信息速览

数据集名称StructSeg 2019 — 头颈部与胸部 CT 危及器官分割挑战赛数据集

数据类型CT,NIfTI,Organ-at-Risk,Segmentation Mask,Head & Neck,Thorax

规模60

接入方式StructSeg 2019 Challenge (MICCAI) / Zhejiang Cancer Hospital url: https://structseg2019.grand-challenge.org/

AI 就绪度

StructSeg 2019: 头颈部与胸部 CT 危及器官分割数据集

条目定位：本条目属于「千方病案医数集」AI-Ready Wikipedia 系列，面向医学影像 AI 研究者、放疗物理师与数据工程师，提供 StructSeg 2019 挑战赛数据集的完整结构化档案。条目遵循 AI-Ready 规范，确保机器可解析、可引用、可复现。

INFOBOX

项目	内容
官方名称	Automatic Structure Segmentation for Radiotherapy Planning Challenge 2019
常用简称	StructSeg 2019 / StructSeg’19
slug	structseg2019
发布机构	MICCAI 2019（医学图像计算与计算机辅助干预大会）
供数机构	浙江省肿瘤医院（Zhejiang Cancer Hospital）
发布时间	2019 年 10 月（MICCAI 2019，深圳）
任务数量	4 个分割任务（Task1–Task4）
模态	CT（计算机断层扫描）
解剖区域	头颈部（Head & Neck）+ 胸部（Thorax/Lung）
训练样本	50 例（每任务 50 例，共 200 例次）
测试样本	10 例（隐藏 ground truth，在线评测）
标注类别	头颈 22 类 OAR / 胸内 6 类 OAR / 胸部器官等
数据格式	NIfTI（.nii.gz）
licensing	提供方声明开放获取（见 §6 许可与获取）
学科分类	医学影像 · CT · 医学图像分割 · 挑战赛数据集 · 肿瘤学
互链条目	han-seg / segthor / ct-org

§0 E-E-A-T 审核与免责

本条目依据 StructSeg 2019 挑战赛官方主页、官方数据集说明页、IEEE DataPort 托管条目、以及已发表的挑战赛相关学术论文撰写。所有关键事实均标注来源；凡存在口径冲突的数值，一律采用「双口径并存」写法，并说明各口径出处，避免单一来源误引。

经验（Experience）：条目包含挑战赛组织方公开的数据采集、标注与评测流程细节，来源于实际组织放疗靶区与危及器官分割竞赛的一线团队。

专业（Expertise）：作者梳理了放疗危及器官分割的临床背景、OAR 拓扑关系与评测指标（Dice、HD、HD95、ASD），并给出可复现的预处理与基线建议。

权威（Authoritativeness）：事实主要来自 MICCAI 官方挑战赛网站、IEEE DataPort（DOI: 10.21227/h75x-gt46）以及 Neurocomputing 期刊特刊中的挑战赛总结论文。

可信（Trustworthiness）：本条目明确区分「官方声明」与「第三方观察」；对测试集标注不公开、挑战赛评测端口状态等易过期信息给出时间戳与访问日期。

免责声明：本条目为研究用途的数据集档案，不构成医疗器械或临床决策建议。数据使用须遵守原始许可条款；临床场景下的自动分割结果必须由具备资质的专业人员复核。千方病案医数集不对数据使用者基于本条目所作的推断承担任何责任。

§1 数据集概览

§1.0 30 秒速览

StructSeg 2019 是 MICCAI 2019 期间举办的自动结构分割放疗计划挑战赛数据集，由浙江省肿瘤医院提供 CT 影像与专家标注。它是少数专门面向放射治疗计划中危及器官（OAR）分割、并把头颈部与胸部合并为多任务框架的公开挑战赛数据集之一。数据集包含 4 个子任务，共 50 例训练 + 10 例测试（每任务），影像为 NIfTI 格式，涵盖头颈部 22 类与胸部若干类危及器官。挑战赛以 Docker 容器在线提交方式进行评测，测试集标注不公开。

一句话定位：如果你想研究「CT 上多器官自动分割在放疗 OAR 场景下的泛化」，StructSeg 2019 是一个头颈 + 胸部双区域、多任务、带官方评测基准的经典选择。

§1.1 摘要

放射治疗计划制定的核心步骤之一是勾画危及器官（Organ-at-Risk, OAR），即在照射靶区时需保护的关键正常组织。人工勾画耗时且存在观察者间差异，因此自动 OAR 分割成为医学影像 AI 的重要落地场景。StructSeg 2019 挑战赛正是在这一背景下提出，其设计要点包括：

多任务：将头颈部（Head & Neck）与胸部（Thorax/Lung）分割拆分为 4 个子任务，考察算法在不同解剖区域与不同器官复杂度下的表现。
多器官：头颈部任务覆盖 22 类 OAR，胸部任务覆盖若干胸腔器官，属细粒度多类分割。
统一评测：挑战赛提供统一的在线评测平台，以 Dice 等指标排名，形成可比基准。
真实临床来源：数据来自真实放疗计划 CT，反映临床扫描协议与勾画实践。

数据集关键属性速查：

属性	取值
发布年份	2019
会议	MICCAI 2019（深圳）
供数机构	浙江省肿瘤医院
模态	CT
任务数	4
每任务训练/测试	50 / 10
头颈 OAR 类数	22
胸部 OAR 类数	6（常见口径）
格式	NIfTI (.nii.gz)
评测	Docker 在线提交，测试标注不公开
长期托管	IEEE DataPort (DOI 10.21227/h75x-gt46)

§1.2 战略价值

放疗 AI 落地桥梁：OAR 分割是放疗工作流中自动化收益最直接的环节，StructSeg 2019 提供了贴近临床的评测场。
多器官泛化研究：22 类头颈 OAR 的细粒度分割，是检验模型对「类别不平衡 + 拓扑复杂解剖」鲁棒性的优良测试床。
跨区域迁移：头颈与胸部同时提供，便于研究跨解剖域的迁移学习与多任务学习。
基准可比性：官方榜单提供了与 nnU-Net 等强基线的可比参照，便于新方法定位。

§1.3 横向对比

数据集	年份	解剖区域	模态	任务数	训练样本	标注类别	测试标注
StructSeg 2019	2019	头颈 + 胸部	CT	4	50/任务	22（头颈）+胸内	不公开
SegTHOR	2019	胸部	CT	1	40	4（心脏/主动脉/气管/食管）	保留
HaN-Seg	2023	头颈	CT	1	42	30 OAR	保留
CT-ORG	2020	全身	CT	1	140	6（肺/骨/肝/肾/膀胱等）	N/A
AAPM Thoracic	2017	胸部	CT	1	36	心胸器官	N/A

对比要点：与 SegTHOR（仅胸部 4 类器官）相比，StructSeg 2019 头颈任务类别数达 22，难度显著更高；与 HaN-Seg（30 类 OAR）相比，StructSeg 2019 同时覆盖胸部并更早发布，是头颈 OAR 分割早期规模化基准之一。

§1.4 版本时间轴

时间	事件
2019-04 前后	挑战赛官网开放注册与数据发布
2019-07 前后	训练数据发布、Docker 提交端口开放
2019-10-01	官方报名/提交截止（以官网日期为准，见 FACTS §2 双口径存照）
2019-10-13~17	MICCAI 2019 于深圳举行，挑战赛结果公布
2021	挑战赛总结论文发表于 Neurocomputing 特刊
2023-02-22	数据经 IEEE DataPort（DOI: 10.21227/h75x-gt46）开放托管

口径提示：挑战赛关键日期在官网不同页面存在细微差异，本条目采用「以官网为准 + 双口径并存」策略，具体见 writing/structseg2019/FACTS.md §2。

§1.5 典型应用

自动 OAR 勾画工具开发：训练并评估头颈/胸部 OAR 自动分割模型。
多任务/多器官分割算法研究：研究共享骨干、任务特定头、类别不平衡处理。
域泛化与域适应：以单中心数据训练，在其他中心数据上测试泛化。
放射组学与剂量预测：分割结果作为下游剂量—体积直方图（DVH）预测的输入。
联邦学习与隐私保护：作为多中心协作的本地数据源之一。

典型研究对象矩阵：

研究方向	输入	输出	评价重点
单任务 OAR 分割	CT	多类掩膜	按类 Dice
多任务联合分割	CT	多任务掩膜	跨任务收益
域适应	源域 CT	目标域掩膜	跨集 Dice 保持
半监督	少量标注	全量掩膜	标注效率
分割质量评估	掩膜对	质量分	与专家一致性
下游剂量预测	CT+掩膜	DVH 参数	临床误差

与临床工作流对接建议：

自动分割输出先经后处理（连通域过滤、形态学平滑、跨类冲突消解）；
再由放疗医师/物理师人工复核并修订；
记录修订前后差异，作为模型在真实工作流中的质量监控信号；
将复核结果回流为增量训练数据，形成闭环。

落地提示：自动 OAR 分割的价值不仅在「替代人工」，更在「减少遗漏 + 提供初稿」。将模型定位为「助手」而非「决策者」，是合规与安全的共同前提。

§2 医学背景

§2.1 疾病与解剖背景（ICD-11 关联）

StructSeg 2019 面向的是放射治疗场景，其数据覆盖的头颈部与胸部恶性肿瘤在 ICD-11 中主要归属：

疾病类别	ICD-11 编码	说明
鼻咽恶性肿瘤	2B6B	头颈部常见放疗适应证
口咽恶性肿瘤	2B6A	头颈放疗主要病种之一
喉恶性肿瘤	2C23	头颈放疗病种
气管/支气管/肺恶性肿瘤	2C25	胸部放疗主要病种
食管恶性肿瘤	2B70	胸部放疗病种

说明：以上编码用于建立数据集与临床疾病的语义关联，数据集本身不含诊断标签，仅含影像与 OAR 勾画。疾病与数据集的关系是「该数据集服务于此类疾病放疗计划中的 OAR 勾画」。

§2.1b SNOMED CT 关联

概念	SNOMED CT 语义	关联方式
Radiotherapy planning	放疗计划流程	数据集核心应用场景
Organ at risk	危及器官	分割目标本体
Computed tomography	CT 成像	数据模态
Parotid gland	腮腺	头颈 OAR
Spinal cord	脊髓	头颈/胸部 OAR
Esophagus	食管	胸部 OAR
Heart	心脏	胸部 OAR

§2.2 流行病学

头颈部肿瘤全球年新发约 90 万例量级，鼻咽癌在中国南方及东南亚高发，放疗是其核心治疗手段之一。胸部肿瘤（肺癌、食管癌）全球负担更重，肺癌长期位居癌症死亡首位。放疗在这些病种的根治性或辅助治疗中占重要地位，而OAR 勾画是放疗计划质量的关键环节，直接关系到靶区覆盖与正常组织并发症概率（NTCP）。

数据关联：以上流行病学背景解释了为何放疗 OAR 分割是临床刚需，也解释了数据集为何集中于头颈与胸部两大类放疗高发病种。

§2.3 临床任务

StructSeg 2019 对应的临床任务是放疗计划 CT 上的危及器官自动分割，其流程包括：

患者定位与 CT 扫描（常带造影/平扫，取决于协议）；
医师/物理师手动或半自动勾画靶区与 OAR；
基于勾画做剂量计算与计划优化；
计划复核与治疗执行。

自动分割的目标是替代/加速第 2 步中的 OAR 勾画，减少人工时间并降低观察者间差异。

§2.4 患者人群

数据来源于浙江省肿瘤医院的放疗患者；
覆盖头颈部与胸部两类解剖区域；
患者数量有限（训练集约 50 例/任务量级），属中小规模单中心数据集；
人群以中国患者为主，存在地域与族裔偏倚，跨人群泛化需谨慎。

§2.5 临床价值

价值维度	说明
效率	自动勾画可将 OAR 分割耗时从数十分钟降至分钟级
一致性	降低观察者间差异，提升计划可比性
质控	作为人工勾画的二次校验，捕捉遗漏器官
可及性	缓解放疗物理师/医师资源不足地区的压力
研究	为剂量预测、自适应放疗等下游任务提供结构化输入

§2.6 参考金标准

放疗 OAR 勾画的临床参考金标准包括：

RTOG / NRG 勾画图谱：头颈部与胸部 OAR 的专家共识勾画指南；
DAHANCA / EORTC 指南：头颈放疗靶区与 OAR 定义；
各中心内部 SOP：结合本院协议的具体勾画规范。

StructSeg 2019 的标注由供数中心按临床规范完成，属「单中心金标准」；跨中心一致性评估需借助外部数据集（见 §7.8）。

§2.7 危及器官的临床意义与分割难点

放疗的基本原则是「靶区剂量最大化、正常组织剂量最小化」。危及器官（OAR）的分割精度直接影响剂量约束的评估，进而影响计划的可接受性。不同 OAR 的临床意义与其分割难点如下：

OAR 类别	临床意义	分割难点
串联器官（脊髓、脑干、视神经、食管）	单点超剂量即可致严重并发症	边界细长、与周围结构对比低
并联腺体（腮腺、颌下腺、甲状腺）	体积受量影响功能	腺体边界模糊、个体差异大
骨性结构（下颌骨、颞骨）	骨坏死风险	与骨皮质高密度区易混
小体积结构（耳蜗、垂体柄、中耳）	高精度要求	体积小、易被重采样抹除
大体积器官（肺、心脏）	低剂量体积约束	边界相对清晰但体积大

领域洞见：OAR 分割的难度分布高度不均——大器官贡献主要 Dice，小器官决定临床可用性。这也是 StructSeg 2019 加权平均 Dice 约 80% 却仍需谨慎解读的原因：平均值会被大器官「拉高」，掩盖小器官的失败。

放疗 OAR 的边界定义依赖勾画指南（如 RTOG/NRG 图谱），不同指南对同一器官的边界界定可能不同。跨中心、跨指南的数据混合训练时，需统一到同一解剖定义，否则监督信号自相矛盾。

§3 数据集规格

§3.0 版本抉择矩阵

使用场景	推荐任务	理由
头颈多器官细粒度分割	Task1 / Task2	22 类 OAR，类别丰富
胸部器官分割	Task3 / Task4	胸腔器官，器官对比度差异大
多任务联合学习	Task1+Task3 或全部	研究跨区域共享表示
快速验证新算法	单任务（如 Task3）	类别少、调试快
域泛化研究	全部任务	单中心 → 外部中心迁移

提示：4 个任务的划分细节以官网 Dataset 页为准；本条目采用「头颈 2 任务 + 胸部 2 任务」的常见描述，并保留多口径说明。

§3.1 模态

主模态：CT（计算机断层扫描），单模态。
成像细节：放疗计划 CT，层厚与像素间距依扫描协议而异（典型层厚 1–3 mm）。
不含：MRI、PET、剂量分布等模态（部分放疗流程会融合多模态，本数据集不含）。

§3.2 子集

子集	内容	样本量
Task1	头颈部 OAR 分割（子集 A）	50 训练 / 10 测试
Task2	头颈部 OAR 分割（子集 B）	50 训练 / 10 测试
Task3	胸部 OAR 分割（子集 A）	50 训练 / 10 测试
Task4	胸部 OAR 分割（子集 B）	50 训练 / 10 测试

双口径存照：训练样本量存在「50 例/任务」与「合计约 60 例」的不同表述，取决于是否将各任务合并计数。本条目采用逐任务 50 例的主口径，并在 FACTS §4 记录冲突出处。

§3.3 格式

影像：NIfTI（.nii.gz），三维体数据。
标注：NIfTI 掩膜，多类标签以整数编码。
命名：以患者/扫描标识组织，提交需遵循官方 Docker 接口约定。
坐标系：NIfTI 标准 RAS/头文件空间信息，预处理需注意方向一致性。

§3.4 大小

维度	估算
单例 CT 体数据	数十 MB 量级（依分辨率与层数）
单任务训练集	约 1–3 GB 量级
全数据集	数 GB 量级（4 任务合计）

精确体积以官方发布包为准；上表为基于典型头颈/胸部 CT 规模的量级估算，供存储规划参考。

存储与带宽规划参考：

场景	估算	建议
单任务训练集解压后	1–3 GB	SSD 存放
4 任务全量解压	数 GB	独立数据盘
训练缓存（预处理后）	与原始相当或更大	预留 2× 空间
多折交叉验证副本	不建议物理复制	用索引/软链

工程提示：预处理后的缓存若与原始数据同盘，需预留至少两倍空间；CacheDataset 内存缓存则需按体数据大小 × 例数估算 RAM，50 例头颈 CT 全量缓存对内存要求较高，建议结合实际调整 cache_rate。

§3.5 标注方式

标注类型：像素级/体素级语义分割掩膜（多类）。
标注对象：危及器官（OAR），不含肿瘤靶区（GTV/CTV/PTV）。
标注流程：由临床专业人员按放疗勾画规范完成，挑战赛方组织质控。
类别编码：头颈部最多 22 类 OAR，胸部含若干胸腔器官，具体类目见 §4.2。

§3.6 标注者资质

标注由供数医院（浙江省肿瘤医院）的放疗相关临床人员完成；
属单中心专家标注，未报告多中心交叉复核；
标注质量依赖中心内部 SOP，未见公开的观察者间一致性（IAA）指标。

§3.7 采集周期

数据采集跨越挑战赛筹备期（约 2018–2019 年）；
官方未公开精确采集起止日期；
影像为回顾性收集的放疗计划 CT。

§3.8 地域

来源地域：中国（浙江省肿瘤医院）；
人群：以中国患者为主；
偏倚提示：单地域单中心，跨地域/跨族裔泛化需外部验证。

§3.9 设备

扫描设备为放疗定位 CT 或其兼容设备；
官方未逐一公开扫描仪型号与厂商；
不同患者可能来自不同扫描协议，引入协议异质性。

§3.10 溯源链

浙江省肿瘤医院（供数）
        ↓
MICCAI 2019 StructSeg 挑战赛组织方（采集/标注/评测设计）
        ↓
grand-challenge.org（挑战赛平台与评测）
        ↓
IEEE DataPort（DOI: 10.21227/h75x-gt46，长期托管）
        ↓
研究者 / 开发者（下载使用，依许可条款）

§4 数据结构

§4.0 目录树

官方数据包解压后的典型组织结构（示意，实际以官方发布为准）：

StructSeg2019/
├── Task1/
│   ├── Train/
│   │   ├── Patient_01/
│   │   │   ├── data.nii.gz          # CT 影像
│   │   │   └── label.nii.gz         # OAR 多类标注
│   │   ├── Patient_02/
│   │   └── ...
│   └── Test/                        # 测试影像（无标注）
├── Task2/
├── Task3/
├── Task4/
└── README.md

注意：不同镜像/打包来源的目录命名可能略有差异（如 Task_1 vs Task1、img vs data），读取时应做鲁棒匹配。

§4.1 DAIMS 字段字典

下表以 DAIMS（Dataset and Information Model Schema 风格）描述本数据集的核心字段：

字段名	类型	必填	说明	取值/示例
scan_id	Text	是	患者/扫描唯一标识	`Patient_01`
task	Categorical	是	所属子任务	`Task1`–`Task4`
modality	Categorical	是	成像模态	`CT`
image	Image(3D)	是	CT 体数据（NIfTI）	`data.nii.gz`
label	Image(3D)	训练集是	OAR 分割掩膜	`label.nii.gz`
oar_class	Categorical	是	危及器官类别	`BrainStem`, `Parotid_L` 等
spacing	Numeric[3]	是	体素间距（mm）	依扫描协议
orientation	Categorical	是	方向编码	NIfTI 头信息
split	Categorical	是	划分归属	`train` / `test`
center	Text	是	数据来源中心	`Zhejiang Cancer Hospital`
license	Text	是	许可标识	见 §6

§4.2 标签分布

头颈部（Task1/Task2）22 类危及器官（常见类目）：

编号	OAR 名称	中文	结构类型
1	BrainStem	脑干	串联器官
2	SpinalCord	脊髓	串联器官
3	Parotid_L	左腮腺	并联腺体
4	Parotid_R	右腮腺	并联腺体
5	Submand_L	左颌下腺	并联腺体
6	Submand_R	右颌下腺	并联腺体
7	OpticNerve_L	左视神经	串联器官
8	OpticNerve_R	右视神经	串联器官
9	OpticChiasm	视交叉	串联器官
10	TemporalLobe_L	左颞叶	并联器官
11	TemporalLobe_R	右颞叶	并联器官
12	Mandible	下颌骨	骨性结构
13	Larynx	喉	串联器官
14	OralCavity	口腔	并联器官
15	Thyroid	甲状腺	并联腺体
16	Esophagus	食管	串联器官
17	Trachea	气管	串联器官
18	Cochlea_L	左耳蜗	小体积结构
19	Cochlea_R	右耳蜗	小体积结构
20	MiddleEar_L	左中耳	小体积结构
21	MiddleEar_R	右中耳	小体积结构
22	PituitaryStalk	垂体柄	小体积结构

口径提示：22 类类目基于挑战赛常见描述整理，个别类目在不同资料中名称或有无存在差异，使用时以官方标注文件的实际标签值为准。

胸部（Task3/Task4）主要器官（常见类目）：

编号	OAR 名称	中文	说明
1	Lung_L	左肺	大体积并联器官
2	Lung_R	右肺	大体积并联器官
3	SpinalCord	脊髓	串联器官
4	Esophagus	食管	串联器官
5	Heart	心脏	大体积器官
6	Trachea	气管	串联器官

胸部任务的具体类目与数量以官网 Task 描述为准；本表给出临床常见胸腔 OAR。

头颈部 OAR 的功能分组与训练影响：

分组	代表器官	体积占比	典型 Dice
大腺体	腮腺、颌下腺	中	较高（0.85+）
串联管状	脊髓、脑干、食管、气管	中	中高（0.80 上下）
骨性	下颌骨	中	高（0.90 上下）
小结构	耳蜗、中耳、垂体柄、视神经	极小	低（0.5–0.7，方差大）

训练含义：类别不平衡严重。若用未加权平均 Dice，小结构被大器官淹没；建议报告按类 Dice + 加权平均，并对小结构单独优化（如 focal loss、高分辨率分支、类别重采样）。

§4.3 关键统计

统计项	数值	来源
子任务数	4	官网
每任务训练样本	50	官网
每任务测试样本	10	官网
头颈 OAR 类别数	22	官网/资料
胸部 OAR 类别数	6（常见）	官网/资料
模态数	1（CT）	官网
文件格式	NIfTI (.nii.gz)	官网
切片总数（参考）	6151 / 4775（不同子集统计）	资料整理

§4.4 数据层级

Dataset (StructSeg 2019)
├── Task (4 个)
│   └── Split (train / test)
│       └── Scan (约 50 / 10 例)
│           ├── Image (CT 体数据)
│           └── Label (OAR 掩膜, 多类)
│               └── Class (OAR 类别)

§4.5 缺失值

测试集标注缺失：官方不公开测试集 ground truth，属设计性缺失；
部分类别缺席：并非每个患者都标注全部 22 类（例如部分小体积结构仅在有临床需要时勾画），因此存在类级别的缺失；
元数据缺失：设备型号、精确扫描参数、患者人口学信息未全部公开；
处理建议：训练时对缺席类别做 mask 忽略（ignore index），避免把「未勾画」当作负样本全部监督。

§5 数据划分

§5.1 官方划分

训练集：每任务约 50 例，含影像 + 标注，公开可下载；
测试集：每任务约 10 例，仅公开影像，标注保留在评测服务器；
评测方式：通过 Docker 容器在线提交，服务器返回指标。

§5.2 社区划分

由于官方测试集标注不公开，社区常见做法是：

自划分：从 50 例训练集中划出验证集（如 40/10 或 5 折交叉验证）；
固定种子：为可比性，建议公开划分种子与患者 ID 列表；
外部验证：在其他头颈/胸部数据集（如 HaN-Seg、SegTHOR）上做零样本测试。

§5.3 数据泄漏风险

风险	说明	缓解
患者重叠	同一患者多扫描可能跨划分	以患者为单位划分
同中心偏倚	训练/测试同源，指标乐观	外部验证
预处理泄漏	归一化统计量在全体上计算	仅用训练集统计
版本混淆	不同镜像标签值不一致	固定版本与校验和

§5.4 交叉验证

推荐对 50 例训练集做 5 折交叉验证（每折约 10 例），报告均值 ± 标准差；小体积器官（如耳蜗）方差大，建议单独报告。

§5.5 外部验证

外部数据集	区域	用途
HaN-Seg	头颈	头颈 OAR 跨集泛化测试
SegTHOR	胸部	胸部 OAR 跨集泛化测试
CT-ORG	全身	大器官泛化参考

§5.6 错误清单（常见划分错误）

❌ 把同一患者的不同扫描分到不同集合 → 泄漏；
❌ 在训练+测试全体上计算归一化统计量 → 泄漏；
❌ 用官方排行榜当作独立测试集反复调参 → 过拟合榜单；
❌ 忽略类级缺失，把未勾画类别当负样本 → 指标虚高；
❌ 不固定划分种子，导致结果不可复现。

§5.7 推荐划分方案（可复现模板）

为便于社区对齐，给出一个可复现的自划分模板（以 Task1 头颈为例）：

原始：50 例训练（含标注）
├── fold_0: val = [P01, P11, P21, P31, P41]
├── fold_1: val = [P02, P12, P22, P32, P42]
├── fold_2: val = [P03, P13, P23, P33, P43]
├── fold_3: val = [P04, P14, P24, P34, P44]
└── fold_4: val = [P05, P15, P25, P35, P45]

# 每个 fold：45 训练 / 5 验证；5 折循环
# 固定 seed=42，患者按 ID 排序后等距划分
# 报告：5 折均值 ± 标准差（按类 + 加权平均）

报告清单建议：

项	必报
划分文件（患者 ID 列表）	是
随机种子与库版本	是
按类 Dice（含小器官）	是
加权平均 Dice / HD95 / ASD	是
小器官单列（耳蜗等）	建议
外部验证结果	建议

§6 AI 就绪指南

§6.0 云端启动（可选）

若使用云 GPU 平台，建议：

# 示例：安装依赖
pip install monai nibabel numpy torch torchvision
pip install nnunetv2  # 可选，nnU-Net 基线

数据准备建议放在高速 SSD，避免 NIfTI 随机读取成为瓶颈。

§6.1 快速上手

import nibabel as nib
import numpy as np

img = nib.load("Task1/Train/Patient_01/data.nii.gz")
lab = nib.load("Task1/Train/Patient_01/label.nii.gz")

ct = img.get_fdata()          # float64 -> 建议转 float32
mask = lab.get_fdata().astype(np.int16)

print("CT shape:", ct.shape, "spacing:", img.header.get_zooms())
print("labels:", np.unique(mask))

§6.2 获取

官方渠道：挑战赛官网 structseg2019.grand-challenge.org
长期托管：IEEE DataPort，DOI 10.21227/h75x-gt46（Jun Shi / USTC 相关托管，2023-02-22）
许可：托管页标注为 CC BY 4.0（以页面实际声明为准）
注意：挑战赛提交端口在赛后关闭，仅数据可下载；下载页存在反爬，建议按官网指引注册获取。

§6.3 预处理

from monai.transforms import (
    LoadImaged, EnsureChannelFirstd, Spacingd, Orientationd,
    ScaleIntensityRanged, CropForegroundd, RandCropByPosNegLabeld
)

train_tf = [
    LoadImaged(keys=["image", "label"]),
    EnsureChannelFirstd(keys=["image", "label"]),
    Orientationd(keys=["image", "label"], axcodes="RAS"),
    Spacingd(keys=["image", "label"], pixdim=(1.0, 1.0, 2.0),
             mode=("bilinear", "nearest")),
    ScaleIntensityRanged(keys=["image"], a_min=-200, a_max=300,
                         b_min=0.0, b_max=1.0, clip=True),
]

HU 窗口：OAR 分割常用宽窗（如 -200 ~ 300 HU）；
重采样：各向异性层厚需统一，注意 mask 用最近邻；
方向对齐：统一为 RAS，避免左右器官互换。

预处理步骤小结：

载入：读取 .nii.gz，确保 affine 与方向正确；
方向归一：统一到 RAS（或 LPS，依团队约定），并写入数据卡；
重采样：设定目标间距（如 1×1×2 mm），image 双线性、label 最近邻；
强度窗：CT 用 HU 截断并线性缩放至 [0,1]；
前景裁剪：CropForegroundd 去除非解剖背景，减少无效体素；
Patch 采样：RandCropByPosNegLabeld 依前景/背景比例采样，缓解类别不平衡；
缓存：CacheDataset 加速多轮 epoch。

常见预处理错误：

❌ 先归一化再重采样（顺序错误会引入强度伪影）；
❌ label 用双线性插值（产生非整数标签）；
❌ 在全体数据上拟合强度统计（泄漏）；
❌ 忽略 affine，直接按数组轴当解剖轴。

§6.4 DataLoader

from monai.data import CacheDataset, DataLoader

ds = CacheDataset(data=files, transform=train_tf, cache_rate=1.0)
loader = DataLoader(ds, batch_size=2, shuffle=True, num_workers=4)

头颈/胸部 3D 体数据内存占用大，建议 cache_rate 折中（0.5–1.0）；
小显存可先用 patch-based 训练再滑窗推理。

滑窗推理示例：

from monai.inferers import sliding_window_inference
import torch

model.eval()
with torch.no_grad():
    logits = sliding_window_inference(
        inputs=batch["image"].cuda(),
        roi_size=(128, 128, 64),
        sw_batch_size=4,
        predictor=model,
        overlap=0.5,   # 50% 重叠，边界融合更平滑
    )
pred = torch.argmax(logits, dim=1)  # 多类 -> 类别图

多类损失示例（含类级缺失忽略）：

from monai.losses import DiceCELoss

# ignore_index 用于未勾画类别；class_weight 可选按频率设置
loss_fn = DiceCELoss(
    to_onehot_y=True,
    softmax=True,
    include_background=True,
    lambda_dice=1.0,
    lambda_ce=1.0,
)

§6.5 坑点清单

⚠️ 坑点 1：左右器官在 NIfTI 空间中互换（L/R 混淆）

问题：不同来源的 NIfTI 方向编码不一致，直接把数组轴当左右，导致 Parotid_L 与 Parotid_R 标签互换，训练指标看似正常但语义错误。
症状：混淆矩阵中出现左右类互换；外部验证指标骤降。
解决（简单）：加载后立刻 Orientationd(axcodes="RAS") 统一方向。
解决（进阶）：断言 affine 行列式为正；抽查若干例叠加可视化。
解决（SOTA）：在 pipeline 中固化方向约定并写入数据卡，作为团队规范。
参考：MONAI Orientationd 文档。

⚠️ 坑点 2：层厚/像素间距异质导致小器官丢失

问题：放疗 CT 层厚常为 1–3 mm 不等，重采样到统一间距时，耳蜗、垂体柄等小体积结构可能被抹除。
症状：小类 Dice 极低或为 0；掩膜出现空洞。
解决（简单）：重采样时 label 用 nearest，image 用 bilinear。
解决（进阶）：对小体积器官降低 z 轴重采样比例，或采用各向异性 patch。
解决（SOTA）：多分辨率级联/高分辨率分支专门处理小结构。
参考：nnU-Net 的 spacing 自适配策略。

⚠️ 坑点 3：类级缺失被当作负样本

问题：并非每例都标注全部 OAR，若把「未勾画」直接当背景负样本，会引入大量假负样本。
症状：模型对某些器官过度抑制；验证指标与推理行为不一致。
解决（简单）：对缺席类别使用 ignore_index。
解决（进阶）：为每类统计出现频率，按频率加权。
解决（SOTA）：类别存在性预测 + 分割两阶段。
参考：MONAI DiceCELoss 的 ignore 支持。

⚠️ 坑点 4：测试集标注不公开，无法本地算最终指标

问题：官方只给训练标注，测试 ground truth 保留在评测端，赛后端口关闭，无法本地复现榜单分数。
症状：无法直接比较论文报告成绩与自己实现。
解决（简单）：从训练集划出固定验证集自评。
解决（进阶）：采用 5 折交叉验证报告均值。
解决（SOTA）：用外部数据集（HaN-Seg/SegTHOR）做跨集验证，佐证泛化。
参考：本条目 §5.2、§5.5。

⚠️ 坑点 5：数据下载页反爬 / 许可口径不一

问题：grand-challenge 下载页对非浏览器请求返回 Forbidden；官网与托管页的许可表述需核对。
症状：脚本化下载失败；对能否商用存疑。
解决（简单）：手动浏览器登录下载。
解决（进阶）：走 IEEE DataPort 侧下载并记录 DOI 与访问日期。
解决（SOTA）：建立数据治理台账，逐条记录来源、许可、校验和。
参考：FACTS §6。

⚠️ 坑点 6：把 OAR 分割当作肿瘤靶区分割

问题：本数据集标注的是危及器官（OAR），不含 GTV/CTV/PTV 靶区，误用会得到错误的临床结论。
症状：任务定义与数据不匹配。
解决（简单）：明确任务边界，仅做 OAR。
解决（进阶）：若需靶区，另选含靶区标注的数据集。
解决（SOTA）：构建 OAR + 靶区的联合工作流并区分监督信号。
参考：§2.3 临床任务。

⚠️ 坑点 7：单中心人群偏倚被忽略

问题：数据来自单一医院、单一地域，模型在该中心的指标可能无法外推。
症状：外部数据上性能大幅下降。
解决（简单）：明确报告数据来源与局限。
解决（进阶）：在他中心数据上做外部验证。
解决（SOTA）：域适应/域泛化训练，或联邦学习。
参考：§2.4、§7.1。

§6.6 数据增强

空间：随机旋转（小角度，避免解剖不合理）、缩放、弹性形变（谨慎）；
强度：随机 HU 窗偏移、gamma、噪声、模糊；
注意：左右器官有强语义，禁用水平翻转（否则 L/R 语义翻转）。

§6.7 模型推荐

模型	定位	说明
nnU-Net	强基线	自配置 pipeline，挑战赛常用基线
U-Net 3D	通用	结构简单，易改
3D nnFormer / Swin-UNETR	先进	Transformer 系，长程依赖
SegResNet	稳健	MONAI 内置，易上手
级联/多任务网络	SOTA 方向	共享骨干 + 任务头

§6.8 硬件

规模	显存	建议
patch 训练	11–16 GB	128³ patch，batch 2
全器官训练	24 GB+	大 patch 或滑窗
推理	8 GB+	滑窗 + 高斯加权融合

§6.9 评估指标代码

import numpy as np

def dice(pred, gt, eps=1e-6):
    pred = pred.astype(bool); gt = gt.astype(bool)
    inter = np.logical_and(pred, gt).sum()
    return (2 * inter + eps) / (pred.sum() + gt.sum() + eps)

def surface_distance(pred, gt, spacing):
    from scipy.ndimage import binary_erosion, distance_transform_edt
    pred_s = pred ^ binary_erosion(pred)
    gt_s = gt ^ binary_erosion(gt)
    dt_gt = distance_transform_edt(~gt, sampling=spacing)
    dt_pred = distance_transform_edt(~pred, sampling=spacing)
    d1 = dt_gt[pred_s]; d2 = dt_pred[gt_s]
    surf = np.concatenate([d1, d2])
    return surf.mean(), np.percentile(surf, 95)

§6.10 MLOps 建议

版本控制：固定数据版本 + md5 校验和；
可复现：记录随机种子、库版本、划分文件；
监控：线上推理监控器官缺失率与体积异常；
合规：OAR 分割结果须经专业人员复核后方可用于临床。

§7 质量评估

§7.1 偏倚

偏倚类型	描述	影响
地域/族裔	单中心中国人群	跨人群泛化受限
机构	单一供数医院	设备与协议单一
选择	回顾性放疗病例	非随机抽样
标注	单中心标注，无 IAA	标注一致性未知

§7.2 标注质量

由临床专业人员完成，符合放疗勾画规范；
未见公开的多标注者一致性统计；
小体积器官（耳蜗等）标注难度大，质量可能参差。

§7.3 完整性

影像与训练标注配对完整；
测试标注按设计缺失；
元数据（设备、人口学）不完整。

§7.4 一致性

同一器官在影像与标注间的空间对应合理；
跨文件的方向与间距需统一处理后一致。

§7.5 时效性

数据采集约 2018–2019 年；
扫描协议与临床实践随年份演进，需注意时效。

§7.6 可用性

格式标准（NIfTI），工具链成熟；
规模适中，单机可处理；
许可与获取路径明确（见 §6.2）。

§7.7 DAIMS 24 项评分表

#	维度	评分(1-5)	说明
1	文档完整性	3	官网 + 论文，部分细节缺
2	元数据丰富度	3	基本元数据，缺设备/人口学
3	数据可获取性	3	需注册，下载页反爬
4	许可清晰度	3	托管页 CC BY，需核对
5	标注质量	4	临床专家标注
6	标注一致性	2	未公开 IAA
7	类别覆盖	4	头颈 22 类较全
8	样本量	2	单任务 50 例偏小
9	类别平衡	2	小器官严重不平衡
10	图像质量	4	临床级 CT
11	格式标准化	5	NIfTI 通用
12	可复现性	3	划分未固定公开
13	测试集独立性	3	标注不公开，但同中心
14	外部可验证性	3	可跨集验证
15	版本管理	2	版本标注不清
16	预处理友好	4	工具链成熟
17	规模可扩展	2	单机级
18	临床相关性	5	直击放疗 OAR
19	任务定义清晰	4	4 任务明确
20	基准可比性	4	官方榜单
21	社区活跃度	3	赛中活跃，赛后下降
22	长期可维护	3	IEEE DataPort 托管
23	伦理合规	4	一般要求去标识
24	综合可用性	3	中小规模、场景精准

总分：约 77/120。定位为场景精准、规模偏小的放疗 OAR 基准。

§7.8 外部验证矩阵

训练集	测试集	预期表现	备注
StructSeg 头颈	HaN-Seg	下降	类别定义与采集差异
StructSeg 胸部	SegTHOR	下降	器官集合部分重合
StructSeg	CT-ORG	大器官尚可	小器官差
他中心头颈	StructSeg 头颈	下降	反向泛化验证

§7.9 伦理合规

放疗 CT 属受保护的健康信息载体。使用 StructSeg 2019 时需注意：

数据应已在供数端完成去标识化（移除姓名、病历号、面部重建信息等）；
使用者不得尝试将影像与个体重新关联（重识别）；
若用于临床研究，需通过所在机构伦理审查（IRB/伦理委员会）备案；
发表结果时不得展示可识别个体的重建面像或独特解剖标志。

§7.10 公平性

维度	现状	风险
人群	中国单中心	对其他族裔可能偏差
性别/年龄	未公开分布	无法评估亚组差异
体型	放疗人群（多为肿瘤患者）	对非肿瘤人群泛化未知
设备	单一中心设备谱	对其他厂商 CT 泛化需验证

建议在方法报告中明确亚组分析缺失，避免把总体指标外推到特定人群。

§7.11 数据漂移

时间漂移：2019 年前后的扫描协议与勾画规范可能已演进；
设备漂移：新 CT 机型的噪声/重建算法差异会影响强度分布；
规范漂移：OAR 勾画指南更新可能改变边界定义；
应对：部署前做目标域数据上的再校准与再验证。

§7.12 质量改进建议

若自建同类数据集，公开多中心、多标注者交叉复核与 IAA；
报告按器官分层的指标，而非仅总体平均；
公开划分文件与随机种子，提升可复现性；
记录扫描参数与设备谱，便于域泛化研究。

§8 基准性能与生态

§8.1 排行榜（官方评测）

挑战赛采用在线排行榜，以 Dice 等指标对提交方案排名。参赛队伍包括学术界与工业界团队，榜单在 MICCAI 2019 期间公布并后续以论文形式总结。由于官方测试标注不公开，榜单分数为评测服务器计算，本地不可复现。

口径提示：具体名次与分数随榜单快照时间不同而变化，本条目不逐条固化易过期的名次，仅记录有论文支撑的综合结果（见 §8.2）。

榜单结构示意（列项以官方为准）：

排名	队伍/方法	Task1	Task2	Task3	Task4	说明
—	基线（nnU-Net）	—	—	—	—	参考线
—	挑战赛前列队伍	—	—	—	—	以论文/官网为准

榜单具体数值因时间与快照不同，建议直接查阅官网 Archive 与总结论文，避免引用过期分数。

§8.2 SOTA 与论文报告结果

来源	任务	指标	数值
Lei et al., Neurocomputing 2021（总结论文）	加权平均（多任务）	Dice	约 80.52%
Lei et al., Neurocomputing 2021	加权平均	95% HD	约 3.043 mm
Mei et al.（Task2 相关）	Task2	Dice	约 65.66%（报告为第二）
nnU-Net 基线	多任务	Dice	强基线参照

说明：上述数值来自公开论文与资料整理，存在四舍五入与口径差异；使用时应回溯原始论文。加权平均 Dice 约 80.52% 反映「大器官拉高、小器官拉低」的典型分布。

§8.3 评测协议

提交形式：Docker 容器，封装推理代码；
指标：Dice、HD、95% HD（HD95）、ASD 等（以官方为准）；
评测粒度：按任务、按器官类别分别统计；
防作弊：测试影像不公开标注，评测端计算，防止标签泄漏。

§8.4 相关数据集

HaN-Seg：头颈 OAR 分割数据集（30 类，2023）；
SegTHOR：胸部 OAR 分割（心脏/主动脉/气管/食管，2019）；
CT-ORG：全身多器官分割（2020）；
AAPM Thoracic Auto-segmentation：胸部自动分割基准（2017）。

§8.5 关键论文 Top 7

Lei et al. (2021)，Neurocomputing 特刊，StructSeg 2019 挑战赛总结与结果分析。
Isensee et al. (2021)，nnU-Net，Nature Methods —— 自配置分割基线。
Zhou et al.，头颈部 OAR 分割相关方法研究。
Chen et al.，挑战赛相关深度学习方法（榜单贡献团队）。
Mei et al.，Task2 相关方法（报告 65.66%）。
Nikolov et al. (2021)，Clinically Applicable Segmentation of Head and Neck Anatomy（HaN-Seg 相关）。
MONAI Consortium (2022)，MONAI 医学影像深度学习框架。

§8.6 社区活跃度

赛中：多支队伍提交，讨论活跃；
赛后：官方提交端口关闭，活跃度下降，主要作为离线基准使用；
复用：数据被后续头颈/胸部 OAR 分割论文引用与用作基线。

§8.7 生态快照

维度	状态
官方平台	structseg2019.grand-challenge.org（赛后归档）
长期托管	IEEE DataPort（DOI: 10.21227/h75x-gt46）
代码生态	MONAI / nnU-Net / 开源实现
引用基础	Neurocomputing 特刊论文

生态使用建议：

目的	推荐入口	备注
快速复现强基线	nnU-Net v2	自配置 pipeline，少调参
灵活搭建实验	MONAI	组件化 transform / loss / metric
对比 Transformer 方法	Swin-UNETR / nnFormer	长程依赖建模
处理小器官	级联 / 高分辨率分支	单独优化小结构
跨集验证	HaN-Seg / SegTHOR	头颈/胸部外部测试

与千方病案医数集互链的语义定位：

han-seg：同属头颈 OAR 分割，类别更细（30 类），可与 StructSeg 头颈任务做跨集泛化对照；
segthor：同属胸部 OAR，但类别更少、专注 4 类器官，可作胸部任务的外部参照；
ct-org：全身多器官，属大器官范畴，适合与 StructSeg 的大器官结果对照。

互链价值：三个数据集在「解剖区域 × 器官粒度 × 规模」上互补，组合使用可构建更全面的 OAR 分割评测矩阵。

§9 相关资源与引用

§9.1 官方资源

资源	链接
挑战赛官网	https://structseg2019.grand-challenge.org/
数据集说明页	https://structseg2019.grand-challenge.org/Dataset/
IEEE DataPort 托管	DOI 10.21227/h75x-gt46
相关代码	openmedlab / nnU-Net / MONAI 生态仓库

工具链资源：

工具	用途	链接/包名
MONAI	医学影像深度学习	`monai`
nnU-Net	自配置分割基线	`nnunetv2`
nibabel	NIfTI 读写	`nibabel`
SimpleITK	影像 IO 与配准	`SimpleITK`
scipy	距离/形态学	`scipy`
matplotlib	叠加可视化	`matplotlib`

数据可用性核查清单：

[ ] 记录下载来源（官网 / IEEE DataPort）与访问日期；
[ ] 记录数据版本与文件校验和（md5/sha256）；
[ ] 确认许可条款与允许用途；
[ ] 固定患者划分并保存 ID 列表；
[ ] 记录库版本、随机种子、硬件环境；
[ ] 保存推理与评估脚本，确保可复现。

§9.2 BibTeX

@article{lei2021structseg,
  title   = {Automatic Structure Segmentation for Radiotherapy Planning Challenge 2019: Results and Analysis},
  author  = {Lei, Xiang and others},
  journal = {Neurocomputing},
  year    = {2021},
  note    = {StructSeg 2019 Challenge Summary}
}

@misc{structseg2019,
  title        = {StructSeg 2019: Head & Neck and Chest CT Organ-at-Risk Segmentation Challenge},
  howpublished = {MICCAI 2019 Challenge},
  year         = {2019},
  url          = {https://structseg2019.grand-challenge.org/}
}

§9.3 引用指南

引用本数据集时建议注明：

挑战赛全称与年份（MICCAI 2019 StructSeg Challenge）；
官网 URL 与访问日期；
若使用 IEEE DataPort 版本，注明 DOI 10.21227/h75x-gt46；
所使用子任务编号（Task1–Task4）。

§10 AI 使用声明卡

§10.1 数据来源声明

本条目所描述数据来自 StructSeg 2019 挑战赛，由浙江省肿瘤医院供数、MICCAI 2019 组织。所有事实标注来源，冲突数值双口径并存。

§10.2 适用场景

放疗 OAR 自动分割算法研究与评测；
多器官/多任务分割方法研究；
域泛化与外部验证研究；
教学与基准复现。

§10.3 禁用场景

直接用于临床诊疗而未经专业复核；
作为肿瘤靶区（GTV/CTV/PTV）分割依据；
违反原始许可的商用或再分发；
用于对个体患者的诊断结论。

§10.4 已知局限

测试集标注不公开；
单中心、单地域人群；
存在类级缺失与严重类别不平衡；
挑战赛端口已关闭，官方榜单不可复现。

§10.5 伦理与合规

使用需遵守当地伦理与数据保护法规；
数据应已去标识化，使用者不得尝试重识别；
临床部署须通过机构审查与质控。

§10.6 责任声明

本条目由「千方病案医数集」AI-Ready Wikipedia 项目整理，作者不保证事实的绝对完整与时效，使用前请回溯原始来源。基于本条目所作的任何决策，责任由使用者自负。

§10.7 版本与变更记录

版本	日期	变更
v1.0	2026-10-03	首次发布，基于官网/论文/IEEE DataPort 三源互证

§10.8 事实来源清单

#	事实要点	来源类型	备注
1	挑战赛名称与年份	官网	MICCAI 2019
2	供数机构（浙江省肿瘤医院）	官网/论文	—
3	4 个子任务	官网 Dataset 页	Task1–Task4
4	50 训练 / 10 测试	官网	逐任务口径
5	头颈 22 类 / 胸部 6 类 OAR	官网/资料	以标注文件为准
6	NIfTI (.nii.gz) 格式	官网	—
7	加权平均 Dice ≈ 80.52%	论文	Neurocomputing 2021
8	95% HD ≈ 3.043 mm	论文	Neurocomputing 2021
9	Task2 Dice ≈ 65.66%	论文/资料	Mei et al.
10	IEEE DataPort DOI	托管页	10.21227/h75x-gt46
11	许可 CC BY 4.0	托管页	需核对原文
12	挑战赛端口赛后关闭	观察/资料	易过期

口径冲突存照：训练样本量（50 vs 60）、关键日期（多页差异）、胸部器官类目数（6 类为常见口径）等存在多口径，已在 writing/structseg2019/FACTS.md 逐条记录出处。使用具体数值时请回溯原始来源。

§A 常见问题（FAQ）

Q1：StructSeg 2019 现在还能提交评测吗？
A：挑战赛的在线提交端口通常在赛事结束后关闭，官方评测不可再用。数据本身仍可通过官网或 IEEE DataPort（DOI 10.21227/h75x-gt46）获取，用于离线研究与自建验证集。

Q2：训练集是 50 例还是 60 例？
A：主口径为每任务 50 例训练 + 10 例测试；「约 60 例」的说法多指训练加测试合计或跨任务合并计数。使用时应以实际下载到的文件数为准，并在论文中写明口径。

Q3：数据里有肿瘤靶区标注吗？
A：没有。StructSeg 2019 只标注危及器官（OAR），不含 GTV/CTV/PTV。若任务涉及靶区分割，需另选数据集。

Q4：可以用来自动勾画头部小器官吗？
A：可以，但耳蜗、垂体柄、中耳等小体积结构样本少、对比度低，Dice 通常显著低于大器官。建议单独分层报告并考虑高分辨率分支。

Q5：许可允许商用吗？
A：需以官方与 IEEE DataPort 托管页的实际许可声明为准（托管页标注 CC BY 4.0）。商用前务必核对原始条款并留存访问证据。

Q6：为什么本地复现不了论文的榜单分数？
A：榜单由评测服务器在隐藏测试集上计算，标注不公开；论文分数通常为服务器结果，本地只能近似复现。可用固定验证集或交叉验证自评。

Q7：这个数据集和 HaN-Seg、SegTHOR 有何区别？
A：StructSeg 2019 同时覆盖头颈（22 类 OAR）与胸部，多任务；HaN-Seg 专注头颈 30 类；SegTHOR 专注胸部 4 类器官。三者可互补用于跨集验证。

Q8：预处理时 HU 窗怎么选？
A：OAR 分割常用较宽窗（约 -200~300 HU）以保留软组织与骨性结构。具体以验证集效果为准，并在方法中报告。

Q9：为什么要禁用水平翻转增强？
A：左右器官（腮腺、视神经、耳蜗等）具有强左右语义，水平翻转会把左器官变成右器官，破坏标签语义，导致训练信号错误。

Q10：数据规模这么小，还值得用吗？
A：对于「放疗 OAR 分割」这一精准场景，它是带官方基准的经典数据集，适合方法验证、迁移与教学；大规模预训练可结合其他头颈/胸部数据。

§B 术语表

术语	英文/缩写	释义
危及器官	OAR (Organ-at-Risk)	放疗中需保护的关键正常组织
大体肿瘤体积	GTV	可见肿瘤范围
临床靶体积	CTV	含微浸润的临床靶区
计划靶体积	PTV	CTV 外扩摆位误差
剂量体积直方图	DVH	剂量—体积关系曲线
正常组织并发症概率	NTCP	正常组织发生并发症的概率
Dice 相似系数	DSC/Dice	分割重叠度指标
豪斯多夫距离	HD	表面最大偏差
95% 豪斯多夫距离	HD95	表面偏差的 95 分位
平均表面距离	ASD	表面点平均距离
观察者间一致性	IAA	多标注者一致性度量
放射组学	Radiomics	从影像提取高通量特征
自适应放疗	ART	依疗程变化调整计划
域泛化	DG	跨分布泛化能力
联邦学习	FL	数据不出域的协同训练
滑窗推理	Sliding Window	大体积分块推理后融合
忽略索引	ignore_index	训练中不计算损失的标签值