ODELIA Breast MRI Challenge (odelia) — AI-Ready Wikipedia

INFOBOX — ODELIA 一屏速览

维度	内容
本质	EU ODELIA 项目（群学习，swarm learning）主办的 ODELIA Breast MRI Challenge 2025 公开挑战赛数据集
上位项目	Open Consortium for Decentralized Medical Artificial Intelligence（Horizon Europe No 101057091，2023-01-01~2027-12-31，€8,691,755）
数据	741 例乳腺 MRI = 741 名女性，六欧洲中心五国，2006-12~2024-05，多厂商 1.5T/3T
序列	每例 T2 加权 + DCE-T1（1 个 pre + 2~7 个 post 期相）+ 减影图；16-bit NIfTI → parquet
任务	双侧乳房独立三分类：0=无病灶 / 1=良性 / 2=恶性（恶性优先）
标签分布	患者级 291/146/304；乳房级 978/195/309（合计 1,482 侧）
切分	default: train 472 / val 119 / test 150；五折分层交叉验证，患者级无重叠
平台	HuggingFace ODELIA-AI/ODELIA-Challenge-2025（gated=auto）+ grand-challenge.org 评测
License	CC BY-NC 4.0（署名-非商业）
挑战赛	MICCAI 2025 官方在册（Deep-Breath workshop，2025-09-23 大田）；95 注册/24 国，7 队 final；冠军 DivideAndConquer（DKFZ）总分 0.769、AUC 0.897
官方基线	Medical Slice Transformer：In-Distribution Macro AUC 79.0% → 整中心留出（RSH）暴跌至 63.1%
条目导航	引用数字→§2｜跑基线→§5/§12｜避坑→§10｜误判纠正→附录 C

§0 导读：这个数据集解决什么问题

乳腺 MRI（breast MRI）是致密乳腺与高危人群筛查中灵敏度最高的影像手段，EUSOBI（European Society of Breast Imaging，欧洲乳腺影像学会）已推荐其作为补充筛查工具。
但一次检查就是数百层三维体数据，放射科医生读片耗时远超钼靶，这是 MRI 难以大规模进入筛查流程的核心瓶颈——也是 AI 最该补位的地方。

补位的前提是有"对的"训练数据。此前公开的乳腺 MRI 数据集几乎都是单中心、且多数只收癌症病例：拿它们训练出的模型，要么见多不广、要么只会"报癌"不会鉴别。
ODELIA 数据集针对性解决三件事：多中心异构（六中心、多厂商、1.5T 与 3T、各中心自有采集协议，刻意不清洗抹平）；三分类完整谱系（恶性、良性、无病灶同场竞技，这是" largest multi-centre public dataset with malignant+benign+non-cancer cases"的官方宣称）；双侧独立标注（左乳右乳分别给标签，贴合临床"逐乳判读"的真实工作流）。

它同时是一场已收官的 MICCAI 2025 官方挑战赛（Deep-Breath workshop）的赛题数据：95 支队伍注册、7 队进入决赛、冠军 AUC 0.897——更重要的是，官方基线在同一数据上把"跨中心泛化鸿沟"（cross-centre generalization gap）量化得明明白白：同分布 Macro AUC 79.0%，整中心留出直接跌到 63.1%。
对任何想做多中心医学影像 AI 的团队，这组对照本身就是教材。

§0 读法三则：

1. 本条目主体是挑战赛公开数据集本体（HF 仓库），挑战赛记录、官方基线与 EU 项目背景是它的三层上下文——引用数据时认准 §2 的 741 例口径，引用成绩时认准 §4.3 的名次制口径；
2. 全文统计数字出自数据论文 v3（arXiv:2506.00474）、GC 官网、HF API 实测与冠军/亚军论文四个一手来源；口径冲突处（741 vs 742、六中心 vs five sites、7 国 vs 8 国）已在坑点 1/2 与 §9 存照；
3. 想直接上手跑的读者可跳读 §12 复现实操手册与附录 C 误判对照表——后者是本条目检索期最高频误判的集中纠正。

§1 数据集速览：十问十答

Q1：ODELIA 是数据集名还是项目名？
都是。
ODELIA 先是一个 EU Horizon Europe 项目（全称 Open Consortium for Decentralized Medical Artificial Intelligence，2023-2027，12 家欧洲机构做群学习医疗 AI），本项目在其中牵头产出这个公开乳腺 MRI 数据集并以此举办 ODELIA Breast MRI Challenge 2025。
百科条目 slug=odelia 收录的是挑战赛公开数据集本体。

Q2：数据规模多大？
741 例检查、741 名女性（一妇一检），平均年龄 54±11 岁；采集时间横跨 2006 年 12 月至 2024 年 5 月；六中心各贡献 31~250 例。

Q3：影像内容是什么？
每例含一条 T2 加权（T2-weighted）序列和一条 DCE（dynamic contrast-enhanced，动态对比增强）T1 序列——DCE 含 1 个对比剂前（pre-contrast）期相加 2~7 个对比剂后（post-contrast）期相，另有由 Post_1 减 Pre 生成的减影（subtraction）图。

Q4：标签怎么给？
每例左右乳各一个三分类标签：0=无病灶（no lesion）、1=良性（benign lesion）、2=恶性（malignant lesion）；恶性优先（同侧既有良性又有恶性记 2）。
Ground truth 由专家放射科医生基于组织病理（histopathology）或 2 年随访（follow-up）确认。

Q5：从哪下载？
HuggingFace ODELIA-AI/ODELIA-Challenge-2025，gated=auto（登录接受条款后自动审批）。default 与 unilateral 两种 config，parquet 格式，仓库总量约 304.9 GB。

Q6：license 是什么？
CC BY-NC 4.0——署名、非商业。商用需另行授权，论文引用是使用义务。

Q7：挑战赛结果如何？
2025-06-03 数据发布，07-31 截稿，08-15 出分，09-23 在 MICCAI 2025 Deep-Breath workshop（韩国大田）收官。
95 人注册、24 国、7 队 final；冠军 DivideAndConquer（德国癌症研究中心 DKFZ）总分 0.769、AUC 0.897。

Q8：官方基线多强？
Medical Slice Transformer（MST，DINOv3 切片特征+attention 聚合）：In-Distribution Macro AUC 79.0%、Micro AUC 87.4%；换成一个从未见过的中心（RSH 整体留出）测试，Macro AUC 掉到 63.1%、Spec@90%Sens 仅 26.7%。

Q9：和库内 duke-breast-mri 什么关系？
Duke（922 例，单中心，仅恶性）是上一代公开乳腺 MRI 的代表；ODELIA 六中心、含良性/无病灶，且冠军方案直接把 Duke 拿来当外部数据做了二值化改造训练。两者是"单中心深度"与"多中心广度"的互补关系。

Q10：一句话说清它最独特的价值？
它是目前唯一同时给出"六中心真实异构 + 三分类全谱系 + 双侧独立标签 + 官方量化跨中心泛化鸿沟 + MICCAI 官方挑战赛闭环"的乳腺 MRI 公开数据集。

§2 数据构成与规格

2.1 规模、来源与机构构成

数据集由六个欧洲临床中心（clinical centres）在 2006 年 12 月至 2024 年 5 月间收集，共 741 例乳腺 MRI 检查、对应 741 名女性（论文明确一妇一检，无重复患者）。
五国分布如下（括号内为数据文件中的机构缩写，也是 HuggingFace 与 split 表的分组键）：

缩写	机构	城市	国家	备注
CAM	Cambridge University Hospitals（剑桥大学医院）	Cambridge	英国	贡献两个子数据集：筛查人群 + 有症状癌症患者
MHA	Mitera Hospital（米特拉医院）	Athens	希腊	私立综合医院
RSH	Ribera Hospital（里贝拉医院）	Valencia	西班牙	属 Ribera Salud 集团
RUMC	Radboud University Medical Center（拉德堡德大学医学中心）	Nijmegen	荷兰	深度学习乳腺影像重镇（Ritse Mann 团队）
UKA	University Hospital RWTH Aachen（亚琛工业大学医院）	Aachen	德国	数据论文一作与基线产出地
UMCU	University Medical Center Utrecht（乌得勒支大学医学中心）	Utrecht	荷兰	五国六中心中的第二个荷兰中心

每中心贡献量介于 31~250 例之间，刻意保留了数量悬殊的自然分布。CAM 同时覆盖筛查（screening）与症状性（symptomatic）两条临床路径，使数据横跨"体检发现"与"门诊就诊"两种人群构成。

年龄与时间的硬数字：平均年龄 54±11 岁；采集窗口长达 17 年半——这意味着数据里同时存在扫描硬件与协议的多代演化，这是"真实世界异构性"（real-world heterogeneity）的时间维度。

2.2 影像序列构成：T2 + DCE 多期相

每例检查的标准构成：

• T2 加权序列（T2-weighted, T2w）：形态学信息（水肿、囊实性判别），1 条；
• DCE-T1 动态序列：1 个对比剂前期相（Pre）+ 2~7 个对比剂后期相（Post_1 到 Post_n，n 不定），观察病灶强化动力学；
• 减影图（subtraction, Sub_1）：由 Post_1 − Pre 逐体素相减派生，放大强化信号、抑制本底。

这一构成与临床读片流程同构：放射科医生正是"先看 T2 形态、再看 DCE 强化曲线"来鉴别病灶性质。2~7 个 post 期相的可变长度本身就是数据异构性的一部分——不同中心的采集协议对期相数量与时间分辨率各有惯例，参赛算法必须能处理"有的例 3 个 post、有的例 7 个 post"的现实。

存储与数值规格：原始 DICOM 统一转换为 16-bit 无符号整型 NIfTI（.nii.gz），标准化命名为 Pre.nii.gz / Post_1.nii.gz … Post_n.nii.gz / Sub_1.nii.gz / T2.nii.gz。
HuggingFace 主仓库将图像体数据以 int16 数组形式内嵌进 parquet 分片，并附每例 4×4 float64 的 affine（仿射）矩阵保存空间定位信息。

2.3 两种配置：original 与 unilateral

数据集提供两种图像配置（configuration），工程选型前必须分清：

original（原始配置）：保留各中心原始分辨率与视野，仅做 DICOM→NIfTI 转换与标准化命名。它忠实还原各中心 PACS（Picture Archiving and Communication System，影像归档系统）中的原始样貌，适合研究采集协议本身或自建预处理流程。

unilateral（单乳配置）：为机器学习优化的统一格式——

1. T1w 序列重采样（resample）到 0.7 × 0.7 × 3.0 mm 各向异性体素（T2 重采样到 T1w 网格对齐）；
2. 沿图像中线把每例切分为左乳、右乳两个独立样本（741 例 → 1,482 侧）；
3. 用阈值分离背景/前背景，对乳腺区域做中心裁剪或 padding 到固定尺寸 256 × 256 × 32 voxels。

unilateral 配置是论文基线与挑战赛评测的工作格式；GC 平台推理时则把数据以 .mha 文件喂给参赛 Docker 容器，要求算法自行完成"逐乳出预测"。
官方同时开源了由 original 转 unilateral 的预处理脚本（data_to_unilateral_example_script.py），欢迎参赛者替换为自己的方案——冠军团队正是这么做的（自训分割模型代替中线切分，见 §4.5）。

2.4 标签分布：两级口径与不平衡画像

标签按"患者级（例）"与"乳房级（侧）"两套口径统计：

口径	No lesion	Benign	Malignant	合计
患者级（例）	291	146	304	741
乳房级（侧）	978	195	309	1,482

三个值得注意的结构性事实：

1. 恶性占比最高（患者级 41.0%），这是数据采集向临床阳性人群倾斜的结果——部分中心（如 CAM 症状子集）来自确诊转诊流，而非纯筛查人群；
2. 良性是最稀缺类：乳房级仅 195/1,482（13.2%），患者级 146/741（19.7%）。三分类里"鉴别良性"恰是临床最微妙、样本又最少的一档，各参赛队的折损几乎都发生在这里（冠军论文专门为"良性没有独立预测路径"的方案做过激进实验，见 §4.5）；
3. 近三分之二的乳侧没有病灶（978/1,482）：单侧阳性的患者其对侧多为无病灶，双侧标签天然强相关——这直接决定了交叉验证必须按患者切（见坑点 5）。

中心维度的分布画像（论文 Figure 3b/4b 文字口径）：CAM 贡献了最多的恶性例与无病灶例，UKA 贡献了最多的良性例——良性样本高度集中于单一中心，这为跨中心评测埋下了额外难度。

2.5 HuggingFace 仓库结构与字段

仓库根目录（抓取时点 2026-09-26/27，经 API 核验）：

ODELIA-AI/ODELIA-Challenge-2025/
├── data/                    # default config parquet 分片（60 片）
├── unilateral/              # unilateral config parquet 分片（train 60 片 + val 15 片）
├── example-case-nii-and-mha/  # NIfTI 与 MHA 示例文件
├── example-algorithm/       # GC 官方示例算法（Docker 模板）
├── evaluation-method/       # 评测方法说明
├── split_default.csv        # default 切分表
├── split_unilateral.csv     # unilateral 切分表
├── data_to_unilateral_example_script.py   # original→unilateral 官方脚本
├── compute_sub_example_script.py 等       # 减影/提交辅助脚本
└── README.md                # gated：登录后可见

default config 核心字段（cardData 实测）：

字段	类型	含义
UID	string	检查唯一标识，对应图像文件夹名
Fold	int64	交叉验证折号
Split	string	train / val / test
PatientID	string	患者唯一标识（一妇一检下与 UID 一一对应）
Institution	string	机构缩写（CAM/MHA/RSH/RUMC/UKA/UMCU）
Age	int64	检查当日年龄（单位：天）
Lesion_Left	int64	左乳标签 0/1/2
Lesion_Right	int64	右乳标签 0/1/2
Image_Pre / Affine_Pre	int16 4D 数组 / 4×4 float64	pre-contrast 体数据与仿射矩阵
Image_Post_1 … Image_Post_n（+ 各 Affine）	同上	各 post 期相体数据与仿射

split 硬数字（API splits 实测，与论文"64%/16%/20%"口径吻合）：

config	train	val	test	合计
default（例）	472	119	150	741
default 字节	162.5 GB	41.3 GB	52.3 GB	≈256 GB
unilateral（侧）	944	238	300	1,482
unilateral 字节	29.9 GB	7.5 GB	9.5 GB	≈47 GB

仓库总存储 304,885,769,330 字节 ≈ 304.9 GB；createdAt 2025-05-15，lastModified 2025-10-19（挑战赛收官后追加释放）；抓取时点 downloads 475、likes 12。

2.6 在公开乳腺 MRI 数据集景观中的位置

论文 Table 1 的横向对比（"研究级事实卡"口径）：

数据集	区域	仅癌症	标注层级	例数	中心数
AMBL（Advanced-MRI-Breast-Lesions）	未标	部分	像素级（仅 200 例）	632	1
DUKE-Breast-Cancer-MRI	美国	是	像素级	922	1
MAMA-MIA	美国	是	像素级	1,506	>18（4 数据集聚合）
BREAST-DM	中国	否	像素级	232	1
FastMRI Breast	美国	否	检查级	300	1
ODELIA（本条目）	欧洲	否	检查级（双侧）	741	6

论文的定位宣称：“迄今最大的、同时包含恶性、良性与非癌三类的多中心公开乳腺 MRI 数据集”——注意定语的精确性：论规模它不及 MAMA-MIA（且 MAMA-MIA 是 4 个数据集的聚合、仅收癌症）；它赢在"多中心 + 三分类 + 双侧检查级标注"三者同时成立的稀缺组合。

2.7 采集协议与硬件：异构性的参数级解剖

数据论文补充材料（Table S1-S3）给出了逐中心的采集硬件与序列参数——这是"多厂商异构"从口号变成可查参数表的地方。七个影像子数据集（CAM 拆 BRAID1 与 TRICKS 两个子集）的硬件构成：

子集	厂商	机型	场强	线圈
CAM (BRAID1)	GE	SIGNA Artist	1.5T	8 通道乳腺线圈
CAM (TRICKS)	GE	DISCOVER MR750	3T	16 通道乳腺线圈
MHA	Siemens	MAGNETOM Skyra / TrioTim / Prisma_fit / Avanto	1.5T 与 3T 多台	—
RSH	Philips	Achieva	1.5T	双侧乳腺线圈
RUMC	Siemens	—	1.5T 与 3.0T	4-18 通道可变（Invivo 等）
UKA	Philips	Achieva / Ingenia	—	双侧乳腺线圈带固定桨（Invivo）
UMCU	Philips	Achieva / Ingenia	—	7 通道专用双侧乳腺线圈

三家主流厂商（GE / Siemens / Philips）、两种场强（1.5T 与 3T）同时在场，官方"multiple vendors at both 1.5 and 3 T"的表述在参数表层面坐实。

DCE-T1 序列的参数跨度（Table S2 提炼，高置信度项）：

• 序列类型：梯度回波（GR/SPGR）为绝对主流，但 UKA 是唯一采用 2D 采集的中心（3D=No；其 TR 262.7±19.8 ms、翻转角 90°、每卷仅 25~31 层，都是 2D 采集的典型指纹）——这解释了为何 UKA 在冠军论文的 5 折交叉里是行为最独特的一个中心；
• TE 跨度：1.7 ~ 4.6 ms；TR 跨度：4.4 ~ 262.7 ms（UKA 2D 序列拉满上限）；
• 翻转角：9.8° ~ 90°；层厚 1 ~ 4 mm；采集矩阵 256~672；FOV 201~427 mm；
• post 期相数逐中心：CAM-BRAID1 约 2、CAM-TRICKS 4~5（view sharing 共 48 期、每 9 期保存一期的特殊协议）、MHA 4（一例仅 3）、RSH 5、RUMC 4~5、UKA 4~5、UMCU 7——"2~7 个 post"的官方区间就是逐中心合计的结果；
• 对比剂：钆布醇（Gadobutrol/Gadovist）、钆特酸（Gadoteric acid/Clariscan）、多它灵（Dotarem）三种并存；注射速率 1~3 mL/s（部分中心静脉条件差时降为 2 mL/s），25~30 mL 生理盐水冲管；
• 采集时序：单期 63~84 秒不等，个别中心用 view sharing（视图共享）提高时间分辨率。

T2 序列（Table S3）：全部为自旋回波（SE）家族；除 RSH 外均为 2D；仅 UMCU 常规压脂；TE 从 81 ms 到 365 ms（RSH 的 365±5 ms 是 3D T2 的特征值）；层厚 1.5~4 mm。

对使用者的含义：任何在单一中心数据上验证过的预处理假设（如"T2 一定压脂"“DCE 一定 3D”“期相一定 ≥4”）在这个数据集上都可能被单中心反例打破——把它们当超参数而非先验。

2.8 技术验证设计：论文如何自证数据可用

数据论文的 Technical Validation 节给出三层验证设计：

1. 切分设计：64%/16%/20% 三分 + 五折交叉，每折对应不同中心组合，患者级无重叠——切分本身把"中心组合"变成了被检验的变量（Fold 1~5 的 Macro AUC 75.0~82.2% 波动即证据）；
2. ID/OOD 成对实验：RSH 整中心留出（§5），把"训练见过测试中心吗"作为唯一变量隔离；
3. 统计卫生：三指标（AUC/Sens@90%Spec/Spec@90%Sens）+ 每标签独立二分类化 + bootstrap 1,000 次重采样给标准差——与挑战赛评测口径同构，方便跨表对读。

这套"数据+基线+验证协议"的打包发布，是 Scientific Data 体例的模板化执行——即便它尚未在期刊正式发表。

2.10 挑战赛公开集 vs 联盟内部数据库的对照

ODELIA 项目交付物 D2.1（2024-12 交付、2025-02 挂网）披露了联盟内部群学习数据库的规模：八家研究机构、共 1,013 名患者的乳腺 MRI——比挑战赛公开的 741 例更大，且从未公开。D2.1 同时记录了内部标准预处理（减影生成、重采样 0.7×0.7×3.0 mm、左右乳分离——与公开集 unilateral 配置同源）与关键发现：各中心本地训练的模型性能差异巨大（site-specific factors），群学习训练使多数站点的结果得到改善。

对公开集使用者的含义：公开 741 例是"联盟内部数据库的一个精选子集"，它的选择标准（哪 741 例、如何按中心配额）未详细披露；内部 1,013 例的存在意味着"更大的 ODELIA"理论上存在，公开基准上的方法学结论在联盟内部数据上未必同幅度复现。

§3 标注体系：从五类细写到三分类落地

3.1 Ground truth 的判定规则

每侧乳房的标签由各中心专家放射科医生（expert radiologists）给出，判定依据只有两条硬通道：

• 组织病理（histopathology）：活检或手术后病理证实；
• 两年随访（2-year follow-up）：影像随访两年无恶性证据，作为"良性/无病灶"的安全垫。

三分类的官方定义（GC 官网与论文一致）：

标签	编码	定义
No lesion	0	无可见强化病灶
Benign lesion	1	有强化病灶，经活检或两年随访证实为良性
Malignant lesion	2	有强化病灶，经病理或随访证实为恶性；含证实的非肿块强化（non-mass enhancement, NMCE）恶性

3.2 五类细标注 → 三分类聚合的取舍

原始标注其实更细，共五类：No lesion / Benign lesion / Malignant lesion (DCIS)（导管原位癌，ductal carcinoma in situ）/ Malignant lesion (Invasive)（浸润性恶性）/ Malignant lesion (Unknown)（类型未明）。

聚合的原因很直白：DCIS、浸润性与类型未明三个亚型的样本量都不足以支撑可靠的细分类，强行保留只会产出噪声。于是恶性三类合并为一类发布。这个取舍给二次研究者留了一条明确的扩展路径：若你的任务恰好需要 DCIS/浸润性分辨，现有公开标签帮不上忙，需要回溯原始中心数据。

3.3 多病灶与侧别规则

两条发布级规则，直接影响标签语义：

• 恶性优先：同一侧乳房既有恶性又有良性病灶时，标签记恶性（malignant）。即标签表达的是"该侧最严重发现"（most severe lesion），不是病灶清单；
• 双侧独立：左右乳各自独立打分（Lesion_Left / Lesion_Right 两列）。一例 = 一个病人 × 两个标签位，这与挑战赛"每侧各出一个预测"的评测设计严格对齐。

3.4 标签与临床工作流的同构性

这套标注体系刻意对齐了乳腺影像的临床报告结构：BI-RADS（Breast Imaging Reporting and Data System）评分类似"每侧一个结论"，三分类相当于把 BI-RADS 的核心决策区间压缩为"随访观察 / 良性处理 / 恶性处理"三档。
对模型开发者而言，这意味着输出可直接映射到分诊动作（no action / routine follow-up / biopsy），无需中间设计映射层——这是"检查级标注"相对"像素级分割标注"在筛查场景的工程优势，代价是牺牲了病灶定位能力。

3.5 元数据的边界

除标签外，每例附带的非影像元数据只有三样：患者年龄（天）、机构代码、切分信息。没有：BI-RADS 评分、病灶位置/大小/类型、分子分型、病史、种族/社会经济变量、扫描厂商字段（厂商信息只体现在论文补充材料的采集协议表，未随数据发布）。
做公平性（fairness）或亚组分析的研究者要意识到 Age 与 Institution 是仅有的两个可用协变量。

§3 补遗：伦理与合规逐中心清单

数据论文 Ethics declarations 逐中心公示（引用时可直接落出处）：

中心	伦理批准
CAM	四个 IRAS 项目号：122652 / 251317 / 143891 / 260281（对应筛查与症状两条路径及历次扩展）
MHA	当地伦理委员会 2023-01-30 信函批准
RSH	Local ID 23/430-E
RUMC	Local ID 2024-17192
UKA	Local ID EK 24-087 (23-006)
UMCU	数据完全匿名化后，当地伦理委员会于 2024-03-05 豁免审查

三条合规要点：一、伦理批准在各中心分别取得、按当地法规执行（论文原话 “Ethics approval was obtained at each centre individually”）——不存在覆盖全数据集的单一伦理伞；二、UMCU 的豁免以"完全匿名化"为前提，提示其余中心的批准可能带去标识化条件；三、Age（天）与 PatientID 是仅有的个体级字段，PatientID 的粒度足以支持"按患者聚合"的统计但不足以回溯身份——这是发布方在"可复现"与"可识别"之间的明确取舍。

§4 挑战赛全记录：从数据发布到大田收官

4.1 时间线全景

ODELIA Breast MRI Challenge 2025 是 ODELIA 联盟在 EU 项目中期推出的一次性公开挑战赛，被 MICCAI 2025 接纳为官方在册挑战赛（MICCAI challenge 列表 DOI：10.5281/zenodo.15075569），成果在 2025 年 9 月 23 日韩国大田（Daejeon Convention Center）的 Deep-Breath workshop（Radboudumc 主导的乳腺 AI workshop）集中报告。

日期	事件
2025-05-15	HF 仓库创建（API 实测）
2025-05-31	数据论文 arXiv:2506.00474 v1 挂出
2025-06-03	训练数据发布
2025-06-05	追加数据
2025-06-16	pre-evaluation（预评测）开放
2025-07-17	pre-evaluation 截止（一版口径；官网后更新为 07-24）
2025-07-31	final submission（最终提交）截止
2025-08-15	最终评测与结果公布
2025-09-23	Deep-Breath workshop @ MICCAI 2025（大田）
2025-10-19	HF 仓库最后更新（赛后数据释放）
2025-10-31	冠军论文 arXiv:2510.27326 挂出
2025-11-18	odelia.ai 发布挑战赛结稿新闻

必答题的核验结论（详见 FACTS 与坑点 8）：不存在"2023/2024 第一版"。
三轮精确搜索（MICCAI 2024 官方 challenge 列表、GC 平台全量列表、odelia.ai 项目年报）均无 2023/2024 版挑战赛痕迹；2023 年是 EU 项目启动年（当年产出是群学习 MVP 与文档站），2025 挑战赛为首届。
所有"第二版/首届 2023"式表述都应避免。

4.2 评测协议：三指标平均名次制

挑战赛评测在 Grand Challenge 平台（GC）上进行，协议要点：

任务形式：输入 T2 + DCE（1 pre + 若干 post）的 .mha 文件，算法对每侧乳房各输出一个三分类预测；只接受 Docker 容器全自动方法（禁半自动/交互式），容器离线运行。

运行环境：NVIDIA T4 GPU（16 GB 显存）；单例处理限时 5 分钟（横跨全部期相）。这个约束实际排除了"超大模型暴力推理"路线，逼参赛者在效率与精度间做工程权衡。

两阶段赛制：

1. pre-evaluation（预评测）：从 test 集挑 50 例"极端/离群"样本（最大例、最小例、图像质量最异质例等），每队 3 次试跑机会；同时必须提交约 3 页的方法摘要（用了什么外部公开数据、训练结果如何）。通过预评测是进入 final 的门票；
2. final submission（最终提交）：每队仅 1 次，在完整 test 集上评测。

排名规则：三项指标——AUC、特异度@90%灵敏度（specificity at 90% sensitivity）、灵敏度@90%特异度（sensitivity at 90% specificity）——各自单独排名后取名次平均（average of raw ranks）；平局时以 AUC 高者列前。这条规则的临床含义：同时惩罚"漏诊"与"过报"两个方向的失衡，逼模型在临床可用的操作点上双向达标，而不是靠单一 AUC 数字取胜。

开源义务：Top 5 获奖者须向组织方公开代码；官方同时鼓励全员开源。

排名规则的 Toy 示例：假设三支队伍三指标的成绩与名次如下——A 队 AUC 第 1、Sens@90%Spec 第 3、Spec@90%Sens 第 2（名次平均 2.00）；B 队三项全部第 2（2.00）；C 队 AUC 第 3、另两项第 1（1.67）。C 以 1.67 夺冠；A 与 B 平局，按规则比 AUC——A 的 AUC 第 1 压过 B 的第 2 拿亚军。这个机制解释了为什么"单项刷到极致"不如"三项都不瘸腿"——冠军 DivideAndConquer 的"总分 0.769"即其三指标名次在该机制下的聚合呈现，语义是"平均名次的归一化表述"而非任一指标的数值。

4.3 参与规模与结果

结稿新闻（2025-11-18）口径：95 名注册者、来自 24 个国家；预评测后 7 支队伍提交最终模型并在大田展示。

• 冠军：DivideAndConquer（DKFZ）——主数据集总分 0.769，AUC 0.897，奖金 1,000 欧元；
• 亚军：BCN-AIM（巴塞罗那大学团队，SwinUNETR 方案）；
• 季军：agaldran；
• 关键观察：所有模型在 holdout（预留集）上性能全线下降——组织方把含第六中心数据的 231 例扣作 holdout 以检验泛化，结果成为"跨站点异构性"的又一记实锤。

0.769 是三指标名次的平均，不是任何一项指标的直接数值（坑点 7）；除冠军外各队的逐项分数未见系统公开（待核，见 §9）。

4.4 冠军方案解剖：MeisenMeister

冠军团队 DKFZ（German Cancer Research Center，德国癌症研究中心，海德堡）医学图像计算分部（Hamm、Kirchhoff、Rokuss、Maier-Hein），论文《MeisenMeister: A Simple Two Stage Pipeline for Breast Cancer Classification on MRI》（arXiv:2510.27326），代码全开源于 GitHub MIC-DKFZ/MeisenMeister。

两阶段 Divide-and-Conquer 流水线：

1. 定位阶段：官方提供的单乳裁剪脚本只做中线切分，裁出的子体积仍然太大。冠军团队自训了一个左右乳分割模型（配套论文 arXiv:2507.13830）——先把体数据降采样、跑分割、出每侧乳腺的紧致 bounding box，再回原图按框裁出高分辨率 ROI（region of interest，感兴趣区域）；
2. 分类阶段：在 ROI 上用 nnU-Net 框架改造的分类器（backbone 主选 ResEncL，ResNet 编码器的加大版）逐乳分类。

四个关键消融发现（5 折交叉、每折留出一个采集中心的 Mean AUROC）：

• 输入通道：Pre + Post_1 + Post_2 三个通道最优（0.649）；加 T2 反而崩（0.584）——与直觉相反，T2 与 DCE 的跨中心一致性最差，成为噪声源（坑点 6）；
• 预训练 + warm-up 微调：在 MAMMA-MIA 数据集上做监督分割预训练，再微调分类任务；带学习率预热的微调（1e-5→1e-3）显著优于 linear probing（0.738 vs 0.651）与全量微调（0.725）；
• batch size=1 的正则化红利：batch 4→2→1 单调涨分（0.745→0.740→0.765），小 batch 的梯度噪声成了免费的泛化正则器；
• 背景掩蔽 + 数据增广：用分割掩码把 ROI 外背景置零带来明显增益；增广里高斯噪声（0.851）与缩放（0.843）有效，而 gamma 变换、弹性形变、模拟低分辨率全部掉分——强度类增广会抹掉诊断性强化特征。

外部数据的使用：纳入 AMBL（含恶性+良性）小幅涨分（0.623→0.649）；Duke（仅恶性）则被二值化改造使用——把任务改写成"健康 vs 有病灶"二分类训一个模型，推理时把"有病灶"概率拆给恶性、其余给良性。这个方案最终在常规三分类任务面前落败（0.757 vs 0.776），"给良性留预测路径"是更稳的选择。

冠军的自白：论文结论坦承任务的核心瓶颈是数据量与标签噪声而非架构——模型极易过拟合、同配置不同 run 方差很大、复现困难；并点名联邦学习（federated learning）与更高效的标注工具是下一步方向。这段话对二次研究者是非常坦诚的预期管理。

4.5 亚军方案速写

BCN-AIM（巴塞罗那大学数学与信息学系 + Computer Vision Center + ICREA，Joshi/Garrucho/Osuala/Diaz/Lekadir）的方案（arXiv:2508.20621）：四通道 MIP（maximum intensity projection，最大密度投影）输入——Post_1、Sub_1、Sub_2、末次减影——用预测的乳腺分割掩码先屏蔽非乳腺组织，SwinUNETR（基于 Swin Transformer 的 3D 医学影像骨干）多通道 DCE 输入 + 集成学习（ensemble）+ 强数据增广，针对类不平衡做了专项处理，最终排行榜第二。
与冠军的"3D 局部 ROI 分类"路线形成方法论对照：亚军用 MIP 压维走 2D 化路线，冠军保 3D 细节走两阶段路线。

§4 补遗：官方规则细则存档

GC 官网 General Rules and Info 页（抓取时点）的参赛约束全文要点，对复现协议与设计同类挑战赛都有参考价值：

• 账号与验证：提交前须完成 Grand Challenge 账号人工验证（manual verification），官方明示"可能耗时，请尽早"；
• 完全自动：只接受全自动方法，半自动/交互式方法不得提交；
• 离线运行：所有 Docker 容器在无网环境执行（不能下载/上传任何资源）——模型权重必须打包进镜像；
• 运行时：GC Runtime Environment 标准；推理期给 NVIDIA T4（16 GB 显存）；单例全期相处理限时 5 分钟；
• 格式细节：HF 上是 NIfTI 文件的说法与 GC 评测时以 .mha 呈现并存（见坑点 4）；
• 外部数据：不禁止公开数据预训练，但必须在 pre-evaluation 的约 3 页摘要中申报（“if any other publicly available data was used”）——冠军用了 AMBL+DUKE 即按此申报；
• 提交次数：pre-evaluation 3 次、final 1 次；
• 开源义务：Top 5 须向组织方交代码；全员被鼓励开源；
• 资格条款：组织方保留随时取消不公平/不诚实参赛者资格的权利；
• 地域限制：全球开放，但 EU 制裁地区（朝鲜、克里米亚等金融限制地区）居民除外——奖金发放需合规 EU 金融规定。

§5 官方基线：Medical Slice Transformer 与泛化鸿沟的官方量化

5.1 模型架构与训练配置

数据论文配套的基线模型是 MST（Medical Slice Transformer）——为 volumetric（体积型）医学影像设计的 transformer：

• 逐切片特征：用 Meta 的 DINOv3 视觉基础模型为每个 axial 切片提特征向量；
• attention 聚合：用注意力机制把全部切片向量聚合成整卷一个预测——与冠军"分割出 ROI 再分类"完全不同的无切割路线；
• 输入：Pre + Sub_1（第一 post 减影）+ T2 三通道（注意：与冠军最优通道配置不同，见坑点 6 的两面性）；
• 训练：AdamW、学习率 1e-5、batch size 8、交叉熵损失、约 1 小时单卡 NVIDIA L40S、早停（early stopping）防过拟合；
• 增广：随机旋转、水平/垂直翻转、高斯噪声、224×224×32 随机边距裁窗。

权重与代码双公开：模型权重 HF ODELIA-AI/MST，训练代码 GitHub mueller-franzes/odelia_breast_mri——这是"数据集+基线+权重"三位一体交付的范例。

5.2 两种评测设计：In-Distribution vs Out-of-Distribution

论文设计了成对实验，直接把"跨中心泛化鸿沟"变成可引用的数字：

• In-Distribution（ID，同分布）：用除 RSH 外全部中心的数据训练，在同一批中心的 test split 上测——训练与测试中心重叠；
• Out-of-Distribution（OOD，分布外）：同一模型，改在整只 RSH 中心（训练时从未见过）上测。

5.2a 指标口径速查：三个数字各在量什么

读结果表之前，先把三个指标的计算口径钉死（挑战赛与论文同口径）：

• AUC（Area Under the ROC Curve）：ROC 曲线下面积，衡量跨所有阈值的全局判别力，与操作点无关；
• Sens@90%Spec（灵敏度@90%特异度）：把特异度固定在 90%（假阳性率 10%）时模型能达到的灵敏度——回答"每 100 个无病者只误报 10 个的前提下，能抓住多少真阳性"；
• Spec@90%Sens（特异度@90%灵敏度）：把灵敏度固定在 90%（漏诊率 10%）时模型能达到的特异度——回答"几乎不漏诊的前提下，能排除掉多少假警报"。

论文的汇总口径：三分类被拆成三个独立二分类（Lesion vs No、Benign vs Others、Malignant vs Others）分别计算；Macro AUC = 三个二分类 AUC 的算术平均（对三类一视同仁），Micro AUC = 合并全部预测后计算（被多数类主导）；bootstrap 1,000 次重采样给出标准差。这套口径与挑战赛"逐乳三指标"的差别：挑战赛按每侧乳房的预测计分并取指标名次平均，论文按标签任务平均——两组数字不可直接互换。

5.3 基线结果硬数字

指标口径：每个标签作为独立二分类任务（Lesion vs No/Benign vs Others/Malignant vs Others）计算后汇总；Sens@90%Spec 与 Spec@90%Sens 同挑战赛定义；bootstrap 1,000 次重采样估标准差。

折/设置	Macro AUC (%)	Micro AUC (%)	Sens@90%Spec (%)	Spec@90%Sens (%)
Fold 1	81.6 ± 2.3	85.9 ± 1.8	57.3 ± 5.6	61.5 ± 3.7
Fold 2	81.5 ± 2.4	87.4 ± 1.9	66.4 ± 4.7	65.8 ± 5.9
Fold 3	82.2 ± 2.7	91.3 ± 1.5	80.1 ± 4.2	75.2 ± 6.9
Fold 4	75.0 ± 3.2	86.2 ± 2.0	64.1 ± 6.8	62.1 ± 5.3
Fold 5	79.8 ± 2.6	88.5 ± 1.7	68.5 ± 5.5	60.8 ± 6.1
Overall（ID）	79.0 ± 1.3	87.4 ± 0.8	68.4 ± 2.4	63.3 ± 3.2
OOD（RSH 留出）	63.1 ± 3.5	78.3 ± 2.8	57.5 ± 7.3	26.7 ± 6.9

5.4 数字背后的三句话

1. 16 个百分点的 Macro AUC 断崖（79.0→63.1）：同分布内训练数据已经覆盖了测试中心的扫描风格，换中心即失灵——这不是过拟合的常态表现，而是中心特异伪影（扫描仪、协议、人群）被模型当成了特征；
2. Spec@90%Sens 跌到 26.7%：想把灵敏度压在 90% 操作点时，特异度几乎归零——模型在新中心上"人人报警"，这恰是筛查场景最不可接受的失效模式；
3. Fold 间方差本身就大（75.0~82.2）：五个折对应五个不同的中心组合，fold 4 明显偏弱——中心组合的选择已经是性能变量的一部分。

这组官方数字为挑战赛的"三指标平均名次制"提供了设计动机注脚：单中心刷分好看的模型，在这套评测下会现形。它也是任何声称"解决多中心泛化"的新方法最该对齐的对照表。

§5 补遗：读基线数字的四条守则

1. ID 与 OOD 不可平均：79.0% 与 63.1% 是两种评测设计的数字，混合平均没有任何意义；引用时必须注明口径；
2. Macro 与 Micro 差 8 个百分点是类不平衡信号：87.4% 的 Micro AUC 被多数类（无病灶）撑高，79.0% 的 Macro AUC 才反映三类均衡判别力——引用 Micro 时必须并列 Macro，否则隐性美化；
3. Sens/Spec@90% 是操作点指标：它们回答"临床可用的操作点上另一个指标还剩多少"，与 AUC 的排序不一定一致（OOD 时 Macro AUC 还有 63.1%，Spec@90%Sens 只剩 26.7%——后者才是筛查场景的痛点）；
4. Fold 间 7 个百分点的波动是中心效应：Fold 4（75.0%）与 Fold 3（82.2%）的差距不是随机噪声（bootstrap 标准差 2.7~3.2），换中心组合就是换考卷——单折成绩不可作为方法优劣的证据。

§6 获取与许可：gated 之门与 CC BY-NC 4.0

6.1 获取流程实操

数据托管在 HuggingFace：ODELIA-AI/ODELIA-Challenge-2025，门控模式为 gated=auto——登录 HF 账号、阅读并接受数据卡条款后自动获批，无人工审核环节。
实测细节：匿名 curl 拉取 raw README 会被拒（“Access to dataset … is restricted. You must have access to it and be authenticated”），因此任何自动化脚本接入前先在浏览器完成条款接受、配置好 token。

仓库内的资源层次：

• 主数据：data/（default config）与 unilateral/ 两个 parquet 分片组（图像 int16 数组内嵌 + affine 矩阵字段）；
• 示例文件：example-case-nii-and-mha/（少量 NIfTI 与 MHA 原始格式样例，用于对齐解析预期）；
• 官方工具链：example-algorithm/（GC 参赛 Docker 模板）、evaluation-method/（评测说明）、data_to_unilateral_example_script.py（original→unilateral 转换）、compute_sub_example_script.py（减影计算）；
• 配套资产：基线代码 GitHub mueller-franzes/odelia_breast_mri、基线权重 HF ODELIA-AI/MST、冠军代码 GitHub MIC-DKFZ/MeisenMeister、亚军代码 GitHub smriti-joshi/bcnaim-odelia-challenge。

沙箱环境注意：HuggingFace 主站直连可能被网络策略拦截，可走 hf-mirror.com 镜像拉取公开元数据与文件；gated 数据集的鉴权下载仍需 token，镜像对 gated 仓库的支持以实测为准。

复现本条目元数据核验的命令（公开元数据无需登录）：

# 数据集元数据（license/splits/大小/时间戳）
curl -sL "https://hf-mirror.com/api/datasets/ODELIA-AI/ODELIA-Challenge-2025"

# 仓库根目录文件树
curl -sL "https://hf-mirror.com/api/datasets/ODELIA-AI/ODELIA-Challenge-2025/tree/main"

# gated 文件本体（需 HF_TOKEN，镜像侧行为以实测为准）
curl -sL -H "Authorization: Bearer $HF_TOKEN" \
  "https://huggingface.co/datasets/ODELIA-AI/ODELIA-Challenge-2025/resolve/main/split_default.csv"

6.2 License：CC BY-NC 4.0 的三句话

论文 Usage Notes 与 HF cardData 双源一致：Creative Commons Attribution-NonCommercial 4.0 International。
翻译成使用守则：可以用、可以改、可以再分发，但必须署名（引用数据论文）、不得商用；引用数据论文是使用义务而非礼节。对拟商用团队（影像设备厂商、筛查服务方），需要另行与 ODELIA 联盟洽商授权，公开渠道没有给出门路——这在"AI-Ready 光谱"上属于"学术完全开放、商业需谈判"的常见形态。

6.3 AI-Ready 评估：三视角

• 数据格式视角：parquet 主格式（数组内嵌）+ affine 字段保存空间信息，可被 pandas/Polars/Dask 直接流式读取；HF 库配置了 mlcroissant 元数据，机器可读性到位。但 16 GB 级单分片与 4D 医疗数组意味着"打开就能训"仍不成立——需要自行接 DataLoader、处理变长 post 期相（2~7 个）与两个 config 的选择；
• 任务就绪视角：标签、切分、fold 全部随数据给出，五折交叉协议患者级无重叠——"拿来即 benchmark"的就绪度在医学影像公开集里属于第一梯队；挑战赛评测协议（GC 平台 Docker、.mha 输入、T4 5 分钟）则提供了一条可复现的排行榜路径；
• 任务边界视角：检查级标注意味着分割、定位、病灶级分析等下游任务无监督信号；想做分割需要借冠军团队的左右乳分割模型（arXiv:2507.13830）或外配标注工具。

6.4 版本链与时间线状态

数据版本链：挑战赛期（2025-06 起）公开 511 例 + 231 例 holdout 未释放 → 赛后（HF lastModified 2025-10-19）释放至当前全量 741 例（train 472/val 119/test 150）。
数据论文 v1（2025-05-31）→ v3（2026-05-21）与该过程同步演化。截至抓取时点（2026-09-26/27）未见期刊正式发表版（dblp 仍收 CoRR 口径），arXiv v3 为权威文本。

数据论文三个版本的实质演化对照（引用时认准 v3）：

版本	日期	实质变化
v1	2025-05-31	初版；摘要无数例口径（仅"multi-centre dataset"）；作者 20 人
v2	2025-12-24	挑战赛收官后修订；加入例数与分布细化
v3	2026-05-21	定稿口径：741 例、六中心五国、“12 partners from 8 countries”；新增作者 Yuan Gao、Maike Bode（共 21 人）；补 Table 1 对比与 OOD 实验

§7 生态与影响：一个 EU 项目的数据开放支点

7.1 上位项目：ODELIA 与群学习

ODELIA（Open Consortium for Decentralized Medical Artificial Intelligence）是 Horizon Europe 资助的医疗 AI 项目：2023-01-01 启动、2027-12-31 结束、总预算 €8,691,755、EIBIR（European Institute for Biomedical Imaging Research，欧洲生物医学影像研究所，维也纳）协调、12 家伙伴机构横跨 8 国。
其技术主线是 群学习（swarm learning，SL）——各医院在本地训练模型、只交换模型参数不交换患者数据，借助区块链协调实现去中心化协同，目标是绕开医疗数据"不能出院"的法规墙。

数据集与挑战赛在项目中的角色：为群学习网络提供"共同题库"与"公共基准"。挑战赛产出的参赛模型，按结稿新闻的说法将"被考虑纳入 ODELIA 群学习框架继续训练"——公开挑战赛成为群学习网络的选手选拔与预热机制。项目同时开源了群学习框架（文档站 odelia-ai.github.io）。

联盟内与数据直接相关的机构：UKA（Truhn 团队，基线与数据论文一作）、Cambridge（Gilbert 团队，共同一作与临床侧）、TU Dresden EKFZ（Kather 团队，技术主线）、Radboudumc（Mann 团队与 Deep-Breath workshop 主办）、UMCU、Mitera、Ribera Salud——六个数据中心全部来自联盟内部。

7.2 挑战赛生态位：MICCAI 与 Deep-Breath

ODELIA 2025 是 MICCAI 2025 官方在册挑战赛，挂在 Deep-Breath workshop（乳腺 AI 主题，Radboudumc 牵头）名下，2025-09-23 于大田举行。
同期 MICCAI 在册的乳腺/影像类挑战赛构成它的参照系；其"三指标平均名次 + 预评测门票 + holdout 泛化检验"的协议设计，在医学挑战赛方法论上属于对"单指标刷榜文化"的一次明确纠偏。

7.3 在乳腺影像公开数据集谱系中的位置

以"多中心广度 × 标签谱系"两轴看乳腺影像公开数据：

• 单中心、仅恶性、像素级标注一脉：Duke-Breast-Cancer-MRI（922 例）等——病灶级深度研究的利器；
• 多中心聚合、仅恶性一脉：MAMA-MIA（1,506 例，>18 中心聚合）——分割与治疗响应研究的主战场；
• 多中心、三分类、双侧检查级：ODELIA（741 例）——筛查场景分类器的最贴题语料。

库内另有多个乳腺 X 线（mammography）侧条目（vindr-mammo、cbis-ddsm、inbreast、tn-mammo-breast-density、swiss-mammo、cmmd）与病理侧条目（bach、bracs）——ODELIA 补上了库内"乳腺 MRI 分类"的空位，并与它们构成"跨模态乳腺普查"的检索簇。

7.4 影响力的时点画像

抓取时点（2026-09）的客观信号：HF downloads 475、likes 12；三篇 arXiv 论文（数据集、冠军、亚军）构成引用基座；数据论文 v3（2026-05-21）仍在修订，未见期刊版。
作为 2025 年中发布、单次挑战赛驱动的新数据集，其学术引用的放量期尚未到来——这既是引用它时的如实背景，也是使用者抢先建立方法学占位的窗口期。

7.5 协议设计的溢出影响

ODELIA 2025 的协议设计在医学挑战赛生态里立了三个可被效仿的先例：其一，“预评测用极端子集”——不做随机抽样而刻意选最大/最小/最异质例，专打算法的工程鲁棒性，把"能跑"从默认假设变成被测项；其二，“holdout 泛化检验”——231 例扣发到赛后，让"排行榜分数"与"真实泛化"分开呈现，冠军在 holdout 上的下滑被如实记录而非掩盖；其三，“三指标名次平均”——把临床操作点写进排名公式。后续挑战赛的设计文件里已能看到类似结构，ODELIA 是这条协议演化线上的显性节点。

§8 方法学启示：四条可迁移的经验

8.1 "异构性保留"是一种数据发布伦理

ODELIA 刻意不清洗掉中心间的协议差异（2~7 个 post 期相、多厂商、17 年采集窗口），把"真实世界的乱"作为数据集的核心卖点。这与许多公开集"先 harmonize（ harmonization，协调化）再发布"的惯例相反。
它的逻辑：筛查 AI 的 deployment（部署）环境就是乱的，训练语料越"干净"，部署落差越大。

8.2 泛化鸿沟要用官方数字量化，而不是口头警告

"跨中心会掉点"人人会说，ODELIA 把它做成了论文表格：同一模型 ID 79.0% vs OOD 63.1%。发布数据集时附"整中心留出"这种自虐式实验，应当成为多中心数据集发布的标准动作——它给后续方法立了明确的对照基线。

8.3 评审指标设计可以反向塑造方法生态

三指标平均名次制 + 预评测极端子集 + 5 分钟单例时限，把"既要灵敏、又要特异、还得跑得快"的压力传导给每个参赛队。冠军方案的每个工程选择（小 batch、背景掩蔽、弃 T2）都是在这套压力下的局部最优。设计挑战赛时，指标即指挥棒——ODELIA 给出了一个把临床操作点写进排名公式的范本。

8.4 双侧独立标签是对临床单元的尊重

一次检查两个标签位（Lesion_Left/Lesion_Right），而非一个 case 级标签，这让"左乳恶性、右乳干净"的患者不再被粗暴压扁成单一标签。
数据结构对齐临床决策单元（per-breast），是"检查级标注"里少见的精细设计；代价是分析时必须记住同患者双标签的相关性，统计检验与数据切分都要按患者聚合（坑点 5）。

§9 与库内条目的关系

9.1 家族图谱

• 直接互动：duke-breast-mri(440)——冠军论文把 Duke 作为外部数据源做二值化改造训练；两数据集构成"单中心深度 vs 多中心广度"的方法学对照组；
• 同模态（乳腺 MRI）：i-spy(432)（多时相 DCE 治疗响应）；论文 Table 1 对比语境中的 MAMA-MIA、AMBL、BREAST-DM、FastMRI Breast 均暂未入库；
• 同器官跨模态（乳腺 X 线）：vindr-mammo(543)、cbis-ddsm(541)、inbreast(542)、tn-mammo-breast-density(628)、swiss-mammo(627)、cmmd(544)、brax(187)；
• 同器官病理侧：bach(118)、bracs(138)、breastpathq(268)；
• 同类型（挑战赛数据集）：库内 reg2026、hecktor2026、topaneu2026、toothfairy2 等 MICCAI/医学挑战赛条目。

互链条目逐条对照（rid 为库内 record_id）：

rid	slug	关系类型
440	duke-breast-mri	冠军外部数据源；单中心/仅恶性的对照组
432	i-spy	同模态多时相 DCE（治疗响应任务）
543	vindr-mammo	同器官跨模态（X 线，AI 就绪标注）
541	cbis-ddsm	同器官跨模态（X 线，病灶级）
542	inbreast	同器官跨模态（X 线，欧洲来源）
628	tn-mammo-breast-density	同器官跨模态（X 线，密度标签）
627	swiss-mammo	同器官跨模态（X 线，瑞士队列）
544	cmmd	同器官跨模态（X 线，分类）
187	brax	同器官（X 线报告影像对）
118	bach	同器官病理侧（分级）
138	bracs	同器官病理侧（分级）
268	breastpathq	同器官病理侧（质量评估）

9.2 检索路径建议

• 查"乳腺 + 分类"：本条目（MRI 侧）→ tn-mammo-breast-density(628)（X 线侧密度标签）→ cbis-ddsm(541)（X 线侧病灶级）；
• 查"多中心泛化"：本条目（官方 ID/OOD 对照）→ 库内多中心 MRI 条目（如 wmh-challenge、isles 系）→ MICCAI 挑战赛协议类条目；
• 查"挑战赛闭环"（数据+榜单+冠军开源）：本条目 → topaneu2026、hecktor2026 同构条目；
• 查"EU 资助医疗 AI 项目产出"：本条目是库内少数带 Horizon Europe grant number 溯源的条目，可作项目制数据集的检索锚点。

§10 避坑清单：八个已踩过的坑

• 坑点 1：三个"总例数"口径并存，引用一律用 741。论文 v3 与 HF split 实测（472+119+150）= 741；结稿新闻写 511 公开 + 231 holdout = 742。差异来源：挑战赛期 holdout 未释放（新闻的 511 是当时公开口径），赛后释放至 741；742 与 741 的 1 例差无官方解释。直接抄新闻数字会在校验时撞车。

• 坑点 2：“five European sites” 是新闻的公开子集叙事，不是数据集事实。数据集是六中心五国（CAM/MHA/RSH/RUMC/UKA/UMCU）；新闻说 511 例来自五个站点、holdout 含第六站点——描述的是"当时可下载的部分"，第二名论文甚至写"511 studies from six European centers"。三口径并存时以论文 v3 全量口径为准。

• 坑点 3：gated=auto 也会挡住匿名脚本。HF 虽是自动审批，但匿名 curl/API 拉取 raw 文件直接被拒；必须登录接受条款、配 token 后才能下载，README 全文在未登录时不可见。自动化流水线设计时把这一步算进去。

• 坑点 4：parquet vs NIfTI 的格式口径打架。GC rules 页写"hosted on HuggingFace as NIfTI files"，但 HF dataset_info 显示主 config 是 parquet（图像 int16 数组内嵌、affine 单列）；仓库另有 example-case-nii-and-mha 示例目录。以 API 实测为准：主数据 parquet，NIfTI 仅示例。GC 推理时输入则是 .mha——三种格式各管一段，别混。

• 坑点 5：双侧标签强相关，切分必须按患者。741 例 → 1,482 侧，同患者左右乳标签高度相关（一侧恶性时对侧多记无病灶但共享风险背景）。unilateral config 的 1,482 侧行若按行随机切分会造成患者泄漏；官方 fold 定义在患者级无重叠，复现实验时沿用官方 split.csv，勿自创按侧行切分。

• 坑点 6：T2 不是免费午餐，输入通道是超参数。冠军消融：Pre+Post_1+Post_2 = 0.649，加 T2 跌到 0.584；但官方基线 MST 的输入偏偏含 T2。两套结论不矛盾——通道选择与模型架构、预处理耦合。别把"T2 必须用/必须弃"写成教条，在自己的流水线里消融。

• 坑点 7：0.769 是"名次的平均"，不是 AUC。挑战赛总分 = AUC、Sens@90%Spec、Spec@90%Sens 三项各自名次的平均值（平局比 AUC）。新闻同时给出冠军 AUC 0.897——把 0.769 当 AUC 写进论文是硬伤。同理，该分数只在这 7 支决赛队伍的名次语境下有意义，无法与外部论文的指标值直接换算。

• 坑点 8：acronym 展开与"第一版"幻觉。ODELIA 官方展开 = Open Consortium for Decentralized Medical Artificial Intelligence（CORDIS/PUBDB/D2.1 三源一致）；官网口号"Open Source Swarm Learning to Empower Medical AI"是 tagline 不是展开。另外不存在"2023/2024 第一版挑战赛"——2023 是 EU 项目启动年，2025 挑战赛是首届，勿受印象流误导写出"第二版"。

• 坑点 9：view sharing 期相不是等间隔期相。CAM-TRICKS 子集的动态采集用 view sharing（视图共享）——共享 48 期、每 9 期保存一期，时间间隔与常规中心完全不同；把"期相间隔恒定"写死进动力学特征提取，在这个子集上会出错。

• 坑点 10：Split/Fold 的语义随 config 变。default 的 741 行是"例"，unilateral 的 1,482 行是"侧"；Fold 编号在两 config 下的含义与数量都不同（unilateral 由左右侧共享同一 fold 继承患者归属）。跨 config 混读 split 表会把同一患者读成两个独立样本。

坑点速查表（一句话版，详见上十条）：

#	一句话版
1	总例数引用 741，别抄新闻的 742
2	六中心是事实，“five sites” 是新闻叙事
3	gated=auto 也要登录+token
4	主数据 parquet，NIfTI 仅示例，GC 推理用 .mha
5	1,482 侧不能按行随机切，按患者聚合
6	T2 通道是超参数，加不加要消融
7	0.769 是名次平均不是 AUC
8	acronym 展开 ≠ 官网口号；无 2023 前版
9	view sharing 期相间隔不等距
10	两 config 的 Split/Fold 语义不同

§11 总结

11.1 三句话总结

1. ODELIA 是 EU 群学习项目产出的六中心 741 例乳腺 MRI 公开数据集，以双侧乳房三分类（无病灶/良性/恶性）与 T2+DCE 多期相真实异构为核心资产，CC BY-NC 4.0 于 HuggingFace gated=auto 发放；
2. 它作为 MICCAI 2025 官方挑战赛完成闭环：95 注册/7 队决赛/冠军 AUC 0.897，冠军 DKFZ 两阶段方案与亚军 SwinUNETR 方案全开源，构成两条可复现的方法路线；
3. 官方基线把跨中心泛化鸿沟量化为 ID 79.0% → OOD 63.1%（Spec@90%Sens 仅 26.7%），为所有多中心乳腺 AI 工作立下了必须面对的对照基线。

11.2 适合谁

• 做乳腺 MRI 分类/筛查模型、需要含良性谱系训练语料的团队；
• 研究多中心泛化、域自适应（domain adaptation）、测试时训练（test-time adaptation）的方法学者——ID/OOD 官方对照表现成；
• 需要患者级五折协议做严谨 benchmark 的评审型研究；
• 挑战赛方法论研究者（三指标名次制、预评测门票、holdout 设计的案例样本）；
• swarm learning/联邦学习团队——这是官方明示的后续整合方向。

11.3 不适合谁

• 需要病灶级分割/定位标注的任务（检查级标注无此信号）；
• 需要 DCIS vs 浸润性亚型分辨的研究（五类已聚合为三分类）；
• 商用落地（CC BY-NC 4.0 直接挡住）；
• 期望大样本量（相对 MAMA-MIA 的 1,506 例，741 例属于中等规模）；
• 需要 BI-RADS、分子分型、人口学协变量的公平性研究（元数据只有年龄与机构）。

11.4 30 秒决策卡

你的需求	判断
乳腺 MRI 三分类/筛查模型训练	直接用，unilateral config 起步
跨中心泛化方法验证	直接用，沿用官方五折 + 复跑 RSH 留出对照
病灶分割/定位	不合适，转 Duke(440)/MAMA-MIA 或自备标注
商业产品训练	不合适，CC BY-NC 4.0
想拿排行榜成绩	挑战赛已收官，新参赛者不再计奖；GC 平台提交通道状态以官网为准
引用数字	741 例/六中心五国/双侧 1,482 侧/CC BY-NC 4.0/arXiv:2506.00474

11.5 与相邻研究领域的界面

• 对域自适应/测试时训练研究：六中心天然的 domain gap + 官方 OOD 协议，是比"合成域偏移"更可信的实验床；
• 对群学习/联邦学习研究：数据集是 ODELIA 群学习网络的公共基准层，官方明示参赛模型将纳入 SL 框架继续训练——做 SL 方法对比时可引用其协议；
• 对基础模型评测研究：741 例三分类可作为乳腺域的小样本评测集（MST 已示范 DINOv3 特征 + 轻量聚合的可行组合）；
• 对挑战赛方法论研究：三指标名次制、极端子集预评测、holdout 泛化检验三个设计都是可引用的协议样本。

§12 从零到基线：复现实操手册

以下手册按"注册→下载→对齐基线→再开发"四段组织，全部步骤基于官方资源（无第三方依赖）。

12.1 第一步：账号与权限（半小时级）

1. 注册 HuggingFace 账号并登录；
2. 访问 ODELIA-AI/ODELIA-Challenge-2025 数据卡，阅读并接受条款（gated=auto，接受即解锁）；
3. 生成 read token，配置到 ~/.cache/huggingface/token 或环境变量 HF_TOKEN；
4. （网络受限环境）把 endpoint 指向 hf-mirror.com 镜像；gated 仓库在镜像侧的鉴权行为需实测——若镜像不透传 gated 授权，用主站 + token 下载。

12.2 第二步：数据落盘与结构核验（1 小时级）

1. 决定 config：先下 unilateral（约 47 GB）起步——它已是统一 0.7×0.7×3.0 mm、256×256×32 的即用格式；default（约 256 GB）留给需要自定义预处理/完整原分辨率的场景；
2. 下载仓库根目录的 split_unilateral.csv（或 split_default.csv）先行本地核验：行数应为 1,482（或 741），Split 列 train/val/test 计数 944/238/300（或 472/119/150）——数字对不上说明版本有异，先停下排查；
3. 拉 example-case-nii-and-mha/ 的示例文件对照 parquet 数组，确认 int16 体数据 + affine 矩阵的解析方向（affine 决定左右方位与解剖朝向，解析错了模型等于看镜像数据）；
4. 注意 post 期相列是按最长 7 个配置的（Image_Post_1…Image_Post_7），多数例只有部分期相有效——按例判断有效期相数，不要默认补零。

12.3 第三步：对齐官方基线（一天级）

1. 拉 GitHub mueller-franzes/odelia_breast_mri 与 HF ODELIA-AI/MST 权重；
2. 用官方 split 复跑 MST（输入 Pre+Sub_1+T2；AdamW lr 1e-5、batch 8、交叉熵、L40S 约 1 小时量级）；
3. 对齐两个锚点：In-Distribution Macro AUC ≈ 79.0%、RSH 留出 OOD Macro AUC ≈ 63.1%；
4. 复算指标时按论文口径把三分类拆成三个独立二分类（Lesion vs No、Benign vs Others、Malignant vs Others）再汇总 Macro/Micro——直接用多分类 macro-average 实现会与论文口径有细微出入；
5. 对齐失败先查三件事：切分是否用了官方 fold、指标实现是否逐标签二分类化、unilateral 的左右侧标签是否与图像方位对应（Lesion_Left 对应解剖左乳）。

12.4 第四步：复现挑战赛协议（可选，两天级）

1. 参考 example-algorithm/ 与 evaluation-method/ 把推理 Docker 化：输入 .mha（T2 + DCE 全期相）、离线、单例 5 分钟、目标硬件 T4 16GB——打包时把权重编进镜像；
2. 算法内部自行处理"逐乳预测"（官方不再代切分；可借鉴官方 unilateral 脚本或冠军的分割定位路线）；
3. 按三指标（AUC、Sens@90%Spec、Spec@90%Sens）自建评测，对照组＝MST 基线与冠军自报的内部 5 折 0.776；
4. 若要与外部数据联训，申报义务虽随挑战赛结束失效，学术透明仍建议在论文中列明（AMBL、DUKE 是两条被验证过的路径）。

12.5 常见报错与排查

• 401/403 拉取失败：gated 未接受或 token 未配置——回 12.1 第 2 步；
• 内存爆掉：default config 单例是原始分辨率 3D 体 + 最多 9 条序列，别一次性 pin 进内存；用 parquet 流式读取 + 惰性解码；
• 期相数不齐报 shape 错：Image_Post_* 按最长 7 配置、按例有效——动态拼接而不是静态 reshape；
• 左右侧标签对不上：检查 affine 的方向余弦；unilateral 配置虽然已按中线切开，但左/右的解剖学约定（影像左=患者右）在实现里极易搞反——用无病灶对侧 vs 有病灶侧的分布抽查；
• 成绩远好于官方基线：先怀疑泄漏——按侧行切了 unilateral、或 test 集混入训练、或指标实现把多分类 macro 与逐标签二分类混算；官方五折 patient-level 无重叠是底线。

FAQ（高频问答 40 问）

A. 基础认知

Q1：ODELIA 数据集的一句话身份？
EU Horizon Europe 项目"Open Consortium for Decentralized Medical AI"（群学习）产出的公开挑战赛数据集：六欧洲中心 741 例乳腺 MRI，双侧乳房独立三分类（无病灶/良性/恶性），CC BY-NC 4.0，HuggingFace gated=auto 发放。

Q2：它和"ODELIA 挑战赛"是什么关系？
一体两面：数据集是挑战赛的赛题语料，挑战赛（ODELIA Breast MRI Challenge 2025，MICCAI 2025 官方在册）是数据集的方法学验证场。挑战赛已收官，数据集持续开放。

Q3：为什么叫 ODELIA？
项目缩写展开为 Open Consortium for Decentralized Medical Artificial Intelligence（去中心化医学 AI 开放联盟）。
注意官网口号"Open Source Swarm Learning to Empower Medical AI"不是展开式。

Q4：swarm learning（群学习）和这个数据集有什么关系？
群学习是项目的技术主线：各医院本地训练、只换参数不换数据。公开数据集与挑战赛是它的"公共基准层"——参赛模型赛后会被考虑纳入群学习框架继续训练。

Q5：数据集的发表状态？
数据论文 arXiv:2506.00474（v1 2025-05-31 → v3 2026-05-21），截至 2026-09 抓取时点无期刊正式版（dblp 仅 CoRR 口径）。冠军论文 arXiv:2510.27326、亚军论文 arXiv:2508.20621 同为预印本。

Q6：有没有"2023 版"或"第一版"？
没有。三轮精确检索（MICCAI 2024 官方 challenge 列表、Grand Challenge 平台全量列表、odelia.ai 项目年报）均无 2023/2024 挑战赛痕迹；2023 年是 EU 项目启动年，2025 挑战赛为首届。

B. 数据与获取

Q7：数据到底多少例？
741 例检查、741 名女性（一妇一检），乳房级标签 1,482 侧。引用口径以此为准（= 论文 v3 + HF split 实测）；新闻口径 511+231=742 属挑战赛期叙事，1 例差未解释。

Q8：六个中心是哪些？
CAM（Cambridge University Hospitals，英国）、MHA（Mitera Hospital，雅典）、RSH（Ribera Hospital，瓦伦西亚）、RUMC（Radboudumc，奈梅亨）、UKA（RWTH Aachen 大学医院）、UMCU（UMC Utrecht）——英、希、西、荷、德五国，每中心 31~250 例。

Q9：采集时间跨多久？为什么这么长？
2006 年 12 月至 2024 年 5 月，约 17 年半。跨越多代扫描设备与协议演化，是"真实世界异构性"的时间维度，也是刻意保留的设计。

Q10：每例影像包含什么序列？
T2 加权 1 条；DCE-T1 含 1 个 pre-contrast 期相 + 2~7 个 post-contrast 期相（期相数不定，中心间协议不同）；另有 Post_1−Pre 的减影图 Sub_1。

Q11：从哪里下载、要不要申请？
HuggingFace ODELIA-AI/ODELIA-Challenge-2025，gated=auto：登录接受条款即自动获批。匿名脚本会被 401/403 拒绝。仓库总量约 304.9 GB。

Q12：default 和 unilateral 两种 config 怎么选？
default = 741 例原始分辨率的 parquet 化；unilateral = 重采样 0.7×0.7×3.0 mm、中线切分左右乳、裁剪/padding 到 256×256×32，共 1,482 侧。
跑分类基线用 unilateral；要做自定义预处理（如冠军那样用分割定位）可从 default 出发。

C. 标注与任务

Q13：三分类的精确定义？
0=No lesion（无可见强化病灶）；1=Benign lesion（有强化病灶且活检或两年随访证实良性）；2=Malignant lesion（强化病灶经病理或随访证实恶性，含恶性非肿块强化 NMCE）。

Q14：Ground truth 由谁、怎么确认？
各中心专家放射科医生，依据组织病理（histopathology）或 2 年影像随访。没有第三种判定通道。

Q15：原始标注是三类吗？
不是，初始五类：No lesion / Benign / Malignant-DCIS / Malignant-Invasive / Malignant-Unknown；发布时三个恶性亚型因样本量不足聚合为一类。

Q16：同侧既有良性又有恶性怎么标？
记恶性（恶性优先）。标签语义是"该侧最严重发现"，不是病灶清单。

Q17：双侧标签是独立的吗？
打分独立（Lesion_Left / Lesion_Right 各一列），但统计上强相关——切分与检验必须按患者聚合，防止左右乳泄漏（官方五折即患者级无重叠）。

Q18：附带的临床元数据有哪些？
只有年龄（天）、机构代码、切分/fold 信息。没有 BI-RADS、病灶位置大小、分子分型、病史、人口学变量。

D. 挑战赛

Q19：挑战赛的时间线？
2025-06-03 训练数据发布 → 06-16 pre-evaluation 开放 → 07-31 final 截止 → 08-15 出分 → 09-23 Deep-Breath workshop @ MICCAI 2025（韩国大田）收官。

Q20：赛制怎么设计？
两阶段：pre-evaluation（test 集中 50 例极端子集、3 次试跑、交约 3 页方法摘要）→ final（每队 1 次、完整 test 集）。只收 Docker 全自动方法、离线运行、T4 16GB、单例 5 分钟。

Q21：排名怎么算？
AUC、Sens@90%Spec、Spec@90%Sens 三项各自排名后取名次平均；平局比 AUC。总分 0.769 是名次的平均，不是任何指标的数值。

Q22：多少人参赛、结果如何？
95 名注册者、24 国；预评测后 7 队进入 final。冠军 DivideAndConquer（DKFZ）总分 0.769、AUC 0.897；亚军 BCN-AIM；季军 agaldran；holdout 上所有模型性能下降。

Q23：冠军方案的核心思路？
两阶段 Divide-and-Conquer：降采样 + 自训左右乳分割模型出 bounding box → 高分辨率 ROI 上 nnU-Net 式分类（ResEncL 骨干、MAMMA-MIA 预训练、warm-up 微调、batch size=1、背景掩蔽）。内部五折 0.776。
代码 MIC-DKFZ/MeisenMeister 全开源。

Q24：冠军用外部数据了吗？
用了两个：AMBL（含良性，直接并入，+0.026）与 Duke（仅恶性，改造成二分类任务）。二值化方案最终不如常规三分类（0.757 vs 0.776），说明"给良性留独立预测路径"更稳。

E. 评估与结果

Q25：官方基线是什么模型？
Medical Slice Transformer（MST）：DINOv3 逐切片特征 + attention 聚合成卷级预测；输入 Pre+Sub_1+T2；单卡 L40S 约 1 小时训完。
权重 HF ODELIA-AI/MST、代码 GitHub mueller-franzes/odelia_breast_mri 双公开。

Q26：基线成绩？
In-Distribution：Macro AUC 79.0±1.3%、Micro AUC 87.4±0.8%、Sens@90%Spec 68.4±2.4%、Spec@90%Sens 63.3±3.2%。
Out-of-Distribution（RSH 整中心留出）：Macro AUC 63.1%、Spec@90%Sens 26.7%。

Q27：泛化鸿沟为什么重要？
它把"跨中心会掉点"从口头警告变成可引用的官方对照表：同分布 79.0% vs 未见中心 63.1%，特异度@90%灵敏度近乎归零（26.7%）——筛查场景"人人报警"式失效的定量标本。

Q28：加 T2 序列一定更好吗？
不。冠军消融显示 Pre+Post_1+Post_2（0.649）优于加 T2（0.584）；但官方基线 MST 的输入含 T2。通道配置与架构/预处理耦合，必须自行消融。

Q29：holdout 是什么、结果如何？
组织方扣下 231 例（含第六中心数据）不公开，赛后检验泛化用。结论：所有 final 队伍在 holdout 上性能下降——多站点/多厂商数据 variability 的官方实锤。

Q30：现在还能"参赛"吗？
挑战赛已收官（官网明示新参赛者不再有获奖资格）；GC 平台的提交通道状态以官网实时显示为准，复现研究直接用公开数据+官方协议即可。

Q30a：0.769 和 0.897 哪个该写进论文？
两个都写、各标口径：0.769 = 三指标名次平均（挑战赛排名语境），0.897 = 冠军 AUC（指标语境）。只写其一都会被审稿人要求补全。

Q30b：holdout 的 231 例现在公开了吗？
从 HF 当前全量 741 例（472+119+150）与挑战赛期 511 例的差值看，赛后释放的正是原 holdout 部分（test split 150 例已在 API 实测中确认）；但"231 例=哪些 UID"的逐例映射官方未给对照表，做严格复刻时需自行用机构字段对齐。

F. 库内与工程

Q31：和库内 duke-breast-mri(440) 怎么互补？
Duke：922 例、单中心、仅恶性、像素级标注——病灶级深研究。ODELIA：741 例、六中心、三分类、检查级——筛查场景分类与泛化研究。冠军论文把 Duke 作外部数据并入训练，示范了两者联合用法。

Q32：库内还有哪些乳腺相关条目可串联？
X 线侧：vindr-mammo(543)、cbis-ddsm(541)、inbreast(542)、tn-mammo-breast-density(628)、swiss-mammo(627)、cmmd(544)、brax(187)；病理侧：bach(118)、bracs(138)、breastpathq(268)；MRI 侧：i-spy(432)。

Q33：Parquet 接入的技术要点？
图像为 int16 多维数组内嵌 + 4×4 float64 affine 列；post 期相列数按最长 7 配置、缺失期相需按例判断；split_default.csv / split_unilateral.csv 在仓库根目录。
HF 主站不通时可走 hf-mirror.com 镜像（gated 仓库下载需 token 实测）。

Q34：想复现挑战赛协议要做什么？
数据换成 .mha（参考 example-case-nii-and-mha）→ Docker 化推理 → 按 GC 运行时约束（离线、T4 16GB、单例 5 分钟）压测 → 逐乳输出三分类 → 按 AUC/Sens@90%Spec/Spec@90%Sens 三指标计算。
example-algorithm/ 是官方模板起点。

Q35：商用要用怎么办？
公开许可仅 CC BY-NC 4.0（非商业）；商用无公开授权通道，需自行联系 ODELIA 联盟（EIBIR 协调方）洽谈。

Q36：一句话给准备入坑的工程师？
先注册 HF 拿 gated 权限、按官方 split 跑 unilateral 三分类基线对齐 MST 的 79.0%/63.1% 两个锚点，再做自己的方法——跳过对齐步骤的"涨点"没有参照系。

FAQ 增补（第七批：采集与工程细节）

Q37：数据里有几种扫描仪厂商？
三家主流厂商并存：GE（CAM 两个子集）、Siemens（MHA、RUMC）、Philips（RSH、UKA、UMCU）；场强覆盖 1.5T 与 3T。MHA 一家就有 MAGNETOM Skyra/TrioTim/Prisma_fit/Avanto 四种机型。

Q38：DCE 的 post 期相数为什么是 2~7？
逐中心协议不同：CAM-BRAID1 约 2 期、CAM-TRICKS 4~5 期（view sharing 特殊协议）、MHA 4 期（一例 3 期）、RSH 5 期、RUMC 4~5 期、UKA 4~5 期、UMCU 7 期——合计区间即官方"2~7 个 post"。

Q39：数据里的对比剂有哪些？
钆布醇（Gadobutrol/Gadovist）、钆特酸（Gadoteric acid/Clariscan）、多它灵（Dotarem）三种；注射速率 1~3 mL/s，25~30 mL 盐水冲管——连对比剂种类都未统一，这正是"真实世界"的含义。

Q40：UKA 的数据有什么特殊性？
它是唯一采用 2D DCE 采集的中心（TR 262.7±19.8 ms、翻转角 90°、每卷 25~31 层，与其余中心的 3D GR 截然不同）；同时它贡献了最多的良性例。跨中心消融时 UKA 常是最"刺头"的一个折。

Q41：T2 序列各中心一致吗？
不一致：全部为 SE 家族但除 RSH（3D）外均为 2D；仅 UMCU 常规压脂；层厚 1.5~4 mm；RSH 的 TE 365±5 ms 是 3D T2 特征值。这解释了冠军方案"加 T2 反而掉分"的部分原因——T2 的跨中心一致性最差。

Q42：CAM 为什么算两个子集？
CAM 贡献了 BRAID1（GE SIGNA Artist 1.5T，筛查路径）与 TRICKS（GE DISCOVER MR750 3T，症状路径，含 view sharing 动态协议）两个独立采集子集，硬件、场强、协议全部不同——论文 Table S1/S2/S3 都按七列（而非六列）呈现。

Q43：伦理审批是什么状态？
逐中心独立取得：CAM 四个 IRAS 项目号（122652/251317/143891/260281）、MHA 2023-01-30 信函、RSH 23/430-E、RUMC 2024-17192、UKA EK 24-087 (23-006)；UMCU 因数据完全匿名化于 2024-03-05 获豁免。

Q44：PatientID 能跨例追踪患者吗？
论文明确一妇一检（741 例=741 名女性），PatientID 实际与 UID 一一对应；它存在的意义是保证切分协议"患者级无重叠"的可执行性，而非纵向研究。

Q45：挑战赛数据与当前 HF 数据是同一份吗？
不完全：挑战赛期公开 511 例（holdout 231 例含第六中心数据未释放）；赛后 HF 更新（lastModified 2025-10-19）释放至全量 741 例（train 472/val 119/test 150）。
做"挑战赛复刻"时应按论文口径重切而非直接用当前 test split。

Q46：parquet 里的图像为什么是 int16？
原始 NIfTI 即 16-bit 无符号整型存储；parquet 化只是容器变换、未动数值类型——这与医学影像"保灰阶动态范围、不做 8-bit 压缩"的惯例一致。

Q47：affine 矩阵为什么单独存一列？
NIfTI 的空间定位信息（方向、原点、spacing）在 parquet 化时无法内嵌进图像数组，故拆成 4×4 float64 列（Affine_Pre、Affine_Post_1…）；丢失它就丢失解剖方位，左右侧判断会出错。

Q48：有没有官方的参赛代码模板？
有：HF 仓库 example-algorithm/ 是 GC 官方示例算法（Docker 模板），data_to_unilateral_example_script.py 与 compute_sub_example_script.py 是官方预处理/减影脚本；evaluation-method/ 说明评测实现——四件套覆盖"输入格式→预处理→提交→评测"全链路。

G. 快速判断

Q49：我只想跑个 baseline 发论文，选哪条路？
unilateral config + 官方五折 + 复现 MST 锚点（79.0/63.1），方法部分做自己的改动——这是成本最低且审稿人可复核的路径。

Q50：做多中心泛化研究，该拿哪个对照当"靶子"？
RSH 整中心留出的 OOD 设定（63.1%）——它是官方定义好的 hardest split，你的方法打不过 63.1 就没有叙事资格。

Q51：数据量不够想加外部数据，有什么已验证的组合？
冠军验证过 AMBL（+良性谱系）与 DUKE（二值化改造）两条路；注意 DUKE 没有"良性"标签，三分类任务下二值化方案反而略逊（0.757 vs 0.776）。

Q52：这个数据集能做"影像+文本"多模态吗？
不能——没有报告文本发布；库内 brax(187) 等条目才是影像-文本对的正确选择。

事实清单（硬事实 49 条）

1. 挑战赛官方名：ODELIA Breast MRI Challenge 2025
2. 数据集 HF 官方卡名：ODELIA Challenge Dataset
3. 仓库：HuggingFace ODELIA-AI/ODELIA-Challenge-2025
4. 数据论文：A European Multi-Center Breast Cancer MRI Dataset，arXiv:2506.00474（v1 2025-05-31 / v2 2025-12-24 / v3 2026-05-21）
5. acronym 展开：ODELIA = Open Consortium for Decentralized Medical Artificial Intelligence
6. 上位项目：EU Horizon Europe，grant agreement No 101057091，DOI 10.3030/101057091
7. 项目期：2023-01-01 至 2027-12-31（EC 签字 2022-11-17）
8. 项目总成本 €8,691,755.75，EU 出资 €8,691,755.00
9. 协调机构：EIBIR（维也纳，奥地利）
10. 联盟规模：12 伙伴机构、8 国（论文 v3 口径；官网首页 7 国为冲突口径）
11. 项目协调：Peter Gordebeke（EIBIR）；科学协调：Daniel Truhn（UKA）与 Jakob N. Kather（TU Dresden EKFZ）
12. 数据规模：741 例检查 = 741 名女性，一妇一检
13. 平均年龄 54±11 岁
14. 采集窗口：2006-12 至 2024-05
15. 六中心：CAM（英）、MHA（希腊）、RSH（西班牙）、RUMC（荷兰）、UKA（德国）、UMCU（荷兰），五国
16. 每中心贡献 31~250 例；CAM 含筛查+症状两个子集
17. 影像构成：每例 T2w 1 条 + DCE-T1（1 pre + 2~7 post）+ Sub_1 减影
18. 存储格式：16-bit 无符号 NIfTI（.nii.gz），标准化命名 Pre/Post_n/Sub_1/T2
19. unilateral 配置：重采样 0.7×0.7×3.0 mm，中线分侧，裁剪/padding 至 256×256×32 voxels
20. 患者级标签分布：291 无病灶 / 146 良性 / 304 恶性
21. 乳房级标签分布：978 无病灶 / 195 良性 / 309 恶性（合计 1,482）
22. 标签编码：0=No lesion、1=Benign、2=Malignant（恶性优先）
23. 原始五类标注（含 DCIS/浸润/未知亚型）发布前聚合为三类
24. ground truth 通道：组织病理或 2 年随访
25. HF default config split：train 472 / val 119 / test 150（≈64%/16%/20%）
26. unilateral config split：944 / 238 / 300（= 741×2 侧）
27. 五折分层交叉验证，患者级无重叠
28. 仓库总存储 304,885,769,330 字节 ≈ 304.9 GB；createdAt 2025-05-15；lastModified 2025-10-19
29. License：CC BY-NC 4.0（论文 Usage Notes 与 HF cardData 双源一致）
30. 获取方式：gated=auto（登录接受条款自动审批）
31. 挑战赛数据发布 2025-06-03，final 截止 2025-07-31，出分 2025-08-15，Deep-Breath workshop 2025-09-23（MICCAI 2025，韩国大田）
32. MICCAI 官方在册：DOI 10.5281/zenodo.15075569
33. 参赛规模：95 注册者 / 24 国；7 队进入 final
34. 评测：AUC + Sens@90%Spec + Spec@90%Sens 三指标名次平均；Docker 离线、T4 16GB、单例 5 分钟；pre-evaluation 用 50 例极端子集
35. 冠军：DivideAndConquer（DKFZ，MeisenMeister 两阶段流水线），总分 0.769、AUC 0.897，奖金 1,000€；冠军论文 arXiv:2510.27326
36. 亚军：BCN-AIM（巴塞罗那，SwinUNETR，arXiv:2508.20621）；季军：agaldran；holdout 上全员掉分
37. holdout：231 例（含第六中心数据），挑战赛期未公开；新闻公开口径 511 例
38. 官方基线：MST（DINOv3+attention），ID Macro AUC 79.0±1.3%、Micro 87.4±0.8%；OOD（RSH 留出）63.1±3.5%、Spec@90%Sens 26.7±6.9%
39. 配套资产：基线代码 mueller-franzes/odelia_breast_mri、权重 ODELIA-AI/MST、冠军代码 MIC-DKFZ/MeisenMeister、亚军代码 smriti-joshi/bcnaim-odelia-challenge
40. 无期刊正式版（截至 2026-09，dblp 收 CoRR abs/2506.00474）；无 2023/2024 前版挑战赛（三轮检索证伪）
41. HF default config 图像体数据为 int16 数组内嵌 parquet，affine 4×4 float64 单列
42. 每中心 31~250 例；CAM 含 BRAID1（1.5T 筛查）与 TRICKS（3T 症状）两个子集
43. UKA 是唯一 2D DCE 采集的中心（TR 262.7±19.8 ms、翻转角 90°）
44. 对比剂三种并存：Gadobutrol / Gadoteric acid (Clariscan) / Dotarem；UMCU 注射速率 1 mL/s
45. post 期相逐中心：CAM-B ~2 / CAM-T 4-5 / MHA 4 / RSH 5 / RUMC 4-5 / UKA 4-5 / UMCU 7
46. 联盟内部群学习数据库 8 机构 1,013 例（D2.1 披露），大于公开集且未公开
47. 挑战赛 2025-06-03 数据发布至 2025-08-15 出分约 10 周；pre-evaluation 窗口两版口径 07-17 / 07-24
48. Deep-Breath workshop 由 Radboudumc 主导，是 ODELIA 成果在 MICCAI 2025 的展示出口
49. HF downloads 475 / likes 12（2026-09-27 抓取），三篇 arXiv 论文（数据集/冠军/亚军）构成引用基座

术语表（40 条）

术语	全称/原文	释义
ODELIA	Open Consortium for Decentralized Medical AI	EU 群学习医疗 AI 项目，本数据集上位项目
Swarm Learning (SL)	群学习	各节点本地训练、仅交换参数的去中心化协同训练范式
DCE	Dynamic Contrast-Enhanced	动态对比增强 MRI：注射对比剂后多时相采集
Pre/Post-contrast	对比剂前/后	DCE 期相的时间位置
Subtraction (Sub)	减影	Post_1 − Pre 逐体素相减，凸显强化
T2w	T2-weighted	T2 加权序列，形态学与水肿信息
NMCE	Non-Mass Enhancement	非肿块强化，一种恶性可呈现的强化形态
DCIS	Ductal Carcinoma In Situ	导管原位癌，恶性亚型之一
No lesion	无病灶	标签 0：无可见强化病灶
Benign lesion	良性病灶	标签 1：经病理/随访证实良性
Malignant lesion	恶性病灶	标签 2：经病理/随访证实恶性
Ground truth	金标准	病理或 2 年随访支撑的专家标签
Unilateral	单乳配置	中线切分左右乳的统一重采样格式
Original	原始配置	保留原始分辨率的标准化命名格式
Affine	仿射矩阵	4×4 矩阵，保存体数据的空间定位
NIfTI	Neuroimaging Informatics Technology Initiative	医学影像存储格式（.nii.gz）
MHA	MetaImage Header	GC 平台推理输入的体数据格式
DICOM	Digital Imaging and Communications in Medicine	医学影像原始传输/存储标准
PACS	Picture Archiving and Communication System	医院影像归档系统
Voxels	体素	三维像素，256×256×32 为单乳裁剪目标
MIP	Maximum Intensity Projection	最大密度投影，3D 压维为 2D 的方法（亚军方案输入）
RoI	Region of Interest	感兴趣区域（冠军方案两阶段裁剪目标）
nnU-Net	—	自配置医学分割/训练框架（冠军分类骨干载体）
ResEncL	Residual Encoder Large	nnU-Net 系加大残差编码器骨干（冠军主选）
SwinUNETR	Swin Transformer UNETR	基于 Swin Transformer 的 3D 医学分割/分类骨干（亚军主选）
MST	Medical Slice Transformer	官方基线：DINOv3 切片特征 + attention 聚合
DINOv3	—	Meta 自监督视觉基础模型（MST 的特征提取器）
AUC	Area Under the ROC Curve	ROC 曲线下面积，跨阈值判别力
Sens@90%Spec	Sensitivity at 90% Specificity	特异度固定 90% 时的灵敏度
Spec@90%Sens	Specificity at 90% Sensitivity	灵敏度固定 90% 时的特异度
Holdout	预留集	挑战赛期扣发的 231 例泛化检验集
Gated dataset	门控数据集	需登录接受条款后获取的 HF 数据集发布形态
MIP（补）	Maximum Intensity Projection	3D 体数据沿深度方向取最大值的压维手段
Warm-up	学习率预热	训练初期从小学习率线性升至目标的调度策略
Linear probing	线性探测	冻结骨干、只训线性分类头的迁移评估法
View sharing	视图共享	MRI 动态采集的欠采样重建技巧，期相间隔不均
BI-RADS	Breast Imaging Reporting and Data System	乳腺影像报告与数据系统（0-6 类评估体系）
Domain shift	域偏移	训练与部署数据分布不一致的现象（本数据集的核心研究主题）
Micro/Macro AUC	—	多任务 AUC 的两种平均：合并样本（micro）vs 任务均权（macro）
Pre-evaluation	预评测	挑战赛 final 前的资格赛阶段（50 例极端子集、3 次机会）

附录

附录 A：条目信息速查卡

项	值
slug	odelia
站内 URL	https://www.qianfanghub.com/ai-ready-dataset/odelia/655
数据集名	ODELIA Challenge Dataset（ODELIA-AI/ODELIA-Challenge-2025）
数据论文	arXiv:2506.00474（v3 2026-05-21）
挑战赛官网	https://odelia2025.grand-challenge.org/
联盟官网	https://odelia.ai/
规模	741 例 / 741 女性 / 1,482 乳侧
任务	双侧乳房三分类（0/1/2）
License	CC BY-NC 4.0
获取	HF gated=auto
基线锚点	ID Macro AUC 79.0% / OOD 63.1%
榜单锚点	冠军 0.769（名次平均）/ AUC 0.897
收录时点	2026-09-26/27 抓取

附录 B：DAIMS 评估全表

DAIMS（Data AI-Readiness Assessment for Medical Sets，医学数据集 AI-就绪度评估）五维打分（每维 0-5 分，基于本条目证据）：

维度	得分	依据
可获取性 Accessibility	4	HF gated=auto 自动审批、免申请费、镜像可达；扣 1 分：需注册+token，README 登录前不可见
机器可读性 Machine-readability	4	Parquet + mlcroissant 元数据 + affine 字段 + 官方 split/fold；扣 1 分：变长 post 期相（2~7）需按例处理、两 config 需人工选型
任务就绪度 Task-readiness	5	标签/切分/五折齐备，患者级无重叠；基线模型+权重+代码三公开；官方 ID/OOD 对照可直引
文档完备度 Documentation	4	数据论文 v3 详尽（协议/伦理/统计全给）；扣 1 分：期刊版缺位、README gated、挑战赛逐队分数未系统公开
合规与治理 Compliance	4	CC BY-NC 4.0 明确、各中心伦理批号公示、年龄最小化元数据；扣 1 分：商用通道不透明、holdout 演化口径需自行梳理
总分	21/25	AI-Ready 第一梯队；短板集中在"商业授权路径"与"发布后文档一致性"

12.6 交付前自检问题清单

1. split 计数是否对上（741 / 1,482，或 472-119-150 / 944-238-300）？
2. 指标实现是否逐标签二分类化后再 Macro/Micro 汇总？
3. 左右侧标签与 affine 方向是否抽查过（无病灶对侧 vs 有病灶侧的分布）？
4. fold 是否患者级无重叠（unilateral 侧共享患者的 fold）？
5. 复跑成绩是否落在 MST 锚点附近（ID ~79.0 / OOD ~63.1）——好太多先查泄漏？
6. 引用数字是否用 741（不是 511/742）、名次制总分是否标注口径？

附录 C：常见误判对照表

误判	事实	出处
“ODELIA 数据集有 742 例”	741 例（新闻 511+231=742 的 1 例差未解释；引用以论文 v3+HF 实测为准）	§4.3 / 坑点 1
“公开数据来自五个中心”	六中心五国；“five sites” 是挑战赛期公开子集的新闻叙事	坑点 2
“联盟 12 伙伴 7 国”	12 伙伴 8 国（论文 v3 + RWTH 名单可数）；官网首页 7 国疑笔误	§7.1
“第一版挑战赛在 2023/2024”	2025 为首届；2023 是 EU 项目启动年	§4.1 / 坑点 8
“总分 0.769 = 冠军 AUC”	0.769 是三指标名次平均；冠军 AUC 是 0.897	坑点 7
“HF 上是 NIfTI 文件”	主数据 parquet（数组内嵌）；NIfTI 仅示例目录；GC 推理输入是 .mha	坑点 4
“T2 加上总有益”	冠军消融：加 T2 掉 6.5 个百分点；但基线 MST 用了 T2——通道是超参数	§4.4 / 坑点 6
“1,482 侧可按行随机切分”	双侧强相关，必须按患者聚合切分（官方 fold 即患者级）	坑点 5
“标签含 DCIS/浸润亚型”	发布版已聚合；五类仅是内部初始标注	§3.2
“这是分割数据集”	检查级双侧标签，无分割/定位标注；分割需借冠军配套模型	§6.3
“gated=auto 意味着免登录”	自动审批≠免登录；匿名拉取被拒	坑点 3
“MAMA-MIA 更小所以 ODELIA 更大”	MAMA-MIA 1,506 例 > ODELIA 741 例；ODELIA 的"最大"限定语是"多中心+三分类+检查级标注"组合	§2.6

附录 D：采集协议全参数速查（数据论文 Table S1/S2/S3 提炼）

DCE-T1w 动态序列逐中心参数（均值±标准差给出时表示该中心例间存在变异）：

参数	CAM (BRAID1)	CAM (TRICKS)	MHA	RSH	RUMC	UKA	UMCU
厂商/机型	GE SIGNA Artist	GE DISCOVER MR750	Siemens Skyra/TrioTim/Prisma_fit/Avanto	Philips Achieva	Siemens	Philips Achieva/Ingenia	Philips Achieva/Ingenia
场强	1.5T	3T	1.5T 与 3T	1.5T	1.5T 与 3.0T	—	—
序列	GR	SPGR	GR	GR	GR	GR（2D）	GR
3D 采集	是	是	是	是	是	否	是
压脂	是	是	是	否	否	否	是
TE [ms]	3.4	3.8	1.7	3.2±0.1	2.0±0.3	4.6±0.1	2.1±0.4
TR [ms]	6.9±0.1	7.1	4.8	5.8	5.5±0.2	262.7±19.8	4.4±0.8
翻转角 [°]	10	12	10	18	16.0±2.0	90	9.8±0.6
层数	68-116	112	104-122	110-130	144-176	25-31	106-222
层厚 [mm]	2	2.8	2	2	1	3.1±0.2	1.9±0.1
采集矩阵	512	512	360-456	256	400-448	416-448	512-560 / 352-672
FOV [mm]	350	350-380	309-392	201-250	310-387	280-400	339-427
post 期相数	~2	4-5（view sharing 48 期取 1/9）	4（一例 3）	5	4-5	4-5	7
单期时长 [s]	65	9.4×48（有效 84）	63/期	70+20，续期 70	114×5	71.67-205.42	83（首期 UF）
对比剂	Gadobutrol (0.1 mmol/kg)	Gadobutrol (0.1 mmol/kg)	Gadobutrol	Gadoteric acid (Clariscan)	Gadobutrol	Dotarem/Gadobutrol	Gadobutrol (0.1 mmol/kg)
注射速率	3 mL/s	3 mL/s	3 mL/s	3 mL/s（静脉差时 2）	3 mL/s（静脉差时 2）	3 mL/s	1 mL/s
盐水冲管	25 mL	25 mL	30 mL	30 mL	30 mL	30 mL	30 mL

T2w 序列逐中心参数（Table S3 提炼）：

参数	CAM (BRAID1)	CAM (TRICKS)	MHA	RSH	RUMC	UKA	UMCU
序列	SE	SE	SE	SE	SE	SE	SE
3D 采集	否	否	否	是	否	否	否
压脂	否	否	否	否	否	否	是
TE [ms]	88±1	81±1	87±4	365±5	107±38	110	87±19
TR [ms]	5511±1184	4939±1216	3602±194	2000	4285±733	3980±185	5544±616
翻转角 [°]	160	111	120	90	94±19	90	90
层数	68-115	22-98	36-44	200-250	60	33-39	31-100
层厚 [mm]	2	3.7±0.8	4	1.5	2.5	3.1±0.2	2.2±0.5
采集矩阵	512	512	416-832	432-528	320-384	512-672	256-560
FOV [mm]	350	320-380	336-405	300-387	340-360	280-400	320-429

注：SE = Spin Echo（自旋回波）；GR = Gradient Echo（梯度回波）；SPGR = Spoiled GR；PDF 双栏排版导致的列对齐风险已在 FACTS.md 存照——本表仅收录高置信度单元格，"-"表示论文未给出可对齐值。

附录 E：三支获奖队伍档案

名次	队伍	机构	方案要点	论文/代码
冠军	DivideAndConquer	DKFZ 海德堡（Hamm/Kirchhoff/Rokuss/Maier-Hein）	两阶段：分割定位 + nnU-Net 式分类（ResEncL、MAMMA-MIA 预训练、warm-up、batch=1、背景掩蔽）；内部五折 0.776	arXiv:2510.27326 / MIC-DKFZ/MeisenMeister
亚军	BCN-AIM	巴塞罗那大学 + CVC + ICREA（Joshi/Garrucho/Osuala/Diaz/Lekadir）	四通道 MIP + 乳腺掩膜 + SwinUNETR + 集成学习	arXiv:2508.20621 / smriti-joshi/bcnaim-odelia-challenge
季军	agaldran	—（方案与机构未见公开论文）	—	待核

附录 F：引用格式速查

引用数据集（数据论文口径）：

Müller-Franzes, G., Escudero Sánchez, L., Payne, N. et al. A European Multi-Center Breast Cancer MRI Dataset. arXiv:2506.00474 (2025, v3 2026). https://doi.org/10.48550/arXiv.2506.00474 — Data: ODELIA-AI/ODELIA-Challenge-2025 (HuggingFace), CC BY-NC 4.0.

引用挑战赛（挑战赛方法学口径）：

ODELIA Breast MRI Challenge 2025. Grand Challenge. https://odelia2025.grand-challenge.org/ — MICCAI 2025 challenge（DOI 10.5281/zenodo.15075569）；结果发布于 Deep-Breath workshop, 2025-09-23, Daejeon.

引用冠军方案：

Hamm, B., Kirchhoff, Y., Rokuss, M., Maier-Hein, K. MeisenMeister: A Simple Two Stage Pipeline for Breast Cancer Classification on MRI. arXiv:2510.27326 (2025). https://github.com/MIC-DKFZ/MeisenMeister

引用上位项目（EU 项目口径）：

ODELIA — Open Consortium for Decentralized Medical Artificial Intelligence. Horizon Europe Grant Agreement No 101057091 (2023-2027). https://doi.org/10.3030/101057091

附录 G：HuggingFace cardData 关键字段速查（API 实测）

字段	值	含义
id	ODELIA-AI/ODELIA-Challenge-2025	仓库全名
private / disabled	false / false	公开可用
gated	“auto”	自动审批门控
license	cc-by-nc-4.0	CC BY-NC 4.0
createdAt	2025-05-15T12:07:49Z	仓库创建
lastModified	2025-10-19T16:27:28Z	最后更新（赛后释放）
downloads / likes	475 / 12	抓取时点热度
usedStorage	304,885,769,330 B（≈304.9 GB）	仓库总存储
task_categories	image-classification	HF 任务标签
size_categories	1K<n<10K	文件数量级标签
tags	MRI, Breast, Cancer, Medical, 3D, arxiv:2506.00474	主题标签（含论文回链）
configs	default / unilateral	双配置
splits (default)	train 472 / val 119 / test 150	例级切分
splits (unilateral)	train 944 / val 238 / test 300	乳侧级切分
extra_gated_prompt	存在	接受条款时的提示文案

---

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：

• breastpathq — 共享标签：医学影像 / 图像分类 / 乳腺癌 / 挑战赛数据集
• busi — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 乳腺癌
• cbis-ddsm — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 乳腺癌
• inbreast — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 乳腺癌
• cmmd — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 乳腺癌
• prostatex — 共享标签：医学影像 / MRI / 图像分类 / 挑战赛数据集
• camelyon16 — 共享标签：医学影像 / 图像分类 / 乳腺癌 / 挑战赛数据集
• bus-bra — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 乳腺癌
• bach — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 乳腺癌
• acouslic-ai — 共享标签：医学影像 / 图像分类 / 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。