PARSE 2022 肺动脉分割挑战赛数据集

PARSE 2022 是 2022 年随 MICCAI 举办的首个肺动脉分割挑战赛及其配套数据集，全称 Pulmonary Artery Segmentation Challenge 2022，缩写取自 Pulmonary、ARtery、SEgmentation 三个词。它提供约 200 例增强 CT 肺动脉造影体数据与逐体素的肺动脉掩膜，训练集 100 例带标签、公开验证集 30 例只有图像、封闭测试 73 例从未公开，赛题要求同时在主干与分支处达到可用精度，并把推理时间与显存计入排名。影像来自中国四家医院，SIEMENS 与 PHILIPS 两家设备。

它补的是一个此前没有公开大规模基准的空缺。肺动脉形态个体差异极大，管径从二十余毫米一路收窄到接近体素尺寸，标注成本高、公开数据稀缺，算法之间无从比较。已有 CT 血管数据多集中在冠脉、主动脉与脑血管，肺动脉被顺带标注，而顺带标注的分支往往更不完整。PARSE 把这个空白单独立题，把主干与分支分别打分并给分支八成权重，把研究焦点从容易的主干拉到困难的小分支，同时用效率约束提醒使用方：能进临床的不只是精度。

上手前先确认三件事。能拿到标注的只有一百例，验证集只有图像；标签只有肺动脉一类，肺静脉没有对应类别，需要动静脉分离的课题要另找数据；获取方式偏协议而非标准开源许可，条款要读原文。做方法研究可以直接在训练集与验证集上跑通基线；做临床落地则要先评估单一人群、单一设备谱系带来的偏差。

§1 它是什么

1.1 一句话定位与名称来历

PARSE 的缩写取自三个词：Pulmonary、ARtery、SEgmentation，中文即「肺动脉分割」。命名方式是把「肺」与「动脉」合在一起构词，因此 PAR 这一段在字形上是「动脉」的缩写，而非独立的单词。这一点值得先说明，因为以「parse」检索时，搜索引擎给出的结果大量指向编程中的语法解析，与成像毫无关系。真正能定位到该资源的检索词是完整全称，或者域名里的 parse2022。

官网首页给这一定位加了一句时间限定：这是 MICCAI 2022 上的首个肺动脉分割挑战赛。首个这个措辞出自组织方自述，指的是以「肺动脉」为单一对象的公开挑战赛此前没有先例；与之相邻的脑血管、冠脉、主动脉赛事各有先例，但都不是肺动脉。

1.2 挑战赛的组织与分工

组织方是哈尔滨工业大学计算学部的感知计算中心，通讯作者 Gongning Luo 后来转到阿卜杜拉国王科技大学，另一名核心作者 Kuanquan Wang 是该中心主任。团队的研究方向是心血管与肺血管的影像计算，除 PARSE 之外还组织了脑动脉等其他血管类挑战赛。

临床端由哈尔滨医科大学及其附属第四医院放射科承担，负责扫描协议、标注专家调度与标签仲裁。企业端有黑龙江拓盟科技参与影像处理。这套分工在官网的参与页与论文作者列表中可以直接对上：作者名单里既有工科的影像算法研究者，也有放射科医师，还有标注与工程支持人员，总数近三十人，这在挑战赛论文里属于偏大的规模，反映的是标注环节投入的人力。

1.3 数据从哪来

这一条是转述中最容易出错的地方，因为官网与论文的说法不一致。

官网数据页写的是：这些 CTPA 数据取自哈尔滨医科大学的一台双源 64 层 CT 扫描仪，地点在哈尔滨。这句话只提了一台设备和一所学校。

挑战赛总览论文的数据一节写的是另一套：影像来自四家中心，分别是哈尔滨医科大学附属肿瘤医院、中国人民解放军总医院、牡丹江医学院红旗医院、佳木斯大学附属第一医院，设备来自 SIEMENS 与 PHILIPS 两家厂商。论文的 Table 1 还按厂商给了每组的数量，训练组 81 例来自 SIEMENS、16 例来自 PHILIPS。

两种说法并不互相否定，而是时间上的一前一后：官网那段文字是 2022 年赛期写的，当时对外发放的首批数据来自单一设备；论文是赛后整理，把全部四中心的数据都统计进来了。使用时应以论文的四中心说法为准，官网的「一台设备」是发布初期的描述，已被后续材料覆盖。

1.4 版本与发布链

PARSE 的对外形态可以分成四个节点，理解这四个节点的差别，就能判断手上的包是哪一版。

第一个是 2022 年 4 月 6 日发放的训练集。此时只有 100 例带标签数据，获取方式是填表并签署协议后由组织方邮件发送下载链接。

第二个是 2022 年 7 月 15 日补发的验证集，30 例，只有图像没有标签，验证榜随之开放。同年 7 月 19 日官网发布公告，把验证提交截止从 7 月 20 日延到 7 月 31 日，并把 docker 与技术短文的提交窗口从 7 月 20 日推到 8 月 7 日。这两次延期是赛中唯一的日程调整。

第三个是 2023 年 2 月 1 日的公告，训练集与验证集继续对后续研究者开放，协议签署与邮件申请的要求不变。这一阶段的数据获取仍是「人审」。

第四个是 2025 年 9 月 10 日的变化，官网把训练集与验证集的下载链接直接列在数据页上，提供 Google Drive 与百度网盘两套入口；9 月 20 日又补一条公告，称全部训练与验证数据已公开免费。值得注意的是，同一页面下方那段 2023 年的协议要求文字并未删除，仍写着「签署文件发至 PARSE2022@hotmail.com，收到协议后才发下载链接」。新旧两种获取说明并列，是这份数据集当前最需要留意的一处不一致。

封闭测试的 70 例（论文写作 73 例）自始至终没有公开，官方的说法是避免泄露测试集分布、保证终榜公平。

1.5 与相邻数据集的分界

肺动脉方向上的公开数据不多，容易被混淆的有三类。

第一类是肺血管的动脉静脉联合标注，代表是同一课题组后来发表的 HiPaS，标注量 1073 例，含 315 例 CTPA 与 758 例非增强 CT，并在 Zenodo 上单独发布。它与 PARSE 同源，但标签从一类变成动脉静脉两类，任务性质不同，不能互相替代。

第二类是肺栓塞相关的 CTPA 数据。这类数据的临床目标是检出栓子，标注对象是血栓而非血管，常见形态是报告标签或病例级分类标签，与体素级管腔掩膜是两回事。

第三类是肺气道树、肺实质病灶分割。它们与肺动脉同样是胸部 CT 上的「树状结构」或「病灶」，方法层面有借鉴价值，但解剖对象不同，不能直接当外部验证集。

判据很简单：看标签是否有体素级的「1 = 肺动脉」。如果只有分类标签或框，或者类别里同时有动脉与静脉，那就不是 PARSE。

§2 数据构成

2.1 规模：三个数字需要同时记住

把规模说清楚，要同时给出三组数字，每一组回答不同的问题。

第一组是总例数。官网写 200 个 3D 体数据，论文的 Table 1 按划分列出 100、30、73，合计 203。两个数字都出现在一手材料里，差别来自统计时点：官网那句是 2022 年赛期发布的描述，论文是赛后完整核查的结果。三个子集之和恰好等于 203，说明论文的分组表是内部自洽的，200 更像是一个取整的宣传数字。写作引用时，保守做法是「约 200 例，论文细分合计 203 例」。

第二组是划分。训练 100 例、公开验证 30 例、封闭测试 70 或 73 例。组织方在官网解释过为什么这样分：训练集要大，是为了训练出稳健的模型；公开验证集要小，既能保证验证程序在不同队伍间可比，又能避免泄露测试集的分布；测试集要大，是为了让终榜有足够的统计稳定性。这套 100 比 30 比 73 的比例，在医学影像挑战赛中属于偏重测试、验证偏少的一种。

第三组是真正可获取的量。带标签的是 100 例，公开能下载的图像是 130 例，其余从未放出。任何声称「PARSE 有 200 例标注」的说法都是错的，因为其中一半以上的标签不在公开范围内。

2.2 病例与采集

论文的 Table 1 给出了三个子集的人口学描述，这些数字用途在于判断人群构成，不在临床推理。

训练集 100 例，女性 79、男性 21，年龄 29 至 71 岁，均值 56.3 岁，切片厚度 1 mm，切片数 228 至 390，均值为 303，像素间距 0.5039 至 0.9238 mm。验证集 30 例，女性 25、男性 5，年龄 29 至 70 岁，均值 54.2 岁，切片数 228 至 397，均值 295，像素间距 0.5469 至 0.7891 mm。测试集 73 例，女性 52、男性 21，年龄 23 至 73 岁，均值 54.4 岁，切片数 229 至 408，均值 312，像素间距 0.5039 至 0.8770 mm。

三点值得记住。

第一，三个子集的女性占比都高，训练集接近八成。这与肺动脉疾病在一般人群中的性别分布未必一致，用它训练出的模型在男性为主的队列上表现如何，数据本身给不出答案。

第二，年龄跨度大，从 23 岁到 73 岁，不再是单一的老年人群。但均值集中在五十四到五十六岁之间，说明分布并不均匀，极端年轻与极端年老的病例数量少。

第三，切片数和像素间距都有明显波动，说明数据没有重采样到统一空间。这一点直接影响实验设计：必须自己完成重采样，不能假设所有体数据共享同一物理尺度。

2.3 标注协议

标注流程在论文中有完整描述，分五步。

第一步调窗。放射科专家先调整窗宽窗位，让肺动脉的对比剂充盈区在灰阶上显现清楚，这一步是后续区域生长能否收敛的前提。

第二步选种子。专家在主干与主要分支上逐一放置种子点，每放一批就跑一次区域生长，得到粗掩膜。种子点的选择是人工的、迭代的，漏掉的段落要回头补。

第三步精修。区域生长的结果在血管壁边界处往往溢到邻近组织，专家要逐层修掉溢出、补上断开的部分。这一层工作量最大，也是单个病例标注耗时的主要来源。

第四步互检。同一例的多份标注由专家之间相互检查，发现明显分歧就回到原层重新判读。

第五步投票。每一例由 5 名专家各自完成，最终标签按投票合并。论文写明专家共 10 人，分两组每组 5 人，每一例由其中一组 5 人分别标注。投票规则的具体实现（逐体素多数票还是逐区块表决）论文没有展开，但结果是一个二值掩膜，说明最终仍要收敛成 0 与 1。

这套流程的关键在「半自动」三个字。区域生长让主干与较粗的分支能被快速填满，但末梢细支的连通性一旦中断，算法无法自己接回去，只能靠人补。所以在标注质量上，粗管径处可靠、细管径处依赖个别专家的耐心，这是逐例差异的主要来源。

2.4 标签体系：只有一类

标签值只有两个：0 表示背景，1 表示肺动脉。这是人体解剖学意义上极简的标注，代价是无法做任何部位细分。

由此带来四个直接后果。

其一，主干与分支在标签里没有区别。赛题的「多级」评估不是靠标签分级实现的，而是靠几何划分实现的：把肺区内部算作一级，肺区外部算作二级，主干落在肺区外，分支落在肺区内。肺区的界定在测试阶段由金标准上手工放置的立方框完成，框住肺动脉干，同位置的框裁切参赛输出，再分别计算两部分的重合度。这意味着「主干」与「分支」的分界线并非解剖学意义上的精确划分，而是框内框外的近似。

其二，肺动脉与肺静脉在标签里没有区别。CTPA 的对比剂充盈期，肺动脉与肺静脉都会显影，图像上两者在肺门附近贴得很近。标注要求专家把静脉排除在外，但标签本身不给出排除的依据。模型学到的是「哪块是高密度的树状结构」，遇到静脉明显显影的病例，是否仍能守住边界，取决于训练集里这类病例的覆盖度。

其三，无法做左右区分。左肺动脉与右肺动脉在标签里是同一个前景类，评估时不区分左右，因此无法用这份数据评估「一侧分支弱」这类偏差。

其四，无法计入肺动脉内的病变。栓子、钙化、管壁增厚在掩膜里不构成独立类别，管腔内的充盈缺损会被标成背景还是血管，取决于标注者的判读，论文未作规定。

2.5 文件结构与读取

训练集按病例编号分目录，每个病例下两个子目录：image 存放原始 CTPA 的 .nii.gz，label 存放对应掩膜。编号形如 PA000005、PA000317，不是连续的自然数，说明编号来自原始档案系统而非重新编排。

公开验证集是一个平铺目录，直接放 .nii.gz 文件，没有子目录，也没有标签目录。

由于没有随包发布的方向与空间说明，读取时必须自己核对 affine。NIfTI 的方向编码在不同厂商、不同后处理流程下可能不同，若直接把 image 与 label 各自读入而不对齐，会出现掩膜与图像镜像或旋转的情况。稳妥做法是先读 image 的 affine，再校验 label 的 affine 与之逐项一致，不一致则按轴翻转或重采样校正。

包内不含患者人口学表、不含 DICOM 原始数据、不含扫描协议元数据，因此病例级别名与论文 Table 1 中的年龄、性别、厂商无法一一对应。这意味着按性别或厂商做分层分析时，只能使用整体统计量，无法做子组划分。

2.6 场强之外的成像参数

CTPA 的关键成像参数在官网与论文中给出的都很有限，散见于各处。

平面分辨率 512×512，这是重建矩阵而非探测器物理尺寸。像素间距 0.5039 至 0.9238 mm，跨度接近两倍，意味着同一批数据里既有高分辨率重建也有较粗的重建。层厚统一为 1 mm，层间距未单独说明，按常规理解应等于层厚，但数据中没有元数据可核实。

对比剂使用与注射速率、扫描时相（肺动脉期还是主动脉期）、管电压与管电流，这些在官网与总览论文中都没有给出。这些参数的缺失直接影响两件事：一是无法判断哪些病例属于对比剂充盈不足、容易与静脉混淆；二是无法在复现实验里对齐预处理，例如常见的窗宽窗位设定就没有官方基准。

2.7 字段可靠性表

字段	取值	可靠性	说明
总例数	200 或 203	双口径	官网与论文并存，论文内部自洽
训练 / 验证 / 测试	100 / 30 / 70 或 73	双口径	测试集数字两版不同
切片数范围	228–376 或 228–408	双口径	官网上限 376，论文上限 408
层厚	1 mm	依论文明确	三子集一致
像素间距	0.50–0.95 mm	依论文明确	各子集略有差别，见 2.2
平面矩阵	512×512	依论文明确	全库统一
标注值	0 背景 / 1 肺动脉	依论文明确	单类，无子类
标注格式	.nii.gz	依论文明确	无 DICOM 原始
患者标识	病例编号	依论文明确	不含人口学表
伦理与知情同意	回顾性豁免	依论文明确	见 Nat Commun 方法节
采集中心数	1 或 4	双口径	官网写单设备，论文写四中心
对比剂与扫描时相	未披露	未披露	影响动静脉混淆的判断

§3 怎么拿到

3.1 下载路径

当前有两条并行的路径，选哪条取决于需要什么。

路径一是官网数据页上直接给出的链接：训练集放在 Google Drive 与百度网盘，验证集同样两个入口。2025 年 9 月 10 日的公告写明「数据集现在可以免费下载」，9 月 20 日又补充「全部训练与验证数据已公开免费」。这是最省事的路径，适合先跑基线、先看数据结构。

路径二是页面下方的旧流程：点击 Join、填写在线登记表、把签名后的协议文件发到指定邮箱，收到回复后才拿到链接。这套流程在 2023 年 2 月 1 日的公告里仍有完整描述。协议文件的托管地址在组织方的 GitHub 仓库里，文件名是 PARSE2022_agreement，可以公开查看。

两条路径的分歧在于协议的约束力。走路径一，协议文本仍附在页面上，签署义务是否随之失效，官方未作说明；走路径二，协议是获取的前置条件，签署记录留在组织方处。对准备把数据用到产品中、或者在成果里声明数据来源的团队，建议仍按路径二走一遍，留下可追溯的申请记录，避免日后无法说明数据取得方式。

如果研究涉及动脉静脉分割或解剖学分析，官网另有一段说明：需要填写登记表并发送签名文件，注明数据用途，组织方会另外发送完整数据集的链接。这段文字暗示存在一个比公开包更大的版本，但其规模、内容与是否仍在发放，官网没有说明。

3.2 许可与合规

先给结论：这份数据没有 SPDX 许可名。官网没有写 CC BY、CC BY-NC 或任何标准许可标识，唯一的约束来源是那份协议文件与官网的 Data Access Rules 段落。

这一点在引用时必须写清楚。把 PARSE 写成「CC BY 4.0」或「知识共享署名」都是错的，那些名字在任何一个一手来源里都找不到。挑战赛总览论文本身以 arXiv 预印本形式发布，论文的许可与数据的许可不是一回事，不能互相顶替。

协议文件的名称已给出，但具体条款文本没有在官网正文里复述。可判断的边界有两条：其一，签署者需要声明数据用途，说明是用于动脉静脉分割还是解剖学研究，这意味着使用目的受登记；其二，数据来自医院回顾性扫描，患者层面不提供同意书，Nat Commun 的方法节写的是「回顾性研究豁免知情同意，数据已匿名化并系统性去除敏感隐私信息」。后一条是伦理层面的合规依据，不是使用许可。

实践中的做法是：下载前把协议文件下载下来逐条读，重点看三处，是否允许商用，是否允许二次分发或再发布衍生数据集，是否要求成果引用特定文献。三处都没有明写时，按最保守理解处理，即仅限研究用途、不转发原始影像。

3.3 引用要求

官网在数据页顶部单独放了一段 Notice，要求使用该数据集的人引用两篇文献，这一要求写得比多数挑战赛更明确。

第一篇是挑战赛总览：Luo Gongning 等，Efficient automatic segmentation for multi-level pulmonary arteries: The PARSE challenge，arXiv 编号 2304.03708。这篇交代了赛制、指标、参赛情况与前十名的成绩。

第二篇是发表在 Nature Communications 的论文：Chu Yuetan、Luo Gongning、Zhou Lin 等，Deep learning-driven pulmonary artery and vein segmentation reveals demography-associated vasculature anatomical differences，卷 16、文章号 2262、2025 年，DOI 为 10.1038/s41467-025-56505-6。这篇交代了标注方法、HiPaS 方法与更大规模的队列。

第二篇容易被误引成「PARSE 的数据论文」。严格说，它是方法论文，其中的标注流程正是 PARSE 这套数据的标注流程，但它的数据集规模是 1073 例，与 PARSE 的 203 例不是同一批。引用时若只写第二篇，读者会以为用的是 1073 例的数据。

3.4 上手检查清单

拿到包之后，按以下顺序做六件事，可以省掉后面大量返工。

第一，列出全部病例编号，核对该子集数量是 100 还是 30，并检查编号是否有重复。

第二，随机抽三例，读 image 与 label 的 affine，确认二者矩阵元素逐项相等。不相等时先解决对齐，再谈训练。

第三，统计每例的前景体素数，画出直方图。分布若出现极端小值，说明该例几乎没标到血管，应标记为可疑样本。

第四，检查前景掩膜是否与血管位置吻合。做法是把掩膜叠加到图像上，看高密度树状结构是否被完全覆盖。若掩膜边界明显超出管腔，说明区域生长溢出未修净。

第五，用体素间距换算物理体积，与常见成人肺动脉树的体积量级对照。明显偏离时优先怀疑 affine 的单位。

第六，把图像与掩膜分别做一次强度直方图，记录窗宽窗位的大致范围，作为后续预处理的起点。

§4 质量与已知问题

4.1 标签噪声是作者承认的

这份数据的质量问题里，最值得先说的是组织方自己承认的那一条。

挑战赛总览论文在讨论环节写得直接：完整准确地标出全部肺动脉非常困难，因为拓扑过于复杂，标注可能有噪声。具体到部位，论文提到训练集的主肺动脉部分存在一些标签噪声，但是所有参赛者面对的是同一份数据与标签；测试集的相应噪声已经修正，测试集更准确，因此对参赛者是公平的。

这段话有两层含义。第一层是事实层面的：训练集的标签不是逐体素完美的，主干部分有错标。第二层是制度层面的：组织方选择「修正测试集而不修正训练集」，理由是不影响竞赛公平，因为大家都在同一条起跑线上。这个选择对竞赛是合理的，对后续把训练集当金标准做方法研究的团队则不是——模型学习的是带噪标签，评估用的若也是带噪标签，指标会被高估。

4.2 分支末端的漏标问题

第二类问题比主干噪声更隐蔽，因为它不表现为错标，而表现为「该有的地方没有」。

论文在讨论小分支时举了一个例子：分支的标注，尤其是末端，很困难，标签上可能出现错误；某些区域被多数队伍都分割出来了，人工复核发现这些区域确实是肺动脉的位置，所以深度网络多分割出来的是真实血管，只是标签没标。

这段描述的含义是：标签在末梢偏保守。区域生长在细管径处容易断，专家补标时以主干与可辨认的分支为主，末梢最容易漏。当模型凭图像线索找回了这些漏标分支，按像素算 Dice 时会被当作假阳性扣分。

这造成一个反常现象：一个「更正确」的模型，在官方标签上可能反而得分更低。论文的建议是把传统分割方法与深度网络结合，以便更完整、更准确地标注分支末端，并称分支标注是未来亟待解决的问题。

4.3 多级指标的设计与实际效果

赛题的核心设计是把主干与分支分开打分，并用加权合并。权重是分支 80%、主干 20%。这个权重分配与两个部位的分数量级正好形成张力：分支的 Dice 普遍在 75 到 77 之间，主干在 89 到 92 之间，分支占比高，意味着最终分数主要由难做的部分决定。

从论文的测试榜前十名看，这个设计确实把不同队伍区分开了。分支 Dice 最高的是冠军队伍 77.19，第二名 76.67，第三名 76.86，第四名 76.57，第五名 76.10，前五名的分支分数差距不足 1.1 个百分点，而主干分数从 89.50 到 91.71，差距超过 2 个百分点。两条曲线的离散程度不同，说明主干已经接近饱和，分支才是真正拉开差距的地方。

需要提醒的是，加权分数是 0.8 乘分支加 0.2 乘主干，这是由权重推算出的合并方式，论文没有给出显式公式。复现时若自己算加权 Dice，结果可能在小数点后第二位与论文表格不一致。

4.4 效率指标的可比性

四项指标等权的排名方式的优点是简单，缺点是量纲不一致却强行拉平。

运行时间以秒计，从 4.21 秒到 380 秒，跨度接近两个数量级；显存以兆字节计，从 1674 到 12288，跨度约七倍；Dice 在 0 到 1 之间，满打满算差 0.2；HD95 以毫米计，差几毫米。四项各自排名再取平均，等于把「快 20 秒」与「Dice 高 0.5 个点」放在同一把尺子上。

这带来两个后果。其一，排名对单项极端值敏感。某个队伍如果运行时间排第一、显存排第一，即使 Dice 只排第十，平均排名也会很好看。其二，排名对测量环境敏感。运行时间与显存在不同硬件上测出的绝对值不同，若评测硬件不统一，这两项的可比性会被削弱。论文给出的显存数值都以兆字节为单位，但评测所用显卡型号没有在正文中明确，只能从显存上限 12288 兆字节推断测试设备至少有 12 GB 显存。

4.5 人群与设备的代表性

四个采集中心都在中国境内，两座在黑龙江，一座在北京，设备只有两家厂商。论文自己承认了这一点：模型在多中心数据上训练与测试，但只包含中国医院的扫描，受数据限制，无法纳入其他国家或大洲的临床信息。

对临床转化而言，这意味着三件事。

其一，人群分布偏窄。三个子集的女性占比都明显高于男性，训练集接近八成，这与多数肺动脉疾病队列的性别构成不同。

其二，机型分布偏窄。只有 SIEMENS 与 PHILIPS，其他主流厂商的重建风格没有出现在数据里。重建核函数、迭代重建强度会改变管腔边界的锐利程度，进而改变分割结果。

其三，缺少扫描时相信息。对比剂充盈程度决定了主干与静脉的亮度关系，数据中没有记录扫描延迟时间，无法在复现时对齐成像条件。

4.6 与实际临床流程的距离

从影像到管腔掩膜，这只是临床工作流中的一环。真实场景里，医生的问题通常是「有没有栓子」「右心室有没有扩大」「肺动脉压力可能多高」，而掩膜只是这些判断的输入之一。

数据里没有栓子标签、没有右心室测量、没有肺动脉压力，也没有任何结局字段。因此以下问题都无法直接用这份数据回答：分割结果能否预测肺栓塞的严重程度；主肺动脉直径与肺动脉高压的关联；分支稀疏程度是否与慢性血栓栓塞性肺病相关。

能做的是把掩膜作为中间量，再与另行获取的临床数据做关联。这种关联研究需要经伦理审批的病例链接，而 PARSE 不提供患者标识，无法与本院的电子病历连接，除非依赖原始档案。

4.7 假设—支持—反对三列表

假设	支持	反对
标签在主干处基本可靠	测试集噪声已修正；主干 Dice 普遍 89 以上，说明多数队伍与金标准一致	作者明言训练集主干存在标签噪声，且未说明噪声的性质与范围
分支漏标是系统性的	论文举例说明模型多分割处经复核为真实血管；建议用传统方法与网络结合补标	论文未给出漏标的比例估计，无法量化影响幅度
100 例足以训练出可迁移的模型	前十名队伍都只用这 100 例训练，取得了 77 以上的分支 Dice	标签只覆盖单一人群单一厂商，迁移到非中国人群的效果未知
效率指标可跨平台比较	四项等权排名，形式上看简单可复现	评测硬件型号未在正文明确，运行时间与显存的绝对值依赖环境
四中心数据足够代表中国人群	覆盖黑龙江、北京等地，含两家厂商	三子集女性占比均偏高，年龄段集中，代表性存疑
与 HiPaS 的数据可以互相验证	同一课题组、同一标注方法与标注专家	两者规模与类别不同，PARSE 只含肺动脉、HiPaS 含动静脉双类，且论文未写两者是否为同一批病例

4.8 结论强度分级

按证据来源数量分级，便于引用时注明。

A 级，至少三条独立证据线。可判为 A 的有三条：数据规模与划分（官网、arXiv、Nat Commun 三处均有数字，虽小有差异但方向一致）；获取方式在 2025 年 9 月转为公开直链（官网数据页与首页公告两处，且链接可验证）；标注由 5 名专家投票合并（arXiv 与 Nat Commun 两处一致，官网另写 10 名专家参与）。

B 级，两条证据线。采集四中心两厂商（arXiv Table 1 与 Nat Commun 的站点描述）；赛题同时约束精度与效率（官网 About 段与 arXiv 摘要）。

C 级，单一来源。运行时间与显存的评价硬件型号；标注投票的具体实现；主干噪声的具体范围；组织方称「首个肺动脉分割挑战赛」。

D 级，推断，仅作提示。PARSE 的 203 例与 HiPaS 的 315 例 CTPA 是否为同一批；协议在转为公开直链后是否仍具约束力；公开包是否含有测试集的部分图像。

§5 能做什么

5.1 主线任务：单类管腔分割

最直接的用法就是赛题本身：输入 CTPA，输出肺动脉的体素级掩膜。

这个任务在方法层面有几个具体特点，决定了它不是「随便拿个分割网络就能跑好」的题目。

第一，前景占比极低。肺动脉的体积相对整个胸部 CT 体积很小，正负样本极不平衡，损失函数若用朴素交叉熵，模型会倾向把所有体素判成背景。

第二，结构细长且连通。主干粗、分支细，从 20 多毫米的管径一路降到接近体素尺寸。3D 卷积的感受野要能覆盖分叉处的拓扑关系，否则断连。

第三，前景内部强度不均。对比剂在靠近注射侧的血管里最亮，往末梢递减，同一条血管从近端到远端可以有两三百个亨氏单位的落差。

第四，邻近结构干扰强。肺静脉、肺门的软组织、纵隔内的脂肪与淋巴结都贴近血管，边界判断需要上下文。

上述四点与冠脉、脑血管分割高度相似，因此 PARSE 上的方法经验可以迁移到其他血管树任务；反过来，在脑血管或冠脉数据上验证过的技巧，也值得在 PARSE 上再试一次。

5.2 最小可执行示例

以下流程是能把 PARSE 跑通的最小闭环，不追求分数，只保证每一步都能验证。

第一步，数据装载。读 image 与 label，校验 affine 一致，把强度按固定窗宽窗位裁剪后归一化到零一。由于数据没有统一空间，需要先做各向同性重采样，常见做法是重采样到 1 mm 立方体素。

第二步，肺区提取。论文里多数队伍用阈值加形态学的方法先圈出肺区，把肺外的部分裁掉。这一步不是必需的，但能显著减少负样本，也让「主干与分支」的划分有了依据。

第三步，切块训练。把整卷切成固定大小的三维块，前景块与背景块按比例混合采样，保证每个批次里都有足够的前景体素。

第四步，损失设计。论文里名次靠前的队伍多用了 Dice 与交叉熵的组合，部分队伍加了边界或骨架约束。对细长结构，纯 Dice 容易在末梢坍缩，加入骨架类损失是一个常见改进方向。

第五步，推理与拼装。整卷滑窗推理，重叠区做平均或投票，最后按阈值二值化。

第六步，分级评估。先按掩膜与肺区的关系拆成主干与分支两部分，再分别算 Dice 与 HD95，最后按八比二加权。

每一步都可以单独跑通并检查，便于定位问题。

5.3 超出赛题但可行的用法

赛题之外的用途，按可行性从高到低排。

其一，作为细长结构分割算法的压力测试集。分支末端的漏标使这份数据天然带有一个「标签偏保守」的偏置，适合评估方法对不完整标注的鲁棒性。

其二，作为解剖形态学分析的输入。掩膜可以直接导出主肺动脉直径、分支数量、血管总体积等量化指标，供后续与临床变量做关联。论文的后续工作正是沿这条路走的，只是规模扩到了上万例。

其三，作为跨数据集泛化的测试端。在别的 CTPA 数据上训练、在 PARSE 的验证集上测试，或者反过来，可以观察分布漂移的幅度。

其四，作为手术规划流程中的自动管腔提取环节。胸外科手术前需要知道血管走向与分支关系，掩膜可以作为三维重建的起点，但需要人工核对。

5.4 不该用它做的事

以下几类用途，数据本身不具备支撑条件。

分类类任务：没有病例级标签，无法做肺栓塞有无、肺动脉高压有无的二分类器，除非另有标注来源。

动静脉分离：标签不区分动脉与静脉，无法用于训练动脉静脉双类模型。

预后研究：没有随访、没有结局，不能做生存分析或风险预测。

多中心泛化声明：四家中心都在中国，设备只有两家，据此声称「在多中心数据上验证过」不准确，应写明是哪几家中心。

公平性研究：没有患者标识与人口学表，无法做子组分层分析。

5.5 与后续工作的衔接

PARSE 之后，同一课题组把方向推进到了动脉静脉联合分割与非增强 CT 分割，发表的成果是 HiPaS。这条线索对使用者的意义在于：如果课题的目标是「从 CT 里分出肺动脉与肺静脉」，那么 PARSE 只是起点，后面的数据集才是主战场；如果目标是「单一类别的肺动脉管腔」，PARSE 仍然是最适合的公开基准之一，因为它的标签质量在主干部分是经过核对与修正的。

另一条衔接是方法层面。PARSE 参赛队的技术报告里，不少队伍用的是 nnU-Net 的变体，这与后续几年医学分割的主流一致。把这批报告当作「同一数据上不同工程选择的对照表」来读，比单纯看排行榜更有信息量。

§6 常见误读与避坑清单

误读对照表

左列的说法在教程、二手转述与论文引用中反复出现，右两列给出核对后的口径与出处。逐条比对可避免把转述当原文。

常见说法	实际口径	证据位置
PARSE 是「解析」类数据集或 NLP 语料	是 Pulmonary ARtery SEgmentation 的缩写，肺动脉分割	官网首页 About 段
数据集有两百例全部带标注	带标签的只有训练集 100 例，公开验证 30 例无标签	官网 Dataset 页
测试集也是 70 例	官网写 70，论文 Table 1 写 73 且三项相加为 203	官网与 arXiv Table 1
许可为 CC BY 或 CC BY-NC	官网无 SPDX 名，约束来自协议文件	官网 Data Access Rules
下载需要发邮件申请	2025 年 9 月 10 日起训练与验证集已给公开直链	官网数据页公告
这是动静脉双类标注	只有 0 背景与 1 肺动脉两类，静脉无标签	官网 Dataset 页
数据来自哈尔滨一家医院的一台设备	论文写四家中心、两家厂商	arXiv 数据集一节与 Table 1
分支 Dice 77% 说明方法还很不成熟	分支 80% 权重下的冠军成绩，主干已达 90% 级，差距来自标签与管径极限	arXiv Table 3 与讨论
标签是逐体素金标准	区域生长半自动加人工精修，训练集主干有作者承认的噪声	arXiv 讨论与 Nat Commun 方法
漏标的末梢是模型误检	复核发现多为真实血管，标签偏保守	arXiv 讨论 Fig.7 段
排行榜只看 Dice	Dice、HD95、运行时间、显存四项等权	官网 About 段
训练集 100 例可当作独立测试集	官方验证集与测试集才是划分外的数据，训练集自评会高估	官网划分说明
这份数据与 HiPaS 是同一批	标注方法同源，但规模与类别不同：203 例单类对 1073 例双类	Nat Commun 与官网推荐段
数据含扫描协议与患者信息	无 DICOM、无人口学表、无扫描时相	包内容与论文 Table 1
论文已正式发表	挑战赛总览为 arXiv 预印本，修订至 v2	arXiv 提交记录

技术陷阱

陷阱一：把 affine 当成默认一致。 每例只有一个 image 与一个 label，两者的方向编码若不相等，直接训练会得到镜像的掩膜。必须逐例比对 affine 矩阵，不要只查第一例。

陷阱二：把切片数上限记成 376。 官网写 228 到 376，论文写 228 到 408。按官网数字做内存预算，遇到 408 层的病例会溢出。预算要按上限加缓冲来算。

陷阱三：用整卷 Dice 代表分支表现。 主干体积大，整卷 Dice 几乎完全由主干主导，分支的表现被掩盖。必须按肺区内外拆开计算，否则无法与论文的分数比较。

陷阱四：把像素间距当成各向同性。 平面间距在 0.50 至 0.95 mm 之间，层厚固定 1 mm，两者不相等。直接在原始空间上做各向同性的卷积，等于让网络在不同方向上看到不同的解剖尺度。

陷阱五：按年龄或性别做子组分析。 包里没有人口学表，病例编号与论文 Table 1 的行无法对应。子组结论只能是整体统计，不能落到个体。

陷阱六：把测试集当外部验证。 测试集从未公开，任何声称「在 PARSE 测试集上得到」的分数，要么来自当年参赛，要么口径无法核实。复现时应使用公开验证集或自建留出集。

陷阱七：把加权分数当成单纯的精度。 加权 Dice 只包含中心与分支两部分，未包含运行时间与显存。论文的最终名次是四项排名平均，与加权 Dice 的排序并不一致，冠军在分支 Dice 上第一，但在主干 Dice 上不是第一。

陷阱八：把「首个」当成学术定论。 「首个肺动脉分割挑战赛」是组织方自述，论文与官网都这样写，但未给出检索范围的界定。引用时应写明「组织方称」。

DAIMS 评估

维度	评估	说明
数据完整性	中	三划分齐全，但测试集封闭，训练集标签有噪声
可访问性	中高	2025 年起直链下载，早期为协议申请
可互操作性	中	标准 NIfTI，但无统一空间、无元数据表
可复用性	中	单类标签限制了用途，管腔掩膜本身可广泛复用
可追溯性	高	官网、arXiv、Nature Communications、GitHub 四线可查
文档完备度	中	划分与指标写得清楚，扫描参数与标注细节留白

引用时的写法建议

引用这份数据时，建议同时给出三项：挑战赛全称与年份、使用的是训练集还是公开验证集、标签类别数。只写「PARSE 数据集」而不指明子集，读者无法判断可比性。

引用分支成绩时，务必注明是加权分数还是分支单项，并写明是测试榜还是验证榜。两者差距很大，混引会造成误读。

引用「标签质量」时，宜引用作者的表述原文，即训练集主干有噪声、分支末端偏保守、测试集已修正，而不是概括成「标签质量高」或「标签不可靠」。

§7 在生态中的位置

7.1 血管分割赛事的三个世代

把 PARSE 放回血管分割的赛事谱系里，能看清它继承了哪些设计、又引入了什么。

第一世代以管径较大的血管为主，任务是把主动脉或冠状动脉树从 CT 中分离出来，标签通常是单类，评估用 Dice 与表面距离。这一代的代表是冠脉与主动脉方向的赛事，难点在解剖变异与邻近结构，样本量与标签密度都较宽松。

第二世代开始强调拓扑与分级。脑血管方向先出现了以 Willis 环完整性与分支覆盖为核心的评测，把「连通」与「分叉识别」纳入指标。PARSE 的分级思路与此同源：它用肺区内外的几何划分替代解剖分级，用加权把困难部分的分量抬上去。

第三世代强调效率与临床可用性。PARSE 把运行时间与显存写进排名，是这一转向的早期样本。后续几年里，越来越多的挑战赛在精度之外增设推理成本、参数量或部署约束。

7.2 肺动脉方向的上下游

上游是肺部 CT 的公共资源。肺结节筛查、肺癌筛查、气道树建模的数据在数量上远超肺动脉数据，但它们的目标是病灶或气道，与管腔分割是不同任务。这些数据可以作为预训练语料，论文中的 HiPaS 就用了近两万例公开胸部 CT 做自监督预训练。

下游是肺血管相关的临床研究。肺动脉的形态学量化在肺高压诊断、肺栓塞严重度评估、肺移植术前评估中都有用途。PARSE 提供的掩膜是这类量化的中间产物，但要落地还需要把掩膜换算成临床指标，并在一批有结局标签的病例上验证。

侧向是肺静脉。心房颤动的消融术前规划需要肺静脉的三维形态，这是与肺动脉并行的一条线。PARSE 的标签不含静脉，做这条线需要另找数据。

7.3 与同域数据的对照

维度	PARSE 2022	颈部与脑部血管赛事	冠脉与主动脉赛事	肺结节筛查数据
解剖对象	肺动脉树	颈动脉管壁、Willis 环、脑动脉	冠脉树、主动脉	肺实质结节
标签形态	单类体素掩膜	管壁与管腔分标、实例标签	段号实例、钙化评分	结节框与恶性度
评测重点	主干与分支分级、效率	拓扑与覆盖	段级 Dice、狭窄检测	检出率与假阳性
获取门槛	协议申请，2025 年起直链	多为开放下载	多为开放下载	多为开放下载
与 PARSE 的可迁移性	——	方法可迁移，数据不通用	方法可迁移，数据不通用	仅作预训练语料

7.4 三条进入路径

按使用目的分三条路，各自的第一步不同。

做方法研究：从训练集 100 例出发，先在验证集 30 例上定住流程，再考虑与论文前十名的配置对照。这一步的产出通常是流程与超参，不是分数。

做临床关联：先把掩膜转成量化指标，再看手头是否有能链接的临床数据。若没有，PARSE 只能作为方法验证，不能作为临床结论的来源。

做数据工程：关注包的完整性、affine 一致性、标签与图像的对应关系，把清洗规则写下来。这条路的产出是数据字典，对团队复用最有价值。

§8 局限与未覆盖

8.1 官方未说明的部分

以下信息在一手材料中找不到，列出以便使用时知道边界。

标注的一致性数值。论文描述了 5 人标注加投票，但没有给出专家之间的重合度。

每例的标注耗时。Nat Commun 提到动脉静脉双类标注平均每个病例约半小时，但那是 HiPaS 的流程，PARSE 的单类标注耗时没有单独统计。

扫描协议。管电压、管电流、对比剂浓度与注射速率、扫描延迟，一律未披露。

测试集的评测硬件。运行时间与显存的绝对值依赖设备，设备型号未在正文写明。

协议条款的可执行细节。协议文件可下载，但官网正文未复述条款。

8.2 与论文表格核对时的注意事项

论文的 Table 1、Table 2、Table 3 是核对的基准，但有三处容易读错。

其一，Table 1 的三行分别对应训练、验证、测试，其中厂商一列写的是 SIEMENS 与 PHILIPS 的例数，两个数之和等于该行总数，不能当成两套独立数据。

其二，Table 2 记录的是前十名队伍的方法描述，不是成绩；成绩在 Table 3 与另一张指标表，两队同名不同表的情况容易混淆。

其三，年龄一列给的是区间加括号内的均值，括号里不是中位数。用均值做中心趋势描述时，应注明是均值。

8.3 统计口径的两处硬冲突

第一处是 200 与 203。两个数字都出自一手材料，差别在于是否把后期补入或剔除的病例计入。若论文的 Figure 与表格按 203 计算，用 200 做分母会让任何比例都偏低约百分之一点五。

第二处是 70 与 73。官网写封闭测试 70 例，论文 Table 1 写 73 例。若按 100 加 30 加 73 等于 203 的关系推断，论文的数字与总例数自洽，官网的 70 可能是发布时的整数表述。

两处的处理原则相同：正文并列写出，引用时优先用论文数字，并注明官网另有表述。

8.4 后续可补的方向

从公开信息看，这份数据有三条自然的延伸线。

第一条是标注完备性。把分支末端的漏标补上，是论文明确提出的待办。补标后的版本若公开，旧版本的分支 Dice 将不再可比。

第二条是动静脉双类。同一课题组已经走出了这条路，HiPaS 是直接产物。

第三条是非增强 CT。PARSE 全部是对比剂增强的 CTPA，非增强 CT 上的肺动脉分割难度更高，HiPaS 的 758 例非增强数据正是针对这一点。

§9 与库内条目的关系

9.1 血管树分割方向的邻居

脑血管方向有两个直接可比的对象。TopCoW 挑战赛面向 Willis 环，核心是拓扑感知的分割与分级评测，与 PARSE 的「主干与分支分开打分」是同一个思路在不同解剖对象上的应用。脑动脉分割挑战赛则提供了百例级的 TOF-MRA 公开标注，单模态、单任务，与 PARSE 的形态最接近，只是成像物理不同：MRA 不靠对比剂，血管与背景的对比机制与 CTPA 完全不同。

颈动脉方向的血管壁分割挑战赛提供了另一种视角：它同时标管腔与管壁，标签是多类的，难度集中在薄壁。PARSE 只有管腔一类，两者在标签设计上不可互换，但在「细长管状结构上如何设计损失」这一点上可以互相参考。

9.2 冠脉与主动脉方向

冠脉造影的狭窄检测数据集是异构例：同样是把血管切成段再评估，但它基于二维投影、按段号分实例，评测指标是分割与检测双线。把 PARSE 与它并列看，能看出「段号实例分割」与「单类体素分割」是两类不同的标注范式。

冠状动脉树的自动分割挑战赛与 PARSE 同属 CT 上的血管树分割，CTA 与 CTPA 的成像物理相近，方法迁移的阻力最小。

主动脉的分割数据集则管径大得多，边界清楚，常被当作血管分割的入门数据。从主动脉到肺动脉，难度是递增的。

9.3 肺部的邻近条目

肺结节筛查数据（如 LIDC 与 LUNA16 系）与 PARSE 共享解剖区域，肺区提取这一步的预处理可以直接借用，但任务与标签完全不同。把 PARSE 的掩膜当作肺结节检测的辅助输入，是一个可行的组合思路，但不是这两份数据的原始设计目标。

肺气道树建模数据与 PARSE 的关系更近：气道与血管都是树状结构，都从肺门向末梢分叉，两者在分叉处的空间关系是三维重建的难点。做血管分割时若能把气道掩膜作为解剖锚点，有助于区分肺门附近的结构。

肺栓塞的 CTPA 报告标签集则揭示了另一条路线：不标像素、只标报告文本中的发现。它与 PARSE 的体素掩膜形成互补，前者适合做分类与检索，后者适合做量化。

9.4 名称相近但不同物

库内另有一条名字含 parse 的条目，是微软 BiomedParse 的整合训练语料。二者字形相近，实体完全不同：前者是 45 个分割数据集的整合语料，用于训练通用的分割基础模型；后者是单一的肺动脉分割挑战赛数据。检索时若只看 parse 一词，两条会被混在一起，引用前必须核对全称。

9.5 不建议的关联

把 PARSE 与肺功能或生理信号类数据说成「可以联合做肺血管功能分析」不成立，因为两边都没有可链接的病例标识。

把 PARSE 与冠脉或脑血管数据说成「同一批患者的不同部位」也不成立，影像来源与病例完全无关。

把它与 HiPaS 说成「同一数据的不同版本」同样不准确：标注方法同源，规模与类别都不同，两者是前后相继的两个资源，不是版本关系。

§10 总结

10.1 适用场景

PARSE 适合以下五类工作。

细长管状结构的分割方法研究，尤其是需要在分叉与末梢保持连通性的场景。分支 Dice 在三年的公开成果里始终卡在 77 附近，说明这里还有空间。

带噪声标签的鲁棒学习。训练集主干有作者承认的噪声，分支末端系统漏标，这为标签修正、噪声建模与半监督方法提供了现成的测试床。

效率约束下的模型压缩与加速。四项指标里有两项是运行时间与显存，直接为轻量化研究给出了参照点。

跨数据集泛化评估的一端。在自有 CTPA 数据上训练、在 PARSE 上测试，或在 PARSE 上训练、在自有数据上测试，都能得到有意义的分布漂移信号。

解剖形态的量化学研究。掩膜可直接导出主干直径、分支数量与血管体积，作为后续关联分析的输入。

10.2 不适用场景

它不适合动静脉联合分割，因为标签只有一类。

不适合肺栓塞或肺动脉高压的检出与分级，因为没有病灶标签与临床结局。

不适合作为「多中心泛化」的证据，因为四家中心都在中国，设备只有两家。

不适合公平性或子组分析，因为没有人口学表与患者标识。

不适合直接商用，因为许可不是标准开源许可，协议条款需自行判读。

10.3 三句话概括

PARSE 把肺动脉分割拆成主干与分支两级、再加一项效率约束，做成了可比的公开赛制，训练集 100 例带标签、验证 30 例只有图像、测试 73 例封闭。

它的价值在于给出了一个分支占比 80% 的难度设计，让管线方法之外的质量问题——标签漏标、管径极限、类别单一——在分数上显形。

使用它的前提是接受三件事：能拿到标注的只有一百例；标签只有肺动脉一类；获取方式偏协议而非标准许可。

10.4 关键数字速查

项目	数值	出处
训练 / 公开验证 / 封闭测试	100 / 30 / 70（论文 73）	官网 Dataset 页；arXiv Table 1
体数据总数	200（官网）/ 203（论文）	同上
层厚与平面矩阵	1 mm；512×512	官网；arXiv Table 1
标注类别	0 背景 / 1 肺动脉	官网 Dataset 页
冠军测试成绩（加权 DSC）	79.69 ± 6.95	arXiv Table 3
冠军分支 DSC	77.19 ± 8.32	arXiv Table 3
分级权重	分支 80% / 主干 20%	arXiv 指标一节
参赛队	注册 469 / 获批 111 / 合格提交 25	arXiv 参赛情况

附录 A 术语与缩写

缩写	全称	中文	备注
PARSE	Pulmonary ARtery SEgmentation	肺动脉分割	本文数据集名
CTPA	Computed Tomography Pulmonary Angiography	CT 肺动脉造影	对比剂增强的胸部 CT
PA	Pulmonary Artery	肺动脉	目标结构
DSC	Dice Similarity Coefficient	Dice 相似系数	体积重合度
HD95	95th percentile Hausdorff Distance	95 分位豪斯多夫距离	表面距离
RT	Running Time	运行时间	效率指标之一
GPU	Graphics Processing Unit	图形处理器	显存约束的载体
MIMICS	Materialise Interactive Medical Image Control System	医学影像处理软件	标注工具
NIfTI	Neuroimaging Informatics Technology Initiative	神经影像信息学技术倡议格式	.nii.gz 容器
MICCAI	Medical Image Computing and Computer Assisted Intervention	医学图像计算与计算机辅助介入	会议名
HiPaS	High-abundant Pulmonary Artery-vein Segmentation	高丰度肺动脉静脉分割	后续方法与数据集
TOF-MRA	Time-of-Flight Magnetic Resonance Angiography	时间飞跃法磁共振血管成像	脑动脉赛事所用模态
CTEPH	Chronic Thromboembolic Pulmonary Hypertension	慢性血栓栓塞性肺动脉高压	相关临床场景
DSCTPA	Dual-Source CTPA	双源 CT 肺动脉造影	Nat Commun 中的命名

附录 B 目录结构速查

PARSE2022/
├── train/                      100 例，带标签
│   ├── PA000005/
│   │   ├── image/PA000005.nii.gz
│   │   └── label/PA000005.nii.gz
│   ├── PA000317/
│   │   └── ...
│   └── ...
└── evaluation/                 30 例，只有图像
    ├── PA000013.nii.gz
    ├── PA000316.nii.gz
    └── ...

标签体素值：0 为背景，1 为肺动脉。训练集的 image 与 label 目录同名、文件名同号，可以按编号直接配对；evaluation 目录平铺，无 label 子目录。

附录 C 检索模板

用下列检索式定位原始材料，避免只依赖二手转述。

• 挑战赛页面：parse2022 grand-challenge pulmonary artery segmentation
• 总览论文：Efficient automatic segmentation for multi-level pulmonary arteries PARSE challenge
• 方法论文：HiPaS pulmonary artery vein segmentation Nature Communications 2025
• 代码与协议：PerceptionComputingLab PARSE2022
• 引文追踪：用 DOI 10.1038/s41467-025-56505-6 在引文数据库中查引用它的工作，比按关键词检索更容易捞出方法学论文
• 后续数据：HiPaS zenodo 14879605

编辑说明

核验时间与方式：2026-10-18。三处一手材料交叉核对：挑战赛官网首页与数据页（含 About、Schedule、News、Award、Data Access Rules、引用要求）；挑战赛总览论文 arXiv 2304.03708 v2 的正文与三张表（数据描述、前十名方法、测试成绩）；Nature Communications 论文 16:2262 的 PMC 全文（标注方法、伦理批件、数据可用性段落）。凡官方未写者一律在正文标注为未披露，未作推断填充。

与任务头数字的差异：任务头未给出规模数字，未发现需要纠正之处。正文采用的一手口径为：总例数 200（官网）与 203（论文）并列；划分 100、30、70（官网）与 100、30、73（论文）并列；切片上限 376（官网）与 408（论文）并列。

双口径冲突清单：① 总例数 200 对 203；② 封闭测试 70 对 73；③ 切片数上限 376 对 408；④ 采集中心 1 对 4（官网写单设备，论文写四中心两厂商）；⑤ 获取方式，2025 年 9 月的公开直链与 2023 年 2 月的协议申请并存于同一页面，官方未声明前者是否取代后者；⑥ 「首个肺动脉分割挑战赛」为组织方自述，未界定检索范围。

未覆盖内容：标注专家之间的一致性数值；每例标注耗时；扫描协议（管电压、管电流、对比剂、扫描延迟）；测试榜评测所用硬件型号；协议文件的具体条款文本；测试集榜单的逐队分数（论文只给前若干名的队名与指标）。以上均因一手材料未披露而留空。

遗留疑点：① 挑战赛总览论文至今只有 arXiv 预印本，未见期刊版本；② HiPaS 在 Zenodo 上的记录 14879605 本次访问返回 403，其条款与包体大小未能核验；③ PARSE 的 203 例与 HiPaS 的 315 例 CTPA 是否为同一批病例，两篇论文均未明写，正文未作合并推断。

下次复核触发点：① 若总览论文正式见刊，需核对 203 与 73 两个数字是否维持；② 若官网删除 2023 年那段协议申请文字，需更新获取方式一节；③ 若出现 PARSE 的补标版本，需重写标签质量与分支成绩的可比性论述。

---

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：

• asoca — 共享标签：医学影像 / CT / 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 / CT / 医学图像分割 / 挑战赛数据集 / 心血管疾病
• orcascore — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 心血管疾病
• imagecas-x — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 心血管疾病
• care-challenge — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 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
• imagecas — 共享标签：医学影像 / CT / 医学图像分割 / 心血管疾病
• segthor — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集
• largeia — 共享标签：医学影像 / CT / 医学图像分割 / 心血管疾病
• imagechd — 共享标签：医学影像 / CT / 医学图像分割 / 心血管疾病

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。