MyoPS (myops) — AI-Ready Wikipedia

INFOBOX — MyoPS 一屏速览

维度	内容
本质	MICCAI 挑战赛数据集家族：多序列 CMR 心肌病理分割（scar 瘢痕 + edema 水肿），“Myo”=心肌（myocardium）不是肌肉
组织方	复旦大学庄吓海（Xiahai Zhuang）组；两届主干：MyoPS 2020（MICCAI 2020 首届）+ CARE MyoPS++ 2024（MICCAI 2024 CARE track4）
三序列	bSSFP（C0，解剖边界）/ LGE（DE，钆延迟强化看瘢痕）/ T2-weighted（看水肿）；MvMM 预对齐到公共空间
2020 数据	45 例急性心肌梗死（AMI）患者三序列配齐 = 25 训练（公开金标准）+ 20 测试（加密金标准）；训练 306 个 2D 切片（102×3）
标签值	NIfTI 整数编码：scar=2221 / edema=1220 / normal=200 / LV pool=500 / RV pool=600（共 5 类勾画，比赛只评 scar+edema）
2024 数据	250 患者 / 7 中心（中法英）= 145 三序列 + 24 bSSFP+LGE + 81 仅 LGE；训练 200（中心 A,B,C,E,F,G）+ 验证/测试各 25（中心 D）
2024 升级	真实世界三大挑战：缺失序列、未对齐、多中心；发布对齐/未对齐两版；规则仅自动方法、禁预训练模型与外部数据
运营数字	2020：76 注册申请 / 65 队参赛 / 23 份测试提交 / 15 支算法入选公开基准；每队测试提交≤2 次；CMT 平台
基准结果	15 法平均 Dice scar 0.614 / edema 0.644；像素精度 scar 83.6% / edema 74.3%；冠军 UESTC scar 0.708 / edema 0.731
病理洞察	edema 大而连续易分（Dice 高）；scar 斑块状、不规则难分；基底部/心尖部层面显著差于中层
金标准	三名独立受训观察者逐层勾画取平均；45 例全男性（45M/0F，56.2±7.92 岁）——偏倚存照
基准论文	arXiv:2201.03186（2022）；4 篇必引：Zhuang 2019 TPAMI（MvMM）/ Li 2023 MedIA / Qiu 2023 MedIA（MyoPS-Net）/ Ding 2023 IEEE TMI
获取	2020 训练集官方页公开下载；测试金标准加密+评估工具箱随包发布（注册可下）；CARE 2024 需注册+签 data agreement
库内互链	ACDC（rid 511）、M&Ms（516）、M&Ms-2（682）、EMIDEC（696）、CMRxRecon（506）、CMRxMotion（687）、CHAOS（337）等 14 条

MyoPS 是心脏影像分割里"换一个考题"的转折点数据集：此前的 ACDC、M&Ms 系列考的是"把心肌画出来"（结构分割），MyoPS 考的是"心肌里哪里坏了"（病理分割）——在 bSSFP、T2-weighted、LGE 三个磁共振序列上，同时定位急性心肌梗死后的水肿（edema）与瘢痕（scar）。单看任何一个序列这题都近乎无解：bSSFP 看不清病理、T2 与 LGE 又各有伪影，只有把三个序列的信息融合起来才可能做出可靠分割。这使它成为多模态医学图像融合分割的标准考题，也把"序列缺失、空间未对齐、多中心异质"这些真实世界的麻烦（CARE MyoPS++ 2024 的三大升级）第一次系统性地搬上了 MICCAI 舞台。

它的第二个身份同样重要：方法学的孵化器。围绕它诞生的 MvMM 理论（TPAMI 2019）、15 法公开基准（MedIA 2023）、官方 scribble 弱监督标注（2022-2023）、加密金标准自评模式，各自都被后续挑战赛反复借用。换句话说，MyoPS 对社区的价值一半在数据本身，一半在它示范的"挑战赛工程学"。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——注意 2020 测试金标准是加密的、自评靠官方工具箱；CARE 2024 要注册签协议。
2. 关心标签怎么读：直奔 §4 任务与标注——标签值编码 2221/1220/200/500/600 是 NIfTI 整数标签值不是切片数，读错是最高频事故（坑 2）。
3. 对标性能：直奔 §7 基准与评估——15 支算法的 Dice 分布与"edema 比 scar 好分"的结构性结论可直接引用。

一个定位提醒放在最前面：MyoPS 不是"更大的 ACDC"。ACDC(511) 型数据集的价值密度在"样本量×结构标签"，MyoPS 的价值密度在"任务难度×标注协议×评测纪律"。如果你找的是结构分割练手数据，请直接用 ACDC；如果你要做的是多序列融合、病理分割、真实世界鲁棒性中的任何一个，MyoPS 是库内最对口的选择——这也是本条目把两届挑战当作一个演进故事来写的原因。

§0 导读：这个数据集解决什么问题

先看临床背景。急性心肌梗死（AMI）是全球头号死因，患者存活后的核心预后变量是"梗死范围"与"残余可挽救心肌"——前者决定射血分数的下限，后者决定再血管化与抗心衰治疗还能挽回多少。影像学界为这两个变量准备了两个序列：LGE-CMR 上延迟强化的区域对应瘢痕（不可逆坏死），T2-CMR 上高信号的区域对应水肿（可逆损伤，即 area at risk）。指南推荐二者联合使用，但临床实践仍以医生目测半定量（17 节段评分）为主——自动分割若要落地，必须同时处理三个序列各自的短板：bSSFP（steady-state free precession，稳态自由进动）对比度稳定、能画准心肌边界，但对病理不敏感；T2 加权对水肿敏感但信噪比低、易受血流伪影影响；LGE 对瘢痕敏感但需要造影剂、且会同时点亮血池，心肌边界反而模糊。

多序列融合的学术困难在于：三个序列的采集时间、空间对应、强度分布都不同，"融合"发生在什么层级（像素级早期融合、特征级中期融合、决策级后期融合）至今没有共识答案。MyoPS 把这个问题变成了一个可量化的公开竞赛：固定数据、固定切分、固定评测器，让全世界的融合方案在同一坐标系下比武——这正是 MICCAI 挑战赛制度对医学 AI 的核心贡献。

MyoPS 的方法论主张是：病理分割不可能在单一序列上做好，必须在多序列融合框架下完成。它的理论根基是庄吓海组 2019 年发表于 IEEE TPAMI 的 MvMM（Multimodal Varying Manifold Model，多模态变化流形模型）——一个把不同模态图像联合配准与分割统一起来的概率框架。MyoPS 2020 的所有训练与测试数据都预先用 MvMM 对齐到公共空间，把"配准"这个变量先固定下来，让参赛者专注"融合分割"；到 2024 年的 CARE MyoPS++ 届，主办方反过来把对齐也撤掉——发布对齐与未对齐两版数据——让"多序列未对齐"成为考题本身的一部分。

对 AI-Ready 而言，MyoPS 的价值在三点：其一，它是心肌病理分割方向规模最大的公开标注资源（两届合计 295 例患者、标注覆盖 5 类结构）；其二，它自带加密金标准+官方评估工具箱的自评闭环，训练-测试分离的纪律性在医学数据集中属第一梯队；其三，它的两届演进（2020 理想化条件 → 2024 真实世界条件）构成一条罕见的"从实验室到临床"的难度升级链，为评估算法的临床就绪度提供了天然的阶梯。

§0 读法三则：

1. 本条目把 MyoPS 2020 与 CARE MyoPS++ 2024 当作一个数据集家族的两代主干来写；检索时若遇到"MyoPS 2022"字样，四轮核查未发现独立届次的直接证据（§9.4 与待核存照），请勿将其当作独立数据集引用。
2. 全文数字以 2026-09-27 抓取的官方页与基准论文为准；"25 训练+20 测试"是修正后口径（早期网络流传的"45 训练"是错误的，坑 1）。
3. 若你的任务是"心脏结构分割"而非"病理分割"，本数据集的 LV/RV/normal 心肌标签可以拿来用，但要清楚官方评测从不含这三类（§4.3）。

§1 数据集速览：十问十答

Q1：MyoPS 到底是肌肉还是心肌？
心肌。MyoPS = Myocardial Pathology Segmentation（心肌病理分割），与骨骼肌（muscle）无关。任务简报里"肌肉 MRI 微结构挑战"是误称，已在 FACTS 档案双口径存照。如果你带着"肌肉"预期来用这批数据，会在第一眼看到心脏短轴环时就对不上号。词源上"Myo-"在医学语境里既可指肌（myo-metry 子宫肌层）也可指心肌（myo-cardium），但 MyoPS 的官方全称写明 myocardial——一切以全称为准，缩略词不背锅。

Q4：金标准怎么产生的？
三名独立受训观察者对每层逐层勾画 5 类结构（LV/RV 血池、normal 心肌、edema、scar），取平均作为金标准。标签以 NIfTI 整数值编码：scar=2221、edema=1220、normal myocardium=200、LV blood pool=500、RV blood pool=600。"取平均"而非"多数投票"意味着金标准边界是平滑的概率共识——它比单观察者边界更稳定，但也让"硬边界评估"的解读要留余量（§4.5）。

Q2：数据规模到底多大？
两届主干：MyoPS 2020 = 45 例 AMI 患者三序列配齐（25 例训练带公开金标准 + 20 例测试金标准加密）；CARE MyoPS++ 2024 = 250 例患者、7 个中心（中法英），其中 145 例三序列配齐、24 例 bSSFP+LGE 双序列、81 例仅 LGE。两届合计 295 例患者。若把官方衍生的 scribble 标注口径（20/5/20）也算入生态，还有一整套弱监督切分可查（§4.4）——但注意它不是挑战赛口径，两套数字不可混用。

Q3：每个病例长什么样？
2020 届：每个病例 3 个 .nii.gz 短轴体数据（C0=bSSFP、DE=LGE、T2），每个序列 2-6 层、屏气采集、三序列同一心动周期完成；训练 25 例共 306 个 2D 切片（102 例×3 序列）。层厚 12-23 mm、层间距大——这是"稀疏堆叠切片"而非连续 3D 体。实用含义：一个"病例"在内存里其实是 3 个很薄的层堆，做 3D 卷积前先想清楚层间间隔（约 15 倍于面内分辨率）意味着什么。

Q4：金标准怎么产生的？
三名独立受训观察者对每层逐层勾画 5 类结构（LV/RV 血池、normal 心肌、edema、scar），取平均作为金标准。标签以 NIfTI 整数值编码：scar=2221、edema=1220、normal myocardium=200、LV blood pool=500、RV blood pool=600。

Q5：比赛评什么？
虽然勾画了 5 类，官方评测只聚焦心肌病理两类：scar 与 edema 的 Dice（部分场合报告 Jaccard/精确率/召回率）。LV、RV、normal 三类是"白送"的辅助标注，可用于结构分割预训练，但不计入比赛排名。这个"5 类勾画、2 类计分"的设计后来被多个病理分割挑战沿用：既保证掩码的解剖完备性，又把排名焦点锁定在科学问题上。

Q6：2024 届升级了什么？
三大真实世界化：序列缺失（250 例中 105 例不全配齐）、空间未对齐（发布对齐/未对齐两版，测试提交用对齐版）、多中心异质（7 中心，训练与验证/测试来自不同中心——中心 D 独占验证与测试各 25 例）。规则同时收紧：仅自动方法、禁外部数据、禁预训练模型。三条规则合起来的效果是：把 2020 届那些依赖"大数据预训练+人工后处理"的取巧路径全部封死，逼算法在 200 例真实世界数据上裸奔。

Q7：最好的方法做到多少分？
2020 届 15 支入选算法平均：scar Dice 0.614、edema Dice 0.644；像素精度 scar 83.6%、edema 74.3%。冠军 UESTC 队 scar 0.708 / edema 0.731。对照结构分割（ACDC 心肌 Dice 普遍 0.9+）可以感到病理分割的难度量级——同一颗心脏，"画出来"与"看出病"之间隔着 0.2 个 Dice 点。

Q8：为什么 edema 反而比 scar 好分？
基准论文的病理学解释：水肿区域大而连续、与正常心肌边界相对清楚；瘢痕呈斑块状、散在分布、边界不规则，且部分瘢痕在非 LGE 序列上几乎不可见。基底部与心尖部层面的表现系统性差于中层——这些层面心肌薄、部分容积效应强。临床含义正好相反：越难分的 scar 恰恰是预后最关键的变量——模型最需要精确的地方正是它最弱的地方，这是把 MyoPS 用于真实报告前必须正视的落差。

Q9：我现在能拿到什么？
2020 届：训练 25 例+金标准官方页公开下载；测试 20 例图像公开、金标准加密发布（*_gdencrypt.nii.gz）配官方评估工具箱（MyoPS2020_EvaluateByYourself），注册后可下载自评。CARE 2024 届：注册+评估平台获取，需签 data agreement。三句话总结获取策略：训练开箱即用、测试自评闭环、2024 走协议流程——三条路径的门槛依次升高，但可复现性纪律也依次增强。

Q10：它对 AI-Ready 的启示是什么？
MyoPS 展示了"挑战赛式 AI-Ready"的标准动作：固定切分+公开训练标签+加密测试标签+官方评估器，让任何人在不接触测试金标准的情况下复现榜单。同时它也示范了标签值编码、稀疏切片、多版本（对齐/未对齐）发布等工程细节——每一条都在本条目的避坑清单里有对应说明。对照库内 DAIMS 评估（附录 B），它的短板在可获取性（6/10）与许可透明度，长板在工程纪律与评估闭环——这个组合本身就是"AI-Ready 不等于 open license"的最佳教案。

§2 数据构成与规格

2.1 MyoPS 2020：45 例的理想化 cohort

MyoPS 2020 的数据来自复旦大学附属中山医院连续采集的 45 例急性心肌梗死患者，论文口径为"directly collected from the clinic without any selection"——没有按梗死范围、年龄或影像质量做选择，是常规临床工作流里自然流出的连续样本。全部 45 例在同一心动周期内完成 bSSFP、T2-weighted、LGE 三个序列的短轴屏气采集，覆盖左心室从基底到心尖。

切分口径（修正后）：

子集	例数	序列	金标准	发布形态
训练集	25	C0 + T2 + DE 三序列配齐	公开（train25_myops_gd）	官方页直接下载
测试集	20	C0 + T2 + DE 三序列配齐	加密（*_gdencrypt.nii.gz）	图像公开，金标准随评估工具箱发布
合计	45	—	—	—

早期网络资料曾流传"45 例训练+20 例测试"的说法——这是把总数 45 当成了训练数。45=25+20 才是正确口径，openmedlab 文档、基准论文（arXiv 2302.03537）与 MDPI 引文三方互证（坑 1 详述）。

采集协议层面还有两个对使用者重要的细节：其一，屏气采集——每层都是在患者屏气时获取的，层间无呼吸位移，但屏气时长限制了每次能覆盖的层数（这是 2-6 层的临床原因，不是故意偷工）；其二，三序列同一心动周期——C0、T2、DE 在同一心动周期内先后完成，把心跳相位差也控制住了。这两个协议细节合起来意味着：官方预对齐版里三序列的对应关系是"采集时物理对齐+MvMM 数学对齐"的双重保障，配准误差被压到了本数据集设计的最低点——这也是 2020 届分数可作为"融合算法纯净对照"的原因。

训练 25 例共 306 个 2D 切片：每例每序列 2-6 层短轴，102 例 × 3 序列 = 306。这个"2D 切片堆叠"的体量意味着它远小于连续 3D 心脏 MRI（如 ACDC 每例 28-40 层），做 3D 卷积前必须先想清楚层间间隔（12-23 mm）意味着什么——相邻层之间隔着一大段没采样的心肌。

2.2 体数据规格：稀疏短轴的几何事实

官方公布的体数据统计（基于训练 25 例三序列）：

统计量	spacing（mm，x/y/z）
最小	0.73 × 0.73 × 12
中位	0.73 × 0.73 × 14
最大	0.76 × 0.76 × 23

面内分辨率均匀且高（约 0.75×0.75 mm，MDPI 引文口径），层厚 12-23 mm 且层间距大——典型的临床短轴扫描协议。体数据尺寸从 408×392×2 到 512×511×6 不等：z 轴只有 2-6 层。三条使用含义：

1. 2D 方法是主战场：306 个 2D 切片的训练量对 2D U-Net 变体刚好够用；2020 届 15 支入选算法全部以 2D 或 2.5D 为主干。
2. 3D 方法先天吃亏：z 向感受野没有意义（2-6 层、层间距 15 倍于面内分辨率），伪 3D 只会引入插值伪影。
3. 切片数≠样本数：统计"训练样本量"时要么说 25 例（患者级），要么说 306 切片（切片级），不要混用——跨数据集对比时尤其如此。

补充一个容易被忽略的几何事实：层间距大意味着相邻切片之间可能隔着整段未采样的心肌——基底或心尖区域的相邻两层，中间的病理变化完全没被观测。这对两类工作有直接影响：做逐例体积定量时，体积是"由稀疏层面估计"的（26.1/18.89 cm³ 的中位数是这种估计的产物），不是连续积分；做层间插值可视化时，展示的是几何插值而非真实解剖——两种场合都应在产出物里注明"稀疏采样估计"。

2.3 CARE MyoPS++ 2024：250 例的真实世界 cohort

2024 届（CARE MyoPS++ track4）把规模扩到 250 例患者、横跨中国、法国、英国的 7 个中心，并刻意保留了临床数据的"不完美"：

中心	例数	序列配置	角色
A	81	仅 LGE	训练
B	50	三序列	训练
C	45	三序列	训练
E	7	三序列	训练
F	9	三序列	训练
G	8	三序列	训练
D	50	三序列	验证 25 + 测试 25，不参与训练
合计	250	145 三序列 + 24 bSSFP+LGE + 81 仅 LGE	—

序列构成：145 例三序列配齐 + 24 例 bSSFP+LGE 双序列 + 81 例仅 LGE = 250 例，即 105 例（42%）存在序列缺失。这个设计直接模拟了真实临床里"T2 序列质量差/没扫"的普遍情形——单序列 LGE 分割从"配角"变成"必答题"。

中心分布设计有一个值得注意的不对称：训练用的中心 A 恰好是"仅 LGE"的 81 例独占者，而验证/测试的中心 D 是三序列配齐——主办方用这种划分强制考察"从缺序列训练域到全序列测试域"的泛化。预处理规则：LGE 与 T2 统一取舒张末期帧（避免收缩期心肌厚度变化干扰跨序列对应）；发布 MvMM 预对齐版与未对齐原始版两套，官方测试提交以对齐版为准。

从实验设计角度再读一遍 7 中心分配（A=81/B=50/C=45/D=50/E=7/F=9/G=8）：训练中心规模高度不均衡（E/F/G 三中心合计仅 24 例），这是"多中心数据天然不均衡"的忠实呈现而非设计失误——真实临床网络里就是有大中心与小医院。对使用者的含义：做跨中心实验时按中心分层评估（每个中心单独报分），别只报训练/测试总分——中心级分数的方差本身就是一个值得报告的发现点。

文件命名：[PatientID]_LGE.nii.gz / [PatientID]_T2.nii.gz / [PatientID]_C0.nii.gz + 金标准 [PatientID]_gd.nii.gz——与 2020 届的 myops_train_XXX_C0/DE/T2、myops_test_201-220 编号体系不同，跨届写脚本时不要复用解析逻辑。

2.6 文件命名全景与解析要点

两届命名体系放在一起看：

届次	图像	金标准	编号规则
MyoPS 2020 训练	myops_train_XXX_C0 / _DE / _T2.nii.gz	myops_train_XXX_gd.nii.gz	XXX 为训练编号
MyoPS 2020 测试	myops_test_201-220_C0 / _DE / _T2.nii.gz	myops_test_201_gdencrypt.nii.gz（加密）	201-220 连续编号
CARE 2024	[PatientID]_C0 / _LGE / _T2.nii.gz	[PatientID]_gd.nii.gz	中心相关 PatientID

三条解析要点：其一，2020 届用 DE 代指 LGE（delayed enhancement 的缩写），CARE 届直接用 LGE——读代码/论文时注意这是同一序列的两种叫法；其二，金标准只对训练集明文发布（train25_myops_gd），测试集是 _gdencrypt 后缀，命名后缀本身就是"这个掩码能不能直接读"的判别器；其三，PatientID 在 2024 届可能携带中心信息线索，但不要依赖文件名推断中心归属——官方元数据才是权威来源。

2.4 人口学与偏倚

基准论文（arXiv 2302.03537）Table I 披露 2020 届队列：45 例，年龄 56.2±7.92 岁，45 男 / 0 女——全部为男性。全男性队列在 2020 年的心脏 AI 数据集里并非孤例（ACDC 等也有明显性别不均），但"零女性"意味着：任何以 MyoPS 2020 训练的模型，其对女性患者心脏（平均心腔更小、心率与体型分布不同）的表现完全没有数据支撑。CARE 2024 未在官网披露完整人口学表——使用时把性别泛化问题列入限制声明是稳妥做法。

年龄与临床背景同样值得注意：56.2±7.92 岁是典型的 AMI 高发年龄段（标准差小，队列年龄集中），几乎全部为经典冠心病患者。这意味着用 MyoPS 训练的病理分割模型，面对非典型病因（心肌炎、结节病、肥厚型心肌病继发纤维化）时的表现没有数据支撑——LGE 上这些疾病也会有强化，但分布模式与缺血性瘢痕（冠状动脉供血区分布）不同。引用时把"缺血性病理分割"写准确，不要泛化为"心肌病分割"。

给数据集卡片作者的一个模板化建议：偏倚披露至少写四行——性别（45M/0F）、年龄带（56.2±7.92 岁）、病因（缺血性 AMI 单病因）、地域/设备（单中心 2020 届/七中心 2024 届）。四行写全，下游使用者就能自行判断"我的场景离训练分布有多远"——偏倚披露的目的不是免责，是让下游能做出知情的部署决策。

2.5 与相邻心脏数据集的规格对照

把 MyoPS 2020 放进库内心脏 MRI 数据集的规格坐标系，能看清它的生态位：

条目	例数	序列/模态	标签	z 向层数	任务
MyoPS 2020	45（25+20）	bSSFP+T2+LGE 三序列	5 类（病理计分）	2-6（稀疏）	病理分割
ACDC（rid 511）	100	cine bSSFP	RV/Myo/LV 3 类	28-40（连续）	结构分割+分组
M&Ms（rid 516）	345	多厂商 cine	3 类结构	连续	多中心结构分割
MSCMRseg	45	LGE 为主	3 类结构	稀疏	结构分割
EMIDEC（rid 696）	100	LGE	梗死相关类	连续	梗死表征分割

三条对照结论：其一，MyoPS 是唯一把"病理"写进金标准的 2020 年前心脏挑战数据集（EMIDEC 与它最近但单序列）；其二，它的 z 向层数最稀薄，2D 方法主导有几何必然性；其三，它的例数最小，靠"任务难度+官方自评闭环"而非规模取胜——这三个特征合起来解释了它在方法学论文里"小而关键"的引用地位。

§3 多序列原理与 MvMM：为什么必须三个序列一起看

3.1 三序列的分工与互补

三个序列看的是同一颗心脏的三个侧面：

序列	官方代号	看什么	强项	弱点
bSSFP（balanced SSFP）	C0	解剖结构	血池-心肌对比度高、边界清晰、无造影剂	对病理（水肿/瘢痕）几乎不敏感
T2-weighted	T2	心肌水肿	水肿组织 T2 信号升高，可圈定"风险区"（area at risk）	信噪比低、血流伪影、运动敏感
LGE（late gadolinium enhancement）	DE	心肌瘢痕/坏死	瘢痕组织钆剂滞留呈高信号，瘢痕定量金标准	需造影剂；血池同样高信号，心内膜边界模糊

单序列解题的困境在基准论文里被定量呈现：仅用 bSSFP 时模型根本"看不见"病理区域，仅用 T2 或 LGE 时伪影与血池干扰导致边界系统性漂移。这也是为什么 MyoPS 官方把"多序列融合"写进数据集名称——这不是加分项，是解题的必要条件。

给不熟悉心脏 MRI 的读者一个直观的联合阅读方式：拿到一例数据，先看 C0 环——它是"地图"，告诉你心室腔在哪、心肌壁多厚；再把 T2 环叠上来——心肌壁里发亮的部分是水肿，是"正在受伤"的心肌；最后叠 LGE 环——心肌壁里持续发亮的部分是瘢痕，是"已经死掉"的心肌。理想的算法输出就是把这层视觉推理自动化：以 C0 的边界为骨架、T2 与 LGE 的信号异常为内容，共同决定每个心肌像素的病理状态。值得一提的细节是 LGE 的"血池也亮"：LGE 期血池信号同样高，若算法不先解决"哪是血池哪是心内膜下心肌"，瘢痕（好发于心内膜下）就会被血池淹没——这是两阶段流水线（先 C0 定位再分割病理）在 15 法中成为主流的另一个原因。

3.2 MvMM 预对齐：把配准变量先固定

庄吓海组的 MvMM（Multimodal Varying Manifold Model，IEEE TPAMI 2019, 41(12):2933-2946）是一个联合建模多模态图像配准与分割的概率框架：它把不同模态视为同一底层解剖流形在不同"视角"下的投影，从而在不需要逐对配准的情况下建立跨模态体素对应。MyoPS 2020 与 CARE 2024 的对齐版数据都由 MvMM（或其后续实现）预对齐到公共空间。

这一设计决定了数据集的性质：在预对齐版上，跨序列的体素级对应是可靠的，逐体素融合方法（早期融合、跨注意力、跨序列跳跃连接）可以直接用。2024 届同时发布未对齐版，把"如何在不完美对齐下融合"留给了算法——这是两届之间最本质的考题升级。

MvMM 的建模直觉值得多给两句：传统做法是"先配准后融合"两步走，配准误差会单向传导进融合结果；MvMM 把配准与分割放进同一个概率图模型，让两者互相约束——分割的不确定性反过来修正配准估计。对使用者的实际含义：官方对齐版的体素对应质量高于一般"注册后配准"流水线的产物，所以跨序列方法可以放心假设"同一坐标的心肌就是同一块心肌"——这个假设在自配准的多序列数据上通常要先验证再用。

3.3 相邻任务辨析：MSCMRseg 与 MyoPS-Net

检索"MyoPS"时最容易撞上的两个近亲：

• MSCMRseg（MICCAI 2018/2019，同属庄吓海组）：45 例 LGE+bSSFP+T2，但任务是心脏结构分割（LV/RV/ myocardium 三类），不含病理标签。它与 MyoPS 2020 的 45 例在数量上恰好相同（都是 45），网络资料经常把两者混为一谈——这是两个不同的挑战赛、不同的金标准、不同的标签体系。
• MyoPS-Net（Qiu 等，Medical Image Analysis 2023, 84:102694）：这是方法论文而非挑战赛，作者组额外构建了 50 对五序列（含 T1 mapping 等）私有数据集。引用"50 例"时注意它不是公开挑战赛数据。

补充一个时间线辨析技巧：MSCMRseg 的论文与数据页常以"bSSFP/T2/LGE 多序列心脏分割"自我描述，与 MyoPS 的描述字面高度相似——辨析不能靠关键词，只能靠任务与标签两个硬指标（考什么、金标准里有几类、有没有病理标签）。本条目 §9.4 把这条判据压缩成了一句话版。

3.4 序列缺失：CARE 2024 把"完美假设"撤掉之后

2020 届有个隐含假设：所有病例三序列配齐。临床现实是 T2 序列因信噪比低、采集耗时经常被砍掉，LGE 则因造影剂流程标准化程度高而几乎必有。CARE 2024 的 105 例（42%）缺序列病例正是对这一现实的忠实记录。

缺序列设定下算法界有三种应对范式，各自的数据集含义不同：

1. 序列丢弃/模态 dropout：训练时随机置零某序列通道，强迫网络学到"任何子集都可用"的表征。对应本数据集的使用姿势：在 145 例三序列训练样本上模拟缺失，用 81 例仅 LGE 与 24 例双序列做自然分布校验。
2. 模态蒸馏/知识迁移：以全序列教师模型指导缺序列学生模型。对应姿势：教师用三序列子集训练，学生在仅 LGE 中心 A 的 81 例上蒸馏。
3. 单序列专精：干脆只训 LGE 单序列模型，承认 T2 缺失的普遍性。2020 届 15 法里已有个别队伍报告了"仅 LGE 输入"的消融，分数显著低于三序列版本——这本身就是"多序列必要性"的定量注脚。

CARE 2024 用中心划分把第 1、2 种范式变成必答题：训练域里 81 例仅 LGE（中心 A）与全序列样本混在一起，而测试域（中心 D）三序列配齐——模型必须学会"用什么训什么、缺了也能上"，这正是真实世界部署的核心难题。

3.5 CMR 序列物理原理速成（面向算法工程师）

不需要成为放射科医生，但需要理解信号从哪来。三个序列的对比度机制一张表说清：

序列	对比度机制	组织信号逻辑	对分割的直接含义
bSSFP（C0）	平衡梯度回波，信号∝T2/T1 比	血池最亮（血液 T2/T1 高）、心肌中等、脂肪较亮	心内膜/心外膜边界最可靠；病理与正常心肌同灰度
T2-weighted	T2 加权自旋回波类	水含量越高信号越强（水肿 T2 值延长）	水肿亮但 SNR 低；慢血流在心腔内也"亮"——假阳性重灾区
LGE（DE）	钆造影剂延迟采集，细胞外间隙越大信号越强	瘢痕（细胞外间隙扩大）亮；正常心肌暗；血池也亮	瘢痕亮但心内膜边界被血池"淹没"

由此可推出三个工程上重要的推论：其一，C0 是唯一"自洽"的序列（边界与结构可独立从 C0 读出），T2/LGE 必须借助 C0 的几何参照——这是所有两阶段方法把 C0 用在第一阶段的信息论原因；其二，T2 与 LGE 的"亮"不可直接比强度（不同物理来源），跨序列强度归一化要独立做；其三，水肿（T2 亮）与瘢痕（LGE 亮）在各自序列上的假阳性来源不同（慢血流 vs 血池），数据增强与伪影模拟应针对序列分别设计——统一扔高斯噪声是对这两个序列物理的误解。

§4 任务定义与标注体系

4.1 五类结构的勾画范围

金标准覆盖左心室截面的 5 类结构（NIfTI 整数标签值编码）：

标签值	结构	评测角色
200	normal myocardium（正常心肌）	不计入比赛评测
500	LV blood pool（左心室血池）	不计入比赛评测
600	RV blood pool（右心室血池）	不计入比赛评测
1220	edema（心肌水肿）	官方评测对象
2221	scar（心肌瘢痕）	官方评测对象

勾画口径：观察者对每个短轴层面的 LV 心肌区域判定三种状态（正常/水肿/瘢痕），水肿与瘢痕按信号强度逐像素勾画；血池与正常心肌补全整个截面。训练 25 例的金标准由三名独立受训观察者逐层勾画取平均——注意"取平均"的实现方式：多观察者概率图取阈值化的平均结果，而非多数投票，这意味着金标准边界天然带有平滑，硬边界与单观察者金标准的数据集（如 ACDC）不完全可比。

勾画的解剖学范围还有一个隐含约定值得点明：病理标签只勾在左心室心肌上——右心室心肌的水肿/瘢痕不在勾画范围内（RV 区域仅标血池）。因此"MyoPS 是左心室病理分割数据集"，若你的研究问题涉及右心室病理（致心律失常性右室心肌病等），这批数据不适用。

4.2 标签值编码的使用规范

直接读 .nii.gz 掩码时最常见的翻车是用"类别索引"的方式处理"标签值"：掩码里的整数是 200/500/600/1220/2221 的字面值，不是 0/1/2/3/4 的索引。正确的读取姿势：

import nibabel as nib
import numpy as np

gd = nib.load("train25_myops_gd/myops_train_001_gd.nii.gz").get_fdata()
# 标签值编码（不是 0-4 索引！）
LABEL_MAP = {200: 0, 500: 1, 600: 2, 1220: 3, 2221: 4}
label = np.zeros_like(gd, dtype=np.uint8)
for val, idx in LABEL_MAP.items():
    label[np.isclose(gd, val)] = idx
# 比赛只评 idx 3（edema）与 idx 4（scar）

背景（未标注区域）取 0。若直接 label = (gd == i) 遍历 i=0…4，只会得到全空掩码——这是本数据集最高频的使用事故（坑 2）。

入库前建议对每个掩码做一次值域断言（assert），把三类异常挡在训练循环外：值域外的"脏值"（浮点尾差用 isclose 吸收后仍存在的）、5 类全无的空掩码（说明文件配错）、体数据与掩码 shape 不一致（几何配错）。三个断言写进数据加载器只要五行代码，却能消灭事后排查一晚上的事故。

4.3 评测口径：只看 scar 与 edema

官方评测对每个测试切片计算 scar 与 edema 的 Dice 系数（部分年份报告 Jaccard、precision、recall），对 20 例测试的全部层面取平均。三个口径细节：

1. 逐层计算再平均：由于体数据是稀疏堆叠切片，Dice 按切片算再对切片平均——空切片（无病理区域）的处理规则以官方评估工具箱实现为准，自行实现时务必对齐工具箱口径。
2. LV/RV/normal 不参与排名：但金标准里有，可以拿来预训练结构分割头。
3. CARE 2024 指标扩展：DSC/PRE/SEN/SPE 四指标，且要求提交"仅自动方法"的全流程输出。

为什么"逐层平均"值得单独强调：病理在层间的分布不均匀（中层病理多、基底/心尖少），逐层平均会让病理少的层面与病理多的层面权重相同——这与按体素平均的 3D 评测口径结果不同。跨论文比较分数时，"逐层平均 vs 逐体素平均"是继"标签解码"之后的第二大口径陷阱，两套口径的分数可以差好几个点位。

4.4 衍生标注：scribble 稀释标注线

庄吓海组后续发布了 MyoPS 训练集的 scribble 稀释标注版本（Zhang & Zhuang 2022a/2023）：把逐像素金标准稀释成少量线条笔触，用于弱监督分割研究。MedCL（arXiv 2503.22890）披露社区常用的 scribble 切分为 20/5/20（20 训练/5 验证/20 测试）。若你在文献里看到"MyoPS 20 例训练"的弱监督口径，那是 scribble 子集切分，不是挑战赛 25 例口径——两套口径不可互换（坑 5）。

scribble 线存在的深层意义值得点破：它是对"病理分割金标准太贵"这一根本约束的工程回应（§8.2）。逐像素勾画水肿/瘢痕需要序列专业知识与大量时间，而线条笔触把标注成本压低一个量级——代价是监督信号从"每个像素有标签"降级为"每条线附近有标签"，弱监督算法要在两者之间"脑补"。这个方向的方法论文密度高，正好说明"降标注成本"是社区公认的痛点；使用 scribble 数据时同样先确认许可与获取渠道（衍生标注的发布方式以原论文/代码库说明为准）。

4.5 金标准的可信度边界

基准论文坦承了两点不确定性：其一，观察者间变异高——尤其瘢痕呈斑块状散在分布时，不同观察者对"这一小块算不算瘢痕"的分歧显著；其二，模型的不确定性与人的不一致性高度相关——模型最犹豫的像素恰好也是专家分歧最大的像素。使用含义：MyoPS 的金标准是"平均专家意见"而非"客观真值"，评估分数的解读应保留至少 1-2 个 Dice 点位的方法学余量，不要把 0.708 vs 0.695 的差异当作决定性证据。

4.6 与单观察者金标准数据集的可比性

把 MyoPS 的"三观察者取平均"金标准与库内常见金标准范式并排，能看到标注协议如何塑造分数的可比性：

数据集	标注协议	对分数的影响
MyoPS	三名受训观察者逐层勾画取平均	边界平滑，跨方法方差小；与单观察者数据集分数不直接可比
ACDC（rid 511）	单一专家标注	边界锐利但携带单人风格
M&Ms（rid 516）	单一专家+多厂商复核	同上+厂商差异
M&Ms-2（rid 682）	专家标注+复核	类似

两条实用规则：其一，把 MyoPS 的分数与 ACDC 系结构分割分数并排时，永远加脚注"任务与标注协议不同，分数不可直接比较"；其二，若你的方法在 MyoPS 上做观察者鲁棒性分析（如对三个观察者版本分别评估），注意公开的金标准只有"平均版"，个体观察者版本未随挑战赛发布——需要时应联系组织方。

4.7 金标准质量抽查 SOP（数据到手第一小时）

25 个训练掩码到手后、写任何训练代码之前，跑一遍这五步抽查（全部可在 notebook 里完成）：

1. 值域断言：逐例 np.unique，断言值域 ⊆ {0,200,500,600,1220,2221}。任何表外值立即停——先解决文件配对问题再往下走。
2. 几何一致性：逐例对比掩码与三序列图像的 shape/affine，断言完全一致。不一致说明下载包损坏或版本混用。
3. 病理存在性统计：统计每例 scar/edema 体素占比，画出 25 例分布。两件事要看出：有没有完全没有 scar 的病例（AMI 患者出现无瘢痕是可疑信号，需核对）；有没有病理占比异常高的离群例（可能是勾画范围特大的教学病例）。
4. 逐层连续性目检：抽 3 例，把掩码叠在 C0 上逐层动画/并排显示，肉眼确认心肌环内色块贴壁、无漂浮斑块。这一步抓"掩码与图像错位"比任何脚本都快。
5. 标签值频谱：统计全数据集各标签值的体素频数直方图。normal(200) 应占心肌内大头，scar(2221) 通常最少——若频谱倒挂，你的解码或文件配对有问题。

五步通过再进入建模。这 25 例是你唯一的明文监督，它们的任何问题都会原样传给模型——第一小时的抽查是对整个项目性价比最高的投资。

§5 两届挑战赛运营：数字与流程

5.1 MyoPS 2020：报名到榜单

2020 届在 MICCAI 2020 年会框架下举办，官网挂靠 zmic.org.cn（庄吓海组的 MICCAI 挑战门户），配套页面在复旦 sdspeople 服务器。运营硬数字：

环节	数字
注册申请	76 份
正式参赛队伍	65 队
测试阶段提交	23 份
入选公开基准	15 支算法
每队测试提交上限	2 次
提交平台	CMT

流程：注册需签署 data agreement（数据使用协议），通过后获得训练集下载权限；测试阶段开放后，队伍对 20 例加密图像推理，把分割结果按规范打包上传 CMT，官方用加密金标准在线评分。23 份提交中 15 份提交了符合 LNCS 格式要求的方法说明论文并入选基准——也就是说，公开基准不是"全部提交的排名"，而是"愿意写方法论文并通过完整性检查的子集"，引用榜单时应说"15 支入选算法"而非"全部参赛方法"。

76→65→23→15 的漏斗还有一层解读价值：从 65 支正式参赛到 23 份测试提交，流失了 65%——这在 MICCAI 挑战里是常态（多数队伍倒在"训练分数不错、测试泛化崩塌"或纯粹时间不够），它提醒我们榜单覆盖的是"坚持到最后的强队伍"生态，而非全体参与者的水平分布。做挑战赛生态研究时，这组漏斗数字本身就是素材。

5.2 CARE MyoPS++ 2024：时间线与规则收紧

CARE（Comprehensive Application-oriented Challenge on Real-world data）是 MICCAI 2024 下的挑战品牌，MyoPS++ 为其 track4，官网 zmic.org.cn/care_2024/track4/（http 协议）。关键时间线：

• 2024-05-10：训练数据发布
• 2024-10-10：workshop（MICCAI 2024 框架内）

规则三大收紧（对照 2020 届）：

1. 仅自动方法：禁止任何人工交互/半自动修正，全流程端到端。
2. 禁外部数据：不许用任何额外的心脏影像数据做训练。
3. 禁预训练模型：连 ImageNet/模型库权重也不许加载——这条在 2024 年的 MICCAI 挑战里相当激进，等于逼参赛者从零训练，直接考验"小数据+多中心"下的算法设计功力。

“禁预训练"的立规逻辑值得琢磨：2020-2024 间心脏 AI 社区的真实水平已被大规模预训练大幅抬高，若放开预训练，榜单将变成"谁的底座模型强"而非"谁的算法设计好”——这与 CARE 品牌"考察真实世界算法能力"的立意相悖。禁令把比较拉回同一起跑线。代价是参与门槛对没有从零训练经验的团队变高了——规则从来不是中立的，它选择它想要的参赛者画像。

指标扩展为 DSC/PRE/SEN/SPE 四件套；联系渠道为 dingwangbin@fjmu.edu.cn（福建医科大学）与两个复旦邮箱（21110980009@m.fudan.edu.cn、zhangyang23@m.fudan.edu.cn）。

5.3 资金与伦理

基准论文致谢披露的资助：国家自然科学基金 61971142 / 62111530195 / 62011540404 与上海市人才发展基金 2020015。伦理方面，CARE 2024 官网声明各参与中心均获伦理批准并完成匿名化；2020 届数据"directly collected from the clinic"的表述意味着其伦理框架依托中山医院常规临床采集授权。使用数据发表论文时，引用基准论文并在伦理声明中说明"数据经原作者挑战赛协议获取"是标准姿势。

伦理与合规还有一个容易漏掉的角落：二次分析中的受试者保护。虽然数据已匿名化，但 45 例这样小的队列配合年龄（56.2±7.92 岁）、性别（全男性）、病因（AMI）的组合信息，理论上存在再识别风险的累积。因此：不要在论文/演示里展示可拼接身份的元数据组合；可视化时优先用合成示例或已公开的展示用例；涉及图像的公开材料走组织方的发布许可流程（若 data agreement 有此条款）。

5.4 两届规则全景对照

把两届的运营与规则要素并排，"真实世界化"的具体含义一目了然：

要素	MyoPS 2020	CARE MyoPS++ 2024
所属框架	MICCAI 2020 挑战	MICCAI 2024 CARE track4
病例规模	45 例（25 训练+20 测试）	250 例（200 训练+25 验证+25 测试）
中心数	1（复旦中山）	7（中法英）
序列完整性	三序列全配齐	145 三序列+24 双序列+81 仅 LGE
空间对齐	MvMM 全部预对齐	对齐/未对齐双版发布
提交规则	每队测试≤2 次	仅自动方法全流程
外部数据	未明确禁止	禁止
预训练模型	未明确禁止	禁止
评测指标	Dice（scar/edema）	DSC/PRE/SEN/SPE
测试真值	加密发布+自评工具箱	官方平台在线评测
提交平台	CMT	官方评估平台
金标准口径	三观察者取平均	官方标注（取平均协议延续）

对照表的使用方式：写论文的"数据集对比"表、做方法选型（2020 届结论还能不能迁移到 2024 届）、评估自己的方法"在旧规则下的成绩有多少水分"（2020 届没禁预训练——若你的 2020 届方法加载了 ImageNet 权重，直接搬到 CARE 2024 规则下就不合规了）。

5.5 时代坐标：MyoPS 在 MICCAI 挑战生态里的位置

把 MyoPS 放回 MICCAI 挑战赛的时间轴，能看到医学影像挑战主题的演进逻辑：2018 年前后以结构分割为主（ACDC 2017、MSCMRseg 2018），2020 年开始"任务升级"——从画结构到看病理（MyoPS 2020）、从单中心到多中心（M&Ms 2020）；2024 年的 CARE 品牌则把"真实世界"制度化（real-world data 直接写进品牌名）。MyoPS 恰好站在两次演进的交汇点：它既是最早的病理分割挑战之一，又是真实世界化的先行者。

这个位置的解释力：为什么方法学界对 MyoPS 的持续关注超过其样本量应有的热度——因为它两次踩在社区的转折点上，围绕它的方法论文（MvMM、MyoPS-Net、弱监督系列、MedCL）构成了一条完整的"多模态分割方法论"引用链。对研究者而言，顺着这条链做 related work 比泛搜"cardiac segmentation"高效得多。

§6 获取与许可：三道门怎么进

6.1 门 1：MyoPS 2020 训练集（公开直链）

训练 25 例三序列 + 金标准（train25_myops_gd）在官方页（zmic.org.cn 的 MyoPS 2020 页面 / sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20/）提供直接下载，无需注册。下载包结构：

MyoPS2020/
├── test20/                          # 20 例测试图像（C0/DE/T2）
├── train25/                         # 25 例训练图像（C0/DE/T2）
├── train25_myops_gd/                # 训练金标准（公开）
└── MyoPS2020_EvaluateByYourself/    # 自评工具包
    ├── 评估脚本 + 加密测试金标准
    └── myops_test_201_gdencrypt.nii.gz 等

测试图像与训练图像一样公开可下——能拿到的是测试图像，不是测试金标准本体。金标准以加密 .nii.gz 发布，解密密钥掌握在组织方手中；参赛者自评时运行评估工具箱，工具箱在本地完成评分但不暴露逐像素真值。

首次打开数据的验证顺序建议：先 ls 四个目录核对文件数（train25 应有 25 组×3 序列、test20 应有 20 组×3 序列、gd 目录 25 个掩码），再抽查一例的 np.unique 值域（应为 {0,200,500,600,1220,2221}），最后跑一次官方评估脚本的 dry-run（用训练掩码替代测试输出验证脚本可执行）——三步通过再开始写训练代码，能把大多数环境问题前置消解。

6.2 门 2：MyoPS 2020 测试自评（评估工具箱）

MyoPS2020_EvaluateByYourself 是这个数据集工程上最值得学习的设计：官方同时发布评估脚本与加密金标准，参赛者可以在自己的机器上重复榜单计算——既保住了测试标签的保密性，又保住了可复现性。学术用途获取测试金标准密钥需联系组织方。评估工具箱另有独立直链：sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20/test_image_evaluation_kit.zip。

把工具箱纳入实验流程的正确位置：它只该出现在"最终测试评估"环节，训练期的模型选择与调参请用训练集交叉验证（或 CARE 2024 的验证集）。用测试自评反复调参是"变相在测试集上训练"——20 例测试经不起这种消耗，榜单分数的参考价值也会随之蒸发。给自己立个规矩：整个项目生命周期里测试评估不超过 5 次，每次都留档。

6.3 门 3：CARE MyoPS++ 2024（注册+协议）

2024 届数据通过官网注册获取，需签署 data agreement；提交经官方评估平台在线评分。注册流程与 CMT 类似：填队伍信息→等待审核→获得下载权限。联系邮箱见 §5.2。

注册实操提示（按 2026-09-27 抓取的官网状态）：训练数据 2024-05-10 已发布，挑战赛程结束后数据获取窗口是否延续以官网现行说明为准；注册时准备的材料通常包括队伍信息、机构隶属、研究用途简述；审核周期以邮箱往来为准（联系人 dingwangbin@fjmu.edu.cn 为福建医科大学方，21110980009@m.fudan.edu.cn 与 zhangyang23@m.fudan.edu.cn 为复旦方）——邮件用英文写清楚"数据用途+预期产出+引用承诺"三项，一次说全能省两轮往返。

6.4 许可状态：无显式许可证声明（存照）

数据集本体没有发布显式开源许可证——官方页与下载包内均未见 OSI 类许可文本。获取方式（注册+data agreement）与论文引用惯例构成了事实上的许可框架。两个必须分清的口径：

• 基准论文 arXiv:2201.03186 页面标注 CC BY-NC-SA 4.0——这是论文文本的许可，不是数据集许可。把论文许可套到数据上是常见误读（坑 4）。
• data agreement 的典型条款为学术用途限制+禁止再分发+成果引用要求。商用前必须直接联系组织方取得书面授权。

6.5 获取合规自检清单

动代码前先过这五条：

1. 切分对齐：确认你引用的切分口径（挑战赛 25/20 vs scribble 20/5/20）与你声称的比较对象一致。
2. 预训练合规：只在 CARE 2024 上工作时，检查模型权重来源——ImageNet/心脏数据集预训练都在禁止之列。
3. 再分发红线：data agreement 框架下不要把数据（哪怕只是训练集）打包上传到网盘/HuggingFace/论文附件；分享下载链接的官方页即可。
4. 衍生标注的许可链：基于 MyoPS 训练集自己再标注/筛选的衍生版本，其许可随原始数据（学术用途框架），不是你新写了一个 license 就能改变性质的。
5. 成果回报：data agreement 通常要求在成果中引用基准论文——把它写进你的引用管理器，避免发表前手忙脚乱。

§7 基准与评估：15 支算法能告诉我们什么

7.1 总体分数与天花板

15 支入选算法的官方基准汇总：

指标	scar	edema
15 法平均 Dice	0.614	0.644
15 法平均像素精度	83.6%	74.3%
冠军（UESTC）Dice	0.708	0.731

三个解读要点：其一，像素精度与 Dice 的"倒挂"（scar 的 PP 高于 edema 但 Dice 更低）源于类别不平衡——瘢痕区域通常小于水肿区域，预测保守（只报高置信区）即可拉高像素精度但压低 Dice；其二，最好与最差方法之间的分差远大于常规结构分割挑战（scar 方向跨度超过 0.3 Dice），说明这个任务的算法设计空间很大；其三，即便冠军分数（0.708/0.731）也显著低于同期结构分割任务（ACDC 心肌 0.9+），这个 0.2 的差距就是"病理分割"与"结构分割"的难度差。

读这组分数还有第四个要点：分数的方差与均值同样重要。病理分割的逐例方差大（水肿范围小的病例 Dice 波动剧烈），论文报告中位数与四分位距比单报均值更诚实；自评时若只看总分不看逐例分布，容易把"某 3 例崩了拖低均值"误诊为"模型整体不行"——先看逐例热力图定位崩塌病例，再决定是模型问题还是数据问题（常见真凶：基底/心尖层面的部分容积效应，§7.3）。

7.2 冠军方法与常见策略谱系

2020 届冠军为电子科技大学（UESTC）队（scar 0.708 / edema 0.731），领先 15 法平均约 0.09-0.12 Dice——领先幅度可观，说明即使在小样本挑战里，工程细节（预处理、增强、集成、后处理）的差距依然能拉开显著名次。15 支入选算法的策略画像（据基准论文方法章节归纳）：

• 全部为深度学习，绝大多数为 U-Net 变体（2D 为主，个别 2.5D 集成）。
• 两阶段流水线是主流：先用 bSSFP（或 C0）定位 ROI/心肌区域，再在多序列裁剪区上做病理分割——把"结构分割（容易）"与"病理分割（难）"解耦。
• 重度数据增强：含弹性形变、灰度扰动；个别队伍用了 SPADE 类合成增强来扩充 306 切片的小样本。
• 序列融合位置各异：早期融合（通道拼接）、跨序列注意力、跨序列跳跃连接均有代表，没有哪一种融合范式呈现压倒性优势——多序列融合至今仍是开放问题。

7.3 病理学的结构性结论

基准论文的误差分析给出三条可复用的领域结论：

1. edema 比 scar 好分（平均 Dice 高 0.03、冠军高 0.023）：水肿区域大而连续，边界相对清楚；瘢痕斑块状、散在、不规则，部分瘢痕在非 LGE 序列上近乎不可见。
2. 层面位置决定难度：基底与心尖层面系统性差于中层——心肌薄、部分容积效应强、病理分布稀疏。
3. 模型不确定性与专家分歧相关：模型输出熵高的像素与观察者间分歧大的像素高度重合，这为"用不确定性图提示人工复核"提供了直接证据。

三条结论的迁移价值各不相同：第 1 条几乎可以原样迁移到任何心肌病理分割场景（edema 易 scar 难是病理形态决定的，不是数据集特例）；第 2 条对任何短轴心脏数据都成立但强度取决于层厚；第 3 条的"不确定性-分歧相关"是最有临床转化潜力的一条——它意味着模型的不确定度输出不是工程噱头，而是对"专家也不知道答案"区域的诚实映射，附录 J 的复核工单设计就建立在这条结论上。

7.4 复现榜单的最短路径

想对齐榜单数字：下载官方包→按 §4.2 解码标签→实现/加载候选模型→对 20 例测试推理→用官方评估工具箱出分（不要自写评测脚本，空切片处理等细节会引入偏差）→对照 §7.1 的 15 法平均与冠军区间判断实现是否正常。若分数系统性偏低，先检查三件事：标签解码（§4.2）、逐层 Dice 口径、是否误把结构类（200/500/600）算进了病理指标。

这条路径的设计逻辑是把"变量"一个个锁死：官方包锁定数据、官方工具箱锁定评测、§4.2 锁定标签语义——剩下唯一变量是你的模型。复现失败的排查也因此有了确定顺序：先跑通"官方工具箱+把训练金标准当输入"（验证评测链路），再验证推理输出的几何还原（附录 L3），最后才怀疑模型本身。跳过前两步直接怀疑模型，是新手最常见的排错方向错误。

7.5 策略谱系总表：15 法的分类学

把基准论文披露的方法要素按"融合位置 × 流程结构"两个轴整理，15 支入选算法的分布如下（个别队伍未完整披露处按论文叙述归类）：

策略要素	代表做法	采用面
早期融合	三序列通道拼接入 U-Net 编码器	常见
中期融合	跨序列注意力/跨序列跳跃连接	少数
两阶段解耦	先 C0 定位心肌 ROI，再在 ROI 内分病理	主流
模态专精分支	LGE 分支专管 scar、T2 分支专管 edema	少数
2.5D 堆叠	相邻层作为通道	少数
重度数据增强	弹性/灰度/SPADE 合成	普遍
后处理	连通域清理、小目标过滤	部分

两个值得注意的"负面结果"：其一，没有一种融合范式呈现压倒性优势——多序列融合至今是开放问题，这本身就是 MyoPS 对方法学的重要贡献；其二，2020 届没有队伍用真 3D 网络——几何现实（§2.2）决定了 2D/2.5D 是理性选择。

7.6 病理分割与相邻任务的难度坐标系

把 MyoPS 的分数放回更大的坐标系，"病理分割难在哪"有了定量答案：

任务	数据集	代表 Dice	难度来源
心脏结构分割	ACDC（rid 511）	0.91-0.93（Myo）	边界清晰、对比度高
多中心结构分割	M&Ms（rid 516）	0.87-0.91（Myo）	厂商域移
心肌病理分割（edema）	MyoPS	0.644（15 法均值）	病理边界模糊、序列互补
心肌病理分割（scar）	MyoPS	0.614（15 法均值）	斑块状、散在、单序列不可见
梗死区分割	EMIDEC（rid 696）	单序列 LGE 设定	序列信息单一

同一颗心脏，结构分割 0.9+、病理分割 0.6 档——0.3 的落差就是"看清楚"与"看懂"的差距。给使用者的定位建议：如果你的模型在 MyoPS 上 scar Dice 过了 0.75 且不在榜首队列，先怀疑实现漏洞而不是创新突破（冠军才 0.708）。

7.7 把基准分数写进论文的规范

引用或报告 MyoPS 相关数字时的四条规范：

1. 注明口径：“15 支入选算法平均"或"冠军（UESTC）”，不要写成"SOTA"或"平均性能"——15 法是参赛子集，其均值不是社区的 SOTA 上限。
2. 自评分数标注工具：用官方工具箱得出的分数注明"MyoPS2020_EvaluateByYourself"；自建评测实现的分数必须先与官方口径校准并声明差异。
3. 跨届比较只定性：2020 与 2024 的规则、数据、指标都不同，两届分数不做算术比较，只能讨论趋势。
4. 逐例透明：论文附录放逐例分数表（或至少分布图）——病理分割的逐例方差大，只有总分的结果读者无法复现诊断。

§8 方法生态与学术影响

8.1 四篇必引文献

围绕 MyoPS 的学术坐标系由四篇方法/基准论文构成：

文献	期刊/出处	角色
Zhuang & Shen, “Multimodal Varying Manifold Model”	IEEE TPAMI 2019, 41(12):2933-2946	MvMM 理论根基；数据预对齐方法
Li et al., MyoPS 基准论文	Medical Image Analysis 2023, 87:102808（另见 arXiv:2201.03186）	挑战赛正式基准：15 法汇总+误差分析
Qiu et al., MyoPS-Net	Medical Image Analysis 2023, 84:102694	组织方方法延伸：全序列融合网络+私有 50 对五序列集
Ding et al.	IEEE Transactions on Medical Imaging 2023	病理分割方法学延续（Ding 亦为 CARE 2024 联系人）

使用数据发表成果时的引用规范：数据引基准论文（Li 2023 MedIA / arXiv:2201.03186），方法上若受益于预对齐应引 MvMM（Zhuang 2019 TPAMI）。四篇的分工用一个类比概括：TPAMI 是"理论教材"、MedIA 基准论文是"考试大纲与成绩单"、MyoPS-Net 是"出题人的解法"、TMI 论文是"后续答卷"。写 related work 时按这个叙事顺序展开最顺：先多模态建模理论（MvMM），再任务定义与基准（MyoPS），然后方法演进（MyoPS-Net、Ding）——直接跳过前两步只谈方法的写法，审稿人常会问"你的多序列设定与 MvMM 的关系是什么"。

8.2 谱系：从结构分割到病理分割再到真实世界

庄吓海组的心脏挑战赛三部曲，串起一条清晰的难度升级链：

MSCMRseg (2018/19)          MyoPS 2020                   CARE MyoPS++ 2024
─────────────────    →    ─────────────────    →    ─────────────────
结构分割：LV/RV/心肌        病理分割：scar+edema          真实世界病理分割
45 例（数量巧合）           45 例 = 25+20                 250 例 / 7 中心
LGE 为主                    三序列配齐+预对齐              缺序列+未对齐+多中心

三步分别回答了"能不能画准心脏"、“能不能看出心脏哪里坏了”、“临床数据不完美时还灵不灵”。对算法研究者，这三届构成了天然的消融阶梯：同一套方法在 MSCMRseg 上跑通后上 MyoPS 2020 检验多序列融合能力，再用 CARE 2024 检验真实世界鲁棒性。

这张演进图还有一个常被忽略的读法：标签成本的暴涨。MSCMRseg 标 3 类结构（勾轮廓即可）；MyoPS 标 5 类且病理边界靠信号强度判断（需要序列专业知识）；CARE 2024 再叠加多中心协调与双版本发布——任务每升一级，标注与运营成本上升一个量级。这解释了为什么病理分割数据集普遍小于结构分割数据集：不是没人想做，是金标准太贵。这也是 MyoPS 团队后续开放 scribble 标注（§4.4）的动机——用弱监督把"贵金标准"的使用成本降下来。

8.3 弱监督与多模态学习的试验田

MyoPS 的小样本（306 切片）与多序列结构使其成为两个方法学方向的标准试验田：

• 弱监督/半监督分割：官方衍生的 scribble 标注（§4.4）被大量弱监督分割论文用作基准，20/5/20 切分成为社区默认口径。
• 多模态融合与缺失模态学习：CARE 2024 的缺序列设定（42% 病例不全配齐）使"模态缺失鲁棒性"从附加实验变成主考题；MedCL（arXiv 2503.22890）等跨模态对比学习工作直接以 MyoPS 为验证场。

这条试验田属性对使用者的含义是双面的：好处是任何新方法都能在这里找到大量可比对的先行结果（弱监督、半监督、缺序列、域泛化各方向的论文都以 MyoPS 为常见落点）；代价是检索先行工作时必须按"任务设定+标注口径"双重过滤——同为"MyoPS 上的分割论文"，全监督挑战赛口径与 scribble 弱监督口径的结果完全不可比（坑 5 的另一个侧面）。

8.4 对 AI-Ready 生态的方法学贡献

MyoPS 的"加密金标准+官方评估器"模式后来被大量 MICCAI 挑战复制。它的另一个隐性贡献是标签值编码规范：用非连续大整数（200/500/600/1220/2221）避免"背景=0、类别=1,2,3"的隐式约定带来的误读——代价是使用者必须显式解码（坑 2），但换来的是标签文件自描述：看到 2221 就知道是 scar，不需要查表猜顺序。

从库内条目生产的角度，MyoPS 还贡献了第三样东西：双届演进的可参照模板。本条目把两届挑战写成一个演进故事（理想化→真实世界），这种"同一家族跨年代合并立目"的写法处理了库内一个普遍难题——同一团队的系列挑战赛（M&Ms→M&Ms-2、ToothFairy→ToothFairy2/3 等）是分立条目还是合并条目。MyoPS 的实践表明：当届次间共享任务定义与标注体系时，合并立目+演进叙事比分立条目更能防止检索者的口径混淆。

8.5 尚未解决的问题清单

两届数据集沉淀下来、但至今没有公认答案的问题，也是选题雷达上的高价值目标：

1. 最优融合层级未定：早期/中期/后期融合在 15 法中无压倒性差异——多序列融合的理论框架（何时该融合、融合什么）仍是空白。
2. scar 与 edema 的联合建模：两者在病理生理上相关（水肿消退→瘢痕形成），但主流方法把它们当独立类别各自输出——利用其结构关系的建模几乎空白。
3. 层间上下文的合法利用：稀疏短轴的 z 向信息如何在不插值造假的前提下利用（如解剖连续性先验），尚无定论。
4. 跨病理类型的迁移：缺血性瘢痕（本数据集）与非缺血性强化（心肌炎、HCM）的分布差异能否用少量目标域数据弥合——CARE 2024 的多中心设定提供了部分素材但未覆盖病理类型迁移。
5. 不确定性到临床决策的桥：基准论文已证明模型不确定性与专家分歧相关（§7.3），但"不确定性图如何变成复核工单/质控阈值"的工程化路径未打通。

§9 与库内条目的关系

9.1 家族图谱：心脏 MRI 考题全景

库内心脏 MRI 条目按"考什么"可排成一条完整光谱，MyoPS 占据"病理分割"生态位：

条目	rid	考题	与 MyoPS 的关系
ACDC	511	结构分割（RV/Myo/LV）+ 分组	结构分割对照组；常被用作 MyoPS 方法的预训练源（注意 CARE 2024 禁预训练规则）
M&Ms	516	多中心+多厂商结构分割	同为庄吓海系挑战；MvMM 供应商谱系一致
M&Ms-2	682	多中心结构分割+域泛化	域泛化方法论可平移到 CARE 2024
EMIDEC	696	梗死表征分割（含病理区）	任务最接近的库内近亲：LGE 单序列梗死分割 vs MyoPS 多序列病理分割
CMRxRecon	506	CMR 重建	上游环节：重建质量影响下游分割
CMRxMotion	687	运动伪影鲁棒性	上游环节：伪影是 MyoPS 未直接考察的干扰源
CHAOS	337	多模态腹部分割	多模态方法论近亲（CT/MRI 而非 CMR 内三序列）

读这张表的正确姿势不是逐行记忆，而是抓住一个结构事实：库内的心脏条目绝大多数站在"结构分割"一侧（ACDC/M&Ms 系/CMRx 系），“病理分割"一侧只有 MyoPS 与 EMIDEC 两个——这与文献界"结构分割数据多、病理分割数据少"的格局一致（§8.2 标签成本论证）。因此 MyoPS 在库内的战略地位是"稀缺生态位的占位者”：任何涉及心肌病理的库内检索都会汇到这里，条目质量的重要性被生态位放大。

9.2 跨模态与临床转化邻居

• cardiac-atlas-project（rid 521）：统计形状建模的对照视角——Atlas 走"平均解剖"路线，MyoPS 走"个体病理"路线。
• myocardial-perfusion-spect（rid 620）：心肌缺血的另一条影像通路（SPECT 灌注 vs CMR 病理），临床问题同源、数据形态迥异。
• echonet-dynamic（rid 526）与 camus（rid 533）：超声心动图的功能学评估（EF 等），与 MyoPS 的病理学评估构成"功能+病理"双报告的组合。
• cinc-2023（rid 499）：心电图方向的梗死检测——多模态融合（ECG+CMR）是潜在延伸。
• shhs（rid 282）与 cardiac-implantable-device-cxr（rid 599）：心血管疾病大生态中的睡眠与器械视角，适合做库内"心血管疾病"主题导航的二级链接。

这组邻居关系的共同主题是"同一临床问题、不同数据形态"：SPECT 看灌注、超声看功能、心电图看电活动、CMR 看病理形态——心血管 AI 的完整拼图需要它们互补而非互替。写综述或系统论文时，"MyoPS 补的是形态病理这一格"是比"MyoPS 是心脏分割数据集"更有信息量的定位句。

9.3 检索路径建议

以"MyoPS"为节点检索库内相关条目的三条路径：

1. 任务路径（病理/病变分割）：EMIDEC(696) → ACDC(511) → M&Ms(516)。
2. 模态路径（多序列/多模态融合）：CHAOS(337) → M&Ms-2(682) → CMRxRecon(506)。
3. 临床路径（心血管疾病全景）：myocardial-perfusion-spect(620) → echonet-dynamic(526) → cinc-2023(499) → shhs(282)。

三条路径的用法差异：任务路径回答"还有谁在做和我类似的事"（找对照组）；模态路径回答"我的融合方法还能用在哪"（找迁移场景）；临床路径回答"这个数据集在心血管全景里补了哪块拼图"（写引言/综述）。若你在写的是系统类论文（采集→重建→质控→分割→报告），三条路径各取一段就能拼出完整的库内坐标系。

9.4 与 MSCMRseg 的边界声明

MSCMRseg（45 例，LGE 结构分割）与 MyoPS 2020（45 例，三序列病理分割）例数相同、组织方相同、时间相邻，是文献里混淆率最高的一对。边界判据一条就够：看金标准标签值——MSCMRseg 只有 LV/RV/Myo 三类结构标签；出现 1220/2221 标签值的一定是 MyoPS。本库以 MyoPS 为独立条目，MSCMRseg 不单独立库，其事实要点已并入本条目 §3.3。

9.5 互链点使用指南

本条目在库内的 14 个互链对象按链接方向分两类，供反向导航：

从 MyoPS 出发（本条目 §9.1-9.3 已铺好路径）：ACDC(511)、M&Ms(516)、M&Ms-2(682)、EMIDEC(696)、CHAOS(337) 是"任务/模态近邻"，适合做方法对比实验的对照组清单；CMRxRecon(506)、CMRxMotion(687) 是"管线上下游"，适合写多任务系统时引用。

指向 MyoPS 的库内条目（预计的回链场景）：做心脏影像综述的条目（如 cardiac-atlas-project(521)）可在"病理分割"段落回链本条目；做多模态学习条目（如跨模态对比学习相关）可以 MyoPS 为验证场案例；cinc-2023(499) 在讨论 ECG+影像多模态时可回链。

互链写作的两条纪律：其一，回链时带任务限定语（“心肌病理分割"而非笼统"心脏分割”），避免把 MyoPS 误当结构分割数据集；其二，引用分数时注明届次与口径（2020 届 15 法均值 vs 冠军），榜单数字不跨届混用。

§10 避坑清单：八个已踩过的坑

以下八条全部来自真实使用事故与文献误引，每条附一行自查动作。写代码前通读一遍的成本约五分钟，跳过的代价通常是一个通宵。

坑 1：规模口径陷阱——"45 训练"是错的。 网络流传的"45 例训练+20 例测试"把总数当成了训练数。正确口径：45 例总数 = 25 训练（公开金标准）+ 20 测试（加密金标准）。openmedlab 文档、基准论文（arXiv 2302.03537）与 MDPI 引文三方互证。写论文、算参数量、报样本量都按 25/20/45 三分法，否则会被审稿人直接抓住。

自查：任何写"45 例训练"的草稿直接改。

坑 2：标签值不是索引——全空掩码事故。 金标准掩码的整数是字面标签值（200/500/600/1220/2221），不是 0-4 类别索引。用 mask == i for i in range(5) 的写法只会得到全空掩码且不报错。必须按 §4.2 的映射表显式解码。同理，可视化时若用自动对比度拉伸，2221 与 1220 的巨大数值差会把正常心肌（200）压成背景色——注意可视化也要求显式映射。

自查：加载后第一行 np.unique 断言值域。

坑 3：把 MSCMRseg 当 MyoPS——45 对 45 的迷魂阵。 两个挑战赛例数都是 45、都出自庄吓海组、时间相邻。分辨判据：标签体系（结构三类 vs 病理五类）与序列要求（MSCMRseg 侧重 LGE vs MyoPS 三序列必须）。引错的结果是把"结构分割 Dice 0.9"说成 MyoPS 的病理分割成绩，差出一个量级。

自查：看到标签里只有 3 类结构值，就是 MSCMRseg。

坑 4：论文许可≠数据许可。 基准论文 arXiv 页面的 CC BY-NC-SA 4.0 只覆盖论文文本。数据集本体无显式许可证，获取走"注册+data agreement"。把 CC BY-NC-SA 写进数据的 license 字段、或据此认为可以再分发数据，都是错误引用。商用必须联系组织方书面授权。

自查：license 字段写"无显式声明+data agreement"，不写 CC。

坑 5：弱监督口径的 20/5/20 ≠ 挑战赛 25/20。 scribble 弱监督文献常用的 20 训练/5 验证/20 测试切分是衍生子集口径（MedCL arXiv 2503.22890 披露），与挑战赛的 25 训练/20 测试不可互换。读弱监督论文的分数时先确认它用的哪套切分——两套口径的分数不在同一坐标系。

自查：读任何 MyoPS 论文先翻它的数据切分表。

坑 6：稀疏短轴当连续 3D 用——插值伪影与虚假感受野。 z 轴只有 2-6 层、层间距 12-23 mm（面内分辨率的 15 倍以上）。对体数据做 3D 插值上采样会产生大片虚假平滑；3D 卷积的 z 向感受野没有解剖学意义。15 支入选基准算法全走 2D/2.5D 路线不是巧合。若确需 3D 上下文，用逐层堆叠的 2.5D（相邻层作为通道）比真 3D 更诚实。

自查：pipeline 里出现 z 向 zoom/resample 即违规。

坑 7：CARE 2024 对齐版与未对齐版混用。 2024 届发布 MvMM 预对齐与未对齐两版数据，官方测试提交以对齐版为准。在未对齐版上训练、对齐版上测试（或反之）会引入一个数据集本身没打算考察的配准误差变量。另外两届文件命名体系不同（myops_train_XXX vs PatientID_LGE），跨届脚本不能复用解析逻辑。

自查：训练与测试数据目录名里标注 aligned/unaligned。

坑 8：性别泛化盲区。 2020 届 45 例全部为男性（45M/0F，56.2±7.92 岁）。用 2020 届训练的模型对女性患者的表现没有任何数据支撑——女性心脏几何更小、病理分布可能有差异。在模型卡与论文限制节明确声明这一点；需要性别均衡时考虑补 CARE 2024（其人口学官网未完整披露，使用前向组织方确认）。

自查：模型卡 limitations 首条写全男性队列。

§11 总结

11.1 三句话总结

1. MyoPS 把心脏影像的考题从"画出心肌"升级为"找出心肌里的病"——用 bSSFP/T2/LGE 三序列融合分割急性心肌梗死的水肿与瘢痕，2020 届 45 例（25+20）起步，CARE 2024 届 250 例 7 中心真实世界化。
2. 它是心肌病理分割方向规模最大的公开标注资源，15 支算法公开基准（平均 scar Dice 0.614 / edema 0.644，冠军 UESTC 0.708/0.731）划定了这一任务的难度基线——比结构分割低约 0.2 Dice。
3. "加密金标准+官方评估工具箱+标签值编码"构成其工程三件套：可复现性纪律第一梯队，但标签解码、稀疏切片、全男性队列三个坑必须先读避坑清单再动手。

11.2 适合谁

• 医学影像分割研究者：想把方法从结构分割推进到病理分割、从单序列推进到多序列融合的人——这里有多序列融合的公开坐标系与 15 法基准。
• MICCAI 挑战赛参赛者：需要小样本+多模态+缺失模态的标准练兵场与可复现榜单；两届规则差异本身就是一份"难度梯度训练计划"。
• 弱监督/半监督方法作者：官方 scribble 衍生标注提供了社区默认口径的弱监督基准，先行论文充足。
• 心脏影像临床研究团队：需要瘢痕/水肿自动定量以支撑 AMI 预后研究的工程团队——但请先读 §11.5 与附录 J 的落地红线。
• 多模态学习理论研究者：MvMM 谱系与融合层级消融素材都在，开放问题清单见 §8.5。

11.3 不适合谁

• 需要连续 3D 体数据或全心脏覆盖的方法（z 轴只有 2-6 层稀疏短轴，§2.2）。
• 需要 3D 逐体素高分辨率标注的预训练场景（层间距 12-23 mm 的插值是虚假信息，坑 6）。
• 需要性别均衡队列的公平性研究（2020 届 0 女性，坑 8）。
• 期望现成开源许可证、可以随意再分发的场景（无显式 license，data agreement 管着，坑 4）。
• 右心室病理研究（病理标签只勾左心室心肌，§4.1）。
• 非缺血性心肌病（心肌炎、HCM、结节病等）的病理分割——队列是纯 AMI，强化分布模式不适用于非缺血病因（§2.4）。

11.4 30 秒决策卡

你的处境	建议
只想快速验证多序列融合思路	用 2020 训练 25 例 + 官方自评工具箱，2D U-Net 起步
要对标 2024 真实世界设定	注册 CARE 2024，用未对齐版+缺序列设定，注意禁预训练规则
做弱监督分割	找官方 scribble 标注，按 20/5/20 口径，别混挑战赛口径
做结构分割	直接用 ACDC(511)/M&Ms(516)，MyoPS 的 200/500/600 标签仅作辅助
做配准研究	CARE 2024 未对齐版+对齐版参考（FAQ C7）
做教学练习	训练集+官方自评，学生自行注册（FAQ A7）
要女性数据	本数据集无解（45M/0F），换 M&Ms 系或补其他队列
商用	必须联系组织方书面授权（dingwangbin@fjmu.edu.cn 等）

11.5 常见误用 Top 5（事前自查）

从两届社区实践与本条目坑点清单中提炼的高频误用，动手前逐条自查：

1. 当结构分割数据集用：拿 MyoPS 训练 LV/RV 结构分割模型并与 ACDC 比分数——任务错位，306 切片也撑不起这个赛道。结构分割请去 ACDC(511)/M&Ms(516)。
2. 标签索引化读入：mask==i for i in 0..4 全空掩码（坑 2），或把 2221/1220 当切片数/面积去统计。
3. 切分口径串线：把 scribble 20/5/20 论文的分数与挑战赛 25/20 口径的分数同表比较（坑 5）。
4. z 向插值造 3D：把 2-6 层稀疏短轴插值成连续体再做 3D 卷积（坑 6）——插出来的层是编造的。
5. 跨届数据混训去参加 CARE 2024：违规使用外部数据/预训练模型（§5.4 规则红线），成绩会被取消。

FAQ（高频问答 55 问）

A. 基础认知

A1：MyoPS 的 Myo 是肌肉吗？
不是。是 myocardium（心肌）的词头。MyoPS = Myocardial Pathology Segmentation，心肌病理分割。任务简报中"肌肉 MRI 微结构挑战"为误称，已存照。

A2：它分割的是什么病？
急性心肌梗死（AMI）后的两类心肌病理：edema（水肿，T2 序列高信号，代表可挽救的"风险区"）与 scar（瘢痕，LGE 序列高信号，代表已坏死组织）。

A3：为什么需要三个序列？
bSSFP 提供可靠解剖边界但不显示病理；T2 显示水肿但信噪比低；LGE 显示瘢痕但血池同样高亮、边界模糊。单序列信息量不足以可靠定位病理，多序列融合是必要条件而非可选项。

A4：MyoPS 2020 和 CARE MyoPS++ 2024 是什么关系？
同一组织方（复旦庄吓海组）的两代挑战赛：2020 是首届（MICCAI 2020），2024 是 CARE 品牌 track4（MICCAI 2024）。后者把规模从 45 例扩到 250 例、从预对齐扩到未对齐、从全配齐扩到缺序列。

A5：有 MyoPS 2021/2022 届吗？
四轮检索（zmic 门户、zenodo、数字限定检索、变体拼写）未发现独立届次的直接证据。成稿以 2020 与 2024 两届为主干；若见"MyoPS 2022"字样，请先向来源索要一手链接再引用。

A6：它和 Kaggle 上的心脏数据集是一回事吗？
不是。MyoPS 走 MICCAI 挑战赛体系（zmic.org.cn / CMT / grand-challenge 风格），不托管在 Kaggle；下载入口见 §6。

A7：能拿来做课程教学/学生练习吗？
训练集在学术框架下可用于教学（挑战赛数据常用于医学影像课程），但仍受 data agreement 的学术用途约束；建议课程场景下只发官方页链接让学生自行注册下载，教师不要打包再分发（§6.5 红线）。教学选它的理由：小体积（笔记本可跑）、任务真实、官方评估器现成——比让学生在 ACDC 上内卷结构分割更有区分度。

A8：数据覆盖心脏的哪些范围？
左心室短轴从基底到心尖的 2-6 个层面（每序列），不覆盖心房、不覆盖长轴位、不覆盖全心脏 3D 解剖。与 ACDC 覆盖全左室（28-40 层连续短轴）不同，MyoPS 的层面是"够用就好"的临床协议——够覆盖梗死好发区域，但不是全解剖扫描。选数据集时先对齐这个覆盖差异。

A9：为什么条目里 2020 届的内容比 2024 届多？
信息可得性不对称：2020 届有完整基准论文（15 法分数、误差分析、队列人口学）+三年社区使用积累，可核事实密度高；2024 届（CARE）以官网一手信息为主（数据划分、规则、时间线），基准结果与深度分析随 workshop 论文逐步释放。本条目对 2024 届坚持"官网核实到哪写到哪"，不脑补未公布数字——这也是检索者引用时的应有纪律。

A10：MyoPS 与"AI-Ready Wikipedia"的关系是什么？
本条目是千方病案医数集为 MyoPS 数据集家族撰写的百科条目：把两届挑战的硬事实、获取路径、评测口径与避坑经验结构化为可检索的知识单元。条目本身不托管数据；所有下载与协议行为都发生在官方渠道（§6）。条目内的互链（rid）指向库内相邻数据集条目，方便构建"心脏影像"主题的知识图谱。

B. 数据与获取

B1：训练集怎么下载？
官方页（zmic.org.cn MyoPS 2020 页面 / sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20/）直接下载，无需注册。包内含 train25/、test20/、train25_myops_gd/、MyoPS2020_EvaluateByYourself/ 四个目录。

B2：测试集的金标准能拿到明文吗？
正常渠道拿不到。金标准以加密 .nii.gz（*_gdencrypt.nii.gz）发布，参赛者用官方工具箱本地评分但不暴露逐像素真值。学术用途需要明文时联系组织方说明理由。

B3：CARE 2024 数据怎么获取？
官网注册 + 签署 data agreement，经审核后获取；提交走官方评估平台。联系人：dingwangbin@fjmu.edu.cn（福建医科大学）、21110980009@m.fudan.edu.cn、zhangyang23@m.fudan.edu.cn。

B4：能商用吗？
默认不可以。数据集无显式开源许可证，data agreement 为学术用途框架；商用必须直接联系组织方取得书面授权。论文页 CC BY-NC-SA 4.0 只管论文文本。

B5：数据是什么格式？
全部 NIfTI 压缩格式（.nii.gz）：图像体数据与整数标签值掩码（200/500/600/1220/2221）。无 DICOM 原始层——若需要 DICOM 元数据（拍照参数、厂商字段），本数据集不提供。

B6：一个训练样本有多大？
体数据尺寸约 408×392×2 至 512×511×6，面内 0.73-0.76 mm、层厚 12-23 mm。单例三序列 + 掩码通常在几十 MB 量级，整个训练集远小于通用大影像数据集，笔记本硬盘即可容纳。

B7：CARE 2024 的"未对齐版"是什么？
未经 MvMM 预对齐的原始多序列数据，序列间存在真实的空间错位。官方测试提交以对齐版为准；未对齐版用于研究"配准+分割一体化"方法。

B8：CARE 2024 的验证集与测试集有何区别？
都来自中心 D（各 25 例），但验证集标签对参赛者可见（供调参/早停），测试集标签只有官方评估平台可见（供最终排名）。这与 2020 届"只有训练集带公开标签"的两分法不同——2024 届给了中间的调参缓冲。用验证集刷测试策略（在验证集上选超参后不再动测试提交）是合规且被期望的做法。

B9：官方页打不开怎么办？
CARE 2024 官网为 http 协议（非 https），部分浏览器/网络环境会拦截——本条目 2026-09-27 抓取时 http 直连成功。排查顺序：换浏览器/网络、直接访问 sdspeople 复旦页、检索 web archive 快照、邮件联系人索取最新链接。不要使用第三方转载的数据包——无法核验完整性与合规性。

B10：下载的包怎么校验完整性？
三步：目录核对（§6.1 的四目录与文件数）、抽样值域断言（§4.7 第 1 步）、体数据几何抽查（shape/affine 与 §2.2 的尺寸范围吻合）。官方包未发布哈希清单，故校验以内容抽验为主——任何目录缺失或值域异常都应先重下再排查代码。

B11：CARE 2024 的验证集标签真的可见吗？
按官网赛制设计，验证集（中心 D 的 25 例）提供公开标签供参赛者本地自检，测试集 25 例只经官方平台评分。这一"训练-验证-测试"三级结构与 2020 届的"训练-测试"两级结构不同；引用时注意别把 2024 的"验证 25"当成 2020 不存在的中间集。赛制细节若有更新以官网为准。

C. 标签与任务

C1：掩码里为什么有 5 类但比赛只评 2 类？
勾画时把整个左心室截面分给 5 类（LV/RV 血池、正常心肌、水肿、瘢痕），保证掩码完备；但比赛考题是"病理分割"，所以官方只评 edema 与 scar。LV/RV/normal 是免费送的辅助标注。

C2：2221 是什么意思？
是 scar（瘢痕）的 NIfTI 标签值——一个约定的大整数，不是切片数、不是面积、不是索引。edema=1220、normal=200、LV pool=500、RV pool=600。直接遍历 0-4 找类别会得到全空掩码（坑 2）。

C3：金标准是单人标注吗？
不是。三名独立受训观察者逐层勾画后取平均。这是"平均专家意见"式金标准，边界比单观察者金标准更平滑，但也意味着金标准本身携带观察者间不确定性。

C4：逐层 Dice 的空切片怎么处理？
以官方评估工具箱（MyoPS2020_EvaluateByYourself）实现为准。自写评测脚本时若对空真值/空预测的处理与官方不一致，分数会有系统性偏移——复现榜单请务必用官方工具箱。

C5：scribble 标注是官方的吗？
是庄吓海组发布的官方衍生标注（Zhang & Zhuang 2022a/2023），把逐像素金标准稀释为线条笔触供弱监督研究。社区常用切分 20/5/20（MedCL arXiv 2503.22890 披露），与挑战赛 25/20 口径不同。

C6：能把它当结构分割数据集用吗？
可以但不划算。金标准含 LV/RV/normal 三类结构标签可做结构分割，但 25 例/306 切片的规模远小于 ACDC 等专用结构分割数据集；MyoPS 的价值密度在病理标签上。

C7：金标准能用于配准研究吗？
可以但注意前提：官方发布的是预对齐后的版本，做"配准算法评测"需要的是未对齐输入——CARE 2024 的未对齐版正好提供这个（配准研究可用其对齐版当参考真值）。2020 届只有对齐版，做配准研究只能自己人为制造形变（合成形变场），结论的外推力有限——这类研究建议直接上 CARE 2024。

C8：normal 心肌标签（200）有什么用？
三用途：结构分割预训练（与 LV/RV 血池一起构成完整心脏解剖监督）；病理分割的负样本定义（病理=心肌内非 normal 区域）；心肌厚度/质量的几何测量（正常心肌环宽是 AMI 后重塑的观测指标）。别因为"不计分"就把它扔了——它是不平衡问题里最大的稳定类别，训练时对特征学习有稳定作用。

C9：能把自己的标注加进训练集吗？
技术上可行（NIfTI 格式+同一标签值体系即可并入），合规上要注意：你的新增标注基于官方图像，衍生数据同样受 data agreement 约束，发布时不能附带原始图像；标注协议应尽量复刻官方口径（三序列同层勾画、左心室心肌内三态判定），否则金标准体系混血，评测口径就说不清了。发论文时把"官方金标准"与"自扩展标注"分开报告。

C10：标签值之间为什么跳得这么开（200→500→600→1220→2221）？
官方没有公开解释编码设计，但可观察到它是"语义分组+位级扩展"式的：结构类（200/500/600）与病理类（1220/2221）数值上分离，病理类再按类型分段。工程含义：可以按数值区间（如 >1000 为病理）写粗筛逻辑，但正式解码仍应以精确标签值匹配为准——区间技巧仅用于调试与可视化。

D. 基准与方法

D1：榜单分数在哪看？
基准论文（Li et al., MedIA 2023, 87:102808；arXiv:2201.03186）给出 15 支入选算法的完整分数表与本条目 §7.1 的汇总数字。CARE 2024 的结果以官网与 workshop 论文集为准。

D2：15 支算法是怎么选出来的？
65 支正式参赛队伍提交了 23 份测试结果，其中 15 份提交了符合 LNCS 格式的方法说明并入选公开基准。榜单是"完整提交方法"的子集排名。

D3：冠军是什么方法？
冠军为电子科技大学（UESTC）队：scar Dice 0.708、edema Dice 0.731。基准论文未将其方法细节与名次一一公开对应的部分，需查 LNCS 挑战论文集中的对应方法论文（如 Altunok & Oksuz 残差 U-Net pp.128-137 等）。

D4：为什么我的复现分数比论文低很多？
按概率排序检查三件事：① 标签解码用了索引而非标签值（全空或部分空掩码）；② 评测口径与官方工具箱不一致（空切片处理、逐层 vs 逐例平均）；③ 把结构类（200/500/600）算进了病理指标。

D5：edema 分数普遍比 scar 高，是标签问题还是任务问题？
主要是任务问题：水肿区域大而连续、边界相对清楚；瘢痕斑块状、散在、不规则，部分瘢痕在非 LGE 序列上几乎不可见。基底部/心尖部层面系统性更差。

D6：CARE 2024 禁预训练模型，那 ImageNet 权重也不能用？
按官网规则，仅自动方法、禁外部数据与预训练模型——等于要求从零训练。参赛前请以官网规则原文为准，这条在本条目写作时点是明确的。

D7：自己的方法比 15 法均值高但比冠军低，说明什么？
说明你的实现大概率没有 bug（超过了 15 法中位数水平），且还有正常的提升空间。此时提升的杠杆点按性价比排序：两阶段 ROI 解耦（若还没用）→ 序列级增强定制（§3.5 推论三）→ 基底/心尖层面的针对性处理（§7.3）→ 融合结构创新（开放问题，回报不确定）。

D8：能把 15 法的排名当作方法学结论引用吗？
要小心。挑战排名受实现细节、调参算力、后处理技巧影响，不控制变量——“注意力融合排名第 3、早期融合排名第 8"不能推出"注意力优于早期融合”。基准论文自己也只做策略画像归纳（§7.5），不做排名归因。方法学结论请引用论文内受控的消融实验（若有），而非榜单名次。

D9：哪里能找到各队伍的方法论文？
入选基准的 15 队方法说明以 LNCS 挑战论文集形式出版（Springer，MICCAI 挑战工作坊论文集），CARE 2024 的方法论文随其 workshop 论文集发布。检索入口：按队名+LNCS/MICCAI 2020 组合检索；部分队伍另有 arXiv 预印本扩展版——预印本与论文集版本内容可能有出入，引用时注明所用版本。

E. 与库内其他条目

E1：和 ACDC(511) 怎么选？
考结构分割选 ACDC（100 例、连续短轴、社区基准丰富）；考病理分割只有 MyoPS（含 EMIDEC(696) 的 LGE 单序列梗死分割作为近亲）。两者也可串联：ACDC 预训练结构头 → MyoPS 微调病理头（注意 CARE 2024 禁预训练）。

E2：和 EMIDEC(696) 的区别？
EMIDEC 是 LGE 单序列的心梗死区域分割（含梗死区/微血管阻塞等类）；MyoPS 是三序列融合的水肿+瘢痕分割。任务最接近但模态设定与标签体系不同，分数不可直接互比。

E3：和 M&Ms(516)/M&Ms-2(682) 的关系？
同出庄吓海系的多中心结构分割挑战，考题是"多中心/多厂商下画准心脏"；MyoPS 考的是"多序列下看出病理"。域泛化方法论互通。

E4：想做多模态融合综述，库内还有哪些可引？
多模态医学分割方向：CHAOS(337)（CT/MRI 腹部）、MyoPS（CMR 内三序列）；多模态上下游：CMRxRecon(506)（重建）、CMRxMotion(687)（运动伪影）、cinc-2023(499)（ECG 梗死检测）。

E5：心血管疾病主题还有哪些库内条目？
myocardial-perfusion-spect(620)（SPECT 灌注）、echonet-dynamic(526) 与 camus(533)（超声心功能）、shhs(282)（睡眠与心血管）、cardiac-implantable-device-cxr(599)（器械）、cardiac-atlas-project(521)（统计形状建模）。

E6：CMRxMotion(687) 与 MyoPS 有什么衔接点？
CMRxMotion 考的是运动伪影下的鲁棒性，MyoPS 的数据是屏气采集、伪影被协议压制——两者是"干扰源归零"与"干扰源入题"的镜像设计。写多任务系统（采集→质控→分割）时，CMRxMotion 的伪影分级可以作为 MyoPS 模型部署前的输入质控参照；反过来 MyoPS 的多序列融合也可借鉴 CMRxMotion 的质量分层思路。

E7：为什么库内没有 MSCMRseg 条目？
本库对"同团队同体系、任务高度相邻且例数巧合重叠"的挑战家族采用合并立目策略：MSCMRseg 的关键事实并入本条目（§3.3、§9.4），不单独占一个 slug——避免两个 45 例条目在检索与互链中互相制造混淆。若未来 MSCMRseg 需要独立扩展（如其数据集被独立社区广泛使用），再拆分立目并双向互链。

F. 工程细节

F1：用什么库读数据？
nibabel 读 .nii.gz；掩码解码按 §4.2 映射。注意 get_fdata() 返回浮点，比较标签值用 np.isclose 或先转整型，避免浮点误差漏配。

F2：训练前要做哪些预处理？
官方预对齐版无需再配准。常见做法：面内裁剪到心脏 ROI、HU 不适用（MRI 用强度归一化如 z-score 或 0-1 截断）、逐层处理保持 2D 结构。T2 与 LGE 的强度分布与 bSSFP 差异大，跨序列强度归一化要分别做。

F2b：预处理的输出要不要落盘？
建议落盘（裁剪+归一化后的 2D 切片存 npz/png），理由有三：25 例数据量极小（落盘成本忽略不计）、调试时肉眼检查预处理结果最直观、实验之间共享预处理产物保证可比。但落盘的只是"训练中间产物"，测试推理必须从原始 .nii.gz 走同一条预处理链，并把几何还原（附录 L3）保留在链路末端。

F3：数据增强怎么做才安全？
空间增强必须三序列+掩码同步做（同参数同几何）；z 向插值避免（稀疏层）；强度增强按序列独立但参数共享。SPADE 类合成增强在 2020 届有队伍用且有效，但注意合成样本不要进入测试评估链路。

F4：2.5D 怎么实现？
把相邻 z 层作为输入通道（如 C0/T2/LGE 各取同层与邻层堆叠）。z 向感受野仍然有限（2-6 层），这是诚实上限；用插值"增厚"z 轴不会带来真实信息。

F5：如何声明数据来源？
引用基准论文：Li et al., MedIA 2023, 87:102808（或 arXiv:2201.03186）；用到预对齐方法引 Zhuang & Shen, IEEE TPAMI 2019, 41(12):2933-2946；用 CARE 2024 数据按其官网要求声明 data agreement 并联系确认引用格式。

F6：nibabel 读出来的掩码值对不上标签表怎么办？
先用 np.unique(gd) 看实际值域：正常应恰含 {0, 200, 500, 600, 1220, 2221}（或子集）。若出现小数尾差（如 199.99998），是浮点存储误差，用 np.isclose 吸收；若出现表外整数值，先确认拿的是不是 MSCMRseg 的数据（坑 3），再看是否混用了不同版本的掩码文件。

F7：训练循环里患者级与切片级怎么组织？
按患者分 folds（25 例建议 5-fold×5 例），fold 内再展开成切片。严禁同一患者的切片同时出现在训练与验证——306 个切片来自 25 例患者，患者级泄漏会让验证分数虚高 0.1 Dice 以上。

F8：类别不平衡怎么处理？
scar 与 edema 占心肌面积比例小（尤其 scar 斑块状散在），常见对策：Dice 类损失（天然抗不平衡）或 Dice+BCE 组合；空间裁剪聚焦心肌 ROI（两阶段流水线的第二阶段天然完成这件事）；采样时对含病理切片上采样。像素精度指标在这种不平衡下意义有限（§7.1 的"倒挂"现象），评估以 Dice 为主。

F9：能和 ACDC 数据混着训练吗？
学术上可以（结构预训练→病理微调），但要处理三件事：标签体系不同（ACDC 是 3 类结构、MyoPS 是 5 类含病理）、z 向分辨率不同（ACDC 连续、MyoPS 稀疏）、强度分布不同（ cine vs 黑血/延迟强化）。若目标是 CARE 2024 提交，混训直接违反"禁外部数据"规则。

F10：结果论文里应该报告哪些基线数字？
最低配置三件套：15 法均值（scar 0.614/edema 0.644）、冠军（0.708/0.731）、你自己方法在官方工具箱下的分数。若涉及 CARE 2024，用其官网公布的 winning 方法数字，并注明规则差异（禁预训练）使得跨届比较只能定性。

F11：推理结果怎么组织才能通过官方评估？
按工具箱说明的命名与目录约定输出（对齐 myops_test_201-220 的编号体系），输出格式与输入一致（.nii.gz、同尺寸同 spacing）。三个高频被拒原因：文件命名不匹配（大小写/分隔符）、体数据尺寸与输入不一致（预处理裁剪后忘了还原）、把标签值输出成了索引值。提交前用"训练掩码改名替换"做一次 dry-run 是最便宜的保险。

F12：如何把官方工具箱接进 CI/自动实验？
把工具箱脚本包进固定版本的容器（Python 依赖以工具箱 README 为准），评估入口做成"结果目录→分数 CSV"的纯函数式调用；每次实验落盘逐例分数（不只总分），便于事后做分布分析（§7.1 第四要点）。注意工具箱仅用于测试自评——训练/验证阶段的评估自己实现即可，但实现时先对齐工具箱的空切片口径。

F13：多 GPU/集群环境有什么注意点？
数据量小（训练集几十 MB 量级）意味着瓶颈不在 IO 而在通信与同步开销——单卡训练一个基线通常比多卡更快到收敛。多卡价值在超参搜索（并行跑不同种子/超参）而非数据并行。患者级切分（F7）在分布式采样时同样要保持——DataLoader 的 sampler 也要按患者分组。

F14：随机种子怎么设才能复现？
三层都要固定：框架层（torch/numpy/random）、CUDA 层（cudnn.deterministic + benchmark=False，接受小幅速度损失）、数据层（切分、增强、初始化的独立种子并落盘）。即使全固定，cuDNN 非确定性算子仍可能带来 ±0.005 级 Dice 波动——论文报告建议多种子均值±标准差（3-5 个种子），单次运行分数不做结论。

F15：切片少、类别多，loss 怎么选？
主流组合是 Dice Loss（或其多类软形式）+ 交叉熵的加权混合：Dice 抗类别不平衡、CE 提供逐像素梯度密度。三个额外建议：病理类（1220/2221）可加权重；背景不做过度抑制（血池/正常心肌占大面积）；训练早期若 Dice 不收敛，先检查是不是解码问题而不是调 loss——全空预测会让 Dice 类 loss 的梯度行为很怪。

事实清单（硬事实 36 条）

1. MyoPS 全称 Myocardial Pathology Segmentation Combining Multi-Sequence Cardiac Magnetic Resonance，多序列 CMR 心肌病理分割挑战。
2. 组织方为复旦大学庄吓海（Xiahai Zhuang）组；门户 zmic.org.cn，复旦页 sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20/。
3. 两届主干：MyoPS 2020（MICCAI 2020 首届）+ CARE MyoPS++ 2024（MICCAI 2024 CARE track4）。
4. MyoPS 2020 数据 = 45 例 AMI 患者三序列配齐 = 25 训练（公开金标准）+ 20 测试（金标准加密）。
5. 训练 25 例共 306 个 2D 切片 = 102 例 × 3 序列；每序列 2-6 层短轴。
6. spacing：min (0.73,0.73,12)、median (0.73,0.73,14)、max (0.76,0.76,23) mm。
7. 体数据尺寸 408×392×2 至 512×511×6；MDPI 引文口径面内约 0.75×0.75 mm。
8. 标签值编码：scar=2221、edema=1220、normal myocardium=200、LV blood pool=500、RV blood pool=600。
9. 金标准由三名独立受训观察者逐层勾画取平均。
10. 数据"directly collected from the clinic without any selection"（无选择连续入组）。
11. 包结构：test20 / train25 / train25_myops_gd / MyoPS2020_EvaluateByYourself。
12. 测试金标准加密命名形如 myops_test_201_gdencrypt.nii.gz；评估工具箱独立直链 sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20/test_image_evaluation_kit.zip。
13. 全部数据预对齐到公共空间（MvMM，Zhuang & Shen, IEEE TPAMI 2019, 41(12):2933-2946）。
14. 2020 运营：76 注册申请、65 队参赛、23 份测试提交、15 支算法入选公开基准；每队测试提交≤2 次；平台 CMT。
15. 15 法平均 Dice：scar 0.614、edema 0.644；平均像素精度 scar 83.6%、edema 74.3%。
16. 2020 冠军 UESTC（电子科技大学）：scar 0.708、edema 0.731。
17. 15 支入选算法全部为深度学习，多数 U-Net 变体；两阶段 ROI+分割与重度增强（含 SPADE 合成）是常见策略。
18. 队列人口学：56.2±7.92 岁，45 男/0 女（全男性）；见基准论文 Table I（arXiv 2302.03537）。
19. 基准论文：arXiv:2201.03186（2022）“MyoPS: A benchmark of myocardial pathology segmentation…”；MedIA 正式版 Li et al. 2023, 87:102808。
20. arXiv 论文页许可 CC BY-NC-SA 4.0（论文许可，非数据许可）。
21. 数据集本体无显式开源许可证声明；获取需签 data agreement。
22. Funding：NSFC 61971142 / 62111530195 / 62011540404 + 上海市人才发展基金 2020015。
23. CARE MyoPS++ 2024：250 患者 / 7 中心（中法英）= 145 三序列 + 24 bSSFP+LGE + 81 仅 LGE。
24. 中心分布：A=81（仅 LGE）/B=50/C=45/D=50/E=7/F=9/G=8；训练=中心 A,B,C,E,F,G（200 例）；验证/测试各 25 例来自中心 D。
25. CARE 预处理：LGE/T2 取舒张末期；发布 MvMM 预对齐与未对齐两版；测试提交用对齐版。
26. CARE 命名：[PatientID]_LGE/_T2/_C0/_gd.nii.gz；时间线 2024-05-10 训练发布 → 2024-10-10 workshop。
27. CARE 规则：仅自动方法、禁外部数据、禁预训练模型；指标 DSC/PRE/SEN/SPE。
28. CARE 联系人：dingwangbin@fjmu.edu.cn（福建医科大学）、21110980009@m.fudan.edu.cn、zhangyang23@m.fudan.edu.cn。
29. 病理结论：edema 大而连续易分；scar 斑块状不规则难分；基底部/心尖部层面显著差；模型不确定性与观察者分歧相关。
30. 衍生 scribble 标注（Zhang & Zhuang 2022a/2023）；社区常用 20/5/20 切分（MedCL arXiv 2503.22890 披露）。
31. MSCMRseg（2018/19）为 45 例 LGE 结构分割挑战，与 MyoPS 相邻但任务不同（例数 45 为巧合）。
32. MyoPS-Net（Qiu et al., MedIA 2023, 84:102694）另含 50 对五序列私有集；Ding et al. 方法论文载 IEEE TMI 2023。
33. 参赛方法论文收入 Springer LNCS 挑战论文集（例：Altunok & Oksuz, pp.128-137）。
34. CARE 2024 官网为 http 协议（zmic.org.cn/care_2024/track4/），声明各中心伦理批准+匿名化；2026-09-27 抓取核验。
35. 病理只勾画在左心室心肌上，右心室心肌的病理不在标注范围（RV 区域仅标血池）。
36. scar 体积中位数约 26.1 cm³、edema 体积中位数约 18.89 cm³（训练队列体积统计量级参照）。

术语表（40 条）

1. MyoPS：Myocardial Pathology Segmentation，多序列 CMR 心肌病理分割挑战；“Myo”=心肌。
2. bSSFP：balanced Steady-State Free Precession，稳态自由进动序列；本数据集代号 C0，提供解剖边界。
3. LGE：Late Gadolinium Enhancement，钆延迟强化；本数据集代号 DE，瘢痕评估金标准序列。
4. T2-weighted：T2 加权序列；水肿敏感，信噪比低。
5. edema（水肿）：AMI 后心肌含水量增加区域，T2 高信号，标签值 1220；代表"可挽救心肌"（area at risk）。
6. scar（瘢痕）：心肌梗死后纤维化坏死区，LGE 高信号，标签值 2221；代表不可逆损伤。
7. AMI：Acute Myocardial Infarction，急性心肌梗死；本数据集全部病例的病因。
8. 短轴位（short-axis）：垂直于左心室长轴的标准心脏 MRI 切面；本数据集全部为短轴层。
9. 层间距（slice spacing）：相邻层面中心距；本数据集 12-23 mm，远大于面内分辨率，决定其稀疏堆叠性质。
10. 2.5D：以相邻层面为通道的伪三维方法；本数据集上比真 3D 更合理。
11. MvMM：Multimodal Varying Manifold Model，多模态变化流形模型；跨模态联合配准-分割概率框架，数据预对齐所用方法。
12. 标签值编码：掩码整数存的是类别字面值（200/500/600/1220/2221）而非 0-4 索引。
13. Dice / DSC：Dice Similarity Coefficient，分割重叠度指标，2|A∩B|/(|A|+|B|)。
14. CARE：Comprehensive Application-oriented Challenge on Real-world data，MICCAI 2024 挑战品牌；MyoPS++ 为 track4。
15. CMT：2020 届测试提交所用的官方在线评测平台。
16. data agreement：数据使用协议；获取 2020 测试自评权限与 CARE 2024 数据的前置签署文件。
17. 加密金标准：以加密 .nii.gz 发布的测试真值（*_gdencrypt.nii.gz），配官方评估器实现本地自评而不泄露真值。
18. EvaluateByYourself：官方自评工具包目录名，含评估脚本与加密金标准。
19. scribble 标注：官方衍生的线条笔触稀释标注，用于弱监督分割研究；常用切分 20/5/20。
20. MSCMRseg：同一组织方 2018/19 的 LGE 结构分割挑战（45 例 LV/RV/Myo），与 MyoPS 是两个数据集。
21. MyoPS-Net：组织方方法延伸（Qiu et al., MedIA 2023），含 50 对五序列私有集。
22. U-Net 变体：编码-解码分割网络家族；2020 届 15 支入选算法的主流主干。
23. 两阶段流水线：先 ROI/心肌定位、后病理分割的解耦策略；2020 届主流。
24. SPADE 增强：空间自适应合成式数据增强；2020 届个别队伍用于扩充小样本。
25. 部分容积效应：层厚大导致体素内混合多种组织信号；基底部/心尖部分割难度高的主因。
26. 舒张末期（end-diastole）：心室充盈最大的时相；CARE 2024 统一取 LGE/T2 舒张末期帧。
27. 域泛化（domain generalization）：跨中心/跨厂商 unseen 域性能；M&Ms-2 与 CARE 2024 的共同母题。
28. 观察者间变异（interobserver variability）：不同标注者的一致性差异；MyoPS 金标准"取平均"的由来。
29. NIfTI（.nii.gz）：神经影像通用格式；本数据集图像与掩码的存储格式。
30. MICCAI：医学图像计算与计算机辅助介入国际会议；两届挑战的举办框架。
31. DE（delayed enhancement）：延迟强化，2020 届对 LGE 序列的文件命名代号；与 LGE 同指一序列。
32. C0：2020 届对 bSSFP 序列的文件命名代号；两届通用。
33. ROI 解耦：先定位心肌/心室感兴趣区、再在裁剪区内做精细分割的两阶段策略。
34. 患者级切分（patient-level split）：以患者为单位划分训练/验证/测试，防止切片级泄漏的最小合规单位。
35. 舒张期/收缩期：心动周期的心室充盈相与射血相；跨序列对比必须在同一时相（CARE 2024 取舒张末期）。
36. 数据集漂移（dataset shift）：训练与部署数据分布不一致的现象；CARE 2024 的中心隔离切分即其制度化模拟。
37. 弱监督（weak supervision）：用稀疏/不精确标注（如 scribble）训练分割模型的方向；MyoPS 官方衍生标注服务的对象。
38. 不确定性图（uncertainty map）：模型输出置信度的空间可视化；基准论文证明其与专家分歧区域高度重合，可指导人工复核。
39. 黑血/亮血成像：CMR 的两类对比策略；bSSFP 属亮血技术，血池高信号是其边界可靠性的来源。
40. 标签图（label map）模式：医学影像查看器中按类别着色（而非灰度拉伸）显示掩码的模式；查看 1220/2221 大标签值时的正确姿势。

附录

附录 A：条目信息速查卡

字段	值
条目 slug	myops
数据集名	MyoPS（Myocardial Pathology Segmentation Combining Multi-Sequence CMR）
组织方	复旦大学庄吓海组（zmic.org.cn）
两届主干	MyoPS 2020（45 例=25+20）；CARE MyoPS++ 2024（250 例/7 中心）
模态	CMR 短轴三序列：bSSFP（C0）/T2/LGE（DE）
任务	心肌病理分割（edema=1220、scar=2221 为主评；LV/RV/normal 辅助）
基准论文	arXiv:2201.03186；Li et al., MedIA 2023, 87:102808
冠军	UESTC：scar 0.708 / edema 0.731（15 法平均 0.614/0.644）
许可	数据无显式 license（data agreement 框架）；论文页 CC BY-NC-SA 4.0 仅论文
获取	2020 训练集公开直链；测试金标准加密+官方工具箱；CARE 2024 注册+协议
官方页	zmic.org.cn；sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20/
CARE 2024 官网	zmic.org.cn/care_2024/track4/（http 协议）
联系人	dingwangbin@fjmu.edu.cn；21110980009@m.fudan.edu.cn；zhangyang23@m.fudan.edu.cn
Funding	NSFC 61971142 / 62111530195 / 62011540404；上海人才发展基金 2020015
抓取核验	2026-09-27

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	官方页+MICCAI 门户+zmic 门户三入口可检索；基准论文 arXiv 与 MedIA 高被引；无统一 DOI 指向数据本体，扣 2
A 可获取性	6	2020 训练集公开直链零门槛；测试金标准加密（依赖官方工具箱自评）；CARE 2024 注册+data agreement 门槛；无显式开源许可证
I 可交互性	7	NIfTI 标准格式+nibabel 即读；标签值编码需显式解码（有事故率）；两届命名体系不统一
M 元数据完备性	7	官方公布 spacing 统计、尺寸范围、切分口径、标签值表；但无机器可读元数据文件（JSON/YAML），人口学仅论文 Table I
S 可持续性	7	学术机构长期维护（2020-2024 两届延续），评估工具箱与加密金标准模式可持续；依托课题组个人服务器（sdspeople）有单点风险

DAIMS 总分 35/50（加权均值 7.0/10）：定位为"获取有门槛、工程质量高"的挑战赛型数据集。可获取性是主要短板（加密金标准+无显式 license），工程纪律（可复现自评闭环）是主要长板。

对照库内光谱解读这组评分：公开直链型数据集（如 ACDC 类）D/A 双高但评测配套弱；请求制数据集（如掩码请求制类）A 偏低；MyoPS 的差异化在于用"加密+官方评估器"部分补偿了"拿不到测试真值"——你拿不到数据本体，但拿得到与官方一致的评分能力。这种"评分能力开放、真值封闭"的组合在 AI-Ready 评估里应视为中间形态，而非简单扣分项。

附录 C：逐项证据链自证

关键事实	证据源	性质
45 例=25 训练+20 测试	openmedlab 文档 + arXiv 2302.03537 + MDPI 引文	三方互证
标签值 200/500/600/1220/2221	openmedlab + 基准论文标签定义	双源互证
306 切片（102×3）	openmedlab + 官方页数据说明	双源互证
spacing min/median/max	官方页/基准论文数据节	一手来源
76/65/23/15 运营数字	基准论文（Li 2023 MedIA）	一手来源
15 法平均与冠军分数	基准论文结果表	一手来源
冠军 UESTC	基准论文	一手来源
45M/0F、56.2±7.92 岁	arXiv 2302.03537 Table I	一手来源
MvMM 与 TPAMI 出处	IEEE TPAMI 2019, 41(12):2933-2946	一手来源
CARE 250/7 中心/145+24+81/中心分布	CARE 官网 track4 页（2026-09-27 抓取）	一手来源
CARE 时间线与规则	CARE 官网（http）	一手来源
联系邮箱	CARE 官网联系节	一手来源
NSFC 与上海人才基金	基准论文致谢节	一手来源
scribble 与 20/5/20	Zhang & Zhuang 2022a/2023 + MedCL arXiv 2503.22890	双源互证
MyoPS 2022 无独立届次	四轮检索未命中（zmic/zenodo/数字限定/变体）	否定性存照
MICES 不存在	三轮检索证伪（改道依据）	否定性存照
scar/edema 体积中位数（26.1/18.89 cm³）	基准论文体积统计	一手来源
弱监督 20/5/20 切分口径	MedCL arXiv 2503.22890	一手来源
病理仅勾画左心室心肌	基准论文勾画协议	一手来源
brief 误述"肌肉 MRI"	任务简报 vs 官方全称	双口径存照
CARE 中心划分 A-G	CARE 官网 track4 页	一手来源
"仅自动方法/禁外部/禁预训练"规则	CARE 官网规则节	一手来源

附录 D：数据获取决策树

你要做什么？
├── 只训练（不需要测试金标准）
│   └── 下载 MyoPS 2020 train25 + train25_myops_gd（公开直链）
│       ├── 想要弱监督 → 另找官方 scribble 标注（20/5/20 口径）
│       └── 想要 3D → 先读坑 6（稀疏短轴，改 2D/2.5D）
├── 要复现 2020 榜单
│   └── test20 + MyoPS2020_EvaluateByYourself（官方工具箱自评）
│       ├── 需要明文测试金标准 → 邮件组织方说明学术理由
│       └── 评测 → 必须用官方脚本，勿自写（坑：空切片口径）
├── 要做真实世界/缺序列/未对齐
│   └── 注册 CARE MyoPS++ 2024（签 data agreement）
│       ├── 训练域：中心 A(仅LGE)+B+C+E+F+G
│       ├── 提交：对齐版测试 → 官方评估平台
│       └── 规则红线：仅自动方法/禁外部数据/禁预训练
├── 只想做配准研究
│   └── CARE 2024 未对齐版输入 + 对齐版参考（§FAQ C7）
├── 要做教学
│   └── 训练集 + 课程练习；学生自行注册下载，教师不打包分发（§FAQ A7）
└── 要商用
    └── 无公开路径 → 邮件 dingwangbin@fjmu.edu.cn 等书面授权

附录 E：类别映射与使用规范

标签值	英文	中文	评测	使用建议
0	background	背景	—	解码后索引 0
200	normal myocardium	正常心肌	否	结构分割辅助监督
500	LV blood pool	左心室血池	否	ROI 定位/解剖预训练
600	RV blood pool	右心室血池	否	同上
1220	edema	心肌水肿	是	主评对象；Dice 单列
2221	scar	心肌瘢痕	是	主评对象；Dice 单列

解码骨架（与 §4.2 代码一致）：

LABEL_MAP = {200: 1, 500: 2, 600: 3, 1220: 4, 2221: 5}  # 0 留给背景
# 评测只用索引 4（edema）与 5（scar）

跨届注意：CARE 2024 金标准（[PatientID]_gd.nii.gz）沿用同一标签值体系，但部分病例（仅 LGE 组）的掩码可能只含病理相关类——加载后先做值域检查再入训练循环。

对可视化工具（如 3D Slicer/ITK-SNAP）的两条提示：其一，加载后手动设窗宽窗位或标签色表时，色表条目按标签值命名（200-normal/500-LV/600-RV/1220-edema/2221-scar），避免默认色表把大数值标签截断；其二，若工具默认把掩码当灰度图拉伸显示，病理类会"隐形"——先切换为标签图（label map）模式再叠加。

附录 F：从零复现 2020 榜单的工程骨架

以下骨架假设单机单卡环境，目标是把"官方包→榜单口径分数"的完整链路一次搭通；方法创新在链路跑通之后再做。

# 1. 下载官方包（官方页直链）
#    MyoPS2020/{test20, train25, train25_myops_gd, MyoPS2020_EvaluateByYourself}
unzip MyoPS2020.zip -d MyoPS2020
# 2. 评估工具箱独立直链（如包内缺失）
#    sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20/test_image_evaluation_kit.zip

# 3. 数据加载与解码骨架（2D 逐层）
import nibabel as nib, numpy as np, glob

LABEL_MAP = {200: 1, 500: 2, 600: 3, 1220: 4, 2221: 5}

def load_case(case_dir, pid):
    seqs = {}
    for tag, name in [("C0", "C0"), ("DE", "DE"), ("T2", "T2")]:
        seqs[tag] = nib.load(f"{case_dir}/myops_train_{pid}_{name}.nii.gz").get_fdata()
    gd = nib.load(f"{case_dir}/myops_train_{pid}_gd.nii.gz").get_fdata()
    label = np.zeros_like(gd, dtype=np.uint8)
    for val, idx in LABEL_MAP.items():
        label[np.isclose(gd, val)] = idx
    return seqs, label   # z 轴 2-6 层：按层切 2D 样本，勿做 z 向插值

# 4. 训练要点（对齐 2020 届主流做法）
#    - 2D U-Net 变体；两阶段：C0 上定位心肌 ROI → 三序列裁剪区上分病理
#    - 空间增强三序列+掩码同步；强度增强按序列独立
#    - 比赛只评 idx 4（edema）/idx 5（scar）的 Dice

# 5. 测试自评（不接触明文金标准）
cd MyoPS2020/MyoPS2020_EvaluateByYourself
#    按工具箱说明放置推理结果（命名对齐 myops_test_201-220）
#    运行官方评估脚本 → 得到 scar/edema Dice（对齐榜单口径）
# 6. 对照基准：15 法平均 scar 0.614 / edema 0.644；冠军 0.708 / 0.731
#    系统性偏低 → 先查标签解码与空切片口径，再查模型

使用声明模板：本工作使用了 MyoPS 挑战赛数据集（Li et al., MedIA 2023, 87:102808；arXiv:2201.03186），数据经官方渠道获取并遵守 data agreement；预对齐基于 MvMM（Zhuang & Shen, IEEE TPAMI 2019, 41(12):2933-2946）。

附录 G：两届挑战全景对照总表（检索者速查）

维度	MyoPS 2020	CARE MyoPS++ 2024
会议框架	MICCAI 2020	MICCAI 2024（CARE track4）
病例总数	45	250
训练/验证/测试	25 / — / 20	200 / 25 / 25
中心	1（中国）	7（中法英）
序列配置	全三序列	145 三序列+24 双序列+81 仅 LGE
训练中心	—	A,B,C,E,F,G
验证/测试中心	—	D
序列代号	C0 / DE / T2	C0 / LGE / T2（命名 PatientID_XXX）
对齐状态	MvMM 全预对齐	双版发布（对齐+未对齐）
预处理要点	屏气、同心动周期	LGE/T2 取舒张末期
标签体系	200/500/600/1220/2221	沿用同体系
评测类	scar+edema	scar+edema（扩展 DSC/PRE/SEN/SPE）
方法限制	每队提交≤2 次	仅自动/禁外部/禁预训练
测试真值形态	加密+自评工具箱	官方平台在线评测
运营数字	76 注册/65 队/23 提交/15 入选	官网未公布完整运营数
时间线	MICCAI 2020 年会	2024-05-10 发布→2024-10-10 workshop
官网	zmic.org.cn（MyoPS 2020 页）	zmic.org.cn/care_2024/track4/（http）

此表与本条目 §5.4 的对照表互为补充：§5.4 偏"规则与流程"，本表偏"数据与事实"。写数据集对比论文时建议直接合并两表使用；单独引用时注明届次与抓取时点（2026-09-27），CARE 2024 的运营数字（报名/提交量）官网未公布，表中留白即事实状态，不要用第三方转述填补。

附录 H：多序列融合方法分类与 MyoPS 上的表现

面向"读完就能选型"的整理，融合位置的分类与本数据集上的已知证据：

融合层级	机制	在 MyoPS 上的证据
像素级（早期）	三序列拼接为多通道输入	15 法常见；实现简单，性能与中期融合无显著差
特征级（中期）	各序列独立编码器+跨序列注意力/跳跃连接	15 法少数；无压倒性优势——融合层级是开放问题（§8.5）
决策级（后期）	各序列独立分割再融合输出	个别队伍；灵活应对缺序列但丢跨模态细节
两阶段解耦	C0 结构定位→ROI 内病理分割	主流；把易任务（结构）与难任务（病理）分开
模态 dropout	训练随机丢序列通道	CARE 2024 缺序列设定的主流应对（§3.4）
模态蒸馏	全序列教师→缺序列学生	CARE 2024 中心 A（仅 LGE）场景的应对

选型建议：入门用两阶段+早期融合起步（与 15 法主流对齐，复现性最好）；研究创新点放在中期融合或缺序列鲁棒（开放问题所在）；面向 CARE 2024 交付时先读规则（§5.4）再定架构。

一个反直觉的提醒收尾：融合越"重"不一定越好。中期融合的跨序列注意力参数量可观，而训练集只有 306 个切片——参数增长与数据规模严重失配时，重型融合模块容易过拟合到训练中心的采集风格。文献里"轻量融合+强增强+两阶段"跑赢"重型融合"的例子不少见；做架构决策时，先用参数量与训练样本量的比值做个 sanity check（本数据集上每参数摊到的监督像素非常有限）。

附录 I：常见错误代码对照（错误写法 vs 正确写法）

# 错误 1：把标签值当索引遍历 → 全空掩码
for i in range(5):
    mask_i = (gd == i)          # 全空：掩码里根本没有 0-4

# 正确 1：显式标签值映射
LABEL_MAP = {200: 1, 500: 2, 600: 3, 1220: 4, 2221: 5}
mask = np.zeros_like(gd, dtype=np.uint8)
for val, idx in LABEL_MAP.items():
    mask[np.isclose(gd, val)] = idx

# 错误 2：浮点直接相等比较 → 漏配部分体素
mask = (gd == 2221).astype(np.uint8)   # 浮点存储尾差导致漏配

# 正确 2：np.isclose 吸收浮点误差
mask = np.isclose(gd, 2221).astype(np.uint8)

# 错误 3：患者级数据泄漏的切分
slices = glob.glob("train25/*/C0*.nii.gz")   # 按切片切 folds
train, val = random_split(slices, [0.8, 0.2]) # 同患者切片跨集泄漏

# 正确 3：患者级分组切分
pids = list(range(1, 26))                     # 25 例患者
folds = np.array_split(np.random.permutation(pids), 5)
# fold 内再展开成切片；验证分数才可信

# 错误 4：对稀疏短轴做 z 向 3D 重采样 → 虚假平滑
img_3d = zoom(data, (1, 1, 8), order=3)       # 12mm→1.5mm 纯属编造

# 正确 4：保持 2D 逐层，或相邻层作通道（2.5D）
x = np.concatenate([c0[:,:,k-1:k+2], t2[:,:,k:k+1], de[:,:,k:k+1]], axis=-1)

附录 J：临床落地场景与部署提示

MyoPS 训练的模型在真实临床管线里的四个候选落点，各自的对接要求：

1. AMI 出院前报告自动定量：输入三序列 CMR → 输出 scar/edema 体积与占比（scar 体积中位数约 26.1 cm³、edema 约 18.89 cm³ 的量级参照）→ 对接结构化报告。要求：置信度阈值+低置信区人工复核（§7.3 的不确定性证据支持这一设计）。
2. 血运重建术后随访对比：同一患者前后两次扫描的 scar 变化定量。要求：跨时相配准（本数据集未覆盖，需自行解决）。
3. T2 缺失场景的水肿估计：仅 LGE/bSSFP 输入时输出水肿概率图。要求：明确标注"模型在缺序列输入下未经充分验证的边界"——CARE 2024 的缺序列设定是训练素材但测试域三序列配齐，缺序列测试性能需自行补验证。
4. 科研队列的表型量化：大规模 CMR 队列（如 UK Biobank 风格）的病理筛查。要求：注意队列人口学与 MyoPS（45 例全男性 AMI）的差异，先做小样本域适应验证。
5. 弱监督标注预填：新采集临床数据先由 scar/edema 模型预填勾画草稿、医生修正。要求：预填模型在小样本域的失败模式（漏掉小瘢痕灶）恰好是医生最容易漏看的方向——预填系统应同时输出不确定性图，把"模型没把握"和"医生没注意"双保险叠加。

共同红线：MyoPS 金标准是"平均专家意见"（§4.5），模型输出应作为"第二意见"而非"真值替代"；报告模板中保留医生复核字段。

附录 K：检索关键词包（文献与数据检索用）

中文：心肌病理分割；多序列心脏磁共振；心肌水肿分割；心肌瘢痕分割；急性心肌梗死 CMR；多模态医学图像融合；心脏挑战赛。

英文：MyoPS challenge；myocardial pathology segmentation；multi-sequence CMR segmentation；bSSFP T2 LGE fusion；edema and scar segmentation；multimodal varying manifold model（MvMM）；CARE MyoPS++；MICCAI challenge cardiac pathology。

组合提示：检索 2020 届事实时优先组合 “MyoPS 2020” + “benchmark”/“segmentation”；检索 2024 届时用 “CARE MyoPS++” 或 “MyoPS 2024”；避免用 “MyoPS 2022”（无独立届次证据，§9.4）；避免 “MyoPS muscle MRI”（误称来源，见 FACTS 存照）。

布尔检索式示例（可直接粘贴到学术检索引擎）：

• 基准事实："MyoPS" AND ("benchmark" OR "challenge") AND "cardiac"
• 方法线："multi-sequence" AND "CMR" AND ("edema" OR "scar") AND "segmentation"
• 2024 届："CARE" AND "MyoPS"（或限定 2024 年份 + MICCAI）
• 弱监督线："MyoPS" AND ("scribble" OR "weakly supervised")
• 理论线："multimodal varying manifold" OR ("MvMM" AND Zhuang)

附录 L：官方评估工具箱使用 FAQ（MyoPS2020_EvaluateByYourself）

L1：工具箱里有什么？
评估脚本（计算 scar/edema 的 Dice 等指标）与加密测试金标准（myops_test_201_gdencrypt.nii.gz 等 20 个文件）。脚本在本地解密评分，不暴露明文真值——这是"可复现"与"保密"的平衡设计。

L2：独立下载地址？
sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20/test_image_evaluation_kit.zip（官方页亦随包发布）。

L3：评估脚本报"尺寸不匹配"怎么办？
你的推理输出被预处理改过（裁剪/重采样）而未还原。正确姿势：推理 pipeline 的最后一步必须把预测掩码还原到原始测试图像的几何（尺寸+spacing+origin 对齐）——用 SimpleITK 的 CopyInformation 或 nibabel 的 affine 回写。

L4：分数与论文对不上但差异不大，正常吗？
0.01-0.02 的浮动通常来自实现细节（插值边界、空切片口径）；系统性偏差（>0.05）几乎都是标签解码或几何还原错误。先跑"训练集交叉验证"校准自己的评测实现与官方口径的差异，再评估测试分数。

L5：能反解加密金标准吗？
不要尝试。技术上是对工具箱的逆向工程，违反 data agreement 的精神与条款；学术信誉成本远高于收益。需要测试真值做离线分析时，邮件组织方说明用途——挑战方对合理学术请求通常有正规通道。

L6：工具箱支持 Windows/macOS 吗？
工具箱以 Python 脚本为主体，跨平台可用；依赖以包内 README 为准。若脚本依赖特定 nibabel/SimpleITK 版本，按 README 锁定版本——工具箱的分数口径与依赖版本绑定，升级依赖前先验证一份已知结果。

附录 M：写作与引用模板包

论文数据节模板：

We used the MyoPS challenge dataset (Myocardial Pathology Segmentation combining multi-sequence CMR), comprising 45 patients with acute myocardial infarction scanned with bSSFP, T2-weighted, and LGE sequences (25 training cases with public gold standard, 20 testing cases with encrypted labels evaluated via the official toolkit). Data were pre-aligned to a common space using MvMM. The benchmark results of 15 selected algorithms are reported in Li et al. (Med Image Anal 2023;87:102808).

限制节（limitations）模板要点：

1. 训练队列规模小（25 例/306 切片），结论外推需谨慎；
2. 队列全男性（45M/0F），性别泛化未验证；
3. 金标准为三观察者平均，携带标注协议固有的不确定性；
4. 稀疏短轴（层间距 12-23 mm）限制 3D 上下文利用；
5. （若用 CARE 2024）训练域与测试域来自不同中心，跨中心性能已由赛制约束但真实部署仍需本地验证。

模型卡（model card）建议字段：训练数据（届次+切分口径）、评测工具（官方工具箱版本）、指标（Dice per class）、已知盲区（基底/心尖层面、非缺血性病理、女性患者）、许可（数据经 data agreement 获取，模型权重许可见你的项目条款）。

对照实验声明模板（与结构分割数据集混用时）：

Scores on MyoPS are not directly comparable to structural segmentation benchmarks (e.g., ACDC) due to differences in task definition (pathology vs. structure), annotation protocol (3-observer averaged vs. single expert), and image geometry (sparse vs. contiguous short-axis stacks).

BibTeX 快速引用块（四件套）：

@article{myops_benchmark,
  title={MyoPS: A benchmark of myocardial pathology segmentation combining
         three-sequence cardiac magnetic resonance images},
  journal={Medical Image Analysis},
  volume={87}, pages={102808}, year={2023},
  note={arXiv:2201.03186}
}
@article{mvmm,
  author={Zhuang, Xiahai and Shen, Jiahang},
  title={Multimodal Varying Manifold Model for Multimodal Registration
         and Segmentation of Cardiac MRI},
  journal={IEEE Transactions on Medical Imaging (under the name IEEE TPAMI)},
  volume={41}, number={12}, pages={2933--2946}, year={2019}
}

附录 N：从数据到论文的完整工作流（6 周参考计划）

给"第一次做 MyoPS 课题"的团队一份时间线参考（单人+单 GPU 的量级估算）：

周	里程碑	关键动作
第 1 周	数据就绪	官方包下载→§4.7 五步抽查→数据加载器+值域断言→复现一版简单基线（2D U-Net 单序列）
第 2 周	基线对齐	三序列早期融合基线→官方自评工具箱打通→分数落进 15 法区间（scar 0.5-0.7）即健康
第 3 周	方法迭代	两阶段 ROI 解耦→序列定制增强→患者级 5-fold 交叉验证锁定模型选择协议
第 4 周	消融实验	融合层级消融（早/中/晚）→缺序列消融（模拟 dropout）→逐例分数分析定位薄弱病例
第 5 周	测试自评	测试 20 例推理→几何还原→官方工具箱评分→与训练 CV 分数差>0.05 时回头查泄漏/域移
第 6 周	成文	按 §7.7 规范报告→附录 M 模板写数据节与限制节→引用四件套核对（§8.1）

两条经验规则：其一，第 2 周末的"分数落区间"是整个计划的咽喉——落不进 15 法区间就不要往下走，先修实现；其二，患者级切分协议必须在第 3 周锁定并冻结，之后任何"调参顺手改切分"的冲动都是向泄漏让步。

按社区反馈频率排的返工 Top3（提前知道可以全部避开）：

1. 评测口径返工：自写评测与官方口径不一致，全部实验重跑——对策：第 1 周就用官方工具箱校准（附录 L4）。
2. 几何还原返工：测试输出的 spacing/origin 未对齐，官方评估拒收或分数异常——对策：预处理链路的还原步骤从一开始就写进代码（附录 L3）。
3. 切分口径返工：先按切片切分做了全部实验，投稿前被指出泄漏——对策：第 3 周冻结患者级协议（正文附录 N 第 3 周）。

---

本条目由千方病案医数集生产管线生成；事实抓取与核验时点 2026-09-27；FACTS 档案见 writing/myops/FACTS.md。

---

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
• lvquant — 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
• 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。