信息速览

数据集名称SegRap 2023 (segrap) — AI-Ready Wikipedia

数据类型ncCT 平扫 CT,ceCT 增强 CT,OAR 分割掩膜,GTV 分割掩膜,MHA 体数据,预对齐双模态

规模200

接入方式SegRap2023 官网（grand-challenge.org 托管）+ Google Drive / 百度网盘 url: https://segrap2023.grand-challenge.org

AI 就绪度

SegRap 2023：MICCAI 2023 鼻咽癌放疗计划危及器官与大体肿瘤体积分割挑战赛

INFOBOX：条目速览

字段	内容
条目 slug	`segrap`
正式名称	SegRap2023 Challenge — Segmentation of Organs-at-Risk and Gross Tumor Volume of Nasopharyngeal Carcinoma for Radiotherapy Planning
中文译名	2023 鼻咽癌放疗计划危及器官与大体肿瘤体积分割挑战赛
媒体译名	头颈肿瘤描边2023（网易 MICCAI 2023 中国队战绩稿所用中文赛名）
数据集构成	200 名 NPC 患者的预对齐 ncCT+ceCT 配对（400 张 CT），训练 120 / 验证 20 / 测试 60
标注体系	45 个危及器官（官网口径，拆分 58 子部分）+ 2 个 GTV（GTVnx/GTVp 与 GTVnd）
宿主会议	MICCAI 2023（温哥华，2023-10-12 挑战赛 event 公布最终排名）
双任务	Task01：45 OAR 分割；Task02：GTV 分割
影像模态	治疗前头颈 ncCT（平扫）+ ceCT（增强），两模态预对齐
评估指标	DSC（Dice Similarity Coefficient）+ NSD（Normalized Surface Dice），双指标排名
组织方	电子科技大学（UESTC）+ 上海人工智能实验室 + 四川省肿瘤医院（四川省癌症防治中心）
核心人物	Xiangde Luo（一作/组织者）、Guotai Wang 与 Shaoting Zhang（通讯）、Shichuan Zhang 与 Wenjun Liao（数据提供）
资助	NSFC 62271115、82203197；四川省科技计划 2022YFSY0055、2023NSFSC1852 等
论文	Medical Image Analysis Vol.101 Article 103447，DOI 10.1016/j.media.2024.103447（卷期 2025-04），arXiv:2312.09576，PMID 39756265
参赛规模	387 队注册（论文口径）；媒体口径 395 队；测试期 Task01 10 队 / Task02 11 队有效提交
baseline	nnUNet：Task01 DSC 84.65% / NSD 82.88%
Task01 冠军	Y. Zhong et al.（Canon Medical Systems (China) Co. Ltd.）：结构特定标签生成（45→29 类）+ 128³ ROI 边界精修 + nnUNetV2
Task02 冠军	M. Astaraki et al.（Stockholm University + KTH）：HU clamp + TotalSegmentator 裁剪 + nnUNetV1 五折
获取方式	官网 dataset 页：Google Drive + 百度网盘（解压密码 segrap2023@uestc）；训练集须签 EndUserAgreement 邮件换密
License	数据本体无标准化开源 license（EUA 请求制）；无官方 Zenodo DOI
官网	https://segrap2023.grand-challenge.org
官方 GitHub	https://github.com/HiLab-git/SegRap2023（nnUNet baseline + Docker 教程）
后续	SegRap2025（MICCAI 2025：260 GTV + 402 LN CTV + 500 无标注）
本条目 URL	https://www.qianfanghub.com/ai-ready-dataset/segrap/679

§0 导语：这是一份什么样的数据集

在放疗计划（radiotherapy planning）的临床流程里，医生要在 CT 影像上逐一勾画两样东西：一是必须保护、不能被高剂量射线"误伤"的危及器官（Organs-at-Risk，OAR），二是必须被高剂量射线覆盖、同时又不能照得过多的大体肿瘤体积（Gross Tumor Volume，GTV）。勾画的精度直接决定放疗剂量分布的取舍：OAR 勾画过大会导致处方剂量被压缩，GTV 勾画过小会造成靶区遗漏。头颈部是这个流程里最难的解剖区域之一——几十个直径不足一厘米的小器官（耳蜗、晶状体、视神经）密布在狭窄空间里，而鼻咽癌（nasopharyngeal carcinoma，NPC）的靶区还常常与颈部淋巴结转移灶纠缠。SegRap 2023 正是为这个问题而生的一份"全要素"数据集与挑战赛。

0.1 五分钟速览：谁该用、怎么用

是什么：SegRap 2023（官方写作 SegRap2023）是依托 MICCAI 2023 年会举办的挑战赛（hosted on grand-challenge.org），同时留下了一份 200 名鼻咽癌患者、400 张 CT 的公开基准数据集——每人一对预对齐（pre-aligned）的平扫 CT（ncCT）与增强 CT（ceCT），配 45 个 OAR 与 2 个 GTV 的手工勾画。
分几块：训练集 120 例（带标注，赛后经 EndUserAgreement 流程可无条件下载）、验证集 20 例（仅影像、无标注，供赛期在线评测）、测试集 60 例（影像与标签均不公开，官方成绩的不可复现部分）。
两个任务：Task01 分割 45 个 OAR，Task02 分割 GTVnx（鼻咽原发灶，又称 GTVp）与 GTVnd（颈部淋巴结转移灶）。两任务独立排名，均用 Dice（DSC）与 Normalized Surface Dice（NSD）双指标。
水位在哪：baseline nnUNet 在 Task01 已达 DSC 84.65%，6 支队伍双指标超过它，冠军（佳能医疗(中国)）推至 86.70%——大 OAR 的分割"已经较好解决"；而 Task02 全部有效提交的 DSC 落在 70.42%-73.44%，无一队突破 80%——GTV 与小/薄壁 OAR 仍是硬骨头。
怎么拿：验证集在官网 dataset 页直接可下（Google Drive/百度网盘）；训练集须签署 EndUserAgreement-SegRap2023，扫描发邮件换 zip 解压密码（约 2 个工作日回复）；测试集拿不到，只能走官方在线评测。没有官方 Zenodo DOI——如果你的检索路径指向某个 SegRap 的 Zenodo 记录，先按坑 1 排除张冠李戴。
谁适合用：做放疗自动勾画（auto-contouring）、双模态 CT 融合分割、小器官/薄壁结构分割、多数据集联合预训练（nnUNet 生态）的团队；做挑战赛赛制与评估方法学研究的开发者也能从其 58 子部分标签设计与 docker 评测流程中找到素材。
谁要谨慎：期待"下载即跑、license 无忧"的使用者——本数据集的获取摩擦（EUA 邮件换密）、标签多口径（45/58/54/29 四套数字并存，见 §3.5 与坑 5）和无标准化 license（§6.3）是三条明确的使用成本。

0.2 数据集与挑战赛的一句话关系

SegRap 2023 是"挑战赛先行、论文收口"的典型形态：2023 年上半年赛事开跑、7 月数据共享随提交截止而转向申请制、10 月温哥华 MICCAI 年会公布排名，2024-2025 年以 Medical Image Analysis 101 卷 103447 号论文（45 位作者、12 支队伍方法全景）正式定档；数据本体则继续以官网网盘 + EUA 请求制的方式存活，并在 2025 年迭代出转向 GTV+淋巴结 CTV 的 SegRap2025。理解这个"赛-数-文"三件套，是读懂本条目 §7-§9 的时间线前提。

0.3 条目结构与阅读路线

本条目 11 个正文章节与 5 个附录的分工与推荐阅读顺序：

章节	内容	适合谁先读
§0	导语与五分钟速览	所有人
§1	名称、身份、组织方、查重与同域辨识	综述写作者、数据管理员
§2	鼻咽癌放疗的临床背景与 AI 机会窗口	跨域进入者（非放疗背景）
§3	数据构成：三分格局、45 OAR 清单、标签四口径	所有人（本条目核心）
§4	双任务定义与 DSC+NSD 指标体系	复现者、参赛方法研究者
§5	标注协议：医生标注、双工具、重叠问题来龙去脉	标注方法学、数据质量研究
§6	获取方式、EUA 流程、license 口径与十个坑	所有人（动手前的必读）
§7	三阶段赛制与参与漏斗	挑战赛设计者
§8	baseline、双任务排名、冠军方法拆解、统计结论	方法研究者（本条目技术核心）
§9	论文双口径、资助结构、SegRap2025 与代码资产	综述写作者
§10	库内互链 15 条 + DAIMS 五维评估 + 上手路线	建库者、选型者
附录 A-E	术语表、文献清单、核验记录、上手代码、FAQ	按需

三条阅读路线：快速选型走 §0.1 → §10.3 → §6.5（十分钟判断"用不用"）；动手复现走 §3 → §6 → §8.6 → 附录 D（半天内跑通 baseline）；综述写作走 §1 → §2 → §7 → §8.5 → §9.6（材料基本齐备，注意各"坑"的口径存照）。

§1 名称、身份与建条结论

1.1 正式名称与缩写拆解

SegRap = Segmentation + Rap（有观点解读为 radiotherapy planning 的缩合，官方全称落款为 “Segmentation of Organs-at-Risk and Gross Tumor Volume of Nasopharyngeal Carcinoma for Radiotherapy Planning”）。赛事名统一写作 SegRap2023（无空格连写），官方 GitHub 仓库标题自述为 “[SegRap2023&MedIA2025]”，把数据集、赛事与总结论文三件套一并挂名。
中文语境的完整译名：鼻咽癌放疗计划危及器官与大体肿瘤体积分割挑战赛。网易在 MICCAI 2023 中国队战绩报道中使用了另一个中文赛名"头颈肿瘤描边2023"——这是媒体侧的非官方译名，检索中文报道时可用（坑 7）。
需要与两个同域名称区分：SegRap2025（后继赛事，任务转向 GTV+淋巴结 CTV，官网独立）；HaN-Seg（头颈 OAR 分割的另一套公开数据集，斯洛文尼亚团队，以 CT/MR 配对多模态为特色——注意 HaN-Seg 有 Zenodo 记录而 SegRap 没有，两者勿混，见坑 1）。

1.2 主记录的三重身份

SegRap 2023 在库内主记录的定位是"挑战赛 + 基准数据集 + 总结论文"三重身份的复合体：

挑战赛身份：grand-challenge.org 平台托管的 MICCAI 2023 联合挑战赛（官网 https://segrap2023.grand-challenge.org），三阶段赛制（训练/验证/测试），Docker 容器一次性提交制，DSC+NSD 双指标排名。
数据集身份：200 NPC 患者、400 张预对齐双模态 CT、45 OAR+2 GTV 手工标注，训练 120/验证 20/测试 60。论文结论自述这是"现有 OAR 与 GTV 分割挑战赛中最全面彻底标注的数据集"（the most comprehensive and exhausted labeled dataset among existing OAR and GTV segmentation challenges so far——原文用词 exhausted，实为 exhaustive 之误，两处口径照录）。
论文身份：总结论文发表于 Medical Image Analysis Vol.101 Article 103447（DOI 10.1016/j.media.2024.103447），45 位作者，系统报告赛制、数据、12 支参赛队方法与结果。论文年份存在 DOI 编号 2024 与卷期 2025-04 的双口径（坑 6）。

三重身份决定了本条目的写作策略：数据构成（§3）、标注协议（§5）以数据集身份为主轴；任务定义与赛制（§4、§7）以挑战赛身份为主轴；基准水位与生态（§8、§9）则以论文为主轴。

1.3 组织方、机构与核心人物

组织方三家，横跨产学研：

电子科技大学（University of Electronic Science and Technology of China，UESTC）：主办方主体，官方 GitHub 组织为 HiLab-git（HiLab），机械与电气工程学院承担赛事运营与 baseline 维护。
上海人工智能实验室（Shanghai Artificial Intelligence Laboratory）：联合组织方，OpenMMLab/医学影像方向的团队深度参与。
四川省肿瘤医院 / 四川省癌症防治中心（Sichuan Cancer Hospital & Institute, Sichuan Cancer Center）：数据提供方，放疗科承担影像采集与临床勾画。

核心人物与分工（据论文作者栏与官网）：

人物	角色	隶属
Xiangde Luo	挑战赛组织者、数据集论文第一作者、EUA 邮箱持有人	UESTC + 四川省肿瘤医院 + 上海 AI Lab 三重隶属
Guotai Wang	通讯作者	UESTC + 上海 AI Lab
Shaoting Zhang	通讯作者	UESTC + 上海 AI Lab
Shichuan Zhang	数据提供方（放疗科临床侧）	四川省肿瘤医院
Wenjun Liao	数据提供方（放疗科临床侧）	四川省肿瘤医院

论文作者栏共 45 人， affiliations 横跨 UESTC、上海 AI Lab、佳能医疗(中国)、斯德哥尔摩大学、KTH 皇家理工学院、西北工业大学、香港科技大学(广州)、华中科技大学、延世大学、DKFZ、Brunel University London、MedMind、上海交通大学、南京理工大学等——参赛强队事后进入论文作者栏，是 grand-challenge 系挑战赛总结论文的常见形态（冠军团队的 Y. Zhong 与 M. Astaraki 均在列）。

1.4 库内查重与建条记录

slug 查重：入库前执行 SELECT record_id,url_name FROM ai_ready_dataset WHERE status=1 AND url_name ILIKE '%segrap%'，返回 0 行——segrap 为新建条目，无重复。
存在性核验：经三轮精确搜索（arXiv 论文链、PubMed/ScienceDirect 论文链、官网+GitHub 双官方源），确认 SegRap 2023 真实存在且核心数字可三源互证。任务简报中"Zenodo DOI"的方向提示被证伪（详见 §6.4 与坑 1），本条目以官网网盘 + EUA 请求制为准。
建条时间：本条目成稿于 2026-09-27，抓取时点 2026-09-26/27；官网 dataset 页、GitHub 仓库与论文元数据均在该时点核验。
命名定稿：主记录 slug 定为 segrap（不带年份后缀，与库内 hecktor、autopet 等以赛事根名建条、后继届另建条目（如 hecktor2026、autopet-v）的惯例一致——SegRap2025 届时将以独立条目承接）。

1.5 与同域数据集的辨识

头颈放疗分割域的公开数据集不少，容易混的先说清楚：

数据集	与 SegRap 2023 的关系	关键区分点
PDDCA（头颈 OAR 挑战 2017）	同域前辈：9 例 CT 的 9 类 OAR，规模小一个数量级	SegRap 45 OAR vs PDDCA 9 OAR；SegRap 双模态配对，PDDCA 单模态
HaN-Seg（2021 起）	同域并行的头颈 OAR 数据集，CT/MR 配对	HaN-Seg 30 类掩码、经 Zenodo 发放；SegRap 45 OAR、经官网网盘+EUA 发放。注意勿把 HaN-Seg 的 Zenodo 记录错当成 SegRap 的（坑 1）
HECKTOR（2020-2025）	同为头颈放疗 AI 挑战赛系列，含 FDG-PET/CT	HECKTOR 主战场是头颈癌（含 NPC 但不限）的靶区与结局预测；SegRap 聚焦 NPC 且首次把 ncCT+ceCT 双模态配对做进赛题
LCTSC（2017，TCIA）	同为放疗 OAR 分割基准	LCTSC 覆盖肺/心/食管/脊髓等胸廊 OAR；SegRap 是头颈 45 器官的精细化版本，两者在库内互为放疗 OAR 域的两端
AutoImplant / AutoPET 等 MICCAI 挑战赛系	赛制参照系	同属 grand-challenge.org + MICCAI 生态，docker 提交制、hidden test 思路同源，赛制设计互为参照

辨识结论：SegRap 2023 的生态位是"NPC 专病 + 双模态 CT 配对 + 超细粒度 OAR 清单"三要素的当前最大交集，在同类挑战赛数据集中按论文口径是标注最全面的一份；它的短板（无 Zenodo、EUA 请求制、测试集封闭）同样是该生态位上最突出的。

1.6 关键时间线总表

把散落在 §1-§9 的日期收进一张总表（全部为官网/论文可证口径）：

时间	事件	依据
2023 上半年	赛事立项、训练数据发布、387 队注册	论文正文、官网
2023-07-10 12:00 AM GMT	提交截止；训练数据自由共享同步停止（转 EUA 请求制）	官网 dataset 页
2023-07-10 ~ 2023-08-20	验证期：验证集 20 例在线评测，每队每任务 5 次	官网任务页
2023-08-20 之后	测试期：Docker 容器一次性提交 + 技术报告	论文 §赛制
2023-10-12	MICCAI 2023 温哥华挑战赛 event 公布最终排名	官网、论文
2023-10-30 前后	Task02 冠军方法论文上 arXiv（2310.02972）	arXiv 存照
2023-12	总结论文预印本上 arXiv（2312.09576）	arXiv 存照
2024	正式论文在 ScienceDirect 在线（DOI 串 2024）；Scientific Data LN CTV 数据论文发表	DOI/期刊存照
2025-02-26	DiVA（斯德哥尔摩大学机构库）可获取日	DiVA 存照
2025-04	正式卷期 MedIA Vol.101 落定	Yonsei/NWPU 存照
2025-05-01 / 05-10 / 09-23	SegRap2025 注册开放 / 数据发布 / 结果公布	SegRap2025 官网
2026-05-14	SegRap2025 总结论文被 MedIA 接收的官方新闻	SegRap2025 官网

时间线的两个特征值得留意：其一，“数据自由共享期”（2023 上半年至 7 月 10 日）只有数月，之后进入的团队全部要走 EUA——大多数第三方教程与复现工作实际发生在请求制时代；其二，从赛事公布（2023-10）到总结论文卷期落定（2025-04）间隔约 18 个月，期间方法细节主要由 arXiv 预印本与参赛队自述承载——引述早期结果时应核对预印本与正式版的口径差（作者数 42→45 等）。

§2 临床背景：为什么鼻咽癌放疗值得一个专属数据集

2.1 鼻咽癌的流行病学与"放疗主导"的治疗格局

鼻咽癌（NPC）是一种分布极不均衡的头颈恶性肿瘤：全球大部分地区罕见，但在华南（广东、广西、湖南、福建）、东南亚北部（含中国四川等西南省份）构成地方性高发。解剖位置上，鼻咽腔深藏于颅底之下、被颅骨与重要神经血管结构包绕，外科暴露极其困难，因此放射治疗（radiotherapy）成为 NPC 的首选根治手段——这与多数实体瘤"手术优先"的格局截然不同。

放疗主导意味着两件事对数据集设计有直接影响：

CT 是核心影像：放疗计划以计划 CT（planning CT）为几何基础，剂量计算在 CT 的 HU 值上进行；这与以 MRI 为主的神经影像管线完全不同。SegRap 提供 ncCT+ceCT 双模态正是踩在放疗工作流的这个节点上。
勾画质量就是治疗质量：IMRT（调强放疗）时代，剂量分布可以在空间上"雕刻"，雕刻的边界完全由医生勾画的轮廓决定。NPC 放疗的处方区域覆盖鼻咽原发灶与双侧颈部淋巴结引流区，紧邻脑干、脊髓、腮腺、视通路与耳蜗等数十个关键结构——勾画误差会被 IMRT 精确地"执行"出来。

2.2 OAR 勾画的临床工作流与 AI 的切入点

标准 NPC 放疗计划中，医生要在计划 CT 上勾画的 OAR 数量以十计：中枢神经（脑、脑干、脊髓、视交叉、视神经、海马、垂体、颞叶）、视觉末端（眼球、晶状体）、听觉链路（耳蜗、中耳、鼓室、半规管、乳突、内听道、咽鼓管）、唾液腺（腮腺、颌下腺）、口腔颌面（下颌骨、口腔、颞下颌关节）、气道消化道（喉的三个亚区、咽、气管、食管）与甲状腺等。指南（如 AAPM、ESTRO 与各共识声明）对这些结构给出了剂量限值，例如脊髓与脑干的 max dose、腮腺的平均剂量阈值——每个限值都对应一条"必须勾画准确"的硬约束。

手工勾画一份 NPC 计划的全部 OAR 通常需要 1-3 小时级别的医生工时，且观察者间变异在小器官上尤其显著（耳蜗、晶状体这类毫米级结构，不同医生勾出的体积差异可达数倍）。这就是自动勾画（auto-contouring）的商业与临床切入点：商业放疗系统（如 MIM、RayStation、Varian 的 Intelligent Automation）早已内置 atlases 与深度学习模型，但其在小器官上的可靠性仍是活跃的研究问题。SegRap 的 45 OAR 清单几乎完整复刻了 NPC 计划的临床勾画需求清单——这也是论文敢于自称"最全面"的底气。

2.3 GTV 勾画：比 OAR 更难的问题

如果说 OAR 勾画难在"小而多"，GTV 勾画难在"边界本身模糊"：

GTVnx（鼻咽原发灶，又称 GTVp）：肿瘤从鼻咽黏膜向颅底、咽旁间隙浸润，与正常组织的密度过渡平缓；咽隐窝、咽鼓管圆枕等正常解剖又与肿瘤形态高度相似。平扫 CT 上软组织对比不足，需要增强 CT（碘对比剂使肿瘤强化）辅助判别——这直接解释了 SegRap 为什么同时提供 ncCT 与 ceCT。
GTVnd（颈部淋巴结转移灶）：转移淋巴结散布于双侧颈部多个引流区，与反应性增生淋巴结的鉴别依赖形态学经验（短径、坏死、包膜外侵）；单个患者可能存在数枚大小悬殊的阳性淋巴结，漏检一枚就是靶区遗漏。

数据集将 GTV 拆成 GTVnx 与 GTVnd 两个通道分别标注与评测，正是尊重了这两种病灶在临床勾画逻辑上的差异。§8.4 的结果会显示：这个任务的所有参赛方法都没有跨过 DSC 80% 的门槛——GTV 勾画的观察者间变异本身就有 20% 量级，这既是挑战，也是数据集价值的证明。

2.4 双模态 CT（ncCT+ceCT）配对的数据价值

单一模态 CT 数据集（LCTSC、AbdomenCT-1K 等）在库内已有多个，但同一患者的 ncCT+ceCT 预对齐配对在公开放疗数据集中非常罕见。它的价值有三层：

临床真实性：NPC 患者治疗前通常既有诊断性增强 CT/MR 又有定位平扫 CT；SimRT（模拟定位）流程天然产生配对影像。SegRap 直接镜像了这个工作流。
算法自由度：配对影像支持模态融合分割（双流编码器）、跨模态合成（ncCT→ceCT 的图像翻译）、以及"哪种模态对哪类结构更有用"的系统性对比。SegRap 论文与参赛方法都对"ceCT 用于 OAR 还是 GTV 更好"给出了数据支撑。
预对齐（pre-aligned）省掉了配准工程：挑战赛组织方已将两模态配准，参赛者拿到的就是同一坐标系下的体数据对——降低了参赛门槛，但意味着数据使用者也无需自己做弹性配准（配准误差已被官方吸收，这对方法比较是好事，对配准方法研究则无事可做）。

2.5 关键 OAR 的临床剂量约束一览

45 OAR 清单的临床分量，来自放疗处方中对这些结构的剂量限值要求（通用临床共识口径，非 SegRap 论文内容，供理解"为什么要勾这 45 个"）：

结构组	代表结构	约束类型	典型临床考量
脊髓与脑干	Spinal cord、Brainstem	max dose 硬限值	超限即放射性脊髓病/脑干坏死风险，处方设计的否决项
视通路	Chiasm、Optic nerve、Eye、Lens	max dose 分级限值	视神经病变不可逆；晶状体以白内障风险设限
听觉链路	Cochlea、Vestibular semicircular canal	平均剂量限值	放疗后感音神经性听力下降的量效关系明确
唾液腺	Parotid、Submandibular	平均剂量限值	口干症（xerostomia）的主要决定因素，影响长期生存质量
嵌套结构	Hippocampus（⊂Brain）、Larynx 亚区	嵌套内外的差异化限值	海马保护与全脑照射的取舍；喉亚区对应不同功能预后

这张表解释了 SegRap 45 OAR 清单的"临床为什么"：每个结构对应一条真实存在的剂量约束或毒性终点。反过来说，自动勾画的价值不是"分割得好看"，而是让剂量优化器拿到的轮廓可靠——理解这一点，才能理解为什么逐器官 NSD（边界精度）比总体 DSC 更被评测委员会看重。

2.6 CT 与 MR/PET 在 NPC 放疗流程中的分工

一个常见疑问：NPC 的肿瘤显示 MR 比 CT 敏感（软组织对比），为什么 SegRap 只做 CT？答案在工作流分工里：

CT 是几何与剂量的基准：HU 值与电子密度（相对电子密度，RED）的换算是剂量计算的物理前提，任何放疗计划都锚定在 CT 上——这是 MR/PET 无法替代的。
MR 是肿瘤边界的判读参考：T2/脂肪抑制序列对鼻咽原发灶与咽旁浸润的显示优于增强 CT，临床勾画中医生常"融合 MR 读片、在 CT 上落笔"。
PET 是代谢信息源：FDG-PET 对阳性淋巴结的判别有增量价值，HECKTOR 系挑战赛即以 PET/CT 为核心模态。
SegRap 的取舍：聚焦放疗计划的原生模态（ncCT 定位 + ceCT 增强），把"MR 融合勾画"和"PET 代谢靶区"留给同域其他数据集。这个取舍换来的是全部数据在同一几何基准上可即用于剂量相关研究——与hecktor (461) 的 PET/CT 路线构成互补而非竞争（§10.1 互链逻辑）。

对数据使用者的提示：如果你的研究目标涉及"肿瘤边界与 MR 的对照"，SegRap 不提供 MR；如果你的目标是"自动勾画进放疗计划链路"，CT-only 的选择反而是最短路径。

2.7 自适应放疗与 AI 的机会窗口

官方 GitHub 对赛事的一句话自述是 “A challenge about organ-at-risk and gross-tumor-volume segmentation in adaptive radiotherapy”。自适应放疗（adaptive radiotherapy，ART）指在疗程中根据肿瘤退缩、体重下降与器官位移重新勾画、重新计划的工作流——NPC 患者疗程 6-7 周内颈部淋巴结体积变化显著，ART 让"每次重照 CT、每次重新勾画"从一次性工时变成高频工时，自动勾画从"锦上添花"变成"流程必需"。SegRap 的 45 OAR+2 GTV 全要素清单，正是按"ART 闭环里机器要接管的最大勾画面"来设计的。这也是理解该挑战赛与一般医学分割比赛定位差异的钥匙：它不是在测"模型能不能分割器官"，而是在测"模型能不能接管放疗流程中一段真实存在的劳动"。

§3 数据构成：200 患者、400 CT、三分格局

3.1 总体规模与三分格局

子集	例数	影像	标注	获取方式
训练集（Training）	120	ncCT+ceCT 配对	45 OAR（58 子部分）+ 2 GTV 全标注	赛后经 EUA 流程下载（§6.2）
验证集（Validation）	20	ncCT+ceCT 配对	无（提交在线评测得分）	官网 dataset 页直接下载
测试集（Testing）	60	ncCT+ceCT 配对	不公开（影像与标签均保密）	不可下载，仅官方评测
合计	200 患者 / 400 CT	—	—	—

三条口径提示：

训练集 120 例带标注，是绝大多数使用者实际可用的全部；挑战赛期间数据共享随提交截止（2023-07-10）而停止，赛后训练集 “can be downloaded without any additional requirements”（官网 dataset 页原句）——但同页又有 EUA 请求制条款，构成自相矛盾（坑 2），实际以 EUA 流程为准。
验证集 20 例无标注，赛期通过 grand-challenge 在线提交获得分数，用于参赛者调参；赛后作为"可即取的免申请数据"成为社区快速试跑的入口。
测试集 60 例由组织方持有，测试期以 Docker 容器一次性提交（§7.3）；影像与标签永不公开。任何声称"SegRap 测试集全量数据+标签"的第三方资源都应视为可疑。

3.2 200 例患者的构成与采集

来源中心：全部来自四川省肿瘤医院（Sichuan Cancer Hospital & Institute, Sichuan Cancer Center）放疗科的治疗前影像——单一中心、专病队列。
采集时点：治疗前（pre-treatment），即放疗计划前的定位/诊断窗口。
配对方式：每名患者一对 ncCT 与 ceCT，已经过组织方预对齐；因此在数据层面"1 患者 = 1 记录 = 2 个体数据"。
模态含义：ncCT（non-contrast CT，平扫）为放疗定位的标准模态，承担剂量计算的几何基准；ceCT（contrast-enhanced CT，增强）经碘对比剂强化肿瘤与血管，承担病灶判读。两模态的窗宽窗位与 HU 分布差异显著（Task02 冠军方法直接对两模态做了不同的 HU clamp：ceCT [-1000,1000]、ncCT [-600,600]，见 §8.3）。
伦理与去标识化：数据经四川省肿瘤医院伦理批准后采集使用，公开影像经去标识化处理（DICOM 头信息剥离）。论文未公开逐例的人口学统计表（年龄/性别分布等未随数据发布），使用者在论文写作时应避免对人群构成做超出数据的推断。

3.3 45 OAR 完整清单（官网口径）

官网 challenge 页给出的 45 个 OAR（按解剖系统分组呈现）：

中枢神经系统：Brain（脑）、Brainstem（脑干）、Chiasm（视交叉）、Hippocampus L/R（海马）、Pituitary（垂体）、Temporal lobe L/R（颞叶）、Spinal cord（脊髓）
视觉通路：Eye L/R（眼球）、Lens L/R（晶状体）、Optic nerve L/R（视神经）
听觉与前庭链路：Cochlea L/R（耳蜗）、Middle Ear L/R（中耳）、Tympanic cavity L/R（鼓室）、Vestibular semicircular canal L/R（前庭半规管）、Mastoid L/R（乳突）、Internal auditory canal L/R（内听道）、Eustachian tube L/R（咽鼓管）
口腔颌面：Mandible L/R（下颌骨）、Parotid L/R（腮腺）、Submandibular L/R（颌下腺）、Oral cavity（口腔）、TMJ L/R（颞下颌关节）
气道与消化道：Larynx（喉）、Larynx glottic（喉声门区）、Larynx supraglottic（喉声门上区）、Pharynx（咽）、Trachea（气管）、Esophagus（食管）、Thyroid（甲状腺）

数一数：单侧结构 7 个（Brain、Brainstem、Chiasm、Pituitary、Spinal cord、Oral cavity、Larynx、Larynx glottic、Larynx supraglottic、Pharynx、Trachea、Esophagus、Thyroid 中除去成对项）加上 19 对左右成对器官。这份清单比 PDDCA（9 类）、HaN-Seg（30 类）都长，是目前公开数据集中最细的头颈 OAR 清单——例如把喉拆成三个亚区、把耳部链路拆到鼓室与前庭半规管级别，是放疗临床指南级别的要求，而非通用解剖数据集的做法。

3.4 标签体系的多口径现象（重要）

"SegRap 有多少个标签"这个问题有四个都正确的答案，取决于口径：

口径	数字	来源与含义
官网挑战赛口径	45 OAR	挑战赛任务定义的器官数；GTV 另计 2 个
官网数据文件口径	58 子部分	45 器官拆分后的实际子部分数：左右成对器官拆开计数、部分器官的重叠区单独处理；官方提供固定策略可将 58 合并回 45
第三方汇总口径	54 标签统一掩码	Awesome-Medical-Dataset 等第三方描述的统一标签掩码版本，其中 9 个标签用于表示器官重叠区
Task01 冠军内部口径	29 类	冠军队伍将 45 器官按左右合并与耳部/口腔重叠规则归并后的类别数（其提交文件以 29 通道输出，评测前再展开）

四个数字没有谁对谁错，但混用会造成工程事故：用 45 通道的代码读 58 通道的掩膜会错位；把 58 子部分直接当 45 器官评测会错算。使用前务必先确认手中文件是哪套口径（官方训练集的标注文件结构与展开/合并策略见官方 GitHub 说明；提交文件的 4D mha 形状要求见 §4.4）。本条目将此现象列为坑 5，并在 §5.3 追溯其标注根源。

3.5 GTV 标注：GTVnx/GTVp 与 GTVnd

GTVnx：鼻咽原发灶大体肿瘤体积，论文与部分临床文档中与 GTVp（primary）混用——数据集的 Task02 输出为 [2,*image_shape] 的 4D mha，两个通道分别对应 GTVnx（GTVp）与 GTVnd。
GTVnd：颈部淋巴结转移灶（nodal disease）大体肿瘤体积，覆盖双侧颈部所有阳性淋巴结的集合勾画。
两个 GTV 通道独立评测（§4.3），排名时逐结构排名再平均——GTVnx 勾得好而 GTVnd 漏检，会在 GTVnd 上记 0 分拖垮总排名（"漏检目标记 0 分"规则见 §4.3）。
临床语义上，GTVnx+GTVnd 的并集再加安全边界构成 CTV/PTV 的生成基础——这也是 SegRap2025 把"淋巴结 CTV"纳入新赛题的原因（§9.3）：GTV 是 CTV 的原料，2023 届先把 GTV 摸清，2025 届再攻临床实际需要的 CTV。

3.6 文件格式与目录约定

官方格式：.mha（MetaImage）。训练/验证数据的影像与标注均为 mha 体数据；评测提交要求 4D mha：Task01 输出形状 [45,*image_shape]（或对应展开口径的通道数），Task02 输出形状 [2,*image_shape]。
输入目录约定：官方评测容器期望的输入目录为 head-neck-ct/（平扫）与 head-neck-contrast-enhanced-ct/（增强）——提交算法的 Docker 镜像须按此约定读取输入。
第三方流传格式：社区存在整理为 .nii / .nii.gz 的版本（配合 3D Slicer/ITKSNAP 生态更方便），非官方发布形态；官方 baseline 与评估链路以 .mha 为准。格式混用是复现失败的高频原因之一（坑 5）。
官方 baseline 的附带资产：HiLab-git/SegRap2023 仓库提供 nnUNet baseline 的示例数据与模型权重，同样经 Google Drive / 百度网盘分发（§6.1），与数据集共用解压密码体系。

目录与形状速查：

segrap2023/
├── head-neck-ct/                 # ncCT 平扫体数据（.mha）
│   ├── <case_id>_ct.mha
│   └── ...
├── head-neck-contrast-enhanced-ct/  # ceCT 增强体数据（.mha，与 ncCT 预对齐）
│   ├── <case_id>_ct_ce.mha
│   └── ...
└── labels/                       # 仅训练集 120 例
    ├── Task01: 4D mask [58,*shape]（官网子部分口径，可按固定策略并回 45）
    └── Task02: 4D mask [2,*shape]（通道0=GTVnx/GTVp，通道1=GTVnd）
# 提交格式：Task01 [45,*shape]；Task02 [2,*shape]（均为 4D mha）

注意上面的目录树是形态示意（依官方文档整理），实际包内的文件命名以你拿到的 zip 解压结果为准；解压密码与获取流程见 §6。

3.7 数据质量与已知缺陷

官网与论文均自曝的数据问题，列在这里供使用前校准预期：

相邻器官重叠标注（训练集）：部分相邻器官在训练集标注中存在像素级重叠——典型如海马嵌套于脑内、中耳与鼓室、颞叶与海马边界。官方为此设计了 58 子部分方案（重叠区单独编码），并提供固定合并策略。
训练集与验证/测试集标注规范不一致：验证与测试集的注释经过重新精修以避免重叠问题——即"训练时学的重叠规范"与"评测时用的不重叠规范"不同。这既是坑 9 的出处，也是复现评测分数时必须知道的隐藏变量：在训练集上自测的指标与官方验证/测试指标之间不存在严格可比性。
器官层级嵌套：海马在脑内、喉亚区嵌套于喉等层级关系，使得"逐体素多类 softmax"的朴素管线与"逐器官二值输出"的管线会在嵌套边界上产生分歧；冠军方法选择显式重构标签层级（§8.2）。
单一中心来源：全部 200 例来自四川省肿瘤医院，设备协议与人群分布单一；跨中心泛化未经验证，论文亦未提供多中心测试。

3.8 一例数据的解剖学走读

以一例训练集患者为例，走读"记录"的完整形态（按官方目录约定与标注协议推演，供加载后的人工核对清单）：

输入对：head-neck-ct/ 下一个 ncCT 体数据 + head-neck-contrast-enhanced-ct/ 下同 ID 的 ceCT 体数据，二者已预对齐——任意冠状位截面上，鼻中隔、椎体前缘等中线结构应逐像素重合。若你发现两模态错位，先怀疑自己加载错了文件（预对齐是官方承诺），而不是急于做配准。
窗宽窗位的地域差异：ncCT 上软组织（腮腺、咽壁）对比平缓，ceCT 上血管与强化肿瘤区域明显更亮；ncCT 的 HU 有效范围通常更窄（冠军方法把 ncCT clamp 到 [-600,600] 的动机，§8.3）。
Task01 标注的读法：45 个器官中，左右成对者（耳蜗、腮腺、视神经等 19 对）在 58 子部分口径下是独立通道——左侧结构与右侧结构的标注互不共享体素（重叠区除外）。评估时左右独立计分，一侧漏检不影响另一侧得分。
Task02 标注的读法：GTVnx 集中在鼻咽腔壁与咽旁间隙（体数据中上部），GTVnd 散布于双侧颈部（颈静脉链、颈后三角等引流区）——单帧切片上 GTVnd 常表现为数个不相连的小圆斑，这正是"漏检记 0 分"规则容易触发的形态。
值得人工检查的三处：海马与脑的嵌套边界（训练集存在重叠）；喉的三个亚区之间的分界平面；颞下颌关节与下颌骨的归属。这三处既是标注难点，也是 §5.3 重叠问题的集中地。

3.9 58 子部分机制与合并策略详解

58 子部分方案是理解 SegRap 标注体系的钥匙，值得单独展开：

为什么是 58：45 个 OAR 中 19 个左右成对（38 个独立结构），加上 7 个单侧结构（Brain、Brainstem、Chiasm、Pituitary、Spinal cord、Oral cavity、Thyroid）与喉的三个亚区等，理论上 38+若干已经接近 45；展开到 58 的增量来自重叠区的单列编码——训练集里海马与脑、中耳与鼓室、颞叶与海马等嵌套/相邻对的重叠像素被单独赋予编号，使统一掩膜内部互斥（每个体素恰属一个子部分）。
官方合并策略：官网说明"可用固定策略合并回 45"——即按预定义的优先级/并集规则把 58 子部分重新映射到 45 器官。合并策略的关键决策是重叠区的归属（并入外层器官还是内层器官），官方给出了固定答案以保证可复现。
与提交口径的关系：评测提交要求 45 通道（[45,*shape]），因此任何按 58 子部分训练的模型都必须在输出端执行官方合并逻辑——这一步做错，评测端会系统性错位（坑 5 的工程根源）。
与冠军 29 类的关系：冠军的 29 类是另一方向的压缩（左右合并 + 重叠归并），训练效率更高但依赖评测前展开回 45 通道的逆映射。58→45（官方合并）与 45→29（冠军压缩）是同一标签体系上的两个不同变换，方向相反、不要混淆。
实践建议：建立自己的"口径转换器"工具函数（58↔45↔29 映射表 + 单元测试），在项目开始时一次性做对——这是 SegRap 复现工作里性价比最高的工程投资。

3.10 与放疗数据工程的对接：从 DICOM-RT 到 mha

SegRap 发布的是"脱衣版"数据：裸 mha 体数据与掩膜，不带放疗计划链路的原生对象。与放疗数据工程（尤其是 TCIA 系放疗数据集）打交道的团队，需要知道这层剥离的含义：

DICOM-RT 对象是什么：放疗科的标准数据对象族——RT Image、RT Structure Set（RTStruct，医生勾画轮廓的标准容器）、RT Plan（剂量处方与机器参数）、RT Dose（剂量分布）。TCIA 上的放疗数据集（如 LCTSC、NSCLC-Radiogenomics）多以 DICOM + RTStruct 形态发放。
SegRap 的形态选择：组织方把 RTStruct 轮廓栅格化为 3D/4D 掩膜并以 mha 发放——对分割算法开发者是减负（不用解析 DICOM-RT 嵌套结构），对剂量工程研究者是缺料（没有 RT Plan/RT Dose，做不了剂量重算研究）。
往返转换的现实：若你的管线需要 RTStruct（如与临床 TPS 互通），可用 platipy/rt-utils 等库把掩膜反向打包成 RTStruct——但患者定位信息（原 DICOM 引用）已剥离，生成的 RTStruct 只能挂在你自己的 CT 副本上，不再与原计划链路对账。
HU 与剂量计算的衔接：mha 保留了 HU 值，因此 HU→RED（相对电子密度）转换曲线照常可用——做"自动勾画 → 剂量影响评估"的完整模拟是可行的，只是处方与机器参数需要自行设定（数据集不含 RT Plan）。
跨数据集工程提示：与 TCIA 放疗数据混用时，统一到 mha/NIfTI + 掩膜形态最省力；保留各数据集的原始 spacing 元数据（SegRap mha 内嵌 spacing，读取时勿丢弃），避免在重采样时偷偷改变几何。

一句话总结：SegRap 是"面向分割算法"的放疗数据，不是"面向剂量工程"的放疗数据——前者拿它当主粮，后者拿它当勾画输入源、剂量部分另寻。

§4 双任务定义：Task01 与 Task02

4.1 Task01：45 OAR 分割

任务：对给定 ncCT+ceCT 配对输入，输出 45 个危及器官的分割掩膜。评测以逐器官 DSC/NSD 计算后按器官排名再平均。
输入：预对齐双模态（两个目录各一个 mha）；参赛者可自由决定用单模态、双模态或模态融合。
输出：4D mha，形状 [45,*image_shape]——注意是 45 通道的评测口径，若你的模型按 58 子部分或 29 类内部表示训练，须在输出端完成到 45 通道的映射（冠军方案 §8.2 正是围绕这个映射做文章）。
难度结构：大 OAR（脑、腮腺、下颌骨、脊髓）上 nnUNet baseline 已达 84.65% DSC；小 OAR（晶状体、耳蜗、鼓室、前庭半规管、内听道）的逐器官 DSC 显著拖后腿——最终排名主要由小器官的表现分层，这正是冠军用 128³ ROI 边界精修提高小结构分辨率的原因。

4.2 Task02：GTV 分割

任务：输出 GTVnx（GTVp）与 GTVnd 两个大体肿瘤体积掩膜，4D mha 形状 [2,*image_shape]。
难度结构：GTV 边界模糊 + 散在淋巴结漏检风险，使得该任务整体水位低于 Task01 一个台阶（全部提交 DSC 70.42%-73.44%，无队过 80%，见 §8.4）。Task02 参赛者普遍的策略是用 ceCT（增强后肿瘤更醒目）作为主输入，配 TotalSegmentator 类全身先验做 ROI 裁剪以聚焦头颈区域。
与临床的衔接：GTV 自动勾画的临床验收标准不是 DSC 数字本身，而是"误差是否在医生可修正的合理范围"；论文对 top3 的漏检案例分析与统计不显著结论（§8.4）如实反映了这一现实的严峻。

4.3 评估指标体系：DSC + NSD 双指标排名

DSC（Dice Similarity Coefficient）：体素重叠度的标准度量，2|A∩B|/(|A|+|B|)。对小结构敏感度不足（小体积下几体素误差即大幅波动），是评估委员会选择加测 NSD 的原因。
NSD（Normalized Surface Dice）：在给定容差带内统计两分割边界互相落入对方容差带的比例，衡量边界贴合度；对毫米级小器官的边界误差更敏感。官方评测容器基于 Evalutils + MedPy 实现自动评估。
排名策略：每个 OAR（或 GTV 通道）独立计算 DSC 与 NSD 并在所有队伍中排名，将各结构的排名平均得到队伍总分——"rank-then-aggregate"思想，抑制单一结构极端值对总排名的操纵。
漏检记 0 分：若某队伍完全漏检某目标（预测为空），该目标计 0 分。该规则在 Task02 的 GTVnd 上惩罚显著——散在淋巴结的漏检会直接把该通道分数打穿。
双指标并存：最终排名同时报告 DSC 与 NSD 两套排名；两套排名大体一致但不完全相同，论文正文按两套口径分别报告 top3。

4.4 提交与评估的工程形态

验证期：在线提交预测结果文件（grand-challenge 平台上传），每队每任务可提交 5 次，即时反馈分数用于调参。
测试期：改为 Docker 容器一次性提交——队伍将算法打包成符合平台规范的容器镜像，官方环境在保密测试集上运行。容器须实现标准输入输出：读取 head-neck-ct/ 与 head-neck-contrast-enhanced-ct/ 目录中的 mha，写出对应形状的 4D mha。
技术报告要求：测试期提交须随附技术报告；Task01 有 2 支提交因无技术报告被剔除（12 队提交、10 队有效，见坑 4 的口径辨析）。
官方代码基建：HiLab-git/SegRap2023 提供 baseline 训练与 Docker 打包教程；评估端容器由组织方维护。对想在本地复现评测的使用者，Evalutils/MedPy 的组合与 grand-challenge 官方算法模板是起点，但测试集缺失决定了本地只能对训练集做交叉验证。

4.5 得分计算流程示例

用一个人造小例演示官方排名逻辑（数字为示意，非真实成绩）：

逐结构计分：队伍 A 在 45 个 OAR 上各得一个 DSC 与一个 NSD。设其在"耳蜗 L"上 DSC=0.62、NSD=0.71，在"腮腺 R"上 DSC=0.91、NSD=0.93……逐结构如此。
逐结构排名：对每个结构，把 10 支队伍的 DSC 排序（漏检=0 分垫底），得到队伍 A 在"耳蜗 L"上的 DSC 排名（如第 3）、NSD 排名（如第 2）；45 个结构 × 2 指标 = 90 个排名。
队伍总分：90 个排名的均值即队伍 A 的 Task01 总排名分；排名分最小者（平均名次最靠前）为冠军。
Task02 同构：仅 2 个通道（GTVnx/GTVnd）× 2 指标 = 4 个排名均值。

这套流程的三个后果：

小结构权重与器官体积无关：耳蜗 L 的一票与脑的一票等值——为小器官优化的方法获得制度性回报，这与"按体素加权"的分数体系完全不同。
漏检的惩罚被放大两次：该结构记 0 分垫底（排名最末），且连带其 NSD 同样垫底。
单结构意外翻车不致命：45 个结构的平均化吸收了单点失误——这是"稳健全覆盖"策略（冠军路线）优于"局部冒险"策略的制度环境。

4.6 与 LCTSC / PDDCA 任务定义的对比

维度	SegRap 2023	PDDCA（2017）	LCTSC（2017，TCIA）
模态	ncCT+ceCT 预对齐双模态	单模态 CT	单模态 CT
OAR 数	45（58 子部分）	9	7（肺/心/食管/脊髓等）
GTV/靶区	2 GTV 通道（Task02）	无	无
规模	200 患者	9 患者	60 患者
评测	DSC+NSD，rank-then-aggregate，在线容器	Dice，离线	Dice（社区自评为主）
获取	官网网盘 + EUA 请求制	官网（早期开放）	TCIA 标准发放（DSP 协议）
测试集	60 例保密	无独立 hidden test	无

对比结论：从 PDDCA 到 SegRap 的六年间，头颈放疗分割数据集在**器官粒度（9→45）、模态设计（单→双）、赛制工程（离线→容器制 rank-then-aggregate）**三个轴上全面升级；而 LCTSC 代表的另一极（TCIA 标准化、许可清晰、无赛制）则展示了"数据集即基础设施"的路线——SegRap 在数据粒度上走了前者，在发放合规上却落后于后者（§10.3 DAIMS 的 A 维 2.5 分的语境）。

4.7 小器官为什么难：一次尺度算术

45 OAR 里把队伍分数拉开的是毫米级结构，值得做一次尺度算术看清难度来源：

典型尺度：晶状体约 8-10mm 径、耳蜗约 7mm、鼓室与前庭半规管 3-5mm 级、内听道约 5mm 长径。以常见 CT 分辨率（1×1×2-3mm 重建）计，鼓室或半规管的全部体素可能不足 100 个体素，部分切片上仅 3-5 个体素宽。
部分体素效应：边界穿越体素的 HU 是两种组织的混合值，硬阈值二值化在小结构上系统性偏大或偏小——这是 DSC 在小器官上"天生"波动大的物理根源，也解释了评测委员会为什么加测 NSD（边界带内比例对部分体素效应的敏感度低于区域重叠）。
分辨率-视野权衡：全头颈视野下高分辨率卷积需要超大显存；冠军的 128³ ROI 精修（§8.2）本质是把"小器官局部的有效分辨率"提升一个量级而不动全局管线。季军的大 patch（48×256×256）是同一问题的另一解法。
对标注的反馈：结构越小，观察者间轮廓差占结构体积的比例越大——耳蜗的 inter-rater DSC 本身可能只有 0.7-0.8 量级（域内常识，非 SegRap 论文数据）。这意味着小器官上的"模型 vs 医生"比较，天花板不是 1.0 而是标注一致性本身。
工程启示：做小器官分割，优先级排序是输入分辨率（ROI 精修/大 patch）> 标签口径正确（§3.9）> 损失函数选择 > 网络结构更换——冠军两阶段方案的投资分布正是这个排序。

§5 标注协议与数据质量

5.1 标注者与工具

标注者：放疗肿瘤医生（oncologists）——不是医学院学生或外包标注团队，这与数据集"临床验收级"的定位一致。NPC 的 GTV 勾画本就是放疗医生的核心临床技能，45 OAR 的临床指南级勾画亦须放疗科背景。
工具：MIM Software 与 ITK-SNAP 双软件配合。MIM 是放疗科主流的商用计划/勾画软件（其自动勾画模块本身是本数据集要挑战的"在位者"技术），ITK-SNAP 提供开源的精细修整能力；两者组合兼顾临床工作流习惯与精修自由度。

5.2 逐器官单独标注与存储

论文明确描述：每个器官单独标注、逐器官单独存储（annotation of each organ was also stored individually）。这个协议设计的含义：

规避商业软件多标签掩膜的限制：MIM 等软件按结构对象管理勾画，天然输出逐对象轮廓；统一掩膜是后来的工程整合。
重叠区得以存在：逐器官独立勾画意味着两个器官可以同时主张同一体素（海马⊂脑），这正是 58 子部分方案的重叠区来源；若是统一掩膜约束下标注，重叠根本不会发生。
整合口径的自由度：逐器官原始数据允许使用者按自己的研究目的重定义合并策略（官网 45、第三方 54、冠军 29 三种整合并存即是证据）——代价是口径分叉的工程成本（坑 5）。

5.3 重叠标注问题的来龙去脉

把 §3.7 的两条缺陷串成一条时间线：

训练集标注（2023 上半年，随赛发布）：放疗医生按临床习惯逐器官勾画，重叠像素被保留；官网以"部分相邻器官区域被标注为多种类型"（pixels were annotated as multiple types）明示。
58 子部分方案：为在不推翻原始标注的前提下结构化数据，官方把 45 器官展开为 58 个互斥子部分（重叠区单列），并提供固定策略合并回 45。
验证/测试集精修：验证与测试集的注释重新精修以避免重叠——评测端的"地面真值"是互斥的统一掩膜口径。这意味着：训练分布（可重叠的逐器官口径）与评测分布（互斥口径）存在系统性差异，模型输出端需要做互斥化处理（argmax 或层级优先规则）才能与评测规范对齐。
对使用者的可操作建议：如果你用训练集自训模型，输出层显式做互斥化（按解剖层级：脑>海马、中耳>鼓室等）通常比直接回归重叠掩膜更接近官方评测口径；这正是冠军方案"结构特定标签生成"的思想（§8.2）。

5.4 去标识化与伦理处理

影像经去标识化（面部朝向信息与 DICOM 头剥离，mha 格式本身不携带患者身份字段）。
数据使用与发布经四川省肿瘤医院/四川省癌症防治中心伦理途径批准；论文披露 NSFC 与四川省科技计划等多项资助（§9.2）。
EndUserAgreement（§6.2）本身也承担伦理承诺功能：签署者须承诺不尝试重识别、不向未授权第三方再分发。对机构内合规审查而言，EUA 文本是最重要的存档文件。

5.5 已知的数据质量局限（汇总）

训练/验证-测试标注规范不一致（重叠处理不同，§5.3）；
标签口径四套并存（45/58/54/29，§3.4）；
单一中心、单一设备协议（§3.2）；
测试集封闭导致外部无法复现官方成绩（§6.5）；
GTV 边界的观察者间变异未被量化发布（论文未提供双医生重复勾画的 inter-rater 数据）；
官方 mha 与第三方 nii 流传版本并存，加载链路须自行确认（坑 5）。

5.6 标注工具链：MIM 与 ITK-SNAP 的分工

论文与官网披露的"双软件"标注组合，背后是放疗科勾画工作的真实分工：

MIM Software：放疗科主流商用软件，提供 OAR 自动勾画（atlas/深度学习模块）、计划评估与 DICOM-RT 对象管理。用它起笔意味着医生的勾画往往始于自动结果、成于人工修正——这是放疗勾画的行业常态，也意味着 SegRap 的"手工标注"更准确的描述是"医生验收级标注"（与放射科阅片标注的纯人工形态不同）。商业软件的产品形态也解释了逐器官存储（§5.2）的来由：MIM 按结构对象管理轮廓。
ITK-SNAP：开源的半自动分割工具，提供活动轮廓（active contour）与逐切片精修能力。用它精修意味着小器官的边界（耳蜗、晶状体）可以做到亚毫米级的逐层修整——45 OAR 里最细粒度的结构（喉亚区、听骨链路）大概率依赖这一层工序。
对使用者的含义：其一，不要期望标注是"零自动辅助的纯手工"，它代表的是"临床验收标准下的最终轮廓"——这恰恰是 auto-contouring 研究想要的监督信号；其二，复现标注协议（如做主动学习或标注一致性研究）时，MIM+ITK-SNAP 的组合与纯开源栈（3D Slicer）的行为差异要纳入设计。

§6 获取方式、版本链与 License

6.1 分发渠道全景

SegRap 2023 的分发体系是"官网页 + 两大网盘 + 一个平台"的三件套：

渠道	内容	条件
官网 dataset 页（segrap2023.grand-challenge.org）	训练/验证数据的 Google Drive 与百度网盘链接、解压密码申领说明	页面公开
Google Drive	训练集与验证集 zip、baseline 示例数据与模型权重	zip 带密码，密码按 §6.2 流程获取
百度网盘	同上内容的国内镜像（解压密码 segrap2023@uestc）	同上
grand-challenge.org 平台	验证集在线评测（赛期）、算法容器托管	平台账号
HiLab-git/SegRap2023（GitHub）	baseline 代码、Docker 教程、标注说明	公开
Astarakee/segrap2023（GitHub）	Task02 冠军模型与推理 Docker	公开（license 字段未明确标注）

要点：全部数据资产走网盘而非 Zenodo/TCIA/PhysioNet 等结构化仓储。网盘链接不受版本控制与 DOI 保护，这是该数据集 AI-Ready 光谱上的主要短板（§10.3 DAIMS 的 A 与 S 维扣分主因）。

6.2 EndUserAgreement 请求制流程

训练集的获取流程在官网 dataset 页有明确条款，逐条照录（中译）：

下载 EndUserAgreement-SegRap2023 表格（PDF）；
填写并签署，将文件重命名为 EndUserAgreement-SegRap2023-*Your-Name*.pdf；
扫描后发送至 xiangde.luo@std.uestc.edu.cn；
约 2 天内回复训练集 zip 的解压密码；
邮箱后缀须与申请人所属机构一致（real-name 核验，个人邮箱可能被拒）。

流程解读：

密码请求制 ≠ 开放获取：验证集无需条件，训练集要"签字+邮件+等回复"——属于数据集光谱上"注册制/请求制"一档（比 TCIA 的 Data Usage Agreement 在线确认更重，比 DBgap 类受控访问轻）。
官网自相矛盾条款：同一页面先写赛后训练集 “can be downloaded without any additional requirements”，又给出上述 EUA 流程——两条款并存（坑 2）。实测口径以 EUA 流程为准（训练 zip 有密码保护是既成事实）。
"数据共享已停止"的历史条款：官网另有 “data sharing stopped after the submission deadline on July 10, 2023” 的表述，指赛期内自由共享期结束；赛后转 EUA 流程继续发放（坑 8）。三个条款放在一起读才不会迷路：赛期自由共享 → 截止停止 → 赛后 EUA 请求制恢复。

6.3 License 三口径存照

对象	License 口径	来源
数据集本体	无标准化开源 license——无 CC/OSI 标注，靠 EndUserAgreement 协议约束	官网 dataset 页与 GitHub 均无数据 license 字段
数据解压密码发放	EUA 签署 + 机构邮箱核验（合同性约束，非著作权 license）	官网 dataset 页
论文预印本（arXiv:2312.09576）	CC BY-NC-ND 4.0	arXiv 页与 Brunel 仓库存照
论文正式版（MedIA）	Elsevier 版权（© 2025 Elsevier，PubMed 存照）	PMID 39756265
冠军代码（Astarakee/segrap2023）	GitHub 仓库无明确 license 标注（默认保留所有权利）	仓库页面

工程含义：把 SegRap 数据再分发（镜像上传、打包进基准、商业产品集成）没有 CC 条款可依，唯一依据是 EUA 文本中的使用承诺；NC/ND 类限制（非商业、禁衍生再分发）虽未以 CC 语言写明，但 EUA 的签署式约束在实践中按最严格口径执行最稳妥。引用义务是明确的：使用 SegRap 数据集须引用总结论文（MedIA 2025,101:103447，§9.5）。

6.4 无官方 Zenodo DOI：一次方向提示的证伪记录

本条目核验阶段，任务简报曾提示"Zenodo DOI 须核验"。三轮检索的结果是证伪：

论文（arXiv 摘要页、ScienceDirect 页、PubMed）的数据可用性声明指向官网与网盘，无 Zenodo 引用；
官网 dataset 页全部链接指向 Google Drive 与百度网盘，无 Zenodo 记录；
GitHub 官方仓库 README 与 awesome 系汇总页（Awesome-Medical-Dataset 等）均无 SegRap 的 Zenodo DOI。

风险提示：检索 “SegRap Zenodo” 可能命中 HaN-Seg（头颈 OAR 数据集，Zenodo 记录 7442914）或其他头颈数据的 Zenodo 页——两者同为头颈 OAR 分割域，极易张冠李戴（坑 1）。凡引用 SegRap 数据，一律以官网 dataset 页为准；引用本条目时数据来源字段应写官网而非任何 Zenodo 记录。

6.5 合规速查清单

拿数据：验证集（免申请直下）；训练集（签 EUA→邮件→等密码→解压）；测试集（拿不到，走官方在线评测）。
用数据：非商业研究最稳；再分发前重读 EUA；引用论文 MedIA 2025,101:103447 + 官网。
复现评测：本地只能对训练集做交叉验证；官方测试分数不可本地复现（测试集不公开）。
发布模型：报告训练数据口径（120 例、哪套标签整合）；若用 grand-challenge 算法容器托管，遵守平台条款。
代码复用：冠军代码（Astarakee/segrap2023）与官方 baseline（HiLab-git/SegRap2023）均公开，但前者无 license 标注——复用代码本身同样要谨慎（默认版权保留）。

6.6 EUA 申请邮件与回复流程模板（示意）

按官网条款整理的申请操作卡（邮箱、流程为官方口径；邮件文本为示意，以官网现行条款为准）：

第一步：从官网 dataset 页下载 EndUserAgreement-SegRap2023（PDF），填写申请人姓名、机构、研究用途，签署。

第二步：重命名文件为 EndUserAgreement-SegRap2023-YourName.pdf（官方明确要求此命名模式，仅接受 PDF）。

第三步：用机构邮箱发送至 xiangde.luo@std.uestc.edu.cn（后缀与机构一致的 real-name 核验；QQ/Gmail 等个人邮箱后缀可能被拒）。

第四步：等待约 2 个工作日的回复，取得训练集 zip 解压密码（验证集压缩包的密码 segrap2023@uestc 为公开口径，训练集密码以邮件回复为准）。

常见退回原因：EUA 未签或签名页缺失、文件命名不符、个人邮箱后缀、用途栏留空。一次过审的关键是把四项全部对齐官网字面要求。

6.7 数据管理者视角的合规评估

如果你是机构里的数据管理员/合规审查人，面对"团队想用 SegRap 训练集"的申请，评估清单如下：

性质判定：SegRap 训练集属"公开可获得但非开放许可"数据——可公开下载的形态 + 合同性（而非著作权性）的使用约束。不要套用 CC 系矩阵，以 EUA 文本为唯一约束文件。
留档要求：把签署完成的 EUA、申请邮件、密码回复邮件三件套归档——EUA 是机构对外的合规凭证。
再分发红线：EUA 签署人资格绑定个人/机构，向第三方转交数据或密码大概率越界；团队内共享以同一机构签署人为前提，跨机构合作方应各自申请。
发表与许可声明：论文/报告中写数据来源时引官网 + MedIA 论文（§9.5），不写任何 CC 许可（数据本体没有）；注意 NC 倾向——商业性用途（含商业化产品的训练）在 EUA 框架下基本无路，应提前告知团队。
替代方案评估：若合规成本不可接受，HaN-Seg（CC 系、Zenodo）与 LCTSC（TCIA/DSP）是头颈/放疗 OAR 域的低摩擦替代——但器官粒度与双模态配对均不及 SegRap（§10.1 的取舍逻辑）。

6.8 获取失败与替代路径

EUA 申请被拒、网盘链接失效、或机构合规否决时的三条替代路径，按"离 SegRap 多近"排序：

近替代：SegRap2025 的数据（若其发放更开放）：260 GTV + 402 LN CTV + 500 无标注，任务覆盖面不同（CTV vs OAR）但 GVT 勾画主体延续；先读其官网条款再决定。
同域替代：HaN-Seg（447）：30 类头颈 OAR、CT/MR 配对、Zenodo 即下。损失：器官粒度（无喉亚区/听骨链路细分的完整对齐）、无双模态 CT、无 GTV。适合"头颈 OAR 自动勾画"的宽口径研究。
放疗域替代：LCTSC（277）：TCIA 标准发放、DSP 在线协议、60 例胸部 OAR。损失：从头颈变胸廓、无 GTV。适合"放疗 OAR 分割管线调试"这种对域精度要求低于对流程合规要求的场景。

组合策略：不少研究组的实际做法是 HaN-Seg 上做方法原型（零摩擦）+ SegRap 训练集上做主实验（等 EUA 期间并行推进）——两条路径的时间差用原型开发消化。

6.9 坑点清单：十个高频坑

以下坑点按"踩中概率 × 修复成本"排序整理，编号供全文交叉引用。

坑 1：把别人的 Zenodo 记录当成 SegRap 的

SegRap 2023 没有官方 Zenodo DOI（三轮检索证伪，§6.4）。头颈 OAR 域的 HaN-Seg（Zenodo 7442914）与若干头颈 MRI/CT 数据集有 Zenodo 记录，检索词稍泛就会错配。后果：引用失效、合规声明落空。修复：一律以官网 dataset 页为数据来源；引用链写 “segrap2023.grand-challenge.org”。

坑 2：官网 dataset 页的自相矛盾条款

同页并存"赛后训练集无需任何附加条件即可下载"与"须签署 EndUserAgreement 换 zip 密码"两句话。按前者理解会卡在解压密码上。修复：以 EUA 流程为准；训练 zip 有密码是既成事实，密码在邮件回复中获取（§6.2）。

坑 3：注册队伍数双口径

论文正文口径 387 队注册并下载训练数据；媒体（cryptorank、斯德哥尔摩大学新闻稿）口径 395 队，并附 “China and the US leading in registrations” 的地域分布描述。两口径差异约 2%，写综述时建议采用论文口径并脚注媒体口径；不要把 395 当成"论文数字"引用。

坑 4：Task01 测试期提交数的三种口径

摘要口径：“10 complete submissions”（10 个完整提交）；
正文口径：“12 teams submitted containers，2 队因未提交技术报告被剔除”（12 提交、10 有效）；
媒体口径：“>30 models evaluated”（验证期+测试期的累计评估模型数，非队伍数）。
三个数字各自成立但指向不同。写"测试期有效队伍数"用 10；写"提交过的队伍数"用 12；"30+ 模型"是混合口径，勿与队伍数混用。

坑 5：标签数四口径混用（45/58/54/29）

官网挑战赛口径 45 OAR；官网数据文件口径 58 子部分（左右拆分+重叠区单列，附固定合并策略）；第三方汇总口径 54 标签统一掩码（9 个重叠区标签）；Task01 冠军内部口径 29 类（左右合并+重叠归并）。用错口径的典型事故：以 45 通道代码读 58 通道掩膜导致标签错位、评测复现失败。修复：拿到数据先数掩膜通道数；跨论文比较先对齐口径（§3.4）。

坑 6：论文年份双口径（2024 vs 2025）

DOI 编号 10.1016/j.media.2024.103447（2024 年在线），正式卷期 Vol.101 落于 2025-04（Yonsei 图书馆 Issue Date 2025-04、官方 GitHub 自述 “[SegRap2023&MedIA2025]”、NWPU 引用 2025 apr）。引用建议采用卷期口径（Medial Image Analysis 2025;101:103447），DOI 照抄原串（含 2024）即可——DOI 字符串里的年份不等于出版年。

坑 7：中文媒体译名与"冠军"口径偏差

网易 MICCAI 2023 战绩稿称该赛事为"头颈肿瘤描边2023"，并称"佳能医疗（中国）团队和上海人工智能实验室团队包揽了冠军和季军"——此"冠军"仅指 Task01；Task02 冠军为瑞典斯德哥尔摩大学的 Mehdi Astaraki，该稿未提。检索中文报道、撰写中文综述时须补全双任务口径，否则会漏掉 GTV 赛道的冠军信息。

坑 8：误以为数据已停发

官网 “sharing stopped after the submission deadline on July 10, 2023” 指赛期自由共享结束；EUA 请求制在赛后继续发放训练集密码（§6.2 的三段式时间线）。看到"停止共享"字样就放弃申请是常见误判。

坑 9：训练集与评测集标注规范不一致

训练集保留器官重叠像素（海马⊂脑、中耳与鼓室等），验证/测试集经精修避免重叠。在训练集上自算的 Dice 与官方验证/测试分数之间不存在严格可比性；输出端不做互斥化处理可能系统性吃亏（§5.3 的可操作建议）。

坑 10：GTV 前三名的"冠军领先"无统计支撑

论文 Table 9 显示 Task02 top3 之间的 DSC 差异多不显著（GTVp 的 p 值 0.55/0.16/0.18，GTVnd 的 0.68/0.17/0.12 等），且前三存在欠分割甚至漏检案例。引述"GTV 分割 SOTA"时须附上这一不确定性；任何把 73.44% 与 70.42% 之间的差距解读为显著方法学进步的说法都超出了论文证据。

§7 挑战赛设计与赛制沿革

7.1 三阶段赛制总览

SegRap 2023 采用 grand-challenge.org 平台的标准三阶段赛制，任务分双赛道并行：

阶段	时间	数据	提交方式	目的
训练期	2023 上半年（数据发布起）	训练集 120 例（带标注）+ 验证集 20 例	无评测，自行训练	建模与调参
验证期	2023-07-10 ~ 2023-08-20	验证集 20 例（无标注）	在线提交预测文件，每队每任务 5 次	即时反馈调参
测试期	验证期结束后	测试集 60 例（保密）	Docker 容器一次性提交 + 技术报告	最终排名
公布	2023-10-12（MICCAI 温哥华挑战赛 event）	—	—	排名发布与颁奖

赛制细节：

数据共享与提交截止联动：训练数据自由共享随提交截止（2023-07-10 12:00 AM GMT）而停止——先交结果、后拿数据的窗口设计，防止参赛者"用官方评测逆向调参"过深（坑 8 的语境）。
验证期提交次数限制（每任务 5 次）：控制过拟合验证集的尝试次数；对照不少挑战赛的 1 次/日或无限次设计，5 次总量属偏紧的一档。
测试期容器制：一次性提交意味着没有"试错-重提"循环，算法鲁棒性（不同设备协议、不同解剖变异下的稳定性）成为隐性评分项。

7.2 参与规模：注册、提交与评估的漏斗

参与数据按漏斗层级呈现（论文口径为主）：

注册层：387 队注册并下载训练数据（媒体口径 395 队，坑 3）。
验证期层：媒体口径 Task1 收到 >150 个模型提交、Task2 >70 个；最终每任务 >30 个模型获得评估（此为验证期+测试期的混合口径，坑 4）。按此推算，从注册到实际提交模型的转化率约 8%-40% 区间——grand-challenge 系挑战赛的典型漏斗形状。
测试期层：Task01 12 队提交容器（10 队有效，2 队无技术报告被剔除）；Task02 11 队有效提交。
论文报告层：总结论文以 10（Task01）+ 11（Task02）支有效队伍的方法与结果为主体，冠军方法另经作者栏并入。

对赛制研究者的观察：387 注册 vs 10-11 有效测试提交的漏斗比，与 MICCAI 系挑战赛（AutoPET、CrossMoDA 等）的量级一致——注册门槛低而容器制测试门槛高，是"宽进严出"赛制的结构性特征，不是组织失败。

7.3 评估基建与排名策略的工程实现

评估容器：官方评估算法基于 Evalutils（grand-challenge 官方评估框架）+ MedPy（医学影像指标库）实现，DSC/NSD 双指标自动计算。
rank-then-aggregate：逐结构（45 OAR 或 2 GTV）独立排名→队伍内平均排名→总分。该策略使"在某几个器官上极端强"与"全面中上"的队伍获得不同的总分形态，鼓励全覆盖均衡方案——冠军方案在 >30 个 OAR 上全场最佳正契合这一导向。
双任务独立排名：Task01 与 Task02 各自独立成榜，一支队伍可只参加一个任务；Astaraki 跨榜参赛（Task02 第 1、Task01 第 6）说明双榜设计有效支持了方法迁移验证。
结果公示：最终排名在 MICCAI 2023 温哥华挑战赛 event（2023-10-12）公布；论文随后固化了双指标的完整表格（§8.2-§8.4）。

§8 基准水位与方法生态

8.1 baseline：nnUNet 的水位线

官方 baseline 为 nnUNet（v2 生态的标准流程：五折交叉验证 + 集成 + 自适配预处理）：

指标	baseline nnUNet（Task01）
DSC	84.65%
NSD	82.88%

水位解读：

84.65% 的 DSC 意味着"不加任何定制设计、按 nnUNet 标准流程跑通"即可越过 84 分——45 OAR 中的大器官贡献了主要分数。论文结论据此称大 OAR 分割"已经较好解决"。
但 6 支队伍的双指标仍超过 baseline，且超过的方式高度依赖小器官与 GTV 边界处理（§8.2）——baseline 水位是"地板"而非"天花板"。
Task02 没有单独的官方 baseline 数字按同表口径发表；社区参照 nnUNet 直接迁移的结果普遍落在 70% 出头，与有效队伍的下沿相当（§8.3）。

8.2 Task01 排名与冠军方法拆解

测试期 Task01 有效队伍 10 支；全部提交的平均 DSC 落在 76.68%-86.70% 区间，top3 平均指标均超 86%（arXiv v1 口径：DSC 86.14%±9.58% / NSD 86.12%±12.79%，per-OAR 均值的均值±标准差）。排名前三：

名次	队伍（论文口径）	机构	方法要点
冠军	Y. Zhong et al.（Yunxin Zhong, Shuolin Liu, Bing Han）	Canon Medical Systems (China) Co. Ltd.（佳能医疗(中国)，北京）	结构特定标签生成（45→29 类）+ 128³ ROI 局部边界精修双阶段 + nnUNetV2
亚军	Y. Ye et al.	西北工业大学	UniSeg 多数据集预训练 nnUNet + 双模型集成
季军	Y. Su et al.	上海人工智能实验室	vanilla nnUNet + 大 patch（48×256×256）+ 禁用镜像增强

冠军方法（Y. Zhong et al.）的两阶段设计值得拆开看：

结构特定标签生成：把官方 45 OAR 按左右配对与耳部/口腔重叠规则重组为 29 个内部类别，训练在 29 类空间进行——这是对 §3.4 标签口径与 §5.3 重叠问题的正面回应：类别重组后，模型不再需要在嵌套器官间做隐式仲裁。
128³ ROI 边界精修：第一阶段全分辨率粗分割后，以小器官为中心裁 128³ 立方区域做第二阶段精修——本质是"给小器官一次高分辨率重看"的机会，直接针对小 OAR（耳蜗、晶状体、鼓室）的边界精度，也正是 NSD 指标的敏感面。
底座 nnUNetV2：两阶段均为 nnUNetV2 流程，无自定义网络结构——方法的全部增量在标签工程与多阶段调度，不在骨干创新。这一"重数据工程、轻结构创新"的冠军配方是近年医学分割挑战赛的稳定模式。

机构口径互证：论文 PubMed 记录的机构栏明确 “Canon Medical Systems (China) Co. Ltd.”；网易 MICCAI 2023 战绩稿"佳能医疗（中国）团队获冠军"与论文对上（坑 7 的"冠军"仅指 Task01）。

8.3 Task02 排名与冠军方法拆解

Task02 有效队伍 11 支；全部提交的平均 DSC 落在 70.42%-73.44%，无一队 DSC 或 NSD 过 80%。排名前三：

名次	队伍（论文口径）	机构	方法要点
冠军	M. Astaraki et al.	Stockholm University（医学辐射物理系）+ KTH	HU clamp（ceCT [-1000,1000] / ncCT [-600,600]）+ TotalSegmentator 裁剪 + nnUNetV1 五折 600 epochs
亚军	Y. Ye et al.	西北工业大学	UniSeg（同 Task02 版本，1000 epochs）
季军	Z. Xing et al.	HKUST-GZ	五模型 TTA 集成

冠军方法（M. Astaraki）的方法链：

预处理与强度对齐：对两模态分别做 HU clamp——ceCT 全幅 [-1000,1000]、ncCT 收紧到 [-600,600]，实质是强度协调（intensity harmonization），把两模态的 HU 分布规整到对 nnUNet 友好的区间。
TotalSegmentator 裁剪：用现成的 TotalSegmentator（全身多结构分割工具）在输入上先定位头颈 ROI，把无关体素裁掉——零训练成本的先验裁剪，聚焦模型容量。
nnUNetV1 五折、600 epochs：刻意使用 nnUNetV1（而非 v2）与较长训练轮数；其方法论文（arXiv:2310.02972，Astaraki, Bendazzoli, Toma-Dasu）完整披露了流程，代码开源在 github.com/Astarakee/segrap2023（Docker 推理镜像随附）。
跨榜验证：同一套方法在 Task01 排第 6（其 GitHub 自述 first rank task2 / 6th rank task1）——一个务实的旁证：OAR 与 GTV 两任务的最优策略并不同构。

Astaraki 的胜利配方同样是"重预处理与先验、轻骨干"：强度对齐 + 现成解剖先验 + 标准 nnUNet，没有自定义网络。对照 §8.2 的佳能医疗(中国)方案，两个冠军殊途同归。

8.4 统计显著性与论文的核心结论

论文对结果的三层统计解读：

Task01 分层明显：6 队双指标超 baseline；冠军在 >30 个 OAR 上全场最佳、其余多数结构前 3——"结构特定标签生成+精修"的增益在逐结构排名上稳定兑现。
Task02 前三名次差异多不显著：top3 之间逐通道 DSC 的 p 值普遍 >0.05（GTVp：0.55/0.16/0.18；GTVnd：0.68/0.17/0.12 等）——"谁是真的 Task02 第一"在统计上并不牢固（坑 10）；前三存在欠分割与漏检案例，GTVnd 漏检在 0 分规则下代价巨大（§4.3）。
总结论：大 OAR 分割已被现有方法较好解决（>80%），GTV 与小/薄壁 OAR 仍远离临床要求——GTV 无一过 80%，小器官的逐结构分数仍是全场最低段位。这段结论是理解后继赛事 SegRap2025 立项逻辑（转向 GTV+LN CTV，§9.3）的直接依据。

8.5 方法生态的横向观察

把 10+11 支队伍的方法论归堆，可提炼四条生态观察：

nnUNet 系通吃：所有 top3 与 baseline 均以 nnUNet（v1 或 v2）为底座；任务增量发生在标签工程（29 类重组）、多阶段精修（128³ ROI）、先验裁剪（TotalSegmentator）、集成与 TTA。
预训练迁移路线出现：亚军 UniSeg（西北工业大学）走多数据集联合预训练路线，跨 Task01/Task02 双榜进入前三——预示"放疗域基础模型"路线在后续挑战赛（含 TrackRAD2025 等）的持续升温。
双模态利用不充分：冠军与多数队伍实际上以单模态为主或仅做简单强度处理，ncCT+ceCT 配对的信息融合（跨模态注意力、模态翻译）未成为主流——双模态数据集的算法潜力仍未被参赛方法吃满，对后来者是明确的开放空间。
小器官边界是分层器：NSD 与小 OAR 的逐结构表现构成队伍间主要分差；任何后继工作若想刷新 Task01 榜单，投入小器官边界精度（更高分辨率 ROI、边界感知损失）仍是确定性最高的抓手。

7.4 与同届 MICCAI 挑战赛的赛制对照

把 SegRap 2023 放回 MICCAI 2023 同届挑战赛群像中对照（库内已有的几例为参照）：

赛事	模态/任务	评测制	获取制	与 SegRap 的差异点
SegRap 2023	ncCT+ceCT 双模态，OAR+GTV 双任务	DSC+NSD rank-then-aggregate，容器制	网盘 + EUA 请求制	双模态配对与双任务解耦是特色
AutoPET（autopet, 468）	FDG-PET/CT，肿瘤病灶分割	容器制、F1 系指标	公开下载	单任务、多中心数据池更大
CrossMoDA 2022（crossmoda2022, 647）	MRI 跨模态（ceT1→iT2）	容器制、Dice+HD95	Zenodo 公开	"无配对跨模态"设计，与 SegRap 的预对齐形成光谱两端
instance2022（instance2022, 645）	显微镜实例分割	容器制	公开	非医学放疗域，验证 rank 系评估的普适性
LNQ 2023	胸部 CE-CT 淋巴结	rank-then-aggregate	TCIA CC BY 4.0	同届同评估哲学，但获取走 TCIA 开放路线

对照观察：MICCAI 2023 届的主流已是"容器制 + rank 系评估"；真正的分化变量是获取制——TCIA/Zenodo 路线（LNQ、CrossMoDA）以开放换传播，网盘+EUA 路线（SegRap）以控制换合规简化。从后续引用与社区采用看，开放路线的数据集在长尾使用上明显占优，这为 SegRap2025 的发放策略选择提供了前车之鉴。

7.5 赛制设计的得失评述

以挑战赛方法论视角复盘 SegRap 2023 的设计取舍：

得：

双任务解耦：OAR 与 GTV 分榜，避免了"一个大器官加权压过靶区误差"的合成指标陷阱；Astaraki 跨榜（第 1/第 6）证明了解耦的任务效度。
rank-then-aggregate + 逐结构小器官等权：制度性地把研究注意力引向真正困难的结构（耳蜗、鼓室、GTVnd），与临床痛点对齐。
容器制 + 技术报告门槛：一次性容器提交与报告剔除规则（2 队被剔）保住了结果表的完整可解释性。
验证期 5 次限额：在"足够调参"与"防止验证集过拟合"之间取了偏保守的一档。

失：

数据共享随截止断崖：赛期自由共享只有数月，赛后立即转 EUA——社区传播的最佳窗口被主动收窄（对照 LNQ/TCIA 的长尾下载曲线）。
标注规范中途变更：训练集重叠、验证/测试集精修的规范不一致（坑 9），属于"赛制进行中的地面真值漂移"，给参赛者与后来的复现者都埋了口径雷。
无永久性数据锚点：赛事未在 Zenodo/TCIA 留下版本化存档，榜单数字与数据形态的长期对应关系依赖 HiLab 的自觉维护（DAIMS S 维扣分的根源）。

8.6 复现实操：从零到自评基线

给复现者的最小可行路线（工具链以官方资产为骨架）：

# 1) 环境：nnUNetV2 生态（官方 baseline 底座）
pip install nnunetv2            # 官方 baseline 与冠军方法共同底座
pip install TotalSegmentator    # Task02 冠军的 ROI 先验（可选）

# 2) 数据：经 EUA 拿到训练集 zip 后（§6.6），解压并整理为 nnUNet 期望的目录形态
#    - 训练 120 例：imagesTr（ncCT/ceCT 成对）+ labelsTr（Task01 58子部分 或 Task02 GTV）
#    - 自留出：从 120 例内再切 20 例做本地验证（官方验证集无标注，不能监督训练）
# 3) 训练（以 Task01、29 类冠军口径为例）
nnUNetv2_plan_and_preprocess -d DATASET_ID -c 3d_fullres
nnUNetv2_train DATASET_NAME 3d_fullres 0   # 五折循环 0-4
nnUNetv2_train DATASET_NAME 3d_fullres all # 全数据训练用于推理
# 4) 预测与口径转换
nnUNetv2_predict -i INPUT_DIR -o OUTPUT_DIR -d DATASET_ID -c 3d_fullres
#    - 记得：29 类内部表示 → 45 通道官方口径的展开（§3.9 转换器）
#    - 输出打包为 4D mha [45,*shape]（Task01）或 [2,*shape]（Task02）
# 5) 自评：训练集内留出上算 DSC/NSD（MedPy/monai 均可），对照 baseline 84.65% 量级

三个提前排雷的提示：

训练/验证-测试规范差（坑 9）：本地自评分数与官方验证/测试分数之间有系统性口径差，别用前者直接对标论文表格里的 84.65%——比较对象应是"你的方法 vs 你自己复现的 nnUNet baseline"在同一留出上的差值。
模态配对输入：nnUNetV2 的多模态通道约定可把 ncCT/ceCT 作为两个输入通道（_0000/_0001 后缀）；预对齐保证这不需要配准步骤（§3.8）。
别用测试集存在幻想：60 例测试集拿不到，任何"本地 SegRap 测试集成绩"都是伪造或张冠李戴（坑 1 的近亲）。

8.7 预处理与数据增强的实践建议

汇总冠军与 top3 的可见选择，给出可以直接抄的作业：

分模态强度规整：ceCT 与 ncCT 用不同的 HU clamp（冠军 Task02 口径：[-1000,1000] vs [-600,600]）——双模态配对数据集上"一套预处理走天下"是隐性浪费。
大 patch 对小器官的收益：Task01 季军用 48×256×256 大 patch 并禁用镜像增强——头颈左右对称结构（耳蜗、腮腺）在镜像增强下产生"把右侧当左侧"的伪样本，对小器官边界学习弊大于利；这一选择与其季军名次互相印证。
TotalSegmentator 先验裁剪：零训练成本把背景体素裁掉 90%+，对小 GTV 的显存与分辨率收益立竿见影（Task02 冠军配方）。
集成与 TTA 的边际：HKUST-GZ 季军用五模型 TTA 集成；注意集成在 rank 系评估下的收益上限——GTV top3 统计不显著（坑 10）说明集成带来的名次差可能小于随机波动。
多数据集预训练：亚军 UniSeg 证明放疗外域（大盒 CT 分割）预训练可迁移；这与 SegRap2025 的 500 例无标注数据（自监督路线）共同指向"数据效率"这条后赛道时代的显学。

8.8 错误分析：论文披露的失败模式与对策

总结论文对 top 队伍的错误模式有直接披露，按任务整理并配对策：

Task01（OAR）的失败模式：

小结构全漏检：个别队伍在最细结构（前庭半规管级）上输出空掩膜——0 分规则下直接垫底。对策：对毫米级结构启用"低阈值存在性检查 + 局部重推理"，宁可低分不交白卷。
嵌套边界冲突：输出违反解剖嵌套（海马出脑、鼓室出中耳），在互斥口径的评测地面真值上双重扣分。对策：输出端做层级约束（§5.3）。
左右混淆：镜像增强训练的模型在个别病例上左右对调。对策：季军方案（禁用镜像增强）或后处理左右校验。

Task02（GTV）的失败模式：

GTVnd 散在淋巴结漏检：论文明确指出 top3 存在"目标漏检"——一枚阳性淋巴结的整块遗漏，在该通道上产生大片 0 贡献区。对策：TotalSegmentator 类先验检出候选区后，用检测式（per-lesion）二次确认而非整体回归。
欠分割（边界保守）：GTV 边界模糊处模型倾向收缩，DSC 与 NSD 同步受损。对策：训练时对边界带做加权（或用 NSD 导向的边界损失），推理时不做激进后处理收缩。
对 ceCT 依赖不足或过度：单模态 ncCT 输入的队伍在强化不明显的病灶上失分；过度依赖 ceCT 又在对比剂代谢差的病例上失稳。对策：双模态输入 + 分模态强度规整（§8.7）。

一个方法论观察：Task02 的失败模式几乎都是"漏"而不是"错"——漏检、漏边界、漏强化信号。这与 rank-then-aggregate + 0 分规则的制度设计互相放大，也解释了为什么 GTV 榜单前三是"谁漏得少"而不是"谁分得准"。把这套失败模式清单用于你自己的错误分析，是本数据集除分数之外的第二个方法论产出。

7.6 给下一届组织者的可复用设计清单

以 SegRap 2023 为样本（正反面教材兼具），提炼给后续挑战赛组织者的设计清单：

数据侧：

发布前把标注规范一次性定稿——训练与验证/测试用同一套重叠处理规则（SegRap 的坑 9 教训）；
在 Zenodo/TCIA 留版本化锚点，网盘只做分发镜像（SegRap 的 S 维教训，LNQ/TCIA 的正面示范）；
标签体系发布时随附机器可读映射表（58↔45 类似 §3.9 的转换器），把"口径转换"从每个参赛者的重复劳动变成一次性官方资产。

赛制侧：

rank-then-aggregate + 逐结构等权，是引导研究注意力流向临床难点的有效制度（SegRap 正例）；
漏检 0 分规则适合"漏检代价高"的临床任务，但要配合错误分析披露（SegRap 论文做了，值得延续）；
技术报告作为提交有效性门槛，可保结果表可解释（2 队被剔的规则运转良好）；
验证期提交限额取 5 次总量一档，在调参自由与验证集过拟合间平衡良好。

生态侧：

组织方-参赛方-厂商身份重叠时，在论文与官网明示（SegRap 论文的作者栏透明度尚可，但值得制度化）；
赛后立即公布"成绩→开源代码"的映射页（SegRap2025 官网的 top 队算法汇总页是进步）；
数据共享窗口不要随提交截止断崖——赛后至少保留一个开放子集作为社区入口（SegRap 的验证集 20 例免费下载正是这个角色，可以把这个设计放大）。

这份清单可直接作为同域赛事（头颈/放疗方向）的组织者 checklist 使用；对参赛者而言，它反过来是"预判一届挑战赛数据质量"的尽调框架——十个问题里答不上三个的赛事，其数据资产化前景要打折扣。

§9 论文、版本链与后续生态

9.1 总结论文的双口径存照

存照点	口径 A	口径 B	采用建议
出版年	DOI 串内含 2024（10.1016/j.media.2024.103447）	卷期 2025-04（Vol.101，Yonsei Issue Date；官方 GitHub 自称 MedIA2025）	正文引 MedIA 2025;101:103447
作者数	arXiv v1（2023-12）预印本时点 42 人	正式版 45 人（参赛队并入）	以正式版 45 为准
参赛队数	媒体 395 队注册	论文 387 队	以论文为准
标注清单	官网 45 OAR / 58 子部分	第三方 54 统一掩码	分场景（坑 5）
Task01 提交	摘要 10 complete	正文 12 提交 10 有效	分语义（坑 4）
"最全面"自述	原文 exhausted	应为 exhaustive 之误	照录原文并脚注

论文的正式引用串：Luo X, et al. SegRap2023 Challenge: Segmentation of organs-at-risk and gross tumor volume of nasopharyngeal carcinoma for radiotherapy planning. Medical Image Analysis, 2025, 101: 103447. DOI: 10.1016/j.media.2024.103447. PMID: 39756265. arXiv 预印本编号 2312.09576（eess.IV，2023-12 v1；Brunel 仓库存照 CC BY-NC-ND 4.0）。

9.2 资助与利益相关结构

论文披露的资助（照录编号）：NSFC 62271115、82203197；四川省科技计划 2022YFSY0055、2023NSFSC1852；四川省干部保健科研课题 2023-803；四川省放疗重点实验室开放基金 2022ROKF04。利益结构上值得注意：Task01 冠军团队来自佳能医疗(中国)——放疗设备与计划系统厂商进入挑战赛并夺冠，随后进入总结论文作者栏；上海 AI Lab 既是组织方又占据 Task01 季军。组织方-参赛方-厂商三重身份在同一赛事中的重叠，是阅读该挑战赛结果（以及其中"官方 vs 参赛"话语）时应有的透明度意识。

9.3 SegRap2025：生态的直接延续

届次：SegRap2025（MICCAI 2025 关联挑战赛），官网 hilab-git.github.io/SegRap2025_Challenge/。
任务转向：从 2023 届的 “45 OAR + 2 GTV” 转向 “GTV + 淋巴结 CTV”——把 2023 届结论里最困难、临床最需要的部分（GTV 及其向临床靶区的延伸）单独立题。
数据规模：260 例 NPC GTV 标注 + 402 例淋巴结 CTV 标注 + 500 例无标注 CT——半监督/自监督路线被正式纳入数据设计。
时间线：2025-05-01 注册开放、05-10 训练/验证数据发布、09-23 公布结果。
论文：SegRap2025 总结论文已被 Medical Image Analysis 接收（2026-05-14 官方渠道新闻）。
关联数据论文：X. Luo et al. “A multicenter dataset for lymph node clinical target volume delineation of nasopharyngeal carcinoma.” Scientific Data 11, 1085 (2024)——LN CTV 的多中心数据集论文，是 2025 届数据侧的前置成果。

9.4 代码与模型资产

资产	位置	状态
官方 nnUNet baseline + Docker 教程	github.com/HiLab-git/SegRap2023	公开维护
baseline 示例数据与权重	经 Google Drive / 百度网盘（同数据集密码体系）	公开
Task02 冠军代码与推理 Docker	github.com/Astarakee/segrap2023	公开，仓库无 license 标注
冠军方法论文	arXiv:2310.02972（Astaraki, Bendazzoli, Toma-Dasu）	公开
各 top 队算法汇总	SegRap2025 官网提供 Google-Drive 链接合集	公开
官方评估容器（Evalutils+MedPy）	grand-challenge 平台托管	赛期可用

9.5 引用与使用义务

使用 SegRap 数据集的引用义务：必须引用总结论文（MedIA 2025,101:103447）。若使用 Task02 冠军代码或方法，建议补引 arXiv:2310.02972；若讨论 LN CTV 数据，引 Scientific Data 11:1085 (2024)。结合 §6.3 的 license 口径：引用义务是明确的，版权义务是模糊的——EUA 文本之外没有标准化许可条款，这是使用合规上最需要向法务/数据管理团队说明的一点。

§10 相关资源互链与 DAIMS 评估

10.1 库内互链条目（qianfanghub 站内）

本条目与库内以下条目建立互链，rid 以站内数据库编号为准：

互链条目	rid	互链逻辑
LCTSC — 肺部 CT 危及器官分割	lctsc (277)	同为放疗 OAR 分割基准：LCTSC 覆盖胸廊 OAR（肺/心/食管/脊髓），SegRap 覆盖头颈 45 器官，两者构成放疗 OAR 谱系的"胸端"与"头颈端"
RIDER Lung CT	rider-lung-ct (267)	CT 影像与肿瘤靶区研究生态互链：RIDER 提供肺肿瘤 CT 纵向数据，SegRap 提供 NPC 双模态靶区标注，同属肿瘤放疗影像域
NIH Pancreas-CT	nih-pancreas-ct (367)	单模态 CT 分割基准对照：nih-pancreas-ct 是单模态单器官的典范，SegRap 是双模态多器官的典范，互为方法论参照
SERV-CT	serv-ct (373)	头颈域 CT/牙科 CBCT 分割互链：SERV-CT 覆盖头颈手术相关解剖，与 SegRap 的头颈 OAR 清单在地缘上部分重叠
AbdomenCT-1K	abdomenct-1k (402)	大规模多器官 CT 分割：abdomenct-1k 以 1000 例 100+ 器官见长，SegRap 以 45 OAR+2 GTV 的临床纵深见长，规模与纵深互补
CTSpine1K	ctspine1k (443)	脊柱 CT 分割生态：脊髓是 SegRap 45 OAR 中的关键剂量限值结构，CTSpine1K 提供脊柱全段分割基准
CTPelvic1K	ctpelvic1k (465)	盆腔 CT 骨与器官分割：放疗计划域的盆腔端参照，与 SegRap 头颈端构成放疗 OAR 数据集的解剖谱系
CT-RATE	ct-rate (546)	大规模 CT 报告对齐数据集：代表 CT 影像 + 文本的另一 AI-Ready 形态，与 SegRap 的纯分割标注形成模态任务对照
PDDCA — 头颈 OAR 挑战	pddca (454)	同域前辈挑战赛：PDDCA 9 例 9 类 OAR 是头颈自动勾画的早期基准，SegRap 45 OAR+2 GTV 是其十年后的"全要素"升级
HECKTOR	hecktor (461)	同为头颈放疗 AI 挑战赛系列：HECKTOR 含 PET/CT 与结局预测，SegRap 聚焦 NPC 双模态 CT 分割，赛道设计互为参照
HaN-Seg	han-seg (447)	最近邻数据集（头颈 OAR、CT/MR 配对）：两者最易混淆也最互补——HaN-Seg 30 类 CT/MR、Zenodo 开放；SegRap 45 OAR 双模态 CT、EUA 请求制（坑 1 的正解）
AutoPET	autopet (468)	MICCAI 挑战赛范式参照：同为 grand-challenge 平台容器制评测，赛制工程互为参照
Medical Segmentation Decathlon	medical-decathlon (77)	医学分割挑战赛总参照系：MSD 的任务设计方法论是 SegRap 这类专病挑战赛的公共基础
instance2022	instance2022 (645)	计算机视觉挑战赛生态跨域参照：实例分割赛道的数据组织与评测思路对照
CrossMoDA 2022	crossmoda2022 (647)	跨模态医学分割挑战赛：CrossMoDA 的"无配对跨模态"与 SegRap 的"预对齐双模态"是模态问题光谱的两端

互链使用建议：站在 SegRap 视角，447（HaN-Seg）与 454（PDDCA）适合支撑"头颈 OAR 数据集演进"的论述；277（LCTSC）与 461（HECKTOR）适合支撑"放疗 AI 数据集谱系"的论述；77（MSD）与 468（AutoPET）适合支撑"挑战赛赛制设计"的论述；367/402/443/465 适合做 CT 分割生态的规模-纵深对比。反向进入的读者建议先读 §0.1 速览与本表，再决定是否深入 §3-§8。

10.2 站外相关资源地图

上游（数据生产侧）：四川省肿瘤医院放疗科的定位影像与计划工作流（不公开）；MIM Software / ITK-SNAP 的勾画工具生态。
同层（同类数据与挑战赛）：PDDCA、HaN-Seg、HECKTOR 系（§10.1）；MICCAI 2023 同届其他挑战赛数据集；SegRap2025（任务后继）。
下游（方法消费侧）：nnUNet（v1/v2）生态、TotalSegmentator 解剖先验、MONAI/SUTD 系 3D 分割框架；商业放疗自动勾画模块（MIM、RayStation 等）的学术对照系。
评测基建：grand-challenge.org 平台、Evalutils 评估框架、MedPy 指标库、Docker 容器提交制。
汇总与索引：Awesome-Medical-Dataset（54 标签口径的出处）、CT 数据集汇总博客等第三方索引。

10.3 DAIMS 五维评估

DAIMS（Data AI-Readiness 评估框架：Documentation / Accessibility / Interoperability / Metadata / Sustainability）对本数据集的逐维打分与依据：

维度	得分（满分 5）	依据与说明
D 文档完备度	4.0	官网任务/数据页 + GitHub baseline 仓库 + MedIA 总结论文（45 作者、方法全景）+ 冠军方法论文；扣分项：逐器官标注指南未随数据公开、NSD 容差参数未在可抓取材料中明示、inter-rater 一致性未量化
A 可获取性	2.5	验证集免申请直下（加分）；训练集 EUA 邮件换密（约 2 工作日，人工环节）；测试集永不公开；无 Zenodo/HF 结构化托管、网盘链接无版本保障——获取摩擦在同类 MICCAI 数据集中偏高
I 互操作性	3.5	官方 .mha 标准格式、预对齐双模态免配准、固定输入目录约定、4D mha 提交规范明确、官方 Docker 教程齐备；扣分项：标签四口径（45/58/54/29）须自行整合、第三方 nii 流传版本混入增加加载链路噪音
M 元数据质量	3.0	论文元数据链完整（DOI/PMID/Scopus/arXiv 四路可查）、资助编号齐全、机构-人物-分工清晰；扣分项：数据本体无结构化元数据记录（无 DOI）、官网条款自相矛盾、论文年份/队伍数等多口径并存需人工核正
S 可持续性	3.5	赛后生态活跃（SegRap2025 接棒、冠军代码开源、MedIA 论文定档引用锚点）；扣分项：数据分发完全依赖网盘无长期 preservation 承诺、测试集封闭使官方基准不可复现、2023 届官网链接的长期维护依赖 HiLab

**综合：3.1/5，AI-Ready 定级：中（文档强、获取与许可弱）。**一句话画像：一份"学术上接近满配、工程上自带摩擦"的放疗分割基准——论文与 baseline 生态足以支撑研究复现，但 EUA 邮件请求制、无 Zenodo 锚点与标签多口径要求使用者自带合规与工程适配。适合有耐心的研究团队，不适合追求即取即用的管线集成。

10.4 适用与不适用场景清单

适合：

放疗自动勾画（auto-contouring）方法研究，尤其是头颈小器官与 GTV 边界精度攻坚；
双模态 CT（ncCT+ceCT）融合分割、跨模态合成与模态贡献度研究（预对齐免配准是稀缺前提）；
nnUNet 生态的多数据集联合训练与放疗域预训练（UniSeg 路线的上游素材）；
挑战赛方法学研究：rank-then-aggregate 评估、58 子部分标签设计、容器制赛制、0 分漏检规则的影响分析；
医学教育：45 OAR 的临床指南级清单本身就是 NPC 放疗勾画的教学大纲。

不适合或不建议：

追求即取即用、无人工审批管线的生产集成（EUA 换密 + 无 license 标注的合规负担）；
依赖官方测试集做外部验证的研究（测试集永不公开，只能用训练集交叉验证替代）;
商业产品直接集成（EUA 的非商业倾向与无 license 状态叠加，法务风险最高的一档）；
跨中心泛化的严格验证（单一中心来源，§3.2）；
配准方法研究（数据已预对齐，配准误差被官方吸收，研究空间不存在）。

10.5 上手路线建议

放疗分割研究者：读 MedIA 论文 §3-§4（数据与任务）→ 签 EUA 换训练集密码 → 用官方 baseline（HiLab-git/SegRap2023）在训练集五折建立自评基线 → 按冠军思路复现"标签重组 + ROI 精修"两阶段 → 用验证集（免申请）在线评测校准与官方口径的偏差。

双模态方法研究者：从验证集起步（零门槛）确认双模态加载与对齐 → 设计跨模态融合分支（注意 ncCT/ceCT 的 HU 分布差异，参考 Astaraki 的分模态 clamp）→ 在训练集上对比单模态/双模态/合成路线 → 报告时区分"训练集自评"与"官方验证分"两套口径（坑 9）。

挑战赛复现者：读论文 §5-§6（赛制与结果）→ 用 Evalutils+MedPy 本地重建评测脚本 → 对训练集做留出模拟测试期流程（容器化、4D mha 输出、45/2 通道口径检查）→ 复现 top3 方法（§8.2/§8.3 表格）作对照 → 引述排名时附统计不显著说明（坑 10）。

10.6 数据集元数据登记卡（机器可读快照）

供自动化管线摄取的键值快照（与 frontmatter 语义一致，作为正文内的冗余存照）：

dataset:
  slug: segrap
  official_name: "SegRap2023 Challenge"
  full_name: "Segmentation of Organs-at-Risk and Gross Tumor Volume of Nasopharyngeal Carcinoma for Radiotherapy Planning"
  year: 2023
  venue: "MICCAI 2023 (grand-challenge.org hosted)"
  modality: [ncCT, ceCT]
  pair_aligned: true
  subjects: 200
  volumes: 400
  splits: {train: 120, validation: 20, test: 60}
  labels:
    oar: 45            # 官方挑战赛口径
    oar_subparts: 58   # 官方文件口径（重叠区单列）
    gtv: 2             # GTVnx(GTVp) + GTVnd
  tasks:
    - {id: Task01, target: "45 OAR", output_shape: "[45,*image_shape]"}
    - {id: Task02, target: "GTVnx+GTVnd", output_shape: "[2,*image_shape]"}
  metrics: [DSC, NSD]
  baseline: {method: nnUNet, task: Task01, dsc: 0.8465, nsd: 0.8288}
  champions:
    - {task: Task01, team: "Y. Zhong et al.", org: "Canon Medical Systems (China)"}
    - {task: Task02, team: "M. Astaraki et al.", org: "Stockholm University"}
  access:
    channel: "official website via Google Drive / Baidu Netdisk"
    train: "EndUserAgreement required (email for zip password)"
    validation: "free download"
    test: "withheld (docker-based online evaluation only)"
    zenodo_doi: null
    license: "none (EUA contract only); preprint CC BY-NC-ND 4.0"
  formats: [mha]
  official_code: "https://github.com/HiLab-git/SegRap2023"
  champion_code: "https://github.com/Astarakee/segrap2023"
  paper:
    journal: "Medical Image Analysis"
    volume: 101
    article: 103447
    doi: "10.1016/j.media.2024.103447"
    pub_year_volume: 2025
    pub_year_doi: 2024
    pmid: 39756265
    arxiv: "2312.09576"
  successor: "SegRap2025 (260 GTV + 402 LN CTV + 500 unlabeled)"

附录 A：术语表

术语	全称/原文	释义
NPC	Nasopharyngeal Carcinoma	鼻咽癌，本数据集的疾病母题，放疗首选根治的头颈肿瘤
OAR	Organ at Risk	危及器官，放疗中须限制剂量的正常结构；本数据集 45 个
GTV	Gross Tumor Volume	大体肿瘤体积；GTVnx（鼻咽原发灶，又称 GTVp）与 GTVnd（颈部淋巴结转移灶）两个通道
ncCT	Non-contrast CT	平扫 CT，放疗定位与剂量计算的标准模态
ceCT	Contrast-enhanced CT	增强 CT，碘对比剂强化肿瘤与血管，病灶判读用
ART	Adaptive Radiotherapy	自适应放疗，疗程中重复影像与重新计划的工作流，赛事官方自述的应用语境
DSC	Dice Similarity Coefficient	体素重叠度指标，2
NSD	Normalized Surface Dice	归一化表面 Dice，容差带内的边界贴合度指标，对小器官敏感
rank-then-aggregate	—	逐结构独立排名再平均的队伍总分策略
58 子部分	58 sub-parts	45 OAR 官方展开口径：左右成对器官拆分 + 重叠区单列，附固定合并策略
EUA	EndUserAgreement-SegRap2023	训练集获取须签署的最终用户协议，邮件申请解压密码
HiLab	—	UESTC 官方 GitHub 组织（HiLab-git），baseline 与赛事代码托管方
grand-challenge.org	—	挑战赛托管平台，提供在线评测与 Docker 算法容器提交制
Evalutils / MedPy	—	grand-challenge 官方评估框架与医学影像指标库，评测容器实现基础
TotalSegmentator	—	开源全身多结构分割工具，Task02 冠军用其做 ROI 先验裁剪
nnUNet	—	自适配医学分割框架（v1/v2），官方 baseline 与全部 top3 的底座
Docker 提交制	—	测试期以容器镜像一次性提交、官方保密环境运行的赛制
UniSeg	—	Task01/Task02 亚军（西北工业大学）的多数据集预训练 nnUNet 方案名
头颈肿瘤描边2023	—	网易 MICCAI 2023 战绩稿所用中文赛名（坑 7）
SegRap2025	—	后继挑战赛：260 GTV + 402 LN CTV + 500 无标注，转向 GTV+淋巴结 CTV
RTStruct	DICOM RT Structure Set	放疗勾画轮廓的标准 DICOM 容器；SegRap 已栅格化为掩膜，不含此对象（§3.10）
RT Plan / RT Dose	—	放疗处方与剂量分布的 DICOM-RT 对象；本数据集不提供
HU	Hounsfield Unit	CT 密度值；mha 数据保留 HU，ncCT/ceCT 的 clamp 区间差异见 §8.3
RED	Relative Electron Density	相对电子密度，HU 经转换曲线映射后供剂量计算使用（§3.10）
IMRT	Intensity-Modulated Radiotherapy	调强放疗，NPC 根治放疗的主流技术（§2.1）
TPS	Treatment Planning System	治疗计划系统，放疗科内勾画-计划-剂量验证的软件平台
xerostomia	—	口干症，腮腺/颌下腺剂量约束背后的主要毒性终点（§2.5 表）

附录 B：文献与来源清单

Luo X, et al. SegRap2023 Challenge: Segmentation of organs-at-risk and gross tumor volume of nasopharyngeal carcinoma for radiotherapy planning. Medical Image Analysis, 2025, 101: 103447. DOI: 10.1016/j.media.2024.103447. PMID: 39756265.
同论文预印本：arXiv:2312.09576（eess.IV，2023-12 v1）；Brunel University London 仓库存照，CC BY-NC-ND 4.0。
Astaraki M, Bendazzoli C, Toma-Dasu I. Fully Automatic Segmentation of Gross Target Volume and Organs-at-Risk for Radiotherapy Planning of Nasopharyngeal Carcinoma. arXiv:2310.02972. DOI: 10.48550/arXiv.2310.02972（Task02 冠军方法论文）.
SegRap2023 挑战赛官网：https://segrap2023.grand-challenge.org （任务定义、数据页、EndUserAgreement 条款、时间线）.
官方 GitHub：https://github.com/HiLab-git/SegRap2023 （nnUNet baseline、Docker 教程、MedIA2025 引用格式）.
Task02 冠军代码仓：https://github.com/Astarakee/segrap2023 （Docker 推理，自述 task2 第 1 / task1 第 6）.
SegRap2025 官网：https://hilab-git.github.io/SegRap2025_Challenge/ （260 GTV + 402 LN CTV + 500 无标注；2025 时间线；top 队算法汇总链接）.
Luo X, et al. A multicenter dataset for lymph node clinical target volume delineation of nasopharyngeal carcinoma. Scientific Data, 11, 1085 (2024)（LN CTV 关联数据论文）.
Scopus 记录：2-s2.0-85213961296；DiVA（斯德哥尔摩大学机构库，available from 2025-02-26）；Yonsei 大学图书馆 Issue Date 2025-04（卷期年份存照）.
Awesome-Medical-Dataset 第三方收录页（54 统一掩码标签口径存照）.
网易科技 MICCAI 2023 中国队战绩报道（"头颈肿瘤描边2023"中文赛名与"佳能医疗(中国)冠军、上海AI Lab 季军"媒体口径存照）.
斯德哥尔摩大学/cryptorank 新闻稿（395 队注册媒体口径、"China and the US leading in registrations"存照）.
EndUserAgreement-SegRap2023（官网 dataset 页所载训练集获取协议，重命名规范与邮箱核验条款）.

附录 C：本条目核验记录

C.1 三轮存在性核验与三源互证

第一轮（论文链）：arXiv:2312.09576（预印本，规模/划分/标注工具/赛事描述）+ PubMed 39756265（正式版，卷期/作者/机构栏）+ ScienceDirect（DOI/PII）三路锁定论文口径。
第二轮（官方源）：官网 segrap2023.grand-challenge.org（45 OAR 清单、58 子部分口径、EUA 条款、数据页分发渠道）+ GitHub HiLab-git/SegRap2023（baseline、MedIA2025 自称、引用格式）——官网与 GitHub 相互印证。
第三轮（方法与媒体链）：arXiv:2310.02972（Task02 冠军方法细节）+ Astarakee/segrap2023（冠军自述排名）+ PubMed 机构栏（Canon Medical Systems (China)）+ 网易/斯德哥尔摩大学新闻稿（媒体口径双互证）。
证伪记录：任务简报的"Zenodo DOI"方向提示经三轮检索证伪（§6.4）；数据分发确认为 Google Drive + 百度网盘 + EUA 请求制，无任何官方 Zenodo 记录。

C.2 关键数字的来源路径

数字	论文/官方源	媒体/第三方源	互证状态
200 患者/400 CT	arXiv 摘要、PubMed、官网 dataset 页	Awesome-Medical-Dataset	三源一致
训练 120/验证 20/测试 60	官网数据页、论文	Awesome 页	三源一致
45 OAR / 58 子部分	官网 challenge 页	第三方 54 统一掩码口径	官方两口径自洽，第三方口径并存存照
387 队注册	论文正文	媒体 395	双口径并存（坑 3）
baseline DSC 84.65%/NSD 82.88%	论文（arXiv v1 + 正式版）	bilibili 专栏/专知等中文镜像稿	一致
OAR DSC 76.68%-86.70%；GTV 70.42%-73.44%	论文摘要	—	单源（论文唯一权威），top3 均值 86.14%±9.58% 为 arXiv v1 口径
Task01 冠军=佳能医疗(中国)	PubMed 机构栏	网易战绩稿	双源一致（坑 7 的任务口径已辨析）
Task02 冠军=Astaraki（斯德哥尔摩大学）	论文排名表	Astaraki GitHub 自述 + DiVA 机构库存照	三源一致

C.3 遗留疑点与不确定性声明

NSD 容差参数：官方 NSD 的具体容差值未在可抓取材料（论文可读片段、官网）中确认，业界惯例 1mm 但未证实——本条目不做断言，使用者以评测容器源码为准。
网盘链接现时有效性：官网 dataset 页的 Google Drive/百度网盘直链未做实时点击验证（需进页面人工确认），EUA 邮箱的当前响应时效同样未经实测。
temporalCoverage 的采集窗口：论文未在可抓取片段中公布逐例采集年份，条目元数据中的"2017-2023"为估计窗口，引用时以"治疗前采集"语义为准。
媒体口径 >150/>70/>30 模型：验证期评估模型数为媒体口径，与论文的队伍口径不可直接换算，已按坑 4 存照处理。
SegRap2025 总结论文：官网新闻称已被 MIA 接收（2026-05-14），卷期号未出，本条目未引用其具体卷期。

C.4 建条纪律执行情况

开工三查：租约锁 writing/segrap/.lock（内容 agentB-segrap 1790460695）在位；/tmp 临时文件以 segrap_agentB-segrap_part{1-5}.md 唯一前缀管理；无环境残留。
slug 查重：数据库 url_name ILIKE '%segrap%' 返回 0 行（§1.4）。
禁改清单：scripts/ 目录仅运行未修改；production_tracker.md、其他条目目录、数据库写入、publish.sh 均未触碰。
互链核验：§10.1 全部 rid 经数据库 url_name ILIKE 只读查询确认（npc/nasopharynx/radiotherapy 前缀查询为 0 行，故互链以 CT 系与挑战赛系条目构成）。

9.6 历史定位：头颈自动勾画的十年演进坐标

把 SegRap 2023 放进"头颈放疗自动勾画"的十年演进坐标，才能看清它的历史位置：

2015 前后（atlas 时代）：商业系统以多图谱配准融合（Multi-Atlas）为主流，头颈 OAR 自动勾画进入临床试用；勾画对象以十几类大结构为主，小器官精度有限。
2017（PDDCA 时刻）：头颈 OAR 挑战赛给出 9 例公开基准，深度学习方法开始在该域刷榜；但 9 例的规模决定了它更像"方法学竞技场"而非训练资源。
2019-2021（nnUNet 与 HaN-Seg 时刻）：nnUNet 确立医学分割的自适配范式；HaN-Seg 把头颈 OAR 做到 30 类、并引入 CT/MR 多模态，公开数据的"类别数"轴被推进。
2023（SegRap 时刻）：SegRap 把三根轴同时推到新高——类别数（45 OAR+2 GTV）、模态设计（预对齐双模态 CT）、任务的临床纵深（GTV 直接对应 NPC 靶区核心难题），并以 200 例专病队列给出"可训练"的规模。同年其 baseline 结果（大 OAR 84%+）宣告头颈大器官自动勾画进入"工程问题"区间，而 GTV 与小器官被论文正式钉为"开放难题"。
2025 后（SegRap2025 与数据效率时代）：任务重心转向 CTV（临床靶区）与无标注数据利用（500 例），自动勾画的竞争轴从"分割网络"转向"数据效率与临床工作流整合"。

在这个坐标里，SegRap 2023 的角色是**“从方法竞技到临床验收"的转折点数据集**：它是第一份把 NPC 放疗计划的真实勾画清单（45 OAR 临床级粒度）完整公开的基准，也是第一份用双模态 CT 配对把"几何基准 + 病灶判读"两种模态角色数据化的资源。十年演进的总结句可以这么写：atlas 时代回答了"能不能自动”，nnUNet 时代回答了"要不要调网络"，SegRap 时代开始回答"哪里还不可靠"——答案是 GTV 与毫米级小器官，而这两个答案直接塑造了 SegRap2025 的赛题。

附录 D：上手代码示例

D.1 加载与可视化一对预对齐数据

# 依赖：pip install SimpleITK numpy matplotlib
import SimpleITK as sitk
import numpy as np
import matplotlib.pyplot as plt

# 按官网目录约定加载一对预对齐数据（文件名以实际解压结果为准）
ncct = sitk.ReadImage("head-neck-ct/<case_id>.mha")
cect = sitk.ReadImage("head-neck-contrast-enhanced-ct/<case_id>.mha")

# 预对齐承诺的人工校验：两模态尺寸/spacing/方向应完全一致
assert ncct.GetSize() == cect.GetSize(), "尺寸不一致：可能拿错了配对文件"
assert ncct.GetSpacing() == cect.GetSpacing(), "spacing 不一致：数据被改动过？"

ncct_a = sitk.GetArrayFromImage(ncct)   # (Z, Y, X)
cect_a = sitk.GetArrayFromImage(cect)

# 中线结构重合性抽查：冠状位中线切片并排显示
z, y, x = ncct_a.shape
fig, axes = plt.subplots(1, 2, figsize=(10, 8))
axes[0].imshow(ncct_a[:, :, x // 2], cmap="gray", vmin=-600, vmax=600)
axes[0].set_title("ncCT (coronal midline)")
axes[1].imshow(cect_a[:, :, x // 2], cmap="gray", vmin=-600, vmax=1000)
axes[1].set_title("ceCT (coronal midline)")
plt.savefig("pair_check.png", dpi=150)

D.2 标注掩膜的口径自检与转换骨架

import numpy as np

def label_report(mask: np.ndarray) -> dict:
    """拿到标注后第一件事：数通道、数体素、查重叠。"""
    info = {"shape": mask.shape, "dtype": str(mask.dtype)}
    if mask.ndim == 4:                       # 4D 提交口径 [C,*shape]
        info["channels"] = mask.shape[0]
        info["empty_channels"] = int((mask.sum(axis=(1, 2, 3)) == 0).sum())
    elif mask.ndim == 3:                     # 3D 统一掩膜（58 或 54 标签口径）
        uniq = np.unique(mask)
        info["labels"] = [int(u) for u in uniq]
        info["n_labels"] = len(uniq)
        # 重叠区检查：统一掩膜内互斥，若发现标注文档声明 45 器官逐文件存储，另走逐文件合并
    return info

# 58 子部分 → 45 器官的官方合并骨架（映射表需按官方说明落实）
MERGE_58_TO_45 = {
    # "sub_part_id": ("organ_name", "left" | "right" | "mid" | "overlap_rule"),
    # 示意结构；正式使用前以官方 GitHub/论文附录的映射为准
}

def merge_to_45(mask3d: np.ndarray, mapping=MERGE_58_TO_45) -> np.ndarray:
    out = np.zeros_like(mask3d)
    for sub_id, (organ, rule) in mapping.items():
        organ_idx = ORGAN_TO_IDX[organ]      # 45 通道的固定序
        sel = mask3d == sub_id
        # 重叠区按官方固定策略归属；左右对按 organ_idx 展开到对应通道
        out[organ_idx][sel] = 1
    return out

D.3 DSC/NSD 双指标自评骨架

import numpy as np
from medpy import metric

def per_structure_scores(pred: np.ndarray, gt: np.ndarray) -> dict:
    """pred/gt: [C,*shape] 二值化后的 4D 数组；漏检通道记 0（官方规则）。"""
    scores = {}
    for c in range(gt.shape[0]):
        p, g = pred[c] > 0, gt[c] > 0
        if g.sum() == 0:
            continue                          # 该例无此结构，跳过
        if p.sum() == 0:
            scores[c] = {"dice": 0.0, "nsd": 0.0}   # 漏检记 0 分
            continue
        dice = metric.binary.dc(p, g)
        # NSD 需指定容差；官方容差值未在可抓取材料中明示（附录 C.3），自评时固定一个并注明
        nsd = metric.binary.obj_asd  # 占位：以 1mm 容差的表面距离实现为准
        scores[c] = {"dice": float(dice)}
    return scores

（D.3 中 NSD 的具体实现依赖容差带定义，官方评测容器基于 Evalutils+MedPy；上面骨架只保证流程形态正确，正式复现请以官方容器源码为准——这也是附录 C.3 遗留疑点的工程侧呼应。）

D.4 二十行内提交格式合规检查

def check_submission(path: str, task: int) -> list:
    """提交前跑一遍：Task01 [45,*shape]，Task02 [2,*shape]，均为 4D mha。"""
    import SimpleITK as sitk
    img = sitk.ReadImage(path)
    arr_shape = sitk.GetArrayFromImage(img).shape   # (C,Z,Y,X)
    want = 45 if task == 1 else 2
    problems = []
    if arr_shape[0] != want:
        problems.append(f"通道数 {arr_shape[0]} != 官方要求 {want}（坑 5：口径转换没做？）")
    if not path.endswith(".mha"):
        problems.append("官方评测以 mha 为准；nii 需转换（§3.6）")
    return problems or ["OK: 形状与格式通过"]

附录 E：高频问答（FAQ）

Q1：SegRap 和 HaN-Seg 用哪个？
看三件事：器官粒度（SegRap 45 vs HaN-Seg 30）、模态（SegRap 双 CT 配对 vs HaN-Seg CT/MR 配对）、获取摩擦（SegRap EUA 请求制 vs HaN-Seg Zenodo 即下）。做 NPC 放疗勾画选 SegRap，做多模态泛化或零摩擦原型选 HaN-Seg；两者在库内互链（447），可并引。

Q2：训练集 120 例够训 nnUNet 吗？
够——官方 baseline 就是这 120 例上训出的 84.65%。不够的是"从零训练一个自定义大模型"；想加大模型，走预训练（UniSeg 路线）或利用 SegRap2025 的 500 例无标注（自监督）。

Q3：测试集真的完全拿不到吗？
是。60 例影像与标签均不公开，只有官方评测容器能看到。想对外报告成绩，途径是 grand-challenge 平台上托管算法容器参加在线评测（若官方评测通道仍开放），或在训练集内做交叉验证并明确标注"本地口径"。

Q4：为什么没有 HuggingFace 数据集？
数据集本体无标准 license 且发放绑定 EUA，HF 数据集所需的明确许可与直接下载形态都不满足；社区存在第三方搬运，但其再分发合规性存疑（§6.3），本条目不做链接背书。

Q5：商用可以吗？
数据本体在 EUA 框架下按非商业倾向执行最稳妥（无明示许可条款，风险自担）；论文文本 CC BY-NC-ND 也排除商用。若产品需要头颈 OAR 训练数据，优先评估 HaN-Seg（CC BY-NC-SA）或商业授权来源。

Q6：ncCT 和 ceCT 哪个喂给模型？
都喂——双模态配对正是数据集卖点；至少做一次"单模态 vs 双通道"的消融（§8.5 观察点 3：参赛方法普遍没用满双模态，这里有便宜可捡）。若只选一个：OAR 任务上 ncCT（几何基准）与 ceCT 证据相近，GTV 任务上 ceCT（增强判读）更优。

Q7：能直接和论文表格比分数吗？
不能直接比。你的本地留出与官方测试集（60 例、精修标注、保密）不是同一分布（坑 9）；可比的是"同设置下你的方法 vs 你复现的 nnUNet"的相对差值。

Q9：拿到数据后怎么确认没解压坏/拿错版本？
三步：其一，逐例读 mha 并断言 ncCT/ceCT 尺寸与 spacing 一致（附录 D.1 的 assert）；其二，抽 3 例确认标注通道数符合你预期的口径（58/54/45）；其三，把官方声明数（训练 120/验证 20）与解压出的目录计数对账。三步全绿再开工。

Q10：单中心数据能支撑泛化声明吗？
不能。200 例全部来自四川省肿瘤医院，任何"跨中心泛化"的说法都需要外部数据（HaN-Seg、HECKTOR 或自有数据）做外推验证；论文本身也没做跨中心声明。把它当作"单中心深度基准"来引用是准确姿势。

附录 F：论文写作与引用速查清单

以 SegRap 2023 为实验数据写论文/报告时，逐项自查：

数据引用串：Medical Image Analysis 2025;101:103447，DOI 10.1016/j.media.2024.103447（坑 6：DOI 串里的 2024 不等于出版年）。
数据来源声明：写官网 segrap2023.grand-challenge.org + Google Drive/百度网盘；不写任何 Zenodo DOI（坑 1）。
规模口径：200 患者/400 CT；训练 120（标注）/验证 20（无标注）/测试 60（不公开）——"120 例"与"200 例"场景勿混。
标签口径：明确写出你用的是 45/58/54 哪套（坑 5），并说明与评测提交口径（45/2 通道）的转换。
标注规范披露：注明训练集允许器官重叠、验证/测试集精修互斥（坑 9）——这是复现者最需要的披露项。
对比数字来源：baseline 84.65%/82.88% 与 DSC 区间（OAR 76.68%-86.70%；GTV 70.42%-73.44%）出自 MedIA 论文；引 Task02 排名时附统计不显著说明（坑 10）。
注册数口径：写 387（论文）并可脚注媒体 395（坑 3）。
license/合规声明：声明"经 EndUserAgreement-SegRap2023 获取"，注明数据无标准开源 license；不得暗示 CC 许可。
媒体口径："佳能医疗(中国)冠军"仅指 Task01（坑 7）；中文赛名"头颈肿瘤描边2023"仅作媒体名存照，不进正式引用。
后继赛事：涉及 CTV/无标注数据时引 SegRap2025 官网与 Scientific Data 11:1085 (2024)，与 2023 届分开表述。

Q11：想把 SegRap 和其他 CT 分割数据集混训，工程上注意什么？
三件事：标签空间对齐（SegRap 45 OAR 与 abdomenct-1k/ctspine1k 等的类别体系不重叠也有互补，先定统一 schema）；spacing 与重采样策略统一（保留各自原始 spacing 元数据再统一到工作分辨率，§3.10）；域标签（单中心 NPC vs 多部位多中心）进配置而非混进训练集——否则"域漂移收益"和"数据泄漏"分不清。

Q12：有没有可能官方数据链接已失效？
有可能——网盘链接无任何 preservation 承诺（§10.3 A 维 2.5 分的语境）。失效时的顺序：先看官网页面是否有更新链接；再查 HiLab-git/SegRap2023 的 README 与 issues（社区会报死链）；最后走 EUA 邮箱直接联系组织方。若全部失效，SegRap2025 生态与 §6.8 的替代路径是退路。

Q13：验证集的在线评测通道现在还开着吗？
赛期验证通道（每任务 5 次）是挑战赛机制，赛后是否保留以 grand-challenge 平台该赛事页面的 submission 状态为准——平台上的挑战赛页面常年在"公榜可提交"与"归档只读"之间切换。本条目成稿时点未实测在线提交通道状态；无论如何，20 例验证集数据本身仍可免费下载用于本地冒烟（无标注，只能走官方通道得分）。

Q14：独立研究者没有机构邮箱，EUA 会被拒吗？
官网条款明确要求邮箱后缀与所属机构一致（real-name 核验），独立研究者/学生用个人邮箱申请存在被拒风险。可行的做法：以合作机构（导师/挂靠单位）名义申请并由其作为数据责任人；或在 EUA 备注栏说明情况等待组织方裁量。不要伪造机构邮箱——那会同时违反 EUA 的诚信条款与机构合规。

Q15：想引用 SegRap 的成绩做 PPT/科普，最稳妥的一句话是什么？
“在 MICCAI 2023 的 SegRap2023 挑战赛中，387 支队伍注册，基于 nnU-Net 的官方基线在 45 个头颈危及器官分割上达到 Dice 84.65%，最佳方法提升至约 86.7%；但所有参赛方法在鼻咽癌肿瘤体积（GTV）分割上均未超过 80%——大器官已接近解决，肿瘤靶区仍是难题。”（每个数字都可回溯到 §8 的论文口径。）

附录 G：头颈/放疗分割数据集速查对比

从使用者数据规格视角横向对比（互链逻辑见 §10.1，此处只比"拿到手的东西"）：

数据集	模态	例数	结构数	GTV/靶区	格式	获取摩擦	库内 slug
SegRap 2023	ncCT+ceCT 预对齐	200	45（58 子部分）	2 通道	mha	EUA 邮件换密	segrap（本条目）
HaN-Seg	CT+MR 配对	56	30	无	NRRD	Zenodo 即下	han-seg (447)
PDDCA	CT	9	9	无	DICOM/NIfTI	官网注册	pddca (454)
LCTSC	CT	60	7（胸部）	无	DICOM	TCIA DSP	lctsc (277)
HECKTOR 系	PET+CT（±MR）	数百（历届累积）	靶区为主	有（头颈癌）	NIfTI	历届各异	hecktor (461)
LNQ 2023	增强 CT	513	淋巴结	有（纵隔 LN）	NRRD	TCIA CC BY 4.0	lnq（如库内）
NIH Pancreas-CT	CT	82	1（胰腺）	无	NIfTI	官网即下	nih-pancreas-ct (367)
CTSpine1K	CT	1000+	脊椎分段	无	NIfTI/GitHub	即下	ctspine1k (443)
SERV-CT	CT+CBCT 配对	8+8	12（头颈手术域）	无	NIfTI	官网即下	serv-ct (373)
AbdomenCT-1K	CT	1000+	100+（腹部）	无	NIfTI	即下	abdomenct-1k (402)

选型一句话：要 NPC 放疗全要素选 SegRap，要零摩擦头颈多模态选 HaN-Seg，要大规模通用 CT 选 CTSpine1K/AbdomenCT-1K，要放疗跨模态+结局选 HECKTOR——四者在"临床纵深 × 获取摩擦 × 规模"三角里各占一极，构成本域的完整选型光谱。

（注：lnq 一行标注"如库内"因本条目成稿时点未复核 lnq 的库内 rid；使用前以数据库实时查询为准。另注：表中例数与结构数为各数据集主口径速记，精确口径以各条目正文为准；本表随各库内条目更新而滚动维护。）