
| 口径 | 例数 | 构成 | 位置 |
|---|---|---|---|
| 官网任务说明 | 255 | 17 志愿者 × 5 场强 × 3 模态 | 任务页 |
| 总体分割说明 | 225 | 15 志愿者 × 5 场强 × 3 模态 | 数据/分割说明 |
差异为 2 位志愿者 = 30 images。可能的原因是不同轮次的任务划分调整，或两处页面更新不同步。使用前应以当轮官方说明为准，并在论文中注明所采用口径。
4.4 场强分布的偏斜及其含义
回顾数据的场强分布：7T（319）> 5T（266）> 1.5T（228）> 3T（143）> 0.1T（100）。三点解读：
- 7T 最多：与"超高场是研究热点、研究队列数据丰富"一致；
- 0.1T 最少：低场设备的科研采集规模有限，直接压缩了 Task 2 的可用样本；
- 3T 少于 1.5T 与 5T：反直觉（3T 是临床主流），可能与贡献数据的队列构成有关，而非场强本身的普及度差异。
使用建议：任何按场强分层的评测，都应报告每档实际样本量；跨场强"平均分"会被样本多的档位主导，需加权或分层呈现。
§4.5 编号体系的工程价值
回顾数据的"按场强分块编号"（0001–0100=0.1T，0101–0328=1.5T，0329–0471=3T，0472–0737=5T，0738–1056=7T）在工程上有三重价值：
- 可推断：从 ID 可直接读出场强，无需查外部表；
- 可分层：写
for fs in [0.1,1.5,3,5,7]式的分层采样逻辑时，区间边界即分块边界； - 可审计：若某档样本在某轮被调整，编号区间的变动是可见的线索。
对下游使用者的提示是：不要假设各档样本量相等，跨场强对比前应先 len() 一下每档实际数量（见 §4.4 的偏斜表）。
§4.6 数字之间的一致性检查
把 FACTS 里的硬数字做一次内部一致性核验，有助于识别口径陷阱：
| 检查项 | 计算 | 结论 |
|---|---|---|
| 配对 images 校验 | 40 志愿者 × 5 场强 × 3 模态 = 600 | 与官网 600 吻合 |
| Task 1 验证集（口径一） | 17 × 5 × 3 = 255 | 与官网任务页吻合 |
| Task 1 验证集（口径二） | 15 × 5 × 3 = 225 | 与分割说明吻合 |
| 回顾 ID 区间总数 | (100+228+143+266+319) = 1056 | 与 ID 0001–1056 吻合 |
| 回顾 images 粗估 | 1056 × 3 模态 ≈ 3168（若每例三模态） | 与官网"2500+"同量级 |
结论：官网 600 与 40×5×3 的整除关系，是判定"600 为 images 计数"的最强证据；回顾数据的两套数字（1056 case vs 2500+ images）也能通过"例 × 模态"粗略对应。凡引用规模的场合，都应带上这个一致性推导，避免口径错位。
§5 任务、评测与基线
5.1 三个任务详解
Task 1 — 超高清合成（Super-resolution / High-field synthesis）
目标是由较低场/常规场图像合成高场（如 7T）的分辨率与对比度。难点在于高频细节恢复：高场图像携带的细结构（皮层纹理、血管、小核团边界）在低场图像中信息缺失，模型必须"合理推断"而非简单插值。评估侧重像素精度（nRMSE/SSIM）、感知质量（LPIPS）与下游分割（Dice）。
Task 2 — 低场增强（Low-field enhancement）
目标是提升 0.1T 低场图像至诊断可用水平。0.1T 的信噪比与对比度远低于高场，且伪影结构不同，是本挑战赛中"输入质量最差"的一档。该任务直接对应便携/床旁低场设备的临床普及需求——能否用算法把低场图像"提升"到可诊断，决定了低成本影像的可及性上限。
Task 3 — 统一条件模型任意到任意翻译（Unified conditional any-to-any translation）
目标是单一条件模型完成任意场强/模态间的双向翻译。关键挑战是泛化与一致性：模型需接受"源场强/模态 + 目标场强/模态"作为条件，且正向（低→高）与反向（高→低）翻译应自洽。这是最接近"通用跨场强协调器"的设定，也是任务设计上最有前瞻性的一环。
5.2 五维评估指标
| 指标 | 全称 | 衡量什么 | 方向 |
|---|---|---|---|
| nRMSE | normalized Root Mean Square Error | 归一化像素误差 | 越低越好 |
| SSIM | Structural Similarity Index Measure | 结构相似性 | 越高越好 |
| LPIPS | Learned Perceptual Image Patch Similarity | 学习感知相似度 | 越低越好 |
| Dice | Dice coefficient（14 深部灰质核团） | 分割重叠度 | 越高越好 |
| Volume Consistency | 体积一致性 | 翻译后结构体积的稳定性 | 越高/越一致越好 |
为什么是五个指标而不是一个：单一像素指标（如 nRMSE）会奖励"模糊但平均误差低"的输出；SSIM 补结构、LPIPS 补感知、Dice 补下游任务可用性、Volume Consistency 补解剖学合理性。五者合看，才能避免模型用"模糊化"刷分。
5.3 综合排名：rank-summation
最终座次由 rank-summation 决定：各指标上的排名相加，总排名决定名次。这一机制的效果是不允许单指标偏科夺冠——若某模型在一个指标上第一、其余垫底，其排名和会很差。它把"多目标权衡"写进了评分规则本身，与 §5.2 的多指标设计形成呼应。
5.4 深部灰质核团分割评测
Dice 指标针对 14 个深部灰质核团（deep gray matter nuclei）计算。深部灰质核团（如丘脑、尾状核、壳核、苍白球、黑质、红核、丘脑底核等）体积小、边界模糊，是脑 MRI 分割的公认难点，也正是超高场成像的价值区间。用核团分割 Dice 作为翻译质量的下游指标，等于在问：“翻译出来的图像，能否支撑最精细的解剖学分析？”——这比像素指标更贴近临床与研究的真实需求。抓取时点未逐条确认 14 个核团的完整名单（见 §9 遗留疑点 5）。
5.5 基线方法：条件流匹配
挑战赛基线方法为 Conditional Flow Matching for Cross-Field MRI Harmonisation（跨磁场 MRI 协调的条件流匹配），论文见于 arXiv（2609.00960）。条件流匹配（Conditional Flow Matching, CFM）属生成模型框架，通过学习从源分布到目标分布的概率流实现图像翻译，天然支持"以场强/模态为条件"的建模——这正契合 Task 3 的统一条件翻译设定。
基线权重在 HuggingFace 以 MIT 许可公开：mrixfields/MRIxFields2026-Baseline，含 49 个 checkpoint（约 7GB）。49 个 checkpoint 的数量提示基线是按任务/场强对/模态组合分别训练的一组模型，而非单一模型——这一点与 Task 3"统一模型"的目标形成有趣张力：基线提供的是"每对一模型"的强参考，Task 3 要的却是"一模型通吃"，参赛者需要在性能与统一性之间取舍。
§5.6 LPIPS 与感知质量
LPIPS（Learned Perceptual Image Patch Similarity）用预训练深度网络提取特征，衡量两张图在"感知"意义上的相似度。它与 SSIM 的区别在于：SSIM 关注人类视觉系统的低层结构统计，LPIPS 关注深度网络学到的中高层语义特征。对 MRI 翻译，LPIPS 的价值是惩罚"看起来假"的输出——一个 nRMSE 很低的模糊输出，其 LPIPS 往往很差，因为深度网络能"看出"它不像真实图像。这也是为什么五指标组合（§5.2）能有效防止"模糊刷分"。
§5.7 深部灰质核团分割的临床意义
用 14 个深部灰质核团的 Dice 作为翻译质量指标，背后是一个临床判断：深部灰质核团的体积测量是多种神经退行性疾病的生物标志物。丘脑、尾状核、壳核、苍白球等结构的萎缩程度与帕金森病、亨廷顿病、阿尔茨海默病等相关。若跨场强翻译后的图像能保持这些核团的分割精度与体积一致性，则意味着翻译结果可用于多中心纵向前瞻研究——病人可能在基层用低场设备随访、在研究机构用 7T 精细评估，算法负责让两套数据可比。这正是 MRIxFields2026 的终极应用场景。
Volume Consistency 指标（§5.2）与 Dice 互补：Dice 衡量"分割得准不准"，Volume Consistency 衡量"翻译前后体积变没变"。一个把核团"翻译得大了一圈"的模型，即使 Dice 尚可，Volume Consistency 也会暴露它——因为体积在纵向研究中必须稳定。
§5.8 基线 49 checkpoint 的结构推断
HF 权重库含 49 个 checkpoint，这个数字值得拆解推断其组织方式。若按"任务 × 场强对 × 模态"组合，49 的可能分解包括：
- 7 × 7 = 49（若按 7 个"域"两两组合，每对一模型；7 = 场强与模态的某种组合数）；
- 或按任务分组后各任务下的场强对模型求和 = 49。
无论哪种分解，49 这个数字本身就说明基线不是单一统一模型（坑 7）。这为 Task 3 的评估提供了一个有意义的对照：Task 3 参赛者的统一模型，其性能应当与"每对一模型"的 49 模型组合（或其对应子集）比较，才能判断"统一化"付出的性能代价有多大。
§6 获取与许可：三层资产、三道门
6.1 三层资产及其许可
MRIxFields2026 的资产分三层，每层的获取方式与许可都不同：
| 资产 | 位置 | 许可 | 获取方式 |
|---|---|---|---|
| 数据本体 | Synapse（Sage Bionetworks） | 门控条款（申请制） | 申请/密码，无公开直链 |
| 代码 | GitHub MRIxFields/MRIxFields2026 |
MIT | 公开克隆 |
| 基线权重 | HuggingFace mrixfields/MRIxFields2026-Baseline |
MIT | 公开下载（49 checkpoint） |
| 元数据记录 | Zenodo records/19847223 |
见记录条款 | 公开（DOI 10.5281/zenodo.19847223） |
| 挑战赛论文 | MICCAI 2026 LNCS proceedings | 待定 | 待发布 |
6.2 Synapse 门控的实际含义
数据本体托管在 Synapse 平台（Sage Bionetworks 运营的科研数据平台），访问需密码/申请。这意味着：
- 没有可直接
wget的数据 URL——搜索"MRIxFields2026 download"不会给出直链； - 获取需先在 Synapse 完成账号注册与条目访问申请，通过后按平台协议下载；
- 具体 Synapse 条目 URL 与申请表单页抓取时点未实抓确认（见 §9 遗留疑点 3，因门控不可直读）。
AI-Ready 光谱定位：这种"申请制数据 + 全开代码/权重"属门控获取，介于"公开直链"与"私下请求"之间——比私有数据开放，比完全公开数据保守。对可复现性的影响是：方法可以完全复现（代码+权重 MIT），但数据层面的复现需先过申请关。
6.3 版本链：从数据发布到论文
MRIxFields2026 的资产存在一条清晰的时间链：
Zenodo v1（2026-04-28 发布，元数据/DOI 记录）
↓
Synapse 数据托管（门控，可分轮次开放）
↓
GitHub 代码仓（MIT）
↓
HuggingFace 基线权重（MIT，49 checkpoint）
↓
arXiv 论文 2609.00960（Conditional Flow Matching，2026-09）
↓
MICCAI 2026 LNCS 挑战赛论文（待发）
这条链的一个特点是数据先于方法论文发布：Zenodo 记录（4 月）早于 arXiv 论文（9 月）近半年，符合挑战赛"先放数据开赛、后总结方法"的常规节奏。
6.4 license 细读与再分发边界
- 代码与基线权重（MIT）：MIT 是最宽松的许可之一，允许商用、修改、再分发，只需保留版权声明。这意味着基于 MRIxFields2026 基线开发的模型，其代码侧约束极小。
- 数据本体（Synapse 门控条款）：门控数据的再分发通常受平台协议约束，不可将申请获得的数据二次公开分发。用该数据训练的模型权重是否可自由发布，需视申请时同意的具体条款而定——这是一个常被忽略的边界，建议在申请时明确。
- 论文：挑战赛论文的许可待 LNCS/Springer 定，抓取时点未见正式卷期与 DOI（见 §9 遗留疑点 2）。
6.5 与库内可获取性光谱的对照
库内已有"公开直链"（如 HF 上的 Bench 数据集）与"请求制"（如 PANDA-PLUS 的掩码）两类样本。MRIxFields2026 提供了第三种刻度：平台门控（Synapse 申请制）。它的特点是"有正式申请流程、有平台治理、但无直链"，比个人邮箱请求更规范，比公开直链更受限。
§6.6 Synapse 平台背景
Synapse（synapse.org）由 Sage Bionetworks（美国非营利研究机构）运营，是科研数据共享平台，广泛用于需要"受控访问"（controlled access）的生物医学数据托管。它的机制是：
- 数据贡献者上传数据并设定访问条件；
- 使用者注册账号、提交访问申请、签署数据使用协议（DUA）；
- 通过后获得下载权限，平台记录数据使用轨迹。
相比"个人邮箱请求"（如 PANDA-PLUS 的掩码），Synapse 门控更规范、更可审计，被大量 NIH 资助项目采用。MRIxFields2026 选择 Synapse 而非纯公开直链，可能是出于患者脑影像数据的隐私合规考虑——脑 MRI 属可识别生物特征数据，受控访问是常见做法。
§6.7 授权与合规的实务清单
使用 MRIxFields2026 时，建议按以下清单核对合规：
| 环节 | 要点 |
|---|---|
| 申请 | 在 Synapse 注册并提交访问申请，签署数据使用协议 |
| 存储 | 数据仅存于获批环境，不得公开放置 |
| 再分发 | 不得将原始数据二次分发给第三方 |
| 模型权重 | 基于门控数据训练的权重可否发布，须依申请条款确认 |
| 代码 | MIT 许可，可自由使用/修改/再分发（保留版权声明） |
| 基线权重 | MIT 许可，可直接商用/再分发 |
| 论文引用 | 挑战赛论文 LNCS 待发，方法论文引 arXiv 2609.00960 |
| 患者隐私 | 脑 MRI 属生物特征数据，去标识化要求以官方为准 |
§7 生态、影响与定位
7.1 在 MRI 数据集的谱系中
| 数据集类别 | 代表 | 与 MRIxFields2026 的关系 |
|---|---|---|
| 单场强多模态脑 MRI | IXI、OASIS | MRIxFields2026 在其基础上加"跨场强"维度 |
| 脑肿瘤分割挑战赛 | BraTS | 共享脑 MRI 模态与分割评测传统 |
| 图像翻译基准 | 各类 T1↔T2 配对基准 | MRIxFields2026 把翻译轴从"模态"扩展到"场强×模态" |
| 低场 MRI 增强 | 零星低场数据集 | MRIxFields2026 提供 0.1T 档的成规模样本 |
它填补的空白是：首个系统性的、覆盖 0.1T–7T 全梯度的跨场强脑 MRI 协调基准。
7.2 低场 MRI 的临床推力
MRIxFields2026 的现实意义与低场 MRI 的临床普及直接相关。便携/低场设备以低成本、可移动、可床旁的优势进入基层与急诊场景，但图像质量限制了其诊断用途。Task 2（低场增强）本质是在问：“能否用算法把 0.1T 图像补到临床可用？”——若成立，将显著扩大低成本影像的适用半径。这也是为什么该挑战赛要特意纳入 0.1T 这一稀缺档位。
7.3 方法层面的启示
- 条件建模优于逐对建模：Task 3 的设计暗示"一个统一条件模型"是更可部署的路线；
- 多指标排名的必要性：rank-summation 提醒研究者，图像翻译质量不能由单一指标定义；
- 配对数据的稀缺性：travelling volunteers 的采集成本说明，真实跨场强配对数据是稀缺资源，半监督/非配对方法因此重要。
§7.4 跨场强协调的临床与科研价值
跨场强 MRI 协调不只是技术问题，它直接关系到三个现实场景：
- 基层筛查 → 中心诊断：患者在基层医院用低场设备扫描，图像传输到三甲医院用算法增强后辅助诊断，降低对高场设备的依赖；
- 多中心研究汇总：不同医院用不同场强设备采集的纵向或横断面数据，经协调后可统一分析，解决多中心研究的"设备混杂"问题；
- 设备升级的数据衔接：医院从 1.5T 升级到 3T 时，历史数据与新数据的可比性依赖协调算法。
这三点使 MRIxFields2026 不仅是学术基准，也是医疗资源可及性议题的技术回应。
§7.5 与相邻任务的边界：MRIxFields2026 不做什么
明确边界同样重要：
- 不做跨物种（如鼠脑 ↔ 人脑）翻译；
- 不做跨模态之外的泛化（如 MRI → CT）；
- 不做纯超分辨率（它是跨场强协调，不只是放大）；
- 不做临床诊断验证（它是算法基准，不是医疗器械注册研究）；
- 不做非脑部位（限定脑 MRI）。
§8 方法学与使用建议
8.1 给参赛/使用者的实操要点
- 先配准再建模：数据已统一到 MNI 0.5mm，请勿再次重采样，以免引入插值伪影；
- 按场强分层的评测：报告每档样本量，避免被 7T/5T 的大样本主导平均分；
- 配对与非配对分清：前瞻配对用于监督/评测真值，回顾非配对用于扩样本，混用会污染评测；
- 多指标自评：训练时即应监控五指标，避免单指标过拟合；
- 注意 0.1T 的样本稀缺：Task 2 可能需要非配对或自监督策略补足监督信号。
8.2 数据规格的工程细节
- 卷尺寸 364×436×364、0.5mm 各向同性意味着单例数据体量较大，训练时的显存/IO 规划需前置；
- float32 存储精度足以支撑精确的像素级指标（nRMSE）计算；
- MNI 空间意味着可直接与库内其他 MNI 标准空间的脑影像数据集做空间对齐（利于互链与迁移）。
8.3 常见的误用模式
- 把 images 数当 case 数（或反之）——见 §4.2，最易犯；
- 把 0.5mm 规格误解为"低场原生分辨率"——低场原生分辨率远低于 0.5mm，统一规格是上采样后的结果（坑 6）；
- 把基线当成单一模型——49 checkpoint 提示是按任务/场强对分别训练的模型组（§5.5）。
§8.4 复现骨架（工程参考）
阶段 0 环境与数据获取
- 注册 Synapse 账号 → 申请 MRIxFields2026 访问 → 下载 NIfTI（门控）
- git clone https://github.com/MRIxFields/MRIxFields2026（MIT）
- 从 HF mrixfields/MRIxFields2026-Baseline 拉取基线权重（MIT，49 ckpt）
阶段 1 数据加载与校验
- 校验：NIfTI .nii.gz / 364×436×364 / 0.5mm / MNI / float32
- 按 ID 区间分档：0.1T[0001-0100]、1.5T[0101-0328]、3T[0329-0471]、5T[0472-0737]、7T[0738-1056]
- 配对数据（前瞻 0001-0040）与非配对数据分开管理
阶段 2 任务建模
- Task 1：低/常规场 → 高场（条件：目标场强 + 模态）
- Task 2：0.1T → 诊断可用（条件：模态）
- Task 3：统一条件模型（条件：源场强/模态 + 目标场强/模态）
阶段 3 五指标自评
- nRMSE / SSIM / LPIPS / Dice(14 核团) / Volume Consistency
- rank-summation 综合排名
阶段 4 分层报告
- 按场强分层报告样本量与指标，避免大样本档主导均值
§9 与库内条目的关系
9.1 家族图谱与互链点
MRIxFields2026 在库内的自然互链邻居：
| 库内条目/类目 | 关系 | 说明 |
|---|---|---|
ixi-brain（rid 482） |
上游同类 | 多模态配对脑 MRI，但为单场强；MRIxFields2026 扩展出场强维度 |
oasis 类目 |
同类 | 脑 MRI 队列，可作迁移/对照 |
brats 类目 |
下游共享 | 共享脑 MRI 模态与分割评测传统 |
mri 模态根节点 |
上位 | MRI 模态聚合节点 |
| 医学图像分割 / 图像翻译类目 | 方法交叉 | 共享翻译与分割评测方法 |
注：以上 rid 需主会话用 DB
url_name反查确认实际记录号；本条目不写死未知 rid。
9.2 检索路径建议
- 用精确名 MRIxFields2026 或 MRIxFields；
- 方法线索用 cross-field MRI harmonisation 或 conditional flow matching MRI；
- 数据线索用 Synapse MRIxFields 或 Zenodo 19847223；
- 避免用"MRI translation dataset"这类泛词，会淹没在通用翻译数据集中。
9.3 建议互链点（供主会话 DB 反查）
建议在发布后与以下条目建立互链（rid 以 DB 反查为准）：ixi-brain、脑影像/神经科学类目下同类条目、brats 相关条目、MRI 模态聚合节点、图像翻译/超分辨率类目条目。
§9.4 与库内"门控/请求制/公开直链"三类样本的对照
| 类型 | 代表条目 | 数据获取 | 代码/权重 |
|---|---|---|---|
| 公开直链 | HF 上的公开数据集 | 直接下载 | 常一并公开 |
| 请求制 | PANDA-PLUS（掩码） | 邮件申请 | 部分公开 |
| 平台门控 | MRIxFields2026 | Synapse 申请/审批 | 代码权重 MIT 全开 |
| 完全私有 | 院内数据集 | 不可得 | 不公开 |
MRIxFields2026 的独特位置是"数据门控但方法与权重全开"：它把可复现性的重心放在了代码与权重侧，数据侧靠 Synapse 的正式流程保证合规与可审计。这一结构在库内此前样本中较少见，值得作为"高合规要求数据集的开放范式"参考。
§10 避坑清单：八个已踩过的坑
坑 1：官方名不是"cross-field MRI dataset"这类描述词。数据集官方名是 MRIxFields2026（品牌化写作 “MRI x Fields”），"cross-field MRI harmonisation"是方法学描述。检索时若拿描述词当数据集名，会一无所获或命中大量无关论文。用精确名 + 核对官网域名 mrixfields.chihucloud.com。
坑 2：规模数字双口径，images 与 case 不能混。官网约 2500+ 回顾 + 600 配对（疑 images 计数）vs Zenodo 约 500 回顾 + 200 配对（疑 case 计数）。600 = 40×5×3 整除关系强力支持 images 口径。引用前先定口径（见 §4.2）。
坑 3：前瞻配对志愿者的正确说法是"40 位志愿者/受试者"，600 是其 images 展开数。把 600 说成"600 位配对志愿者"是常见误读。
坑 4：Task 1 验证集例数 255 vs 225。官网任务页 255（17×5×3）vs 分割说明 225（15×5×3），差 2 志愿者。以当轮官方说明为准（见 §4.3）。
坑 5：数据没有公开直链。数据本体在 Synapse 门控（申请/密码制），代码与基线权重才在 GitHub/HuggingFace 公开。搜索"download"找不到直链属正常，别误判为数据不存在。
坑 6：0.5mm 各向同性不是低场原生分辨率。统一规格是配准+上采样后的结果；低场原生分辨率远低于此。Task 2 的难点在对比度与信噪比，不是像素放大（见 §2.4、§8.3）。
坑 7：基线是模型组不是单一模型。HF 权重库含 49 个 checkpoint，提示基线按任务/场强对/模态分别训练，与 Task 3"统一条件模型"的目标形成张力，别把基线当成单一统一模型（见 §5.5）。
坑 8：LNCS 挑战赛论文尚未发布。抓取时点（2026-10-08）仅见 arXiv 基线方法论文（2609.00960），挑战赛总结论文的卷期/DOI 未定。引用"挑战赛论文"时须注明待发，勿虚构卷期。
§11 总结
11.1 三句话总结
- MRIxFields2026 是 MICCAI 2026 卫星挑战赛数据集，把 0.1T–7T 五档场强、T1W/T2W/T2FLAIR 三模态的脑 MRI 统一到同一规格下，用三任务评测跨场强翻译与协调。
- 它的独特价值在于 前瞻 travelling volunteers 配对数据 + 回顾非配对数据的混合设计，以及覆盖 0.1T 与 5T 这类稀缺档位的场强梯度。
- 获取上它是"数据门控（Synapse 申请制）+ 代码与基线权重全开（MIT）"的双轨结构，方法与权重可完全复现，数据需过申请关。
11.2 适合谁
- 研究跨场强/跨中心 MRI 协调与翻译的团队；
- 做低场 MRI 增强（0.1T→临床可用）的开发者；
- 研究图像翻译生成模型（条件流匹配等）的研究者；
- 做深部灰质核团分割、关心下游解剖学可用性的团队；
- 研究多中心数据异质性与评测方法学的学者。
11.3 不适合谁
- 只想拿公开直链数据即下即用的用户（数据需申请）；
- 研究非脑部位 MRI 的团队（本数据集限定脑）；
- 需要大样本配对数据做纯监督训练的用户（配对仅 40 志愿者）；
- 研究非 MRI 模态（如 CT、超声）的团队。
11.4 30 秒决策卡
| 你的需求 | 建议动作 |
|---|---|
| 参赛/评测跨场强翻译 | 先 Synapse 申请数据，再拉 GitHub 代码 + HF 基线权重 |
| 只要基线模型复现 | HF mrixfields/MRIxFields2026-Baseline（MIT，直链） |
| 只要方法参考 | arXiv 2609.00960（条件流匹配） |
| 引规模数字 | 用 1056 例（回顾）+ 40 志愿者（前瞻），注明口径 |
| 引挑战赛论文 | 注明 LNCS 待发，勿虚构卷期 |
§11.5 一句话使用口诀
数据过申请关，代码权重直接用；规模先定口径，翻译五指标；场强分五档，0.1T 最难搞。
§12 深度专题 A：跨场强协调的算法谱系
要理解 MRIxFields2026 在方法学上的处境，需了解跨场强/跨域 MRI 协调的算法谱系：
| 方法族 | 代表思路 | 优势 | 局限 |
|---|---|---|---|
| 强度归一化 | 直方图匹配、Nyúl 标准化 | 简单、可解释 | 只对齐全局强度，不恢复结构 |
| 传统图像翻译 | 图像到图像的线性/非线性映射 | 计算轻 | 表达能力有限，难以处理大跨度 |
| GAN 系翻译 | CycleGAN、pix2pix 等 | 无需配对、感知质量好 | 训练不稳、易 hallucinate |
| 扩散模型 | DDPM、Score-based | 生成质量高 | 采样慢、可控性难度高 |
| 流匹配 | 条件流匹配（本挑战赛基线） | 条件可控、训练稳定、采样快 | 相对新，生态成熟度待验证 |
| 配准+重采样 | 纯几何对齐 | 保解剖 | 改变不了对比度与 SNR |
MRIxFields2026 的基线选择 条件流匹配（Conditional Flow Matching），是把赌注押在"生成质量高 + 条件可控性强 + 采样效率优于扩散"的组合上（§5.5）。对参赛者而言，理解这条谱系有助于判断自己的方法相对基线处在哪个位置。
§12.1 为什么是"条件"流匹配
"条件"二字是关键。在 Task 3 的任意到任意设定下，模型必须同时接受两个条件信号：
- 源条件：输入图像的场强与模态（0.1T T1W？3T T2W？）；
- 目标条件：期望输出的场强与模态（7T T2FLAIR？）。
统一条件模型的难点在于：同一套参数要覆盖 5×3=15 个"源域"与 15 个"目标域"的 15×15 种组合。条件流匹配通过学习"以条件为参数的概率流"，理论上能让单模型适应所有这些组合——这正是 Task 3 命题的方法学基础。无条件的翻译模型做不到这点，因为它们无法区分"我要的是 7T T1W 还是 3T T2W"。
§12.2 相似任务的对照
| 任务类别 | 变化轴 | 与 MRIxFields2026 的差异 |
|---|---|---|
| 跨模态翻译（T1↔T2） | 模态 | 无场强维度 |
| 超分辨率（SR） | 分辨率 | 无对比度/场强协调 |
| 域适应（domain adaptation） | 一般 shift | 目标是分类鲁棒，非图像翻译 |
| 风格迁移（style transfer） | 风格统计 | 不保解剖 |
| 跨场强协调 | 场强 × 模态 | 二维变化 + 保解剖约束 |
MRIxFields2026 的独特性在于它同时要求"二维泛化"和"解剖保真"——这解释了为什么评测要同时用像素、感知、分割、体积四类指标。
§13 深度专题 B：数据采集的"流动志愿者"设计学
13.1 为什么配对跨场强数据如此难
同一受试者在多台不同场强设备上扫描，面临三重现实阻力：
- 物理搬运：不同场强设备分布在不同医院/研究中心，受试者需跨点流动；
- 时间窗：跨点扫描须在合理时间窗内完成，否则生理状态变化（睡眠、进食、用药）会污染"同人"假设；
- 伦理与成本：多次无诊断收益的扫描涉及额外的知情同意与费用补偿。
因此，"travelling volunteers"不是随便找 40 个人，而是需要结构化组织的采集行动——这是该数据集最贵的部分，也是它区别于"从公开队列里拼数据"的关键。
13.2 配对数据在评测中的角色
前瞻配对数据在评测中有两个不可替代的作用：
- 验证集真值：配对意味着"同一人的高场参考"存在，可直接计算像素级指标（nRMSE/SSIM/LPIPS）与 Dice；
- 防幻觉锚点：非配对评测无法判断模型是否"编造"了不存在的结构，配对真值能暴露幻觉。
13.3 配对 vs 非配对的权衡
| 维度 | 前瞻配对 | 回顾非配对 |
|---|---|---|
| 配对性 | 严格配对 | 无配对 |
| 规模 | 小（40 志愿者） | 大（1056 例） |
| 主要用途 | 监督真值、评测 | 预训练、非配对方法 |
| 采集成本 | 高 | 低（复用既有数据） |
| 混杂控制 | 好（同人同窗） | 差（不同人不同设备） |
使用铁律：不要把非配对数据当作配对监督信号；也不要用配对数据的规模去质疑数据集的整体规模（两者口径不同，见 §4.2）。
§14 深度专题 C：五指标的统计性质与陷阱
14.1 各指标对"失败模式"的敏感度
| 失败模式 | nRMSE | SSIM | LPIPS | Dice | Volume Consistency |
|---|---|---|---|---|---|
| 模糊化输出 | 可能低（假好） | 中 | 差 | 可能尚可 | 中 |
| 对比度错配 | 差 | 差 | 差 | 中 | 中 |
| 结构幻觉 | 中 | 中 | 中 | 差 | 差 |
| 体积漂移 | 中 | 中 | 中 | 尚可 | 差 |
| 像素偏移 | 差 | 差 | 中 | 差 | 中 |
这张"失败模式 × 指标"矩阵说明：任何单一指标都会被某种失败模式骗过，五指标组合+rank-summation 才是完整防线（§5.2、§5.3）。
14.2 归一化对 nRMSE 的影响
nRMSE 的"normalized"意味着除以了某个尺度（通常是参考图像的强度范围或标准差）。这意味着：
- 不同归一化方案下 nRMSE 不可直接跨论文比较；
- 低对比度区域（如 T1W 灰白质边界）对归一化选择尤其敏感；
- 报告 nRMSE 时应同时说明归一化方式。
14.3 Dice 的核团尺度效应
14 个深部灰质核团体积差异很大：壳核/丘脑较大，黑质/红核较小。小核团的 Dice 对边界误差更敏感，因此"平均 Dice"会被大核团主导。建议按核团分层报告 Dice，并报告小核团（黑质、红核等）的单独表现——它们恰恰是最需要高场成像的精细结构。
§15 深度专题 D：与相邻开源生态的接口
MRIxFields2026 的规格设计使其天然对接主流脑影像工具链：
| 工具/生态 | 接口点 | 用途 |
|---|---|---|
| nibabel | 读 NIfTI .nii.gz | 数据加载 |
| FSL / ANTs | MNI 空间处理 | 配准校验、模板对齐 |
| FreeSurfer | 深部核团分割 | 生成 Dice 评测的参考分割 |
| PyTorch / MONAI | 训练框架 | 翻译模型实现 |
| HuggingFace diffusers/flow | 生成模型 | 条件流匹配/扩散基线 |
由于数据已在 MNI 0.5mm 空间统一，使用者可跳过配准步骤直接进入建模——这是标准化规格带来的效率红利，也是它作为"AI-Ready"数据集的重要加分项（附录 B 的 I 维度 8 分）。
§16 深度专题 E：可获取性设计对复现研究的影响
16.1 门控数据对复现的三种影响
| 影响面 | 表现 | 缓解 |
|---|---|---|
| 数据复现 | 需先申请，周期不可控 | 代码权重全开，方法可复现 |
| 结果复现 | 需获批才能重跑实验 | 基线权重可直接推理 |
| 排名复现 | 测试期结束后提交关闭 | 保留验证集自评路径 |
16.2 "方法全开、数据门控"的策略合理性
对含患者脑影像的门控数据，"数据门控"通常是隐私合规的必然；而"代码与权重全开"是组织者可主动选择的部分。MRIxFields2026 明确把可开放的都开放了（MIT），把必须受控的（数据本体）交给 Synapse 治理——这是一种在合规约束下最大化可复现性的设计（§6.5、§9.4）。
16.3 对库内其他条目的范式意义
对库内其他门控/请求制数据集，MRIxFields2026 提供了一个可借鉴的模板：本体尽量按合规要求保守，衍生资产（代码、权重、协议）尽量开放。这种"开放重心外移"策略，能在数据不可直链的前提下，把 AI-Ready 可获取性得分从"完全受限"抬升到"方法可复现"。
§17 深度专题 F：常见下游应用的落地路径
MRIxFields2026 的"跨场强翻译"能力可迁移到多个下游场景，每条路径的落地要点不同：
17.1 多中心纵向队列的场强混杂校正
问题：一个追踪患者多年的大型队列，早期用 1.5T、后期升级到 3T，场强变化与时间趋势混杂，无法区分"疾病进展"与"设备差异"。
路径：用 MRIxFields2026 训练跨场强协调模型，把全部历史数据翻译到统一场强参考域，再做纵向分析。
要点：必须报告翻译前后 Volume Consistency，确保纵向体积趋势不被算法扭曲。
17.2 基层低场数据的中心级增强
问题：基层医院低场设备图像质量低，向上级医院传输后诊断价值有限。
路径：以 Task 2 的低场增强模型为起点，在本地数据上微调（若获得门控数据）。
要点：增强结果必须做幻觉审计——低场图像信息量有限，模型可能"补"出并不存在的病灶，这是临床最危险的风险点。
17.3 研究级高场数据的低场仿真
问题：研究用 7T 数据丰富，但临床部署目标是低场设备，模型需要在低场条件下验证。
路径：反向利用翻译（高场 → 低场）构造仿真低场测试集。
要点：仿真低场与实际低场设备的物理差异（噪声类型、伪影）需谨慎对待，仿真不能完全替代真实低场验证。
17.4 分割模型的跨场强泛化
问题：在 3T 数据上训练的分割模型，直接用在 7T 或 0.1T 数据上性能骤降。
路径：先用 MRIxFields2026 把数据协调到统一域，再训练分割模型。
要点：用本数据集的 Dice（14 核团）作为协调效果的下游验证。
§18 深度专题 G：评测方法学的五个陷阱
跨场强翻译的评测本身充满陷阱，以下五条值得所有使用者警惕：
18.1 陷阱一：把"像"当成"对"
生成模型擅长产出"看起来很像"的图像，但"像"不等于"是"。配对真值是唯一的"对"的标准——这解释了为什么前瞻配对数据如此珍贵（§13.2）。
18.2 陷阱二：单指标刷分
一个模型可以只优化 nRMSE 而输出模糊图，或只优化 LPIPS 而牺牲像素精度。rank-summation（§5.3）是针对这一陷阱的制度性防御。
18.3 陷阱三：忽视分布偏斜
评测集若 7T 样本远多于 0.1T，平均分会掩盖模型在 0.1T 上的失败。必须分层报告（§4.4）。
18.4 陷阱四：混淆评测集
用训练数据评测、或用非配对数据假装配对评测，是常见的隐性错误。配对与非配对必须严格分离（§13.3）。
18.5 陷阱五：不报口径
规模、验证集例数、归一化方式都有口径问题（§4.2、§4.3、§14.2）。不报口径的结果无法复现也无法比较。
§19 深度专题 H：与其他 MICCAI 卫星挑战赛的横向对照
MICCAI 每年组织多个卫星挑战赛，横向对照有助于定位 MRIxFields2026：
| 挑战赛类型 | 典型任务 | 与 MRIxFields2026 的差异 |
|---|---|---|
| 分割挑战赛（如 BraTS） | 单一模态/场强的分割 | MRIxFields2026 关注跨场强翻译，分割只是下游指标 |
| 配准挑战赛 | 图像配准 | MRIxFields2026 已统一配准，关注对比度翻译 |
| 重建挑战赛（如 fastMRI） | 欠采样重建 | 输入是 k 空间欠采样，非场强差异 |
| 域适应挑战赛 | 跨中心泛化 | MRIxFields2026 的域是"场强"，且要求图像级翻译 |
| 本挑战赛 | 跨场强协调与翻译 | 场强×模态二维 + 五指标 + 统一模型 |
这一对照显示：MRIxFields2026 填的是"场强维度"的空白——此前的挑战赛多在"分辨率/模态/中心/重建"维度上做文章，显式处理"0.1T↔7T 场强跨度"的挑战赛此前少见。
§20 深度专题 I：读这个条目时的三类读者路径
20.1 路径一：数据工程师
关注点：数据格式与获取。建议顺序 §2.4（规格）→ §6（获取）→ 附录 D（决策树）→ 附录 F（复现骨架）。核心提醒：数据门控需申请，规格已统一到 MNI 0.5mm 无需再配准。
20.2 路径二：算法研究者
关注点：任务定义与评测。建议顺序 §5（任务与指标）→ §12（算法谱系）→ §14（指标陷阱）→ 附录 E/F（速查）。核心提醒：Task 3 是统一模型命题，五指标防偏科。
20.3 路径三：临床/科研应用者
关注点：可用性与风险。建议顺序 §0（问题背景）→ §7.4（临床价值）→ §17（落地路径）→ §18（评测陷阱）。核心提醒：低场增强有幻觉风险，纵向应用必须查 Volume Consistency。
§21 深度专题 J：术语中英对照扩展表
| 缩写/术语 | 英文全称 | 中文 | 备注 |
|---|---|---|---|
| MRI | Magnetic Resonance Imaging | 磁共振成像 | 本数据集唯一模态 |
| T | Tesla | 特斯拉 | 磁场强度单位 |
| T1W | T1-weighted | T1 加权 | 解剖结构清晰 |
| T2W | T2-weighted | T2 加权 | 含水/病理敏感 |
| T2FLAIR | T2 Fluid-Attenuated Inversion Recovery | T2 液体衰减反转恢复 | 抑制脑脊液 |
| SNR | Signal-to-Noise Ratio | 信噪比 | 场强越高通常越高 |
| SAR | Specific Absorption Rate | 比吸收率 | 高场安全约束 |
| CFM | Conditional Flow Matching | 条件流匹配 | 基线方法 |
| nRMSE | normalized Root Mean Square Error | 归一化均方根误差 | 像素指标 |
| SSIM | Structural Similarity Index Measure | 结构相似性指数 | 结构指标 |
| LPIPS | Learned Perceptual Image Patch Similarity | 学习感知图像块相似度 | 感知指标 |
| Dice | Dice Similarity Coefficient | Dice 相似系数 | 分割重叠 |
| MNI | Montreal Neurological Institute | 蒙特利尔神经研究所 | 标准脑空间 |
| NIfTI | Neuroimaging Informatics Technology Initiative | 神经影像信息技术倡议 | 文件格式 |
| DUA | Data Use Agreement | 数据使用协议 | 门控数据签署文件 |
| MICCAI | Medical Image Computing and Computer Assisted Intervention | 医学图像计算与计算机辅助干预 | 会议名 |
| LNCS | Lecture Notes in Computer Science | 计算机科学讲义 | Springer 丛书 |
| HF | Hugging Face | Hugging Face | 模型/数据托管平台 |
| HM | Harmonisation | 协调 | 使跨场强可比 |
§22 深度专题 K：开放问题与研究机会
以 MRIxFields2026 为起点，以下开放问题值得研究者关注：
- 统一模型 vs 逐对模型的最优权衡：Task 3 命题是否在所有指标上都能逼近 49 模型组合？性能代价的量化本身是研究成果。
- 低场幻觉的可检测性：如何自动检测低场增强模型"编造"的结构？这是临床落地的关键。
- 场强维度的连续化：数据集是 5 个离散档位，能否学到连续的"场强插值"？（如 4T 合成）
- 非配对方法的极限：仅用回顾非配对数据，能达到多少配对监督的性能？
- 跨厂商泛化：三家厂商设备间的差异是否比场强差异更难处理？
- 下游任务的端到端收益：跨场强协调能否直接提升分割/诊断模型的跨中心泛化？
- 体积一致性的理论界：翻译模型能否保证解剖体积的严格守恒？
- 评测指标的可迁移性：五指标口径能否成为跨场强领域的事实标准？
这些问题的答案，将决定 MRIxFields2026 是成为一个"一次性挑战赛"还是"长期基准"。
§23 深度专题 L：条目编写的证据分级声明
为透明起见，本条目的论断按证据强度分级：
| 证据级别 | 定义 | 条目中的例子 |
|---|---|---|
| A 级（三源互证） | 官网 + Zenodo + 代码/论文多源一致 | 五档场强、三模态、NIfTI 规格、MIT 许可、DOI |
| B 级（单源官方） | 仅单一官方来源 | ID 分块区间、Task 1 验证集例数 |
| C 级（推断） | 基于已知事实的合理推断 | 600=images 计数、49 checkpoint 的组织方式 |
| D 级（遗留） | 抓取时点未确认 | 22 作者名单、14 核团名单、Synapse 条目 URL |
引用建议：A 级可直接引用；B 级须注明来源页面与时点；C 级须说明是推断；D 级不得作为事实引用（见 §9、附录 J）。
§24 深度专题 M：把 MRIxFields2026 当作"跨域泛化"案例来读
MRIxFields2026 表面是 MRI 任务，实质是一个**跨域泛化（cross-domain generalisation）**的教科书案例，其结构可迁移到其他模态：
| 抽象维度 | MRIxFields2026 的实例 | 其他领域的类比 |
|---|---|---|
| 域变量 | 磁场强度（5 档） | 相机型号、测序平台、语言 |
| 模态变量 | T1W/T2W/T2FLAIR | 传感器通道、文本体裁 |
| 配对锚点 | travelling volunteers | 双语平行语料、同名样本 |
| 非配对扩充 | 回顾非配对队列 | 单语语料、无标注数据 |
| 统一模型 | Task 3 条件模型 | 多语言翻译、Any-to-Any |
| 多指标评测 | 五指标 + rank-summation | 多任务基准 |
因此，即便研究者的领域不是 MRI，"域变量 × 模态变量 + 配对/非配对混合 + 统一条件模型 + 多指标排名"这套设计仍可直接借鉴。这是 MRIxFields2026 超越医学影像的方法学价值。
§25 深度专题 N：评测复现的最小可行路径
对希望不参赛也能复现基线的研究者，最小可行路径如下（假设已获数据访问）：
步骤 1 环境：Python + PyTorch + nibabel + MONAI
步骤 2 数据：从 Synapse 下载 NIfTI，按 ID 区间分档
步骤 3 权重：从 HF 拉取 mrixfields/MRIxFields2026-Baseline（49 ckpt）
步骤 4 推理：对指定源域-目标域对加载对应 checkpoint，生成翻译结果
步骤 5 指标：对配对样本计算 nRMSE/SSIM/LPIPS；对分割计算 Dice(14核团)；
对翻译前后计算 Volume Consistency
步骤 6 排名：在同一评测集上对多方法做 rank-summation
关键提醒：步骤 4 的"加载对应 checkpoint"隐含 49 个权重是按域对组织的（§5.8、坑 7）；若研究目标是"统一模型"，需要自行训练或改造，不能直接复用这 49 个逐对权重。
§26 深度专题 O：为什么"0.1T 最少"反而最关键
回顾数据的场强分布中，0.1T 仅 100 例（最少），但它在任务体系中的地位最关键：
- 它是 Task 2 的唯一输入端：0.1T 的所有价值都在于"被增强"，样本少意味着该任务监督信号最稀缺；
- 它是临床可及性议题的核心：低场设备的普及正是为了覆盖高场到不了的地方，增强 0.1T 的收益面最广；
- 它是技术难度最高的档位：从 0.1T 到"诊断可用"的跨度远大于 3T→7T，模型要跨越的信噪比与对比度鸿沟最大。
取舍悖论：最重要的任务（低场增强）拥有最少的训练数据（100 例）。这正是该挑战赛留给参赛者的核心难题——如何在低场样本稀缺下做出可用的增强模型。可能的路径包括：非配对/自监督预训练、跨场强知识迁移（用高场数据学先验）、以及合成低场仿真数据增强。
§27 深度专题 P：条目自身的可信度边界
作为 AI-Ready Wikipedia 条目，本条目也需声明自身的可信度边界：
| 边界类型 | 说明 |
|---|---|
| 时点边界 | 全部事实以 2026-10-08 抓取为准，官方页面更新后可能失效 |
| 预算边界 | 受网络预算限制（WebSearch 2/3、WebFetch 3/6），未穷尽所有一手来源 |
| 解析边界 | 22 作者名单、14 核团名单、Synapse 条目 URL 未逐条解析（附录 J） |
| 推断边界 | images/case 口径、49 checkpoint 组织方式为合理推断（§23 C 级证据） |
| 语言边界 | 中文写就，术语首现附英文；英文原义以官方来源为准 |
| 引用边界 | 不构成任何数据访问授权；获取须走官方 Synapse 流程 |
正确用法：把本条目当作"索引与导读"，把官方页面、arXiv 论文与 Zenodo 记录当作"最终依据"。任何与官方页面冲突之处，以官方为准。
§28 结语：一个条目的三层意义
MRIxFields2026 在本库中的意义可归纳为三层：
- 数据层：它是库内首个覆盖 0.1T–7T 全梯度的跨场强脑 MRI 挑战赛数据集，填补"场强维度"空白；
- 方法层：它把"条件流匹配 + 统一任意到任意翻译"的方法命题带给研究者，并提供 49 checkpoint 的强基线对照；
- 范式层：它展示了"数据门控 + 方法全开"的可获取性设计，为库内其他高合规要求数据集提供了开放范式模板。
三层的共同指向是：在数据合规约束下，如何最大化一个数据集对 AI 研究的可用性。MRIxFields2026 给出的答案是——把能开放的（代码、权重、协议、方法）做到极致开放，把必须受控的（患者脑影像本体）交给规范化平台治理，再用多指标评测把"跨场强翻译"变成一个可比较、可排名、可复现的科学问题。
附录
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| 条目名 | MRIxFields2026 |
| url_name | mrixfields |
| 类型 | 挑战赛数据集 + 基线方法 + 评测协议（三合一） |
| 官方站点 | https://mrixfields.chihucloud.com/ |
| 代码仓 | https://github.com/MRIxFields/MRIxFields2026（MIT） |
| 基线权重 | HuggingFace mrixfields/MRIxFields2026-Baseline（MIT，49 ckpt） |
| 元数据 DOI | 10.5281/zenodo.19847223 |
| 方法论文 | arXiv 2609.00960 |
| 场强 | 0.1T / 1.5T / 3T / 5T / 7T |
| 模态 | T1W / T2W / T2FLAIR |
| 规格 | NIfTI 364×436×364 @ 0.5mm MNI float32 |
| 抓取时点 | 2026-10-08 |
| 库内互链 | ixi-brain(482) / oasis 类目 / brats 类目 / mri 根节点 |
附录 B：DAIMS 评估全表
| 维度 | 评分（1-10） | 依据 |
|---|---|---|
| D 可发现性 | 8 | 官网 + GitHub + HuggingFace + Zenodo 四源可索引；挑战赛论文待发略降 |
| A 可获取性 | 5 | 数据本体 Synapse 门控（申请制）是最大失分项；但代码与权重 MIT 直链部分补偿 |
| I 可互操作 | 8 | NIfTI 标准格式 + MNI 空间 + float32，与主流脑影像工具链（FSL/ANTs/nibabel）天然兼容 |
| M 元数据质量 | 7 | 官网给出规格/ID 分块/任务/指标；但规模双口径与 Task 1 例数冲突是减分项 |
| S 可持续性 | 7 | 依托 Synapse（Sage Bionetworks）基础设施稳定；挑战赛结束后托管持续性待观察 |
| 综合评级 | 7.0/10（中上） | 规格标准化与代码开放度高；可获取性被门控数据拖低，双口径冲突影响元数据得分 |
附录 C：逐项证据链自证
| 关键数字 | 来源 | 位置 |
|---|---|---|
| 0.1T/1.5T/3T/5T/7T 五档 | 官网 data.html | mrixfields.chihucloud.com |
| ID 0001–1056 分块 | 官网 data.html | 同上 |
| 前瞻 0001–0040（40 志愿者） | 官网 data.html | 同上 |
| 364×436×364 @ 0.5mm MNI float32 | 官网 | 同上 |
| Zenodo v1 / 2026-04-28 / 22 作者 | Zenodo records/19847223 | Zenodo |
| DOI 10.5281/zenodo.19847223 | Zenodo | 同上 |
| MIT 许可（代码） | GitHub MRIxFields/MRIxFields2026 | GitHub |
| 49 checkpoint / MIT（权重） | HuggingFace mrixfields/MRIxFields2026-Baseline | HF |
| 条件流匹配基线 | arXiv 2609.00960 | arXiv |
| 2500+/600 vs 500/200 双口径 | 官网 vs Zenodo 描述 | 双源对照 |
附录 D：数据获取决策树
需求是什么？
├── 只想复现基线模型
│ └── HF mrixfields/MRIxFields2026-Baseline（MIT，49 ckpt，直链）
├── 想参赛 / 训练自己的翻译模型
│ ├── 1) 注册 Synapse 账号
│ ├── 2) 申请 MRIxFields2026 条目访问（通过后下载 NIfTI）
│ └── 3) 拉 GitHub 代码 + 加载 HF 权重搭管线
├── 只想引用方法
│ └── 引 arXiv 2609.00960（注明挑战赛论文 LNCS 待发）
└── 只想引用规模
└── 用 1056 例（回顾）+ 40 志愿者（前瞻），注明口径来源
附录 E：三任务速查
| 任务 | 输入 | 输出 | 主要指标 |
|---|---|---|---|
| Task 1 超高清合成 | 低/常规场 | 高场（如 7T） | nRMSE / SSIM / LPIPS / Dice |
| Task 2 低场增强 | 0.1T | 诊断可用水平 | nRMSE / SSIM / LPIPS / Dice |
| Task 3 统一任意到任意 | 任意场强/模态 | 任意场强/模态 | 五指标 + rank-summation |
附录 F：五指标速查
| 指标 | 方向 | 补什么 |
|---|---|---|
| nRMSE | ↓ | 像素精度 |
| SSIM | ↑ | 结构相似 |
| LPIPS | ↓ | 感知质量 |
| Dice（14 核团） | ↑ | 下游分割可用性 |
| Volume Consistency | ↑ | 解剖学合理性 |
| 综合 | rank-summation | 防单指标偏科 |
附录 G：术语表
| 术语 | 英文 | 释义 |
|---|---|---|
| 磁场强度 | field strength | MRI 主磁场强度，以特斯拉（T）计 |
| 低场 MRI | low-field MRI | 0.1T 量级的便携/床旁 MRI |
| 超高场 | ultra-high-field | 7T 及以上的研究级 MRI |
| 跨场强协调 | cross-field harmonisation | 使不同场强图像可比/可互换 |
| 图像翻译 | image translation | 由一个域映射到另一个域的生成任务 |
| 条件流匹配 | conditional flow matching | 以条件约束的概率流生成框架 |
| 深部灰质核团 | deep gray matter nuclei | 丘脑/基底节等深部灰质结构 |
| 体积一致性 | volume consistency | 翻译前后结构体积的稳定性 |
| 排名求和 | rank-summation | 各指标排名相加定综合名次 |
| MNI 空间 | MNI space | 蒙特利尔神经研究所标准脑空间 |
| NIfTI | NIfTI | 神经影像常用文件格式（.nii/.nii.gz） |
| 门控获取 | gated access | 需申请/审批的数据访问模式 |
| 前瞻配对 | prospective paired | 同一受试者跨设备采集成对 |
| 回顾非配对 | retrospective unpaired | 既有队列单设备采集、无配对 |
| 流动志愿者 | travelling volunteers | 跨多台扫描仪重复扫描的受试者 |
附录 H：场强-模态-任务对照
| 场强 | 可作为 Task 1 输入 | 作为 Task 1 目标 | 作为 Task 2 输入 | 参与 Task 3 |
|---|---|---|---|---|
| 0.1T | 是 | 否 | 是（核心） | 是 |
| 1.5T | 是 | 否 | 否 | 是 |
| 3T | 是 | 是 | 否 | 是 |
| 5T | 是 | 是 | 否 | 是 |
| 7T | 是 | 是（核心） | 否 | 是 |
附录 I：与前序 MRI 数据集的定位对比
| 维度 | 单场强脑 MRI 集（如 IXI） | MRIxFields2026 |
|---|---|---|
| 场强维度 | 1 档 | 5 档（0.1T–7T） |
| 模态 | 多模态 | 三模态（T1W/T2W/T2FLAIR） |
| 配对性 | 不强调 | 前瞻配对 + 回顾非配对混合 |
| 任务 | 分割/配准 | 翻译 + 协调 + 下游分割 |
| 获取 | 多为公开直链 | Synapse 门控 |
| 评测 | 单任务指标 | 五指标 + rank-summation |
附录 J：遗留疑点清单（与 §9 对照）
| 编号 | 疑点 | 状态 |
|---|---|---|
| 1 | Zenodo 22 作者完整名单、通讯作者、主办 PI | 未逐条解析（网络预算耗尽） |
| 2 | 挑战赛 LNCS 论文卷期/DOI | 尚未发布（抓取时点未见） |
| 3 | Synapse 数据本体条目 URL、申请表单页 | 门控不可直读，未实抓确认 |
| 4 | 0.1T/5T 扫描仪具体型号与机构归属 | 未逐条确认 |
| 5 | 14 个深部灰质核团完整名单 | 未逐条抓取 |
附录 K：致引用者
引用本条目时，请：① 规模数字注明口径（1056 例/40 志愿者为 case 口径）；② Task 1 验证集例数注明来源（255 或 225）；③ 挑战赛论文注明 LNCS 待发；④ 数据许可以 Synapse 申请时同意的条款为准；⑤ 代码与权重引用 MIT。本条目的全部事实以 2026-10-08 抓取时点为准，官方页面后续更新可能导致数字变动。
附录（续）
附录 L：场强 × 模态 × 任务 全组合表
| 场强 | T1W | T2W | T2FLAIR | 可用作源域 | 可用作目标域 |
|---|---|---|---|---|---|
| 0.1T | ✓ | ✓ | ✓ | ✓（Task 1/2/3） | ✓（Task 3） |
| 1.5T | ✓ | ✓ | ✓ | ✓ | ✓ |
| 3T | ✓ | ✓ | ✓ | ✓ | ✓ |
| 5T | ✓ | ✓ | ✓ | ✓ | ✓ |
| 7T | ✓ | ✓ | ✓ | ✓（Task 3） | ✓（Task 1/3） |
共 15 个"场强 × 模态"域，任意两域间构成 15×13=195 个有向翻译对（同域翻译无意义）——这正是 Task 3"统一条件模型"要覆盖的组合空间，也解释了为什么"逐对训练"代价高昂（§5.5、§12.1）。
附录 M：Task 3 组合空间的计算
| 组合类型 | 计算 | 数量 |
|---|---|---|
| 源域数 | 5 场强 × 3 模态 | 15 |
| 目标域数 | 5 × 3 | 15 |
| 有向翻译对 | 15 × (15 − 1) | 210 |
| 若限定同模态 | 5 × 4 × 3 | 60 |
| 若限定相邻场强 | — | 视定义 |
这张表的意义：Task 3 的"任意到任意"在实际评测中通常会子集化（限定同模态或相邻场强），否则组合空间过大、评测成本高。使用时须核对官方当轮的具体评测子集。
附录 N：五指标的计算要点
| 指标 | 计算要点 | 常见错误 |
|---|---|---|
| nRMSE | 先归一化再算 RMSE；归一化方式须声明 | 不归一化直接比 → 跨样本不可比 |
| SSIM | 窗口大小与常数影响结果；须固定参数 | 换参数后与其他论文不可比 |
| LPIPS | 依赖预训练骨干（AlexNet/VGG）；须声明 | 不同骨干结果不可比 |
| Dice | 14 核团分别算后平均/或分层报告 | 只报平均 → 被大核团主导 |
| Volume Consistency | 翻译前后结构体积的相对变化 | 不报基线体积 → 无法判断漂移程度 |
附录 O：数据申请流程建议（参考）
1) 访问 Synapse 官网注册账号（需邮箱验证）
2) 搜索条目 "MRIxFields2026"
3) 提交访问申请：填写机构、用途、研究计划
4) 签署数据使用协议（DUA）
5) 等待审批（周期视组织方而定）
6) 通过后下载 NIfTI 数据，遵守协议限制
7) 训练/评测完成后，按协议要求报告或引用
上述为 Synapse 平台通用流程示意，非官方条款，实操以 MRIxFields2026 官方页面与 Synapse 条目为准。
附录 P：常见问题速答
| 问题 | 速答 |
|---|---|
| 数据能商用吗？ | 门控数据受 DUA 约束，商用须依条款确认；代码/权重 MIT 可商用 |
| 有公开直链吗？ | 数据无；代码与 HF 权重有 |
| 必须参赛才能用吗？ | 不一定，但访问需申请，用途可能受协议限制 |
| 能做非脑部位吗？ | 数据集限定脑 MRI |
| 基线是统一模型吗？ | 否，49 checkpoint 提示为模型组（§5.8） |
| 规模到底多少？ | 依口径：1056 例/40 志愿者（case）或 2500+/600（images） |
| 论文能引吗？ | 方法引 arXiv 2609.00960；挑战赛论文 LNCS 待发 |
附录 Q：坑点档案（与 §10 对照）
| 编号 | 坑 | 一句话记忆点 |
|---|---|---|
| 坑 1 | 名称 | 用 MRIxFields2026，别用描述词当名 |
| 坑 2 | 规模双口径 | images ≠ case |
| 坑 3 | 志愿者数 | 40 志愿者，600 是 images |
| 坑 4 | Task 1 验证集 | 255 还是 225，看当轮说明 |
| 坑 5 | 无直链 | 数据在 Synapse 门控 |
| 坑 6 | 0.5mm 非原生 | 统一规格是上采样结果 |
| 坑 7 | 基线非单模型 | 49 checkpoint 是模型组 |
| 坑 8 | 论文待发 | LNCS 卷期未定 |
附录 R：检索决策树
要搜什么？
├── 数据集本体
│ └── "MRIxFields2026" 或 "MRIxFields"（核对 mrixfields.chihucloud.com）
├── 方法/基线
│ └── "Conditional Flow Matching cross-field MRI" / arXiv 2609.00960
├── 数据获取
│ └── "Synapse MRIxFields"（门控，非直链）
├── 元数据
│ └── "Zenodo 19847223" / DOI 10.5281/zenodo.19847223
├── 代码
│ └── "github MRIxFields MRIxFields2026"
└── 权重
└── "huggingface mrixfields MRIxFields2026-Baseline"
附录 S：版本与更新记录
| 项 | 内容 |
|---|---|
| 条目抓取时点 | 2026-10-08 |
| Zenodo 版本 | v1（2026-04-28） |
| 方法论文 | arXiv 2609.00960（2026-09） |
| 挑战赛论文 | LNCS proceedings（待发） |
| 条目作者 | 千方病案医数集（AI-Ready Wikipedia 写手代理 agent-c-mrixfields） |
| 建议复审 | 官方数据划分更新或 LNCS 论文发布时 |
附录 T：与库内 PANDA-PLUS 条目的结构对照
| 维度 | PANDA-PLUS | MRIxFields2026 |
|---|---|---|
| 类型 | 数据集+方法+基准 | 挑战赛数据集+基线+评测 |
| 模态 | 病理 WSI | 脑 MRI |
| 变化轴 | 标注粒度（slide→pixel） | 场强 × 模态 |
| 获取 | 请求制（掩码）+ 直链（Bench） | 平台门控（Synapse）+ 直链（代码/权重） |
| AI-Ready 结构 | 本体保守、衍生开放 | 数据保守、方法开放 |
| 综合评级 | 6.6/10 | 7.0/10 |
两者共同展示了"本体保守、外围开放"的双轨范式在库内的两次实例化，互为参照（§9.4）。
附录 U：受众画像与推荐入口
| 受众 | 最相关章节 | 一句话收获 |
|---|---|---|
| 图像翻译研究者 | §5、§12、§14 | Task 3 的统一条件翻译命题 |
| 低场 MRI 开发者 | §0、§7.4、§17.2 | 0.1T 增强的临床意义与幻觉风险 |
| 多中心研究团队 | §13、§17.1 | 配对数据的稀缺性与纵向校正 |
| 数据集方法学者 | §4、§16、§18 | 双口径与可获取性设计 |
| 临床研究者 | §5.7、§18 | 深部核团体积一致性的临床价值 |
附录 V：数值一致性核验总表
| 核验项 | 等式 | 是否成立 |
|---|---|---|
| 配对 images | 40 × 5 × 3 = 600 | ✓ 与官网一致 |
| Task 1 验证集（口径一） | 17 × 5 × 3 = 255 | ✓ 与任务页一致 |
| Task 1 验证集（口径二） | 15 × 5 × 3 = 225 | ✓ 与分割说明一致 |
| 回顾 ID 总数 | 100+228+143+266+319 = 1056 | ✓ 与 ID 区间一致 |
| 域总数 | 5 × 3 = 15 | ✓ |
| 有向翻译对 | 15 × 14 = 210 | ✓ |
本表是全文数字自洽性的最终检查，任何引用前建议对照本表确认口径（§4.6、附录 C）。
附录 W：术语索引（中→英）
| 中文 | 英文 |
|---|---|
| 磁场强度 | field strength |
| 低场 | low-field |
| 超高场 | ultra-high-field |
| 协调 | harmonisation |
| 图像翻译 | image translation |
| 条件流匹配 | conditional flow matching |
| 深部灰质核团 | deep gray matter nuclei |
| 体积一致性 | volume consistency |
| 排名求和 | rank-summation |
| 流动志愿者 | travelling volunteers |
| 门控获取 | gated access |
| 数据使用协议 | Data Use Agreement (DUA) |
| 前瞻配对 | prospective paired |
| 回顾非配对 | retrospective unpaired |
| 归一化均方根误差 | normalized RMSE |
| 结构相似性 | structural similarity |
| 学习感知相似度 | learned perceptual similarity |
附录 X：一句话风险提示
| 风险 | 提示 |
|---|---|
| 幻觉风险 | 低场增强可能"补"出不存在结构，临床使用前必须审计 |
| 口径风险 | 规模/验证集/归一化三处口径，引用前必查 |
| 合规风险 | 门控数据不得二次分发，模型权重发布须依条款 |
| 泛化风险 | 三家厂商设备差异可能大于场强差异，跨中心需验证 |
| 时效风险 | 数据划分与论文状态会更新，以官方最新为准 |
附录（续二）
附录 Y：逐章内容速查（导航表）
| 章 | 标题 | 一句话内容 |
|---|---|---|
| §0 | 导读 | 跨场强 MRI 的问题背景与三条读法 |
| §1 | 速览十问 | 性质/场强/模态/规格/任务/指标/基线/获取 |
| §1.5 | 技术细节二十问 | 规格选择、上采样、配对用途等细节 |
| §2 | 数据构成与规格 | 五档场强、三模态、配对/非配对、规格表 |
| §2.7 | 物理背景 | SNR/弛豫/伪影随场强的变化 |
| §2.9 | 数据流示例 | 从采集到排名的完整链路 |
| §3 | 组织与协作 | 挑战赛定位、任务分工、作者团队 |
| §3.5 | 运转周期 | 数据发布→训练→验证→测试→报告 |
| §4 | 规模与双口径 | 硬数字 + 两处双口径存照 |
| §4.5 | 编号体系 | 按场强分块编号的工程价值 |
| §4.6 | 一致性检查 | 数字自洽性核验 |
| §5 | 任务评测与基线 | 三任务、五指标、rank-summation、CFM 基线 |
| §5.6 | LPIPS | 感知质量指标的意义 |
| §5.7 | 深部核团 | Dice/体积一致性的临床价值 |
| §5.8 | 49 checkpoint | 基线结构的推断 |
| §6 | 获取与许可 | 三层资产、Synapse 门控、版本链 |
| §6.6 | Synapse 背景 | 平台机制与选择理由 |
| §6.7 | 合规清单 | 申请到再分发的要点 |
| §7 | 生态与定位 | 数据集谱系、低场临床推力 |
| §7.4 | 临床价值 | 基层→中心、多中心、设备升级 |
| §7.5 | 边界 | 数据集不做什么 |
| §8 | 使用建议 | 实操要点、工程细节、误用模式 |
| §9 | 库内关系 | 家族图谱、检索路径、互链点 |
| §10 | 避坑清单 | 八个坑 |
| §11 | 总结 | 三句话、适合谁、决策卡 |
| §12-§28 | 深度专题 | 算法谱系/配对设计/指标陷阱/复现/开放问题等 |
附录 Z：本文档校验状态
| 校验项 | 状态 |
|---|---|
| 行数区间（1200-1900） | 符合 |
| frontmatter 必需字段 | 齐备 |
| schema_org 节点（graph/MedicalWebPage/Dataset/cr:RecordSet/rai:dataLimitations） | 齐备 |
| 必需章节 §0-§10 | 齐备 |
| 坑点数量（≥6） | 8 个 |
| DAIMS 表 | 含 |
| category_tags 受控词表 | 5 个，均在词表内 |
| 代码块围栏配对 | 配对 |
| YAML 解析 | 见 §6 汇报 |
附录 AA：引用格式建议
数据集：MRIxFields2026. Cross-Field MRI Harmonisation and Translation Challenge.
MICCAI 2026 Satellite Challenge. DOI: 10.5281/zenodo.19847223.
方法： Conditional Flow Matching for Cross-Field MRI Harmonisation. arXiv:2609.00960.
代码： https://github.com/MRIxFields/MRIxFields2026 (MIT).
权重： https://huggingface.co/mrixfields/MRIxFields2026-Baseline (MIT).
附录 AB：给主会话的互链建议
| 建议互链条目/类目 | 关系类型 | 说明 |
|---|---|---|
| ixi-brain（rid 482） | 同类上游 | 单场强多模态脑 MRI |
| oasis 类目 | 同类 | 脑 MRI 队列 |
| brats 类目 | 下游共享 | 脑 MRI 分割评测传统 |
| fastmri 类目（若有） | 方法交叉 | MRI 重建挑战赛 |
| mri 模态根节点 | 上位 | MRI 模态聚合 |
| 图像翻译/超分辨率类目 | 方法交叉 | 翻译类方法 |
rid 一律以主会话 DB
url_name反查为准；本条目不写死未知 rid（铁律：禁数据库写入）。
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：
- ulf-enc — 共享标签：医学影像 / MRI / 脑影像 / 挑战赛数据集 / 评测基准
- realnoisemri — 共享标签：医学影像 / MRI / 脑影像 / 挑战赛数据集 / 评测基准
- isles-2026 — 共享标签：医学影像 / MRI / 脑影像 / 挑战赛数据集 / 评测基准
- mr-art — 共享标签：医学影像 / MRI / 脑影像 / 评测基准
- ixi-brain — 共享标签：医学影像 / MRI / 脑影像
- mamasynth — 共享标签：医学影像 / MRI / 挑战赛数据集 / 评测基准
- bfa — 共享标签：医学影像 / MRI / 脑影像 / 评测基准
- aims-tbi — 共享标签：医学影像 / MRI / 脑影像 / 挑战赛数据集
- mitoem — 共享标签：医学影像 / 脑影像 / 挑战赛数据集 / 评测基准
- tus-rec — 共享标签：医学影像 / 挑战赛数据集 / 评测基准
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
