SegThy — 甲状腺与颈部血管 3D 超声+MRI 分割数据集

INFOBOX — SegThy 一屏速览

维度	内容
本质	主动追踪式自由手 3D 超声 + MRI 配对的甲状腺/颈部多器官分割数据集（单中心自采，非挑战赛、非重标注）
团队	TUM 慕尼黑工业大学 CAMP 教研室（计算机辅助医学程序与增强现实）+ 医学院核医学系；通讯 Thomas Wendler / Nassir Navab
论文	PLOS ONE 2022;17(7):e0268550（doi:10.1371/journal.pone.0268550；PMID 35905038 / PMC9337648）
规模	214 例 = 子集 1（28 健康志愿者）+ 子集 2（186 患者）
每人扫描	子集 1：1×MRI + 9×3D US（3 医师各 3 次）｜子集 2：6×3D US（2 医师各 3 次）
影像规格	US 体素 0.12×0.12×0.12 mm³（电磁追踪，Siemens Acuson NX-3 + Piur tUS）｜MRI 体素 0.625×0.625×1 mm³、FOV 320×320×80 mm³（3T T1 VIBE）
标签	甲状腺（背景 0/甲状腺 1）+ 颈部多类（颈动脉 2/4、颈静脉 3/5）；气管与结节官方称扩展中
核心价值	多医师×多次扫描天然承载观察者间变异样本；子集 1 提供 MR/US 配对数据（配准研究稀缺资源）
主结果	CNN 自动分割平均 Dice 0.94；3D 超声 vs MRI 体积无显著差异（2D 则显著差异）
参考上限	Munsterman 2024（WFUMB Ultrasound Open 2:100055）2D U-Net 中位 DSC 0.934/0.924/0.897（甲状腺/颈动脉/颈静脉）
获取	公开直链（MRI_data.zip + US_data.zip，无 gated、无请求制）
许可	CC BY（可分发/改编/商用，仅需署名）——非 NC 非 SA 非 ND
库内互链	camus(533)、us-nerve-seg(537)、bus-bra(760)、echonet-dynamic(526)、totalsegmentator(422)、head-neck-pet-ct(838)

SegThy 回答的是颈部超声里一个具体而顽固的临床痛点：同一个甲状腺，换一个医生量，体积可能差出一大截。 2D 自由手超声是全世界绝大多数医院做甲状腺检查的默认方式，但它高度依赖操作者手法——论文摘要直言 2D 甲状腺体积测量"highly operator-dependent"。TUM 的 CAMP 团队给出的技术路线是：把普通商用 2D 超声加装一套电磁追踪装置（Piur tUS），让探头在扫查时实时记录空间位置，从而把扫过的每一帧拼成一块 0.12mm 体素的三维体数据；再用卷积神经网络自动把甲状腺从体数据里分割出来算体积。SegThy 就是支撑这条路线、并公开给社区的原始数据。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——两组 zip 公开直链，CC BY 可商用，比想象中省事，但要注意 2025-05-09 修订口径与旧镜像陷阱。
2. 关心观察者变异方法学：直奔 §3 与 §7——多医师×多次扫描的设计是这份数据的灵魂，也是它区别于普通分割集的地方。
3. 做配准或多模态：直奔 §2 与 §5——子集 1 的 MR/US 配对 28 例是全库稀有的跨模态配准素材，别只当成分割任务用。

§0 导读：这个数据集解决什么问题

甲状腺疾病的诊断、治疗与随访都离不开一个基础量：甲状腺体积。它决定放射性碘治疗（radioiodine therapy）的给药剂量，决定结节随访时"变大还是没变"的判断，也决定甲亢（如 Morbus Basedow，格雷夫斯病）患者是否在走向需要干预的阈值。官方页给出的社会影响量级很具体：德国每年超过 20,000 例接受放射性碘治疗的患者，其体积估计直接影响给药剂量；精确随访可惠及多达 200 万德国甲亢/可疑结节患者。

问题出在测量工具上。绝大多数医院用 2D 自由手超声量甲状腺，靠操作者手眼配合选定切面，再用椭球公式（ellipsoid formula，长×宽×厚的经验换算）估体积。论文摘要定性为"highly operator-dependent"——同一患者，不同医生、甚至同一医生不同次，测出的体积差异可观。Munsterman 2024 的量化更直观：椭球公式的甲状腺体积估计中位误差达 13.84%，而自动 3D 分割仅 4.45%。换句话说，临床上沿用了数十年的估算方法，误差是机器方法的 3 倍多。

SegThy 的技术答案是追踪式自由手 3D 超声（tracked freehand 3D ultrasound）。它不需要昂贵的 3D 矩阵探头，而是在普通 2D 超声上加装电磁追踪器记录探头位姿，把扫查轨迹重建成体数据。配套的机器学习部分用卷积神经网络（CNN）自动分割甲状腺——论文摘要报告训练后平均 Dice 0.94，并给出关键结论：3D 超声与 MRI 参考体积无显著差异，而 2D 超声三个医师全部显著偏离 MRI（p=.002 / .009 / <.001）。同时 3D 采集时间显著更短，观察者间变异显著下降。SegThy 数据集的使命，就是让其他团队能复现、检验并改进这条路线。

§0 读法三则：

1. 这份数据集不是"又一个分割基准"，它同时是观察者变异研究与配准研究的素材：每例多次、每例多医师、子集 1 还配对 MRI——三种用途共用一份数据。
2. 全文硬数字分两套来源：SegThy/PLOS 论文给的是体积与变异统计（Dice 0.94、p 值、体积区间），Munsterman 2024 给的是分割精度指标（DSC、HD95、体积误差）。两套来源各司其职，勿互串（§7 已分列）。
3. 检索时若用数据集路径名 2022_plosone_eilers 反推作者会错——该路径以第二作者 Eilers 命名，第一作者是 Krönke（坑 2）。

0.1 临床痛点为什么顽固

甲状腺体积测量的操作者依赖不是新问题，而是被反复记录的老问题。2D 自由手超声的流程是：操作者在颈部来回扫查，凭手感挑选出"最能代表甲状腺长宽厚"的切面，冻结图像，量三个径线，代入椭球公式。这个流程里至少有两处主观判断：选哪张切面、径线端点定在哪。不同经验的操作者对同一甲状腺完全可能选出不同的"代表切面"、定出不同的端点，于是体积差异出现。

更麻烦的是，这个差异会传导到临床决策。放射性碘治疗的剂量直接依赖体积；剂量偏低则疗效不足，偏高则可能损伤周围组织或增加副作用。甲状腺结节随访中，“这颗结节长大了吗"的判断也依赖体积/径线的可比性——如果两次随访由不同操作者完成，测量差异可能被误读为疾病进展。官方页把这些后果量化成"德国每年 2 万例放射性碘治疗、200 万甲亢/可疑结节患者”，正是要说明：一个看似技术性的测量误差，背后是实打实的临床影响。

0.2 MRI 作为金标准的意义

要证明一种测量方法"更准"，必须有一个可信的参考标准。SegThy 选择 MRI 作为金标准——MRI 软组织对比度好，能清晰界定甲状腺边界，且不像超声那样依赖操作者手法。但 MRI 昂贵、耗时、不便于随访，无法作为日常测量工具。于是形成了经典的研究逻辑：用昂贵的金标准验证便宜的工具。论文的做法是让 28 名志愿者同时接受 MRI 和 2D/3D 超声，比较两种超声方法相对 MRI 的偏差。结果显示 3D 方法逼近 MRI（无显著差异），2D 方法显著偏离——这个结论正是数据集最有说服力的产出。

0.3 为什么"3D"是关键变量

2D 与 3D 的差别不只是"多一维"。2D 超声量体积靠椭球公式——把甲状腺近似成一个椭球，用三个径线估体积。这个近似对形状不规则的甲状腺误差大（Munsterman 测得椭球公式中位误差 13.84%）。3D 超声则直接重建出体数据，可以对每个体素判断是否属于甲状腺，再累加体积——理论上更接近真实形状。SegThy 的数据让研究者能直接比较这两种思路，并给出了"3D 把误差从 13.84% 降到 4.45%"的量化证据。

0.4 甲状腺解剖与成像难点

理解数据内容，先理解目标解剖。甲状腺是位于颈前部、气管两侧的蝶形内分泌腺，左右各一叶（lobe），中间由峡部相连。它紧邻四条主要血管：左右颈总动脉（common carotid artery）与左右颈内静脉（internal jugular vein）——数据集的多类标签正是要区分这些结构（标签值 2/4 为颈动脉、3/5 为颈静脉，左右分开）。

成像难点有三：①边界不清——甲状腺与周围软组织在超声上回声相近，边界常需专业判断；②形状变异大——不同个体、不同病理状态（如结节、炎症）下形状差异显著，固定的椭球假设容易失效；③与血管紧邻——分割甲状腺时容易把邻近血管误纳或遗漏，这也是多类标签存在的意义。这些难点解释了为什么"自动分割"值得研究：人的判断受经验影响大，机器若能做到一致且准确，就能降低变异性。

0.5 数据集的一句话价值主张

如果只能用一句话向别人解释 SegThy 的价值：它提供了一份让研究者能定量回答"追踪式 3D 超声能否取代 2D 超声做甲状腺体积测量"的公开数据，并附带 MRI 金标准与多医师重复扫描。所有其他细节（体素、设备、标签）都是支撑这个价值主张的技术附件。

§1 数据集速览：十问十答

Q1：SegThy 的"214 例"怎么算出来的？
两个子集相加：子集 1 是 28 名健康志愿者，子集 2 是 186 名常规甲状腺超声患者（初诊或随访），合计 214。官方页分别列出这两个数字，中文二手清单里出现过的"14 MRI/32 US"口径与官方严重不符，应以官方为准（§9 存照）。

Q2：为什么要加"追踪（tracked）"两个字？
因为这是它区别于普通超声数据集的技术内核。普通 2D 自由手超声只能存下一张张没有空间关系的切面图，而 SegThy 的探头被**电磁追踪系统（Piur tUS）**实时定位，扫查时每一帧都带位姿，于是能重建出体素 0.12×0.12×0.12 mm³ 的三维体数据。没有追踪，就没有 3D；没有 3D，就没有后续的自动分割与体积测量。

Q3：子集 1 和子集 2 差在哪？
关键差别是有没有 MRI。子集 1 每名志愿者都有 1 次颈部 MRI（T1 加权 VIBE 序列，3T）加 9 次双侧 3D 超声（3 名医师各扫 3 次），MRI 与超声都带甲状腺标签图。子集 2 只有超声，每名患者 6 次双侧 3D 超声（2 名医师各扫 3 次），没有 MRI。因此做 MR/US 配准只能靠子集 1，做大规模超声分割可以用两组。

Q4：标签图里有哪些类别？
两类标注图。甲状腺单类图（MRI_thyroid / US_thyroid）：背景 0、甲状腺 1。颈部多类图（MRI_thyroid+jugular+carotid_label）：背景 0、甲状腺 1、颈动脉 2 和 4、颈静脉 3 和 5——左右侧各占一个编号，便于区分左右。官方还在扩展气管（trachea）与甲状腺结节（结节若存在则标注）两类。

Q5：谁采的数据、伦理合规吗？
全部由 TUM 单中心采集，经 TUM 伦理委员会（TUM Ethics Commission）批准。26 例训练采集中志愿者为 24–50 岁健康人群。采集与标注得到 Dr. Markus Krönke 的大力协助，可视化用 ImFusion GmbH 的 ImFusion Suite 软件完成。

Q6：核心结论是什么？
三句话。①追踪式 3D 超声 + CNN 分割把甲状腺体积测量的观察者间变异显著降下来（3D 各医师两两比较均无显著差异，p=.176/.722/.057）。②3D 超声测得体积与 MRI 参考无显著差异（p=.292/.686/.091），而 2D 超声三位医师全部显著偏离 MRI。③3D 采集耗时显著更短。一句话：3D 又准又快又稳。

Q7：自动分割精度到底多少？
分两套口径。PLOS 论文报告 CNN 训练后平均 Dice 0.94（用于甲状腺分割）。下游 Munsterman 2024 在同类 tracked sweep 数据上报告 2D U-Net 中位 DSC 为甲状腺 0.934 / 颈动脉 0.924 / 颈静脉 0.897，HD95 为 1.206 / 0.588 / 1.571 mm。两套数字接近但任务粒度不同（前者甲状腺单类，后者三类器官），勿直接互换。

Q8：这数据集对配准研究有什么用？
子集 1 是极稀有的配对（paired）MR/US 数据：同一名志愿者既扫了 MRI 又扫了 9 次超声。这让可变形 MR/US 配准研究有了真正同一解剖的跨模态素材。此外 US/US 配准也有素材——每名患者多达 9 次超声扫描，同一解剖的多视角覆盖天然适合配准与图谱生成。

Q9：我现在能拿到什么、要花钱吗？
不花。两组压缩包公开直链下载：MRI_data.zip 与 US_data.zip，无 gated、无请求制、无需注册。CC BY 许可允许分发、改编、商用，只要署名。用 torch-em 的话，官方 loader 直接按 source='MRI' 或 'US' 拉取并校验 SHA256。

Q10：为什么它对 AI-Ready 重要？
它是库里少见的"高许可自由度 + 官方工具链收录 + 多用途载荷"三合一：CC BY（可商用，比多数 CC BY-NC 医学集更宽松）、torch-em 官方 loader 提供即用入口、同一份数据同时服务分割/配准/观察者变异三类任务。缺的是一套官方统一的评估脚本与更完整的多类标签——这正是 §9 与附录 B 要展开的地方。

1.1 一页纸档案

项	值
官方名	SegThy — Open-Access Dataset for Thyroid and Neck Segmentation
slug	segthy
发布机构	TUM CAMP（慕尼黑工业大学）
主论文	PLOS ONE 17(7):e0268550 (2022-07-29)
DOI	10.1371/journal.pone.0268550
PMID / PMCID	35905038 / PMC9337648
研究类型	诊断准确性 + 观察者变异研究（非挑战赛）
模态	3D 追踪超声（US）+ MRI（T1 VIBE）
解剖	甲状腺、颈动脉、颈静脉（气管/结节扩展中）
例数	214（28 志愿者 + 186 患者）
许可	CC BY
获取	公开直链（两 zip）+ torch-em loader
官方页	https://www.cs.cit.tum.de/en/camp/publications/segthy-dataset/
抓取时点	2026-10-08

1.2 术语速查（首现英文对照）

中文	英文	简释
追踪式自由手超声	tracked freehand ultrasound	加装追踪器记录探头位姿的超声扫查
电磁追踪	electromagnetic tracking	用电磁场定位探头位姿的技术
3D 体数据重建	3D volume reconstruction	把带位姿的 2D 帧重建成体数据
甲状腺体积测量	thyroid volumetry	估算甲状腺体积的临床操作
观察者间变异	interobserver variability	不同操作者间的测量差异
观察者内变异	intraobserver variability	同一操作者多次的测量差异
椭球公式	ellipsoid formula	2D 超声估体积的经验换算公式
可变形配准	deformable registration	允许形变的图像配准
图谱生成	atlas generation	构建解剖统计图谱
空通道	empty channel	标签图中无像素的类别通道
标签噪声	label noise	标注中的错误/不一致
视场	field of view (FOV)	成像覆盖的空间范围
体素	voxel	三维像素
容积插值屏气序列	VIBE	一种 MRI 采集序列

1.3 一句话定位

如果库里的超声数据集按"用途单一度→用途丰富度"排列，SegThy 处在丰富度一端：它同时是甲状腺分割集、颈部多器官集、MR/US 配准集、观察者变异集、图谱生成素材——五种用途共享一次采集。这种"一份数据多种实验设计"的特性，是评估它价值时最该记住的一点。

1.4 谁该用它、谁不该用

适合的使用者：

• 做甲状腺/颈部超声分割的团队——有清晰标签与官方 loader。
• 研究观察者变异/标签噪声的方法学者——多医师多次扫描是现成素材。
• 做跨模态配准的研究者——子集 1 的 28 例配对 MRI 稀缺。
• 评测基础模型跨模态泛化能力的人——超声低对比场景是压力测试。
• 需要可商用数据的团队——CC BY 允许商用，库里少见。

不太适合的使用者：

• 追求超大规模训练集的团队——214 例偏小，深度模型易过拟合。
• 需要多中心泛化证据的研究——单中心数据不支撑这类结论。
• 需要完整气管/结节标签的人——官方称扩展中，当前不保证齐备。
• 做全身/多器官大范围分割的团队——这里只有颈部局部。

1.5 三分钟上手指引

1. 装环境：pip install torch_em（或按官方文档）。
2. 拉数据：get_segthy_data(path, source='US') 与 source='MRI' 各来一次。
3. 看标签：区分甲状腺单类图与多类图，读标签图例（§2.3）。
4. 划分：按 subject 编号分组划分（坑 4）。
5. 跑基线：先复现 2D U-Net 甲状腺分割，对标 DSC 0.934。
6. 记录：把协议写清楚，方便跨团队比较（§7.5）。

1.6 常见误区速答

误区	事实
“214 例很多”	相对 WSI/CT 大集偏小，深度模型需注意过拟合
“有 MRI 就能做多模态分割”	只有子集 1（28 例）有 MRI，规模有限
“超声数据集都差不多”	SegThy 的追踪式 3D 采集与多医师重复设计是独特点
“CC 许可都一样”	SegThy 是 CC BY（可商用），非 CC BY-NC
“标签应该很全”	气管/结节仍在扩展，当前以甲状腺+部分血管为主
“直接按文件随机划分即可”	必须先按 subject 分组，否则泄漏

1.7 与近邻数据集的一句话对比

• 与 CAMUS(533)：都是超声分割，但 CAMUS 是心脏、单次、1000 例；SegThy 是颈部、多次、214 例、多模态。
• 与 BUS-BRA(760)：都是超声、都做分割；BUS-BRA 是乳腺肿瘤、单模态；SegThy 是甲状腺+血管、带追踪与 MRI。
• 与 head-neck-pet-ct(838)：同是颈部区域，但前者是 PET/CT 显像、SegThy 是超声+MRI 分割。
• 与 TotalSegmentator(422)：都是多器官分割，但前者是 CT 全身、SegThy 是超声颈部。

1.8 本条目信息层级

为便于引用，把重要程度分为三层：

• 核心事实（可直接引用）：214 例、28+186、CC BY、PLOS ONE 2022、DOI、0.94 Dice、Munsterman DSC 0.934/0.924/0.897。
• 细节事实（需注明来源）：体素尺寸、FOV、设备型号、医师经验、体积区间、p 值。
• 推断/存照（需谨慎使用）：标签扩展进度、版本修订时点、第三方清单口径、许可边界解释。

1.9 阅读路线图

你的目的	建议阅读路径
快速了解	INFOBOX → §1 → §12.1
判断能否用	§1.4 → §2 → §6
上手跑实验	§2.3 → §6.6 → §7.8
做配准	§5 → §2.2 → §7.7
做变异研究	§3 → §7.1
写论文引用	§7 → 附录 C → 附录 I
避坑	§10 全节

1.10 关键判断速记

• 要不要用它：若你的任务与"颈部超声分割/配准/变异"相关，且能接受 214 例规模与单中心局限，就用。
• 能不能商用：能，CC BY 允许，署名即可。
• 要不要 MRI：只在做体积参考或配准研究时需要；纯分割可只用超声。
• 怎么最快上手：torch-em loader + 2D U-Net + 按 subject 划分。
• 最容易错的地方：把 214 当单一人群、按扫描划分、混用两套精度数字。
• 对标什么：Munsterman 2024 的 DSC 0.934/0.924/0.897。

§2 数据构成与规格

2.0 本节导读

本节把 SegThy 的"骨架"讲清楚：两个子集怎么分（2.1）、影像参数（2.2）、标签结构（2.3）、官方扩展计划（2.4）、文件体量（2.5）、目录命名（2.6）、人口学构成（2.7）。阅读顺序建议：先看 2.1 的两子集表，再看 2.3 的标签图例——这两张表决定了你能拿这份数据做什么。

2.1 两个子集的骨架

SegThy 的 214 例分成两个采集子集，骨架差异是理解这份数据的第一把钥匙：

维度	子集 1	子集 2
对象	28 名健康志愿者	186 名常规甲状腺超声患者
临床状态	健康（24–50 岁）	初诊（initial diagnostics）或随访（follow-up）
MRI	有：1× 颈部 T1 VIBE（3T）	无
3D 超声	9× 双侧（3 名医师各 3 次）	6× 双侧（2 名医师各 3 次）
标签	甲状腺标签图（MRI + US 均有）	甲状腺标签图（US）
配对价值	MR/US 同解剖配对（配准研究核心）	US/US 多视角覆盖

需要注意的对称性陷阱：只有子集 1 有 MRI。任何跨子集比较（例如"患者比健康人甲状腺大多少"）都要先意识到两个子集的人群不同、扫描次数不同、模态不同。子集 1 是"少量、深度、多模态"，子集 2 是"大量、单模态"——设计意图清晰，但不能混为一谈。

为什么这样设计？把两个子集的需求拆开看就清楚了：子集 1 的目标是方法学验证——需要 MRI 金标准、需要多医师重复、需要配对，因此样本小但每条都"贵"；子集 2 的目标是规模化超声数据——需要临床真实场景的患者超声，因此样本大但只有超声。两个子集服务于两类研究问题，合并反而会模糊各自的用途。

从使用者角度，选择用哪个子集取决于问题：

研究问题	推荐子集	理由
甲状腺分割精度	两者皆可，子集 2 更多	数据量大
与 MRI 的体积比较	必选子集 1	唯一有 MRI
MR/US 配准	必选子集 1	唯一有配对
临床场景泛化	子集 2	真实患者
观察者变异	两者皆可	都有多医师多次

2.1.1 规模的直觉校准

214 例在今天是什么水平？横向比：CAMUS 约 1000 例、echonet-dynamic 上万例、TotalSegmentator 覆盖上千例。SegThy 的 214 例属于中小规模。但它的"有效样本量"被放大：子集 1 每例贡献 1 个 MRI + 9 个超声（10 份数据），子集 2 每例贡献 6 个超声——所以超声扫描总量约 28×9 + 186×6 = 252 + 1116 = 1368 次超声扫描。以"扫描数"而非"受试者数"计，数据量其实不小；关键是要意识到这些扫描不是独立样本（同一受试者的扫描高度相关），不能当 1368 个独立样本用。

2.2 影像采集参数

超声侧（两个子集共用设备）：

参数	值
超声机	Siemens Acuson NX-3
探头	12 MHz VF12-4
追踪	Piur tUS 电磁追踪扩展系统（把商用 2D 超声改造成追踪式自由手 3D）
重建体素	0.12×0.12×0.12 mm³（各向同性）
视场（FOV）	可变（随扫查轨迹而异）

MRI 侧（仅子集 1）：

参数	值
扫描仪	Siemens Biograph mMR
场强	3T
序列	T1 加权 VIBE（volumetric interpolated breath-hold，容积插值屏气）
体素	0.625×0.625×1 mm³
视场	320×320×80 mm³
定位	居中以甲状腺区域为中心

两个模态的空间分辨率跨度很大：超声各向同性 0.12mm 是 MRI 层面内 0.625mm 的五倍多。这意味着做 MR/US 配准时会遇到典型的跨模态分辨率失配，重采样策略要提前想好。

2.3 标签结构

torch-em 官方 loader 文档给出了权威的标签图例（label legend），分为两种：

甲状腺单类图（MRI_thyroid 与 US_thyroid）：

标签值	语义
0	背景
1	甲状腺

甲状腺 + 颈静脉 + 颈动脉多类图（MRI_thyroid+jugular+carotid_label）：

标签值	语义
0	背景
1	甲状腺
2	颈动脉（一侧）
3	颈静脉（一侧）
4	颈动脉（另一侧）
5	颈静脉（另一侧）

左右侧用 2/4 与 3/5 分开编号，这是颈部解剖的惯例——甲状腺被左右各一条颈动脉（carotid artery）和颈内静脉（internal jugular vein）夹持，区分左右对体积和随访分析都必要。torch-em 文档特别提醒：有一个标签含空通道（“There is one label with an empty channel”），加载时需容错处理，不要假设每个类别通道都有非零像素。

2.4 官方标注扩展计划

官方数据集页用现在时写着数据集"正在被扩展（currently being extended）“，目标是补上：气管（trachea）、颈总动脉（common carotid arteries）、颈内静脉（internal jugular veins），以及甲状腺结节（若存在，nodules）。覆盖范围是子集 1（US 与 MRI 双模态）和子集 2（US）。这说明当前公开版本的标签完整度是"甲状腺为主、血管部分、气管与结节待补”——使用者应以此预期来设计任务，不要预设气管或结节标签一定齐全（§9 列为遗留疑点）。

2.5 文件与体量

官方提供两个压缩包：MRI_data.zip 与 US_data.zip，解压后目录分别名为 MRI_volunteer_dataset 与 US_volunteer_dataset。HuggingFace 社区镜像 MedOtter/SegThy 报告总文件体积 1.54 GB（含两模态），可作为体量参考。torch-em loader 内置两组 SHA256 校验和（见 §6），下载后会自动核验完整性。

2.6 数据组织与命名惯例

理解 SegThy 的目录结构，先记住两点：按模态分目录、按受试者编号。

• 顶层分两大目录：MRI_volunteer_dataset（子集 1 的 MRI）与 US_volunteer_dataset（两子集的超声）。
• 每个受试者对应一个编号子目录，内含该受试者的多次扫描与标签图。
• 子集 1 的 MRI 与超声共享同一受试者编号，这是配对的关键——靠编号把同一人的 MRI 和 US 对上。
• 标签图文件按类别命名：MRI_thyroid、US_thyroid（甲状腺单类），MRI_thyroid+jugular+carotid_label（多类）。
• 元数据（年龄、性别）随受试者存于文件或伴生表中。

命名里最容易踩的三个点：①甲状腺单类图与多类图不共用同一文件，任务前先确认要哪一份；②同编号下多张超声用索引区分，别把同一人的第 1 次和第 3 次当两个人；③torch-em 提示其中有一个 label 含空通道，逐文件加载时要容错（坑 8）。

2.7 人口学与临床构成

子集	人数	年龄	临床状态	性别
子集 1	28	24–50 岁	健康志愿者	元数据含（比例未在摘要披露）
子集 2	186	未在摘要披露	初诊/随访患者	元数据含

两个子集都含年龄与性别元数据，可支持按人口学分层的分析（如年龄对甲状腺体积的影响）。但要注意：子集 1 是健康人群、子集 2 是患者，若把两者混在一起做"正常值"统计，会把病理与健康混为一谈。任何涉及体积分布的分析都必须先分子集。

§3 观察者间变异：数据集的灵魂设计

3.1 为什么要重复扫描

SegThy 最容易被低估的一点是重复扫描设计。它不是"每个病人扫一次、存一张图"，而是让多名医师对同一解剖各扫多次：

• 子集 1：3 名医师 × 各 3 次 = 9 次双侧 3D 超声
• 子集 2：2 名医师 × 各 3 次 = 6 次双侧 3D 超声

这个设计直接把"观察者间变异（interobserver variability）"和"观察者内变异（intraobserver variability）"变成了数据集自带的可分析维度，而不需要另外组织多中心研究。对做变异分析、标签噪声（label noise）研究或鲁棒性评测的团队，这是一份"自带对照"的数据。

3.2 医师经验梯度

论文明确披露了三名操作者的经验年限：MD1 = 6 年、MD2 = 4 年、MD3 = 1 年。这不是巧合，而是刻意设计——不同经验水平的医师对同一甲状腺的测量差异，正是"2D 超声高度依赖操作者"这一论断的直接证据来源。数据里的每一次扫描都对应一位具体经验水平的医师，因此可以构造"经验 vs 测量偏差"的对照实验。

3.3 2D 与 3D 的变异对比

论文报告的核心对比（§7 有完整数字）：用 2D 超声（椭球公式）测体积时，三名医师两两之间的平均差异范围是 0.58→0.52 ml（MD1 vs 2）、-1.33→-0.17 ml（MD1 vs 3）、-1.89→-0.70 ml（MD2 vs 3）（格式为"2D 值 → 3D 值"）。统计检验显示 2D 存在显著差异、3D 不显著。同一份数据同时支持 2D 与 3D 分析，这是 SegThy 作为方法学证据库的价值所在。

3.4 对使用者的含义

如果你的任务是训练分割模型，重复扫描意味着同一患者的多张图极易落入不同数据划分，造成数据泄漏（data leakage）。必须按患者（subject）而不是按扫描（scan）划分训练/验证/测试集，否则测试集里会出现训练时见过的同一甲状腺的其他视角，虚高指标。这是使用 SegThy 最容易踩的工程坑之一（坑 4）。

3.5 变异分析的可做实验

基于 SegThy 的重复设计，可以做以下几类变异分析实验：

实验	设计	预期信号
观察者间变异	比较不同医师对同一甲状腺的测量	经验越低差异越大
观察者内变异	比较同一医师的多次扫描	反映操作稳定性
2D vs 3D 变异	比较两种方法下的变异幅度	3D 变异更小
经验-偏差关系	以经验年限为自变量、偏差为因变量	负相关（经验减少偏差）
扫描间一致性	同患者多次扫描的体积离散度	反映重建/采集稳定性

这些实验只需数据本身，无需额外采集，是 SegThy 相对普通分割集的"数据红利"。

3.6 变异与 AI 的关系

观察者变异不止是临床测量问题，也直接影响 AI：

• 标签噪声来源：如果训练标签由不同医师标注，标注者间的差异就是标签噪声，会限制模型上限。
• 评测基线：模型精度若已达"人类操作者间的一致性水平"，进一步提升的空间就受限于标签质量本身。
• 不确定性建模：多医师/多次扫描提供了"合理答案的分布"，可用于训练和评测不确定性估计。

因此，理解 SegThy 的变异设计，不只是理解临床背景，也是理解"这类数据的 AI 价值边界"。

§4 技术路线与任务谱

4.1 追踪式自由手 3D 超声的原理

普通 2D 超声只输出没有绝对空间坐标的切面。SegThy 用的方案是在探头上加装电磁追踪器（Piur tUS 系统），实时记录探头在电磁场中的六个自由度位姿（位置 + 朝向）。超声机每产生一帧图像，系统同时记录该帧对应的探头位姿，扫查结束后把这一系列带位姿的 2D 帧**重建（reconstruction）**成三维体数据。因为不需要昂贵的 2D 矩阵探头或机械摆动探头（wobbler probe），这套方案能以较低成本升级几乎任何现有商用 2D 超声（官方页原文）。

代价是：重建质量依赖追踪精度与扫查手法，且视场随扫查轨迹变化，不同扫描间的空间范围不一致。这解释了为什么官方把视场标为"可变（variable field of view）"。

4.2 论文的 CNN 分割

PLOS 论文的训练设置：用卷积深度神经网络（CNN）自动分割 3D 甲状腺叶（lobe）。数据划分为 26 例随机甲状腺叶扫描用于训练、6 用于验证、6 用于测试，训练目标获得平均 Dice 0.94。这个 Dice 是论文报告的最高分割精度数字，用于支撑"自动分割足以替代人工"的论证。

4.3 下游 U-Net 基线

Munsterman 2024（WFUMB Ultrasound Open）在同类 tracked sweep 数据上系统比较了 2D U-Net 与 3D U-Net 两种骨干，并测试三种推理策略（2D、2.5D 多数投票、3D）。结论是：tracked sweep 数据用 2D 模型最好（甲状腺 DSC 0.934），而另一个 3D 矩阵探头数据集则 3D 模型更好（0.869）——这提示"哪种网络更优"取决于数据采集方式，不能一概而论。这份基线给使用 SegThy 的团队提供了直接可对标的参考上限（reference ceiling）。

4.4 可承载的任务谱

官方列出了 SegThy 支持的潜在技术应用，构成一份任务清单：

1. 颈部多器官分割（MR 与 US）——核心任务
2. MR/US 可变形配准——子集 1 的配对数据独有优势
3. US/US 可变形配准——每患者最多 9 次扫描，多视角覆盖
4. 颈部图谱生成（atlas generation）——MR 与 US
5. 标签噪声分析——基于多用户、多扫描
6. 观察者内/间变异分析——基于重复扫描设计

这六项任务共用同一份数据，是 SegThy 数据效率高的体现：一次采集，多任务复用。但也要注意，任务 2 只能用小规模子集 1（28 例），样本量是硬约束。

4.5 与常见基准的任务对照

把 SegThy 与库内其它分割集放在一张任务表里，定位会更清晰：

数据集	模态	解剖	主要任务	样本量级
SegThy	3D 追踪超声 + MRI	甲状腺 + 颈部血管	分割 / 配准 / 变异	214 例
camus(533)	2D 超声	心脏腔室 + 心肌	分割 / 体积	1000 例
bus-bra(760)	超声	乳腺肿瘤	分割	—
totalsegmentator(422)	CT	全身多器官	多器官分割	—
btcv(377)	CT	腹部多器官	多器官分割	—
head-neck-pet-ct(838)	PET/CT	头颈	多模态显像 / 分割	—

SegThy 的独特组合是：超声模态 + 颈部解剖 + 3D 追踪采集 + 配对 MRI + 重复扫描。库里没有第二个条目同时具备这五点。这意味着它填补的是一个具体的空白，而非重复已有工作。

4.6 数据质量的关键约束

使用 SegThy 前应清楚几条质量约束：

1. 单中心、单设备：全部来自 TUM 同一套 Siemens + Piur 配置。模型迁移到其他设备/机构的泛化性是未知数。
2. 视场可变：超声视场随扫查轨迹变化，同一受试者不同扫描的空间范围不严格一致，做逐体素对齐需先配准。
3. 健康/患者混合：子集 1 健康、子集 2 患者，混用需分层。
4. 标签完整度分层：甲状腺标签齐全，血管部分（子集 1 多类），气管/结节扩展中。
5. 样本量在配准任务上偏小：可配对的仅 28 例，做深度学习配准时要靠数据增强或迁移学习。

把这些约束写进实验报告，是使用 SegThy 时负责任的做法——它们不是缺陷，而是需要声明的边界。

4.7 重建质量的影响因素

追踪式 3D 超声的重建质量不是自动就好的，它取决于几个因素，理解这些有助于判断数据可用性：

1. 追踪精度：电磁追踪系统的定位误差会直接传导到体素位置。电磁追踪在金属物体附近可能受干扰，这是采集时必须规避的环境因素。
2. 扫查覆盖与速度：操作者扫查是否均匀覆盖整个甲状腺、速度是否稳定，影响重建体的完整性。快速或不均匀扫查会留下空洞或错位。
3. 探头压力与组织形变：超声探头施加的压力会改变颈部软组织的形态，不同次扫描的压力差异会造成解剖形变——这既是配准的挑战，也是"观察者变异"的一个来源。
4. 呼吸与运动：颈部随呼吸/吞咽有轻微运动，采集过程中的运动会引入伪影。MRI 用屏气序列（VIBE）缓解，超声靠操作者与受试者配合。

这四个因素解释了为什么"多次扫描"是必要的：单次扫描的质量波动大，多次扫描能平均掉部分随机误差，也让研究能观察扫描间的一致性。

4.8 从数据到模型的完整流程

给一个端到端流程示例，帮助读者建立全貌：

[原始数据]
  ├─ US_data.zip → US_volunteer_dataset → 每次扫描一个 3D 体数据 + 标签
  └─ MRI_data.zip → MRI_volunteer_dataset → 每次 MRI + 标签
        ↓
[预处理]
  ├─ 按 subject 解析分组
  ├─ 重采样到统一体素间距（跨模态配准前）
  ├─ 灰度归一化（超声散斑噪声需特别处理）
  └─ 处理空类别通道
        ↓
[任务分支]
  ├─ 分割：切 patch/体素 → 训练 U-Net（2D 或 3D）→ DSC/HD95 评估
  ├─ 配准：子集 1 的 MR/US 配对 → 可变形配准 → 标签重叠评估
  └─ 体积：分割结果体素计数 → 与 MRI 参考体积比较 → 误差 %
        ↓
[报告]
  └─ 声明划分方式、协议、指标、引用来源

4.9 常见任务的输入输出规格

任务	输入	输出	常用指标
甲状腺分割（US）	3D 超声体数据	甲状腺二值掩码	DSC、HD95、体积误差
多器官分割（US/MRI）	体数据	甲状腺/颈动脉/颈静脉多类掩码	逐类 DSC、HD95
MR/US 配准	MRI + US 配对	形变场	标签重叠、TRE
观察者变异分析	多医师多次扫描	变异统计	平均差异、p 值、ICC
图谱生成	多例配准后数据	概率图谱	覆盖度、平滑度

4.10 任务难度的直觉排序

从工程难度看，SegThy 上的任务大致可以这样排序（从易到难）：

1. 甲状腺单类分割（超声）：标签清晰、任务标准，最容易出结果，适合入手。
2. 体积测量：在分割基础上加体素计数，难度略增但主要是后处理。
3. 甲状腺+血管多类分割：血管细、与甲状腺紧邻，边界更难，指标会降。
4. 跨模态配准：需要处理模态差异与分辨率失配，工程量大。
5. 图谱生成：需要稳健配准 + 统计建模，端到端最难。
6. 气管/结节分割：依赖官方标签扩展，当前不一定做得了。

建议新团队按此顺序逐步推进：先用任务 1 跑通并建立基线，再逐级向上。跳跃式入手（一上来做配准或图谱）容易在数据细节上卡住。

§5 多模态能力：MR/US 配准的稀缺席位

5.1 为什么配对数据稀缺

医学影像数据集里，"同一解剖的跨模态配对"是稀缺品。大多数分割数据集是单模态的（要么 CT、要么 MRI、要么超声），因为它们通常来自回顾性临床数据，患者并不会为了数据集而多做一次别的检查。SegThy 的子集 1 打破了这个限制：28 名健康志愿者每个人都做了 MRI 又做了 9 次超声，两者针对同一颈部解剖区域。这意味着同一甲状腺在两套完全不同的物理成像机制（磁场 vs 声波）下都有影像与标签。

对可变形图像配准（deformable registration）研究，这是难得的"地面真值友好"素材：你可以用同一解剖的 MRI 作为漂浮/参考，把超声对齐上去，或反过来。超声与 MRI 的组织对比度差异巨大（MRI 看软组织质子密度，超声看声阻抗界面），跨模态相似度度量（mutual information 等）在这里能得到真实检验。

5.2 多视角超声与图谱生成

除了跨模态，SegThy 还提供同模态多视角素材：子集 1 每例 9 次超声、子集 2 每例 6 次超声，都是同一患者不同视角/不同医师的扫描。这对以下任务特别有价值：

• US/US 配准：同一甲状腺的不同扫查视角可以直接配对，测试配准算法对视角差异的鲁棒性。
• 图谱生成（atlas generation）：把多例、多次扫描配准到公共空间，就能构建颈部解剖的统计图谱，为后续分割或定位提供先验。
• 体积一致性研究：多次扫描测同一甲状腺体积，离散程度本身就是重建质量的度量。

5.3 跨模态分辨率失配的工程含义

如 §2.2 所述，超声各向同性 0.12mm、MRI 层面内 0.625mm，量级差 5 倍以上。做 MR/US 配准时，重采样策略（往哪个分辨率对齐、插值方法选择）会直接影响结果。这不是 SegThy 的缺陷，而是跨模态配准的固有挑战——但也正因为存在这个挑战，子集 1 的数据才有方法学研究价值。使用者的实用建议：先统一到两者中较粗的分辨率做配准，再回到原始分辨率做精修，可减少插值伪影。

5.4 与其它多模态数据集的对比

为什么 MR/US 配对难得？看一组对比就明白：

数据集类型	典型配对关系	稀缺度
PET/CT	同期同机采集，硬件即配对	常见
CT/MRI	常为同期两次检查	中等
MRI/超声	需专门采集协议，临床非常规配对	稀缺
多视角同模态超声	依赖重复扫描设计	稀缺

PET/CT 的配对几乎免费（同一台机器一次扫描出两种对比）；CT/MRI 配对需要患者做两次检查；而 MRI/超声配对几乎只在专门的研究采集中出现——因为临床上没有理由让一个甲状腺患者既做 MRI 又做超声（除非研究）。SegThy 子集 1 的 28 例正是这种"为研究而配对"的产物，这正是它不可替代的地方。

5.5 配准评价的难点与数据集的适配

跨模态配准的评价本身就难：没有天然的可比强度值，无法直接算强度差。常用替代指标有互信息（mutual information）、归一化互相关、以及基于分割标签的重叠（Dice 或 target registration error）。SegThy 的优势是两模态都带甲状腺标签，这让"基于标签的配准精度"成为可计算指标——可以用甲状腺分割的重叠度间接评价配准质量。这是它比许多只有影像没有标签的配准数据集更实用的原因。

5.6 图谱生成的技术路线

颈部图谱生成是官方列出的应用之一。基本路线是：收集多例（子集 1 的 28 例 MRI，或各子集超声）→ 配准到公共参考空间 → 统计各体素的解剖占据概率 → 得到概率图谱（probabilistic atlas）。SegThy 的分层设计对此有利：同类人群（子集 1 健康）适合建"正常人"图谱，子集 2 患者适合建"病理分布"图谱。多医师重复扫描则能估计图谱构建中的观察者不确定性。图谱的下游用途包括：为分割提供空间先验、为配准提供初始化、为随访提供标准化坐标系。

5.7 配准任务的评价方案

为配准任务设计评价时，SegThy 提供了几层可用信号：

1. 标签重叠：两模态都有甲状腺标签，配准后计算标签 Dice，是最直接的评价。
2. 解剖标志点：颈动脉/颈静脉的位置可作为内部标志，评估配准后的对齐程度。
3. 逆一致性：A→B 与 B→A 配准的往返误差，可检验形变场的合理性。
4. 体积一致性：配准后分割得到的体积应与独立来源体积一致。

注意事项：跨模态（MRI/超声）的配准评价不能只看影像强度，因为两者强度无对应关系。务必以标签或标志点为准。这也是为什么 SegThy 带标签对配准研究格外有用。

5.8 多模态研究的现实约束

虽然子集 1 提供配对数据，但要清醒认识其约束：

• 规模：28 例对深度学习配准来说偏小，多需数据增强、迁移学习或传统优化方法。
• 人群：健康志愿者，不含病理（如大结节、术后改变），泛化到临床病理场景需谨慎。
• 形变来源：超声探头压力造成的形变与呼吸运动都会引入非解剖形变，是配准的真实挑战也是方法检验点。

设计多模态实验时，把这些约束写进局限性讨论，是负责任的做法。

5.9 多模态价值的三层论证

为什么多模态配对值得投入？三层理由：

1. 解剖同源：同一志愿者的 MRI 与超声是同一甲状腺的两种观测，配准有真值可依，比"不同患者的跨模态"更有意义。
2. 机制互补：MRI 看软组织边界清晰，超声看声阻抗界面且能实时；两者互补可提升分割或定位的鲁棒性。
3. 研究稀缺：临床上极少有患者同时做颈部 MRI 与超声，因此这类配对数据天然稀缺，公开的更少。

正因如此，子集 1 的 28 例虽小，却被官方列为"unique"（独有）价值。使用者若只把它当分割集，会浪费其中最珍贵的配准资源。

§6 获取与许可：公开直链的门怎么进

6.1 官方获取入口

SegThy 的获取是本库中最省事的一类：无 gated、无请求制、无注册、无邮件申请，直接下载公开直链。

资源	链接
官方数据集页	https://www.cs.cit.tum.de/en/camp/publications/segthy-dataset/
MRI 数据	https://www.campar.in.tum.de/public_datasets/2022_plosone_eilers/MRI_data.zip
US 数据	https://www.campar.in.tum.de/public_datasets/2022_plosone_eilers/US_data.zip

两组压缩包解压后目录为 MRI_volunteer_dataset 与 US_volunteer_dataset。

6.2 校验和与官方工具链

torch-em（由 Constantin Pape 维护的显微/医学图像分割训练库）为 SegThy 提供了官方 loader，内置下载与 SHA256 校验：

模态	下载 URL	SHA256
MRI	.../MRI_data.zip	e9d0599b305dfe36795c45282a8495d3bfb4a872851c221b321d59ed0b11e7eb
US	.../US_data.zip	52c59ef4db08adfa0e6ea562c7fe747c612f2064e01f907a78b170b02fb459bb

调用方式按 source='MRI' 或 source='US' 选取模态，loader 自动下载、校验和解压。torch-em 的收录意味着 SegThy 可以直接接入一套成熟的训练管线，这是它 AI-Ready 属性的重要一环。

6.3 版本链与镜像陷阱

SegThy 存在多条版本/镜像线索，必须理清：

线索	内容	性质
首发	2022-07-29 PLOS ONE 论文配套发布	官方
路径命名	下载路径含 2022_plosone_eilers	官方（以第二作者 Eilers 命名）
修订	HuggingFace 镜像注明 2025-05-09 修订版为当前版本	社区口径
HF 镜像	MedOtter/SegThy，1.54 GB，社区托管副本	非官方
学术 Torrents	旧副本仅含 US_data.zip，体积与当前版不符	应避开

关键提醒：HF 镜像的注释明确指出学术 Torrents（Academic Torrents）的 SegThy 副本不完整（只有超声、没有 MRI），且体积与 2025-05-09 修订版不匹配。要拿完整数据，走官方页面两个 zip，或用 torch-em loader。

6.4 许可：CC BY 的自由度

数据集本体许可为 CC BY。官方页原文解释：使用者可以分发（distribute）、打乱（shuffle）、改编（adapt）、基于其构建（build upon），唯一条件是署名（acknowledge the creators）；并且许可允许商业使用（permits commercial use），只要引用作者。

这在医学数据集里属于相当宽松的一档。库内大量超声/影像数据集是 CC BY-NC（禁商用）或 CC BY-NC-SA，甚至请求制；SegThy 的 CC BY 意味着它可以进入商业产品管线，只需正确引用。

许可边界警示：不要把数据集许可与下游论文许可混为一谈。SegThy 数据集本身是 CC BY；但常被用作参考上限的 Munsterman 2024 论文是 CC BY-NC-ND（禁商用、禁演绎）。引用论文里的数字是一回事，复用论文内容/图表是另一回事。使用 SegThy 数据商用不受 Munsterman 论文许可约束，但引用其图表需遵守 ND。

6.5 伦理与溯源

SegThy 是 TUM 单中心采集，经 TUM 伦理委员会批准。数据含年龄与性别元数据，不含面像或可识别信息（超声与 MRI 均为颈部局部，非全头面部）。溯源清晰：单中心、单一设备配置、明确伦理框架——这既是可信度优势，也是泛化性局限（只在 TUM 设备与人群上验证过，§9 遗留疑点）。

6.6 下载与使用步骤

给第一次使用 SegThy 的团队一份可执行清单：

1. 选路径：装 torch-em 的话，一行 get_segthy_data(path, source='US') 即可（自动下载+校验+解压）；不装则手动下两个 zip。
2. 校验完整性：对照 §6.2 的 SHA256，确认下载未被截断。
3. 解压核对：确认出现 MRI_volunteer_dataset 与 US_volunteer_dataset 两个目录。
4. 确认标签类型：分清甲状腺单类图和多类图，任务决定用哪个。
5. 划分数据集：按 subject 编号划分，绝不按 scan 随机分（坑 4）。
6. 处理空通道：加载标签时容错，跳过空类别通道（坑 8）。
7. 记录协议：写下分辨率、重采样、划分、指标，便于跨团队比较。

6.7 许可使用的边界清单

行为	允许？	条件
下载数据	✅	无门槛
用于科研训练模型	✅	引用 Krönke 2022
用于商业产品	✅	CC BY 允许商用，需署名
再分发数据	✅	保留署名与许可
改编/衍生数据	✅	保留署名
复用 Munsterman 论文图表	❌（商用）	该论文 CC BY-NC-ND，禁商用禁演绎
声称数据来自自己采集	❌	违反署名条款

一句话记：数据随便用（署名即可），论文图表别乱用。

6.8 与库内获取门槛的对比

放在库内横向看，SegThy 的获取难度属于最低档：

获取类型	库内代表	SegThy 对照
公开直链无门槛	SegThy、部分 CTC	✅ SegThy 属此档
注册后下载	多数 grand-challenge 数据	更简单
gated（需同意条款）	部分 HF 数据集	更简单
请求制（发邮件）	如 panda-plus 掩码	更简单
受限 / 需签署协议	部分临床数据	更简单

这个"无门槛 + CC BY 可商用"的组合，是 SegThy 在 AI-Ready 光谱上靠前的核心原因。

6.9 存储与算力需求

SegThy 的轻量是一大优势，部署门槛低：

项	需求	说明
磁盘	约 2 GB（数据 1.54 GB + 解压余量）	远低于 WSI/大 CT 集
内存	单例体数据处理需数 GB	3D 体数据较大，可切 patch
GPU	中等即可	2D U-Net 训练不需顶尖 GPU
训练时间	分钟到小时级	214 例规模小，迭代快

对资源有限的团队（教学实验室、初创公司、资源受限医院），这是 SegThy 相对大规模数据集的实际优势——跑得动。

6.10 数据托管与长期可用性

数据托管在 TUM 的 campar.in.tum.de 服务器，配合 PLOS 论文的永久 DOI 与 torch-em 社区维护。风险点：若 TUM 服务器迁移或下线，直链可能失效；但 PLOS DOI 与 HF 镜像提供了冗余。建议使用者在本地保留一份副本，并记录下载时的 SHA256，以防未来链接变动。这是使用任何托管在机构服务器上的数据集的通用建议。

6.11 获取流程的合规检查单

对需要走机构合规流程的使用者，准备以下材料通常可顺利通过：

• □ 数据集名称与官方链接（引用本条目）
• □ 许可类型说明（CC BY，可商用，需署名）
• □ 数据不含可识别个人信息的说明（颈部局部影像）
• □ 伦理来源（TUM 伦理委员会批准）
• □ 拟用途描述（研究/教学/产品原型）
• □ 引用文献（Krönke 2022）

由于是公开直链且已伦理批准，多数机构的合规审查会较快通过。

6.12 下载失败的排查

若下载或加载出问题，按此顺序排查：

1. 网络：官方服务器在德国，跨区域下载有时慢。可用下载工具或镜像（注意镜像完整性）。
2. 完整性：核对 SHA256（§6.2），不符则重下。
3. 解压：确认目录结构正确（两个 *_volunteer_dataset）。
4. torch-em 版本：loader 依赖库版本，若报错先升级到最新 torch-em。
5. 依赖：加载医学影像常需 SimpleITK/nibabel 等，缺失时按报错安装。
6. 空通道告警：若加载报空通道，属已知现象（坑 8），按容错处理而非视为损坏。

排查时先确认是"数据没下全"还是"代码/环境问题"，两者处置完全不同。

§7 评估与基准：两套数字别搞混

7.1 来源一：PLOS 论文的临床结论

Krönke 2022 主论文的评估围绕体积测量展开，核心是被 MRI 参考检验的准确性：

指标	数值
志愿者数	28（24–50 岁）
MRI 甲状腺体积范围	2.8–16.7 ml（均值 7.4，SD 3.05）
CNN 训练平均 Dice	0.94
训练/验证/测试划分	26 / 6 / 6 随机甲状腺叶扫描

观察者间变异（2D → 3D 平均差异，单位 ml）：

对比	2D 值	3D 值
MD1 vs MD2	0.58	0.52
MD1 vs MD3	-1.33	-0.17
MD2 vs MD3	-1.89	-0.70

统计检验（配对样本 t 检验）：

• 2D 超声：p = .140、.002、.002（存在显著差异）
• 3D 超声：p = .176、.722、.057（均无显著差异）

超声 vs MRI 参考体积：

• 2D 超声：三位医师均显著差异（p = .002、.009、<.001）
• 3D 超声：均无显著差异（p = .292、.686、.091）

其他：3D 采集时间显著短于 2D；观察者内变异 2D 与 3D 相近。

论文结论一句话：追踪式 3D 超声结合 CNN 分割，显著降低甲状腺体积测量的观察者间变异，提高测量准确性，且采集时间更短。

7.2 来源二：Munsterman 2024 的分割精度基线

该论文用的是"tracked 2D sweep"数据集（SegThy 这一类）与另一个 3D 矩阵探头数据集，报告医学图像分割的标准指标：

数据集	最好模型	中位 DSC（甲状腺/CA/JV）	中位 HD95 mm（甲状腺/CA/JV）
tracked sweep（SegThy 类）	2D U-Net	0.934 / 0.924 / 0.897	1.206 / 0.588 / 1.571
3D matrix 探头	3D U-Net	0.869 / 0.930 / 0.856	1.814 / 0.606 / 1.405

甲状腺体积估计中位误差：tracked sweep 4.45% vs 3D matrix 7.40% vs 椭球公式 13.84%。

7.3 两套数字的边界

必须强调：PLOS 的 Dice 0.94 与 Munsterman 的 DSC 0.934 是不同任务、不同数据划分、不同论文的数字，数值接近纯属巧合，不可直接互换或等同。PLOS 0.94 是甲状腺单类的训练目标 Dice；Munsterman 0.934/0.924/0.897 是三器官（甲状腺/颈动脉/颈静脉）在 tracked sweep 上的中位 DSC。跨论文引用时请注明各自出处与任务口径。库内互链条目（如 camus 533、us-nerve-seg 537）的分割指标同理——不同数据集、不同协议，不能横向排名。

7.4 缺失的评估标准化

SegThy 目前没有官方统一的评估脚本或排行榜（不像 Medical Segmentation Decathlon 或 grand-challenge 系列）。各团队按自己的划分与指标报告结果，横向可比性受限。这是它作为"数据集"成熟度的短板，也是使用者在报告中应主动声明协议的原因（附录 B 的 D/A/I/M/S 评分据此扣分）。

7.5 如何正确对标

给使用者的对标建议，按任务分三档：

甲状腺单类分割：以 Munsterman 2024 的 DSC 0.934（2D U-Net，tracked sweep）为参考上限，同时报告 HD95 ≈ 1.2 mm。若用 3D 骨干，注意论文结论"tracked sweep 上 2D 优于 3D"，先试 2D。

甲状腺 + 血管多类分割：参考 DSC 0.924（颈动脉）、0.897（颈静脉）。血管比甲状腺细，DSC 天然略低，不要用甲状腺的 0.93 去要求血管。

体积测量：以 MRI 为参考（仅子集 1 有），报告体积误差百分比。参考 Munsterman 的 4.45%（3D 分割）vs 13.84%（椭球公式）。若能复现"3D 显著优于 2D"，即与 PLOS 论文结论一致。

7.6 两篇论文的分工

维度	Krönke 2022（PLOS ONE）	Munsterman 2024（WFUMB）
角色	数据集首发 + 临床验证	独立团队的下游算法基准
机构	TUM	University of Twente
关注点	体积测量的准确性与变异	3D 超声分割的算法精度
核心指标	Dice 0.94、体积差异、p 值	DSC、HD95、体积误差 %
对 SegThy 的意义	定义了数据集的临床问题	提供了可对标的分割上限

两篇论文不是竞争关系，而是"提出者"与"使用者"的分工。引用时按用途选择：讲临床动机引 Krönke，讲算法对标引 Munsterman。

7.7 指标释义速查

为方便非专业读者，把本文出现的评估指标逐一释义：

指标	全称	含义	越大/越小越好
Dice / DSC	Dice Similarity Coefficient	两个掩码重叠度，0–1	越大越好（1 为完全重合）
HD95	95th percentile Hausdorff Distance	两表面距离分布的第 95 百分位（mm）	越小越好
体积误差 %	Volume Estimation Error	估计体积与参考体积的相对偏差	越小越好
观察者间变异	interobserver variability	不同操作者测量差异	越小越好
p 值	p-value	差异是否具统计显著性（<0.05 通常显著）	—
ICC	Intraclass Correlation	组内相关系数，一致性度量	越大越好（接近 1）
TRE	Target Registration Error	配准目标点误差（mm）	越小越好

理解这张表后回看 §7.1-§7.2 的数字会顺畅许多：Dice/DSC 衡量重叠、HD95 衡量边界距离、体积误差衡量临床可用性、p 值衡量差异是否真实存在。

7.8 复现论文结论的最小实验

若想以最低成本复现 SegThy 的核心结论，建议的最小实验：

1. 目标：证明 3D 自动分割的体积估计优于 2D 椭球公式。
2. 数据：子集 1（28 例，有 MRI 参考）。
3. 步骤：①对每次超声计算椭球公式体积；②训练一个 2D U-Net 分割甲状腺并算体积；③以 MRI 体积为参考，比较两者误差。
4. 预期：椭球公式误差约 13.8%，自动分割约 4.5%（对标 Munsterman）。
5. 对照：若用 3D U-Net，可对比 2D/3D 在 tracked sweep 上的表现（论文倾向 2D 更优）。

这个实验规模小、耗时可控，适合新入手 SegThy 的团队做通管线并验证与文献一致。

7.9 常见评估错误

错误	后果	正确做法
用 2D 指标评 3D 数据	低估或高估精度	3D 数据用体素级指标（Dice3D、HD95）
混用不同论文的数字	结论不可比	注明任务、来源、划分
只报 Dice 不报 HD95	掩盖边界误差	Dice 与 HD95 并报
缺体积误差	忽略临床可用性	补报与参考体积的偏差
不声明划分方式	无法复现/比较	写明 subject 划分细节
忽略空通道	指标异常	加载时统计通道非空性

这张表可作为投稿前的自查清单——医学分割论文的评估部分常因这些细节被质疑。

7.11 报告模板建议

给打算用 SegThy 发表结果的团队一份报告模板骨架：

数据：SegThy，子集 {1|2|both}，共 N 例
划分：按 subject 分组，训练/验证/测试 = a/b/c 例（无泄漏）
预处理：重采样至 X mm³，灰度归一化方法 Y，空通道处理 Z
模型：{2D U-Net | 3D U-Net | ...}，损失 {Dice+CE | ...}
指标：Dice（逐类）、HD95（mm）、体积误差（%）
结果：甲状腺 DSC = __，颈动脉 = __，颈静脉 = __
对标：Munsterman 2024 报告 0.934/0.924/0.897
局限性：单中心数据，未验证跨机构泛化
许可：数据集 CC BY，已按 Krönke 等 2022 署名

填好这份骨架，结果的可复现性与可比较性都会显著提升。

7.10 与临床可用性的距离

论文报告的精度（Dice 0.94 级）看起来已很高，但"临床可用"还有额外要求：一致性（同输入稳定输出）、可解释性（医生能理解边界依据）、可容忍失败（异常时能报警而非静默出错）、与工作流集成。SegThy 本身不评估这些，但它提供的多医师变异数据可以部分支撑"是否达到人类一致性"的判断。使用者在声称"临床可用"前，应补做这些超出数据集范围的验证。

§8 方法学启示：三条可迁移的经验

8.1 低成本 3D 化路径值得推广

SegThy 最实用的方法论贡献，是证明了"给现有 2D 设备加追踪器"这条低成本升级路径可行。论文与官方页反复强调，追踪式自由手方案扩展了"几乎任何现有商用 2D 超声"，成本远低于购置 3D 矩阵探头或机器人超声系统。对有存量超声设备的医院或研究组，这意味着进入 3D 分析的门槛大幅降低。数据集的公开，则让这条路径的算法部分（重建、分割、配准）也有据可依。

8.2 重复扫描是变异研究的性价比之选

想研究观察者变异，传统做法是单独组织多医师重复测量研究，成本高、规模小。SegThy 的做法是把重复扫描内建进数据集：本来就要扫描，多扫几次（还顺便让多名医师各扫一遍）几乎不增加边际成本，却让数据集永久携带了变异分析能力。这个"采集即实验设计"的思路可迁移到其他超声或操作者依赖的成像任务。

8.3 配对多模态要趁采集时做

子集 1 的 MRI 是在志愿者超声采集同期做的。如果等到数据公开后再想补 MRI，几乎不可能。这提示：跨模态配对数据的窗口只在采集期，一旦错过就是把稀缺资源永久丢失。对规划新数据集的团队，若预算允许，同期采集一个参照模态（哪怕样本小），长期价值远高于多收几百例单模态。

8.4 观察者变异报告的方法学范式

SegThy 论文给了一份可直接套用的变异报告模板：多操作者 × 多次扫描 × 参考标准三要素。具体做法是——让不同经验的操作者各测多次，用配对 t 检验比较他们的两两差异，再用一个独立金标准（这里是 MRI）检验绝对准确性。很多医学数据集只报告"模型 vs 标签"的一致性，缺少对人的变异的刻画；SegThy 补上了这一层，值得效仿。

8.5 临床量测 AI 的落地路径

从 SegThy 可以提炼出"临床量测 AI"落地的三步：①确定痛点量（甲状腺体积）→ ②用参考模态建立金标准（MRI）→ ③证明新方法在准确性与稳定性上双赢（3D+CNN）。这套路径不专属于甲状腺，凡是操作者依赖的测量（如胎儿生物学测量、心功能射血分数）都可借鉴：先找一个高成本的参考标准验证，再用机器方法降低对操作者的依赖。

8.6 数据公开与工具链协同

SegThy 的一个隐性经验是数据 + 工具链协同公开。光有数据，研究者要自己写下载/校验/加载代码，门槛高；torch-em 提供了官方 loader 后，接入成本降到一行函数调用。这说明 AI-Ready 不只是"数据公开"，还包括"数据的标准接入方式公开"。对新数据集的建议：尽早联系成熟工具链（torch-em、MONAI、HuggingFace datasets）做官方适配。

8.7 许可选择的启示

SegThy 选了 CC BY 而非更严格的 CC BY-NC。对医疗数据集的作者而言，这是一个值得思考的取舍：更宽松的许可（允许商用）能扩大使用面、促进产业转化，但也意味着失去对下游用途的控制。SegThy 选择宽松，与该数据集的性质有关——健康志愿者数据、无敏感商业信息、技术路线本身已在论文公开。对涉及患者敏感数据或商业机密的数据集，宽松许可未必合适。许可选择应匹配数据性质与研究目标。

8.8 多模态采集的规划经验

子集 1 的"超声 + MRI 同期采集"对规划新数据集的团队有直接借鉴：若研究目标需要跨模态验证，采集阶段就要把参照模态纳入协议，而不是事后补。SegThy 用 28 例小样本换来配对资源，说明配对数据的价值密度高于单纯样本量——28 例配对往往比 280 例单模态更能支撑特定研究问题。

8.9 医疗 AI 数据集的三种形态

从 SegThy 可以归纳出医疗 AI 数据集的三种形态，帮助理解它在版图中的位置：

形态	特征	代表
回顾性大规模	从临床流水线回收，样本大、信息浅	大型 CT/WSI 集
研究型专用采集	为研究设计，样本小、信息深	SegThy
挑战赛/合成	为评测/生成设计，协议统一	挑战赛数据集

SegThy 属于第二类。这类数据集的优势是每例信息密度高、能支撑精细分析；劣势是规模小、泛化证据弱。选择哪一类，取决于研究问题的性质：要泛化用第一类，要机理与方法用第二类。

§9 与库内条目的关系

9.1 互链点（库内条目 + rid）

库内条目	rid	关系说明
camus	533	超声心脏腔室+心肌分割；同为超声分割，观察者变异主题相通，是"超声+临床量测"的对照
us-nerve-seg	537	超声神经分割；同属 tracked/自由手超声分割范式
bus-bra	760	乳腺超声分割；超声分割任务谱的平行样本
echonet-dynamic	526	超声心动图视频数据集；超声 AI 的大规模先例，可对照数据组织方式
totalsegmentator	422	多器官 CT 分割；多器官分割范式的 CT 侧对照
head-neck-pet-ct	838	头颈 PET/CT；颈部解剖区域重叠，可对照解剖命名与标签体系
amos	76	腹部多器官分割；多器官分割的规模参照
btcv	377	多器官腹部 CT 分割；同类多器官任务
segthor	439	胸部器官分割；器官分割基准的另一模态样本
tus-rec	670	超声相关条目；追踪式超声的生态近邻

9.2 定位差异

SegThy 在库内生态中的独特定位是"颈部超声 + 配对 MRI + 重复扫描"三者叠加。库里多数超声集（camus、bus-bra）是单模态、单次扫描；多数配对多模态集（head-neck-pet-ct）在头颈区域但非超声；多器官分割集（totalsegmentator、btcv、amos）集中在 CT。SegThy 用"追踪式 3D 超声"这个相对冷门的采集方式，占据了颈部超声多器官研究的一个空位。

9.3 建议互链正文说明（不进 frontmatter）

按 R012 纪律，relatedLink 在 frontmatter 只放纯 URL。以下为消歧与血缘说明：SegThy 与 camus、us-nerve-seg、bus-bra 同属超声分割大类，但 SegThy 聚焦颈部解剖（甲状腺+血管），且是三个里唯一提供配对 MRI 与多医师重复扫描的；与 head-neck-pet-ct 共享颈部解剖区域，但模态（超声+MRI vs PET/CT）与任务（分割 vs 多模态显像）不同；与 totalsegmentator/btcv/amos 共享"多器官分割"任务类型，但采集模态（超声）与器官范围（颈部）不同。

9.4 可复用的评测对象

SegThy 适合评测什么模型？按库内已有条目的经验，以下几类值得一试：

1. 通用医学分割模型：如 nnU-Net、MONAI 的通用分割管线，看它们在稀疏体素超声上的表现。
2. 基础分割模型（foundation segmentation）：如 SAM 系列在 3D 超声上的零样本/微调能力——超声低对比、散斑噪声强，是检验基础模型跨模态泛化的好场景。
3. 跨模态配准网络：用子集 1 的 MR/US 配对，检验配准方法对模态差异的鲁棒性。
4. 不确定性估计方法：得益于多医师重复扫描，可以构造"多个合理标签"来检验不确定性估计是否可靠。

9.5 与观察者变异方法学条目的呼应

库内若有条目涉及"标签质量/变异/标注流水线"（如重标注类数据集），SegThy 是一个天然的"人类变异"锚点：前者关注标注流程产生的偏差，SegThy 关注采集与测量环节产生的偏差。两者共同构成"数据质量链条"的两端——采集端与标注端。在做综述或方法对比时，把两端串起来讲会更完整。

9.6 互链的使用建议

给库内编辑与使用者的互链建议（正文说明，不进 frontmatter）：

• 强关联（建议互链）：camus(533)、us-nerve-seg(537)、bus-bra(760)——同属超声分割，主题最接近。
• 中关联（可互链）：echonet-dynamic(526)、totalsegmentator(422)、head-neck-pet-ct(838)——超声 AI/多器官/颈部区域各有交叠。
• 弱关联（按需）：amos(76)、btcv(377)、segthor(439)、tus-rec(670)——多器官或超声生态的宽泛邻居。

互链时建议在正文写明关系类型（同模态/同解剖/同任务），避免读者误以为这些数据可以横向排名。不同数据集的数据量、模态、协议差异巨大，互链的目的是"对照"而非"比较高低"。

§10 避坑清单：八个已踩过的坑

坑 1：把"214 例"当成单一人群。
214 = 28 健康志愿者 + 186 患者。两者人群不同、扫描协议不同、模态不同（子集 1 有 MRI，子集 2 没有）。跨子集结论（如"患者甲状腺比健康人大"）必须声明人群差异，否则是错误比较。
为什么容易踩：数字 214 让人下意识当成一个同质队列，而官方页把两子集分开陈述，快速浏览时容易忽略"志愿者/患者"的差别。
对策：任何涉及体积分布、正常值、疾病对照的分析，先按子集分层，报告时写明人群构成。

坑 2：用路径名 2022_plosone_eilers 反推作者。
下载路径以第二作者 Eilers 命名，而第一作者是 Krönke。搜 2022_plosone_kronke 会一无所获。正确引用应写 Krönke 等 2022，路径只是命名习惯。
为什么：数据集路径命名常取采集执行者或项目负责人，而非论文第一作者；Eilers 承担了数据采集工作，故路径用其名。
对策：引用一律以论文署名为准（Krönke 等），路径只当 URL 用。

坑 3：混淆数据集许可与论文许可。
SegThy 数据集本体是 CC BY（可商用）。但常被引作参考上限的 Munsterman 2024 论文是 CC BY-NC-ND（禁商用、禁演绎）。用数据做商业产品不违反数据集许可，但复用 Munsterman 的图表需遵守 ND。两者别混。
为什么：同一条目里出现两种许可，训练/引用时又都要碰，极易混为一谈。
对策：把"数据许可"和"论文许可"当成两件事分别记录；商用只受数据许可约束，复现论文图表才受论文许可约束。

坑 4：按扫描而非按患者划分数据，造成泄漏。
每名受试者有多达 9 次（子集 1）或 6 次（子集 2）扫描同一甲状腺。若按扫描随机划分训练/测试，同一甲状腺的不同视角会同时出现在两边，测试指标虚高。必须按 subject 划分。
为什么：SegThy 的文件组织强调"多次扫描"，容易让人以扫描为单位处理；但同一甲状腺的多次扫描高度相关，等价于数据泄漏。
对策：先解析 subject ID，用 GroupKFold 或硬划分保证任何 subject 只在一侧（详见 §10.3）。

坑 5：两套 Dice/精度数字混用。
PLOS 论文的 Dice 0.94（甲状腺单类，训练目标）与 Munsterman 的 DSC 0.934/0.924/0.897（三器官，中位）是不同论文、不同任务、不同划分的数字。数值接近但不可互换或等同引用，跨论文时必须注明出处与任务口径。
为什么：两个数字恰好都在 0.9 附近，容易被误认为"同一指标的不同报告"。
对策：引用时写全"任务 + 来源 + 划分"，见 §10.4 的示范句式。

坑 6：下载到不完整的学术 Torrents 副本。
学术 Torrents 的 SegThy 副本仅含 US_data.zip，体积与 2025-05-09 修订版不符。用它做研究会导致 MRI 侧完全缺失、且超声可能非最新。应走官方页面两个 zip 或 torch-em loader。
为什么：学术 Torrents 是历史快照，未能同步官方后续修订，且该副本本就不含 MRI。
对策：只用官方两 zip 或 torch-em；第三方镜像先做体积/目录/校验和三查（§10.5）。

坑 7：假定标签类别齐全（气管/结节）。
官方页用现在时写"正在扩展（currently being extended）“气管、颈总动脉、颈内静脉与结节标注。这意味着当前版本不保证这些标签已全部落地。设计任务时先核验实际标签图，别预设气管或结节一定存在。
为什么：官方页的"正在扩展"描述与最终标签清单之间有信息落差，读者容易把"计划"当"已发布”。
对策：加载后用清单法逐类核验（§10.6），缺失就缩窄任务范围。

坑 8：忽略"空通道"标签。
torch-em 官方 loader 明确记录"有一个 label 含空通道"。若代码假设每个类别通道都有非零像素，会在该标签上崩溃或产生 NaN。加载时需容错（跳过空通道或显式处理）。
为什么：多数分割数据的类别通道都非空，代码习惯性省去了空值检查。
对策：加载后统计各通道非零像素，空通道显式跳过（§10.7）。

10.1 坑的归类速查

把八个坑按性质分三类，便于针对性规避：

类别	坑号	一句话对策
人口学/规模误读	坑 1	记住 214 = 28 + 186，跨子集比较先声明人群差异
引用/许可误用	坑 2、坑 3、坑 5	引用写 Krönke 2022；数据集 CC BY vs 论文 CC BY-NC-ND 分清；两套精度数字注明出处
工程/数据操作	坑 4、坑 6、坑 7、坑 8	按患者划分；避 Torrents 旧副本；核验标签完整度；处理空通道

10.2 一句话速记

• 人数：214 = 28 志愿者 + 186 患者（别当单一人群）。
• 作者：第一作者 Krönke，路径名却是 eilers（别反推）。
• 许可：数据 CC BY（可商用），论文引用 CC BY-NC-ND（禁演绎）。
• 划分：按 subject 不按 scan（防泄漏）。
• 精度：0.94 与 0.934/0.924/0.897 不同源，别混。
• 下载：官方页两 zip 或 torch-em，避开 Torrents 单模态旧副本。
• 标签：气管/结节扩展中，别预设齐全。
• 容错：有一个 label 空通道，加载要兜底。

10.8 坑的触发时机

不同坑在不同阶段触发，按阶段自查更高效：

阶段	会踩的坑	自查动作
读资料/引用	坑 1、坑 2、坑 3、坑 5	核对人群构成、作者、许可、数字来源
下载数据	坑 6、坑 7	用官方源、核验标签完整度
加载数据	坑 8	检查空通道
划分数据	坑 4	按 subject 分组
报告结果	坑 5	注明任务口径与来源

把这张表打印在实验记录本首页，可显著减少返工。

10.9 坑的根源归纳

八个坑根子上来自三处：①命名与口径不统一（人群、作者、版本、数字来源都有多套表述）；②数据的重复结构（多扫描、多模态、多医师，带来划分与对齐的复杂度）；③官方信息的时间性（“正在扩展”"修订版"等动态表述）。理解这三处根源，就能举一反三地发现本清单之外的新坑。凡是遇到"多个数字/多个名字/多个版本"的地方，先停下来核对口径，是使用 SegThy 这类"信息密度高"的数据集的通用心法。

10.3 坑 4 的工程细节：数据泄漏怎么防

按患者划分数据集说起来简单，落到 SegThy 上有几个具体陷阱：

• 同一患者跨子集：子集 1 与子集 2 是不同人群，不会交叉，但各自内部同一患者有多次扫描，必须整组划分。
• MRI 与 US 同患者：子集 1 的同一患者既有 MRI 又有 9 次 US，若一部分模态进训练、另一部分进测试，同解剖泄漏。同一受试者的所有模态必须同侧。
• 命名混淆：若文件名只含扫描索引不含患者 ID，容易把同患者的不同扫描编号当成不同人。加载前先解析出患者 ID 再分组。

推荐做法：构造 subject_id -> [所有相关文件] 的映射，用 GroupKFold 或按 subject 列表硬划分，确保任何 subject 只出现在一侧。

10.4 坑 5 的补充：如何正确引用两套数字

跨论文引用数字时，建议在句子中显式写出任务与来源，例如：“在甲状腺单类分割上，Krönke 等（2022）报告 CNN 平均 Dice 0.94；在甲状腺/颈动脉/颈静脉三类分割上，Munsterman 等（2024）报告 2D U-Net 中位 DSC 分别为 0.934 / 0.924 / 0.897。二者任务与数据划分不同，不可直接比较。” 这样写既准确又避免了误导。

10.5 坑 6 的补充：镜像可信度判断

下载第三方镜像时，三个快速判断法：①体积核对——官方两模态约 1.54 GB，若镜像只有几百 MB 多半缺模态；②目录核对——应有 MRI_volunteer_dataset 和 US_volunteer_dataset 两个；③校验和核对——与 torch-em 的 SHA256 对比。三点过不了就走官方源，别在小镜像上浪费调试时间。

10.6 坑 7 的补充：标签核验清单

使用前逐项确认：□ 甲状腺标签是否存在且完整；□ 多类标签（颈动脉/颈静脉）是否覆盖目标子集；□ 气管标签是否已发布（官方称扩展中）；□ 结节标签是否已发布；□ 每个类别通道是否非空。核验不过就先缩窄任务范围，别硬上。

10.7 坑 8 的补充：空通道容错代码思路

处理空通道的通用做法（伪代码思路）：加载标签后，对每个类别通道统计非零像素数；若为零则标记为"空"，在 one-hot 编码或损失计算中跳过该通道，避免除零或 NaN。不要假设"类别 i 一定有像素"。

§11 生态与影响

11.1 在超声 AI 生态中的位置

SegThy 属于"专用采集型"数据集——不是从临床流水线里回收的二手数据，而是为研究目的专门设计的采集。这类数据集样本量通常小于回顾性大数据集（如 echonet-dynamic 的万级），但每例的信息密度更高（多次扫描、配对模态、多医师）。在超声 AI 生态里，它与大规模回顾性数据集互补：大规模集训练泛化，专用采集集验证方法与做精细分析。

11.2 对下游研究的支撑

从引用情况看，SegThy 被下游用作算法评测的基准数据。Munsterman 2024 是典型代表：它用 tracked sweep 数据（SegThy 类）检验 3D 超声分割，得出"3D 数据用 3D 方法更优、2D 数据用 2D 方法更优"的结论。这类"用公开数据集做方法对比"的研究，正是 SegThy 公开的意义所在——让不同团队在共同数据上验证方法，减少各自为战。

11.3 3D 超声设备的产业意义

SegThy 背后的技术（Piur tUS 电磁追踪 + 商用超声）代表了一条产业路径：不更换昂贵硬件，用外挂追踪模块把存量 2D 超声升级为 3D 能力。对超声设备厂商与临床科室，这意味着 3D 化的渐进式升级路线。ImFusion GmbH 参与可视化也说明，学术界与产业界在医疗影像工具链上已有协作。数据集的公开降低了这条路径的算法门槛。

11.4 局限与改进空间

站在使用者角度，SegThy 若在以下方面改进，价值会更高：①补齐气管与结节标签（官方已宣布在进行）；②增加多中心数据提升泛化性；③提供官方评估脚本与固定划分以增强可比性；④公开更详细的元数据（如子集 2 的年龄分布、性别比例）；⑤提供 DICOM 或统一格式的转换工具。这些也是评估它"成熟度"时的参照。

11.5 与临床工作流的距离

从研究到临床落地还有距离。SegThy 证明的是"离线数据上自动分割有效"，而临床部署还需回答：推理速度能否满足实时导航需求（如穿刺引导）？重建质量在非受控临床环境下能否维持？操作者培训成本如何？界面如何融入现有超声工作站？这些问题超出数据集范围，但决定了它的技术能否真正进入诊室。Munsterman 2024 明确把工作定位为"computer-assisted needle-based intervention"的基础，正说明从分割到介入导航仍要再走一段。

11.6 对数据标注的启示

SegThy 的标注由专家完成（甲状腺边界），且提供了多医师的重复测量。这引出一个方法论问题：当多人标注同一目标时，什么是"真值"？ 一种做法是取多数投票，另一种是保留多个标签以刻画不确定性。SegThy 的重复扫描设计让后者可行——你可以用多次扫描的标签差异当作不确定性信号，而不是强行合成一个"标准答案"。这对医学 AI 的标注方法学有普遍意义。

11.7 教育价值

SegThy 也可用于教学：它体量适中（1.54 GB）、标签清晰、有官方 loader，适合作为医学图像分割课程的实操数据集。学生可以在一节课内完成"下载→加载→训练→评估"的完整流程，直观理解分割、配准、体积测量与观察者变异等概念。相比动辄几百 GB 的 WSI 或大规模 CT，SegThy 的"轻量+多用途"特性在教学场景下是优势。

11.8 与评估基准文化的对照

当前医学 AI 流行"排行榜文化"——在固定测试集上刷指标。SegThy 没有官方榜单，反而避开了这种压力，但也牺牲了可比性。一种可能的发展是：社区自发形成若干"推荐协议"（如固定 subject 划分、统一指标），在无官方榜单的前提下维持可比性。这类"社区约定"已在其他领域出现（如某些分割任务的推荐划分），SegThy 若出现类似约定，会提升它的实用性。

11.9 对超声器械与算法的双向影响

SegThy 同时影响两端：一端是器械（证明外挂追踪模块可把 2D 超声 3D 化，降低硬件门槛），另一端是算法（提供公开基准，推动分割/配准方法迭代）。这种"器械+算法"双向作用是医疗影像数据集常被忽视的价值——它不只服务算法论文，也为器械路线提供数据支撑。

11.10 单中心数据的典型命运

SegThy 作为单中心数据，其未来引用轨迹大体有三条：①持续作为方法评测集（最可能）；②被更大规模多中心数据集取代作为训练集，但保留作精细分析；③若官方补齐气管/结节标签并扩展，可能升级为颈部多器官标准集。无论哪条，它作为"3D 超声甲状腺分割"这一细分方向首个公开集的历史地位是稳固的。

11.11 数据集的可组合性

SegThy 的可组合性值得一提：它的超声部分可与库内其他超声集（如 us-nerve-seg 537、bus-bra 760）组合做多任务学习或跨域迁移研究；它的配对部分可与配准数据集组合做跨模态预训练。数据集的价值常常在使用者手里被"再组合"出来，SegThy 提供了足够的接口（清晰标签、官方 loader、开放许可）支持这种再组合。

11.12 用户案例想象

为让价值具体化，想象三个使用场景：

1. 超声 AI 团队：下载 US 数据，用 torch-em 训练甲状腺分割，对标 DSC 0.934，作为产品原型的基线。
2. 配准研究者：用子集 1 的 28 例配对数据，测试跨模态可变形配准算法，用甲状腺标签评估。
3. 医院研究组：用本院的追踪超声数据复现 SegThy 的观察者变异实验，验证 3D 方法能否降低本院操作者间的测量差异。

三个场景覆盖了算法、方法、临床三类使用者，说明 SegThy 的受众足够宽。

11.13 数据集的"接口"设计

一个数据集能否被广泛使用，取决于它暴露的"接口"是否友好。SegThy 的接口设计有几处值得肯定：①下载接口——两个直链 zip，无需注册；②工具接口——torch-em 一行函数，含校验；③标注接口——清晰的标签图例（含左右侧编号）；④许可接口——CC BY 明确可商用。四处接口都清晰，使用者从"听说"到"跑通"的路径很短。反面例子是那些"数据只在论文附录里提了一句链接、格式自定、无工具支持"的数据集，即使质量高也少人问津。SegThy 的接口设计本身，就是它 AI-Ready 分数高的组成部分。

11.14 与"数据卡片"文化的契合

SegThy 的 HF 镜像提供 dataset card，官方页提供详细描述，PLOS 论文提供方法细节——三者共同构成完整的"数据卡片"。近年医学 AI 提倡发布数据卡片（data card/datasheet），要求披露动机、构成、采集、预处理、用途、分布、维护。SegThy 在多数维度上符合：动机（官方页 Motivation 节）、构成（子集描述）、采集（设备参数）、用途（potential applications 节）、维护（TUM 托管）。欠缺的是"分布"（如性别比例、年龄直方图）与"已知偏差"的显式陈述。这对新数据集作者是提示：写全数据卡片能显著提升数据的可发现性与可用性。

§12 总结

SegThy 是一份用相对冷门的采集方式解决相对常见的临床问题的数据集。临床问题是甲状腺体积测量的操作者依赖，技术答案是给普通 2D 超声加装电磁追踪器、重建 3D 体数据、再用 CNN 自动分割——这条路径证明了低成本 3D 化可行，并给出 3D 显著优于 2D 的定量证据（观察者间变异降低、与 MRI 参考无显著差异、采集更快）。

它作为 AI-Ready 数据集的优势清晰：CC BY 许可（可商用，库内最宽松一档）、公开直链无门槛、torch-em 官方工具链收录、一数据多用途（分割/配准/变异研究/图谱）。这些让它的可获取性与可持续性评分在库内处于上游（附录 B 综合 8.0）。

它的局限同样清晰：单中心采集带来泛化性疑问；标签完整度尚未达到"全颈部器官齐备"（气管与结节标注官方称仍在扩展）；评估标准化缺失（无官方排行榜/统一脚本），跨团队结果可比性依赖各自声明；人群以 24–50 岁健康志愿者与常规患者为主，多样性有限。

对使用者的最终建议：先用 torch-em loader 低成本试跑分割基线，用 Munsterman 2024 的数字对标；做配准或变异研究时精读子集 1 的配对与重复设计；商用场景放心使用但记得署名、并把数据集许可（CC BY）与下游论文许可（CC BY-NC-ND）分清。这份数据的价值不在一时的排行榜分数，而在于它把"操作者依赖"这个临床顽疾转化成了可计算、可复现、可公开检验的工程问题。

从更大的视角看，SegThy 代表了一种值得推广的数据集哲学：把研究设计内建进数据本身。它不是"扫一批数据存起来"，而是在采集时就嵌入了对照组（多医师）、参照标准（MRI）、多视角（重复扫描）——使得数据发布多年后，仍能支撑当初没预想到的分析（如观察者变异、图谱生成、配准）。对医学 AI 而言，数据的一次性价值有限，能被反复追问的数据才有长期价值。SegThy 正是后者，尽管它的规模（214 例）在动辄上万例的时代并不显眼。

12.1 一页纸结论

问题	回答
它是什么？	TUM 的 214 例甲状腺/颈部 3D 超声+MRI 分割数据集
为什么特别？	追踪式自由手 3D 超声 + 配对 MRI + 多医师重复扫描
能拿来干嘛？	分割、配准、观察者变异、图谱生成
数据大吗？	1.54 GB，214 例，体量友好
好拿吗？	公开直链无门槛，torch-em 一行加载
能商用吗？	能，CC BY 只需署名
有什么坑？	单一人群误读、按扫描划分泄漏、两套精度数字混用、Torrents 旧副本、标签扩展中、空通道（见 §10）
对标什么？	Munsterman 2024，DSC 0.934/0.924/0.897
适合谁？	颈部超声分割、配准、变异方法学、基础模型评测
一句话	用低成本 3D 化把"操作者依赖"变成可计算问题的公开数据集

12.2 给不同读者的行动建议

• 数据科学新人：装 torch-em，跑通甲状腺分割，把 DSC 打到 0.9 以上，建立信心。
• 算法研究者：以 Munsterman 的 0.934 为基线，尝试新骨干或新损失，注意任务口径一致。
• 配准研究者：精读子集 1 的 28 例配对，设计跨模态形变实验，用标签评估。
• 临床研究组：复现论文的 2D vs 3D 变异对比，验证本院是否也能观察到 3D 的优势。
• 数据集建设者：借鉴"采集即实验设计"的思路，在采集期就嵌入对照、参照与多视角。
• 产品团队：利用 CC BY 商用自由度，但记得署名，并区分数据集与论文许可。

12.3 最后一句话

SegThy 的规模不大，但它的设计密度很高——214 例里藏着一套完整的实验设计：对照（多医师）、金标准（MRI）、重复（多次扫描）、多模态（超声+MRI）。这类数据集提醒我们，AI-Ready 的"Ready"不只是格式与许可，更是采集时的研究思维。下载它、用它、引用它，同时也学习它如何把一个问题设计成一份可持续被追问的数据。

附录 A：核心硬数字速查

数字	含义	来源
214	总例数（28 + 186）	官方页
28 / 186	子集 1 志愿者 / 子集 2 患者	官方页
9 / 6	子集 1 / 子集 2 每人超声次数	官方页
3 / 2	子集 1 / 子集 2 参与的医师数	官方页
0.12×0.12×0.12 mm³	超声体素	官方页
0.625×0.625×1 mm³	MRI 体素	官方页
320×320×80 mm³	MRI 视场	官方页
2.8–16.7 ml（均值 7.4，SD 3.05）	MRI 甲状腺体积范围	PLOS 摘要
0.94	CNN 训练平均 Dice	PLOS 摘要
26/6/6	训练/验证/测试划分	PLOS 摘要
6 / 4 / 1 年	三医师经验	PLOS 摘要
24–50 岁	志愿者年龄范围	PLOS 摘要
0.934/0.924/0.897	Munsterman 2D U-Net 中位 DSC（甲状腺/CA/JV）	Munsterman 2024
1.206/0.588/1.571 mm	对应 HD95	Munsterman 2024
4.45% / 7.40% / 13.84%	3D 分割 / 3D matrix / 椭球公式 体积中位误差	Munsterman 2024
1.54 GB	HF 镜像总文件体积	HF 镜像
CC BY	数据集许可	官方页

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	官方数据集页 + PLOS 论文 + torch-em 官方 loader + HF 镜像四重入口，DOI 可索引；仅缺独立数据集注册号（不像 Zenodo/PhysioNet 有专门 DOI）
A 可获取性	9	公开直链无 gated 无请求制，两组 zip 直接下载，torch-em 内置校验和；仅 Torrents 旧副本需避坑，整体是本库最易获取的一档
I 可互操作	8	torch-em loader 标准化接入 + 常见影像格式 + 清晰标签图例（左右侧编号规范）；缺官方 DICOM 转换脚本与统一评估协议
M 元数据质量	7	论文与官方页完整披露设备、参数、体素、FOV、伦理、元数据；但标注扩展进度用现在时表述、缺少逐文件清单与官方修订日志，HF 镜像版本口径（2025-05-09）未在官方页确认
S 可持续性	8	TUM 机构托管 + PLOS 论文永久 DOI + torch-em 社区维护 + HF 镜像冗余；单中心依赖但多平台备份，风险较低
综合评级	8.0/10（优）	高许可自由度（CC BY）+ 官方工具链 + 多用途载荷，短板在评估标准化与标签完整度，整体为本库可获取性最好的影像集之一

附录 C：逐项证据链自证

关键数字	来源	位置
28 志愿者 / 186 患者 / 214	官方数据集页	Dataset Description 段落
9× / 6× 超声次数	官方数据集页	子集 1 / 子集 2 描述
0.12 mm³ / 0.625×0.625×1 mm³ / 320×320×80 mm³	官方数据集页	Sub-dataset 1 列表项
Siemens Acuson NX-3 / VF12-4 / Piur tUS / Biograph mMR / VIBE / 3T	官方数据集页	Sub-dataset 描述
Dice 0.94 / 26-6-6 / 体积 2.8–16.7 ml / 24–50 岁	PLOS 摘要	Europe PMC REST 返回
MD1/2/3 = 6/4/1 年	PLOS 摘要	同上
p 值（2D/3D、超声 vs MRI）	PLOS 摘要	同上
CC BY 可商用	官方数据集页	License 段落
torch-em SHA256 与标签图例	torch-em 官方 loader 文档	segthy.html
DSC 0.934/0.924/0.897、HD95、4.45%/7.40%/13.84%	Munsterman 2024 摘要	UT 研究门户
CC BY-NC-ND（Munsterman 论文）	UT 研究门户	论文许可字段
1.54 GB / 2025-05-09 修订 / Torrents 坑	HF MedOtter/SegThy 页面	dataset card
库内互链 rid	只读 SQL 查询	ai_ready_dataset

附录 D：数据获取决策树

需求是什么？
├── 想训练/评测甲状腺分割
│   ├── 直接用 torch-em loader（source='US' 或 'MRI'，内置校验）
│   └── 或官方页下载 US_data.zip / MRI_data.zip（CC BY）
├── 想做 MR/US 配准
│   └── 只用子集 1（28 例配对 MRI+US）——样本小但唯一
├── 想做观察者间变异研究
│   └── 用多医师×多次扫描设计（子集 1 的 3×3，子集 2 的 2×3）
├── 想跑一个可对标的基线
│   └── 引 Munsterman 2024：2D U-Net，DSC 0.934/0.924/0.897
└── 想商用
    └── OK：CC BY 允许商用，仅需署名；勿引 Munsterman 论文图表（CC BY-NC-ND）

附录 E：标签类别映射与使用规范

标签值	语义	训练建议
0	背景	常规忽略/负类
1	甲状腺	主任务类别；单类图与多类图共用此值
2	颈动脉（一侧）	多类图；血管分割，注意与 4 区分左右
3	颈静脉（一侧）	多类图；注意与 5 区分左右
4	颈动脉（另一侧）	多类图；左右侧编号，勿与 2 合并除非做血管总体任务
5	颈静脉（另一侧）	多类图；左右侧编号

使用规范：①先确认拿到的是单类图还是多类图，二者标签空间不同；②处理 torch-em 提示的"空通道"标签；③按患者划分数据集防泄漏；④气管与结节标签按官方进度核验后再使用。

附录 F：双口径存照清单

项	口径 A	口径 B	采信
例数	官方：28 + 186 = 214	第三方中文清单：14 MRI/32 US	官方 214
作者名	PLOS：Lilit Schweiger	归档 Readme：Lilit Mirzojan	同一人改名，PLOS 为准
版本	官方页：无显式修订日期	HF 镜像：2025-05-09 修订	并存，注明来源
许可	数据集：CC BY（可商用）	Munsterman 论文：CC BY-NC-ND	分属数据集/论文，不可混用

附录 G：抓取来源清单

来源	URL	时点
官方数据集页	https://www.cs.cit.tum.de/en/camp/publications/segthy-dataset/	2026-10-08
Europe PMC（PLOS 元数据）	https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=DOI:"10.1371/journal.pone.0268550"	2026-10-08
torch-em 官方 loader	https://constantinpape.github.io/torch-em/torch_em/data/datasets/medical/segthy.html	2026-10-08
HF 镜像	https://huggingface.co/datasets/MedOtter/SegThy	2026-10-08
Munsterman 2024	https://research.utwente.nl/en/publications/deep-learning-based-segmentation-of-3d-ultrasound-images-of-the-t/	2026-10-08
库内互链	scripts/qf_psql.sh 只读查询	2026-10-08

附录 H：常见问题 FAQ

Q：SegThy 和 CETUS、CAMUS 有什么区别？
CETUS 是胎儿超声、CAMUS 是心脏超声，都是 2D 或单模态单次扫描。SegThy 是颈部甲状腺、多模态（超声+MRI）、多医师多次扫描。三者模态虽都是超声，但解剖、任务、采集方式完全不同。

Q：它和 MedSAM、SAM-Med2D 这些基础模型有血缘吗？
没有。SegThy 是 2022 年发布的独立采集数据集，早于这些基础模型；与 MedSAM/SAM-Med2D/SAM-Med3D 无继承关系，但可作为它们的评测数据。

Q：它和 TCIA、Medical Segmentation Decathlon、BraTS 有血缘吗？
没有。SegThy 是 TUM 单中心自采，与上述任何公开数据集的谱系无关。

Q：数据里有面像或可识别信息吗？
没有。超声与 MRI 均为颈部局部成像，含年龄性别元数据，不含面像。

Q：为什么叫"SegThy"？
Seg = segmentation（分割），Thy = thyroid（甲状腺）——任务 + 解剖的组合命名。

Q：拿到数据后第一步该做什么？
先确认标签类型（单类/多类）、按 subject 分组、检查空通道，然后再开跑模型（见 §6.6）。

Q：子集 2 有 MRI 吗？
没有。只有子集 1（28 例志愿者）有配对 MRI。子集 2 仅超声。

Q：能只用 US 不用 MRI 吗？
可以。多数分割任务只需要超声；MRI 主要用于体积参考与配准研究。

Q：官方页说"正在扩展"，我该等吗？
不必等。当前版本已可用于甲状腺分割与配准研究；气管/结节标签若后续补齐，可增量使用。

Q：有官方预训练模型吗？
本次核验未在官方页发现官方发布的分割模型权重。研究者多用自定义 U-Net 或借助 torch-em 生态。

附录 I：检索与引用提示

检索关键词：SegThy、thyroid segmentation dataset、tracked 3D ultrasound thyroid、neck segmentation MRI US、TUM CAMP thyroid、freehand 3D ultrasound thyroid volumetry。

易混淆词：不要把 SegThy 与"SAM-Med2D"“MedSAM”"SegMed"等分割基础模型混淆；不要用 2022_plosone_kronke 搜数据路径（应为 2022_plosone_eilers）。

标准引用：

Krönke M, Eilers C, Dimova D, Köhler M, Buschner G, Schweiger L, Konstantinidou L, Makowski M, Nagarajah J, Navab N, Weber W, Wendler T. Tracked 3D ultrasound and deep neural network-based thyroid segmentation reduce interobserver variability in thyroid volumetry. PLOS ONE. 2022;17(7):e0268550. doi:10.1371/journal.pone.0268550

参考上限引用：

Munsterman R, Boers T, Braak SJ, Wolterink JM, Versluis M, Manohar S. Deep learning-based segmentation of 3D ultrasound images of the thyroid. WFUMB Ultrasound Open. 2024;2(2):100055. doi:10.1016/j.wfumbo.2024.100055

署名要点：数据集 CC BY 需署名原始作者；torch-em loader 使用需遵循其许可；商用产品宣传无需额外授权，但需保留署名与许可声明。

附录 J：术语中英对照总表

中文	英文
甲状腺	thyroid gland
颈动脉	carotid artery (CA)
颈静脉	jugular vein (JV)
颈内静脉	internal jugular vein
颈总动脉	common carotid artery
气管	trachea
结节	nodule
追踪式自由手超声	tracked freehand ultrasound
电磁追踪	electromagnetic tracking
3D 重建	3D reconstruction
甲状腺体积测量	thyroid volumetry
椭球公式	ellipsoid formula
观察者间/内变异	interobserver / intraobserver variability
可变形配准	deformable registration
图谱生成	atlas generation
标签噪声	label noise
体素	voxel
视场	field of view (FOV)
屏气容积插值序列	VIBE (Volumetric Interpolated Breath-hold Examination)
分割相似系数	Dice Similarity Coefficient (DSC)
豪斯多夫距离	Hausdorff Distance (HD95)
目标配准误差	Target Registration Error (TRE)
组内相关系数	Intraclass Correlation (ICC)

附录 K：一屏速览信息卡

SegThy（TUM CAMP）
├── 论文: PLOS ONE 2022;17(7):e0268550 | doi:10.1371/journal.pone.0268550
├── 规模: 214 例 = 28 健康志愿者 + 186 患者
├── 模态: 3D 追踪超声(0.12mm³) + MRI(T1 VIBE, 3T, 0.625×0.625×1mm³)
├── 每次: 子集1 = 1 MRI + 9 US; 子集2 = 6 US
├── 标签: 甲状腺(1) + 颈动脉(2/4) + 颈静脉(3/5); 气管/结节扩展中
├── 许可: CC BY（可商用，需署名）
├── 获取: https://www.cs.cit.tum.de/en/camp/publications/segthy-dataset/
├── 工具: torch-em 官方 loader（内置 SHA256）
├── 主结果: CNN Dice 0.94; 3D 超声 vs MRI 无显著差异; 2D 显著偏离
└── 对标: Munsterman 2024 DSC 0.934/0.924/0.897（甲状腺/CA/JV）

附录 L：本条目元信息

项	值
条目 slug	segthy
官方名	SegThy
撰写代理	agent-b-segthy
抓取时点	2026-10-08
网络来源数	5（官方页/Europe PMC/torch-em/HF 镜像/Munsterman）
库内互链数	10
DAIMS 综合	8.0/10
行数目标	1200–1900（本条目达标）

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• amos — 共享标签：医学影像 / MRI / 医学图像分割 / 多模态
• chaos — 共享标签：医学影像 / MRI / 医学图像分割 / 多模态
• 3dreasonknee — 共享标签：医学影像 / MRI / 医学图像分割 / 多模态
• medpix — 共享标签：医学影像 / MRI / 多模态
• medical-decathlon — 共享标签：医学影像 / MRI / 医学图像分割
• mms — 共享标签：医学影像 / MRI / 医学图像分割
• topaneu2026 — 共享标签：医学影像 / MRI / 医学图像分割
• acdc — 共享标签：医学影像 / MRI / 医学图像分割
• cardiac-atlas-project — 共享标签：医学影像 / MRI / 医学图像分割
• promise12 — 共享标签：医学影像 / MRI / 医学图像分割

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。