信息速览

数据集名称SynthOCT 2026 — 皮肤 OCT 数字体模逆物理合成挑战赛

数据类型影像数据,原始数据,合成数据

规模120 张体内人皮肤 OCT B-scan（男/女 × 两个年龄段 × 两个解剖部位的分层子集；原始 3D OCT 队列规模未披露）；参赛 12 队注册、6 队提交终稿

接入方式Zenodo 记录 18095266（DATASET.zip，38.2 MB，含 .npy 对数幅度 + .png 预览，256×512 uint8，~51 dB 动态范围）+ SynthOCT 官方 GitHub Baseline 仓库 + MICCAI 2026 论文集挑战赛综述

AI 就绪度

INFOBOX — SynthOCT 2026 一屏速览

维度内容

本质 MICCAI 2026 / SASHIMI 2026 卫星挑战赛，主题为基于物理的 OCT 扫描合成（数字体模反演）

官方全名 SynthOCT 2026: Digital Phantoms Simulation for Physics-Based Scans Synthesis in Optical Coherence Tomography

核心主张不是生成"看起来像"的 OCT，而是求解逆物理问题：反推支配性散射体分布

数据载体 120 张体内人皮肤 OCT B-scan（256×512，~51 dB，1.3 μm）

参赛规模 12 队注册、6 队提交终稿；Top-3 指标 >98%，其余 ≤70%

计分指标 MS-SSIM（↑）+ LPIPS（↓），横跨 Struct/OAC/SC/RSC 四域

数据许可 CC-BY 4.0（Zenodo 18095266）

官网 https://www.synthoct.com/

决赛 2026-10-01 17:00 CET（斯特拉斯堡 MICCAI 2026 现场）

一句话让合成数据第一次被"物理定律"审查，而非只被像素相似度审查。

§0 导读：这个数据集解决什么问题

医学图像合成正站在一个尴尬的十字路口。过去几年，生成对抗网络（Generative Adversarial Networks, GAN）与扩散模型（diffusion models）把"合成一张看起来逼真的医学图像"变成了常规操作。随便给一张 OCT（Optical Coherence Tomography，光学相干断层扫描）B-scan，模型都能吐出一张在人类观察者眼里"差不多"的相似图。问题是——像，不等于对。

OCT 的信号形成遵循严格的光学物理规律：光在组织中的传播、背向散射、相干叠加、散斑干涉，每一个环节都有确定的物理方程支配。而 GAN 与扩散模型优化的是像素层面的统计分布与感知相似度，它们并不理解这些方程。其结果就是普遍出现的"幻觉纹理"（hallucinated textures）：图上多出来的斑纹看起来像散斑，却不对应任何真实的光学散射体；图上去掉的结构，其背后本应有组织层，却凭空消失。用这样的合成数据去训练基础模型（foundation model），等于让模型学习一种物理上不存在的世界。

SynthOCT 2026 挑战赛正是为堵住这个漏洞而生。它把任务从"合成图像"强行扭转回"重建微观结构"：参赛者要输出的是数字体模（Digital Phantom）——一组织平均质中光学散射体的三维空间分布。这组散射体经过组织方预先固定、不可篡改的**物理虚拟扫描仪（Virtual Scanner）**做前向扫描后，渲染出合成 OCT B-scan，再与真实目标扫描比对。换句话说，参赛者不能自己"画"图像，只能交出物理世界的原料配料表，图像由物理引擎自己渲染。

这个设计带来一个漂亮的性质：合成扫描的逼真度不再由参赛者的图像处理技巧决定，而由散射体分布是否忠实于真实组织决定。要骗过评分，你就得真的把组织的散射特性反推对——这正是医学图像合成从"视觉游戏"走向"科学工具"的关键一步，也是通向**非侵入式虚拟组织学（virtual histology）**的必经之路。

本条目要回答的核心问题是：

把"合成"重新定义为"逆物理问题"，任务定义、数据格式、评分体系分别发生了什么变化？
120 张皮肤 OCT B-scan 这个规模，够不够支撑物理逆问题研究？它的分层设计暴露了什么？
MS-SSIM 与 LPIPS 这套计分法，为什么只有两项存活，其余指标为何"因散斑失效"？
挑战赛 12 队注册、6 队提交、Top-3 碾压式领先，这个梯度说明了什么？
一个 2026 年首届、规模只有 120 张 B-scan 的挑战赛，对库内整个 OCT 数据集生态意味着什么？

一句话定性：SynthOCT 不是又一个 OCT 图像数据集，而是 OCT 合成数据的"物理审计员"。 它把评估标尺从"像素像不像"挪到了"物理对不对"，这一挪，可能比方法本身的进步更值得记入教科书。

§1 数据集速览：十问十答

Q1：SynthOCT 到底是一个数据集，还是一个比赛？
两者都是，但主体是比赛。SynthOCT 2026 是 MICCAI 2026 的卫星赛事（Satellite Event），隶属于 SASHIMI 2026 工作坊（Simulation and Synthesis in Medical Imaging）。它配套发布一个公开数据集（120 张体内人皮肤 OCT B-scan），但数据集的角色是"赛道上的靶子"——为参赛者提供待反演的真实扫描。检索时请把它归入"挑战赛数据集"，而非"采集型基准数据集"。

Q2：任务的名字很长，到底要参赛者做什么？
一句话：给一张真实 OCT B-scan，反推出其背后的散射体空间分布（数字体模）。输出不是图像，而是一个四列文本文件，每行一个散射体，记录其 X、Y、Z 坐标（单位微米）与背向散射能量百分比（Energy %）。组织方用固定物理扫描仪把这些散射体渲染成 OCT B-scan，再算它与真实扫描的相似度。

Q3：为什么不能直接生成图像？
因为那样会退化回"视觉游戏"。挑战赛的立论前提是：GAN/扩散模型能造出"视觉合理但物理无意义"的纹理。要真正走向虚拟组织学，必须重建**支配性散射体分布（governing scatterer distribution）**这一物理实体。图像只是物理实体经过扫描仪后的投影结果，参赛者若只优化图像，就绕过了物理，等于作弊。

Q4：数据集里有多少张图？什么规格？
120 张体内（in vivo）人皮肤 OCT B-scan。每张 256（深度/axial）× 512（横向/lateral）像素，uint8 编码的对数幅度（logarithmic signal amplitude），动态范围约 51 dB（1 个灰度单位 ≈ 0.2 dB）。像素尺寸 6 μm（轴向）× 6 μm（横向），FWHM 光束直径约 20 μm，中心波长 1.3 μm。文件同时提供 .npy（数值）与 .png（预览）。

Q5：数据怎么分层？
三层目录：Sex（Male/Female）→ Age Group（1950-1960, 1990-2000）→ Localization（Cheek, Eye_corner）。即生物性别 × 年龄段 × 解剖部位。这个分层是数据集论文的核心卖点之一（原本用于皮肤病分类基准），在挑战赛中作为组织多样性的保证。

Q6：评分看什么？
排行榜只计 MS-SSIM（Multi-Scale Structural Similarity，多尺度结构相似度，越高越好）与 LPIPS（Learned Perceptual Image Patch Similarity，学习感知图像块相似度，越低越好），且这两项要横跨四个扫描表示域评估：Struct（结构强度图）、OAC（Optical Attenuation Coefficient，光学衰减系数图）、SC（Speckle Contrast，散斑对比度图）与 RSC（Refined Speckle Contrast，精化散斑对比度图）。其余指标（PSNR、VIF、MSE）因散斑噪声干扰不稳定，官方明示仅供参考。

Q7：比赛结果如何？
12 支队伍注册，6 支提交最终方案。首阶段出现明显断层：Top-3 的中位指标超过 98%，其余队伍则停滞在 70% 或更低。Top-3 被要求提交完整代码，由组织方在隐藏留出测试集上执行并复核，最终在 MICCAI 2026 现场公布名次。

Q8：数据能自由获取吗？
能。120 张 2D B-scan 数据集以 CC-BY 4.0 许可发布于 Zenodo（记录 18095266，DATASET.zip 38.2 MB），可自由复用与再分发。虚拟扫描仪（Part2_Scanner.exe）与 Baseline 代码在官方 GitHub 公开，但扫描仪 exe 需从 Google Drive 下载。3D OCT 原始扫描需另行申请。

Q9：我能跑得动吗？
硬件门槛不高：组织方要求方案能在 16GB RAM + RTX 3060 12GB（Windows 10/11）上运行，推荐 Python 3.12.12 + PyTorch 2.10.0。但有一个硬性运行时约束——单张 B-scan 生成体模的时间不得超过 600 秒。

Q10：它和库内的 OCT 数据集什么关系？
它是一个异类。库内现有 OCT 条目（oct2017、octdl、octid、octa-500 等）几乎全部是视网膜 OCT 分类/分割数据集；SynthOCT 用的是皮肤 OCT，任务也不是分类或分割，而是散射体分布反演。它在库内最接近的邻居是合成医学影像挑战赛 synthrad（rid 671），而非任何一个视网膜 OCT 条目。详见 §9。

§2 数据构成与规格

2.1 规模、来源与机构构成

SynthOCT 的公开数据集由 A.V. Gaponov-Grekhov 应用物理研究所（俄罗斯科学院 RAS）、N.I. Lobachevsky 国立研究型大学、N.A. Semashko 临床医院（三者均位于下诺夫哥罗德 Nizhny Novgorod）联合采集与整理。数据是体内（in vivo）人皮肤 OCT B-scan，全部来自志愿者，经结构化的标签体系组织。

需要特别强调这是一条精选子集：Zenodo 明确写道，120 张 2D B-scan 是"更大 3D OCT 数据集的 curated subset"，而这个更大的 3D 数据集并未在这些公开渠道披露规模——想访问 3D 扫描，必须联系论文通讯作者或项目负责人 Dr. Lev Matveev（drlevmatveev@gmail.com）单独申请。这一点对复现性有直接影响：你能拿到的公开数据，只是整个研究队列的一层切片。

数据集的两大目标（Zeondo 原文）：

基础模型分类基准：作为二分类任务的开源基准，测试基础模型在成对类别（男 vs 女、年轻 vs 年老、面颊 vs 眼角）上的分类准确率，支持零样本、提示学习（少样本）与微调等多种推理模式。
生成式 AI 与数字体模：作为创建皮肤数字体模的参考，用于提取光学散射体的参数与分布以复现生物结构，进而通过虚拟扫描仿真生成合成 OCT 扫描。

第二点，正是 SynthOCT 挑战赛的理论与数据基础。

2.2 单一模态的工程规格：为什么是 256×512 与 1.3 μm

一张 OCT B-scan 的所有数字规格都不是任意的，它们彼此咬合，决定了后续物理仿真是否可能。

规格项	数值	工程含义
图像尺寸	256（深度）× 512（横向）	深度方向对应光学 A-scan 采样点，横向对应 B-scan 中 A-scan 的数量
数据类型	uint8（0–255）	存储为对数幅度；1 单位 ≈ 0.2 dB
动态范围	~51 dB	覆盖从强反射界面（如角膜/表皮）到深层弱散射的跨度
像素尺寸	6 μm（轴向）× 6 μm（横向）	各向同性像素，简化几何校准
FWHM 光束直径	~20 μm	决定横向分辨率与散斑尺寸
中心波长	1.3 μm	近红外波段，穿透力与皮肤水吸收的平衡点

这些参数共同定义了一台"虚拟设备"。虚拟扫描仪的配置文件（.ini）里，a-scan pixel numbers = 256、number of a-scans in b-scan = 512、vertical pixel size mcm = 6.0、central wavelength mcm = 1.3、beam radius mcm = 10.0 等字段，正是上述规格的镜像。这意味着数据集规格与仿真引擎规格是同一套物理参数的两个投影——这是 SynthOCT 能做到"物理闭合"的关键前提。

一个值得注意的细节：虚拟扫描仪配置里 beam radius mcm = 10.0（束半径 10 μm，即直径 20 μm），与数据集文档中的"FWHM 束直径约 20 μm"一致。这种参数的一致性看似琐碎，却是物理逆向可解的必要条件——如果仿真用的光束尺寸和真实采集时不一致，任何反演都注定失败。

2.3 分层标签体系与它的取舍

数据集按三级目录组织：

Sex (Male, Female)
 └── Age Group (1950-1960, 1990-2000)
      └── Localization (Cheek, Eye_corner)

这实际上是 2 × 2 × 2 = 8 个格子。若 120 张均匀分布，每格约 15 张。这个分层来自数据集论文的分类基准目标——它要支持"男 vs 女"“年轻 vs 年老”"面颊 vs 眼角"三类二分类任务。

但从物理逆问题的角度看，这个分层设计的意义发生了变化：它不是为了让分类器学习，而是为了保证散射体反演面对尽可能多样的组织微观结构。性别对应皮肤厚度与胶原结构的差异，年龄对应真皮层老化与散射特性变化，部位对应角质层厚度与皮脂腺分布——每一个维度都是散射体分布的物理变异来源。一个只会反演"单一类型皮肤"的模型，是过拟合的模型。

需要如实指出其取舍与局限：只有两个年龄段（1950-1960、1990-2000，即大约 26–36 岁与 66–76 岁两组，中青年与老年之间是断档的）、只有两个部位（面颊、眼角），人口学与解剖多样性显然有限。这对于一个以"验证物理反演可行性"为首要目标的挑战赛是够用的，但距离"覆盖全人群、全部位"的临床级基准还很远。

2.4 与"更大 3D 数据集"的关系：一条被隐藏的血缘线

理解 SynthOCT 数据集的定位，必须抓住"2D 精选子集 vs 3D 全量"这条血缘线。

真实采集发生在三维空间：组织是一个三维采样体，OCT 设备往往对同一区域做连续 B-scan 形成三维体数据（volume）。但公开发布的 120 张是从三维体中切出的二维 B-scan 切片。数据集论文的原始工作（Skin Pharmacology and Physiology，DOI 10.1159/000550613）处理的是"自动分割与皮肤层厚度估计"，需要三维上下文来估计层厚；而挑战赛只需要二维切片作为反演靶子。

这一选择的物理后果是：参赛者只能看到二维切片，却要重建三维散射体分布。对于一张二维 B-scan，其在 X-Z 平面上的散射体分布是可辨识的，但沿 Y 方向（垂直于 B-scan 平面，即光束扫描的第三维）的结构是无法从单张 B-scan 唯一确定的。这意味着数字体模的 Y 坐标实质上是一个"自由参数"——只要它在 X-Z 投影上正确，Y 方向的分布可以有很大的自由度而不改变合成扫描。

这解释了为什么虚拟扫描仪的配置里 ymax mcm = 0.0 且 number of b-scans = 1——扫描引擎在单 B-scan 模式下并不真正约束 Y 方向。这也是为什么组织方必须做隐藏留出测试：如果公开 120 张的同时也公开了对应的官方散射体分布，那"病态逆问题"就会被"查表抄答案"绕过。留出测试集是维系科学性的必要防护。

对检索者的实用建议：不要把这 120 张理解为一个"图像数据集"，而要理解为一个"逆问题实例集"——每个实例是一个齐次的物理谜题，谜底（散射体分布）在公开集上并不给出。

2.5 数据格式与读取：两套并行的入口

数据集为每个扫描提供两种格式：

.npy（NumPy 数组）：数值真值，供算法读取，包含对数幅度的原始信号。
.png（图像）：可视预览，供快速人工检查。

关键工程细节：官方特意说明"数据集包含的是对数信号幅度（logarithmic signal amplitude）“，并且"1 单位 ≈ 0.2 dB”。这一点极其重要——如果参赛者误把 .npy 当成线性幅度处理，直接取指数或做线性运算，整个信号模型就会崩塌。对数域是 OCT 信号的标准表达（因为原始信号动态范围极大），但转换回线性域时若忘记标定系数（0.2 dB/unit），散射能量的估计就会系统性偏差。

官方还提供了专门的 .npy 读取器（https://github.com/SynthOCTChallenge/OCT_scans_NPY_Reader），避免使用者在字节序、reshape 顺序、类型转换上踩坑。强烈建议任何下游使用者都从官方读取器入手，而不是自己解析。

2.6 40 MB 里到底装了什么：体积的朴素真相

DATASET.zip 只有 38.2 MB。对习惯了动辄若干 GB 医学影像数据集的人来说，这个体积近乎"轻量级"。原因很直接：

120 张 256×512 的单通道 uint8 图像，每张原始像素数据仅 131,072 字节（约 128 KB）。120 张合计约 15.7 MB。
.png 预览经过无损压缩后更小。
其余体积来自目录结构、读取脚本与元数据。

作为对照，库内 retina OCT 数据集（如 oct2017）动辄数万张图像、体积以 GB 计。SynthOCT 的 120 张/38 MB 规模，说明它的设计哲学是**“少而精的物理靶场”，而非"海量训练集"。它不打算用数据量碾压，而是用物理约束**取胜。检索者若期望"大样本"，这里会让你失望；若期望"干净的物理闭环"，这里会给得更多。

§3 任务定义：把合成变成逆物理问题

3.1 原始任务的一句话重述

官方 Mission 原文可以浓缩为一句：让参与者求解逆物理问题——重建支配性组织微观结构。

流程是一个闭环：

真实 OCT B-scan（输入靶子）
        │
        ▼
[参赛算法] 反演散射体分布  →  数字体模 .txt（X, Y, Z, Energy%）
        │
        ▼
[固定物理虚拟扫描仪] 前向扫描（不可修改）
        │
        ▼
合成 OCT B-scan  →  与真实扫描比对（MS-SSIM / LPIPS，四域）

注意这个闭环中参赛者只能控制第一段（反演）。第二段（扫描）是硬编码的物理引擎，参赛者既不能改它，也无法绕过它。这是整个挑战赛的"裁判"——它保证了不同参赛者之间的公平性，也保证了高分必须来自真实的物理反演，而非图像美化。

3.2 数字体模的具体格式

参赛输出必须是一个文本文件，四列：

X (μm) | Y (μm) | Z (μm) | Energy (%)

物理约束与取值范围：

列	范围	物理含义
X	−1536 ~ +1536 μm	横向坐标（对应 B-scan 512 像素 × 6 μm ≈ 3072 μm 跨度）
Y	（单 B-scan 模式下不约束）	出平面方向坐标
Z	0 ~ 1536 μm	深度坐标（对应 256 像素 × 6 μm ≈ 1536 μm 深度）
Energy	0 ~ 100%（非负）	背向散射能量百分比

关于能量列的物理注记极为重要：

1.0：典型生物组织（约 1% 能量反射）。
100.0：完美镜面（100% 反射）。
扫描仪把反射幅度计算为 sqrt(Energy / 100)。

非负约束是这道题病态性的核心来源之一。真实的复散射系数天然带相位（复数），但挑战赛只接受非负的散射体能量。这意味着参赛者不能直接输出复系数，必须把相位信息"编码"进别的自由度里——这正是 Top-3 方案之一（Phase-Pair Holographic Inversion）所做的事：用"相位对"把每个复系数编码为相隔半个波长的两个非负能量项，从而在满足非负约束的前提下隐式表达相位。

3.3 为什么这是一道病态（ill-posed）题

"病态"在数学上意味着解不唯一或解对噪声极度敏感。SynthOCT 的病态性有两重来源：

显示反演缺相位。当你看到一张显示的 B-scan，你拿到的是幅度（幅值），相位信息已经丢失。而 OCT 信号是复数信号，幅度与相位共同决定其物理来源。仅凭幅度反推，解空间存在连续的退化方向。
非负能量约束。输出被迫限制在非负实数的子空间里，进一步压缩了本应二维（复平面）的自由度。

这两个约束叠加，使得"从一张 B-scan 反推唯一散射体分布"在数学上不可能有唯一解。挑战赛官方坦承这一点，并把它写进了综述：参赛方案在首阶段能让合成扫描"与原始目标几乎无法区分"（practically indistinguishable），但这并不等同于找回了唯一的真实微观结构。换句话说，高分刻画的是"物理等价类"，而非"唯一真值"。

这一点对下游基础模型训练有直接的伦理与方法论含义：用 SynthOCT 生成的合成数据训练模型时，模型学到的是"某个能产生该扫描的散射体分布"，而不是"真实的组织"。在物理可观测量的意义上它们是等价的，但在生物学解释上未必。§8 会展开这个启示。

3.4 运行约束：一份被低估的公平性设计

官方给出的硬件与运行时约束同样值得单独拎出：

约束	数值
内存	16 GB RAM
GPU	RTX 3060 12 GB
操作系统	Windows 10/11
推荐环境	Python 3.12.12
推荐框架	PyTorch 2.10.0
单张 B-scan 生成时限	≤ 600 秒

这不是随意的门槛。它把挑战赛的解法空间从"大算力堆叠"导向"算法效率"。一个需要 A100 集群跑数小时的方法，在这里直接出局。600 秒/B-scan 的约束尤其关键：总共有 120 张公开扫描 + 隐藏测试集，如果单张耗时过长，组织方在隐藏集上执行代码将不可行。这条约束实际上是把"可复现、可复核"的科研标准编码进了技术规则——你的方法必须让审查者能在普通工作站上重跑。

Windows 10/11 的强制要求也值得一提：它暗示虚拟扫描仪是以 Windows 可执行文件（Part2_Scanner.exe）形式分发的。这对 Linux 用户是一个实际的工程摩擦点（需要 Wine 或 Windows 环境）。

§4 评估体系：为什么只有两个指标能活下来

4.1 四域评估：从"像不像"到"物理对不对"

SynthOCT 评估的独特之处，在于它不只在原始图像上比相似度，而是把每张扫描分解成四个物理/统计表示域分别评估：

表示域	全称	物理/统计含义
Struct	Structure（结构强度图）	图像的原始强度表示，考察结构保真
OAC	Optical Attenuation Coefficient（光学衰减系数）	光在组织中随深度的衰减率，反映散射与吸收的宏观物理量
SC	Speckle Contrast（散斑对比度）	散斑图案的统计对比度，反映散射体的相干叠加统计
RSC	Refined Speckle Contrast（精化散斑对比度）	改进版的散斑对比度表征

其中 OAC 与 SC 是基于物理的参数图，这是 SynthOCT 区别于传统图像合成评估的关键。一张合成扫描即使在像素层面极为相似，但如果它的 OAC 图（衰减系数随深度的分布）与真实不符，就说明它没有复现正确的光学物理——评分会揭示这一点。

这个四域设计的深层逻辑是：任何一个域单独都可能被"作弊"（比如过拟合图像强度），但四个域同时被满足，几乎只有真正反演对了散射体分布才能做到。SC 与 RSC 各自考察散斑统计的不同侧面，形成交叉验证。

4.2 六个候选指标的生死簿

在准备阶段，组织方评估了广泛的成对相似度指标，最终选定 MS-SSIM 与 LPIPS 用于评估全部四个域。这套筛选过程本身值得记录——它揭示了"什么指标在 OCT 散斑场景下真的可靠"。

指标	类型	方向	理想值	是否计分
SSIM	相似度	↑ 越高	1.0	参考
MS-SSIM	相似度	↑ 越高	1.0	计分
PSNR	保真度	↑ 越高	高	参考
VIF	信息论	↑ 越高	1.0	参考
MSE	误差	↓ 越低	0.0	参考
LPIPS	感知	↓ 越低	0.0	计分

官方明确写道：排行榜仅计 MS-SSIM 与 LPIPS；其余指标"因散斑（speckles）而失效"，只能作为信息报告。

为什么散斑会杀死这么多指标？散斑（speckle）是相干成像的固有噪声——它是光波相干叠加的确定性结果，但在像素层面表现得像随机噪声。这带来两个后果：

对逐像素指标致命：MSE、PSNR 都是逐像素误差度量。由于散斑图案对散射体的微小扰动极度敏感（同样的散射体分布，换一次散斑实现，像素值就全变），逐像素指标会在"物理上完全正确但散斑实现不同"的情况下给出很差的分数。这是假阴性。
对结构/感知指标友好：MS-SSIM 在多个尺度上考察结构，对高频散斑噪声相对鲁棒；LPIPS 基于学习到的感知特征，关注"看起来像不像"而非"逐像素等不等"，因而更能容忍散斑实现差异。

这个筛选过程本身就是一条重要的方法学结论：在相干成像的合成评估中，逐像素指标是陷阱，多尺度结构与感知指标才是可靠标尺。它值得被任何处理 OCT、超声、SAR 等相干成像合成任务的研究者记下。

4.3 MS-SSIM 与 LPIPS 的联合语义

两个计分指标的组合有其精妙之处：

MS-SSIM 高 = 结构保真：多尺度结构相似度考察图像在不同分辨率下的结构一致性。它回答"合成的层状结构、边界、纹理走向对不对"。
LPIPS 低 = 感知相似：基于深度特征的感知距离，回答"人眼/感知系统看它像不像真图"。

两者方向相反（一个越高越好，一个越低越好），但并不冗余。MS-SSIM 是手工设计的结构度量，LPIPS 是数据驱动的感知度量。一个方法可能结构对但感知怪（比如纹理过于规律），也可能感知像但结构错（比如平滑掉了正确的层次）。要求两者同时达标，比只看一个要严格得多。

4.4 基准锚点：0.8256 与 0.9943 之间的距离

评估体系的价值在于它能否把方法拉开档次。SynthOCT 的基准数据给出了清晰的梯度：

零相位单散射体合成基线：mean MS-SSIM = 0.8256（在全部 120 张公开皮肤 B-scan 上）。这是"最朴素的合成"能达到的水平——每个位置放一个散射体，不做任何相位处理。
最优方案（phase-pair，组织方托管渲染，200 次迭代）：mean MS-SSIM = 0.9943，median LPIPS = 0.0226。
首阶段中位指标：Top-3 团队 > 98%，其余团队 ≤ 70%。

这组数字讲了一个清晰的故事：从 0.8256 到 0.9943，是"朴素合成"到"物理正确反演"的跨越；而 70% 与 98% 的断层，是"没找对方法"与"找对方法"之间的鸿沟。没有中间地带——这正是逆物理问题的典型特征：要么反演对了，要么没对，物理一致性不会给你模糊的鼓励分。

这组锚点数字怎么读——三条守则：

别把 0.9943 当成"接近满分"的舒适区。MS-SSIM 在 0.99 以上的区间极其拥挤，从 0.9943 再往上每提升千分之一都异常困难。高分段的微小差异对应的可能是方法上巨大的不同（如是否用了相位对编码）。读这类数字时，要看相对基线的跃升（+0.17），而非绝对值的"接近 1"。
mean 与 median 不可混用。团队论文给的是 mean MS-SSIM（0.9935/0.9943），综述给的是 median（>98%）。对于偏态分布的数据，均值与中位数可能相差可观。引用时务必标明是哪一个，不要自行换算或在两者间插值。
LPIPS 0.0226 要放在 LPIPS 自身的尺度里看。LPIPS 没有固定上限，0.0226 是好是坏取决于模型与数据。它的价值在于横向比较（不同方案的 LPIPS 谁更低），而非绝对值。与 MS-SSIM 联读时，二者应呈现同向的优劣排序——若某个方案 MS-SSIM 高但 LPIPS 也高，说明它可能在结构上讨好指标但在感知上偏离，值得警惕。

4.5 两阶段提交与"代码复核"机制

SynthOCT 的评估不只看提交的数字，而是设计了两阶段、双轨的严谨流程：

第一阶段（初赛）：参赛者上传其为训练/验证集生成的数字体模（散射体分布），平台自动验证并定量评估。这一步是"自助式"——参赛者可以在自己机器上跑虚拟扫描仪、预判分数。

第二阶段（终审）：排名靠前的团队提交完整源代码。组织方的基准测试团队在隐藏的留出测试集上执行这些代码，生成测试集体模，计算指标，得出最终排行榜。

这个设计的精髓在于"隐藏集 + 代码复核"双重保险：

隐藏留出集防止了参赛者针对公开数据过拟合。
代码复核防止了参赛者用"无法复现的魔法"刷分——你的代码必须在组织方的机器上、用组织方的数据、跑出组织方的结果。

参赛团队的论文经 OpenReview 平台同行评审，评审意见公开（reviews made publicly available to enhance reproducibility）。这是把整个挑战赛当作一次正规的、可审查的学术活动来运营，而非一场黑客马拉松。

4.6 组织方自带的"自一致性检查"

一个容易被忽略但极有价值的评估工具，是官方 Baseline 里的 Orchestrator 自一致性检查（self-consistency check）。

它做的事：生成 4 个数字体模——Unstructured（非结构化）vs Layered（分层）各两种散斑实现——然后让它们各自经过虚拟扫描仪，观察指标在不同条件下的表现。输出 Final_Metrics_Report.csv。

这个检查的科学意义在于建立了**“指标噪声地板”**：当你用同一批散射体、只改变散斑的随机实现时，MS-SSIM 会波动多少？这个波动量就是指标的分辨率下限。如果你看到两个方案的 MS-SSIM 差异小于这个波动，就不能断定它们真的有优劣之分。

官方特意说明：Orchestrator 默认配置的是自一致性检查，参赛需自行重配置为 real/synthetic 比较（Challenge mode）。这个默认设置本身是一个教学性的引导——它先教会你理解指标的行为，再让你用它去评分。

§5 参赛方案与结果：一场断层式的竞赛

5.1 参赛全景

指标	数值
注册团队	12 支
提交最终方案	6 支
Top-3 首阶段中位指标	> 98%
其余团队首阶段指标	≤ 70%
进入第二阶段（提交代码）	Top-3

12 队注册、6 队提交——这个 50% 的提交率本身值得注意。它反映了一个现实：SynthOCT 是一道硬题。许多团队在探索过程中意识到"物理逆问题"不是调参能解决的，选择了退出。而留下的 6 支里，又只有 3 支达到了物理一致性的门槛。

5.2 Top-3 的碾压式领先与"悬崖分布"

结果呈现出一个近乎二值的分布：Top-3 超过 98%，其余全部 ≤ 70%。这中间巨大的空白区（70%–98%）几乎没有队伍。

这种"悬崖式分布"是逆物理问题的典型指纹。它说明任务存在一个质变门槛：要么你找到了正确的反演机制（把相位信息恰当地编码进非负能量、把散射体分布建模得足够准），要么你没找到，那么无论怎么微调，指标都会卡在 70% 以下。不存在"半对"的状态。

这对数据集使用者的启示是：SynthOCT 把"合成质量"变成了一个近乎分类的判断题，而非连续的回归题。在这个任务里，"差不多对"和"完全不对"在物理上是同一件事。

5.3 一个 Top-3 方案的解剖：相位对全息反演

挑战赛论文集（MICCAI 2026 Satellite Events）收录了 Top-3 团队的详细方法论文。其中一篇（SynthOCT_002）的方法极具代表性，值得作为一个"如何破解非负约束"的范例。

论文：Phase-Pair Holographic Inversion for OCT Digital Phantom Synthesis（作者 Justin Namuk Kim）。

问题诊断：论文开头就把难题点破——“显示反演只提供幅度、无相位，而挑战输出只接受非负散射体能量”。这是一道双重病态题。

解决方案：一个确定性（deterministic）、免训练（training-free）的两阶段方法：

正则化交替投影（Regularized Alternating Projections, RAP）：在每次更新后恢复目标幅度，同时选择一个被正则化扫描仪模型"偏爱"的相位。这一步在复平面里搜索一个物理上合理的相位解。
闭式相位对（closed-form phase pair）：把每个复系数编码为两个相隔半个波长的非负能量项。这个编码的巧妙之处在于：它在中心波长响应上与真值匹配，同时抵消了单个移位散射体带来的主要带宽误差。

这一步是整个方法的灵魂——它用"两个非负实体构成一个复数"的技巧，绕过了"输出必须非负"的硬约束，等价于在实数空间里表达了复相位。

结果：在全部 120 张公开皮肤 B-scan 上做固定正则化的局部模型消融，每个阶段都对每张扫描有改善；两阶段 50 次迭代组合达到 mean MS-SSIM 0.9935（对比零相位单散射体基线的 0.8256）。而在组织方托管渲染的最终 200 次迭代版本上，达到 mean structural MS-SSIM 0.9943 与 median LPIPS 0.0226。

一个诚实的注脚：论文自陈，该方法"提供了高保真的、扫描仪兼容的合成，但没有恢复采集相位或底层组织微观结构"。这是非常关键的自我定位——它拿到的是"物理等价的合成扫描"，而非"真实的组织散射体"。它再次印证了 §3.3 的观点：高分对应物理等价类，而非唯一真值。

代码公开：https://github.com/MasalaKimchi/SynthOCT-Bibimbap

5.4 中文语境的双口径提醒

需要提醒检索者：挑战赛综述（00 号论文）用"median performance metrics exceeding 98%"来概括 Top-3 的表现，而具体团队论文给出的可能是 mean MS-SSIM。“median（中位数）“与"mean（均值）”、以及它们是在"四个域上的中位数"还是"单一域的中位数”，官方口径未逐字统一。引用时建议保留原始措辞，不要自行换算。

§6 获取与许可：三道门的完整地图

6.1 三道资产、三种门

SynthOCT 生态的获取路径分为三条，各有不同的门槛——这是本条目对检索者最实用的部分。

资产	许可	获取方式	门槛
120 张 2D B-scan 数据集	CC-BY 4.0	Zenodo 记录 18095266（DATASET.zip，38.2 MB）	无门槛，直接下载
3D OCT 原始扫描	需申请	联系通讯作者或 Dr. Lev Matveev（drlevmatveev@gmail.com）	请求制
Baseline 代码	官方仓库公开	https://github.com/SynthOCTChallenge/SynthOCT_Baseline	无门槛（GitHub 公开）
虚拟扫描仪 Part2_Scanner.exe	随 Baseline 分发	Google Drive（file id 10xO8WTGbaBDIixBwpY9btxwHZAhHF3L2）	无门槛但依赖 Google Drive 可达性
.npy 读取器	公开	https://github.com/SynthOCTChallenge/OCT_scans_NPY_Reader	无门槛
挑战平台 / 提交门户	需注册	https://www.synthoct.com/	注册制（历史截止 7 月 8 日）

6.2 CC-BY 4.0：最宽松的那道门

数据集的 CC-BY 4.0 许可意味着：可自由复用、再分发，包括研究、基准测试与挑战赛用途，唯一要求是正确引用。Zenodo 与 GitHub README 均明确写道，使用这些开源资源只需恰当引用。

引用要求是双重的——必须同时引用：

数据集本身：https://doi.org/10.5281/zenodo.18095266
关联论文：A. A. Sovetsky et al., “Automated segmentation and skin-layer thickness estimation…”, Skin Pharmacology and Physiology, 2026, DOI 10.1159/000550613

这是很多使用者会漏掉的一点：CC-BY 的自由以"署名"为代价。二次分发者若只标注了 Zenodo 而漏掉期刊论文，严格来说并未完全履行许可条件。

6.3 版本链与血缘

理解 SynthOCT 的研究谱系，有助于判断它的成熟度与方法传承：

节点	产物	标识
前身方法学	SASHIMI 2025 论文"From Tissue-Mimicking Phantoms to Physics-Based Scans"	DOI 10.1007/978-3-032-05573-6_5
前身代码库	OCTDigitalPhantoms / MICCAI_SASHIMI_2025	GitHub
数据集	Zenodo 记录 18095266（Version 1，2025-12-30）	DOI 10.5281/zenodo.18095266
挑战赛	SynthOCT 2026（MICCAI Satellite Event）	官网 www.synthoct.com
挑战赛综述	MICCAI 2026 论文集 00 号论文	papers.miccai.org/miccai-2026-sat/SynthOCT_000.html
挑战赛记录	Zenodo 记录 19733396	DOI 10.5281/zenodo.19733396

双向口径存照：任务头给出的 Zenodo DOI 为 10.5281/zenodo.19733396，经实抓核验，dataset 本体记录为 10.5281/zenodo.18095266。两者均为真实存在：19733396 对应"SynthOCT 2026 挑战赛"的记录条目（含挑战描述正文），18095266 对应"120 张体内皮肤 OCT 数据集"本体。数据获取请认准 18095266；引用挑战赛本身时可参考 19733396。

6.4 AI-Ready 评估：这套资源为何"可再生"

从数据工程视角看，SynthOCT 的 AI-Ready 属性相当优秀：

数据可下载：Zenodo 直链，CC-BY 4.0，无审批。
格式标准化：.npy（数值）+ .png（预览），附官方读取器。
基线完整：从生成（Part1）到扫描（Part2）到映射（Part3）到编排（Orchestrator）全链路开源。
评估可复现：指标实现公开在 Metrics_evaluation 目录，自一致性检查工具随包提供。
任务有标准答案形式：数字体模的格式（四列文本）明确，物理参数（坐标范围、能量范围）明确。
硬件门槛明确：16GB RAM / RTX 3060 / 600 秒/B-scan。

短板也清晰：隐藏测试集不可获取，这意味着第三方无法完全复现官方排行榜末位之争；3D 原始数据需申请，限制了三维结构研究；虚拟扫描仪是 Windows exe，Linux/macOS 用户需要额外环境适配。

6.5 与库内可获取性光谱的对照

把 SynthOCT 放进千方病案医数集的获取性光谱中，它落在"开放但需尊重引用"这一档：

比 retinal OCT 数据集（oct2017 需 Kaggle 账号、octa-500 更开放）的中位获取难度更低（Zenodo 直链 + CC-BY）。
比请求制的数据集（如 PANDA-PLUS 的注释掩码）友好得多。
与 synthrad（rid 671）类似，属于"公开挑战赛 + 公开数据 + 公开基线"的完整开放形态。

对自动化流水线友好的关键是：SynthOCT 不需要人肉审批即可拿到核心数据，这对构建可重复的实验至关重要。

§7 挑战赛的时间线与运作细节

7.1 三版日期并存：一场被反复延期的竞赛

SynthOCT 的日程表存在三个版本，记录了它从公告到定稿的完整演变。这本身是理解一个挑战赛运作节奏的有趣样本。

里程碑	最早公告（brightsurf）	中间公告（LinkedIn）	最终公告（官网，延期后）
团队注册	5 月 31 日	6 月 30 日	7 月 8 日
初赛体模提交	6 月 14 日	7 月 10 日	7 月 18 日
终稿（论文+代码）	7 月 1 日	7 月 14 日	8 月 14 日
初评决定	—	—	7 月 28 日
决赛	—	—	2026-10-01 17:00 CET

为什么会有这么多延期？ 在 §7.3 会看到，MICCAI 2026 从阿布扎比改址斯特拉斯堡，直接冲击了参赛者的线下参会可行性；此外，物理逆问题的难度可能超出主办方预期，需要给团队更多开发时间。频繁延期在挑战赛运营中既有正面意义（照顾参赛者）也有负面信号（任务难度或组织节奏的挑战）。

引用建议：本条目以**官网最终口径（右列）**为准。检索早期新闻稿或社交媒体验证时会看到左两列，需自行识别版本。

7.2 提交机制的技术细节

注册入口：官网 registration form；注册后获得在线上传门户权限；同时须邮件知会 drlevmatveev@gmail.com 以免技术问题。
初赛提交物：数字体模的 .txt 文件（散射体分布）。平台在服务器端自动跑虚拟扫描仪并计算指标。
终稿提交物：完整论文 + 代码/模型（或其链接）+ 通过 OpenReview 的 camera-ready 版本。
同行评审：强制通过 OpenReview（组 id: MICCAI.org/2026/Challenge/SynthOCT）。
代码公开要求：论文被接受后，必须将完整代码公开在仓库（如 GitHub）。
参会政策：SASHIMI 工作坊要求被接受的论文至少一名作者线下出席演讲；但因 MICCAI 改址，对签证/再入境困难者有线上参与的特例通道。

7.3 改址风波：一个被写进规则的行政变量

SynthOCT 官网用了一大段文字说明参会政策，核心信息是：MICCAI 2026 从阿布扎比（Abu Dhabi）改址至斯特拉斯堡（Strasbourg）。这一变动直接影响参赛者：

允许线上参与的情形：(1) 团队成员护照/国籍需要签证才能进入法国；(2) 预计返回居住国时有签证或再入境问题的参与者（如部分美国境外人员）。
强制线下参与的情形：团队中有成员当前居住在 Schengen 区（申根区）内。
论文演讲：被接受的论文，至少一名作者须线下出席并演讲。

把这个行政变量记录下来，是因为它揭示了一个常被忽视的事实：医学数据挑战赛的结果，部分由非技术因素塑造——地缘、签证、举办地改变都可能影响谁最终能上台。对研究可复现性的评估，不应只看算法，也应看这些组织变量。

§8 方法学启示：三条可迁移的经验

8.1 把"生成"重构为"逆问题"，是治理合成数据幻觉的根本手段

SynthOCT 最重要的贡献不是某个算法，而是任务框架的设计哲学。它示范了一种根治"幻觉数据"的思路：

不要让生成模型直接输出目标模态，而让它输出一个物理世界的中间表征，再由一个不可篡改的物理引擎渲染目标模态。

在这个框架下，"合成图像是否可信"这个问题被自动回答了一半——因为图像是由物理引擎生成的，只要中间表征（散射体分布）正确，渲染出的图像在物理上必然自洽。生成模型的"想象力"被限制在物理允许的范围内。

这个范式可以迁移到任何有可靠前向物理模型的领域：CT（投影+重建）、PET（放射性核素衰变+探测）、超声（声波传播）、MRI（Bloch 方程）。凡是能写下前向算子的成像模态，都可以套用"逆问题式合成"。SynthOCT 是把这个想法在一个具体模态上走通了的示范。

8.2 病态性是特性，不是缺陷——但必须诚实标注

SynthOCT 坦承其任务病态（缺相位 + 非负约束）。这个"自曝其短"的做法值得学习：

它没有假装"能恢复唯一真值"，而是明确说"重建了物理等价的散射体分布"。
它通过隐藏测试集和代码复核来防止病态性被利用。
它把"物理等价类"这一更弱但更诚实的结论作为卖点。

对下游用户而言，这意味着：用 SynthOCT 合成数据训练模型时，得到的模型学的是可观测量的物理对应物，而非生物学真值。在临床解释、机理研究上要谨慎；在数据增强、鲁棒性测试上则可以放心使用。明确标注适用范围，比夸大能力更有价值。

8.3 相干成像的合成评估：逐像素指标是陷阱

§4.2 的指标筛选过程，是一条可以写进教材的经验：

在散斑主导的相干成像（OCT、超声、SAR）合成评估中，MSE、PSNR 等逐像素指标会因散斑实现的随机性而失效，应优先使用多尺度结构指标（MS-SSIM）与感知指标（LPIPS）。

这条经验的价值在于它解释了为什么"合成图看起来很好，PSNR 却很低"这一在相干成像中普遍存在的困惑——不是合成失败，而是指标选错了。评估体系的选择本身就是一项需要物理学洞察的设计决策。

对任何做相干成像合成的研究者，SynthOCT 的四域 × 双指标评估方案（Struct/OAC/SC/RSC × MS-SSIM/LPIPS）都可以直接借鉴为评估模板。

§9 与库内条目的关系

9.1 家族图谱

SynthOCT 在千方病案医数集库内是一个任务异类、模态近邻的存在。它与其他条目的关系可以分三层理解：

第一层：同任务范式（合成医学影像挑战赛）

synthrad（rid 671）：SynthRAD2025，MRI→CT 跨模态合成挑战赛。与 SynthOCT 同属"医学图像合成挑战赛"范式，都强调合成质量的可评估性。但 SynthRAD 是跨模态（输入 MRI 输出 CT），SynthOCT 是同模态逆问题（输入 OCT 输出散射体再合成 OCT），物理约束更强。
synthea（rid 460）/ synthea-covid（rid 714）/ synthetic-mimic-iii-health-gym（rid 597）：三者聚焦"合成患者/合成 EHR 数据"，与 SynthOCT 的"合成医学影像"属于更宽泛的"合成数据"家族，但模态完全不同（结构化表格 vs 图像）。

第二层：同模态（OCT）

oct2017（rid 311）：Kermany 视网膜 OCT 分类数据集。OCT 同模态，但是视网膜、且任务为分类。
octdl（rid 690）：视网膜 OCT 深度学习数据集。
octid（rid 697）：光学相干断层扫描视网膜图像库。
octa-500（rid 341）/ octa-25k（rid 859）/ woives-octa（rid 865）：均为 OCTA（OCT 血管成像），视网膜血管分割/质量评估。
neh-ut-oct（rid 891）：伊朗 Noor 眼科医院的视网膜 OCT。
age-as-oct（rid 858）：AS-OCT（前段 OCT）房角闭合评估。
oimhs（rid 745）：黄斑裂孔 OCT 四结构分割。

这批条目与 SynthOCT 共享"OCT"这一模态关键词，但任务域完全不同：它们几乎全部是视网膜/眼前段 OCT 的分类或分割，SynthOCT 是皮肤 OCT 的散射体反演。检索时若只按"OCT"召回，务必区分。

第三层：同解剖部位（皮肤影像）

skincap（rid 782）：皮肤病学图像-医学描述多模态数据集。
skincon（rid 784）：皮肤病学专家密集概念标注数据集。
dermacon-in（rid 781）：南亚肤色多概念皮肤病数据集。

这三者是"皮肤影像"同域，但都是皮肤病照片（dermoscopy/clinical），而 SynthOCT 是皮肤 OCT 断层信号——同部位、不同成像模态。

9.2 建议互链点（供主会话/发布侧参考）

目标条目	rid	互链理由	建议链接文本
synthrad	671	合成医学影像挑战赛范式	医学图像合成挑战赛（synthrad）
octdl	690	OCT 同模态深度学习数据集	视网膜 OCT 深度学习数据集（octdl）
octid	697	OCT 同模态图像库	OCT 视网膜图像库（octid）
oct2017	311	OCT 同模态分类数据集	Kermany 视网膜 OCT 数据集（oct2017）
skincap	782	皮肤影像同域	皮肤病学图像-描述数据集（skincap）
skincon	784	皮肤影像同域	皮肤病学概念标注数据集（skincon）

强互链优先：synthrad（671，同范式）+ octdl/octid（690/697，同模态）。这两组是检索者最可能从 SynthOCT 跳转或反向跳转的节点。

9.3 检索路径建议

做图像合成/生成模型 → 从 SynthOCT 横向看 synthrad（671），理解"合成任务如何被评估"。
做 OCT 信号处理 → 从 SynthOCT 纵向看 octdl/octid/oct2017，但注意皮肤 vs 视网膜模态差异。
做皮肤影像 → 从 SynthOCT 看 skincap/skincon/dermacon-in，注意照片 vs OCT 的模态差异。
做逆问题/计算成像 → SynthOCT 是库内唯一明确以"物理逆问题"为核心的条目，独树一帜。

§10 避坑清单：八个已踩过的坑

坑 1：把 SynthOCT 当成"OCT 图像分类/分割数据集"。
它既不是分类也不是分割，而是散射体分布反演。用分类/分割的思维去看它的数据格式（四列文本而非掩码图像），会完全摸不着头脑。

坑 2：以为数据是视网膜 OCT。
SynthOCT 用的是体内人皮肤 OCT（面颊、眼角），与库内绝大多数视网膜 OCT 条目（oct2017、octdl、octa-500 等）任务域和成像部位都不同。

坑 3：忽略 2D 子集 vs 3D 全量的血缘。
公开的 120 张是"更大 3D OCT 数据集的精选子集"。做三维结构分析的研究者若以为 120 张代表了全部数据，会得出错误结论。3D 数据需申请。

坑 4：误把 .npy 当线性幅度处理。
数据集存的是对数信号幅度（1 单位 ≈ 0.2 dB）。忘记对数域标定会系统性破坏散射能量估计。使用官方读取器。

坑 5：用 PSNR/MSE 评估合成质量。
官方明示这些逐像素指标因散斑失效，仅参考。排行榜只认 MS-SSIM + LPIPS。用错指标会把好方法判为坏方法。

坑 6：混淆三版挑战赛日期。
brightsurf（5/31、6/14、7/1）、LinkedIn（6/30、7/10、7/14）、官网延期后（7/8、7/18、8/14）三版并存。以官网为最终口径，其余为历史存档。

坑 7：以为高分方案恢复了真实组织。
Top-3 方案的作者自陈"没有恢复采集相位或底层组织微观结构"。高分对应的是物理等价类，不是生物学真值。在临床解释或机理研究中误用会出问题。

坑 8：忽略硬件/运行时约束。
方案须在 16GB RAM + RTX 3060 12GB 上运行，单张 B-scan ≤ 600 秒，虚拟扫描仪是 Windows exe。用大数据集群的解法在这里会被直接淘汰，Linux 用户还需处理 exe 兼容性。

§11 总结

11.1 三句话总结

SynthOCT 2026 是一次把"医学图像合成"重新定义为"逆物理问题"的挑战赛，隶属 MICCAI 2026 / SASHIMI 2026，用 120 张体内人皮肤 OCT B-scan 作为反演靶子。
它用固定的物理虚拟扫描仪取代了"生成模型直接出图"的范式，逼参赛者重建支配性散射体分布，从根上杜绝了物理无意义的幻觉纹理。
它用 MS-SSIM + LPIPS 双指标横跨 Struct/OAC/SC/RSC 四域评估，首次把"光学衰减系数"与"散斑统计"这类物理量纳入合成质量审查；结果呈悬崖式断层（Top-3 > 98%，其余 ≤ 70%）。

11.2 适合谁

研究逆问题、计算成像、物理仿真的研究者。
做医学图像合成/生成模型、关心"合成质量如何严格评估"的团队。
探索OCT 虚拟组织学、光学活检方向的研究者。
关注合成数据伦理与可复现性、想理解"物理等价类 vs 生物真值"区别的方法学研究者。
做相干成像（OCT/超声/SAR）合成评估、需要可靠指标模板的工程团队。

11.3 不适合谁

想要大规模 OCT 训练集做分类/分割的人——120 张、且任务不是分类分割。
做视网膜 OCT 临床诊断的人——这里的数据是皮肤 OCT。
期待**官方公布完整答案（散射体真值）**的人——真值被隐藏留出。
只想调用现成 API 出图、不愿处理物理参数与 .ini 配置的人。

11.4 30 秒决策卡

你的问题	SynthOCT 的答案
是什么	皮肤 OCT 数字体模逆物理合成挑战赛（MICCAI 2026 卫星赛事）
数据	120 张体内人皮肤 OCT B-scan，256×512，~51 dB，1.3 μm
能拿到吗	能，CC-BY 4.0，Zenodo 18095266 直链
任务	从 B-scan 反推散射体分布（X/Y/Z μm + Energy%），经虚拟扫描仪合成
怎么评分	MS-SSIM（↑）+ LPIPS（↓），横跨 Struct/OAC/SC/RSC 四域
结果如何	12 队注册、6 队提交，Top-3 >98%，其余 ≤70%
硬件要求	16GB RAM + RTX 3060 12GB，≤600 秒/B-scan，Windows
最该记住的一点	合成数据第一次被物理定律审查，而非只被像素相似度审查

FAQ（高频问答 20 问）

Q1：SynthOCT 和 OCT 分类数据集（如 oct2017）最本质的区别？
任务性质。oct2017 等是"给一张 OCT 图，判断它属于哪一类"（分类）或"标出结构"（分割）；SynthOCT 是"给一张 OCT 图，反推产生它的物理散射体分布"（逆问题）。前者学的是图像的统计模式，后者学的是图像的物理成因。

Q2：为什么说它"不是合成 OCT 图"？
因为参赛者不输出图像。参赛者输出的是散射体分布文本，图像由组织方的物理引擎渲染。参赛者根本没有"画图"的自由。

Q3：虚拟扫描仪能改吗？
不能。官方的 Part2_Scanner 是"fixed imaging device"（固定成像设备），参赛者只能改 Part1（生成器）。这是公平性的基石。

Q4：我能自己跑虚拟扫描仪验证分数吗？
可以。Part2_Scanner.exe 在官方 GitHub 提供下载（Google Drive 链接），配合 Baseline 的 Orchestrator 可本地运行完整管线。

Q5：为什么排行榜只算两个指标？
因为其余指标（PSNR/VIF/MSE）受 OCT 散斑噪声干扰会失效（假阴性），官方明示仅作信息参考。

Q6：MS-SSIM 和 LPIPS 方向相反，怎么同时优化？
MS-SSIM 越高越好，LPIPS 越低越好。二者不冗余——一个管结构保真，一个管感知相似。好方法需两者兼顾。

Q7：数据集有多大？
38.2 MB（DATASET.zip），含 120 张 256×512 的 .npy + .png。轻量级。

Q8：数据是哪个部位的 OCT？
皮肤。具体解剖定位为面颊（Cheek）与眼角（Eye_corner）。

Q9：有没有 3D 数据？
有，但公开的 120 张是 2D 切片。完整 3D OCT 数据集需向通讯作者申请。

Q10：用这套数据要付钱吗？
不用。CC-BY 4.0，自由复用，唯一要求是正确引用（数据集 DOI + 期刊论文 DOI）。

Q11：必须引用两篇文献吗？
是的。Zenodo 与 GitHub 均要求同时引用数据集记录（10.5281/zenodo.18095266）与数据集论文（10.1159/000550613）。

Q12：为什么只公开 120 张？
它是更大 3D 队列的精选子集，用于分类基准与数字体模生成。完整队列规模未披露。

Q13：为什么要有隐藏测试集？
防止参赛者针对公开数据过拟合，同时因为逆问题病态（解不唯一），公开真值会被直接"查表"，隐藏是维持科学性的必要防护。

Q14：挑战赛结果如何？
12 队注册、6 队提交终稿；Top-3 首阶段中位指标 >98%，其余 ≤70%；Top-3 提交代码经组织方在隐藏集复核。

Q15：决赛在哪里、什么时候？
2026 年 10 月 1 日 17:00 CET，在斯特拉斯堡（MICCAI 2026 / SASHIMI 2026 现场）直播。

Q16：Top-3 用的什么方法？
方法各异。已知其一为"相位对全息反演（Phase-Pair Holographic Inversion）"——用相隔半波长的两个非负能量项编码复数相位，绕过非负约束，达到 mean MS-SSIM 0.9935~0.9943。

Q17：SynthOCT 的分数能达到多高？
最优方案 mean MS-SSIM ≈ 0.9943，median LPIPS ≈ 0.0226；朴素基线 mean MS-SSIM ≈ 0.8256。

Q18：为什么要 600 秒/B-scan 的限制？
保证组织方能在普通工作站上、于隐藏测试集上重跑参赛代码。把"可复核"编码进技术规则。

Q19：Mac/Linux 能参与吗？
官方要求 Windows 10/11（因虚拟扫描仪是 exe）。Mac/Linux 用户需 Wine 或 Windows 环境，属工程摩擦点。

Q20：它和库内哪个条目最像？
synthrad（rid 671）。同为"医学图像合成挑战赛 + 公开数据 + 公开基线"的开放范式，只是模态与合成方向不同。

事实清单（硬事实 30 条）

官方全名：SynthOCT 2026: Digital Phantoms Simulation for Physics-Based Scans Synthesis in Optical Coherence Tomography。
性质：MICCAI 2026 卫星赛事，隶属 SASHIMI 2026 工作坊。
数据集规模：120 张体内人皮肤 OCT B-scan。
图像尺寸：256（深度）× 512（横向）像素。
数据位深/格式：uint8 对数幅度，.npy + .png。
动态范围：约 51 dB（1 单位 ≈ 0.2 dB）。
像素尺寸：6 μm（轴向）× 6 μm（横向）。
FWHM 光束直径：约 20 μm。
中心波长：1.3 μm。
数据集打包体积：38.2 MB（DATASET.zip）。
数据集 DOI：10.5281/zenodo.18095266（Version 1，2025-12-30）。
数据集许可：CC-BY 4.0。
挑战赛记录 DOI：10.5281/zenodo.19733396。
分层维度：Sex（Male/Female）× Age Group（1950-1960, 1990-2000）× Localization（Cheek, Eye_corner）。
数字体模格式：四列 X/Y/Z（μm）+ Energy（%）。
X 范围：−1536 ~ +1536 μm。
Z 范围：0 ~ 1536 μm。
Energy 范围：0 ~ 100%（非负；1.0 ≈ 典型生物组织，100.0 = 完美镜面）。
计分指标：MS-SSIM（↑）+ LPIPS（↓）。
评估四域：Struct、OAC、SC、RSC。
注册团队：12 支。
提交终稿团队：6 支。
Top-3 首阶段中位指标：> 98%。
其余团队指标：≤ 70%。
零相位基线 mean MS-SSIM：0.8256。
最优方案 mean MS-SSIM：0.9943；median LPIPS：0.0226。
硬件要求：16GB RAM + RTX 3060 12GB（Windows 10/11）。
推荐环境：Python 3.12.12 + PyTorch 2.10.0。
运行时限制：≤ 600 秒/B-scan。
决赛时间：2026-10-01 17:00 CET（斯特拉斯堡）。

术语表（22 条）

术语	中文	释义
SYNTHOCT	SynthOCT 2026	本次挑战赛，皮肤 OCT 数字体模逆物理合成
OCT	光学相干断层扫描	利用低相干光干涉实现深度成像的模态
DIGITAL PHANTOM	数字体模	组织微观结构的散射体空间分布，本任务的核心输出
SCATTERER	散射体	组织中引起光背向散射的微观结构单元
VIRTUAL SCANNER	虚拟扫描仪	固定的物理仿真引擎，将散射体分布渲染为 OCT B-scan
INVERSE PROBLEM	逆问题	从观测（扫描）反推成因（散射体分布）的数学问题
ILL-POSED	病态	解不唯一或对噪声敏感的数学性质
B-SCAN	B 扫描	OCT 的二维截面图像（深度 × 横向）
A-SCAN	A 扫描	OCT 的单条深度信号线
OAC	光学衰减系数	光在组织中随深度衰减的物理量
SC	散斑对比度	散斑图案的统计对比度
RSC	精化散斑对比度	改进版散斑对比度表征
SPECKLE	散斑	相干光散射叠加形成的颗粒状图案
MS-SSIM	多尺度结构相似度	多分辨率下的结构保真指标（计分，↑）
LPIPS	学习感知图像块相似度	基于深度特征的感知距离（计分，↓）
SSIM	结构相似度	单尺度结构相似指标（参考）
PSNR	峰值信噪比	逐像素保真指标（参考，散斑下失效）
STRUCT	结构域	以原始强度图评估的表示域
FOUNDATION MODEL	基础模型	大规模预训练、可迁移的通用模型
VIRTUAL HISTOLOGY	虚拟组织学	用成像反推组织学结构、替代活检的愿景
SASHIMI	医学图像仿真与合成工作坊	MICCAI 下专注 Simulation and Synthesis 的工作坊
CC-BY 4.0	知识共享署名 4.0	最宽松的开放许可，仅要求署名

附录

附录 A：条目信息速查卡

项	内容
slug	synthoct
官方全名	SynthOCT 2026: Digital Phantoms Simulation for Physics-Based Scans Synthesis in Optical Coherence Tomography
官网	https://www.synthoct.com/
数据集	https://doi.org/10.5281/zenodo.18095266
挑战赛记录	https://doi.org/10.5281/zenodo.19733396
Baseline	https://github.com/SynthOCTChallenge/SynthOCT_Baseline
读取器	https://github.com/SynthOCTChallenge/OCT_scans_NPY_Reader
综述论文	https://papers.miccai.org/miccai-2026-sat/SynthOCT_000.html
数据集论文	DOI 10.1159/000550613
前身方法	DOI 10.1007/978-3-032-05573-6_5
许可	CC-BY 4.0
数据规模	120 张 B-scan，256×512，38.2 MB

附录 B：DAIMS 评估全表

DAIMS（Data Asset Indexing and Management Standard）从六个维度评估数据资产的可索引、可获取、可互操作、可重用价值。

维度	评分	说明
D — Discoverability（可发现性）	高	官网、Zenodo、MICCAI 论文集、GitHub 多点可查；DOI 稳定；挑战赛名称唯一无歧义
A — Accessibility（可获取性）	高	核心数据集 CC-BY 4.0 直链下载；Baseline 与扫描仪公开；仅 3D 数据与隐藏测试集受限
I — Interoperability（互操作性）	中高	.npy/.png 标准格式，附官方读取器；但虚拟扫描仪为 Windows exe，跨平台互操作受限；数字体模为自定义四列文本格式
M — Metadata（元数据质量）	高	Zenodo 元数据完整（作者、机构、资助、许可、引用要求、文件 md5）；分层标签清晰；但隐藏集规模等关键信息缺失
S — Sustainability（可持续性）	中高	Zenodo 长期存档 + GitHub；官方组织持续维护；但 2026 首届，版本仅 v1，长期存续待观察
综合	中高	作为开放挑战赛数据集属第一梯队；跨平台工程摩擦与隐藏集不可复现是主要短板

附录 C：逐项证据链自证

事实	来源 URL
官方全名与任务定义	https://www.synthoct.com/ ; https://github.com/SynthOCTChallenge/SynthOCT_Baseline
120 张、规格、许可、DOI	https://zenodo.org/records/18095266
参赛规模、Top-3 表现、四域指标	https://papers.miccai.org/miccai-2026-sat/SynthOCT_000.html
指标全集、虚拟扫描仪参数、自一致性检查	https://github.com/SynthOCTChallenge/SynthOCT_Baseline
Top-3 方案细节（phase-pair）	https://papers.miccai.org/miccai-2026-sat/SynthOCT_002.html
三版日期对照	官网 / LinkedIn SASHIMI 帖 / brightsurf 新闻稿
组织方、时间线、参会政策	https://www.synthoct.com/
资助信息、机构	https://zenodo.org/records/18095266

附录 D：数据获取决策树

你需要什么？
├── 120 张 2D 皮肤 OCT B-scan（做反演/合成/分类基准）
│     └── Zenodo 记录 18095266 → 下载 DATASET.zip（CC-BY 4.0，无门槛）
├── 虚拟扫描仪 + Baseline 管线
│     └── GitHub SynthOCT_Baseline → 下载 Part2_Scanner.exe（Google Drive）
├── 3D OCT 原始扫描
│     └── 邮件 drlevmatveev@gmail.com（请求制）
├── 隐藏测试集 / 官方散射体真值
│     └── 不可获取（组织方保密）
└── 参赛/提交
      └── 官网注册（历史截止 2026-07-08）

附录 E：评估矩阵速查（四域 × 双指标）

域 \ 指标	MS-SSIM（↑）	LPIPS（↓）
Struct（结构强度）	计分	计分
OAC（光学衰减系数）	计分	计分
SC（散斑对比度）	计分	计分
RSC（精化散斑对比度）	计分	计分

每个域 × 指标的组合均参与评估；排行榜以 MS-SSIM 与 LPIPS 为准。

附录 F：坑点档案（与 §10 对照）

编号	坑点	后果
坑 1	误认作分类/分割数据集	完全误解任务
坑 2	误认作视网膜 OCT	模态与部位错配
坑 3	忽略 2D/3D 血缘	三维结论错误
坑 4	误处理对数幅度	散射能量系统性偏差
坑 5	用 PSNR/MSE 评估	好方法被判坏
坑 6	混淆三版日期	错过截止
坑 7	误认高分为真值	临床/机理误用
坑 8	忽略硬件约束	方案被淘汰 / 环境不适配

附录 G：检索关键词建议

中英文核心检索词：SynthOCT / SynthOCT 2026 / digital phantom / scatterer distribution / physics-based OCT synthesis / virtual scanner / optical attenuation coefficient / speckle contrast / inverse problem OCT / MS-SSIM LPIPS / 数字体模 / 散射体分布 / 光学相干断层扫描合成 / 物理仿真 / 逆问题 / 虚拟扫描仪 / 散斑对比度 / SASHIMI 2026 / MICCAI 2026 satellite。

本条目为 AI-Ready Wikipedia 结构，所有硬数字均来自官网、Zenodo、MICCAI 2026 论文集与官方 GitHub 的一手来源，三源互证，来源 URL 见附录 C。双口径冲突（Zenodo DOI、日期版本、Hassan 所属机构、median vs mean）已在正文与 FACTS.md §9 逐条存照。

附录 H：任务流水线复现骨架（SOP 模板）

以下骨架概括官方 Baseline 的四段式管线，供读者理解"从 B-scan 到分数"的完整可复现路径。

输入：一张真实皮肤 OCT B-scan（256×512 uint8，对数幅度）。
输出：该扫描对应的数字体模（散射体 4 列文本）及其评估分数。

Step 0 — 环境准备

Python 3.12.12（推荐）
PyTorch 2.10.0（推荐）
pip install numpy scipy matplotlib scikit-image joblib numba sewar lpips torch torchvision
将 Part2_Scanner.exe 置于脚本同级目录

Step 1 — 生成（Part1_Generator.py，可编辑）

读取目标 B-scan（.npy）。
输出散射体分布：(x, y, z) 坐标（μm）+ 背向散射能量（%）。
保存为 Scatterers_*.txt。
这是参赛者唯一需要改进的组件。

Step 2 — 扫描（Part2_Scanner.exe，固定）

Part2_Scanner.exe <Configuration.ini> <Scatterers.txt> <Output.png>

依据 .ini 中的光学参数（像素数、波长、束半径等）对散射体做物理前向仿真。
输出原始 OCT B-scan（.png，51 dB 动态范围，对数映射到 0–255）。

Step 3 — 参数化映射（Part3_Processor.py，固定）

将原始扫描转换为物理参数图：OAC（光学衰减系数）、SC（散斑对比度）、RSC（精化散斑对比度）。

Step 4 — 编排与评估（Orchestrator.py，管理器）

串联上述步骤，输出 Final_Metrics_Report.csv。
默认配置为自一致性检查；参赛须重配置为 real/synthetic 比较（Challenge mode）。

关键工程细节：

单张 B-scan 全流程不得超过 600 秒。
散射体数量示例为 300000（可在 .ini 中调整）。
能量列非负，反射幅度按 sqrt(Energy/100) 计算。

附录 I：虚拟扫描仪配置模板与字段释义

官方 Baseline 给出的 Configuration.ini 是理解物理仿真参数的最直接材料。逐字段释义如下：

[Parameters]
scan filename = Scan_Raw.bin          # 原始扫描二进制输出
scatterers coordinates file = Scatterers_Exp.txt   # 散射体坐标+能量输入
a-scan pixel numbers = 256            # 每条 A-scan 的深度采样点数
vertical pixel size mcm = 6.0         # 轴向像素尺寸（μm）
central wavelength mcm = 1.3          # 中心波长（μm）
number of a-scans in b-scan = 512     # B-scan 中 A-scan 数量
xmax mcm = 3072.0                     # 横向总跨度（μm）
number of b-scans = 1                 # B-scan 数量（单张模式）
ymax mcm = 0.0                        # 出平面跨度（单 B-scan 为 0）
beam radius mcm = 10.0                # 束半径（μm），即直径 20 μm
number of scatterers in b-scan = 300000   # B-scan 内散射体数

字段间的一致性检查：a-scan pixel numbers = 256 与数据集文档的"深度 256 像素"一致；number of a-scans in b-scan = 512 与"横向 512 像素"一致；vertical pixel size mcm = 6.0 与"6 μm/px"一致；central wavelength mcm = 1.3 与"中心波长 1.3 μm"一致；beam radius mcm = 10.0 与"FWHM 束直径约 20 μm"一致；xmax mcm = 3072.0 = 512 × 6 μm。这套参数与数据集规格的严丝合缝，是物理闭合的前提——任何一处不一致都会让反演失去意义。

附录 J：三类合成范式的对照

把 SynthOCT 放在合成数据的谱系里看，能更清楚它的独特位置。

范式	代表	输出物	物理约束	评估标尺
直接图像合成	GAN / 扩散模型	目标模态图像	无（纯统计）	像素/感知相似度
跨模态合成	SynthRAD（rid 671）	目标模态图像（如 CT）	弱（学习映射）	图像相似度 + 下游任务
逆物理合成	SynthOCT	物理中间表征（散射体分布）	强（固定物理引擎）	结构/感知 + 物理量（OAC/SC）

SynthOCT 的独特之处在于：它的输出不是目标模态，而是物理世界的成因；它的评估不只看图像，还看物理参数图。这使它在三类范式中物理约束最强、评估最严格，也最难"作弊"。

附录 K：为什么"物理等价类"不是"生物真值"

这是本条目最需要读者带走的认知，值得展开。

设定：真实的组织散射体分布记为 T。参赛者反演出的分布记为 P。虚拟扫描仪记为 F（前向算子）。真实扫描 S = F(T)。

挑战赛的目标：找到 P，使得 F(P) ≈ F(T) = S。

关键推论：只要 F(P) ≈ F(T)，即使 P ≠ T，也能拿高分。因为评估只比较 F(P) 与 F(T)，从不比较 P 与 T（T 根本未公开）。

因此：

高分方案保证的是 F(P) ≈ F(T)，即"经扫描后几乎无法区分"。
高分方案不保证 P ≈ T，即"散射体分布与真实组织一致"。
数学上，满足 F(P) ≈ F(T) 的 P 构成一个等价类（在算子 F 的零空间方向上可以自由变化）。

实践意义：

用于数据增强/鲁棒性测试：安全。因为你只用 F(P) 产生的合成扫描，物理上自洽。
用于临床机理推断：危险。因为 P 未必是真实组织，据此推断的生物学结论可能错误。
用于虚拟组织学：是"必要但不充分"的一步。它证明了"能合成物理一致的扫描"，但离"能读出真实组织"还有距离——后者需要额外约束、多模态联合或先验知识。

Top-3 方案作者自己都明确承认"没有恢复底层组织微观结构"，正是这条逻辑的诚实体现。

附录 L：相关资源清单

资源	URL
挑战赛官网	https://www.synthoct.com/
数据集（Zenodo）	https://zenodo.org/records/18095266
挑战赛记录（Zenodo）	https://doi.org/10.5281/zenodo.19733396
Baseline 仓库	https://github.com/SynthOCTChallenge/SynthOCT_Baseline
.npy 读取器	https://github.com/SynthOCTChallenge/OCT_scans_NPY_Reader
虚拟扫描仪（Google Drive）	https://drive.google.com/file/d/10xO8WTGbaBDIixBwpY9btxwHZAhHF3L2/view
挑战综述论文	https://papers.miccai.org/miccai-2026-sat/SynthOCT_000.html
Top-3 方案（phase-pair）	https://papers.miccai.org/miccai-2026-sat/SynthOCT_002.html
方案代码（Bibimbap）	https://github.com/MasalaKimchi/SynthOCT-Bibimbap
SASHIMI 2026 工作坊	https://sashimiworkshop.org/
MICCAI 2026	https://conferences.miccai.org/2026/en/
数据集论文	DOI 10.1159/000550613
前身方法论文	DOI 10.1007/978-3-032-05573-6_5

附录 M：组织方与贡献者名录

组织方（Organizers）：

Dr. Lev Matveev — Russian Academy of Sciences（应用物理研究所 RAS）
PhD. Samuel Remedios — Johns Hopkins University
Prof. Azhar Zam — New York University（NYU Abu Dhabi）
Dr. Taimur Hassan — Aston University（官网口径；GitHub README 记为 Abu Dhabi University，存照）

评估与基准负责人（Evaluation & Benchmark Leads）：

Denis Nikoshin — HSE University
Daniil Mikhailenko — HSE University

综述论文完整作者（14 人）：Matveev, Lev；Remedios, Samuel W.；Zam, Azhar；Hassan, Taimur；Mikhailenko, Daniil；Nikoshin, Denis；Ryabkov, Maxim；Petrova, Ksenia；Kulagina, Maria；Sovetsky, Alexander；Kulagin, Pavel；Matveyev, Alexander；Gelikonov, Grigory；Zaitsev, Vladimir。

数据集贡献机构：A.V. Gaponov-Grekhov Institute of Applied Physics, RAS（下诺夫哥罗德）；N.I. Lobachevsky Research State University（下诺夫哥罗德）；N.A. Semashko Clinic of Nizhny Novgorod Region（下诺夫哥罗德）。

资助：RSF Grant № 25-12-20032（OCT 大规模模型算法与物理原理，含数据集整理、基准工具与挑战赛）；RSF Grant № 22-12-00295-П（光学相干弹性成像及相关模态，含数据集构建与预处理）。

附录 N：关键指标公式说明（概念级）

为避免误导，这里只给概念级说明，不写具体实现（实现见官方 Metrics_evaluation 目录）。

MS-SSIM：SSIM 在多尺度上的扩展。图像被逐级下采样，在每个尺度上计算对比度、结构、亮度项，再按权重连乘。值域 [0,1]，1 为完全一致。对散斑这类高频噪声比单尺度 SSIM 更鲁棒，因为它同时考察粗尺度的结构。
LPIPS：用预训练深度网络提取多层特征，计算合成图与参考图在特征空间的加权 L2 距离。值越小越相似。因为是"学习出来的感知"，它更贴近人眼判断，而非逐像素相等。
OAC：光学衰减系数。由信号随深度的对数衰减斜率估计，反映组织的散射+吸收强度。是"物理正确性"的核心检验量之一。
SC / RSC：散斑对比度（经典/精化）。衡量局部散斑强度的统计涨落，反映散射体的相干叠加统计特性。

为什么用这套组合：MS-SSIM 保证结构不失真；LPIPS 保证感知不怪异；OAC/SC/RSC 保证物理量对得上。四域 × 双指标构成了一张严密的"物理审计网"。

附录 O：给下游使用者的五条实操建议

先跑通官方 Baseline 的自一致性检查，理解指标在你手上的波动范围，再谈优化。
务必从官方 .npy 读取器入手，不要自己解析字节——对数域与 reshape 顺序极易出错。
评估只用 MS-SSIM 与 LPIPS，不要用 PSNR/MSE 判断成败（散斑下它们是陷阱）。
明确你用的是 P（反演分布）还是 F(P)（合成扫描）：前者需谨慎对待生物学解释，后者可放心用于数据增强。
若要复现排行榜，记住隐藏测试集不可得——你能复现的是方法与相对趋势，而非官方绝对名次。

§12 深度导读：五个层层递进的问题

本节为希望深入理解 SynthOCT 的读者提供五个递进式问题，从"它是什么"一路问到"它意味着什么"。

12.1 为什么需要"基于物理的合成"？——从图片到物理的认知跃迁

要理解 SynthOCT 的意义，先要理解传统合成数据为什么不够用。

假设你要训练一个 OCT 病灶检测模型，但真实标注数据稀缺。你用 GAN 合成了 10 万张"看起来像 OCT"的图。模型在这些图上训练后，在真实数据上表现反而下降。为什么？

可能的原因有三层：

纹理幻觉：GAN 学到的"散斑"是统计拟合的结果，不具备真实散斑的物理结构。模型学到的是伪纹理特征，在真实散斑上失效。
结构幻觉：GAN 可能生成物理上不可能的层结构（比如厚度反了、层次缺失），模型学到错误的解剖先验。
分布偏移：GAN 无法保证覆盖真实数据的物理参数范围（衰减系数、散斑对比度），合成集与真实集在物理空间里是错位的。

SynthOCT 的立论正是针对这三层：如果你通过物理引擎生成图像，那么纹理、结构、物理参数就自动正确——因为图像是物理过程的产物，不是统计拟合的产物。这就是"基于物理的合成"（physics-based synthesis）的认知价值：它把"合成数据的可信度"从一个统计问题变成了一个物理问题。

12.2 为什么是"逆问题"而不是"正问题"？——任务方向的深意

一个自然的问题是：既然有物理引擎，为什么不直接正向生成散射体、扫描成图，做成无穷无尽的合成数据？

答案是：正向生成的散射体是随机的，与真实组织的散射体分布没有对应关系。正向生成的图在物理上自洽，但在生物学上无意义——它不对应任何真实的人、真实的皮肤、真实的结构。

SynthOCT 选择逆向，是因为只有从真实扫描出发，反推出的散射体才与真实组织挂钩。虽然反演是病态的、解不唯一，但至少解的等价类中包含了真实的散射体分布。这比"随机生成一个物理自洽但与现实无关的分布"要有价值得多。

这个方向选择体现了一种数据哲学：合成数据的价值不在于数量，而在于它与真实世界的"锚定关系"。逆问题保证了锚定——这是 SynthOCT 最深的洞见之一。

12.3 为什么是"数字体模"这个中间物？——表征层的选择

SynthOCT 的巧妙之处还在于它选择的中间表征：散射体分布（数字体模）。

对比几种可能的中间表征：

直接图像：最差，退化为图像生成任务。
组织层掩码：太粗，丢失了散射体的统计分布信息。
散射体分布：恰到好处——它是组织微观结构的物理载体，一旦确定，经物理引擎即可唯一确定（在均值意义上）扫描结果。

散射体分布之所以是好的中间表征，因为它既是物理实体（真实存在于组织中），又是可仿真的输入（物理引擎的输入端）。它在"生物现实"与"计算可行"之间架了桥。选择正确的中间表征，往往比优化算法本身更重要——这是 SynthOCT 给所有"逆问题式合成"设计者的启示。

12.4 为什么只有两个指标能活？——评估设计的物理洞察

前面已讨论过散斑对逐像素指标的破坏。这里补充一个更深的点：评估指标的选择，本身就是物理建模的一部分。

当你选择用 PSNR 评估 OCT 合成时，你隐含假设了"像素值应该逐点相等"。但这个假设在相干成像里是错的——因为散斑的随机实现使得"物理正确的合成"和"真实采集"之间在像素层面本就不该相等（换一次散斑实现，像素就全变）。

因此，正确的评估必须选择那些对散斑实现不敏感、但对物理结构敏感的指标。MS-SSIM（多尺度结构）和 LPIPS（感知特征）正是这样的指标。OAC/SC/RSC 三张物理参数图则从"物理量"维度补充了约束。

这个洞察的可迁移性极强：任何相干成像（超声、SAR、OCT、激光雷达）的合成评估，都应重新审视指标选择，而不是套用自然图像的常规指标。

12.5 一个只有 120 张的挑战赛，意义何在？——规模与深度的辩证

120 张 B-scan，38 MB——在"大数据"时代，这个规模简直微不足道。为什么它值得被记入千方病案医数集？

因为它验证的是"可行性"而非"规模效应"。它的贡献不在数据量大，而在于：

证明了一个完整的物理闭环可以跑通（从真实扫描到散射体再到合成扫描）。
建立了一套物理审计式评估的范式（四域双指标）。
展示了病态逆问题的诚实处理方式（隐藏集 + 代码复核 + 明确标注适用范围）。
用一个悬崖式的结果分布证明了物理一致性是"质变"而非"渐变"。

这四条中的任何一条，都可能比 10 万张无物理约束的合成图更有长期价值。SynthOCT 提醒我们：在合成数据领域，深度（物理深度）比规模更重要。

§13 与相关工作的系统对照

13.1 SynthOCT vs 传统 OCT 图像合成

维度	传统 GAN/扩散合成	SynthOCT
任务定义	生成逼真图像	反演物理成因
输出	图像	散射体分布
物理约束	无	强（固定物理引擎）
评估	像素/感知相似	结构/感知 + 物理参数
可解释性	低	高（物理量可解释）
幻觉风险	高	低（物理引擎约束）
用途	数据增强	数据增强 + 机理研究

13.2 SynthOCT vs SynthRAD（rid 671）

库内最接近的邻居是 SynthRAD2025。二者对照如下：

维度	SynthRAD2025	SynthOCT 2026
合成方向	跨模态（MRI→CT）	同模态逆问题（OCT→散射体→OCT）
中间表征	无（直接生成 CT）	散射体分布
物理约束	弱（学习映射）	强（物理引擎）
评估	图像质量 + 剂量指标	结构/感知 + 物理参数图
数据规模	数百例配对	120 张 B-scan
共同点	挑战赛 + 公开数据 + 公开基线	同左

核心差异：SynthRAD 解决的是"缺模态"（有 MRI 没 CT），SynthOCT 解决的是"缺标注的物理一致性"（有扫描但不知其微观成因）。前者是模态翻译，后者是物理反演。

13.3 SynthOCT vs 物理仿真数据集（如体模仿真）

传统的 OCT 仿真（如各类"tissue phantom simulation"）通常是正向的：给定组织模型，仿真出扫描。这类工作不需要"反演"，也没有"真实锚定"。

SynthOCT 与之的区别在于它以真实扫描为起点做逆推。它把"仿真"从"生成练习"升级为"反演验证"。这是方法论上的一步跃迁。

13.4 SynthOCT 之于虚拟组织学

虚拟组织学（virtual histology）的愿景是：用无创成像读出组织学级别的结构信息，替代或减少活检。SynthOCT 的贡献是为这条路提供了一个可评估的中间里程碑：

它证明了"从 OCT 反推组织微观结构"在某种意义上是可行的（Top-3 >98%）。
它同时诚实地指出，当前做到的只是"物理等价"，离"生物学真值"尚有距离。

因此，SynthOCT 之于虚拟组织学，类似于"飞行模拟器之于飞行员训练"——它建立了一个可以反复演练、严格评分的环境，但从模拟器到真机还有路要走。

§14 面向不同读者的阅读路径

14.1 初学者路径（30 分钟）

读 §0 导读 + §1 十问十答，建立整体印象。
读 INFOBOX 速览表，记住核心数字。
读 §10 避坑清单，避免常见误解。
读 §11 总结，形成结论。

14.2 研究者路径（2 小时）

读 §2 数据构成 + 附录 I 虚拟扫描仪配置，理解物理参数。
读 §3 任务定义 + §4 评估体系，掌握方法论。
读 §5 参赛方案 + 附录 H 复现骨架，理解技术实现。
读 §8 方法学启示 + 附录 K 物理等价类，把握理论边界。
读 FACTS.md 核对所有硬数字来源。

14.3 工程实践路径（半天）

按附录 H 跑通官方 Baseline 自一致性检查。
按附录 D 决策树获取数据与工具。
按附录 I 配置虚拟扫描仪，跑通本地管线。
用附录 E 评估矩阵设计自己的指标记录表。
用附录 O 的五条建议规避下游陷阱。

14.4 数据治理路径（1 小时）

读 §6 获取与许可，理解三道门的边界。
读附录 B DAIMS 评估，评估该资产的可管理性。
读附录 M 组织方名录，理解治理结构。
读 FACTS.md §9，核对双口径存照与遗留疑点。

14.5 一句话给每类读者

研究者：这是一个把"合成"变成"逆问题"、把"评估"变成"物理审计"的范式样本。
工程师：这是一套可复现、可本地跑的物理合成管线，门槛低但物理约束严。
数据治理者：这是一份开放但需要诚实标注适用边界的 AI-Ready 资产范本。
临床/生物学读者：这是一次物理可行性的证明，但尚不是生物学结论。

§15 数据质量与偏置的深入分析

15.1 分层的物理意义：为什么性别的差异会体现在散斑上

数据集的三个分层维度（性别、年龄、部位）在分类任务的语境下是"类别标签"，但在 SynthOCT 的逆问题语境下，它们是散射体分布的物理变异来源。逐一看：

性别：男性与女性的皮肤在真皮层胶原纤维密度、皮肤厚度上存在系统性差异。胶原纤维是主要的光学散射体之一，其密度与排列直接影响背向散射强度与散斑统计。因此，男性样本与女性样本的"正确散射体分布"会呈现不同的统计特征。

年龄：数据集的两个年龄段（1950-1960、1990-2000）跨度极大——大约 66–76 岁与 26–36 岁。老年皮肤的真皮层变薄、胶原降解、弹性纤维减少，这些都会改变光的衰减与散射。OAC（光学衰减系数）图在两个年龄组上应有可测量的差异。

部位：面颊（Cheek）与眼角（Eye_corner）的角质层厚度、皮脂腺密度、真皮-表皮交界形态都不同。角的成像尤其受表面反射与含水量影响。

逆问题的启示：这意味着一个只在一个性别/年龄/部位上训练的反演模型，很可能无法泛化到其他格子。120 张分布在 8 个格子里，每格约 15 张——这个样本量对物理反问题而言是紧张的。这解释了为什么挑战赛要隐藏留出集：它需要在与训练集同分布但不同样本的格子上，检验反演方法的真正泛化能力。

15.2 两个年龄段的"断层"：一个潜在的方法学隐患

数据集的两个年龄段是 1950-1960 与 1990-2000。这意味着：

1950-1960 出生者，在 2025-2026 年采集时约 66–76 岁。
1990-2000 出生者，采集时约 26–36 岁。

中间的中年群体（约 37–65 岁）完全缺失。这不是一个小问题——皮肤光学特性随年龄是连续变化的，而这个数据集把它二值化了。对于分类任务（“年老 vs 年轻”）这无所谓，但对于物理反演，这意味着模型无法学习到年龄与散射体分布之间的连续映射，只能学习两个端点。

对下游用户的告诫：若你的研究关心"年龄如何影响皮肤 OCT 散射特性"，这 120 张数据不足以支撑连续年龄建模。它是"两个端点"的样本，不是"年龄谱"的样本。

15.3 隐藏测试集的统计学意义

组织方"严格留出一部分数据并隐藏"用于终测。虽然确切张数未公开，但这个设计有明确的统计学意义：

防过拟合：公开 120 张 + 隐藏若干张，隐藏集是与公开集同分布但不同样本的。方法若只在公开集上刷分（过拟合），在隐藏集上会暴露。
防数据泄漏：由于逆问题病态，若公开集对应真值泄露，参赛者可直接"查表"。隐藏集切断了这条路。
终测即复现：组织方在隐藏集上执行参赛者提交的代码（而非使用参赛者的结果），这保证了可复现性——你的代码必须能在别人的机器上跑出你声称的结果。

一个诚实的局限：隐藏集张数未公开，意味着第三方无法完全复现官方排行榜。你能复现方法与相对趋势，但拿不到官方绝对名次所需的测试集。这是 SynthOCT 复现性上的一个已知缺口。

15.4 数据格式的一个易忽视细节：.npy 与 .png 的一致性

数据集为每个扫描提供 .npy（数值）和 .png（预览）。一个实际问题是：两者是否完全一致？

从 Zenodo 描述看：

.npy：原始对数幅度信号，uint8 类型。
.png：可视表示（“for quick inspection”）。

由于两者都是 uint8 且 .png 是"可视表示"，合理的推断是 .png 就是 .npy 的直接可视化（无额外处理）。但描述未明确声明二者是逐像素等价。严谨的使用者应以 .npy 为数值真值，.png 仅作预览，不要用 .png 反推数值（若中间有明显的可视化增强如对比度拉伸，.png 可能不等价于 .npy）。

这个细节看似琐碎，但在物理反问题中，输入信号的任何失真都会传导到反演结果。永远用 .npy，永远用官方读取器。

§16 跨数据集系统对照大表

为帮助检索者快速定位 SynthOCT 在整个库内的生态位，这里给出一个跨度较大的对照表。

数据集	rid	模态	部位	任务	规模	许可	与 SynthOCT 关系
synthoct	本条目	皮肤 OCT	皮肤	散射体反演/物理合成	120 B-scan	CC-BY 4.0	—
synthrad	671	MRI→CT	多部位	跨模态合成	数百例	公开	同范式（合成挑战赛）
oct2017	311	视网膜 OCT	视网膜	分类	数万张	Kaggle	同模态、异任务
octdl	690	视网膜 OCT	视网膜	分类	数千张	公开	同模态、异任务
octid	697	视网膜 OCT	视网膜	分类	数百张	公开	同模态、异任务
octa-500	341	OCTA	视网膜血管	分割/血管	500	公开	同模态（OCTA）
octa-25k	859	OCTA	视网膜	质量/分割	25K	公开	同模态（OCTA）
woives-octa	865	SS-OCTA	视网膜	血管分割	206 眼	公开	同模态（OCTA）
neh-ut-oct	891	视网膜 OCT	视网膜	分类	1.6 万	公开	同模态、异任务
age-as-oct	858	AS-OCT	眼前段	评估	数千	公开	同模态、异部位
oimhs	745	视网膜 OCT	黄斑	分割	数百	公开	同模态、异任务
skincap	782	皮肤照片	皮肤	图文多模态	大	公开	同部位、异模态
skincon	784	皮肤照片	皮肤	概念标注	中大	公开	同部位、异模态
dermacon-in	781	皮肤照片	皮肤	分类	中大	公开	同部位、异模态
synthea	460	合成 EHR	—	患者生成	—	开源	合成数据家族
synthetic-mimic-iii-health-gym	597	合成 ICU	—	生理信号	—	公开	合成数据家族

读表要点：

SynthOCT 是库内唯一"皮肤 OCT + 物理反演"的条目。
同模态（OCT）的条目几乎全是视网膜，SynthOCT 是皮肤，任务域与部位双异。
同部位（皮肤）的条目几乎全是照片，SynthOCT 是 OCT，模态异。
同范式（合成挑战赛）的最近邻是 synthrad（671）。

§17 局限与争议的诚实清单

任何条目都应诚实呈现其局限。SynthOCT 已知的局限与潜在争议如下：

17.1 数据规模与多样性

120 张对物理反问题仍嫌少，8 格 × ~15 张的分布紧张。
年龄段断层（缺中年），无法支撑连续年龄建模。
人群偏斜：数据采集于下诺夫哥罗德（俄罗斯），人群皮肤类型可能偏斜，跨人种泛化未知。
原始 3D 队列不可得，限制了三维结构研究。

17.2 任务定义的病态性

缺相位 + 非负约束 → 解不唯一，高分不等于真实组织。
单 B-scan 模式下 Y 方向不被约束，体模在出平面方向有自由度。
"物理等价类"的结论比"恢复真值"弱，下游解释需谨慎。

17.3 评估体系的局限

只计 MS-SSIM 与 LPIPS，其余指标失效；这两个指标本身是否足够全面存疑。
隐藏测试集张数未公开，第三方无法完全复现排行榜。
median vs mean、四域聚合方式的官方口径未完全统一。

17.4 组织与工程

虚拟扫描仪是 Windows exe，跨平台摩擦大。
频繁延期（三版日期），反映组织节奏的不确定性。
MICCAI 改址（阿布扎比→斯特拉斯堡）影响参与与参会政策。
决赛（2026-10-01）具体名次与最终分数在本次抓取时点未获取。

17.5 引用与研究伦理

数据涉及人体志愿者皮肤成像，虽为 CC-BY 开放，但二次使用仍应尊重原始采集伦理与知情同意框架。
用于训练临床决策模型时，应牢记其"物理等价而非生物真值"的性质，避免过度解读。

呈现这些局限不是贬低 SynthOCT，而是尊重它。 一个能诚实标注自身边界的挑战赛，比一个夸大能力的挑战赛更值得信任——这也正是它作为 AI-Ready 数据集的价值所在。

§18 历史脉络与演进展望

18.1 从 SASHIMI 到 SynthOCT：一条清晰的方法学演进线

SynthOCT 不是凭空出现的。它的方法学根源可以追溯到 SynthOCT 团队的前作：

2025 — SASHIMI 2025 论文：“From Tissue-Mimicking Phantoms to Physics-Based Scans: Synthetic OCT for Few-Shot Foundation Model Training”（DOI 10.1007/978-3-032-05573-6_5）。这篇论文提出了核心方法论：用组织模仿体模（tissue-mimicking phantoms）生成基于物理的扫描，用于少样本基础模型训练。

2025-12-30 — 数据集发布：同团队将 120 张体内皮肤 OCT 数据集以 CC-BY 4.0 发布于 Zenodo（记录 18095266），明确标注其用于"分类基准 + 数字体模生成"。

2026 — SynthOCT 挑战赛：在数据集与方法论基础上，团队发起 SynthOCT 2026 挑战赛，作为 MICCAI 2026 / SASHIMI 2026 卫星赛事，把"数字体模生成"变成一场公开竞赛。

2026-10-01 — 决赛：在斯特拉斯堡公布最终名次。

这条线索清晰地展示了从方法到数据、从数据到挑战赛的演进路径。注意其节奏：先发表方法（SASHIMI 2025），再放出数据（Zenodo 2025-12），最后办比赛（2026）。这是一个成熟研究团队的典型打法——先把方法论写清楚、把数据放出来，再用挑战赛扩大影响力与验证范围。

18.2 SynthOCT 可能的三个演进方向

基于挑战赛的现状，可以合理推测三个可能的演进方向（以下为分析，非官方承诺）：

方向一：规模扩张。首届 120 张、12 队注册，规模偏小。若挑战赛持续举办（如 SynthOCT 2027、2028），数据规模与参赛规模都可能扩大。更大的数据能支撑更难的反演与更好的泛化检验。

方向二：模态泛化。"逆物理合成"的范式不限于 OCT。若 SynthOCT 的方法被验证有效，可能催生类似的挑战赛出现于超声（US）、光声（PA）、甚至 MRI。这可能形成一个"物理审计式合成"的挑战赛家族。

方向三：从物理等价到生物真值。当前的高分只保证物理等价。下一阶段的关键突破，是引入额外约束（多角度扫描、多模态联合、先验知识）来逼近"生物真值"。这是通向虚拟组织学的真正门槛。

18.3 为什么这个挑战赛值得持续关注

即便首届规模不大，SynthOCT 值得被持续关注，理由有三：

它提出了一个正确的问题。在合成数据泛滥的时代，"如何保证合成数据的物理正确性"是一个根本性问题。SynthOCT 给出了一个可执行的答案框架。
它建立了一套可复用的评估范式。四域 × 双指标的评估方案，可以被任何相干成像合成任务借鉴。
它示范了诚实的科研态度。承认病态、标注边界、隐藏测试、复核代码——这些都是面对强生成能力时的正确姿态。

§19 FAQ 补遗

Q21：SynthOCT 的分数是越高越好吗？MS-SSIM 和 LPIPS 的"好"分别是什么？
是的。MS-SSIM 越高越好（1.0 为完美结构一致），LPIPS 越低越好（0.0 为感知完全一致）。两个方向相反，需同时满足。

Q22：数字体模的散射体数量有规定吗？
配置文件示例为 300000 个散射体/B-scan，但这只是一个示例值，参赛者可在 .ini 中调整。关键是渲染结果的质量，而非散射体数量。

Q23：为什么能量用百分比而不是绝对值？
百分比（0–100%）是归一化的表达，1.0% 对应典型生物组织的背向散射比例，100% 对应完美镜面。归一化便于跨样本比较，也避免了物理单位的标定歧义。

Q24：器官/部位会扩展吗？
首届仅皮肤（面颊、眼角）。是否扩展未知，取决于未来挑战赛的组织。

Q25：中文用户如何访问？
数据集在 Zenodo（国际可达），Baseline 在 GitHub（国际可达），虚拟扫描仪在 Google Drive（国内可能需要合理网络方式访问）。无中文镜像。

Q26：这个数据集有 HuggingFace 镜像吗？
在本次核验范围内未发现官方 HuggingFace 镜像。数据集主要托管于 Zenodo 与 GitHub。

Q27：我可以用它训练商业模型吗？
CC-BY 4.0 允许商业使用，但必须署名（引用数据集 DOI + 论文 DOI）。3D 数据与隐藏集不在开放许可范围内。

Q28：虚拟扫描仪是开源的还是只有 exe？
参赛者获得的是编译好的 Part2_Scanner.exe（固定设备），而 Part1 生成器与 Part3 处理器为 Python 脚本（可见）。扫描仪的内部物理实现未完全开源，但接口与参数公开。

Q29：SynthOCT 与"数字孪生"概念有关吗？
精神相通但不完全等同。"数字孪生"通常指对某个真实对象的动态仿真副本；SynthOCT 的"数字体模"是对组织微观结构的静态散射体分布重建。二者都追求"物理实体 ↔ 数字表征"的对应关系。

Q30：如果我只有这些数据，能做什么研究？
至少四类：(1) 物理反演方法研究；(2) 相干成像合成评估指标研究；(3) OCT 散射体统计建模；(4) 合成数据用于少样本分类基准。详见 §14 阅读路径。

§20 结语：一次把"像"换成"对"的实验

SynthOCT 2026 的真正价值，可以用一句话概括：它把合成数据的评价标准，从"像不像"换成了"对不对"。

在"像不像"的标尺下，生成模型的进步是无止境的——像素越来越真、感知越来越像，但图像背后的物理是否成立，无人追问。SynthOCT 强行在标尺上安装了第二道刻度：物理。它要求合成扫描不仅要看起来对，还要在光学衰减系数、散斑统计等物理量上对。

这道新刻度带来的连锁反应是深远的：

对参赛者，它把"调参刷分"逼成了"理解物理"。
对评估者，它把"图像相似度"升级成了"物理审计"。
对下游用户，它把"合成数据"的可用边界标注得清清楚楚。

它也留下了一个诚实的遗憾：当前的高分只保证"物理等价"，不等于"生物真值"。这个遗憾不是失败，而是下一阶段的入口——虚拟组织学的真正实现，正是要从"物理等价"迈向"生物学真值"。

对于千方病案医数集的读者，SynthOCT 是一个提醒：在合成数据越来越容易生成的今天，判断数据好坏的能力，比生成数据的能力更稀缺。 而 SynthOCT 提供了一套判断的方法。

120 张 B-scan，12 支队伍，一个物理引擎，两道评估标尺。
它证明的不是"我们能合成 OCT"，而是"我们能验证合成是否忠于物理"。
这后一句话，才是通往可信医学 AI 的钥匙。

附录 P：快速事实核对卡（打勾清单）

供检索者逐项核对，所有条目均来自一手来源：

[ ] 官方全名含 “Digital Phantoms Simulation for Physics-Based Scans Synthesis”
[ ] 隶属 MICCAI 2026 / SASHIMI 2026 卫星赛事
[ ] 数据集 120 张体内人皮肤 OCT B-scan
[ ] 图像 256×512，uint8 对数幅度，~51 dB
[ ] 像素 6 μm × 6 μm，中心波长 1.3 μm
[ ] CC-BY 4.0，Zenodo 记录 18095266
[ ] 任务：从 B-scan 反推散射体分布
[ ] 虚拟扫描仪固定不可改
[ ] 计分指标 MS-SSIM + LPIPS
[ ] 评估四域 Struct/OAC/SC/RSC
[ ] 12 队注册，6 队提交
[ ] Top-3 >98%，其余 ≤70%
[ ] 硬件 16GB RAM + RTX 3060，≤600 秒/B-scan
[ ] 决赛 2026-10-01 17:00 CET

附录 Q：双口径与遗留疑点汇总

本条目所有双口径冲突与遗留疑点，供后续维护者追踪：

双口径冲突：

Zenodo DOI：任务头 10.5281/zenodo.19733396（挑战赛记录）vs 数据集 10.5281/zenodo.18095266（数据本体）。两者均真实，用途不同。
日期三版：brightsurf（5/31、6/14、7/1）/ LinkedIn（6/30、7/10、7/14）/ 官网延期后（7/8、7/18、8/14）。以官网为准。
Taimur Hassan 机构：官网 Aston University vs GitHub README Abu Dhabi University。以官网为准。
性能口径：综述 “median > 98%” vs 团队论文 “mean MS-SSIM 0.9943”。语义一致但聚合方式未统一。

遗留疑点：

隐藏测试集确切张数未公开。
更大 3D OCT 队列规模未披露。
决赛最终名次与分数（截至抓取时点）未获取。
Zenodo 19733396 记录页未逐字抓取（仅 WebSearch 摘要确认存在）。
挑战委员会/评委独立名单未找到。
虚拟扫描仪物理实现的完整开源程度未确认。

以上疑点不影响本条目核心事实的可靠性，但引用于需要精确复核的场景时应回原始来源确认。

维度	内容
本质	MICCAI 2026 / SASHIMI 2026 卫星挑战赛，主题为基于物理的 OCT 扫描合成（数字体模反演）
官方全名	SynthOCT 2026: Digital Phantoms Simulation for Physics-Based Scans Synthesis in Optical Coherence Tomography
核心主张	不是生成"看起来像"的 OCT，而是求解逆物理问题：反推支配性散射体分布
数据载体	120 张体内人皮肤 OCT B-scan（256×512，~51 dB，1.3 μm）
参赛规模	12 队注册、6 队提交终稿；Top-3 指标 >98%，其余 ≤70%
计分指标	MS-SSIM（↑）+ LPIPS（↓），横跨 Struct/OAC/SC/RSC 四域
数据许可	CC-BY 4.0（Zenodo 18095266）
官网	https://www.synthoct.com/
决赛	2026-10-01 17:00 CET（斯特拉斯堡 MICCAI 2026 现场）
一句话	让合成数据第一次被"物理定律"审查，而非只被像素相似度审查。