TN-SCUI2020 — 甲状腺结节超声分割分类挑战赛数据集（4554 张）

INFOBOX — TN-SCUI2020 一屏速览

维度	内容
本质	甲状腺结节超声分割+分类双任务挑战赛数据集（Grand Challenge 平台，MICCAI 2020 关联）
全称	Thyroid Nodule Segmentation and Classification in Ultrasound Images Challenge 2020
主办	上海交通大学医学院附属瑞金医院超声诊断科 + 中国医学超声人工智能联盟（CAAU / CMUAA）
平台	Grand Challenge（tn-scui2020.grand-challenge.org）
数据	4554 张 B 型超声图像 = 训练 3644 + 测试 910
训练分布	良性 1641（CATE=0）/ 恶性 2003（CATE=1），类别相对均衡
测试构成	验证 400 + 最终排名 510 = 910（无公开标签）
分辨率	宽×高最小 (335,504)、中位 (500,685)、最大 (719,863)，尺寸不固定
结节像素	最小 274 / 中位 14665 / 最大 382414，检出率 100%
任务	分割（IoU 评价）+ 分类（良恶性评价）
冠军	分割赛道 1st IoU 0.8254（CH-UNet 类方法）
文档	Zenodo 设计文档 DOI 10.5281/zenodo.3715942（Jianqiao Zhou 等，2020）
许可	挑战赛限定使用（challenge-only）——官方明确仅限本挑战赛用途，非 CC BY-ND 4.0
获取	经 Grand Challenge 挑战赛页面注册/申请；无无条件公开下载，再发布需另行授权
库内互链	tn3k（822）、tg3k（871）同域不同团队；tn-mammo（628）命名消歧

TN-SCUI2020 — 甲状腺结节超声分割分类挑战赛数据集

TN-SCUI2020（全称 Thyroid Nodule Segmentation and Classification in Ultrasound Images Challenge 2020，即「甲状腺结节超声图像分割与分类挑战赛 2020」）是一个面向甲状腺结节（thyroid nodule） B 型超声（B-mode ultrasound）图像的医学影像数据集与公开算法挑战赛。数据集共 4554 张超声图像，由 上海交通大学医学院附属瑞金医院（Ruijin Hospital）超声诊断科牵头采集与标注，经 Grand Challenge 平台发布，并与 MICCAI 2020（第 23 届国际医学图像计算与计算机辅助干预会议）关联，其挑战赛结果于 2020 年 10 月公布^[1][2]。

该数据集的核心设计是将两个临床上高度关联的任务放进同一批图像：一是结节分割（segmentation）——在超声图像中勾画出结节区域；二是良恶性分类（classification）——判定结节为良性还是恶性。这一「分割+分类」双任务设置，使得研究者可以在同一数据基础上做多任务联合建模（joint modeling）与相互验证，是 TN-SCUI2020 相较多数单一任务甲状腺数据集的显著区分点^[2][3]。

一句话定位：TN-SCUI2020 是目前公开可查的规模最大的甲状腺结节超声数据集之一（图像总量 4554），提供了从像素级掩码到病理性良恶性标签的完整监督信号，但受伦理审批限制，其许可为挑战赛限定使用而非开放数据许可。

§0 导读：这个数据集解决什么问题

甲状腺结节（thyroid nodule）是临床超声筛查中的高频发现，但「结节在哪」与「结节良恶性」是两个既相关又独立的问题。人工判读高度依赖医师经验，且不同操作者、不同设备之间差异明显。TN-SCUI2020 的出发点，是把这两个核心问题放进同一批 4554 张 B 型超声图像，以挑战赛的形式、在统一评测协议下比较各类 AI 方法——这是它与多数「只给数据、不设协议」的公开数据集最大的不同。

数据集的价值与边界同样清晰。价值在于：它是公开可查的规模最大甲状腺结节超声数据集之一（4554 张），同时提供像素级结节掩码与良恶性分类标签，且与 MICCAI 2020 关联、有可对照的排行榜基准。边界在于：它来自单中心采集（瑞金医院），掩码为二值（无亚型），测试集标签不公开，且受伦理审批限制，官方许可为challenge-only（仅限本挑战赛用途），并非可自由再发布的开放数据。

§0 读法三则：

1. 使用前先分清「基准」与「资源」两种定位：本文的数据集是为评测而生的基准，不是可自由分发的数据资源——这决定了它的许可边界（§7）与获取方式（§7）。
2. 本条目与库内 TN3K（rid=822）/ TG3K（rid=871） 属同域不同团队：理解甲状腺域数据集时，请把 TN-SCUI2020 与它们对照而非合并（§10）。
3. 若你只想快速判断「能不能用、怎么用」，先读 INFOBOX 速览与 §12 存照待核，再按需深入各章；对许可与伦理有硬性要求的场景，务必先读 §7 与 §9。

§1 名称、身份与定位

§1.1 官方名称与别名

• 官方名称（全称）：TN-SCUI2020
• 全称展开：Thyroid Nodule Segmentation and Classification in Ultrasound Images Challenge 2020（甲状腺结节超声图像分割与分类挑战赛 2020）
• 常用检索串 / 别名：
  • TN-SCUI / TN-SCUI 2020 / TNSCUI2020
  • Thyroid Nodule Segmentation and Classification in Ultrasound Images（Grand Challenge 站页面标题原文）
  • TN-SCUI 2020 Dataset（第三方镜像与聚合站的常见命名）
• 中文常用称呼：甲状腺结节超声分割分类数据集（TN-SCUI2020）、TN-SCUI 2020 甲状腺超声挑战赛数据集

§1.2 数据集身份卡

维度	内容
类型	医学影像数据集 + 公开算法挑战赛（Grand Challenge 平台）
模态	B 型超声（B-mode Ultrasound），二维静态图像
器官/病种域	甲状腺结节（thyroid nodule）
任务类型	分割（segmentation）+ 分类（classification）双任务
数据规模（总量）	4554 张超声图像
数据格式	PNG 图像 + PNG 二值掩码（mask）+ CSV 标签表
临床/数据主体	上海交通大学医学院附属瑞金医院超声诊断科
组织联盟	中国医学超声人工智能联盟（官方站作 CAAU；另有资料作 CMUAA）
发布平台	Grand Challenge（tn-scui2020.grand-challenge.org）
关联会议	MICCAI 2020（结果 2020-10 公布）
设计文档	Zenodo，DOI 10.5281/zenodo.3715942
赞助方	NVIDIA、MGI Tech（华大智造，MGI Tech Co., Ltd.）

§1.3 定位与意义

甲状腺结节是内分泌系统最常见的病变之一，超声（ultrasound）是其首选影像学筛查手段。然而，超声图像存在对比度低、斑点噪声强、结节边界模糊、同一结节不同切面表现差异大等固有困难，使得结节勾画的**观察者间变异（interobserver variability）**显著，良恶性判读亦高度依赖医师经验。TN-SCUI2020 通过提供大规模、专家标注、带良恶性标签的甲状腺超声数据，试图为这一临床痛点提供可复现的算法评测基准^[2][3]。

与单纯的图像分类数据集相比，TN-SCUI2020 的「分割掩码 + 分类标签并存」结构允许研究者探索**「先分割后分类」「分割引导分类」「多任务共享编码器」**等多种技术路线，这也是其在甲状腺超声 AI 文献中被高频引用的原因之一。

---

§2 数据规模与划分

TN-SCUI2020 的核心体量为 4554 张 B 型超声图像，划分为训练集 3644 张与测试集 910 张两大块。这一「训练—测试」边界在挑战赛结束后保持封闭：主办方从未公开测试集的真值（ground truth），因此凡声称在 TN-SCUI2020 上「测试集」评测的结果，其可复现性均需回到挑战赛榜单口径方能对齐。

§2.1 总量与划分总表

划分	子集	图像数	标签可用性	用途
训练集	合计	3644	图像 + 掩码 + CATE 标签全公开	模型训练与本地验证
训练集	良性（CATE=0）	1641	有	分类监督
训练集	恶性（CATE=1）	2003	有	分类监督
测试集	合计	910	仅图像，真值不公开	挑战赛评分
测试集	验证子集	400	不公开	赛程中途评分
测试集	最终评分子集	510	不公开	最终排名

注：910 = 400（验证）+ 510（最终）为聚合资料口径（见 FACTS §9 疑点 U6），本条目按此呈现并保留待核标记。

一句话记忆：4554 = 3644（训练）+ 910（测试）；3644 = 1641（良性）+ 2003（恶性）。

§2.2 训练集类别分布

训练集两类样本的比例如下：

类别	CATE 取值	图像数	占比
良性（benign）	0	1641	≈ 45.0%
恶性（malignant）	1	2003	≈ 55.0%
合计	—	3644	100%

良恶性之比约为 1 : 1.22，类别分布相对均衡。这一点值得单独强调：不少甲状腺超声数据集在恶性样本上存在显著稀缺，导致分类模型天然偏向多数类；TN-SCUI2020 的良性/恶性接近对半，使得**分类准确率（accuracy）**在该数据集上仍具基本参考价值，也让研究者不必过度依赖重采样或代价敏感损失即可开展基线实验。

§2.3 图像分辨率分布

训练集 3644 张图像的尺寸并不固定，系临床超声设备截图的自然分布。基于训练集统计的宽×高（像素）如下：

统计量	宽度 × 高度	说明
最小值	(335, 504)	最小可用划窗
中位数	(500, 685)	居中规模，代表典型截图
最大值	(719, 863)	最大截图

由此可得三条重要工程含义：

1. 输入尺寸不统一 → 训练前必须做统一缩放/裁剪（常见做法为 resize 至 256×256 或 512×512），而缩放策略本身会影响小结节的分割精度。
2. 长宽比非严格固定 → 直接方形化会引入形变，需在预处理中决定是「保持长宽比 + 补边」还是「直接拉伸」。
3. 设备/厂商异质性 → 分辨率跨度（335→719 宽）暗示数据可能来自不同超声设备或不同截图参数，构成域偏移（domain shift）的潜在来源。

§2.4 结节掩码像素统计

对训练集掩码（mask）前景像素（即结节区域）的统计如下：

统计量	结节像素数	说明
最小值	274	最小结节的像素面积
中位数	14665	典型结节规模
最大值	382414	最大结节的像素面积
检出率	100%	训练集每张图均含结节标注

前景像素最小值（274）与最大值（382414）相差逾 1395 倍，说明结节尺度差异极大——既有仅占数百像素的小结节，也有覆盖面积极大的巨大结节。这一「尺度长尾」是甲状腺超声分割的典型难点，也是多尺度特征融合（multi-scale feature fusion）类方法（如 CH-UNet 系改进）在 TN-SCUI2020 上被反复尝试的直接动因。

检出率 100% 意味着训练集中不存在「无结节」的阴性样本：这是一批经临床筛选、确含结节的超声图，因此该数据集不适合用于评估「结节检出（detection）」这一更前置的任务，只适合评估已知存在结节条件下的分割与分类。

§2.5 数据集规模在甲状腺超声域中的位置

将 TN-SCUI2020 放回其所属的甲状腺结节超声子域中比较：

数据集	主要机构/团队	图像规模	任务
TN-SCUI2020	瑞金医院 / 中国医学超声 AI 联盟	4554	分割 + 分类
TN3K（库内 rid=822）	龚海帆团队（中山大学）	约 3493	以分割为主
TG3K（库内 rid=871）	同 TN3K 谱系	见对应条目	以分割为主

TN-SCUI2020 在图像总量上为当前库内甲状腺超声结节数据集中的最大规模，且是其中少数同时提供分割掩码与良恶性分类标签的双任务数据集。它与 TN3K/TG3K 属同域不同团队的两条独立谱系——详细血缘与互链说明见第 8 章。

---

§3 数据组织与文件结构

TN-SCUI2020 的目录结构简洁，围绕「图像—掩码—标签表」三件套组织：

TN-SCUI2020/
├── image/            # 超声图像，PNG 格式
├── mask/             # 结节分割掩码，PNG 二值图（前景 255 / 背景 0）
└── train.csv         # 标签表：患者 ID + CATE 字段

§3.1 三个组成部分

目录/文件	内容	格式	作用
image/	甲状腺 B 型超声原图	PNG	分割与分类任务的输入
mask/	与原图一一对应的结节区域标注	PNG，二值（255/0）	分割任务的监督信号
train.csv	图像 ID 与类别标签	CSV	分类任务的监督信号

• image/：超声原图，文件名与患者 ID 对应，ID 范围 001–3644，恰好对应训练集 3644 例。
• mask/：与 image/ 同 ID、一一对应的标注掩码，为二值图——结节区域取值 255，其余背景取值 0。掩码仅区分「结节 / 非结节」，不区分结节亚型或内部亚区（如囊性/实性成分、钙化区等均未单独标注）。
• train.csv：核心字段为患者 ID 与 CATE（0 = 良性，1 = 恶性）。这是分类任务唯一可直接使用的监督标签来源。

关于 ID 与「例数」的对应关系：本条目按官方文件结构理解为「一个 ID 对应一个训练样本（图像）」，即 3644 个 ID 对应 3644 张图；是否存在同一患者多张图的情形，本轮未能确证，列入待核疑点（见 FACTS §9 疑点 U5）。

§3.2 掩码的二值特性及其影响

掩码为二值意味着：

• 优点：标注任务被极大简化，标注一致性（inter-annotator agreement）更容易控制，也便于以 Dice/IoU 等标准二值分割指标直接评测。
• 局限：无法支撑多类分割（如同时区分甲状腺腺体、结节、被膜）或部分分割研究；对「结节边界带模糊」的建模也无细粒度监督可用。

§3.3 数据获取形态

公开可得的实际形态是训练集（3644 张）：图像、掩码与 train.csv 三者齐备。测试集（910 张）在挑战赛期间仅提供图像，真值由主办方保留用于评分，赛后未开放。因此，任何在 TN-SCUI2020 上复现评测的研究，若无挑战赛提交渠道，通常只能在训练集内部再划分训练/验证——这也解释了为何大量下游论文报的是「训练集内的交叉验证」而非「官方测试集成绩」。

---

§4 任务定义与标注

§4.1 双任务设定

TN-SCUI2020 同时设置分割与分类两条任务线，共享同一批图像：

任务	输入	输出	核心评价指标	监督来源
分割（Segmentation）	超声图像	结节区域掩码	IoU / mIoU	mask/ 二值掩码
分类（Classification）	超声图像（或图像 + 分割结果）	良性 / 恶性	准确率等分类指标	train.csv 的 CATE

分割任务的目标是精确勾画结节轮廓，属于典型的**医学图像分割（medical image segmentation）问题，评价以交并比（IoU, Intersection over Union）**及其变体为主。

分类任务的目标是判定结节的良恶性，属于二分类问题。由于输入与分割任务相同，二者天然可做多任务学习（multi-task learning）：共享编码器、共享特征，分割分支提供空间定位监督，分类分支提供语义监督，二者互为正则。

§4.2 双任务并存的科研价值

「分割掩码 + 分类标签并存」的结构，使 TN-SCUI2020 可支撑以下几类典型技术路线：

1. 先分割后分类（segment-then-classify）：先由分割模型勾出结节区域，再将该区域裁剪送入分类网络。
2. 分割引导分类（segmentation-guided classification）：用分割注意力图调制分类特征，抑制甲状腺腺体与周围组织的干扰。
3. 多任务共享编码器（multi-task shared encoder）：单网络双头输出，分割与分类损失联合优化。
4. 分割质量影响分析：研究分割 IoU 与下游分类准确率之间的相关性。

正因如此，TN-SCUI2020 在甲状腺超声 AI 文献中出现频率较高：它既能用单任务方法打榜，也能作为多任务/联合学习的实验平台。

§4.3 标注过程与质量控制

• 标注主体：标注由上海交通大学医学院附属瑞金医院超声诊断科临床团队完成/把关（即挑战赛「医学委员会」，成员含周建桥、贾晓红、董屹杰等，详见第 5 章）。
• 标注对象：仅结节区域（二值掩码）。
• 标注等级：分类标签为二分类（良/恶），不含 TI-RADS 等细分评级；掩码不含结节亚型标注。
• 质控逻辑：由临床专家直接标注并由医学委员会复核，属于**专家标注（expert annotation）**而非众包；但官方未公开标注者数量、独立标注轮次、一致性统计（如 Dice 或 Kappa）等量化质控数字，属本条目待核范围。

§4.4 使用门槛与用途限制

官方站明确声明数据集发布权仅限于本挑战赛用途（原文见第 6 章）。这意味着：训练集的「可下载」不等于「可自由使用/再发布」。下游研究通行的做法是通过挑战赛渠道获取并声明研究用途。这一限制直接源于**伦理审批（ethical approval）**条件，是本条目在所有元数据中最需向使用者警示的一点。

---

§5 DAIMS 数据资产表

下表以 DAIMS（Data Asset Identity and Metadata Schema，数据资产身份与元数据纲要） 的结构，对 TN-SCUI2020 的数据资产作一次性对账，便于下游系统化接入。

DAIMS 字段	取值
Data Asset（数据资产名）	TN-SCUI2020 — Thyroid Nodule Segmentation and Classification in Ultrasound Images Challenge 2020
Dataset Type（资产类型）	医学影像数据集 + 公开算法挑战赛数据
Modality（模态）	B 型超声（B-mode Ultrasound），二维静态图像
Body Site（部位）	甲状腺（thyroid），结节区域
Task（任务）	图像分割（segmentation）+ 图像分类（classification）
Record Count（记录总量）	4554 张图像（训练 3644 / 测试 910）
Labeled Record Count（带标签记录数）	3644 张（训练集，掩码 + 良恶性标签）
Label Type（标签类型）	二值分割掩码（255/0）+ 二分类标签（0=良性 / 1=恶性）
Annotation Source（标注来源）	瑞金医院超声诊断科临床专家（医学委员会）
Format（格式）	PNG（图像）、PNG（掩码）、CSV（标签表）
File Layout（文件结构）	image/ + mask/ + train.csv
Image Resolution（分辨率）	不固定；训练集 min (335,504) / median (500,685) / max (719,863)
Lesion Pixel Range（结节像素范围）	min 274 / median 14665 / max 382414
Class Balance（类别分布）	良性 1641 : 恶性 2003（≈45.0% : 55.0%）
Coverage（检出率）	训练集 100%（每张均含结节）
Host / Platform（主办/平台）	瑞金医院 + 中国医学超声 AI 联盟；Grand Challenge 平台
Associated Event（关联会议）	MICCAI 2020（结果 2020-10 公布）
License / Usage（许可与用途）	挑战赛限定使用（challenge-only，伦理审批限制）——详见第 6 章双口径说明
Access（获取方式）	通过 Grand Challenge 挑战赛页面申请；无条件公开下载不提供
Design Document（设计文档）	Zenodo，DOI 10.5281/zenodo.3715942
Version Chain（版本链）	Zenodo 记录（2020）→ Grand Challenge 数据发布（2020）→ 赛后静态留存（未再公开更新）

DAIMS 表与第 2、3、4 章互为校验：凡表中硬数字与正文一致者，均取自 FACTS §4/§5 的同源统计（openmedlab 聚合 + 官方站）。

---

§6 机构、人物与学术背景

TN-SCUI2020 不是一个由单一实验室闭门产出的数据集，而是一次**「医院临床专家 + 高校工程团队 + 国际学术组织」三方协作**的产物。理解这套协作结构，对于判断数据集的标注质量上限、图像采集口径、以及后续可复现边界至关重要——因为临床专家决定了「什么算一个结节」，工程团队决定了「掩码怎么画」，而学术组织决定了「谁来评、按什么规则评」。

§6.1 医学委员会（Medical Committee）

医学委员会负责数据的临床采集、标注与质量控制，成员来自上海交通大学医学院附属瑞金医院（Ruijin Hospital, Shanghai Jiao Tong University School of Medicine）超声诊断科。瑞金医院是中国甲状腺超声领域的主要临床中心之一，TN-SCUI2020 的原始超声图像即由该院超声诊断科提供。

角色	姓名（中/英）	所属机构	职责
主席 / 主要联络人	周建桥（Jianqiao Zhou）	瑞金医院超声诊断科	临床方案设计、数据发布总协调、Zenodo 记录通讯作者
医学委员	贾晓红（Xiaohong Jia）	瑞金医院超声诊断科	结节判读标准、良恶性分类复核
医学委员	董屹杰（Yijie Dong）	瑞金医院超声诊断科	掩码标注执行、标注一致性核对

术语说明：甲状腺结节（thyroid nodule）的良恶性判读在临床上高度依赖超声医师的主观经验，不同医师之间对同一结节的判读一致性（inter-observer agreement）通常低于 CT/MRI 等断层影像。这意味着「标注质量」在本数据集里不是纯粹的技术问题，而是临床共识问题——这也是 TN-SCUI2020 需要以「医学委员会」形式而非「单一标注员」形式组织标注的根本原因。

§6.2 技术委员会（Technical Committee）

技术委员会负责赛制设计、评测平台搭建、指标实现与结果核算，成员来自高校与工业界研究机构。

姓名（英/中）	所属机构	主要贡献（推断）
倪东（Dong Ni）	深圳大学（Shenzhen University）	挑战赛组织核心；医学影像 AI 方向长期研究者
Alison Noble	牛津大学（University of Oxford）	国际顾问；超声影像分析领域权威（ASMUS 系列组织者）
Ruobing Huang	深圳大学	评测流程与基线实现
Tao Tan	荷兰/相关研究机构	超声与胎儿影像分析方向的活跃研究者
Xing Tao	—（存疑，见 U3）	技术执行
Rui Li	—（存疑，见 U3）	技术执行
Manh The Van	—（存疑，见 U3）	技术执行

关于名单完整性与机构归属：上表中标注「存疑」的三位，是因为官方页面名单的机构归属未在可抓取页面中逐条列明（见 §9 待核疑点 U3）。本表按 FACTS §3 的抓取结果如实记录，不臆造机构；读者若需引用，建议回到官方页复核。

§6.3 关联学术组织

TN-SCUI2020 由以下学术组织联合推动。这些组织不是「挂名」，而是承担了赛道的评审标准制定与学术背书：

组织	全称（中/英）	在本赛中的角色
ASMUS	超声影像分析国际研讨会（Advances in Simplifying Medical UltraSound）	与 MICCAI 同期举办的超声专题研讨会，TN-SCUI 系列与其学术议程关联
CAAU / CMUAA	中国超声医学工程学会 / 中国医学超声人工智能联盟（名称双写，见 U4）	国内超声医学界的组织背书

存疑双写说明：FACTS §3 记录该组织的中文名在抓取源中存在「CAAU」与「CMUAA」两种缩写写法，无法从单一来源确证。本稿双写存照，不做单一定论（详见第 12 章待核疑点 U4）。

§6.4 赞助方（Sponsors）

赞助方	角色	说明
NVIDIA	算力赞助	为挑战赛参与者提供 GPU 算力资源支持，属 MICCAI 挑战赛常见赞助形态
MGI Tech（华大智造）	产业赞助	生命科学与测序设备厂商，赞助行为与超声 AI 无直接技术绑定

注意：赞助方不参与数据标注、不参与评测规则制定、不拥有数据版权。判断数据集可信度时，赞助关系不应被解读为「数据被赞助方影响」。

§6.5 协作结构小结

把上述四方拼起来，可以得到 TN-SCUI2020 的组织拓扑：

瑞金医院超声诊断科（临床数据源 + 标注）
        │
        ├── 提供 4554 例原始超声图像 + 良恶性标签 + 二值掩码
        │
深圳大学 倪东团队（组织 + 评测）
        │
        ├── 设计分割 / 分类双赛道
        ├── 搭建评测流程与指标
        │
ASMUS / CAAU（学术背书 + 议程）
        │
        ├── 挂靠 MICCAI 2020 生态
        │
NVIDIA / MGI（资源赞助）
        │
        └── 算力与产业资源（不涉数据权属）

这套结构的优越性在于：临床端保证了标注的领域有效性（结节是真结节、良恶性判读有病理/随访依据），工程端保证了评测的可复现性（指标、提交格式、排行榜规则固定）。潜在局限则在于：数据来源高度集中于单一医院、单一设备谱系、单一人群（华东地区就诊人群），跨中心泛化能力需要在外部数据集上另行验证——这一点在后续使用该数据集训练模型时必须显式声明（详见第 9 章「伦理与局限」）。

---

§7 许可、获取途径与版本链

这是使用 TN-SCUI2020 时最容易踩坑、也最需要谨慎的一章。本稿在此采用「双口径存照」方法：把两个互斥的来源口径并列呈现、逐条标注来源可信度，最后给出以哪一口径为准的判断，而不隐藏矛盾。

§7.1 双口径存照：许可（License）

口径 A：CC BY-ND 4.0（来源：任务 brief）

任务下发时，资料来源中记录该数据集许可为 CC BY-ND 4.0（Creative Commons Attribution-NoDerivatives 4.0 International，署名—禁止演绎 4.0 国际）。

• CC BY-ND 4.0 的含义：允许他人以任何媒介或格式复制、分发本作品，前提是署名原作者且不得对作品进行演绎（修改、转换或基于其创作）。
• 若此口径成立，则数据可在署名前提下被再分发，但不得用于训练后发布衍生数据集、不得对图像做实质性修改后再发布。

口径 B：挑战赛限定使用（来源：官方站原文，判定为可信口径）

在 TN-SCUI2020 官方页面（Grand Challenge 挑战赛页）上，关于数据发布权利的原文声明为：

“The publish right of this DATASET is limited to the purpose of this CHALLENGE ONLY due to the ethical approval was obtained. No publication rights will be given on the dataset images apart from this challenge.”

逐句释读：

1. “limited to the purpose of this CHALLENGE ONLY”——数据集发布权仅限本挑战赛用途。
2. “due to the ethical approval was obtained”——限制的原因是伦理审批（ethical approval）的授权范围本身就只覆盖该挑战赛用途。这是临床数据发布的典型约束：伦理委员会批准的是「为科研挑战赛使用」，而非「无条件公开”。
3. “No publication rights will be given on the dataset images apart from this challenge”——除本挑战赛外，不授予任何对该数据集图像的发表权。

双口径对照表

维度	口径 A（brief：CC BY-ND 4.0）	口径 B（官方站：challenge-only）
来源	任务下发资料，原始出处不可考	官方挑战赛页面原文，可溯源
再分发	允许（署名、禁演绎）	仅限挑战赛用途，不提供无条件公开下载
训练衍生数据集	禁演绎，故受限	未明确授权
商业使用	未明确	未授权
伦理依据	未提及	明确：伦理审批范围限制
可信度判断	存疑（无官方来源支撑）	以官方为准

判定结论：本稿以口径 B（challenge-only）为准。理由有三：① 口径 B 有官方页原文可溯源，口径 A 无；② 官方站声明还给出了限制的伦理法理依据（ethical approval），这在逻辑上可自洽；③ 在第三方聚合站（openmedlab、SOTA-MedSeg）上均未找到 CC BY-ND 4.0 的独立来源。因此，把 brief 中的 CC BY-ND 4.0 记为待核疑点 U1（详见第 12 章），使用本数据集前必须回到官方页确认当前许可状态。

§7.2 获取途径与使用门槛

TN-SCUI2020 的获取并非「点一下就下载」，而是带有明确的准入门槛与用途约束：

环节	说明
入口	Grand Challenge 挑战赛平台页面（TN-SCUI2020）
是否需要报名	是——需以挑战赛参与者身份访问
是否开放直接下载	否——无条件公开下载不提供
用途约束	仅限挑战赛目的；非挑战赛用途（如商业开发、独立发表）未获授权
图像发表权	除挑战赛外，不授予数据集图像的发表权
训练使用	可下载并用于挑战赛内的模型训练；但训练后的发布形态受伦理授权范围限制

实操提示：由于该数据集是 2020 年的赛后静态留存（未再公开更新），当前要合法获取其图像用于新研究，通常需要联系瑞金医院原作者团队或通过其后继发布的合规渠道。直接以公开链接批量下载的做法，从官方声明看不构成获得授权。这一条在学术合规审查日趋严格的今天尤其重要。

§7.3 版本链（Version Chain）

时间	事件	形态
2020 年	Zenodo 数据集记录建立（通讯作者周建桥）	DOI 10.5281/zenodo.3715942
2020 年	Grand Challenge 挑战赛上线并发布训练/测试数据	挑战赛数据集（train/eval）
2020 年 10 月	MICCAI 2020 关联结果公布	排行榜结果
赛后	数据集静态留存，未再公开更新	冻结快照

版本链的关键特征：这是一个单版本、冻结型数据集——与那些持续迭代、定期扩容的「活数据集」（如某些大规模影像库）不同，TN-SCUI2020 自 2020 年后未再发布新版本。这意味着：① 引用时应固定到具体 DOI，避免「数据集漂移」；② 数据集规模 4554 例是一个不会再变的静态数字；③ 任何声称「TN-SCUI2020 最新版」的说法都需要回到 Zenodo 核对。

§7.4 与血缘数据集的许可对比

数据集	库内 rid	许可口径	获取难度
TN-SCUI2020（本条目）	—	challenge-only（伦理限制）	高（需挑战赛身份）
TN3K	822	公开（GitHub 发布）	低
TG3K	871	公开（GitHub 发布）	低
tn-mammo-breast-density	628	学术公开（非甲状腺域）	中

合规提醒：本条目（TN-SCUI2020）与血缘条目 TN3K/TG3K 在许可宽松度上差异显著——同样属于甲状腺超声域，TN3K/TG3K 可从 GitHub 直接获取，而 TN-SCUI2020 受伦理授权限制。不可将后者的宽松许可臆推到前者，也不可反向推导。详见第 10 章血缘说明。

---

§8 任务定义、评测指标与排行榜

TN-SCUI2020 的学术价值，很大程度体现在它把「甲状腺结节超声分析」从单任务推向了双任务联合评测。本章解释两条赛道各自的定义、指标、以及已公布的最佳成绩。

§8.1 双赛道设定

赛道	任务类型	输入	输出	核心难点
分割赛道（Segmentation）	像素级语义分割	原始超声图像	结节区域二值掩码	结节边界模糊、与周围组织声影粘连、低对比度
分类赛道（Classification）	图像级二分类	原始超声图像	良性 / 恶性	良恶性超声征象重叠、类别不均衡（≈1:1.22）

两条赛道共用同一批图像，但独立评测、独立排名。这种设计的价值在于：它允许研究者回答一个关键的临床问题——「结节分割得准，是否必然意味着良恶性判得准？」答案是否（详见 8.4 的讨论）。

§8.2 分割赛道：指标与排行榜

分割赛道的主流评测指标为 IoU（Intersection over Union，交并比），即预测掩码与真值掩码的交集面积除以并集面积。IoU 越高，说明预测区域与真值区域重合度越高。

已公布的分割赛道前三名成绩（FACTS §7）：

排名	IoU	相对领先
第 1 名	0.8254	—
第 2 名	0.8196	−0.0058
第 3 名	0.8194	−0.0060

读数要点：

1. 前三名极为接近：第 1 与第 3 名仅相差 0.0060，说明在 TN-SCUI2020 这个数据集上，头部方案的性能已接近饱和，排名差距可能落在统计噪声区间内。因此不宜过度解读「第 1 名比第 3 名强多少」。
2. IoU 0.82 的量级：在医学图像分割任务中，IoU 0.80 以上通常被视为「可用级」性能；但超声分割因边界模糊，能达到 0.82 已属较高水平。
3. 需注意评测细节：IoU 的具体计算方式（是否排除空白图像、是否按图像平均还是按像素平均）会显著影响数值，跨数据集比较 IoU 不可直接换算。

术语首现标注：IoU，Intersection over Union，交并比；在部分文献中与 Dice 系数（Dice Similarity Coefficient, DSC）并列使用，二者可通过 Dice = 2·IoU / (1 + IoU) 互相换算。TN-SCUI2020 分割赛道以 IoU 为主口径。

分类赛道：FACTS §7 记录分类赛道的获奖名单存在、但具体数值未在可抓取页面中一并获取。因此本稿只报有据数字，不臆造分类赛道的 AUC/Accuracy 数值（见第 12 章待核疑点 U2）。

§8.3 代表方法与基线

官方及后续文献中，围绕 TN-SCUI2020 形成的代表性方法包括：

方法	类型	说明
CH-UNet	分割网络	挑战赛中被引用的代表性方案之一（名称含 UNet 骨干）
UNet	分割骨干	医学图像分割的经典基线，广泛作为对照组
UNet++	分割骨干	嵌套密集跳跃连接的 UNet 改进版
Attention U-Net	分割骨干	引入注意力门控，抑制无关区域
ResUNet	分割骨干	残差连接版 UNet，缓解深层退化
TransUNet	分割骨干	融合 Transformer 编码器的 UNet 变体，代表 CNN-Transformer 混合路线

方法谱系观察：UNet 系（UNet / UNet++ / Attention U-Net / ResUNet）属于 CNN 路线，通过改进跳跃连接、注意力、残差结构来提升边界精度；TransUNet 属于 Transformer 混合路线，用自注意力捕获全局上下文。两条路线在超声分割上的优劣因数据而异，TN-SCUI2020 上的系统对比仍是开放问题。

§8.4 分割与分类的关系：一个关键研究问题

双任务设定催生了一个有实际临床意义的研究问题：

问题：如果模型能精确分割结节区域，它对良恶性的分类是否就更准？

理论上的三条技术路线（FACTS §5 归纳）：

1. 先分割后分类（Sequential）——先分割出结节 ROI，再在 ROI 上做分类。优点：分类器不受背景干扰；缺点：分割误差会级联传播到分类。
2. 分割引导分类（Segmentation-guided）——用分割掩码作为注意力/裁剪引导，与分类网络联合训练。优点：可端到端优化；缺点：需要设计合理的梯度流。
3. 多任务共享编码器（Multi-task Shared Encoder）——一个编码器、两个解码头，共享特征。优点：参数效率高、两任务互为正则；缺点：任务间可能冲突（负迁移）。
4. 分割质量影响分析（Quality Impact Analysis）——不改网络，专门研究「分割 IoU 与分类准确率的相关性」。这本身就是一个可发表的实证课题。

要点：现有证据不足以断言「分割好 = 分类好」。超声征象中，有些恶性指征（如微钙化、边界成角）是纹理/形态级的细粒度信号，未必能通过区域分割的改善而自动捕获。因此把 TN-SCUI2020 仅当作「分割数据集」使用，会浪费其双任务设计的研究潜力。

§8.5 排行榜的可复现性说明

引用 TN-SCUI2020 排行榜成绩时，需注意以下可复现性边界：

因素	影响
挑战赛是 2020 年一次性事件	榜单冻结，后续无法再提交新成绩
官方评审细节未必完全公开	复核他人成绩存在一定困难
测试集标签未公开	无法在本地完整复现排行榜排名
训练集可训练、验证集规模有限（400 例）	本地实验的方差可能较大

结论：TN-SCUI2020 的排行榜适合作为历史基准参照，而不适合作为「当前 SOTA」的判据。将它作为历史锚点、并在自建测试集上重新评估方法，是更稳妥的使用方式。

---

§9 伦理、局限与使用边界

任何临床影像数据集的使用，伦理都不是「附录」，而是第一性原则。TN-SCUI2020 尤其如此——它的许可限制本身就源于伦理审批范围（见第 7 章）。本章系统梳理其伦理特性与已知局限。

§9.1 伦理授权与数据权属

维度	状态
伦理审批	已获得，但授权范围限定于本挑战赛用途
数据权属	瑞金医院（临床数据源方）
图像发表权	除挑战赛外不授予
患者知情同意	推断已覆盖挑战赛科研用途（官方声明限定用途即为佐证）
去标识化	超声图像本身不含直接身份标识；但未公开声明是否已做面部/体表标记去除（超声通常不涉及面部）

合规红线：不得以「已公开发布在挑战赛平台」为由，推定数据可自由再分发。发布 ≠ 授权再发布——这是公开数据集使用中最常见的误解。

§9.2 数据代表性局限

局限	具体表现	后果
单中心偏倚（Single-center bias）	图像来自单一医院（瑞金医院）	在外部中心数据上的泛化性未验证
设备谱系单一	采集设备型号谱系可能集中	模型对设备差异的鲁棒性未知
人群代表性	华东地区就诊人群为主	跨地区/跨种族泛化存在不确定性
时间窗口	2020 年前后采集	不代表最新成像技术与临床规范
标注主观性	甲状腺结节判读的观察者间差异天然存在	标签噪声不可避免

使用建议：若以 TN-SCUI2020 训练模型并声称「可用于临床」，必须明确声明该结论受上述偏倚限制，并在独立外部队列上完成验证。不声明而直接外推，属于学术不严谨。

§9.3 标签与标注局限

局限	说明
掩码为二值	mask 仅 255（结节）/ 0（背景），无结节亚型/多灶标注（FACTS §5）
分类为二分类	仅良性/恶性，无 TI-RADS 分级等更细粒度标签
无病理金标准交叉	良恶性标签是否全部经病理/随访确证，官方未逐例声明
无多标注者一致性数据	未公开标注者间一致性（Kappa 等）指标
无困难样本标记	不区分「易判/难判」样本，评测无法分层

§9.4 任务设计局限

1. 测试集标签不公开——无法在本地复现完整排行榜。
2. 无纵向/随访数据——只有单次静态图像，无法做病情演进建模。
3. 无多模态——仅 B 型超声，缺弹性成像、造影、病理等多模态对照。
4. 规模中等——4554 例在深度学习时代偏小（对比自然图像数据集、或大规模医学影像库），过拟合风险需正则化与数据增强控制。
5. 类别不均衡——良性 1641、恶性 2003，约 1:1.22，虽非严重倾斜，仍建议在损失函数层面处理。

§9.5 使用边界清单（Checklist）

使用本数据集前，建议逐条自查：

• 许可边界：我是否已确认当前使用符合官方 challenge-only 授权？是否已排除 brief 中 CC BY-ND 4.0 的误记（U1）？
• 再分发边界：我是否不会将原始图像二次分发或公开发布衍生的原始图像？
• 发表边界：若发表涉及数据集图像的图表，是否已获得原作者/医院授权？
• 泛化边界：我的结论是否显式声明了单中心、单设备、单人群的偏倚？
• 伦理边界：我的模型是否被包装成「临床可用的诊断工具」而未做前瞻性验证？（若是，属过度宣称）
• 引用边界：是否引用了正确的 DOI（10.5281/zenodo.3715942）而非模糊的「TN-SCUI2020 官网」？

一句话总结：TN-SCUI2020 是一个高质量的学术基准，但不是可自由商用的开放数据集。把它当作「benchmark」用，是它设计时的初衷；把它当作「数据资源」自由取用，会踩到伦理与许可的双重红线。

---

§10 血缘、命名消歧与相关数据集互链

TN-SCUI2020 并非孤立存在。在本库（AI-Ready Wikipedia 数据集）中，已收录多个甲状腺结节超声相关的数据集条目。它们与 TN-SCUI2020 同域但不同源，极易在检索与引用中被混为一谈。本章集中处理血缘关系、命名消歧与互链建议，是使用者在「找甲状腺数据集」时最需要先读的一章。

§10.1 甲状腺结节超声数据集的「两条谱系」

理解 TN-SCUI2020 的定位，关键是把库内甲状腺域数据集拆成两条独立谱系：

谱系	代表数据集	发布机构 / 团队	发布渠道	规模	主任务
谱系 A（挑战赛系）	TN-SCUI2020	上海交通大学医学院附属瑞金医院超声诊断科 + 中国医学超声 AI 联盟	Grand Challenge 平台 + Zenodo	4554	分割 + 分类（双任务）
谱系 B（团队系）	TN3K / TG3K	龚海帆等（中山大学）	学术论文 + GitHub / 公开仓库	TN3K 约 3493	以分割为主

两条谱系的核心差异：

• 数据来源不同：谱系 A 来自瑞金医院单中心的临床超声采集（受伦理审批约束）；谱系 B 来自其团队自建与公开采集的数据池。
• 标注团队不同：谱系 A 由医学委员会（周建桥、贾晓红、董屹杰等）主导标注质控；谱系 B 由发布团队组织标注。
• 发布动机不同：谱系 A 为 MICCAI 2020 关联挑战赛而设，带排行榜与固定评测协议；谱系 B 以长期可复用的公开数据集为目标，无挑战赛时限。
• 许可不同：谱系 A 为 challenge-only（详见第 7 章）；谱系 B 的许可须以各自条目为准。

一句话血缘结论：TN-SCUI2020 与 TN3K/TG3K 同域不同团队，不应合并、不应互相替代。它们的关系是「同一子域的两条独立证据来源」，适合互链对照，而非去重。

§10.2 命名消歧：tn- 前缀的陷阱

库内存在多个以 tn- 起首的 slug，这是检索时的高频误判点：

slug	rid	实际主题	是否甲状腺	与 TN-SCUI2020 的关系
tn-scui2020	本条目	甲状腺结节超声（分割+分类挑战赛）	是	本体
tn3k	822	甲状腺结节超声分割	是	同域，不同团队（血缘对照）
tg3k	871	甲状腺结节（TN3K 关联系列）	是	同域，不同团队（血缘对照）
tn-mammo-breast-density	628	乳腺密度（mammography）	否	仅命名撞车，主题无关，不是血缘

消歧铁律：见 tn- 起首条目，先看 mammo 还是 thyroid/node。tn-mammo-breast-density 中的 tn 指涉乳腺检查语境，与甲状腺（thyroid nodule）无关，切勿因前缀相同而误链为血缘。

§10.3 规模与任务横向对比

把库内甲状腺域条目放在同一张表上，可清晰看出 TN-SCUI2020 的定位：

维度	TN-SCUI2020	TN3K（rid=822）	TG3K（rid=871）
图像总量	4554	约 3493	关联系列（以各自条目为准）
训练样本	3644（良性 1641 / 恶性 2003）	以条目为准	以条目为准
测试样本	910（400 验证 + 510 终评）	以条目为准	以条目为准
任务类型	分割 + 分类	分割为主	分割为主
类别标注	有（CATE 0/1）	需核实	需核实
发布形态	挑战赛（含排行榜）	公开数据集	公开数据集

读表要点：TN-SCUI2020 以 4554 张为库内甲状腺超声结节数据集中图像总量最大者，且是唯一同时提供分割掩码与良恶性分类标签的挑战赛型条目。但「规模大」不等于「更适合你的任务」——若只需分割、且希望避开 challenge-only 许可约束，TN3K 一类公开数据集可能更合适。

§10.4 建议互链点（relatedLink）

基于血缘与消歧结论，建议在 TN-SCUI2020 条目中建立以下互链（rid 为库内记录号，便于对账）：

• tn3k（rid=822） —— 同域甲状腺结节超声分割数据集，同域不同团队，勿合并，作正相关血缘对照。
• tg3k（rid=871） —— 同域甲状腺结节数据集，与 TN3K 同谱系，作正相关血缘对照。
• tn-mammo-breast-density（rid=628） —— 命名相近但主题无关的乳腺密度数据集，作消歧提示（可选，非血缘）。

互链落地建议：在三者各自的「相关数据集」段互相链接，并在 TN-SCUI2020 侧显式标注「同域不同团队，勿合并」，以防后续维护者按「同域」误判为重复条目而合并。

§10.5 上下游生态位

• 上游：瑞金医院临床超声图像采集 → 伦理审批 → 专家标注（医学委员会质控）→ 挑战赛数据封装。
• 下游：分割方法研究（UNet 系 / Transformer 系）、良恶性分类研究、多任务联合学习、弱监督与半监督甲状腺结节分析、以及各类「在 TN-SCUI2020 上验证」的迁移学习工作。
• 平台生态：托管于 Grand Challenge 平台，同平台另有大量医学影像挑战赛；这决定了它的「赛制型」数据发布风格（排行榜冻结、赛后许可收紧）。

---

§11 常见坑点与避雷清单

以下坑点按「坑 N：」编号，逐条给出表现 → 后果 → 规避建议。这些坑多来自许可、规模口径与任务理解层面的误判，是使用 TN-SCUI2020 时最易踩到的边界。

坑 1：把 License 误记为 CC BY-ND 4.0

• 表现：部分二手资料（含本条目立项 brief 的最初记述）将 TN-SCUI2020 的许可标为 CC BY-ND 4.0，给人以「可自由转载、仅需署名且禁止演绎」的印象。
• 后果：若据此进行再分发或二次发布，会直接违反官方站声明的 challenge-only（限于本挑战赛用途） 限制，触及伦理与许可双重红线。
• 规避建议：一律以官方站原文为准——该数据集发布权「限于本挑战赛用途」（limited to the purpose of this CHALLENGE ONLY），且明确「除本挑战赛外不再授予图像发布权」。引用许可时双口径并存并标明以官方为准（详见第 7 章双口径存照）。

坑 2：单中心偏倚被当作「通用基准」

• 表现：把 TN-SCUI2020 上的高分结果直接外推为「通用甲状腺结节分割 SOTA」。
• 后果：在其他中心、其他设备、其他人群的数据上性能骤降，得出过度乐观的结论。
• 规避建议：明确该数据集为瑞金医院单中心采集，模型验证时应补充外部数据或至少在结论中标注「单中心内验证」，避免泛化性过度宣称。

坑 3：二值掩码无法支撑亚型级分析

• 表现：期望从 mask/ 中直接区分囊性/实性、钙化、血流分级等亚型信息。
• 后果：掩码仅为 255/0 二值（前景/背景），不含任何亚型通道，相关分析会落空。
• 规避建议：若研究需要亚型或细粒度属性，须另行标注或换用带细粒度标签的数据集，不要把二值掩码当成多类分割真值。

坑 4：测试集标签不公开，排行榜无法本地复现

• 表现：以为可以把测试集下载下来、本地跑一遍复现排行榜名次。
• 后果：测试集（400 验证 + 510 终评）标签不公开，赛制为在线提交评测，本地无法直接复现榜单数值。
• 规避建议：需要可比结果时，使用公开的训练/验证划分并明确标注评测协议；比较榜单数值时必须注明「不可与本地结果直接对齐」。

坑 5：把冻结榜单当作「当前 SOTA」

• 表现：引用 2020-10 冻结的分割赛道 IoU（1st 0.8254 / 2nd 0.8196 / 3rd 0.8194）作为「现在的最高水平」。
• 后果：该数值是特定时点的挑战赛成绩，此后文献中的方法可能已更高；直接宣称「SOTA」会误导。
• 规避建议：将榜单数值表述为「该挑战赛评测协议下的历史成绩」，并与后续文献方法分别列出、分别标注协议，不混为一谈。

坑 6：默认「分割好 ⇒ 分类好」

• 表现：认为分割 IoU 高的模型，良恶性分类也一定强。
• 后果：分割与分类是两个独立赛道，指标不同、优化目标不同；在 TN-SCUI2020 这类同时含两任务的数据上，二者相关性需实证而非默认。
• 规避建议：分别报告分割与分类指标；做多任务研究时，显式验证联合训练是否真的带来双向增益，而非假定。

坑 7：混淆 CT/MRI 甲状腺数据与「超声」数据集

• 表现：把其他模态（CT/MRI）的甲状腺数据集与 TN-SCUI2020 混入同一对比。
• 后果：模态不同（B 型超声 vs CT/MRI），图像特性、任务难度、可用标签均不可直接比较。
• 规避建议：对比时先锁定模态，标题与表格中显式标注「超声（ultrasound）」，避免跨模态误比。

坑 8：忽略 tn- 前缀的命名撞车

• 表现：把 tn-mammo-breast-density（乳腺，rid=628）当作甲状腺血缘条目。
• 后果：血缘与互链关系错乱，维护者可能误合并或错误关联。
• 规避建议：见第 10.2 节消歧表，先辨 mammo 与 thyroid，仅将真正同域者列为血缘。

避雷总纲：TN-SCUI2020 是一个为评测而生的学术基准，不是可自由分发的开放数据资源。把这一定位记牢，坑 1、坑 4、坑 5 大多可自动规避。

---

§12 存照、待核疑点与参考来源

本章集中保存研究过程中的口径冲突、未决疑点与来源清单，供后续维护者复核与更新。凡本条目正文中出现的「待核」「存疑」标记，其明细均在此汇总。

§12.1 双口径存照（口径 A vs 口径 B）

研究过程中发现三处来源互相矛盾之处。依「不隐藏矛盾、并列保存、给出判定」的原则，逐条存照如下：

编号	议题	口径 A（来源）	口径 B（来源）	判定
S1	License	CC BY-ND 4.0（立项 brief 记述，第三方无佐证）	challenge-only：发布权限于本挑战赛（官方站原文）	以口径 B（官方站）为准
S2	联盟名称	CAAU（官方站页面）	CMUAA（部分资料）	二者或为同一联盟的不同缩写/改称，双写并存，暂不定论
S3	数据集总量	4554（官方与主流聚合一致）	个别来源若有其他数字	以 4554 为主口径，异说须显式标注

S1 官方站原文（存照）：

"The publish right of this DATASET is limited to the purpose of this CHALLENGE ONLY due to the ethical approval was obtained. No publication rights will be given on the dataset images apart from this challenge."

S1 判定理由：① 官方站为数据集发布方，其许可声明具有第一手权威性；② 伦理审批限制是医学数据集许可收紧的常见且合理成因；③ CC BY-ND 4.0 说法在第三方资料中无佐证，疑为立项阶段的误记。综合判定以官方 challenge-only 为准，同时保留口径 A 以备考据。

§12.2 待核疑点清单（U1–U6）

编号	疑点	当前状态	核验建议
U1	是否存在主办方署名的正式期刊/会议论文（区别于 Zenodo 设计文档）？	本轮未检索到	检索 MICCAI 2020 关联 proceedings 与医学影像期刊
U2	分类赛道的具体评分指标与冠亚季军数值未完整抓取	已知存在该赛道名单，数值待补	复核 MICCAI 2020 AWARDS 页与挑战赛结果页
U3	CC BY-ND 4.0 说法的最初来源不明	仅见 brief，第三方无佐证	追溯 brief 上游，确认是否误记
U4	库内是否存在其他甲状腺数据集条目（如 DDTI 类）？	DB 查询仅显式确认 tn3k/tg3k	复核 DB 全量 slug 与 writing/ 目录
U5	训练集 ID 001–3644 是否与「例数」一一对应（同例多图？）	按文件结构理解为 ID 对应训练样本	核对官方文件说明或设计文档
U6	测试集 400（验证）+510（终评）=910 的来源	见聚合资料，官方站口径待核	以官方站/设计文档复核

待核使用说明：以上疑点在正文中以 U1–U6 标记。若后续更新条目，须先复核对应疑点再改写，避免以讹传讹。

§12.3 参考来源清单（三源互证池）

本条目研究采用三源互证方法，来源按权威层级排列如下：

• [1] 官方站（第一手）：TN-SCUI2020 官方挑战赛页面 —— 名称与身份、主办与赞助、license 声明原文、委员会名单。https://tn-scui2020.grand-challenge.org/Home/
• [2] Zenodo 设计文档（第一手）：DOI 10.5281/zenodo.3715942 —— 挑战赛设计文档、作者（Jianqiao Zhou 周建桥等）、2020 年发布记录。
• [3] openmedlab / Awesome-Medical-Dataset（聚合）：TN-SCUI2020 条目 —— 规模、划分、分辨率与像素统计、文件结构、委员会名单等完整元数据。https://github.com/openmedlab/Awesome-Medical-Dataset/blob/main/resources/TN-SCUI2020.md
• [4] MICCAI 2020 AWARDS（第一手）：赛道冠亚季军名单、2020-10 结果公布。https://www.miccai2020.org/en/AWARDS.html
• [5] SOTA-MedSeg（聚合）：分割赛道 IoU 排行（1st 0.8254 / 2nd 0.8196 / 3rd 0.8194）。

库内对照源（本库）：

• writing/tn3k/FACTS.md（rid=822）—— 甲状腺域血缘对照。
• writing/tg3k/FACTS.md（rid=871）—— 甲状腺域血缘对照。

引用提示：正文中以 <sup>[1][2]</sup> 等形式标注的来源编号，与本节清单一一对应。引用 TN-SCUI2020 时，优先引用 [1] 官方站与 [2] Zenodo DOI，聚合源 [3][4][5] 作为交叉佐证。

§12.4 研究预算使用存照

为体现「低中断纪律」的执行情况，存照如下：

• WebSearch：3 / 3（上限 3，未超）
• WebFetch：2 / 6（上限 6，未超）
• 失败重试：0（无 loop，无重复抓取）
• 单条 bash：均 ≤ 60 秒
• 结论：研究阶段未触发中断纪律，各 part 均即写即落盘。

存照意义：记录预算用量，既是对流程纪律的交代，也为后续更新者估算「再核一遍」的成本提供参照。

---

§13 结语与使用建议

TN-SCUI2020 在甲状腺结节超声智能分析领域有着清晰的学术坐标：它是 MICCAI 2020 关联挑战赛数据集，规模达 4554 张、分割与分类双任务并置、由瑞金医院与中国医学超声 AI 联盟背书。这些属性使它在基准评测层面具备较高价值。

但它同样有明确的边界：

• 许可层面：challenge-only，不是可自由再分发的开放数据；
• 数据层面：单中心、二值掩码、测试集标签不公开；
• 评测层面：排行榜于 2020-10 冻结，属历史成绩而非当前 SOTA。

给使用者的三条建议：

1. 当基准用：把它当作「在固定协议下与其他方法可比的学术基准」，这是它被设计出来的初衷。
2. 守许可边界：引用与使用时严格遵循官方 challenge-only 声明，不擅自再分发。
3. 作互链而非合并：与库内 TN3K/TG3K 建立互链对照，明确「同域不同团队，勿合并」。

---

§14 医学背景：甲状腺结节与超声诊断

TN-SCUI2020 的数据源自一类临床高频场景——甲状腺结节的超声筛查与良恶性判别。理解这一临床背景，有助于正确使用数据集的分类标签与分割掩码，避免把「影像任务」与「诊断任务」混为一谈。

§14.1 甲状腺结节是什么

甲状腺结节（thyroid nodule） 是甲状腺内与周围实质回声不同的局灶性病变，在成人中的检出率随超声普及而显著上升。绝大多数结节为良性，少数为恶性（甲状腺癌）。临床的核心问题不是「有没有结节」，而是**「这个结节是良性还是恶性」**——这正是良恶性分类标签的存在意义。

临床概念	含义	与数据集的对应
结节（nodule）	甲状腺内局灶性病变	mask/ 中标注的前景区域
良性（benign）	通常无需手术干预	CATE = 0
恶性（malignant）	需进一步评估或干预	CATE = 1
超声（ultrasound）	首选影像筛查手段，无创、实时、低成本	数据集图像模态

§14.2 为什么用超声而非 CT/MRI

在甲状腺结节的常规筛查中，B 型超声（B-mode ultrasound） 是首选模态，原因包括：

• 无电离辐射：适合反复随访与年轻人群；
• 实时成像：可多切面动态观察结节边界、内部回声、血流；
• 成本低、可及性高：基层医疗机构即可开展；
• 对甲状腺这类浅表器官**：超声分辨率优于 CT/MRI 的常规序列。

模态边界提示：TN-SCUI2020 全部为超声图像，与甲状腺 CT/MRI 数据集不可直接对比（见第 11 章坑 7）。

§14.3 超声判读的难点

超声判读高度依赖操作者经验，这正是 AI 辅助的价值所在：

• 主观性强：不同医师对同一结节的边界、形态判读可能不同；
• 回声不均：结节内部回声复杂，边界常不清晰，分割难度高；
• 设备依赖：不同超声设备的成像风格差异明显，影响跨中心泛化；
• 类别不平衡的现实：临床上良性远多于恶性，但本数据集训练集做了接近平衡的采样（良性 1641 / 恶性 2003）。

§14.4 从临床问题到数据任务

临床问题	数据集任务	赛道
「结节在哪里？」	结节分割（输出二值掩码）	分割赛道
「结节是良性还是恶性？」	良恶性分类（输出 0/1）	分类赛道
「能否一次给出两者？」	多任务联合（分割+分类）	跨赛道研究

一句话：TN-SCUI2020 把临床中最核心的两个问题——「在哪」与「良恶」——分别封装为分割与分类两个赛道，这是理解整个数据集设计的起点。

---

§15 数据集设计理念与构建流程

TN-SCUI2020 不只是一堆图像的集合，而是一套围绕挑战赛目标设计的评测资产。本章还原它的构建逻辑，帮助使用者判断「它适合回答什么问题」。

§15.1 设计目标

该数据集的设计目标可归纳为三条：

1. 提供可比基准：让不同的甲状腺结节分割/分类方法在统一协议下可比；
2. 覆盖双任务：同时考察**定位（分割）与判别（分类）**两项能力；
3. 服务学术推进：以挑战赛形式汇聚方法、发布排行榜，推动领域进展。

§15.2 构建流程（概念性还原）

阶段	环节	说明
1	临床采集	瑞金医院超声诊断科采集甲状腺结节超声图像
2	伦理审批	获得伦理许可，这直接决定了后续的 challenge-only 许可约束
3	专家标注	医学委员会主导结节掩码与良恶性标签的标注与质控
4	数据封装	组织为 image/ + mask/ + train.csv 结构
5	赛制设计	划分训练/验证/终评，设计提交与评测协议
6	发布与评测	经 Grand Challenge 平台发布，组织在线评测与排行榜
7	结果公布	MICCAI 2020 关联，2020-10 公布赛道结果
8	赛后冻结	排行榜冻结，数据发布权按官方声明收紧

关键因果链：伦理审批（阶段 2）→ 数据发布权限收紧（阶段 8）。这一链条解释了为什么官方站在赛后声明「发布权限于本挑战赛用途」——它不是许可条款的随意设定，而是伦理约束的自然延伸（详见第 7 章双口径存照）。

§15.3 设计取向的三个取舍

任何数据集都是取舍的产物。TN-SCUI2020 的三处关键取舍：

取舍点	选择	代价
规模 vs 精细标注	偏向规模（4554 张）	掩码为二值，无亚型/多类标注
可比性 vs 开放性	偏向可比性（固定协议、排行榜）	测试集标签不公开，本地难复现
双任务 vs 单一聚焦	双任务并置（分割+分类）	两任务间关系需实证，不可默认耦合

使用启示：理解这些取舍，就能预期数据集的能力边界——它在「可比基准」上强，在「细粒度标签」与「自由复用」上弱。

---

§16 图像与掩码的技术特性

本节从工程视角描述数据集的图像与掩码特性，为数据加载、预处理与建模提供依据。所有数值均来自第 2 章统计。

§16.1 图像分辨率分布

统计量	数值（宽, 高）	工程含义
最小	(335, 504)	最小边 335，需注意下采样上限
中位	(500, 685)	主流尺寸，可作统一输入的参考
最大	(719, 863)	最大边 863

预处理提示：分辨率不统一是超声数据集常态。建模时通常需要统一缩放（如 256×256 或 512×512）或采用多尺度策略；缩放会改变结节像素占比，须在掩码同步变换时保持一致。

§16.2 结节掩码像素统计

统计量	结节像素数	说明
最小	274	极小结节，分割难度高
中位	14665	典型结节尺度
最大	382414	大结节

• 尺度跨度：最大/最小 ≈ 1395 倍，呈显著长尾。极小与极大结节并存，是分割任务的主要难点来源之一。
• 检出率：100%（每张标注图均含至少一个结节掩码，无「无结节」负样本）。

建模提示：长尾尺度意味着固定感受野的模型难以兼顾大小结节；实践中常引入多尺度特征融合或金字塔结构（详见第 8.3 节方法谱系）。

§16.3 掩码的格式特性

• 二值掩码：像素值仅 255（前景/结节） 与 0（背景）；
• 无多类通道：不区分囊性/实性/钙化等亚型（对应坑 3）；
• 形状：与对应原图同尺寸，可逐像素对齐。

§16.4 图像与掩码的配对关系

组成	内容	配对方式
image/	原始超声图像	与 mask 按 ID 一一配对
mask/	二值结节掩码	与 image 同 ID、同尺寸
train.csv	分类标签表	按 ID 关联 CATE（0=良性 / 1=恶性）

对账提示：image/、mask/、train.csv 三者以 ID 为键关联。加载时应先做ID 一致性校验，避免因文件缺失导致的静默错配。

---

§17 标注体系与质量保障

标注质量直接决定数据集的可用性。本章梳理 TN-SCUI2020 的标注体系与质控逻辑。

§17.1 两类标注

标注类型	产物	粒度	质控主体
分割标注	结节二值掩码	像素级	医学委员会
分类标注	良恶性标签（0/1）	图像级	医学委员会

§17.2 标注来源与流程

• 来源：瑞金医院临床超声图像，由医学委员会（周建桥、贾晓红、董屹杰等）主导标注与复核（见第 6 章）。
• 流程（概念性）：初标 → 复核 → 争议裁定。医学委员会的组成表明，标注以临床判读经验为基础。

§17.3 质量保障的体现

质控维度	体现
专家背书	医学委员会具名（非匿名众包）
检出率 100%	每张标注图均有结节掩码，无漏标表象
标签完整	训练集 3644 张均有良恶性标签
划分明确	训练/验证/终评界限清晰（见第 2 章）

§17.4 标注的固有局限

• 单中心判读风格：标注风格与瑞金医院的临床判读习惯绑定；
• 无标注者间一致性数据：公开资料未提供 inter-rater 一致性指标；
• 二值化的信息损失：良恶性为二分类，不含亚型或置信度。

使用建议：把标签视为**「该中心专家判读的真值」**，而非「绝对客观的真值」；跨中心应用时须重新评估。

---

§18 数据加载与预处理实操指南

本节给出可直接落地的数据加载与预处理建议，供工程实践参考（不涉及对原数据集的再分发）。

§18.1 目录结构（回顾）

tn-scui2020/
├── image/        # 原始超声图像（按 ID 命名）
├── mask/         # 二值结节掩码（255/0，与 image 同 ID）
└── train.csv     # 分类标签（ID, CATE）

§18.2 加载流程建议

步骤	操作	注意点
1	读取 train.csv	建立 ID → CATE 映射
2	按 ID 加载 image/ 与 mask/	校验 ID 一一对应，防错配
3	统一尺寸（resize/pad）	image 与 mask 必须同步同变换
4	mask 二值化确认	确认取值 ∈ {0, 255}，必要时转
5	归一化	超声图像常做强度归一化
6	划分训练/验证	使用官方划分以保证可比

§18.3 常见预处理陷阱

• 掩码插值：resize 掩码须用最近邻（nearest），用双线性会产生非二值中间值；
• ID 错配：image/ 与 mask/ 命名不一致时静默取错，须显式断言；
• 尺寸硬编码：不同图像分辨率不同，硬编码尺寸会导致部分图像被拉伸变形；
• 标签泄漏：使用官方验证集时，不得将其并入训练（会影响可比性）。

§18.4 数据增强的空间约束

增强手段	是否适用	原因
水平翻转	通常可用	超声结节无强方向性
旋转（小角度）	可用	需掩码同步
缩放	可用	需掩码同变换；注意长尾尺度
颜色/亮度扰动	谨慎	超声强度有诊断意义，过度扰动失真
强几何形变	谨慎	可能破坏结节形态的临床判读特征

增强原则：掩码与图像必须共享同一空间变换；对超声强度类增强应保守，避免破坏诊断相关特征。

§18.5 复现与可比性

• 评测协议对齐：与他人比较时，先确认双方用的是哪一份划分与协议；
• 测试集不可本地评测：测试集标签不公开（见坑 4），本地指标不可与排行榜直接对齐；
• 记录预处理：论文/报告中应显式记录分辨率、归一化、增强细节，便于他人复现。

实操总纲：ID 对齐 → 掩码同步变换 → 官方划分 → 显式记录。四句话可规避绝大多数工程侧踩坑。

---

§19 标注协议与标注指南（推演框架）

说明：本节基于数据集的任务设定与医学标注常规，推演一套合理的标注协议框架，用于帮助理解标注口径；并非官方标注指南原文（官方是否公开标注指南待核，见 U7）。使用时请以官方资料为准。

§19.1 分割标注协议（推演）

要素	推演规范
标注对象	结节的前景区域
边界定义	沿结节与周围甲状腺实质的回声分界
输出形式	二值掩码（255/0）
多结节情形	按前景/背景统一处理（二值不区分个数）
争议处理	由医学委员会复核裁定

§19.2 分类标注协议（推演）

要素	推演规范
标注对象	整张图像对应的结节
类别定义	0 = 良性，1 = 恶性
判读依据	超声征象（边界、形态、内部回声等）结合临床经验
输出形式	train.csv 中的 CATE 字段
争议处理	专家复核

§19.3 标注一致性与争议

• 一致性：公开资料未提供标注者间一致性（如 Kappa）数据，为待核项；
• 争议裁定：由医学委员会裁决，但裁决规则未公开；
• 对使用的影响：标签作为「专家判读真值」使用合理，但不应当作「无争议客观真值」。

待核提示（U7）：官方是否公开发布过标注指南/标注协议文档？本轮未见，建议后续以官方站与设计文档复核。

---

§20 论文与学术脉络

本章梳理 TN-SCUI2020 的学术坐标：它从哪来、关联哪些学术活动、在文献中被如何使用。

§20.1 发布脉络

时间	事件	说明
2020	Zenodo 设计文档发布	DOI 10.5281/zenodo.3715942，作者 Jianqiao Zhou 周建桥等
2020	挑战赛数据发布	经 Grand Challenge 平台
2020-10	MICCAI 2020 关联结果公布	赛道冠亚季军名单公布
赛后	排行榜冻结	数据发布权按官方声明收紧

§20.2 关联学术活动

• 会议关联：MICCAI 2020（医学影像计算与计算机辅助干预会议）关联挑战赛；
• 组织关联：中国医学超声 AI 联盟（CAAU / 部分资料作 CMUAA，双写并存见 S2）；
• 平台关联：Grand Challenge 平台（多场医学影像挑战赛的托管方）。

§20.3 文献中的典型用法

用法	说明
作为分割基线	在 TN-SCUI2020 训练集上训练，报告分割指标
作为分类基准	用良恶性标签训练分类器
作为多任务验证	分割+分类联合训练的实验场
作为方法对照	与 TN3K 等其他甲状腺数据集并列对照

§20.4 学术坐标小结

TN-SCUI2020 处在**「甲状腺结节超声 AI」这一子领域的基准层**：它本身不是方法论文，而是供方法比较的评测资产。理解这一点，就能正确引用它——引用为「基准/数据集」，而非「方法/模型」。

---

§21 版本与衍生说明

§21.1 版本状态

• 单版本冻结型：2020 年发布后未公开迭代（详见第 7.3 节版本链）；
• 评测冻结：排行榜于 2020-10 冻结；
• 许可收紧：赛后按官方 challenge-only 声明收紧发布权。

§21.2 衍生工作的形态

由于许可限制，公开的数据衍生版本（如重新打包、再分发）应当不被预期。文献中的「衍生」多为：

• 方法衍生：新模型在 TN-SCUI2020 上验证；
• 分析衍生：对数据集特性的再分析；
• 对比衍生：与其他甲状腺数据集的横向比较。

§21.3 引用与致谢建议

场景	建议
引用数据集	引官方站 + Zenodo DOI（10.5281/zenodo.3715942）
引用结果	注明赛道与评测协议，标注「历史成绩」
致谢	致谢瑞金医院与医学委员会、技术委员会
转载图像	不可——受 challenge-only 限制

合规重申：任何形式的图像再发布都不被允许（见第 7 章与第 9 章）。

---

§22 与同域数据集的深度对比

在第 10 章血缘框架基础上，本章做更细粒度的对比（在可得信息范围内）。

§22.1 对比维度总表

维度	TN-SCUI2020	TN3K（822）	TG3K（871）
机构	瑞金医院 + 超声 AI 联盟	中山大学团队	中山大学团队
发布形态	挑战赛	公开数据集	公开数据集
规模（图像）	4554	约 3493	系列相关
任务	分割 + 分类	分割为主	分割为主
分类标签	有（0/1）	需核实	需核实
许可	challenge-only	以条目为准	以条目为准
排行榜	有（冻结）	无	无

§22.2 适用场景对照

你的需求	更可能合适的数据集	理由
需要可自由复用的公开数据	TN3K 一类公开集	避开 challenge-only
需要可比排行榜基准	TN-SCUI2020	有固定协议与榜单
需要良恶性分类标签	TN-SCUI2020（需核实 TN3K）	本集明确提供 CATE
需要多类/亚型标注	均不适合	本集为二值/二分类
需要跨中心泛化验证	需组合多数据集	单集单中心，代表性有限

§22.3 对比使用建议

• 不合并：同域不同团队，合并会混淆来源与许可；
• 可并列：在论文中并列报告，说明各自协议；
• 显式标注：表格中标注机构、规模、任务、许可，避免读者误读。

对比总纲：「同域」不等于「同源」，「可对比」不等于「可合并」。

---

§23 常见问题（FAQ）

§23.1 关于数据获取

Q1：能直接把 TN-SCUI2020 下载打包再发布吗？
A：不能。官方声明发布权限于本挑战赛用途（challenge-only），任何形式的图像再发布都不被允许。

Q2：CC BY-ND 4.0 是它的许可吗？
A：不是（以官方为准）。brief 曾记 CC BY-ND 4.0，但第三方无佐证，官方站明确为 challenge-only（见 S1）。

Q3：能用于商业项目吗？
A：challenge-only 限制下，不应假定可用于商业用途。

§23.2 关于任务与指标

Q4：分割和分类是两个独立赛道吗？
A：是。指标不同、优化目标不同，不可默认「分割好⇒分类好」（见坑 6）。

Q5：排行榜的 IoU 0.8254 是当前 SOTA 吗？
A：不是。为该挑战赛 2020-10 冻结的历史成绩（见坑 5）。

Q6：测试集能本地跑出榜单分数吗？
A：不能。测试集标签不公开（见坑 4）。

§23.3 关于血缘与互链

Q7：TN-SCUI2020 和 TN3K 是同一个吗？
A：不是。同域不同团队，勿合并（见第 10 章）。

Q8：tn-mammo-breast-density 是甲状腺相关吗？
A：不是。它是乳腺密度数据集，仅命名相近（见坑 8）。

§23.4 关于局限

Q9：这个数据集能代表所有甲状腺结节吗？
A：不能。单中心采集，代表性与泛化有限（见第 9.2 节）。

Q10：掩码能区分囊性/实性吗？
A：不能。掩码为二值 255/0（见坑 3）。

FAQ 使用提示：以上问答均对应正文更详细的章节，深究请按指引跳转。

---

§24 术语表（Glossary）

为便于跨语言查阅，本表列出本条目涉及的核心术语，中文为正文用词，英文为首次出现时的对应标注。

中文术语	英文	简要释义
甲状腺结节	thyroid nodule	甲状腺内局灶性病变
超声	ultrasound	首选影像筛查模态
B 型超声	B-mode ultrasound	二维灰阶超声成像
分割	segmentation	逐像素标出结节区域
分类	classification	判定良性/恶性
掩码	mask	分割标注产物，二值
良性	benign	CATE = 0
恶性	malignant	CATE = 1
交并比	IoU	分割常用评价指标
Dice 系数	Dice coefficient	与 IoU 可换算的分割指标
挑战赛	challenge	限时评测活动
排行榜	leaderboard	赛道成绩排名
单中心	single-center	单一机构采集
泛化	generalization	跨域性能
伦理审批	ethical approval	临床数据使用前置条件
不可逆压缩/无 —	—	——

注：IoU 与 Dice 可相互换算（Dice = 2·IoU / (1 + IoU)），比较时须注明用的是哪一个。

---

§25 维护记录与更新建议

§25.1 本条目研究轮次存照

项目	值
代理名	agent-f-tnscui2020
slug	tn-scui2020
锁文件内容	agent-f-tnscui2020 2026-10-08T22:00:55+08:00
研究预算	WebSearch 3/3，WebFetch 2/6，重试 0
查重结果	%scui% = 0 行，无撞库

§25.2 建议后续核验项

编号	事项
U1	是否有署名正式论文
U2	分类赛道数值
U3	CC BY-ND 4.0 来源
U4	库内其他甲状腺条目
U5	ID 与例数对应关系
U6	910 测试集口径
U7	是否公开标注指南

§25.3 更新纪律

• 先核后改：改动正文前先复核对应 U 项；
• 双口径保留：遇来源冲突，并列保存并给出判定；
• 血缘不为合并：同域条目互链对照，不合并。

维护总纲：核验为本，存照为据，互链为用。

---

§26 结语

至此，本条目从名称身份、规模划分、组织标注、机构人物、许可版本、评测排行榜、伦理边界、血缘互链、坑点避雷、存照待核十个维度，完整刻画了 TN-SCUI2020 这一甲状腺结节超声挑战赛数据集。

回顾全文，可凝练为四句定位：

1. 它是基准，不是资源：为 MICCAI 2020 关联挑战赛而设，价值在于统一协议下的可比性；
2. 它规模可观，但边界清晰：4554 张、双任务，但单中心、二值掩码、测试集不公开；
3. 它许可受限，须守红线：官方明确 challenge-only，不可再分发（S1 判定）；
4. 它同域有邻，可链不可并：与 TN3K/TG3K 同域不同团队，互链对照而非合并。

最终建议：把 TN-SCUI2020 当作一把刻好刻度的尺子——用它衡量方法，而不是把它拆开来当木料。尊重它的许可边界、理解它的设计取舍、并在引用时如实标注协议与来源，才能让这份学术资产持续发挥价值。

---

（本文完）

---

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：

• iugc2024 — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 挑战赛数据集 / 评测基准
• intrapartum-us-video — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 挑战赛数据集 / 评测基准
• fusemycells — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 挑战赛数据集 / 评测基准
• psfhs — 共享标签：医学影像 / 医学图像分割 / 挑战赛数据集 / 评测基准
• tn3k — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 评测基准
• pfus1 — 共享标签：医学影像 / 医学图像分割 / 图像分类 / 评测基准
• siim-acr-pneumothorax — 共享标签：医学影像 / 医学图像分割 / 挑战赛数据集 / 评测基准
• acouslic-ai — 共享标签：医学影像 / 图像分类 / 挑战赛数据集
• stoic — 共享标签：医学影像 / 图像分类 / 挑战赛数据集 / 评测基准
• cxr-lt — 共享标签：医学影像 / 图像分类 / 挑战赛数据集 / 评测基准

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。