信息速览

数据集名称RSNA Intracranial Aneurysm (RSNA-ICA) Dataset — 颅内动脉瘤多模态检测专家标注数据集

数据类型影像数据,人工标注,多模态数据

规模4,278 成人患者（7,202 series：CTA 2,566 + MRA 2,166 + MRI 2,470）；21 机构 / 12 国 / 5 洲；178 series 含三维血管分割

接入方式RSNA Intracranial Aneurysm Detection AI Challenge 2025（Kaggle）公开影像：去标识 DICOM 多模态血管影像 + 逐序列 14 标签表 + 动脉瘤中心点定位表 + 三维血管分割子集；托管于 Kaggle / AWS Open Data / RSNA MIRA

AI 就绪度

INFOBOX — RSNA-ICA 一屏速览

维度内容

本质 RSNA 2025 年发布的颅内动脉瘤多模态检测数据集 + Kaggle 数据竞赛（真·数据发布物，非纯榜单）

全称 RSNA Intracranial Aneurysm (RSNA-ICA) Dataset / RSNA Intracranial Aneurysm Detection AI Challenge

主办 Radiological Society of North America（RSNA），联合 ASNR / SNIS / ESNR

年份 2025（挑战赛 2025-07-28 启动，2025-10-14 截止；DOI 名 “July 2025”）

论文 arXiv:2610.01135《The RSNA Intracranial Aneurysm (RSNA-ICA) Dataset》（Data Resource Publication，48 页）；DOI 10.1148/dataset.ica.2025

数据规模 7,202 series / 4,278 成人；CTA 2,566 + MRA 2,166 + MRI 2,470

机构 21 institutions / 12 countries / 5 continents

任务多标签分类（14 标签）+ 定位（中心点）+ 三维分割（178 series / 13 类血管）

评测 weighted multilabel AUC-ROC：Aneurysm Present 权重 13，13 个位置各权重 1

指标式最终分 = ½ × (AUC_AP + (1/13) × Σ_{i=1…13} AUC_i)

获取 Kaggle（竞赛规则）｜AWS Open Data S3（no-sign-request）｜RSNA MIRA（公开 5,041/7,202）

许可 非商业用途，禁止再分发；引用须给 DOI 10.1148/dataset.ica.2025

库内互链 rsna-intracranial-hemorrhage（rid 738）、adam-aneurysm（rid 735）、rsna-bone-age（rid 426）

RSNA-ICA 是北美放射学会（RSNA）在 2025 年推出的一件"给高危脑血管病做大规模专家标注体检"的数据集工程：它不是从零采集，而是把 21 家机构、12 个国家、5 大洲的 4,278 名成人患者的 7,202 个颅内血管影像序列汇总起来，逐个序列标注"有没有动脉瘤"以及"如果有，长在 13 个解剖位置中的哪一个"，再用一个权重设计巧妙的加权多标签 AUC-ROC 指标去评测模型。颅内动脉瘤是一种"沉默的定时炸弹"——全球约 3% 人口带着它生活，约一半直到破裂（引发蛛网膜下腔出血）才被发现，每年约 50 万人因此死亡且近半不到 50 岁。RSNA-ICA 把"能不能在破裂之前、在 CT/MR 血管影像上把它找出来"变成了一个可量化、可复现、可排名的大规模机器学习问题。

需要先纠正一处常见的年份误记：本条目对应的挑战赛是 2025 届，不存在 2026 届"RSNA 颅内动脉瘤挑战赛"。本条目即由该 2025 届反哺而来——早前候选 rsna-2026-aneurysm 因 2026 届不存在被证伪，侦查阶段确认真实存在的是 2025 届，故 slug 定为 rsna-aneurysm-2025，全文按 2025 成稿。

导语读法三则：

只想下数据：直奔 §6 获取与许可——三个入口（Kaggle / AWS S3 / MIRA）的门槛与许可约束各不相同，AWS 入口最"免登录"，MIRA 才是官方公开集的正门。
关心评测设计：直奔 §5 评测与基准——看懂"为什么 Aneurysm Present 权重是 13"就看懂了这个数据集的核心难点（阴性为主 + 位置稀疏）。
准备参赛或复现：直奔 §4 任务与标注 + §8 方法学启示——14 标签体系、中心点定位、模态异构三件事决定了模型上限。

§0 导读：这个数据集解决什么问题

颅内动脉瘤（intracranial aneurysm）是颅内动脉壁局部薄弱后向外膨出形成的"血泡"，最危险的后果是破裂导致蛛网膜下腔出血（subarachnoid hemorrhage，SAH），致死致残率极高。它的临床尴尬在于极度沉默又极度致命：绝大多数未破裂动脉瘤没有症状，流行病学估计约 3% 的成年人携带，其中相当比例终生不破裂，但一旦破裂，约半数死亡且相当一部分死者不到 50 岁。是否要筛查、如何随访、要不要干预，全都卡在同一个前提上——先得把它在影像上稳定、准确地找出来。

问题在于，颅内血管影像上的动脉瘤检测对放射科医生是一项劳动密集且容易漏诊的任务。一个颅内 CTA 或 MRA 检查动辄数百乃至上千层，动脉瘤可能只有几毫米，藏在 Willis 环（脑底动脉环）附近密集走行的血管分支处；阅片者需要在海量层面上逐层追踪血管轮廓，任何一处分神都可能漏掉。更麻烦的是，不同机构的扫描协议、层厚、增强时相、机器型号各不相同，人工阅片的一致性并不乐观。

RSNA-ICA 的回答，是把这件事变成一个"大规模、标准化、可排名"的机器学习基准。它的做法分三层理解：

第一层是数据本体。 7,202 个序列来自 4,278 名成人患者，横跨三类血管影像模态——CTA（CT 血管成像，2,566 序列）、MRA（MR 血管成像，2,166 序列）、MRI（常规磁共振，T1 post-contrast 与 T2 加权，2,470 序列）。所有序列都做了去标识处理，只保留 SeriesUID 有意义。这样一个多模态、多中心、多设备的集合，直接对应临床现实中的"设备异构"难题。

第二层是标注体系。 每个序列被标注了 14 个目标：1 个主目标 Aneurysm Present（该扫描里任意位置是否存在动脉瘤），加上 13 个按血管解剖位置划分的标签（如 Left/Right Infraclinoid ICA、Left/Right Supraclinoid ICA、Left/Right MCA、ACOM、Left/Right ACA、Left/Right PCOM、Basilar Tip、Other Posterior Circulation）。此外还有逐动脉瘤的中心点坐标定位表（localizer），以及 178 个序列的 13 类血管解剖位置三维分割。这构成了从"有无"到"在哪一区"再到"精确几何"的三级标注粒度。

第三层是评测设计。 官方指标是加权多标签 AUC-ROC，其中 Aneurysm Present 的权重被设为 13，13 个位置标签各占 1。这个权重绝非随手——它把"能不能判断这个扫描有没有动脉瘤"（最难的、也是临床最核心的阴阳性判断）放大到与"13 个位置细分"总和相等，使总分对"是否漏诊"极度敏感，而不是被一堆容易预测的位置标签稀释。

§0 读法三则：

这是一个真数据发布物，不是"只发榜单不发数据"的挑战赛——数据可通过 Kaggle、AWS Open Data、RSNA MIRA 三层获取（详见 §6）。判断依据：官方存在可下载/可申请的具体影像数据本体（DICOM/NIfTI/CSV）。
全文所有规模数字以**官方数据资源论文（arXiv:2610.01135）**口径为准；AWS/MIRA 早期页面上"over 4,000 CT brain scans"“18 institutions”"about 200 segmentations"属旧口径，已在坑 2、坑 3 存照。
本数据集与"RSNA 2026 颅内动脉瘤挑战赛"无关——2026 届不存在。检索时不要用 2026 年份组合词，会一无所获（坑 1）。

§1 数据集速览：十问十答

Q1：RSNA-ICA 到底是什么，谁做的？
它是北美放射学会（RSNA）在 2025 年发布并托管于 Kaggle 的颅内动脉瘤检测数据集与竞赛。协办方包括美国神经放射学会（ASNR）、神经介入外科学会（SNIS）、欧洲神经放射学会（ESNR）。官方全称为 RSNA Intracranial Aneurysm (RSNA-ICA) Dataset，挑战赛名为 RSNA Intracranial Aneurysm Detection AI Challenge。

Q2：哪一年？为什么有人以为是 2026？
2025 年。挑战赛时间线为 2025-07-28 启动、2025-10-14 最终提交截止；数据集 DOI 名为 “July 2025”。此前有候选按 2026 年份检索，被证伪——2026 届不存在。本条目按实核的 2025 成稿（见 §9 与坑 1）。

Q3：数据有多大？
官方论文口径：7,202 个序列，来自 4,278 名成人患者。模态构成为 CTA 2,566 + MRA 2,166 + MRI 2,470。机构覆盖 21 家 / 12 个国家 / 5 大洲。Kaggle 数据页显示总规模 311.25 GB、1,002,760 个文件。

Q4：有哪些模态？
三类血管影像：CTA（CT 血管成像）、MRA（MR 血管成像）、MRI（常规磁共振，含 T1 post-contrast 与 T2 加权）。注意 AWS 旧页面把它笼统写成"CT brain scans"，是早期占位描述，实际为多模态（见坑 3）。

Q5：标注了什么？
三级粒度。① train.csv：逐序列 14 个二元标签（1 个 presence + 13 个位置）与人口学（PatientAge/PatientSex/Modality）。② train_localizers.csv：逐动脉瘤的 SOPInstanceUID + xy 中心坐标 + location 文本——是中心点坐标而非体素级掩码。③ segmentations/：178 个序列的 NIfTI 掩码，标注 13 类血管解剖位置。

Q6：那个"14 个标签"具体是什么？
1 个主标签 Aneurysm Present，加 13 个解剖位置：Left/Right Infraclinoid ICA、Left/Right Supraclinoid ICA、Left/Right MCA、ACOM、Left/Right ACA、Left/Right PCOM、Basilar Tip、Other Posterior Circulation（中英文对照详见 §4）。

Q7：评测指标怎么算？
加权多标签 AUC-ROC。对 14 个标签各算 AUC-ROC，其中 Aneurysm Present 权重 13，其余 13 个位置标签各权重 1，最终分为 ½ × (AUC_AP + (1/13) × Σ_{i=1}^{13} AUC_i)。

Q8：怎么获取？许可是什么？
三个入口：Kaggle（须接受竞赛规则）、AWS Open Data（S3 bucket intracranial-aneurysm-detection，region us-west-2，可用 --no-sign-request 免账号列举）、RSNA MIRA（官方公开入口，公开 5,041 of 7,202 series）。全程 非商业用途，且禁止以任何形式再分发。

Q9：有没有官方的规模"打架"？
有，且必须存照。AWS/MIRA 早期页写"over 4,000 CT brain scans"“18 institutions”“about 200 imaging studies with segmentations”；官方论文写 7,202 series / 4,278 patients / 21 institutions / 178 series with 3D segmentation。本条目以论文口径为准，旧口径在坑 2、坑 3 逐条存照。

Q10：它和库内其它条目什么关系？
与 rsna-intracranial-hemorrhage（rid 738，同为 RSNA 颅内 CT 挑战赛、任务谱系近邻）、adam-aneurysm（rid 735，同域颅内动脉瘤检测）联系最紧；与 topaneu（颅内动脉瘤 TOF-MRA/CTA）、topcow（Willis 环分割，与本数据集 178 例血管分割解剖坐标体系同源）在方法域相邻；与 rsna-bone-age（rid 426）、rsna-pneumonia（rid 712）、rsna-series（rid 20）同属 RSNA Kaggle 挑战赛谱系。详见 §9。

§2 数据构成与规格

2.1 规模总览（论文权威口径）

RSNA-ICA 的核心规模数字以官方数据资源论文（arXiv:2610.01135）为准：

维度	数值	口径来源
序列（series）总数	7,202	论文
患者总数	4,278 成人	论文
参与机构	21 institutions	论文
覆盖国家	12 countries	论文
覆盖大洲	5 continents	论文
CTA 序列	2,566	论文
MRA 序列	2,166	论文
MRI 序列	2,470	论文
含三维分割	178 series	论文
MIRA 公开集	5,041 of 7,202	MIRA/论文
总数据量	311.25 GB / 1,002,760 files	Kaggle 数据页
竞赛 test 集	nearly 2500 series	Kaggle 数据页

三类模态相加 2,566 + 2,166 + 2,470 = 7,202，与序列总数吻合，说明模态划分是序列级、互斥且完备的。

2.2 模态构成与临床含义

CTA（CT angiography，CT 血管成像，2,566 序列）。 静脉注射碘对比剂后对颅内血管做薄层 CT 扫描，是急性 SAH 与动脉瘤急诊评估的一线手段。优点：扫描快、空间分辨率高、对钙化与骨性结构显示好。缺点：有电离辐射、需对比剂（肾毒性/过敏风险）、对比剂时相影响小动脉瘤显影。

MRA（MR angiography，MR 血管成像，2,166 序列）。 无辐射、无需碘对比剂，常用时间飞跃法（TOF-MRA）显示 Willis 环及主要分支血流信号。优点：无创、可反复随访。缺点：对慢血流、湍流区易产生信号丢失伪影，对微小动脉瘤敏感度不及 CTA。

MRI（常规磁共振，2,470 序列）。 Kaggle 描述为 T1 post-contrast 与 T2-weighted MRI。它不是专门的血管序列，但动脉瘤在增强 T1 上可表现为强化结节、在 T2 上可表现为流空（flow void）或信号异常。将常规 MRI 纳入，意味着模型必须学会在"不是为了看血管而拍的片子"上发现动脉瘤——这更贴近真实临床的偶然发现场景。

三类模态的混合是这个数据集最重要的真实性与挑战来源之一：模型的训练与评测都必须面对"同一疾病、三种成像物理、不同分辨率与对比机制"的异构性（见坑 4）。

2.3 目录结构

Kaggle 数据页给出的文件组织：

series/{SeriesInstanceUID}/{SOPInstanceUID}.dcm

影像以去标识 DICOM 存放，目录树按 SeriesInstanceUID 组织，叶节点是逐个 .dcm 实例文件。
只有 SeriesUID 有意义——PatientID、StudyUID 等字段被去标识，不能用来识别任何患者或研究。同一患者可能贡献多个序列，但在数据层面无法从 ID 直接关联。
去标识力度：常规集按 RSNA 标准去标识；test set 的 DICOM 标签被进一步限制为 26 个允许 tag，去识别更严（许多元数据字段被剥离），这也是"test 集不可当训练集直接复现"的原因之一。

2.4 标注文件规格

train.csv（逐序列）：每行一个序列，含 14 个二元标签列（Aneurysm Present + 13 个位置）以及 PatientAge、PatientSex、Modality 三列人口学/模态信息。

train_localizers.csv（逐动脉瘤）：每行动脉瘤，含 SeriesInstanceUID、SOPInstanceUID（该动脉瘤所在的实例）、coordinates（xy 中心坐标）、location（解剖位置文本）。这是中心点定位而非体素级掩码——它只告诉你动脉瘤的二维中心落在哪张切片的哪个位置，不给出三维轮廓。

segmentations/（子集）：178 个序列带 NIfTI 格式的血管三维分割掩码，标签值 1-13 对应 13 类血管解剖位置（映射见 §4.3）。

2.5 疾病负担背景（Kaggle 官方陈述）

Kaggle 数据页给出的流行病学背景：全球约 3% 人口患有颅内动脉瘤；约 50% 的动脉瘤直到破裂才被诊断；每年约 500,000 人因此死亡，其中约一半不到 50 岁。这些数字解释了为什么"早期、无创、大规模筛查式检测"具有极高的公共卫生价值，也是 RSNA 选择这一主题举办挑战赛的动机。

§3 机构、团队与来源

3.1 主办与协作机构

主办：Radiological Society of North America（RSNA，北美放射学会）
协作学会：American Society of Neuroradiology（ASNR，美国神经放射学会）、Society of Neurointerventional Surgery（SNIS，神经介入外科学会）、European Society of Neuroradiology（ESNR，欧洲神经放射学会）
托管平台：Kaggle（挑战赛）、AWS Open Data（数据集 S3 分发）、RSNA MIRA（Medical Imaging Resource for AI，官方公开入口）

RSNA 长期以"学会办挑战赛 + 发布专家标注数据集"的模式推动影像 AI，本数据集是其神经影像方向的最新一作（同谱系见库内 rsna-bone-age、rsna-pneumonia、rsna-intracranial-hemorrhage）。

3.2 数据贡献与标注团队

数据来自 21 家机构、12 个国家、5 大洲（论文口径），提供了 CTA/MRA/MRI 三类多中心多设备数据。
标注来自 Dataset Annotator Group——一支由 RSNA 与 ASNR 组织的 40 余名志愿放射科医生（AWS 口径）组成的标注团队。所有序列的 14 标签与中心点定位由这批神经放射科专家完成。
数据资源论文作者群（arXiv:2610.01135）达数十人，涵盖多国机构，通讯作者为 Jeffrey D. Rudie（数据资源论文与挑战赛组织者之一）；第一作者为 Maria Correia de Verdier（Uppsala University）。

3.3 挑战赛组织团队（Kaggle Acknowledgements 口径）

挑战赛组织团队核心成员（节选）：

姓名	机构
Jeff Rudie, MD, PhD	Scripps Hospital and University of California San Diego, USA
Evan Calabrese, MD, PhD	Duke University, USA
Robyn Ball, PhD	The Jackson Laboratory, USA
Peter Chang, MD	University of California Irvine, USA
Rennie Yung-Chieh Chen, MD, PhD	Taipei Medical University Hospital, Taiwan
Errol Colak, MD	Unity Health Toronto and University of Toronto, Canada
Maria Correia de Verdier, MD, PhD	Uppsala University, Sweden（数据资源论文第一作者）
Ange Diouf, MD	McGill University, Canada
Adam Flanders, MD	Thomas Jefferson University, USA
Jeremy Heit, MD, PhD	Stanford University, USA
Felipe Kitamura, MD, PhD	Universidade Federal de São Paulo, Brazil
Luciano Prevedello, MD, MPH	Ohio State University, USA
Tyler Richards, MD	University of Utah, USA
Rachit Saluja, MSE	Cornell University, USA
Audrey Verde, MD, PhD	Duke University, USA
Greg Zaharchuk, MD, PhD	Stanford University, USA

这一跨机构团队同时覆盖了美国、加拿大、巴西、瑞典、台湾等地的神经放射学力量，与"21 机构 12 国"的数据来源相互印证。

3.4 文献与版本来源

数据资源论文：Correia de Verdier M, Saluja R, Sho J, … Rudie JD（通讯）. 《The RSNA Intracranial Aneurysm (RSNA-ICA) Dataset》(Data Resource Publication)，arXiv:2610.01135，48 页含附录。
数据集 DOI：10.1148/dataset.ica.2025（“RSNA-ICA Dataset, July 2025”）。
第三方方法论文（竞赛成绩佐证）：arXiv:2606.26706（Shi/Yang/Huang 等，《Intracranial Aneurysm Classification and Segmentation via Tri-Axial ROI and Multi-Task Learning》），报告其方案获 RSNA 2025 挑战赛第 2 名。

§4 任务与标注体系

4.1 三类任务

RSNA-ICA 同时承载三种相互支撑的任务，粒度由粗到细：

多标签分类（14 标签）——判断每个序列的 14 个二元目标，核心是 Aneurysm Present。
定位（localization）——给出每个动脉瘤在切片上的 xy 中心坐标与解剖位置。
三维分割（segmentation）——对 178 个序列给出 13 类血管解剖位置的三维掩码。

三者的关系是"从有无到在哪到几何"：分类回答"有没有"，定位回答"在哪个位置、哪张片的哪里"，分割回答"血管结构精确到体素"。

4.2 14 个目标标签

Kaggle train.csv 的 14 个标签如下（括号内为英文列名，评测权重标注在括号后）：

Aneurysm Present（主目标，二元——该扫描任意位置是否存在动脉瘤）——权重 13
Left Infraclinoid Internal Carotid Artery（左床突下段颈内动脉）——权重 1
Right Infraclinoid Internal Carotid Artery（右床突下段颈内动脉）——权重 1
Left Supraclinoid Internal Carotid Artery（左床突上段颈内动脉）——权重 1
Right Supraclinoid Internal Carotid Artery（右床突上段颈内动脉）——权重 1
Left Middle Cerebral Artery（左大脑中动脉）——权重 1
Right Middle Cerebral Artery（右大脑中动脉）——权重 1
Anterior Communicating Artery（前交通动脉，ACOM）——权重 1
Left Anterior Cerebral Artery（左大脑前动脉）——权重 1
Right Anterior Cerebral Artery（右大脑前动脉）——权重 1
Left Posterior Communicating Artery（左后交通动脉）——权重 1
Right Posterior Communicating Artery（右后交通动脉）——权重 1
Basilar Tip（基底动脉尖）——权重 1
Other Posterior Circulation（其它后循环）——权重 1

即 1 个 presence + 13 个 location，13 个位置各权重 1。这 13 个位置覆盖了颅内动脉瘤最常见的发生部位——颈内动脉各段、大脑中/前动脉、前后交通动脉、基底动脉尖与后循环。

4.3 分割标签值映射（segmentations/ NIfTI，13 类）

Kaggle 官方公布的 segmentations/ NIfTI 标签值 1-13 与解剖位置映射：

值	标签（英文）	中文
1	Other Posterior Circulation	其它后循环
2	Basilar Tip	基底动脉尖
3	Right Posterior Communicating Artery	右后交通动脉
4	Left Posterior Communicating Artery	左后交通动脉
5	Right Infraclinoid Internal Carotid Artery	右床突下段颈内动脉
6	Left Infraclinoid Internal Carotid Artery	左床突下段颈内动脉
7	Right Supraclinoid Internal Carotid Artery	右床突上段颈内动脉
8	Left Supraclinoid Internal Carotid Artery	左床突上段颈内动脉
9	Right Middle Cerebral Artery	右大脑中动脉
10	Left Middle Cerebral Artery	左大脑中动脉
11	Right Anterior Cerebral Artery	右大脑前动脉
12	Left Anterior Cerebral Artery	左大脑前动脉
13	Anterior Communicating Artery	前交通动脉

注意：分割的 13 类全部是血管解剖位置，不含"动脉瘤"本身作为一个类别——分割标注的是"这条血管是哪条"，为定位与形态分析提供解剖参照系。这与某些第三方团队自行扩展的"26 类（13 血管 + 13 动脉瘤位置）"方案不可混用（见坑 6）。

4.4 标注粒度与临床对应

标注	粒度	临床对应
`train.csv` 14 标签	序列级	本次检查有无动脉瘤、大致在哪个血管区
`train_localizers.csv` 中心点	切片级（xy）	阅片时医生圈出的病灶中心
`segmentations/` 掩码	体素级（3D）	血管的三维几何与走行

从"序列级存在 + 位置"到"切片级中心点"到"体素级血管"，本数据集给出的标注精度是分层的：绝大多数序列只有前两级，仅 178 个序列享有体素级血管分割。使用者在选择任务时须明确自己能拿到哪一级标签。

§5 评测与基准

5.1 官方指标：加权多标签 AUC-ROC

官方评测指标为 weighted multilabel AUC-ROC（Kaggle metric 代码名为 “Mean Weighted Columnwise AUCROC”）。计算步骤如下：

对 14 个标签各自计算 AUC-ROC；
对权重求和：Aneurysm Present 权重 13，13 个位置标签各权重 1，权重总和 = 13 + 13 = 26；
最终分为加权平均：

Score = ½ × ( AUC_AP + (1/13) × Σ_{i=1}^{13} AUC_i )

等价写法：Score = (13 × AUC_AP + Σ_{i=1}^{13} AUC_i) / 26。

5.2 为什么权重设计是核心

理解这套指标，就理解了这个数据集的核心难点：

阴性为主（class imbalance）：大多数序列不含动脉瘤，Aneurysm Present = 0 占多数。若用准确率，一个"永远回答无动脉瘤"的模型会有虚高分数，但临床上是灾难——它漏掉所有真正的动脉瘤。AUC-ROC 对类别不平衡鲁棒，因此选它作主指标。
Aneurysm Present 权重 13：把"能不能判断这个扫描究竟有没有动脉瘤"提升到与全部 13 个位置标签等价的重要性。这是一个刻意的价值导向——漏诊（假阴性）的代价远高于错分位置。临床上，判断"有没有"是决定要不要进一步干预的第一道门；位置细分是第二道门。
位置标签各权重 1：13 个位置标签相对轻权重，且它们本身稀疏（每个位置正例少）。若给它们过高的合计权重，模型可能去优化一堆罕见位置而牺牲最关键的 presence 判断。

一句话：这套权重把一个"多标签分类排行榜"调校成了"最看重不漏诊"的榜。

5.3 排行榜划分与规则

公开榜（public leaderboard）= 32% test 集，私有榜（private leaderboard）= 68% test 集（arXiv:2606.26706 口径）。私有榜占比高意味着最终的强泛化要求——不能靠 overfit 公开榜。
提交形式：Notebooks 提交，提交文件名须为 submission.csv。
资源限制：CPU ≤ 12 小时、GPU ≤ 12 小时。
网络限制：Internet access disabled——参赛者不能在推理时联网，必须先离线准备好所有资源。
允许：使用公开预训练模型与外部数据（在竞赛规则允许范围内）。

5.4 奖金结构

名次	奖金
1st	$12,000
2nd	$10,000
3rd	$8,000
4th	$5,000
5th–9th	各 $3,000

总奖金池覆盖前 9 名，奖励面较宽，符合 RSNA 一贯"鼓励参与、推动领域"的组织风格。

5.5 获奖者义务

竞赛对获奖者设有明确的开放科学义务，包括：满足开源许可要求、打包并交付可复现方案、向主办方演示、提交短视频、在论坛公布开源代码链接与权重，以及建议提供公开可测的 hosted algorithm（如 demos.md.ai 式托管模型）。这套义务的设计意图是让榜单成绩转化为可复用的科学资产，而非止步于排名。

5.6 已知参赛成绩（第三方论文口径）

arXiv:2606.26706（Shi/Yang/Huang 等，《Intracranial Aneurysm Classification and Segmentation via Tri-Axial ROI and Multi-Task Learning》）报告其方案获得 RSNA 2025 挑战赛第 2 名。该方案要点：采用 2D tri-axial ROI 提取 + 3D 多任务 nnU-Net 双解码器，两折集成。这个已知成绩既是本数据集可用于基准测试的实例证明，也提示了取胜的关键方向（见 §8）。

§6 获取与许可

6.1 许可条款（统一口径）

RSNA-ICA 采用非商业用途许可（non-commercial only），涵盖学术研究与教育用途。三大约束必须逐条遵守：

不得试图识别或联系数据主体——数据已去标识，任何重识别尝试均被禁止；
不得以任何形式分享或再分发数据的任何部分——禁止镜像、打包、二次上传至任何平台（包括公开数据集仓库）；
引用规范——使用须标注 “Radiological Society of North America Intracranial Aneurysm Detection (RSNA-ICA) Dataset, July 2025”，并给出 DOI 10.1148/dataset.ica.2025。

这三条中，"禁止再分发"对研究者影响最大：不能把数据打包进自己的公开仓库或随论文附件发布，只能引导他人回官方入口获取。

6.2 三个获取入口

入口一：Kaggle（挑战赛主页）

地址：https://www.kaggle.com/competitions/rsna-intracranial-aneurysm-detection/data
门槛：须接受竞赛规则（“Subject to Competition Rules”）。
特点：数据总量 311.25 GB / 1,002,760 files；竞赛期间与结束后均可按规则获取。

入口二：AWS Open Data（无需 AWS 账号）

S3 bucket：arn:aws:s3:::intracranial-aneurysm-detection，region us-west-2
列举命令：aws s3 ls --no-sign-request s3://intracranial-aneurysm-detection/
特点：--no-sign-request 意味着无需 AWS 账号即可下载，是"免登录"最方便的一层；由 AWS Open Data Sponsorship Program 赞助，并在 AWS Data Exchange（ADX）上架。

入口三：RSNA MIRA（官方公开入口）

地址：https://imaging.rsna.org（Medical Imaging Resource for AI）
特点：官方公开 5,041 of 7,202 series 的正门入口；其余序列用于挑战赛的 public/private test 拆分。

6.3 典型获取流程

# 方式 A：AWS S3 免账号列举（先看清单，再选择性下载）
aws s3 ls --no-sign-request s3://intracranial-aneurysm-detection/ --recursive | head

# 方式 B：AWS S3 同步某模态/某子集（谨慎——总量 300GB+）
aws s3 sync --no-sign-request s3://intracranial-aneurysm-detection/series/ ./local_series/ \
  --exclude "*" --include "*/<SeriesUID>/*"

# 方式 C：Kaggle CLI（须先接受竞赛规则并配置 API token）
kaggle competitions download -c rsna-intracranial-aneurysm-detection

6.4 版本链与更新策略

2025-07：数据集编译（“Initially compiled in 2025”，DOI 名含 “July 2025”）。
2025-07-28 → 2025-10-14：Kaggle 挑战赛运行。
2025-11-14：GitHub wiki 页编辑（Maryam Vazirabad），页面当时仍为 “Coming soon” 占位。
arXiv:2610.01135：数据资源论文发布（48 页）。
更新策略：官方声明 “The dataset may be updated with additional or corrected data on a need-to-update basis”——即非定期、按需更新，使用者需关注官方页面的变动。

§7 生态与影响

7.1 在 RSNA 挑战赛谱系中的位置

RSNA 举办影像 AI 挑战赛已成传统，本数据集是该谱系在神经影像方向的延续：

挑战赛	年份	主题	库内库条目
RSNA Intracranial Hemorrhage Detection	2019	颅内出血检测	rsna-intracranial-hemorrhage (rid 738)
RSNA Bone Age	2017	骨龄评估	rsna-bone-age (rid 426)
RSNA Pneumonia Detection	2018	肺炎检测	rsna-pneumonia (rid 712)
RSNA Intracranial Aneurysm	2025	颅内动脉瘤检测	本条 (rsna-aneurysm-2025)

从"出血"到"动脉瘤"的演进有其临床逻辑：颅内出血是动脉瘤破裂的后果，而动脉瘤检测是在破裂之前拦住它。两者共同构成"脑血管急症预警"链条的前后两段（见 §9）。

7.2 对神经影像 AI 的推动

多模态异构基准：CTA/MRA/MRI 三模态混编，为"跨模态迁移""模态缺失鲁棒性"提供了真实测试床。
解剖位置级评测：14 标签体系把"检测"细化为"定位到具体血管区"，比单纯二分类更贴近放射报告的实际表达。
规模与去标识规范：21 机构 12 国的多中心去标识数据，是研究"多中心泛化"的合适素材。
榜单到资产的转化：借助获奖者开源义务，竞赛产出的方法（如第 2 名的 tri-axial ROI + 多任务 nnU-Net）可被社区复用。

7.3 与相邻数据集的分工

颅内动脉瘤相关的公开数据集各有侧重，本数据集与它们的分工如下（互链详见 §9）：

adam-aneurysm（rid 735）：面向颅内动脉瘤自动检测的专门数据集，域对口，但规模与模态覆盖不如 RSNA-ICA。
topaneu / topcow：聚焦 TOF-MRA / CTA 血管分割与 Willis 环解剖，本数据集 178 例血管分割的解剖坐标体系与 topcow 同源。
imagecas / imagecas-x：血管（冠状动脉）几何分割，方法域相邻，可借鉴分割骨干。

RSNA-ICA 的独特价值在于"规模 + 多模态 + 临床标签体系"三者的组合——它是目前公开范围内罕见的同时具备 4,278 患者、三类血管影像模态、14 标签专家标注的颅内动脉瘤数据集。

§8 方法学启示

8.1 指标设计即价值导向

RSNA-ICA 最值得学习的一点是评测指标本身就是价值声明。把 Aneurysm Present 权重设为 13（等于全部位置标签权重之和），官方等于在说："漏诊一个动脉瘤，比把它定位错血管区严重得多。"任何在该榜上优化模型的团队，都会被指标推向"宁可多报、不可漏报"的灵敏度一侧。这提醒我们：设计或选择一个医学 AI 基准时，指标权重不是技术细节，而是临床价值观的编码。

8.2 从"检测"到"定位"的任务梯度

本数据集给出了任务的三级梯度：presence（有无）→ location（哪个血管区）→ segmentation（体素几何）。三级任务的难度与数据可得性成反比：

presence：全部 7,202 序列有标签；
location：14 标签含 13 位置，多数序列可训；
segmentation：仅 178 序列，且只标血管不含病灶。

一个务实的方法论是先解 presence，再解 location，最后用少量分割数据做解剖先验或辅助监督。第 2 名方案正是走这条路：用 tri-axial ROI 抽取把"大海捞针"缩到候选区域，再用多任务 nnU-Net 同时做分类与分割，让分割分支为分类提供解剖约束（见 §5.6）。

8.3 多模态异构的工程应对

CTA/MRA/MRI 三模态的物理差异决定了不能简单"混在一起训一个模型"。可迁移的做法包括：

模态条件化：将 Modality 作为条件输入（embedding 或 adapter），让模型显式知道在看哪种片子；
模态特定预处理：不同模态的窗宽窗位、层厚、归一化策略分别处理；
跨模态预训练：用大规模多模态数据预训练共享骨干，再微调；
模态缺失鲁棒性测试：真实临床常缺某模态，评测模型的模态缺失表现。

8.4 类别不平衡与漏诊代价

阴性为主 + 位置稀疏是双重的长尾问题。方法论要点：

使用 AUC-ROC 系列而非准确率作为主指标（与官方一致）；
对正例做重加权/重采样，但须在验证集上验证未损害校准度；
多阈值策略：在临床场景下，presence 判定的阈值应偏向高灵敏度（低漏诊），位置上再细化；
病例级评估：关注"每个患者是否被正确识别"，而非仅逐序列指标。

8.5 数据可用性与许可的现实约束

非商业 + 禁止再分发的许可，带来一个常被忽视的方法学后果：可复现性受损。他人无法直接从你的仓库拿到数据复现你的训练，只能各自回官方入口重新申请。因此，负责任的论文应详细描述获取流程、数据版本与预处理代码，把"数据如何来"写清楚，而不只是贴一个 Kaggle 链接。

§9 与库内条目的关系

9.1 直接相关（同域/同谱系）

库内条目	rid	关系
rsna-intracranial-hemorrhage	738	同 RSNA 颅内 CT 挑战赛谱系（2019）。出血是动脉瘤破裂的后果，动脉瘤检测是其前置筛查；两者构成脑血管急症预警链条的前后两段，模态（CT）与方法（检测）高度可迁移
adam-aneurysm	735	同域颅内动脉瘤检测数据集。域完全对口，可作方法对照；RSNA-ICA 在规模、模态覆盖、标注粒度上更全面

9.2 方法域相邻

库内条目	关系
topaneu (topaneu2026)	颅内动脉瘤的 TOF-MRA / CTA 分割与检测，任务域近邻，可借鉴其血管分割骨干
topcow	Circle of Willis（Willis 环）血管分割；RSNA-ICA 的 178 例血管分割所用解剖坐标体系与之同源，互为参照
imagecas / imagecas-x	血管（冠状动脉）几何分割，血管形态学方法域相邻
brats-glioma	多模态神经影像（MRI）分割与分类，任务结构（多模态 + 分割）可比

9.3 RSNA Kaggle 挑战赛谱系

库内条目	rid	关系
rsna-bone-age	426	RSNA Kaggle 挑战赛谱系（骨龄）
rsna-pneumonia	712	RSNA Kaggle 挑战赛谱系（肺炎）
rsna-series	20	RSNA 系列条目（集团索引）

9.4 消歧说明（防撞库）

本条目 slug 为 rsna-aneurysm-2025，指 2025 届 RSNA 颅内动脉瘤挑战赛及其数据集。
不存在 2026 届"RSNA 颅内动脉瘤挑战赛"——检索时勿用 2026 年份组合词。
与库内出现的 2026 挑战（如 topaneu2026、topbrain2026、crossmoda-2026）不是同一数据集，仅年份相近。topaneu2026 虽同为颅内动脉瘤主题，但来源、任务定义、数据均不同。
与 rsna-intracranial-hemorrhage（rid 738）不是同一数据集：后者是 2019 年颅内出血检测，前者是 2025 年颅内动脉瘤检测。

9.5 建议互链点

基于标签相关度与任务邻近性，建议双向挂链：rsna-intracranial-hemorrhage（738）、adam-aneurysm（735）、rsna-bone-age（426）。（rid→slug 须以数据库 url_name 反查为准。）

§10 避坑清单

坑 1：年份误记——把 2025 当成 2026

表象：本条目一度由候选 rsna-2026-aneurysm 反哺而来，该候选被证伪（2026 届不存在）。
真相：真实存在的是 2025 届——挑战赛 2025-07-28 启动、2025-10-14 截止，DOI 名为 “July 2025”。
避法：检索时以 “RSNA Intracranial Aneurysm Detection 2025” 为准，勿用 2026 组合词；年份一律以官方挑战赛时间线与 DOI 为准。

坑 2：规模双口径——AWS 旧页 vs 官方论文

表象：AWS Registry / AWS Marketplace / RSNA MIRA 页面写 “over 4,000 CT brain scans”、“18 institutions”、“about 200 imaging studies with AI-generated segmentations”；官方论文写 7,202 series、21 institutions、178 series with 3D segmentation。
真相：AWS 页面的 4,000/18/200 是早期占位/估算口径，论文才是权威定稿口径。
避法：引用规模数字以 arXiv:2610.01135 为准；旧口径必须在文中存照，不可默认 AWS 数字。

坑 3：模态误记——“CT brain scans” 其实是三模态

表象：AWS 页面笼统写 “CT brain scans”。
真相：数据集实为 CTA + MRA + MRI 三模态（2,566 + 2,166 + 2,470）。AWS 措辞陈旧且不准确。
避法：一律按三模态描述，禁止沿用"纯 CT"说法。

坑 4：误以为"定位"是体素级病灶掩码

表象：看到 localizer 就以为有动脉瘤的三维掩码。
真相：train_localizers.csv 给的是xy 中心点坐标 + 位置文本，是切片级中心点，不是体素级掩码。三维掩码只存在于 segmentations/ 的 178 个序列，且标的是 13 类血管，不含动脉瘤本身。
避法：区分"中心点定位"与"体素分割"两种粒度，任务设计时不要假设有动脉瘤轮廓监督。

坑 5：忽略"禁止再分发"许可

表象：把数据集打包上传到自己的公开仓库、HuggingFace 或论文附件。
真相：许可明确不得以任何形式分享或再分发数据的任何部分。
避法：只发布代码与描述获取流程的说明，绝不打包数据本体；他人须回 Kaggle / AWS / MIRA 官方入口自行获取。

坑 6：混淆"13 类"与第三方"26 类"分割

表象：把某些第三方团队公开的 26 类分割当作官方标注。
真相：官方 segmentations/ 是 13 类血管解剖位置；arXiv:2606.26706 团队自行扩为 26 类（13 血管 + 13 动脉瘤位置）并公开于 HuggingFace（如 spc819/rsna2025-aneurysm-26class-seg），非官方、未经临床审核。
避法：官方口径 = 13 类；第三方扩展须显式标注来源与"非官方"属性，二者不可混用。

坑 7：test 集规模与标签可得性的误判

表象：以为 test 集像训练集一样有 14 标签、可直接当验证集。
真相：官方未公开 test 标签（私有榜 68% + 公开榜 32% 拆分，Kaggle 口径 “nearly 2500 series in the test set”）；且 test 集 DICOM 去标识更严（限定 26 个 tag）。
避法：不要依赖 test 标签做本地评测；本地验证务必自己从公开训练集划分，且注意与官方拆分的差异。

坑 8："train 系列数"三个口径混用

表象：在同一段里混用 4,348、5,041、7,202 三个数字。
真相：三者分属不同语境——7,202 是全量序列；5,041 是经 MIRA 公开的序列数；4,348 是第三方团队（arXiv:2606.26706）用于 5 折 CV 的竞赛训练序列数。
避法：每个数字都必须带语境限定，不可跨语境混用。

§11 总结

RSNA-ICA 是北美放射学会在 2025 年推出的、面向颅内动脉瘤检测的大规模多模态专家标注数据集与 Kaggle 挑战赛。它的三个支柱是：规模（7,202 序列 / 4,278 成人 / 21 机构 12 国 5 洲）、多模态（CTA + MRA + MRI）、临床化标签体系（14 目标 + 中心点定位 + 血管三维分割）。其评测设计——Aneurysm Present 权重 13 的加权多标签 AUC-ROC——把"不漏诊"这一临床价值观直接编码进了排行榜。

对于研究者，本条目给出的关键行动项是：

先确认年份与口径——2025（非 2026），规模以论文为准（7,202 / 21 机构 / 178 分割），AWS 旧口径需存照。
走官方三层入口——Kaggle / AWS S3（no-sign-request）/ MIRA；牢记非商业、禁再分发的许可红线。
按任务梯度设计模型——presence → location → segmentation，并显式处理多模态异构与类别不平衡。
对齐官方标注——13 类血管分割，勿与第三方 26 类混淆；定位是中心点而非掩码。

作为一条由"证伪反哺"产生的条目，RSNA-ICA 也是本条生产链条的一个注脚：候选可以错（2026 不存在），但三源互证能让真实存在的那一届（2025）被准确捕获、正名并成稿。

DAIMS 评估全表

DAIMS（Dataset AI-readiness & Metadata Score）逐维评估如下（满分 5 分/维）：

维度	评分	说明
数据可获得性（Availability）	5	三个官方入口（Kaggle / AWS S3 免账号 / MIRA），路径明确
元数据完备度（Metadata）	4	有数据资源论文 + DOI + Kaggle 描述；wiki 页曾长期占位为 “Coming soon”
标注质量（Annotation Quality）	5	40+ 志愿神经放射科医生专家标注，三级粒度标注体系
规模与代表性（Scale & Representativeness）	5	7,202 序列 / 4,278 成人 / 21 机构 12 国 5 洲 / 三模态
任务定义清晰度（Task Definition）	5	14 标签 + 中心点定位 + 13 类分割，定义明确
评测规范性（Evaluation）	5	官方加权多标签 AUC-ROC，权重与公式公开，排行榜划分明确
许可清晰度（License Clarity）	4	非商业、禁再分发、引用规范明确；但申请流程细节需回官方页核实
伦理与去标识（Ethics & De-identification）	5	严格去标识，禁重识别；test 集去标识更严
文档与可复现（Documentation & Reproducibility）	3	有 48 页论文与 Kaggle 文档，但禁再分发削弱了外部可复现性；wiki 页长期占位
社区活跃度（Community）	4	Kaggle 竞赛带动大量方案与第三方论文，生态活跃
合计	45/50	属高质量 AI-Ready 数据集，主要短板在文档同步与再分发限制导致的可复现性

§12 数据字典与格式规范（扩展）

12.1 `train.csv` 列定义

列名	类型	含义	备注
`SeriesInstanceUID`	str	序列唯一标识	主键，与 DICOM 目录名对应
`Aneurysm Present`	0/1	该序列是否存在动脉瘤	14 标签主目标，权重 13
`Left Infraclinoid Internal Carotid Artery`	0/1	左床突下段 ICA 动脉瘤	权重 1
`Right Infraclinoid Internal Carotid Artery`	0/1	右床突下段 ICA 动脉瘤	权重 1
`Left Supraclinoid Internal Carotid Artery`	0/1	左床突上段 ICA 动脉瘤	权重 1
`Right Supraclinoid Internal Carotid Artery`	0/1	右床突上段 ICA 动脉瘤	权重 1
`Left Middle Cerebral Artery`	0/1	左 MCA 动脉瘤	权重 1
`Right Middle Cerebral Artery`	0/1	右 MCA 动脉瘤	权重 1
`Anterior Communicating Artery`	0/1	ACOM 动脉瘤	权重 1
`Left Anterior Cerebral Artery`	0/1	左 ACA 动脉瘤	权重 1
`Right Anterior Cerebral Artery`	0/1	右 ACA 动脉瘤	权重 1
`Left Posterior Communicating Artery`	0/1	左 PCOM 动脉瘤	权重 1
`Right Posterior Communicating Artery`	0/1	右 PCOM 动脉瘤	权重 1
`Basilar Tip`	0/1	基底动脉尖动脉瘤	权重 1
`Other Posterior Circulation`	0/1	其它后循环动脉瘤	权重 1
`PatientAge`	int	患者年龄	成人数据集
`PatientSex`	str	患者性别	M/F
`Modality`	str	影像模态	CTA/MRA/MRI

注意：14 个标签并非相互排斥——一个序列可能有多个位置标签为 1（多发动脉瘤），也可能 Aneurysm Present=1 而某位置标签为 1；但理论上 Aneurysm Present 应与"是否有任一位置为 1"保持一致。实际使用中应验证这一内部一致性（若有冲突，以官方颁布为准，并记录为数据质量观察项）。

12.2 `train_localizers.csv` 列定义

列名	类型	含义
`SeriesInstanceUID`	str	所属序列
`SOPInstanceUID`	str	动脉瘤所在的具体 DICOM 实例（切片）
`coordinates`	str	该切片上动脉瘤中心的 (x, y) 像素坐标
`location`	str	解剖位置文本（与 13 位置标签对应）

关键点：coordinates 是二维像素坐标，不是三维体素坐标。要把它转成三维位置，需根据切片在序列中的层序（ImagePositionPatient 等）自行映射。这构成一个隐蔽的预处理工作量。

12.3 `segmentations/` 目录

格式：NIfTI（.nii 或 .nii.gz）。
每个文件对应一个序列的血管三维掩码。
标签值 1-13 对应 13 类血管解剖位置（映射见附录 G）。
覆盖：178 个序列。
用途：可作为解剖先验、血管分割预训练、或 location 分类的辅助监督。

12.4 DICOM 去标识字段说明

PatientID、StudyInstanceUID、PatientName 等字段已去标识/移除，不可用于识别。
目录与文件组织仅依赖 SeriesInstanceUID 与 SOPInstanceUID，二者在去标识后仍保持内部唯一性。
test 集进一步限制 DICOM tag 至 26 个允许项，许多元数据不可得——这意味着基于元数据特征（如层厚、制造商）的技巧在 test 集上可能失效。

§13 数据获取实操手册

13.1 三条路线的选择建议

你的需求	推荐路线	理由
快速浏览数据结构	AWS S3 列举	免账号、无需同意规则
完整下载 + 竞赛复现	Kaggle	官方竞赛页，含完整标签与规则说明
获取官方公开子集	RSNA MIRA	官方 5,041 series 公开入口
只想验证算法框架	Kaggle 小样本	先下少量序列，验证管线

13.2 存储与带宽规划

总量 300 GB+（Kaggle 口径 311.25 GB），下载前必须规划：

先下清单：aws s3 ls --recursive > manifest.txt，统计序列数与体量。
按模态/子集下：若非三模态全用，可只下目标模态（需从 train.csv 的 Modality 列筛出 SeriesUID）。
磁盘预算：解压/转换（如 DICOM → NIfTI）会使体积进一步膨胀，预留 2-3 倍空间。
去重：同一患者可能多序列，但去标识后无法按患者去重——只能在序列级操作。

13.3 DICOM → NIfTI 转换骨架

import pydicom
import numpy as np
import SimpleITK as sitk

def series_to_volume(series_dir):
    """把一个序列目录下的 DICOM 堆叠成 3D 体数据"""
    slices = []
    for fname in sorted(__import__("os").listdir(series_dir)):
        ds = pydicom.dcmread(f"{series_dir}/{fname}")
        slices.append(ds)
    # 按层位置排序
    slices.sort(key=lambda s: float(s.ImagePositionPatient[2]))
    vol = np.stack([s.pixel_array for s in slices]).astype(np.float32)
    # 应用窗宽窗位 / 归一化（模态相关，见 §8.3）
    return vol

13.4 最小可行实验路径

从 train.csv 取 200 个序列（注意保持阳性比例，做分层抽样）；
每序列抽取若干中间层或做最大密度投影（MIP）作为 2D 输入；
用预训练 2D 骨干（如 ResNet/EfficientNet）+ 14 头输出；
按官方指标公式（附录 E）在自划分验证集上评测；
逐步引入 3D、ROI 提取、多任务分割辅助（对齐第 2 名方案思路）。

§14 典型误用剧场（六幕）

第一幕：把 test 集当验证集。
某团队下载全部数据后发现 test 序列没有标签，于是默认把 test 当无标签推理集，却仍想"用 test 分数调参"——无标签则无从打分。正解：本地验证集必须从有标签的训练集自行划分，注意保持模态与阳性比例分层。

第二幕：用准确率报告。
某模型报告"准确率 97%"，看似漂亮，实则因为阴性占绝大多数——一个恒判阴性的模型也能达到接近的水平。正解：报告 AUC-ROC（与官方一致），并分别给出 presence 与位置标签的分项表现。

第三幕：混淆定位与分割。
某研究声称"我们分割出了动脉瘤"，但官方 localizer 只有中心点、官方 segmentation 只标血管。正解：明确说明动脉瘤监督是中心点（点级）还是自建掩码（若自建须说明来源与验证）。

第四幕：无视模态差异。
把 CTA、MRA、MRI 混作一个池子训练，预处理统一归一化，结果在某一模态上系统性崩盘。正解：模态条件化 + 模态特定预处理，并按模态分别报告。

第五幕：踩许可红线。
某团队把数据集打包上传到自己 GitHub 方便复现，被主办方要求下架。正解：只发布代码与获取说明，数据由使用者自行回官方入口下载。

第六幕：混淆 train 数口径。
论文里写"我们用了 7,202 序列交叉验证"，实际用的是竞赛训练子集。正解：明确声明所用子集（7,202 全量 / 5,041 公开 / 4,348 竞赛训练），避免误导。

§15 纵向与横向对照

15.1 横向：颅内动脉瘤公开数据集对照

数据集	模态	规模	任务	标注
RSNA-ICA（本条）	CTA+MRA+MRI	7,202 series/4,278 患者	分类+定位+分割	14 标签+中心点+178 分割
adam-aneurysm (735)	血管影像	较小	动脉瘤检测	检测标注
topaneu (2026)	TOF-MRA/CTA	—	检测+分割	血管/动脉瘤分割
topcow	MRA/CTA	—	Willis 环血管分割	血管解剖分割

RSNA-ICA 在三者中规模最大、模态最全、标签体系最有临床结构性。

15.2 纵向：RSNA 脑血管挑战赛演进

年份	挑战	疾病对象	与本题关系
2019	Intracranial Hemorrhage	出血（破裂后果）	同一疾病链下游
2025	Intracranial Aneurysm	动脉瘤（破裂前因）	本条

从"发现出血"到"预防出血"，RSNA 在脑血管方向完成了从后果检测到病因筛查的闭环。

§16 深度专题

16.1 为什么颅内动脉瘤如此难以自动检测

要理解这个数据集的难度，必须理解"为什么放射科医生也会漏"。以下几个因素共同构成了检测的挑战：

因素一：目标极小。 颅内动脉瘤的直径常在数毫米量级，而一次 CTA 检查可能有数百至上千层、每层 512×512。一个 3mm 的动脉瘤在单层上可能只占十几到几十个像素，且只在部分层面出现。这是典型的"大海捞针 + 小目标"问题。

因素二：形态多变。 动脉瘤有囊状（saccular）、梭形（fusiform）等多种形态，囊状还有不同瘤颈宽度。它可能规则如球，也可能不规则、带分叶，甚至与血管壁难分。

因素三：解剖拥挤。 Willis 环附近血管密集、走行迂曲，动脉瘤常从血管分叉处（如 ACOM、basilar tip、ICA 分叉）发出，与正常血管分支、迂曲段的形态高度相似——这是假阳性与假阴性的共同温床。

因素四：模态与协议异构。 同样的动脉瘤，在 CTA 与 TOF-MRA 上的显影机制不同；不同机构的层厚、对比剂时相、重建核也不一样。任何一个"只在某协议下work"的模型，换个中心可能就失效。

因素五：阴性为主。 大规模筛查式数据里，真正有动脉瘤的比例不高，多数是阴性。模型天然倾向"报阴性"，而这恰是临床最不能容忍的错误方向。

RSNA-ICA 正是用 7,202 序列、三模态、多中心的方式，把这五个因素同时摆到桌面上，逼着参赛者去解。

16.2 加权 AUC 的数学解剖

官方指标 Score = ½ × (AUC_AP + (1/13) × Σ_{i=1..13} AUC_i) 可重写为：

Score = (13 × AUC_AP + Σ_{i=1..13} AUC_i) / 26

几点值得推敲：

一个 AUC_AP 的分量 = 13 个位置 AUC 分量之和。 即，presence 判断改进 0.01，等价于所有 13 个位置判断各自改进 0.01。这意味着把力气花在"把 presence 做好"的边际收益远高于抠细碎位置标签。
位置标签虽权重低但不能放弃。 因为它们共占一半权重，且若某位置 AUC 退化（如 0.5），会拖累整体。
AUC 对阈值不敏感，因此模型输出的校准（calibration）在排名评测中不直接受罚，但在临床落地时必须另行校准阈值——这是"竞赛指标"与"临床效用"之间的鸿沟。
可能踩空：若某位置标签在验证集里全是同一类（无正或全正），AUC 未定义，需按官方实现处理（跳过或用约定值）。这是复现时最容易出错的地方之一。

16.3 参赛与复现的实操策略

策略一：presence 优先。 先用整扫描级分类模型把 Aneurysm Present 做好（可用 MIP 多方向投影 + 2D 骨干，或 3D 网络）。这是权重最高、回报最大的部分。

策略二：ROI 两阶段。 第一阶段粗筛候选 ROI（高召回），第二阶段对每个 ROI 做细分类（14 标签或仅位置）。第 2 名方案即采用 tri-axial ROI 提取 —— 从三个正交方向抽取候选区域，兼顾囊状动脉瘤在不同方向的显示差异。

策略三：多任务。 让分类与（子集上的）分割共享编码器，分割分支提供解剖正则，可提升分类的解剖一致性。

策略四：集成。 多折、多模型、多模态集成是榜首常客，两折集成即可带来稳定增益（见第 2 名做法）。

策略五：模态条件化。 显式把 Modality 注入模型，避免"一个头硬吃三种物理"。

16.4 临床落地的现实鸿沟

数据集的指标再漂亮，离临床落地仍隔几道坎：

灵敏度/特异度的操作点选择：AUC 是全局排序指标，实际使用必须选一个阈值，此时灵敏度与特异度的权衡才有临床意义。
"不遗漏"优先：临床场景下，漏诊代价高，通常要求高灵敏度（宁可多报待排查），再由医生复核——这与竞赛指标的方向一致，但程度需要量化。
前瞻验证缺口：本数据集是回顾性的（基于既有影像），其表现未必等于前瞻筛查中的表现。
人群代表性：4,278 成人 / 12 国虽有代表性，但特定人群（如儿童、特定种族/地域）覆盖有限。
可解释性：临床采纳需要模型给出"为什么这块可疑"，仅一个分数不够；中心点定位与血管分割恰是提升可解释性的抓手。

16.5 数据治理与伦理再议

去标识：数据集已去标识，许可亦禁止重识别尝试——这是数据治理的底线。
志愿标注的贡献：40+ 名志愿神经放射科医生贡献了标注，使用者的引用不仅应给 DOI，也宜致谢标注团队。
非商业的边界：非商业不等于"随便用"——它仍受"禁再分发"约束，且商业应用被明确排除。企业研究者须谨慎评估合规性。
回溯性数据的知情同意：多中心回顾性数据，其采集时的知情同意条款通常允许去标识后的研究用途，但使用者仍需遵守原机构的伦理要求。

16.6 与同域方法的对照读法

当研究者读到 arXiv:2606.26706 这类竞赛方案论文时，建议对照以下几点来读：

数据处理：它如何处理三模态？是否做模态条件化？
ROI 设计：tri-axial 提取的具体实现与召回率。
多任务结构：nnU-Net 双解码器如何同时服务分类与分割。
集成与评测：两折集成的增益来自哪里，是否复现了官方指标。
局限陈述：它承认了哪些未解问题（如模态间差异、罕见位置）。

这种"对照读法"能帮助把一篇竞赛方案论文转化为可迁移的方法论，而非只是一个排行榜快照。

FAQ（高频问答 32 问）

Q1：RSNA-ICA 的官方全称是什么？
RSNA Intracranial Aneurysm (RSNA-ICA) Dataset；挑战赛全称为 RSNA Intracranial Aneurysm Detection AI Challenge。

Q2：它是哪一年的？
2025 年。挑战赛 2025-07-28 启动、2025-10-14 截止；DOI 名为 “July 2025”。

Q3：为什么网上会看到 2026 的说法？
一是年份误记，二是有人把库内其它 2026 挑战（如 topaneu2026）与本数据集混淆。2026 届 RSNA 颅内动脉瘤挑战赛不存在。

Q4：谁主办？
Radiological Society of North America（RSNA，北美放射学会），联合 ASNR、SNIS、ESNR。

Q5：数据托管在哪？
Kaggle（挑战赛）、AWS Open Data（S3 分发）、RSNA MIRA（官方公开入口）。

Q6：数据总量多大？
7,202 序列 / 4,278 成人患者；Kaggle 页面显示 311.25 GB / 1,002,760 files。

Q7：覆盖多少机构和国家？
21 institutions / 12 countries / 5 continents（论文口径）。

Q8：有哪些模态？
CTA（2,566）、MRA（2,166）、MRI（2,470，含 T1 post-contrast 与 T2 加权）。

Q9：CTA/MRA/MRI 各适合什么场景？
CTA 快、分辨率高，急诊一线；MRA 无辐射无碘对比剂，适合随访；MRI 是常规序列，考验"偶然发现"能力。

Q10：有多少个标签？
14 个：1 个 Aneurysm Present + 13 个血管解剖位置。

Q11：13 个位置具体是哪些？
Left/Right Infraclinoid ICA、Left/Right Supraclinoid ICA、Left/Right MCA、ACOM、Left/Right ACA、Left/Right PCOM、Basilar Tip、Other Posterior Circulation。

Q12：有分割标注吗？
有，但仅 178 个序列，且是 13 类血管解剖位置的三维 NIfTI 掩码，不含动脉瘤本身。

Q13：定位标注是掩码还是点？
是中心点——train_localizers.csv 给出 SOPInstanceUID + xy 中心坐标 + location 文本。

Q14：评测指标是什么？
加权多标签 AUC-ROC。Aneurysm Present 权重 13，13 个位置各权重 1；最终分 = ½ × (AUC_AP + (1/13) × Σ AUC_i)。

Q15：为什么 Aneurysm Present 权重这么高？
因为"有没有动脉瘤"是最关键、最容易漏诊的判断；权重设计意在惩罚漏诊，体现临床价值观。

Q16：排行榜怎么划分？
公开榜 32% test、私有榜 68% test。

Q17：提交有什么限制？
Notebook 提交，文件名 submission.csv；CPU/GPU 各 ≤12 小时；禁止联网；允许公开预训练模型与外部数据。

Q18：奖金多少？
1st $12,000 / 2nd $10,000 / 3rd $8,000 / 4th $5,000 / 5th–9th 各 $3,000。

Q19：已知的参赛成绩有哪些？
arXiv:2606.26706 报告其方案（tri-axial ROI + 多任务 nnU-Net 双解码器，两折集成）获第 2 名。

Q20：获奖者有什么义务？
开源许可、方案打包交付、演示、短视频、公布开源代码与权重，建议提供 hosted algorithm。

Q21：许可是什么？
非商业用途（含学术与教育）；禁止识别/联系数据主体；禁止以任何形式分享或再分发。

Q22：怎么引用？
标 “Radiological Society of North America Intracranial Aneurysm Detection (RSNA-ICA) Dataset, July 2025”，并给 DOI 10.1148/dataset.ica.2025。

Q23：怎么获取数据？
Kaggle（接受竞赛规则）｜AWS S3（aws s3 ls --no-sign-request s3://intracranial-aneurysm-detection/）｜RSNA MIRA。

Q24：AWS 入口需要账号吗？
不需要。--no-sign-request 即可免账号列举与下载。

Q25：MIRA 公开多少序列？
5,041 of 7,202 series。

Q26：数据去标识到什么程度？
常规集按 RSNA 标准去标识；test 集 DICOM 标签进一步限定为 26 个允许 tag。

Q27：能拿到患者 ID 做纵向关联吗？
不能。PatientID/StudyUID 被去标识，只有 SeriesUID 有意义。

Q28：数据是纯 CT 吗？
不是。是三模态（CTA + MRA + MRI）。AWS 页旧措辞 “CT brain scans” 不准确。

Q29：为什么 AWS 页面数字和论文不一样？
AWS 是早期占位口径（over 4,000 / 18 institutions / ~200 segmentations），论文是权威定稿口径（7,202 / 21 / 178）。

Q30：有第三方扩展的标注吗？
有。arXiv:2606.26706 团队公开了 26 类分割（13 血管 + 13 动脉瘤位置），但非官方、未经临床审核，不可与官方 13 类混用。

Q31：数据会更新吗？
会，但按需更新（need-to-update basis），非定期。需关注官方页面。

Q32：适合做哪些研究方向？
多模态检测、解剖位置级分类、血管分割、跨模态迁移、模态缺失鲁棒性、类别不平衡处理、中心点定位。

事实清单（硬事实 36 条）

官方全称：RSNA Intracranial Aneurysm (RSNA-ICA) Dataset。
挑战赛全称：RSNA Intracranial Aneurysm Detection AI Challenge。
年份：2025。
启动：2025-07-28。
最终提交截止：2025-10-14。
获奖者义务截止：2025-10-27。
主办：RSNA。
协作：ASNR、SNIS、ESNR。
序列总数：7,202。
患者总数：4,278 成人。
CTA 序列：2,566。
MRA 序列：2,166。
MRI 序列：2,470。
机构数：21。
国家数：12。
大洲数：5。
三维分割序列：178。
MIRA 公开：5,041 of 7,202。
Kaggle 数据量：311.25 GB。
Kaggle 文件数：1,002,760。
竞赛 test 集：nearly 2500 series。
目标标签：14（1 presence + 13 location）。
Aneurysm Present 权重：13。
每个位置标签权重：1。
指标：weighted multilabel AUC-ROC。
指标式：½ × (AUC_AP + (1/13) × Σ_{i=1…13} AUC_i)。
公开榜 test 占比：32%。
私有榜 test 占比：68%。
分割类别：13 类血管解剖位置。
分割文件格式：NIfTI。
定位粒度：切片级中心点（xy），非体素掩码。
DICOM 结构：series/{SeriesInstanceUID}/{SOPInstanceUID}.dcm。
DOI：10.1148/dataset.ica.2025。
数据资源论文：arXiv:2610.01135（48 页）。
第 2 名方案论文：arXiv:2606.26706。
许可：非商业、禁止再分发。

术语表（30 条）

颅内动脉瘤（intracranial aneurysm）：颅内动脉壁局部膨出形成的瘤样结构，破裂可致 SAH。
蛛网膜下腔出血（subarachnoid hemorrhage, SAH）：动脉瘤破裂导致血液流入蛛网膜下腔，致死致残率高。
CTA（CT angiography）：CT 血管成像，注射碘对比剂后薄层扫描显示血管。
MRA（MR angiography）：MR 血管成像，常用 TOF 法显示血流信号。
TOF-MRA（time-of-flight MRA）：时间飞跃法 MRA，利用血流信号成像。
DICOM：医学数字成像与通信标准，影像存储格式。
NIfTI：神经影像信息技术格式，常用于分割掩码。
SOPInstanceUID：DICOM 实例唯一标识。
SeriesInstanceUID：DICOM 序列唯一标识，本数据集唯一有意义的 ID。
Willis 环（Circle of Willis）：脑底动脉环，颅内动脉瘤多发区。
ICA（internal carotid artery）：颈内动脉，分床突下段（infraclinoid）与床突上段（supraclinoid）。
MCA（middle cerebral artery）：大脑中动脉。
ACA（anterior cerebral artery）：大脑前动脉。
ACOM（anterior communicating artery）：前交通动脉。
PCOM（posterior communicating artery）：后交通动脉。
Basilar Tip：基底动脉尖，后循环动脉瘤高发处。
presence 标签：Aneurysm Present，该扫描是否含动脉瘤。
localizer：动脉瘤中心点定位标注。
分割（segmentation）：体素级标注血管解剖位置。
AUC-ROC：受试者工作特征曲线下面积，对类别不平衡鲁棒。
weighted multilabel AUC-ROC：官方加权多标签 AUC 指标。
public leaderboard：公开榜，占 test 32%。
private leaderboard：私有榜，占 test 68%。
MIRA（Medical Imaging Resource for AI）：RSNA 医学影像 AI 资源平台。
AWS Open Data：AWS 公开数据集分发计划。
去标识（de-identification）：移除可识别患者身份的信息。
多模态（multimodal）：多种成像模态并存。
类别不平衡（class imbalance）：正负样本悬殊。
nnU-Net：自适应医学图像分割框架。
ROI（region of interest）：感兴趣区域。

附录

附录 A：条目信息速查卡

项	内容
slug	rsna-aneurysm-2025
官方简称	RSNA-ICA
年份	2025
序列/患者	7,202 / 4,278 成人
模态	CTA 2,566 + MRA 2,166 + MRI 2,470
机构/国家/大洲	21 / 12 / 5
标签	14（1 presence + 13 location）
分割	178 series / 13 类血管
指标	weighted multilabel AUC-ROC
DOI	10.1148/dataset.ica.2025
论文	arXiv:2610.01135
许可	非商业、禁再分发

附录 B：DAIMS 评估全表

（见 §11 末尾 “DAIMS 评估全表”，合计 45/50。）

附录 C：14 标签—13 分割值—位置对照

#	14 标签	中文	分割值	部位
1	Aneurysm Present	有无动脉瘤	—	全扫描
2	Left Infraclinoid ICA	左床突下段颈内动脉	6	前循环
3	Right Infraclinoid ICA	右床突下段颈内动脉	5	前循环
4	Left Supraclinoid ICA	左床突上段颈内动脉	8	前循环
5	Right Supraclinoid ICA	右床突上段颈内动脉	7	前循环
6	Left MCA	左大脑中动脉	10	前循环
7	Right MCA	右大脑中动脉	9	前循环
8	ACOM	前交通动脉	13	前循环
9	Left ACA	左大脑前动脉	12	前循环
10	Right ACA	右大脑前动脉	11	前循环
11	Left PCOM	左后交通动脉	4	前-后交界
12	Right PCOM	右后交通动脉	3	前-后交界
13	Basilar Tip	基底动脉尖	2	后循环
14	Other Posterior Circulation	其它后循环	1	后循环

附录 D：获取决策树

需要数据？
├─ 只想看看清单/做小样本实验 → AWS S3：aws s3 ls --no-sign-request s3://intracranial-aneurysm-detection/
├─ 有 Kaggle 账号、想跑竞赛/拿全套 → Kaggle 竞赛页（接受规则后下载）
└─ 想要官方公开集（5,041 series）→ RSNA MIRA（imaging.rsna.org）

许可检查：
├─ 是否非商业？ → 否 → 不可用
├─ 是否会再分发？ → 会 → 禁止（只能发布代码与获取说明）
└─ 能否正确引用（DOI 10.1148/dataset.ica.2025）？ → 能 → 合规

附录 E：指标计算骨架（Python）

import numpy as np
from sklearn.metrics import roc_auc_score

def rsna_ica_score(y_true, y_pred, ap_index=0):
    """y_true/y_pred: (N, 14) —— 列 0 = Aneurysm Present, 列 1..13 = 位置标签"""
    aucs = []
    for j in range(y_true.shape[1]):
        # 仅在存在正负样本的列上计算 AUC
        if len(np.unique(y_true[:, j])) > 1:
            aucs.append(roc_auc_score(y_true[:, j], y_pred[:, j]))
        else:
            aucs.append(np.nan)
    auc_ap = aucs[ap_index]
    loc_aucs = [a for k, a in enumerate(aucs) if k != ap_index and not np.isnan(a)]
    mean_loc = np.mean(loc_aucs) if loc_aucs else 0.0
    return 0.5 * (auc_ap + mean_loc)

附录 F：14 标签常量表（代码用）

LABELS = [
    "Aneurysm Present",
    "Left Infraclinoid Internal Carotid Artery",
    "Right Infraclinoid Internal Carotid Artery",
    "Left Supraclinoid Internal Carotid Artery",
    "Right Supraclinoid Internal Carotid Artery",
    "Left Middle Cerebral Artery",
    "Right Middle Cerebral Artery",
    "Anterior Communicating Artery",
    "Left Anterior Cerebral Artery",
    "Right Anterior Cerebral Artery",
    "Left Posterior Communicating Artery",
    "Right Posterior Communicating Artery",
    "Basilar Tip",
    "Other Posterior Circulation",
]

附录 G：分割标签常量表（代码用）

SEG_LABELS = {
    1: "Other Posterior Circulation",
    2: "Basilar Tip",
    3: "Right Posterior Communicating Artery",
    4: "Left Posterior Communicating Artery",
    5: "Right Infraclinoid Internal Carotid Artery",
    6: "Left Infraclinoid Internal Carotid Artery",
    7: "Right Supraclinoid Internal Carotid Artery",
    8: "Left Supraclinoid Internal Carotid Artery",
    9: "Right Middle Cerebral Artery",
    10: "Left Middle Cerebral Artery",
    11: "Right Anterior Cerebral Artery",
    12: "Left Anterior Cerebral Artery",
    13: "Anterior Communicating Artery",
}

附录 H：AWS 获取脚本骨架

# 1) 免账号列举 bucket 顶层
aws s3 ls --no-sign-request s3://intracranial-aneurysm-detection/

# 2) 递归列举（先做清单，避免盲下 300GB+）
aws s3 ls --no-sign-request s3://intracranial-aneurysm-detection/ --recursive \
  > s3_manifest.txt

# 3) 按需下载单个序列（示意）
aws s3 cp --no-sign-request \
  s3://intracranial-aneurysm-detection/series/<SeriesUID>/ \
  ./local/<SeriesUID>/ --recursive

附录 I：坑点档案（与 §10 对照）

坑	一句话	关键数字/事实
坑 1	年份误记	2025 非 2026
坑 2	规模双口径	AWS 4,000/18/200 vs 论文 7,202/21/178
坑 3	模态误记	三模态非纯 CT
坑 4	定位是中心点非掩码	localizer = xy 点
坑 5	禁止再分发	许可红线
坑 6	13 类 vs 第三方 26 类	官方 13，勿混
坑 7	test 无标签	nearly 2500 series，标签未公开
坑 8	train 数三口径	4,348 / 5,041 / 7,202

附录 J：双口径登记表

维度	口径 A（旧/AWS）	口径 B（新/论文）	本条目采信
年份	2026（brief 误记）	2025	2025
规模	over 4,000 CT scans	7,202 series	7,202
机构	18 institutions	21 institutions	21
分割	~200 studies	178 series	178
模态	CT brain scans	CTA+MRA+MRI	三模态
分割类数	—	13（官方）/26（第三方）	官方 13

附录 K：FAIR/AI-Ready 检查单

Findable：有 DOI（10.1148/dataset.ica.2025）、arXiv 论文、Kaggle 页面。✓
Accessible：三层入口（Kaggle/AWS/MIRA），AWS 免账号。✓
Interoperable：DICOM + NIfTI + CSV 标准格式。✓
Reusable：专家标注、任务定义清晰；但禁再分发限制复用。△
AI-Ready：多模态、多标签、含定位与分割、含官方评测。✓

附录 L：缩写速查

缩写	全称
RSNA	Radiological Society of North America
ICA	Internal Carotid Artery / Intracranial Aneurysm
ASNR	American Society of Neuroradiology
SNIS	Society of Neurointerventional Surgery
ESNR	European Society of Neuroradiology
CTA	CT Angiography
MRA	MR Angiography
MRI	Magnetic Resonance Imaging
ACOM	Anterior Communicating Artery
PCOM	Posterior Communicating Artery
MCA/ACA	Middle/Anterior Cerebral Artery
AUC-ROC	Area Under the ROC Curve
MIRA	Medical Imaging Resource for AI
SAH	Subarachnoid Hemorrhage

附录 M：来源清单

Kaggle 竞赛页：https://www.kaggle.com/competitions/rsna-intracranial-aneurysm-detection
数据资源论文：arXiv:2610.01135（The RSNA Intracranial Aneurysm (RSNA-ICA) Dataset）
第 2 名方案论文：arXiv:2606.26706
数据集 DOI：https://doi.org/10.1148/dataset.ica.2025
AWS Open Data bucket：arn:aws:s3:::intracranial-aneurysm-detection（region us-west-2）
RSNA MIRA：https://imaging.rsna.org

附录 N：基于本数据集的研究检查清单（12 项）

是否确认了数据版本与获取口径（2025、7,202）？
是否已接受许可条款（非商业、禁再分发）？
是否按模态分别处理了预处理？
是否处理了类别不平衡（presence 阴性为主）？
是否用 AUC-ROC 系列而非准确率？
是否区分了中心点定位与体素掩码？
分割任务是否只用了官方 13 类？
本地验证集是否自行划分（test 无标签）？
是否测试了模态缺失鲁棒性？
是否在多中心子集上评估了泛化？
引用是否给了 DOI 10.1148/dataset.ica.2025？
是否将模型代码（非数据）作为可复现产物发布？

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产代理 agent-e-rsnaaneury，slug rsna-aneurysm-2025。
本条目由证伪反哺产生：候选 rsna-2026-aneurysm 被证伪（2026 届不存在），三源互证确认 2025 届真实存在，故按 2025 成稿。
三源互证来源：① RSNA MIRA 页 + AWS Open Data registry + AWS Marketplace；② Kaggle 竞赛数据页；③ arXiv:2610.01135 数据资源论文 + arXiv:2606.26706 方法论文。
规模与关键数字以官方论文口径为准，AWS 旧口径逐条存照于坑 2、坑 3 与附录 J。
数据发布物定性：是（三层入口存在可下载/可申请的影像数据本体，非纯榜单）。
遗留疑点：① RSNA MIRA 的具体申请流程与登录门槛未逐字核（以 imaging.rsna.org 为准）；② 论文 48 页中逐 location 样本计数、各 Figure/Table 细节未逐页抓取，正文引用摘要级硬数字；③ GitHub wiki 页抓取时为 “Coming soon” 占位（2025-11-14 编辑），后续内容更新未持续跟踪。
条目版本：v1.0，生成于 2026-10-09。

维度	内容
本质	RSNA 2025 年发布的颅内动脉瘤多模态检测数据集 + Kaggle 数据竞赛（真·数据发布物，非纯榜单）
全称	RSNA Intracranial Aneurysm (RSNA-ICA) Dataset / RSNA Intracranial Aneurysm Detection AI Challenge
主办	Radiological Society of North America（RSNA），联合 ASNR / SNIS / ESNR
年份	2025（挑战赛 2025-07-28 启动，2025-10-14 截止；DOI 名 “July 2025”）
论文	arXiv:2610.01135《The RSNA Intracranial Aneurysm (RSNA-ICA) Dataset》（Data Resource Publication，48 页）；DOI 10.1148/dataset.ica.2025
数据规模	7,202 series / 4,278 成人；CTA 2,566 + MRA 2,166 + MRI 2,470
机构	21 institutions / 12 countries / 5 continents
任务	多标签分类（14 标签）+ 定位（中心点）+ 三维分割（178 series / 13 类血管）
评测	weighted multilabel AUC-ROC：Aneurysm Present 权重 13，13 个位置各权重 1
指标式	最终分 = ½ × (AUC_AP + (1/13) × Σ_{i=1…13} AUC_i)
获取	Kaggle（竞赛规则）｜AWS Open Data S3（no-sign-request）｜RSNA MIRA（公开 5,041/7,202）
许可	非商业用途，禁止再分发；引用须给 DOI 10.1148/dataset.ica.2025
库内互链	rsna-intracranial-hemorrhage（rid 738）、adam-aneurysm（rid 735）、rsna-bone-age（rid 426）