ToothFairy3 (toothfairy3) — AI-Ready Wikipedia

INFOBOX — ToothFairy3 一屏速览

维度	内容
本质	挑战赛+数据集+基准三合一：MICCAI 2025（ODIN 2025 workshop）牙科 CBCT 多结构分割挑战赛及其配套公开数据集
组织方	UNIMORE（AImageLab）牵头 + Radboud UMC + KIT + Affidea + 3Shape；Bolelli/Lumetti/Grana 连续三届组织 ToothFairy 系列
时间线	2025-05-09 数据发布 → 2025-08 测试阶段 → 2025-09-27 韩国大田颁奖；数据集论文发表在 MICCAI 2026（隔年错位）
数据	532 例公开 CBCT（NIfTI）= Set A 417（P 前缀/FOV 受限）+ Set B 63（F 前缀/全 FOV）+ Set C 52（S 前缀/新扫描仪）；论文总口径 582 = 532 + 50 隐藏
类别	77 类 = ToothFairy2 的 42 类 + 35 新增（32 个牙髓腔 + 左右切牙管 + 舌侧管）；Task 1 评估时聚合为 46 子结构
规格	0.3mm 各向同性体素、Hounsfield 标度、RPI 朝向（附官方转换脚本）、nnU-Net dataset 格式
任务	Task 1 自动多结构分割——runtime（推理时间）首次纳入主排名；Task 2 下牙槽神经管（IAC）点击式交互分割（Dice/HD95 的 AUC）
冠军	TAIR-Lab U-Mamba2（KCL + Surrey）双冠：Task 1 Dice 0.84 / HD95 38.17 / 40.58s；Task 2 Dice AUC 0.87
制度亮点	绝对精度冠军 Black_Myth（Dice 0.85）因 90s runtime 被拖到第三——runtime 入排名实际改写了竞赛格局
获取	ditto.ing.unimore.it 注册墙（无直链）；Zenodo 无本体（仅提交规范文档 record 15081727）——与 ToothFairy2 的 Zenodo 直链相比是最大退化点
许可	CC-BY-NC-SA（禁止商用、同许可传递）；引用义务：必引挑战赛与 [1,2,3] 三件套论文
生态	前作 ToothFairy2（库内 rid 649）；后续官方预告 ToothFairy4M 平台；姊妹赛 STSR 2025 同场同冠军队伍
库内互链	toothfairy2(649)、tufts-dental(57)、fdtooth(609)

ToothFairy3 是一个"给牙科 CBCT 分割赛道重新定规矩"的挑战赛+数据集：它不满足于把标注类别从上一代的 42 类堆到 77 类，而是同时改了两件更根本的事——把推理时间（runtime）写进主排名公式（够准不够快就别想夺冠），以及把人机交互引入赛道（Task 2 用鼠标点击引导模型分割下牙槽神经管）。这两项制度设计直接改写了竞赛格局：绝对 Dice 最高的队伍只拿了第三，而"够准+够快"的 U-Mamba2 拿了双冠。对任何关心"临床可用性如何进入评测标准"的人来说，ToothFairy3 是 2025 年医学图像分割领域最值得解剖的样本。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——注意是 ditto 注册墙，Zenodo 上搜 ToothFairy3 会一无所获（一二代才有 Zenodo 本体），别按惯性扑空。
2. 关心版本演进：直奔 §4 三代对照表——443 例单结构 → 530 例 42 类 → 532+50 例 77 类双任务，FACTS 级必答题全部在表里。
3. 做方法研究：直奔 §5 冠军方法 U-Mamba2——Mamba2 状态空间模型进 nnU-Net bottleneck，arXiv:2509.12069 有代码有权重。

§0 导读：这个数据集解决什么问题

牙科 CBCT（锥形束 CT）是口腔临床的"广角相机"：采集时间短、辐射剂量低、硬组织分辨率高，种植规划、阻生第三磨牙拔除、正畸方案、囊肿手术、头颈放疗剂量映射全都依赖它。但 CBCT 的 AI 化长期卡在两件事上：一是标注稀缺且粗——3D 体数据的体素级标注极耗时，公开数据集要么只有单一结构（如一代 ToothFairy 只标下牙槽神经管），要么细小结构（牙髓、神经血管管）干脆缺失；二是评测脱离临床现实——传统排行榜只看 Dice 和 HD95，而一台分割工具要在椅旁流程里真正可用，推理速度与精度同样生死攸关：术前规划等得起，椅旁实时引导等不起。

ToothFairy3 的回答分三层。第一层是解剖扩张：在 ToothFairy2 的 42 类（颌骨、牙列、上颌窦、咽、修复体、种植体、下牙槽神经管、FDI 牙位）之上新增 35 个标签——32 颗牙各自的牙髓腔、左右切牙管、舌侧管，凑齐 77 类；这些新增结构对正畸流程（牙根吸收评估、邻牙保护）尤其关键。第二层是制度创新：Task 1 的主排名公式把 runtime 与 Dice、HD95 加权综合，官方明说这是"reflecting the real-world demand for fast and reliable tools in clinical practice"——结果立竿见影，绝对精度第一的队伍因 90 秒的推理时间被综合排名挤到第三。第三层是交互范式：Task 2 把下牙槽神经管分割做成点击式交互任务（SAM 风格的点提示 + AUC 曲线评估），试探"基础模型 + 人手两三次点击"能不能替代昂贵的全自动标注——IAC 定位是种植与拔牙的"防损伤第一优先"，让医生点击引导而非全靠模型，本身就是一种临床务实的态度。

§0 读法三则：

1. 这个条目是"数据集+挑战赛+方法论文"三合一：本体是 532 例带 77 类标注的 CBCT，竞赛部分留下排行榜与冠军方法，副产品是 U-Mamba2 这条可复用的架构路线（SSM 进分割网络）——三者获取方式不同（§6）。
2. 全文统计数字均以 ditto 官网、grand-challenge 官方页、arXiv/Springer 论文三方互证为准；规模三口径（532/582/102）、Set A/B 第三方转述反转等 12 处坑已在 §10 全部存照。
3. 检索时注意：数据集论文发表在 MICCAI 2026，而挑战赛办于 MICCAI 2025——两者隔一年，引用时别把年份写混（坑 2）。

§0.5 三个最常见的误解，先排掉

误解一：“ToothFairy3 数据集有 582 例，都能下载。”
582 是论文总口径（532 公开 + 50 隐藏）；能下载的永远是 532 例，那 50 例官方原话"永不公开"。写论文说"582 volumes"不加说明会被审稿人当事实错误抓（坑 1）。

误解二：“77 类缩到 46 类，就是去掉了一半类别。”
不是减法是聚合：77 个细类（每颗牙、每个牙髓各一类）在 Task 1 评估时聚合为 46 个解剖子结构（如 32 颗牙并成一组指标）——没有类别被丢弃，只是计分方式变粗。引用榜单分数必须说"46 口径"（坑 6）。

误解三：“冠军 U-Mamba2 是主办方自己的方法。”
不是。TAIR-Lab 来自 KCL + Surrey，与组织方（UNIMORE/Radboud/KIT/Affidea/3Shape）无重叠——主办方成员深度参与数据集论文撰写（Tan 联合一作），但竞赛榜单本身干净。这也是"数据集论文收录冠军方法解析"这种少见合并成篇的原因。

§1 数据集速览：十问十答

Q1：532 例是怎么分组的？
三分集：Set A 417 例（文件名 P 前缀）与 Set B 63 例（F 前缀）都来自 ToothFairy2 已有扫描的标注升级版，两集同一台采集机器，但 FOV 不同——Set A 受限（下颌区域/上颌部分裁切），Set B 是完整颌面视野（全牙列冠根、上颌窦、咽、周围骨结构）；Set C 52 例（S 前缀）为全新数据、另一台扫描仪采集，FOV 与 Set A 相近。注意网络上有第三方论文把 Set A/B 写反（称 A 67 例、B 413 例），以 ditto 官网铁口径为准（坑 3）。

Q2：77 类里到底有什么？
FDI 世界牙科联合会牙位记法的扩展：背景、上下颌骨、下牙槽神经管（左右）、上颌窦、咽、牙桥、牙冠、种植体、32 颗牙逐牙标注，再往下钻——32 个牙髓腔（pulp chamber）逐牙标注、左右切牙管（incisive canal）、舌侧管（lingual canal）。77 = 42（TF2 承袭）+ 35（32 牙髓 + 2 切牙管 + 1 舌侧管）自洽。注意 Task 1 评估时这 77 个细类会聚合为 46 个解剖子结构——引用分数时必须说明对齐口径（坑 6）。

Q3：和 ToothFairy2 是什么关系？
直系升级版。532 例公开数据中 Set A(417)+Set B(63)=480 例与 TF2 的公开训练扫描一一重叠（标注升级改进），Set C(52) 全新；再加 50 例隐藏测试集，论文摘要的口径是"extending ToothFairy2 with 102 additional fully annotated scans"。数据规模本身只是温和增长（530→582），真正的增量在类别数（42→77）、任务数（1→2）和评测制度（runtime 入排名）。

Q4：数据规格与格式是什么？
NIfTI 格式的 CBCT 体数据，体素间距 0.3mm 各向同性，强度为 Hounsfield 标度，采用 nnU-Net dataset 格式（raw images + segmentation maps + dataset.json）。朝向为 RPI（非标准约定，与 Maxillo 数据集第一版一致），官方提供 RPI→LPS 的 Python 转换脚本——自行用通用 DICOM 工具读会方向错位（坑 12）。Task 1 扫描尺寸范围 (170, 272, 345) 到 (298, 512, 512)，显存压力是方法设计的核心约束。

Q5：两个任务分别考什么？
Task 1"Fast Multi-Structure Segmentation"：全自动多结构分割，46 个子结构一起出，Dice + HD95 + runtime 加权综合排名。Task 2"Interactive Segmentation of the Inferior Alveolar Canal"：点击式交互分割——用户在图像上点击提示，模型随点击逐步修正左右 IAC 的分割，评估 Dice AUC（随点击数的曲线下面积）、final Dice、HD95 AUC、final HD95 与 runtime。Task 2 明确鼓励 SAM 式 prompt-based 基础模型方向。

Q6："runtime 入排名"为什么重要？
它是本届最大的制度创新，而且实际改写了结果：Black_Myth 队 Task 1 的绝对精度全场最优（Dice 0.85、HD95 33.23），但推理耗时 90.04 秒，综合 rank 被拖到第三；冠军 TAIR-Lab Dice 0.84 / HD95 38.17 略逊，却只用 40.58 秒，综合 rank 3.1 夺冠。亚军队更极端——17.46 秒（最快）换 0.77 的 Dice。一张排行榜同时呈现了"精度—速度"权衡的三种解法，这正是设计者想看到的。

Q7：冠军是谁、用了什么方法？
TAIR-Lab（King’s College London + University of Surrey 联队，非组织方）的 U-Mamba2：把 Mamba2 状态空间模型插入 U-Net bottleneck 的 7-stage 编解码器，nnU-Net v2.6.2 流水线 + DAE 自监督预训练；Task 2 再加 SAM 风格 point encoder 与 cross-attention 融合点击提示。成绩：Task 1 mean Dice 0.84 / HD95 38.17 / 40.58s；Task 2 Dice AUC 0.87。代码与预训练权重公开（github.com/zhiqin1998/UMamba2），论文 arXiv:2509.12069 + Springer LNCS 10.1007/978-3-032-20711-1_12。

Q8：我现在能拿到什么？
公开 532 例（77 类标注齐全）经 ditto.ing.unimore.it 注册账号后下载，license 为 CC-BY-NC-SA；50 例隐藏测试集永不公开（官方原话"will not be publicly released and will remain private even after the end of the challenge"），服务器端评测防泄漏。Zenodo 上没有数据集本体——只有一份 Structured Submission Document（record 15081727），按一二代惯性在 Zenodo 搜本体必扑空（坑 4）。

Q9：532、582、102 三个数字什么关系？
三种口径并存且可调和：532 = 公开可下载的带标注例数（官网/挑战赛口径）；582 = 论文摘要总口径（532 公开 + 50 隐藏）；102 = 相对 TF2 的净增例数（52 例 Set C 新数据 + 50 例隐藏测试，TF2 的 480 公开例不重复计入）。引用时必须注明口径，混用会被审稿人抓（坑 1）。

Q10：这个数据集适合谁用？
五类人：做牙科/颌面分割算法的（77 类细粒度标注是当前公开最大）；做种植/正畸临床 AI 的（IAC+牙髓+切牙管正是临床防损伤结构）；研究"速度—精度权衡"与评测方法学的（runtime 入排名是现成案例）；做交互式分割/基础模型的（Task 2 设定 + U-Mamba2 的 point encoder 参考实现）；以及需要大量 CBCT 做预训练的（nnU-Net 格式即插即用）。不适合：想商用落地的（CC-BY-NC-SA 排除商业用途）、想拿全 FOV 大样本的（全 FOV 只有 Set B 63 例）。

§1.5 一分钟决策树：你要不要用 ToothFairy3

从顶往下走，第一个命中的分支就是你的答案：

1. 你的用途是商业产品？ → 停。CC-BY-NC-SA 禁止商用；去谈授权或改用其他数据（库内 fdtooth/tufts-dental 许可各异，先查各自条目）。
2. 你需要完整颌面视野（上颌+下颌+上颌窦+咽都在画面里）？ → 只有 Set B 63 例满足；样本量不足你的需求就别硬用——考虑 TF3 作预训练 + 自采数据微调的组合。
3. 你要做细小结构（牙髓/切牙管/舌侧管/牙根管系统）？ → 这是 TF3 相对所有前代的独占价值（35 个新类）；直接用，注意两阶段或后处理策略（§5.5、附录 M）。
4. 你要做跨设备泛化研究？ → Set C 52 例是另一台扫描仪的天然测试集；用 A/B 训 + C 测，或三方轮换。
5. 你要参加或对标官方排名？ → 本地自切只能自娱，官方分必须走 grand-challenge Docker 提交；先跑 baseline template（Resources 区公开）。
6. 你只是要大量 CBCT 做自监督预训练？ → 532 例 Hounsfield 标准化的 NIfTI 直接可用；参考 U-Mamba2 的 DAE 配方（§5.3），或联合 SD-Tooth 扩池。
7. 你在写综述/方法论论文（不碰数据）？ → 不用下载也能引用：榜单数字、制度分析、12 坑清单都在本条目内，引用时注明口径（坑 1/6/11）。
8. 你要做 2D 任务（切片分类、全景片）？ → 体数据可切 2D 但标注按 3D 设计；切 2D 前先想清楚"切片级标签怎么从体素掩码派生"——这不是现成的 2D 数据集。

走到这里没有命中的，默认答案：用，但按 §6.1 五步走，先读附录 J 的 30 分钟上手清单。

§2 数据构成深度解剖

2.1 三分集：P / F / S 前缀的秘密

ToothFairy3 公开数据集的文件名前缀（P、F、S）不是装饰，而是三分集身份的速记——拿到数据后第一眼就能判断每例的出身、视野与可信度：

维度	Set A（417 例）	Set B（63 例）	Set C（52 例）
文件名前缀	P	F	S
与 ToothFairy2 关系	重叠（标注升级版）	重叠（标注升级版）	全新（TF2 未发布过）
FOV	受限（下颌区域/上颌部分裁切）	最大（完整颌面解剖）	受限（与 Set A 相近）
采集机器	机器 1	机器 1（与 A 同）	另一台扫描仪
完整牙列冠根	部分（上颌常裁切）	全部（含上颌窦/咽/周围骨）	部分
对模型的意义	主力训练量	全结构应用与评估金标准	域移位（domain shift）试金石

三个集的设计意图各不相同：Set A 提供训练主力（417 例的量），Set B 提供"解剖学完整性"（只有 63 例但视野无死角——后续衍生研究如 X-Splat 单全景片生成 CBCT 只敢用 Set B，63 例里还只有 60 例合格），Set C 则悄悄埋了一道跨扫描仪泛化的考题——官方没有明说要拿 Set C 考什么，但"另一台扫描仪 + TF2 从未见过的数据"这个组合本身就构成了对域移位鲁棒性的天然检验。

坑位提醒：中文第三方文献（浙大学报 MC-UKAN 论文）曾把三分集写成"Set A(67例)具备完整的上下牙列标注, Set B(413例)和Set C(52例)"——数量与 FOV 描述与官方双重相反。凡见 A 67/B 413 的说法均为转述错误，铁口径是 A 417 / B 63 / C 52（坑 3）。

2.2 77 类完整清单

77 类以 FDI（Fédération Dentaire Internationale，世界牙科联合会）牙位记法为骨架扩展。FDI 记法用两位数字定位每颗牙：第一位象限（1 右上、2 左上、3 左下、4 右下，恒牙列），第二位序号（1 中切牙到 8 第三磨牙）。数据集在"每颗牙一个类"之上继续下钻：

分组	类数	内容
背景	1	非解剖区域
颌骨	2	上颌骨（maxilla）、下颌骨（mandible）
神经血管管	3+2+1=6	下牙槽神经管（inferior alveolar canal，左右）、切牙管（incisive canal，左右，TF3 新增）、舌侧管（lingual canal，TF3 新增）
含气/空腔结构	2	上颌窦（maxillary sinuses，左右）、咽（pharynx）
修复体与种植体	3	牙桥（bridges）、牙冠（crowns）、种植体（implants）
牙齿	32	FDI 恒牙列全牙位（含第三磨牙/智齿）逐牙单列
牙髓腔	32	每颗牙的 pulp chamber 逐牙单列（TF3 新增）
合计	77+1（背景口径差异）	官方口径"77 classes"；42+35=77 自洽（42 为 TF2 承袭部分，35 为 TF3 新增）

两个口径细节须钉死：

1. 77 vs 46：77 是数据集标注的细类总数（每颗牙、每个牙髓各占一类）；Task 1 挑战赛评估时聚合为 46 个解剖子结构（例如 32 颗牙聚合、32 个牙髓聚合后按解剖组计算 Dice）。引用任何参赛分数都必须先问一句"对齐到哪个口径"——LaBella 论文与 emergentmind 转述均确认"77 substructure classes, later consolidated into 46 substructures"（坑 6）。
2. 术语漂移：新增的舌侧结构，ditto 官网与 X-Splat 论文称 lingual canal（舌侧管），grand-challenge 背景页却写 lingual foramen（舌侧孔）——解剖上前者是管、后者是管的开孔，同一区域两种表述并存，检索与写作时都须双词并查（坑 10）。同理，官方在 P 集更新公告里提"incisive and lingual nerve"，而数据集本体类名是 canal——nerve/canal 混称是牙科文献常态。

2.3 物理规格：0.3mm、Hounsfield、RPI

• 体素间距 0.3mm 各向同性：牙科 CBCT 的高分辨率标配，牙釉质-牙本质界面、细小神经管壁都依赖这个精度。也正因为各向同性，3D 卷积/SSM 的 patch 策略比各向异性 CT 简单——U-Mamba2 等方法都能直接用立方 patch。
• Hounsfield 强度标度：与临床 CT 同标度，跨设备迁移时强度语义一致；第三方使用案例（MC-UKAN）采用 CT 截断 [-1000, 3500] 窗。
• NIfTI + nnU-Net dataset 格式：原始图像 + 分割图 + dataset.json 三件套，下载后可直接喂 nnU-Net v2 流水线——这是对下游研究者最友好的设计，冠军方法（U-Mamba2）与季军方法（Black_Myth）都直接跑在 nnU-Net 上。
• RPI 朝向：非标准约定（与 Maxillo 数据集第一版一致）。RPI = Right-Posterior-Inferior 轴序，与医学影像惯用的 LPS（Left-Posterior-Superior）不同——直接用 SimpleITK/ nibabel 默认读取会把左右/前后轴搞反。官方提供 RPI→LPS 的 Python 转换脚本（参数：数据集路径 + 输出路径）。挑战赛测试数据与训练数据同朝向，参赛者无需转换；但把数据拿去做自己的下游应用就必须先转（坑 12）。
• 尺寸范围：Task 1 扫描 (170, 272, 345) 到 (298, 512, 512)——最大体约 7800 万体素，2 亿级参数模型全尺寸推理的显存压力是方法设计的隐形考题（这正是 Black_Myth 等方法用滑窗+集成、TAIR-Lab 用高效 SSM 的现实背景）。

2.4 规模三口径与牙齿计数

口径	数值	出处	何时用
532	公开带标注例数	ditto 官网 / grand-challenge / 挑战赛材料	说"公开数据集"时
582	论文总口径（532+50 隐藏）	Lumetti et al. MICCAI 2026 摘要	转述论文、说"数据集总量"时
102	相对 TF2 净增（52 Set C + 50 隐藏）	同上（“102 additional fully annotated scans”）	说"版本增量"时
≈17,024	牙齿总数	STS2024 对比表（Bolelli et al., 2025 口径）	说"标注对象规模"时
>40,000	标注对象总数（over 40k annotated objects）	Lumetti et al. 摘要	说"全结构标注对象"时

辅助口径（同 STS2024 表）：年龄范围 16-100 岁、约 80,000 层切片。引用纪律：任何数字必须带口径出处——"532 例"与"582 例"都对，但混着说而不注口径就是事实错误（坑 1）。

2.5 标注质量与升级承诺

Set A/B 对 TF2 的 480 例不是原样复用而是标注升级（官方口径 “Improved annotations from ToothFairy2”）：42 类原有标注经复核，再补画 35 个新类别的体素标签。升级的具体QC流程（复核人数、仲裁规则）官网未详述——这是本条目少数拿不到一手细节的点（§9 待核项）。2025-06-30 官方还发布过一次数据更新：P 集补充 incisive and lingual nerve 标注——说明标注是滚动迭代而非一次冻结，下载时间不同可能拿到不同版本的标注密度，复现实验时应记录下载日期。

2.6 隐藏测试集：50 例的防泄漏制度

50 例 held-out 测试集永不公开（“will not be publicly released and will remain private even after the end of the challenge”）。参赛者把模型打包成 Docker 镜像提交到 grand-challenge 平台，服务器端跑推理并回传分数。这套制度沿用 TF2 惯例，目的是杜绝"在测试集上调模型"的公开基准通病，同时让排行榜成为一个长期在线基准——挑战赛结束多年后仍可提交。代价是：第三方无法本地复现官方测试集分数，所有论文级对比只能在本地自行切分（U-Mamba2 用 121 例训 Task 1、51 例训 Task 2；LaBella 用 63 例 5-fold——各队自选子集，本地数字互不可比，坑 11 的根源即在此）。

2.7 数据加载代码骨架（Python）

以下是标准读取路径的骨架（伪代码级，字段名以实际数据为准）：

# 1) 读取与朝向确认（nibabel/SimpleITK 任选其一）
import nibabel as nib
img = nib.load("imagesTr/P_001_0.nii.gz")   # P/F/S 前缀决定三分集归属
arr = img.get_fdata()                        # Hounsfield 标度的体素阵列
print(img.shape, img.header.get_zooms())     # 例如 (298, 512, 512)，0.3mm 各向同性
# 注意：此时为 RPI 轴序；下游应用先跑官方 RPI→LPS 脚本（参数=数据集路径+输出路径）

# 2) 标签检查（nnU-Net 格式）
import json
meta = json.load(open("dataset.json"))       # 模态、标签表、划分信息都在这
labels = meta["labels"]                      # 77 类的 ID→名称映射（以文件为最高依据）
# 官网未列全表：类 ID 请以 dataset.json 为准（附录 AA 待核项 1）

# 3) 三分集分组（防泄漏第一步）
from pathlib import Path
cases = {p.stem.split("_")[0][0]: [] for p in Path("imagesTr").glob("*.nii.gz")}
# 按前缀首字母分桶：P→Set A，F→Set B，S→Set C

# 4) 与 TF2 数据混用前：先做同 ID 对齐检查（见 §2.8）

三个工程注意：①Hounsfield 标度意味着不需要窗宽窗位预处理即可喂 nnU-Net（其 CTNormalization 按HU 处理）；②NIfTI 压缩（.nii.gz）解压是 I/O 热点，大批量训练建议先转本地缓存；③切 2D 派生集时按"病例"而非"切片"划分（同一病例的切片进同一侧，否则泄漏）。

2.8 与 ToothFairy2 数据混用：去重与泄漏防护

TF3 的 Set A/B 是 TF2 480 例的升级版——同源同例不同标注版本。混用两侧数据时（例如"TF2 上预训练、TF3 上微调"）必须显式管理重叠：

1. 识别重叠：TF2 与 TF3 公开数据的病例 ID/文件名对应关系需逐例核对（文件命名规则两代不同则需按几何指纹对齐——体素尺寸 + 形状 + 原点）。
2. 切分优先级：同一病例的两个标注版本只能出现在同一侧（都进训练或都进验证）；跨数据集随机划分必然制造训练-验证同例泄漏。
3. 标注版本选择：重叠病例一律用 TF3 版（标注升级 + 35 新类）；TF2 版仅在需要 TF2 的 42 类口径对齐时使用。
4. 评测隔离：复现官方协议的近似——自切验证集从 Set A/B 抽，把 Set C 整体留作"跨设备外部验证"，模拟官方 hidden test 的角色。
5. 声明义务：论文里写清"TF2 与 TF3 的 480 例重叠已按病例级对齐处理"，否则审稿人按 532+530 合并口径估算样本量时会被误导。

2.9 77 类的空间关系速览（解剖定位）

给不熟悉牙颌解剖的读者一张"结构在哪"的脑图（按部位分组）：

• 下颌区：下颌骨（壳）→ 内走行下牙槽神经管（左右各一，从下颌支到颏孔）；下牙列 16 颗（FDI 31-48 象限的 3、4）逐颗带各自的牙髓腔；下颌前部舌侧骨面有舌侧管（TF3 新增，细小）。
• 上颌区：上颌骨 → 内含上颌窦（左右各一，牙根常突入窦底——种植学经典难题区）；前部中线旁有左右切牙管（TF3 新增，鼻腭管走行区）；上牙列 16 颗逐颗带牙髓腔。
• 跨区结构：咽（气道，位于后方）；牙冠/牙桥/种植体（修复体可出现在任一牙位，金属伪影高发）。
• 嵌套关系（标注的关键难点）：牙髓腔嵌在牙根内、牙根嵌在颌骨内、神经管壁贴着牙根尖——多层嵌套意味着边界误差会"传导"（牙根分割错 → 髓腔必错），这也是 32+32 双层逐牙标注比"42 类平面标注"难得多的根本原因。

这一节只给定位直觉；逐类定义以官方材料与数据包 dataset.json 为准。

§3 挑战赛设计：双任务、新指标、新制度

3.1 Task 1：Fast Multi-Structure Segmentation（快，写进考题）

• 任务定义：对 CBCT 体数据全自动输出多结构分割（77 细类→46 评估子结构），覆盖颌骨、牙列、牙髓、神经血管管、上颌窦、咽、修复体与种植体。
• 评估公式：Dice + HD95 + runtime 三指标加权综合 rank——runtime 与精度同权入主排名，这是 MICCAI 挑战赛序列里少见的制度设计。官方解释：“reflecting the real-world demand for fast and reliable tools in clinical practice”。
• 为什么是现在：TF2 时代的冠军方案推理动辄分钟级，临床椅旁场景（种植实时引导、拔牙术中核对）根本用不上；把 runtime 写进公式等于官方宣告"精度军备竞赛到此为止，效率也是科学问题"。
• 结果验证了制度（详见 §3.4）：三种"精度-速度"策略同台——精度优先（Black_Myth，0.85 但 90s）、速度优先（亚军，17.46s 但 0.77）、双达标（TAIR-Lab，0.84 且 40.58s）——最终双达标者夺冠。

3.2 Task 2：Interactive Segmentation of the IAC（点击式交互）

• 任务定义：下牙槽神经管（inferior alveolar canal，IAC——下颌骨内包裹神经/动脉/静脉的骨性管道）的点击式交互分割：用户在图像上点击提示（正/负点），模型随点击逐步修正分割结果。
• 选 IAC 的临床理由（官方 Background）：IAC 精确定位对种植体植入、阻生第三磨牙拔除、囊肿手术是"防损伤第一优先"——损伤 IAC 可致下唇永久麻木。它又是一代 ToothFairy 的原点结构，挑战赛用交互任务把"最难也最重要"的单结构单独拎出来加练。
• 评估：Dice AUC（随点击数的曲线下面积，衡量"点几下能用"）+ final Dice + HD95 AUC + final HD95 + runtime，左右 IAC 分别计分。AUC 的引入使"模型对点击的响应效率"本身成为指标——不只是"点够了能不能准"，而是"每多点一下能提升多少"。
• 方法学指向：官方明示鼓励 SAM 式 prompt-based 基础模型路线——用大规模预训练的交互先验来做医学交互分割。冠军 U-Mamba2 即以 SAM 风格 point encoder + cross-attention 应答。

3.3 时间线全记录

日期	事件
2025-05-09	第一版数据集正式发布（ditto + grand-challenge）
2025-06-30	数据集更新：P 集（Set A）补充 incisive and lingual nerve 标注
2025-07-01	全部赛道调试阶段（debug phase）开启
2025-08-08	测试阶段（test phase）开启（原定 8-20 截止）
2025-08-20	截止延期公告：延至 8-24，“No additional extensions”（不再延）
2025-09-25	公告：9-27 于 ODIN workshop @ MICCAI 2025（韩国大田）颁奖
2025-09-27	ODIN 2025 workshop 现场公布结果（同场：STSR 2025 姊妹赛）
2026-05-18	Springer LNCS 978-3-032-20711-1 proceedings 出版（ODIN 2025 + ToothFairy/STSR 挑战赛合集）
MICCAI 2026	数据集+冠军方法合并论文发表（Lumetti et al.，“The dataset paper has been published at MICCAI2026”）

时间线坑位：挑战赛年份（2025）与数据集论文年份（2026）隔一年——写引用时最容易错的就是这个（坑 2）。另一个结构性坑：官方 Zenodo 上的 Structured Submission Document（record 15081727）把交互任务编为 Task 2/Task 3，而网页与最终口径是 Task 1/Task 2——SSD 成文早于任务合并，编号错位一位（坑 5）。

3.4 最终榜单与"制度改变结果"

Task 1（自动多结构分割）前三：

名次	队伍	综合 rank	runtime	Dice	HD95
🥇	TAIR-Lab	3.1	40.58s	0.84	38.17
🥈	sjtu_eiee_2-426lab	3.7	17.46s	0.77	94.77
🥉	Black_Myth	3.8	90.04s	0.85	33.23

Task 2（IAC 交互分割）前三：

名次	队伍	综合 rank	关键分项
🥇	TAIR_Lab	1.66	Dice AUC 0.87 / final Dice 0.86 / HD95 final 2.04-2.26
🥈	BlackMyth	2.11	—
🥉	changkkk	3.44	—

榜单 8 队（Task 1）/ 6 队（Task 2）见于官方 challenge-winners 页。读法三则：

1. Black_Myth 的悲剧性第三名是 runtime 制度最好的广告：Dice 0.85 与 HD95 33.23 双双全场最优，但 90.04s 的推理时间让综合 rank 落到 3.8——若沿用 TF2 的纯精度排名，冠军易主。一个评测制度的引入就能翻转冠军，这本身就是可写进评测方法学教科书的现象。
2. 亚军的极端速度路线（17.46s，Dice 0.77）展示了另一头：宁可精度掉 7 个点也要三倍快。三种策略在一张榜上排成"精度-速度"权衡的完整帕累托前沿。
3. TAIR-Lab 双冠（Task 1 + Task 2 同队）证明其架构在自动与交互两个范式下都有效——这在挑战赛史上不多见，也是 U-Mamba2 论文值得精读的原因（§5）。

3.5 临床动机：从防损伤到放疗防坏死

官方 Background 的临床链条：CBCT 在牙科/头颈/颌面外科快速扩张 → 分割工具是数字化流程的地基 → IAC 是种植/拔牙的防损伤第一优先 → 新增 77 类结构"especially relevant for orthodontic procedures"（牙髓与切牙管等对正畸中的牙根保护、邻牙监测关键）。参赛侧的补充动机（DLaBella29 论文）：头颈放疗规划——牙位与神经级分割支撑剂量映射与牙科风险评估，下颌骨是**放射性骨坏死（osteoradionecrosis）**的高发且剂量强相关区域，放疗前拔牙决策依赖精确分割。换言之，这个数据集的上游需求方横跨种植外科、正畸、放疗三个科室——这也是它比一般"牙齿分割"数据集类别带宽宽得多的原因。

3.6 评测制度对照：TF2 → TF3 变了什么

制度维度	ToothFairy2（2024）	ToothFairy3（2025）	变化含义
排名指标	Dice / HD95	Dice / HD95 + runtime	效率从"论文里的讨论"升格为"计分项"
任务数	单任务（自动分割）	双任务（自动 + 交互）	"全自动"不再是唯一范式
交互评估	无	Dice/HD95 的 AUC-over-clicks	人机协作效率可量化、可比较
提交协议	Docker + 服务器评测	同左（沿用）	防泄漏制度稳定复用
参赛规模	26 队	榜单 8 队（T1）/ 6 队（T2）	参赛量下降——双任务 + runtime 门槛提高的一种解释（另一解释：年份周期波动，不作强因果）
数据增长	443→530 例（+87）	530→582 例（+52 公开口径）	规模增长收敛，重心转向类别深度

对照表的读法：TF3 不是"更大的 TF2"，而是换了考卷的 TF2——数据增长只贡献了 +10%，但类别（+83%）、任务（×2）、指标（+1 主排名成分）三条制度轴同时动。这解释了为什么参赛队数下降而方法论文密度不降：难度重新洗牌后，留下的都是针对性备赛的队伍。

§4 三代演进：ToothFairy → ToothFairy2 → ToothFairy3（FACTS 必答题）

4.1 三代对照大表

维度	ToothFairy（2023）	ToothFairy2（2024）	ToothFairy3（2025）
会议	MICCAI 2023	MICCAI 2024	MICCAI 2025（ODIN workshop）
任务	IAC/IAN 单一结构分割	多结构分割	多结构 + 交互式双任务
公开数据	443 例（STS2024 表口径）	530 例 = 480 公开 + 50 隐藏	532 公开 + 50 隐藏 = 582 总口径
类别	IAC（Canal 相关约 5 类口径）	42 类	77 类（Task 1 评估聚合 46 子结构）
新增结构	—	颌骨/牙/上颌骨/咽	32 牙髓 + 左右切牙管 + 舌侧管（35 标签）
评估	Dice/HD95	Dice/HD95	Dice/HD95 + runtime 主排名 + Task 2 AUC
交互任务	无	无	IAC 点击式交互（首创）
托管	Zenodo 7835324	Zenodo 10990960/10990959	ditto 注册墙（Zenodo 无本体）
License	（Zenodo 口径）	（Zenodo 口径）	CC-BY-NC-SA（官方 Dataset 页明示）
数据集论文	IEEE TMI 2024（10.1109/TMI.2024.3523096）	CVPR 2025（pp.5238-5248，10.1109/CVPR52734.2025.00494）+ MedIA 2026（10.1016/j.media.2026.104095）	MICCAI 2026（Lumetti et al.）
参赛规模	—	26 国际队伍	榜单 8 队（Task 1）/ 6 队（Task 2）

4.2 演进逻辑三段论

官方 Background 留下的叙事线索可以把三代串成一个连贯故事：

1. 一代（2023）：盯住一根管。IAC/IAN 是外科防损伤的"贵族结构"（noble structure）——443 例、单结构、Dice/HD95，解决"3D 标注稀缺"的冷启动（Zenodo 摘要原话：2D 标注是日常实践标准但信息不全，3D 标注因耗时稀缺）。
2. 二代（2024）：铺开整个颌面。从单结构到 42 类跨学科多结构（外科 + 麻醉 + 临床日常），480 例公开训练 + 50 例服务器端防泄漏，参赛 26 队——把"一个器官"做成"一个解剖区"。MedIA 2026 后续报告同时坦白了残余难题：上颌窦/修复体/细小结构仍是弱项（类不平衡 + 金属伪影）。
3. 三代（2025）：向内钻 + 向外拧。双轮驱动：①解剖学纵深——从"每颗牙一类"下钻到"每个牙髓腔一类"，加左右切牙管与舌侧管（正畸导向）；②工程现实化——runtime 入主排名 + IAC 点击交互（临床可用性导向）。数据规模只增 50 例，但考题从"分得准吗"变成"分得准、快、且能与人协作吗"。

4.3 TF2→TF3 数据增量明细

• 承袭部分：Set A（417，P 前缀）+ Set B（63，F 前缀）= 480 例，与 TF2 公开训练扫描一一对应，标注升级（“Improved annotations from ToothFairy2”）+ 新增 35 类补画。
• 全新部分：Set C（52，S 前缀，新扫描仪）+ 隐藏测试 50 例 = 102 例——论文口径"extending ToothFairy2 with 102 additional fully annotated scans"的出处即此。
• 自洽校验：TF2 公开 480 + 新增 52 = TF3 公开 532 ✓；TF3 公开 532 + 隐藏 50 = 论文总口径 582 ✓；480 + 102 = 582 ✓。三条路径闭环，这是复核任何转述数字时的黄金三查。

4.4 前作事实卡（供互链与核对）

ToothFairy2（库内 rid 649）：530 volumes（480+50）、42 类（maxilla/mandible/crowns/bridges/implants/IAC/maxillary sinuses/pharynx/FDI 32 牙位）、26 队参赛；Zenodo 10990960/10990959 直链下载；论文 CVPR 2025（Bolelli et al.）+ MedIA 2026 版本（10.1016/j.media.2026.104095，报告结论：颌骨等大结构最好，上颌窦/修复体/细小结构仍难——类不平衡 + 金属伪影；FDI 编号判定比牙齿勾画更难）。TF3 的 Set A/B 即 TF2 480 例的升级版。

ToothFairy 一代：MICCAI 2023；IAC = 下颌内含神经/动脉/静脉的骨性管道；Zenodo 7835324（2023-04）；数据集论文 IEEE TMI 2024（10.1109/TMI.2024.3523096）；STS2024 对比表给 443 例口径。

4.5 与其他牙科数据集的坐标系

STS2024 论文（ScienceDirect S1361841526000551）的对比表给出了牙科 CBCT 分割数据集景观：CTooth+（22 例，2022）→ Mandibular Canal CBCT（347 例，2022）→ STS2023（584 例）→ ToothFairy（443）→ ToothFairy2（530）→ ToothFairy3（532，≈17,024 teeth）。ToothFairy 系列是牙科 CBCT 公开细粒度标注规模的主脉；论单一维度（如牙数）STS2023 更大，论每例标注密度与结构谱系 TF3 领先。库内可比条目：tufts-dental（rid 57，牙科 CBCT 前辈）、fdtooth（rid 609）；3DTeethLand 未入库（正文提及不作互链）。

4.6 引用与年份使用指南

你在说的事	正确写法	错误写法
挑战赛本身	ToothFairy3 challenge @ MICCAI 2025（ODIN 2025 workshop）	“MICCAI 2026 挑战赛”
数据集论文	Lumetti et al., MICCAI 2026	“Lumetti et al., 2025”
数据规模（公开）	532 volumes with 77 classes	“582 volumes”（不加隐藏说明）
数据规模（论文口径）	582 volumes（532 public + 50 held-out）	“582 public volumes”
评估口径	46 substructures（77 annotated classes）	“77 classes Dice”
冠军名次	U-Mamba2, 1st place（Springer 版）	arXiv v1 的 “top 3 place”（坑 8）
Black_Myth 代码	toothfairy3_blcakmyth	toothfairy3_blackmyth（坑 9）
TF2 对照论文	Bolelli et al., CVPR 2025（+MedIA 2026 扩展版）	混引两版不注明

一句话纪律：比赛年份 2025、论文年份 2026、三个规模数字各带口径、评估分数必注 46 口径——这四条守住，TF3 相关写作的 90% 事实错误可以避免。

§5 冠军方法：U-Mamba2 深度拆解

5.1 队伍与身份

TAIR-Lab：King’s College London（Zhi Qin Tan、Owen Addison、Yunpeng Li，口腔转化科学中心方向）+ University of Surrey（Xiatian Zhu，TAIR 研究组）联队。冠军非组织方——组织方（UNIMORE/Radboud/KIT）未下场参赛，榜单干净。核心人物 Tan 同为 TF3 数据集论文的联合一作（KCL 侧），即"参赛者深度参与数据集论文撰写"的少见组合——数据集论文收录冠军方法全解析，正是合并成篇的原因。

5.2 架构：Mamba2 进 U-Net bottleneck

• 底座：U-Net 形 7-stage 编解码器（UMambaBot2 变体——nnU-Net 生态的 UMamba 系列的二代变体）。
• 核心创新：在 bottleneck 换装 Mamba2 状态空间模型（SSD 框架，State Space Duality）。动机直指 CBCT 的两个物理现实：①体数据大（最大 298×512×512），Transformer 的自注意力在 3D bottleneck 上是显存与速度的双重灾难；②Mamba2 的线性复杂度序列建模既能吞长程上下文，又比注意力快——这正是"快"能写进成绩单的架构根源。换句话说，U-Mamba2 的夺冠不是巧合，而是 Task 1 制度（runtime 入排名）筛选出了"为速度而生"的架构。
• Task 2 增配：SAM 风格 point encoder（把用户点击编码为提示向量）+ cross-attention（提示向量与图像特征融合）。同一主干、加一个交互头——双冠共用底座的模块化设计。

5.3 训练配方（可直接照抄的细节）

环节	配置
流水线	nnU-Net v2.6.2
预处理	CTNormalization（Hounsfield 标度原生适配）
自监督预训练	DAE（Disruptive Autoencoder）200 epochs：16³ patch 内做 mask（30% mask ratio），损失含对比项（mm_con=0.03）
预训练数据	ToothFairy3（ditto 下载）+ SD-Tooth（Zenodo）联合
监督微调	1500 epochs，有效 batch size 2
推理	TTA：前后向翻转 + 左右镜像
数据划分	Task 1 用 121 labeled scans 训练；Task 2 用 51 labeled（含点击标注）——自行切分，与官方 hidden test 隔离

三个可迁移的工程信号：①DAE 自监督在医学分割的预训练性价比再次得到验证（TF3 的 532 例全带标注，预训练更多是架构预热而非数据扩充）；②nnU-Net 底座 + 换 bottleneck 是低风险高回报的参赛范式——Black_Myth 同样基于 nnU-Net；③TTA 只开镜像组（不开旋转）是在精度与 runtime 之间主动做减法。

5.4 成绩与论文

• Task 1：mean Dice 0.84 / HD95 38.17mm / 40.58s——综合 rank 3.1 夺冠。
• Task 2：mean Dice 0.87 / HD95 2.15mm——Dice AUC 0.87 夺冠（HD95 2mm 级意味着神经管边界误差小于两毫米，临床可用区间）。
• 论文：arXiv:2509.12069（2025-08 v1）；正式版 Springer LNCS，doi 10.1007/978-3-032-20711-1_12。
• 代码与权重：github.com/zhiqin1998/UMamba2 公开，预训练权重走 Google Drive——是三支名次队伍中唯一同期放出冠军权重的。
• 预印本措辞漂移存照：arXiv v1 写"top 3 place"（写作时榜单未定），终版与官方榜单为 first place；v1 里 runtime 还是括号 TBC 未填。引用时以 Springer 正式版与官方 winners 页为准（坑 8）。

5.5 名次方法对照：三种解题风格

队伍	名次（Task 1 / Task 2）	方法要点	论文/代码
TAIR-Lab	🥇 / 🥇	U-Mamba2：Mamba2 bottleneck + DAE 预训练 + SAM 式交互头	arXiv:2509.12069；Springer …_12；代码公开
Black_Myth（SJTU，Fan Xiao 等）	🥉 / 🥈	nnUNet + VISTA 混合框架；类级 ensemble；小物体阈值去除 + 非连通域过滤	Springer …11；代码 github.com/ff741333/toothfairy3blcakmyth（repo 名 typo 存照，坑 9）
DLaBella29（Dominic LaBella 等，放疗科背景）	第 5 / —	MONAI Auto3DSeg + 3D SegResNet；63 例 5-fold；Multi-Label STAPLE 集成；两阶段（先 mandible 后 crop 细神经结构）	arXiv:2508.12962；Springer …_14

DLaBella 的两阶段策略值得单独一提：先用全类别模型分出 mandible，再在 mandible 邻域内裁剪出小 patch 专攻细小神经结构——与官方"细小结构是难点"的判断互证，也是处理 77 类中极端类不平衡的代表性方案。注意其 0.87 是自切验证集（out-of-sample validation）成绩，非官方 hidden test 分数，与 TAIR-Lab 测试集 0.84 不可直接混排（坑 11）——这是引用第三方论文时最容易犯的口径错误。

5.6 方法启示：SSM 会在 3D 医学分割站稳吗

U-Mamba2 的双冠给了"状态空间模型进医学影像"这条路线迄今最有说服力的实战背书（此前 VM-UNet 等探索多止步于论文消融）。三个判断：①runtime 入排名的制度一旦被更多挑战赛效仿，线性复杂度骨干会从"论文新颖性"变成"参赛硬通货"；②Mamba2 的优势场景恰是 TF3 这类"大体素体积 + 长程解剖依赖 + 显存受限"的任务，而小 patch 2D 任务上优势不明显；③SSM 与 SAM 式交互头的组合（自动 + 交互同底座）可能成为下一个挑战赛周期的模板——STSR 2025 同场冠军 U-Mamba2-SSL（同队）已经复用了一次该配方（DSC 0.917）。

5.7 复现 U-Mamba2 的路线图（从零到提交）

阶段化步骤（每步标出可验证的产出）：

1. 环境：clone zhiqin1998/UMamba2；按 repo 要求装 nnU-Net v2.6.2 依赖链与 PyTorch（CUDA 版本以 repo 为准）。产出：nnUNetv2_plan_and_preprocess 可运行。
2. 数据：ditto 注册下载 TF3；按 §2.8 做 TF2 重叠处理；设置 nnU-Net 环境变量（raw/preprocessed/results 三目录）。产出：Dataset 目录通过 nnU-Net 校验。
3. 直接用权重：下载 Google Drive 预训练权重，先跑推理看输出对不对（78 类输出 + 后处理）——先验证权重再谈复训，能省一半调试时间。
4. 复训 Task 1：121 例自切训练集（固定 seed 记录划分）；DAE 预训练 200 epochs → 微调 1500 epochs。产出：本地验证 Dice 对齐论文量级（注意是 46 口径聚合后计算）。
5. 改造 Task 2：51 例（含点击标注）+ point encoder + cross-attention 头；点击模拟用官方协议（AUC 计算随点击序列）。产出：Dice AUC 曲线。
6. 速度审计：单例推理计时（含 TTA）；若超 40s 量级，回查 TTA 配置与 patch 策略——这是该方法的立身之本。
7. 提交：按 challenge 页 Docker 打包规范（注意 SSD 15081727 的任务编号错位，坑 5）；debug phase 先行，test phase 提交。
8. 对照锚点：T1 目标 Dice 0.84 / HD95 38.17 / 40.58s；T2 目标 Dice AUC 0.87 / HD95 2.15——显著偏离时先查评估口径（77 vs 46）再查模型。

5.8 设计决策与理由对照表

决策	理由	证据锚点
Mamba2 而非 Transformer bottleneck	3D 体数据展平序列长，注意力二次方成本不可接受；线性复杂度直接服务 runtime 指标	40.58s vs Black_Myth 90.04s
nnU-Net 底座不重造	预处理/训练调度/推理滑窗已被大规模验证；自定义只留 bottleneck	前三方法皆 nnU-Net 系
DAE 自监督 200 epochs	无标注域适配成本低；对比项（mm_con=0.03）保特征判别性	nnU-Net 生态成熟预训练法
TTA 只开镜像组	旋转 TTA 的 3D 插值与多倍前向直接放大 runtime；镜像组精度收益/成本比最高	runtime 敏感型设计的标准减法
Task 2 复用主干换头	点击提示只需注入机制（point encoder + cross-attention），骨架语义可共享	双冠同底座
预训练联合 SD-Tooth	扩大牙科域覆盖；两源都为牙科 CBCT/NIfTI 生态	论文自述

§6 获取与许可：注册墙、CC-BY-NC-SA 与 Zenodo 空缺

6.1 获取路径（步骤化）

1. 访问 ditto.ing.unimore.it/toothfairy3（UNIMORE AImageLab 自建数据集门户）。
2. 注册账号并登录（“sign in or sign up”）——注册墙，无匿名直链。
3. 下载数据集：NIfTI 体数据 + 分割标注 + dataset.json（nnU-Net dataset 格式），三分集按 P/F/S 前缀组织。
4. 若需 RPI→LPS 转换，用官方 Python 脚本（参数：数据集路径 + 输出路径）。
5. 评测走 grand-challenge 服务器：Task 1/Task 2 的 baseline template 与 evaluation code 均在挑战赛 Resources 区公开——本地自切验证 + 服务器官方测试双轨并行。

Zenodo 空缺存照：Zenodo 检索"ToothFairy"可得——一代本体 7835324（2023-04）、二代本体 10990960/10990959（2024-04-18）、三代 Structured Submission Document 15081727（Task 2/Task 3 提交规范，即 Docker 打包文档）。三代数据集本体不在 Zenodo——从一二代惯性强行外推会扑空（坑 4）。SSD 文档内任务编号（Task 2/Task 3）与网页口径（Task 1/Task 2）错位一位，读文档时按内容而非编号对任务（坑 5）。

6.2 License 三层结构

层	内容	许可/条件
数据本体（532 例）	NIfTI + 77 类标注	CC-BY-NC-SA（grand-challenge 官方 Dataset 页明示）：署名 + 非商业 + 相同方式共享
隐藏测试集（50 例）	服务器端评测专用	不公开（even after the end of the challenge）
使用义务	任何发表的引用义务	官方明文 “Any publication using our data must explicitly reference this challenge and cite [1, 2, 3]”

三件套引用清单（坑 7 相关——官方引用页自身有 DOI 笔误，以下为核对后的正确版本）：

1. Lumetti, L., Tan, Z. Q., Borghi, L., Addison, O., Li, Y., Rosati, G., van Nistelrooij, N., Vinayahalingam, S., Grana, C., & Bolelli, F. (2026). “ToothFairy3: Scaling CBCT Maxillofacial Segmentation to 77 Classes with U-Mamba2.” MICCAI 2026.
2. Bolelli, F., Marchesini, K., van Nistelrooij, N., Lumetti, L., Pipoli, V., Ficarra, E., Vinayahalingam, S., & Grana, C. (2025). “Segmenting Maxillofacial Structures in CBCT Volumes.” CVPR 2025, pp. 5238-5248, doi:10.1109/CVPR52734.2025.00494（即 ToothFairy2 数据集论文）.
3. Lumetti, L., Pipoli, V., Bolelli, F., Ficarra, E., & Grana, C. (2024). “Enhancing Patch-Based Learning for the Segmentation of the Mandibular Canal.” IEEE Access, doi:10.1109/ACCESS.2024.3408629.

坑 7 详注：grand-challenge dataset 页引用 [3] 的正文 DOI 写作 10.1109/ACCESS.2022.3144840（系另一论文），而超链接指向 10.1109/ACCESS.2024.3408629（正确）。复制粘贴官方引用列表时会被笔误带偏——以上面核对版为准。

6.3 AI-Ready 光谱定位

• 可获取性：注册墙档（同 LMC2 型）——比完全直链（TF2 的 Zenodo）多一道人工注册，比申请审批制（邮件通讯作者）又宽松得多。注册即得、无用途审查、无等待期。
• 许可宽松度：CC-BY-NC-SA 属"再利用友好但非商用"档——允许共享与改编（含商业化外的衍生数据集），SA 条款要求衍生物同许可传递。对学术复现与竞赛复用零障碍，对产品落地是硬边界。
• 格式友好度：NIfTI + nnU-Net 格式 + 官方转换脚本 + 官方评估代码四件套齐备，是 AI-Ready 光谱上"工程包装"最好的一档。
• 综合：获取门槛中低、许可中宽、格式优——但与自家前作 TF2 相比，"Zenodo 直链 → 注册墙"是一处可见的退化；换来的好处是主办方对发放渠道的直接控制（注册用户统计、版本滚动更新）。

6.4 三件套 BibTeX（可直接粘贴）

@inproceedings{lumetti2026toothfairy3,
  title     = {ToothFairy3: Scaling CBCT Maxillofacial Segmentation to 77 Classes with U-Mamba2},
  author    = {Lumetti, Luca and Tan, Zhi Qin and Borghi, Luca and Addison, Owen and Li, Yonghuang and Rosati, Giacomo and van Nistelrooij, Niels and Vinayahalingam, Shankeeth and Grana, Costantino and Bolelli, Federico},
  booktitle = {Medical Image Computing and Computer Assisted Intervention -- MICCAI 2026},
  year      = {2026},
  note      = {Dataset paper of the ToothFairy3 challenge (ODIN 2025 @ MICCAI 2025)}
}

@inproceedings{bolelli2025segmenting,
  title     = {Segmenting Maxillofacial Structures in CBCT Volumes},
  author    = {Bolelli, Federico and Marchesini, Kevin and van Nistelrooij, Niels and Lumetti, Luca and Pipoli, Valentina and Ficarra, Elisa and Vinayahalingam, Shankeeth and Grana, Costantino},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  pages     = {5238--5248},
  year      = {2025},
  doi       = {10.1109/CVPR52734.2025.00494}
}

@article{lumetti2024enhancing,
  title   = {Enhancing Patch-Based Learning for the Segmentation of the Mandibular Canal},
  author  = {Lumetti, Luca and Pipoli, Valentina and Bolelli, Federico and Ficarra, Elisa and Grana, Costantino},
  journal = {IEEE Access},
  year    = {2024},
  doi     = {10.1109/ACCESS.2024.3408629}
}

名字拼写以论文 PDF 作者栏为最高依据；上表为官方引用页转写的核对版（坑 7 已规避）。冠军方法另引：Tan et al., “U-Mamba2”, arXiv:2509.12069 / Springer 10.1007/978-3-032-20711-1_12。

§7 生态与后续：从 ToothFairy3 向外看

7.1 官方预告：ToothFairy4M

MICCAI 现场海报的 “What’s Next” 板块预告了 ToothFairy4M：一个颌面数据开放管理平台——临床医生可上传/可视化/自动标注/分类/人工精修多种颌面扫描，并支持临床报告采集（文本 + 语音），为 text-to-image 与 image-to-text 的合成数据铺路。命名口径（4M）暗示百万级数据野心——从"数据集"到"平台"，ToothFairy 系列的第四步正在换物种。截至本条目抓取时点（2026-09）尚无独立条目可核，持续观察。

7.2 姊妹挑战赛：STSR 2025（同场、同队、同框架）

ODIN 2025 同场姊妹赛 STSR 2025（Semi-supervised Tooth Segmentation and Registration）：30 labeled + 130 unlabeled 半监督设定；冠军 U-Mamba2-SSL——与 TF3 冠军同一队伍（TAIR-Lab）、同一 U-Mamba2 底座加 SSL 扩展，DSC 0.917 / score 0.789。STSR 未入库（备选题，本条目正文提及不作互链）。两赛连读的价值：同一年、同一 workshop、同一架构在"全监督 77 类"与"半监督牙齿分割+配准"两个设定下双线夺冠——U-Mamba2 的泛化性由此获得双重验证。

7.3 衍生研究：X-Splat 与 Set B 的独特价值

X-Splat（arXiv 2607.02099）：单张全景片（panoramic radiograph）→ CBCT 生成（Gaussian Splatting 路线），用 TF3 的 Set B 做训练与几何评估——63 例中 60 例合格（入选条件：缺牙 ≤50% 且牙列冠根完整无边界裁切），45/5/10 划分；结构级几何评估借 GEPAR3D。这条衍生线反向证明了 Set B"完整颌面视野"的稀缺性：全库只有 63 例视野无死角，做全颌几何应用时别无选择。

7.4 第三方使用与生态位

• MC-UKAN（浙大学报，10.3785/j.issn.1008-973X.2026.04.009）：KAN + U-Net 全景分割，用 TF3 实验（CT 截断 [-1000, 3500]）——但其论文对三分集的转述双重错误（Set A/B 数量与 FOV 均写反，坑 3），引用其数据描述时务必回官方核对。
• MONAI 生态：DLaBella29 用 Auto3DSeg + SegResNet 展示 MONAI 全家桶在 77 类多标签上的可行性（含 Multi-Label STAPLE 集成）。
• nnU-Net 生态：冠军（U-Mamba2/nnU-Net v2.6.2）与季军（Black_Myth）都是 nnU-Net 底座——TF3 进一步巩固了"nnU-Net 是 3D 医学分割默认起点"的行业共识。
• 组织方学术脉络：Bolelli/Lumetti/Grana（UNIMORE）连续三届组织 ToothFairy 系列；同组另有 IOS-CBCT 配准工作（STS 2026 Task 2 冠军 L2L-Registration）——UNIMORE 已是牙科 CBCT 计算方向的隐形基础设施提供者。

7.5 ToothFairy 系列大事年表（三代合并视图）

时间	事件
2023-04	一代 ToothFairy 本体上 Zenodo（record 7835324）；MICCAI 2023 挑战赛（IAC 单结构，443 例口径）
2024-04-18	二代 ToothFairy2 本体上 Zenodo（records 10990960/10990959）；挑战赛随后（42 类，530 例，26 队）
2024	IEEE Access 论文（下颌管 patch 学习，引用 [3] 前置工作）
2025-05-09	TF3 数据集第一版发布（ditto 门户 + grand-challenge，77 类）
2025-06-30	TF3 P 集补充 incisive/lingual nerve 标注
2025-07~08	TF3 debug/test phase；延期一次至 08-24
2025（CVPR）	TF2 数据集论文 CVPR 2025（Bolelli et al.，5238-5248）
2025-08	U-Mamba2 预印本 arXiv:2509.12069 v1（“top 3 place” 措辞，坑 8）
2025-08	DLaBella29 预印本 arXiv:2508.12962
2025-09-27	ODIN 2025 @ MICCAI 2025（大田）：TF3 与 STSR 2025 颁奖
2026	X-Splat（arXiv 2607.02099）用 Set B 做全景→CBCT 生成
2026-05-18	ODIN 2025 proceedings 出版（LNCS 978-3-032-20711-1）
2026	TF2 扩展版 MedIA 2026（10.1016/j.media.2026.104095）；TF3 数据集论文 MICCAI 2026
未来	ToothFairy4M 平台（官方海报预告，未上线存照）

年表读法：三代本体发布节奏约一年一代；每一代的"挑战赛→proceedings→扩展期刊版"链条稳定运转（TF1: TMI 2024；TF2: CVPR 2025 + MedIA 2026；TF3: MICCAI 2026）——引用时按此链条选版本，期刊扩展版通常信息最全。

§8 方法启示：四类读者各取所需

8.1 给竞赛参赛者

1. runtime 从"扣分项"变"排名项"后，架构选型逻辑反转：先问"我的推理多少秒"，再问"精度还差多少"。U-Mamba2（40.58s）与亚军（17.46s）都把效率写进设计目标；90s 的 Black_Myth 用双倍精度只换来第三。
2. nnU-Net 底座 + 换 bottleneck 是性价比最高的起手式——本届前三方法全部或部分基于 nnU-Net；从零自研 pipeline 在时间预算内几乎必输。
3. TTA 要做减法：U-Mamba2 只开前后向 + 左右镜像三组，每组 TTA 都是 runtime 的直接乘数。
4. 细小结构靠两阶段：LaBella 的"先 mandible 后 crop 小结构"与 Black_Myth 的"小物体阈值 + 连通域过滤"殊途同归——77 类里的牙髓/切牙管/舌侧管体素占比太小，端到端单阶段会被大类淹没。

8.2 给数据集建设者

1. 版本演进要"加深度"而非"加宽度"：TF2→TF3 的数据量只增 50 例（相对增量 10%），但类别深度翻倍（42→77）、任务翻倍（1→2）、制度翻新（runtime + 交互）——同预算下"纵向挖深"的边际收益远高于"横向铺量"。
2. 注册墙不是原罪，但要有补偿设计：TF3 用注册墙换渠道控制，同时用 nnU-Net 格式 + 官方脚本 + 官方评估代码三件套补偿工程体验——要拿走直链便利，就给足开箱即用。
3. 隐藏测试集 + Docker 提交让排行榜成为可引用的长期资产：TF2 的 26 队、TF3 的 8 队榜单都会在挑战赛结束多年后继续被论文引用——一次性比赛因此有了基准（benchmark）的复利。
4. 在自家引用页把 DOI 校对三遍：TF3 官方 dataset 页的引用 [3] DOI 笔误（坑 7）会被无数复制粘贴的参考文献放大——主办方的一个 typo 变成整个领域的引用污染源。

8.3 给临床 AI 落地者

1. "够准 + 够快"才是产品形态：榜单直接展示了临床工具的真实约束——椅旁流程等不起 90 秒；40 秒内的 0.84 Dice 比 90 秒的 0.85 更接近可部署。
2. 交互式分割是过渡期的务实解：Task 2 的设定承认了全自动在细小结构上尚不可靠，让医生两三次点击介入——对 IAC 这类"错一下就是下唇麻木"的结构，人机协同比全自动更符合医疗风险控制逻辑。
3. CC-BY-NC-SA 是学术-产品的分界线：基于 TF3 训练的模型若要商业化，需核查许可传导（SA 条款对衍生模型权重的约束学界尚有争议，稳妥做法是仅作研究用途或寻求官方授权）。

8.4 给评测方法学研究者

1. TF3 是"评测制度改变竞赛结果"的活标本：同一批方法、同一批数据，仅因排名公式加入 runtime，冠军易主——任何关于"指标如何塑造方法生态"的实证研究都该引用这个案例。
2. AUC-over-clicks 是交互分割的成熟指标范式：把"人机协作效率"曲线化，比单点 final Dice 信息量大得多，可移植到任何交互式标注场景。
3. hidden test + 永不公开在防泄漏与可复现之间取了防泄漏一端——其代价（本地无法复现官方分数、各论文自切数字互不可比）在坑 11 已存照，设计基准时必须直面这对矛盾。

8.5 给数据工程师的十条实操建议

1. 下载后先建 P/F/S 三目录清单并核对例数（417/63/52）——数量对不上先停下来查版本，别硬跑。
2. 把 RPI→LPS 转换放进 pipeline 的第一步，而不是"可视化发现不对再转"——朝向错误可以悄无声息地污染训练。
3. dataset.json 是唯一权威标签表；不要从论文表格手工抄类 ID（官网没有全表，抄错无法发现）。
4. 用病例 ID（而非切片）做一切切分；与 TF2 数据混用按 §2.8 五条执行。
5. 保存下载日期与文件哈希——2025-06-30 有过标注更新，版本差异是复现争议的第一嫌疑人。
6. 细小结构（髓/切牙管/舌侧管）的评估要单独出报告——混在全类别平均里它们的失败会被 32 个大类稀释到看不见。
7. 训练前做一次类频率直方图：77 类的体素占比跨若干个数量级，据此决定采样策略（前景过采样/深监督权重）。
8. 推理计时用与官方一致的口径（单例、含后处理、含 TTA、GPU 型号注明）——不然你的"快"和榜单的"快"不是一个单位。
9. Docker 提交前在本地用官方 evaluation code 自测一遍——服务器评测机会有限，别浪费在低级 bug 上。
10. 衍生数据集（重标/子集/2D 派生）按 SA 条款以 CC-BY-NC-SA 同许可发放并保留署名——这是许可合规的最后一步，也是最容易漏的一步。

§9 库内互链

条目	rid	关系	连读价值
toothfairy2	649	直系前作：TF3 的 Set A/B 即 TF2 480 例的标注升级版；TF2 的 42 类是 TF3 77 类的子集；Zenodo 10990960/59	三代演进（§4）的两代在本库；TF2 条目含 MedIA 2026 后续报告的弱点分析（上颌窦/修复体/细小结构难），正是 TF3 新增 35 类要攻的点
tufts-dental	57	牙科 CBCT 前辈数据集（Tufts 大学集）	更早的牙科 CBCT 公开集传统；与 TF3 对照可见"标注粒度从牙列到牙髓"的十年进化
fdtooth	609	牙科数据集（牙齿分割方向）	FDI 记法谱系的另一个公开实现；牙齿单类粒度与 TF3 的多结构带宽互补

未入库但正文提及（检索提示）：STSR 2025（姊妹赛，U-Mamba2-SSL 夺冠）、3DTeethLand（牙齿分割 3D 数据集，未查到库内条目）、SD-Tooth（U-Mamba2 预训练联合数据源）、CTooth+/STS2023（STS2024 景观表成员）。库内牙科检索路径：url_name ILIKE '%dental%' 与 '%tooth%' 均只命中 rid 57/609/649——除上述三条外无其他牙科条目可互链。

9.1 连读路线建议（以 toothfairy2 rid 649 为主轴）

推荐的四段连读顺序，供编辑组做专题页或读者做系列阅读：

1. 先读本条目 §0 + §1：建立 TF3 的"三合一"框架（数据/比赛/方法）与三口径纪律。
2. 再读 toothfairy2(649) 的对应条目：重点看其 42 类清单与 Zenodo 直链获取方式——回到本条目 §4 对照表，"承袭/新增"两列立即有实体感。
3. 回到本条目 §5：U-Mamba2 拆解——它是"用 TF2 时代工具（nnU-Net）考 TF3 新考卷（runtime）"的答卷，对照 rid 649 条目中的 TF2 冠军方法可看出方法生态的迁移。
4. 最后本条目 §10 + 附录 S：十二坑与交叉核对表——两代数字（530/532、42/77、26 队/8 队）在此逐项闭环，可作为两篇条目互引的一致性检查单。

与 tufts-dental(57)、fdtooth(609) 的连读则按附录 T 的定位表走：前者补"牙科 CBCT 数据集的历史纵深"，后者补"牙齿单结构数据集的平行宇宙"——三库目连读覆盖"老/专/全"三种牙科数据形态。

§10 避坑清单：12 坑全录

写作、引用、检索 ToothFairy3 时已被证实的高频错误，全部存照如下：

1. 规模三口径：532（公开带标注）｜582（论文总口径 = 532 + 50 隐藏）｜102（相对 TF2 净增 = 52 Set C + 50 隐藏）——三者都对，引用必须带口径。“The dataset has 582 volumes” 不加"含 50 例隐藏"就是误导（坑 1）。
2. 时间线隔年：挑战赛 = MICCAI 2025（2025-09-27 颁奖）；数据集论文 = MICCAI 2026（Lumetti et al.）。写 “ToothFairy3 (MICCAI 2026)” 指论文、写 “ToothFairy3 challenge @ MICCAI 2025” 指比赛，两句话都在但别互换（坑 2）。
3. Set A/B 第三方反转：中文期刊（MC-UKAN 论文）写 “Set A(67例)…Set B(413例)” 且 FOV 描述与官方相反。铁口径：Set A 417（P 前缀，FOV 受限）/ Set B 63（F 前缀，全 FOV）/ Set C 52（S 前缀，新扫描仪）（坑 3）。
4. Zenodo 空缺：三代本体不在 Zenodo；Zenodo 上的 15081727 是提交规范文档（SSD）非数据。一二代的 Zenodo 惯性检索必扑空（坑 4）。
5. Task 编号错位：网页/论文口径 Task 1（自动）/Task 2（交互）；SSD（15081727）内写 Task 2/Task 3——历史文档编号未随任务合并更新（坑 5）。
6. 77 vs 46：77 = 数据集标注细类；46 = Task 1 评估聚合子结构。参赛分数（Dice 0.84 等）是 46 子结构口径——引用分数不说明口径即无法比较（坑 6）。
7. 官方引用页 DOI 笔误：dataset 页引用 [3] 正文 DOI 10.1109/ACCESS.2022.3144840（错）vs 超链接 10.1109/ACCESS.2024.3408629（对）。复制官方引用列表前先核对（坑 7）。
8. 预印本措辞漂移：arXiv:2509.12069 v1（2025-08）自述 “top 3 place” 且 runtime TBC；终版/官方榜单 = first place。引用名次以 Springer 正式版（10.1007/978-3-032-20711-1_12）与 winners 页为准（坑 8）。
9. repo 名 typo：Black_Myth 官方代码库 toothfairy3_blcakmyth（blcak，非 black）——检索/引用按原 typo 找（坑 9）。
10. 术语漂移：同一舌侧区域，ditto/X-Splat 称 lingual canal，grand-challenge 背景页称 lingual foramen；P 集更新公告又提 “lingual nerve”。检索时三词并查（坑 10）。
11. LaBella 0.87 是验证集：DLaBella29 论文的 0.87 Dice 是 out-of-sample validation（自切 63 例 5-fold），非官方 hidden test——与 TAIR-Lab 测试集 0.84 并列排名是口径错误（坑 11）。
12. RPI 朝向：非标准朝向（与 Maxillo v1 一致）；通用 DICOM/NIfTI 工具直接读会轴序错位；转 LPS 须用官方脚本。挑战赛数据内外同朝向，参赛可忽略、下游应用不可忽略（坑 12）。

§11 总结：五句话画像

1. ToothFairy3 是牙科 CBCT 公开标注的当前深度之最：532 例（总口径 582）× 77 类（42+35，钻到每颗牙的牙髓腔与左右切牙管/舌侧管），0.3mm 各向同性、Hounsfield、NIfTI、nnU-Net 格式。
2. 它同时是一场评测制度实验：runtime 首次进入主排名，立即改写了结果——绝对精度冠军 Black_Myth 被拖到第三，"够准 + 够快"的 U-Mamba2（TAIR-Lab，KCL+Surrey）双冠。
3. 它把交互式人机协同正式引入牙科分割赛道：Task 2 以点击提示分割下牙槽神经管（Dice AUC 0.87 夺冠），为 SAM 式基础模型在牙科的应用提供了官方考场与参照实现。
4. 它的获取形态是"注册墙 + CC-BY-NC-SA + Zenodo 空缺"：ditto 门户注册即得、非商业可用、引用义务三件套——比前作 TF2 的 Zenodo 直链多一道门槛，工程包装（官方脚本 + 评估代码）却是最好的。
5. 它是 ToothFairy 系列从"数据集"走向"平台"（ToothFairy4M 预告）的中间章：数据规模增长收敛，类别纵深、任务范式与评测制度成为新的演进轴——这个系列真正的产品不是牙科数据本身，而是牙科分割的方法学基础设施。

DAIMS 评估：AI-Ready 五维打分

维度	评分（1-10）	依据
D 可发现性	7	官方双门户（ditto + grand-challenge）+ LNCS proceedings + MICCAI 2026 论文均可索引；但三代同名前缀（ToothFairy/2/3）检索易混，Zenodo 惯性检索扑空（坑 4）、年份双口径（2025/2026，坑 2）拖累发现体验
A 可获取性	6	注册即得、无用途审批、无等待期（优于请求制与申请制）；但无匿名直链（比 TF2 的 Zenodo 退化），50 例隐藏测试永不公开，NC 条款封死商用
I 可互操作	9	NIfTI + nnU-Net dataset 格式 + Hounsfield 标度 + 官方 RPI→LPS 转换脚本 + 官方评估代码——几乎满配的工程包装；仅 RPI 非标准朝向扣分（坑 12）
M 元数据质量	7	dataset.json（nnU-Net 标准）+ 官网规模/规格/时间线披露详尽 + 引用义务明确；但无患者级人口学统计、77 类 ID 全表未在网页列示（附录 AA 待核 1）
S 可持续性	7	UNIMORE 学术机构托管 + grand-challenge 平台长期在线基准 + 系列三年三代持续维护记录；但本体无 Zenodo 镜像（单点托管），官方页面已有 DOI 笔误（坑 7）提示维护人手有限
综合评级	7.2/10（中上）	工程包装（I）与制度设计（挑战赛协议）是全场亮点；可获取性被注册墙与 NC 条款压住，可发现性被系列命名与年份错位拖累

打分口径说明：D/A/I/M/S 各维 1-10 分为本库条目体例的标准化评估（非官方评分），依据列给出可核验出处；综合为五维算术平均。对照参考：toothfairy2（rid 649）因 Zenodo 直链在 A 维占优，但缺官方转换脚本与评估代码配套——两代条目连读可见"直链便利"与"工程包装"的此消彼长。

---

FAQ：60 问速查

数据本体（Q1-Q12）

Q1：ToothFairy3 一共有多少例数据？
公开 532 例全部带体素级 3D 标注；论文总口径 582 = 532 公开 + 50 隐藏测试。引用时注明口径（§2.4）。

Q2：三分集怎么分？
Set A 417 例（P 前缀，TF2 重叠，FOV 受限）+ Set B 63 例（F 前缀，TF2 重叠，全 FOV）+ Set C 52 例（S 前缀，全新，另一台扫描仪）。见 §2.1；注意第三方文献有 A/B 写反的转述错误（坑 3）。

Q3：77 类包括什么？
背景、上下颌骨、下牙槽神经管（左右）、上颌窦、咽、牙桥、牙冠、种植体、32 颗牙（FDI 全牙位）、左右切牙管、舌侧管、32 个牙髓腔。77 = 42（TF2 承袭）+ 35（新增）。

Q4：Task 1 的"46 子结构"是什么？
77 个细类在挑战赛评估时聚合为 46 个解剖子结构（32 牙聚合、32 髓聚合等）。榜单分数都是 46 口径（坑 6）。

Q5：新增的 35 类为什么选牙髓和切牙管/舌侧管？
官方口径：这些结构对正畸流程尤其关键（orthodontic procedures）——牙髓腔定位关系牙根吸收评估与邻牙保护，切牙管/舌侧管是上颌前部手术（种植、腭部取骨）的防损伤结构。

Q6：体素规格是多少？
0.3mm 各向同性；Hounsfield 强度；扫描尺寸 (170,272,345) 到 (298,512,512)。

Q7：什么格式？怎么读？
NIfTI + nnU-Net dataset 格式（images + labels + dataset.json）。注意 RPI 朝向：通用工具直接读会轴序错位，转 LPS 用官方脚本（坑 12）。

Q8：全 FOV 的数据有多少？
只有 Set B 的 63 例是完整颌面视野（全牙列冠根 + 上颌窦 + 咽 + 周围骨）；Set A/C 受限。做全颌应用先查文件名前缀（X-Splat 只用 Set B 即此因）。

Q9：大约多少颗牙、多少标注对象？
≈17,024 颗牙（STS2024 表口径）；over 40k annotated objects（论文摘要口径）。

Q10：有年龄/性别等人口学信息吗？
官网未披露患者级人口学；STS2024 对比表给年龄范围 16-100 岁。患者级去标识细节未公开（§9 待核）。

Q11：Set A 和 Set B 是同一台机器吗？
是——A/B 同一采集机器，只有 FOV 不同；Set C 才是另一台扫描仪。跨设备泛化实验用 Set C 或至少排除 C 后声明。

Q12：2025-06-30 那次数据更新改了什么？
P 集（Set A）补充 incisive and lingual nerve 标注。下载时间不同可能拿到不同版本，复现时记录下载日期。

获取与许可（Q13-Q20）

Q13：去哪下？
ditto.ing.unimore.it/toothfairy3，注册账号后下载。挑战赛页 toothfairy3.grand-challenge.org 只管赛程与评估。

Q14：为什么 Zenodo 上搜不到？
三代本体不在 Zenodo——那里只有 SSD 规范文档（record 15081727）。一二代（7835324；10990960/59）才有 Zenodo 本体（坑 4）。

Q15：什么 license？能商用吗？
CC-BY-NC-SA：署名 + 非商业 + 相同方式共享。不能商用；衍生物须同许可。产品化需另获授权。

Q16：用数据发表论文有什么义务？
官方明文必须引用挑战赛与 [1,2,3] 三件套（§6.2 有核对版清单——官方页面自身有 DOI 笔误，坑 7）。

Q17：50 例隐藏测试集能拿到吗？
不能。官方原话"will not be publicly released and will remain private even after the end of the challenge"。只能经 grand-challenge 服务器提交 Docker 评测。

Q18：有 baseline 和评估代码吗？
有。Task 1/Task 2 的 baseline template 与 evaluation code 都在挑战赛 Resources 区公开。

Q19：冠军代码和权重公开吗？
U-Mamba2 代码公开（github.com/zhiqin1998/UMamba2，权重走 Google Drive）；Black_Myth 代码公开（repo 名 blcakmyth，坑 9）。

Q20：下载后第一件事做什么？
核对文件名前缀（分清 P/F/S）→ 若下游非挑战赛用途先跑官方 RPI→LPS 脚本 → 用 dataset.json 核对类 ID（确切 ID 映射表需下载数据后本地核对，官网未列全表）。

挑战赛与结果（Q21-Q30）

Q21：两个任务分别是什么？
Task 1 自动多结构分割（46 子结构，Dice+HD95+runtime 综合排名）；Task 2 IAC 点击式交互分割（Dice AUC + final Dice + HD95 AUC + final HD95 + runtime，左右分管）。SSD 文档里编号错位为 Task 2/Task 3（坑 5）。

Q22：runtime 怎么入排名的？
官方加权综合 rank（精确权重未公开公式化披露，榜单按综合 rank 排序）。实际效果见 Q23。

Q23：为什么 Dice 最高的没拿冠军？
Black_Myth Dice 0.85 / HD95 33.23 全场最优但 90.04s；TAIR-Lab 0.84 / 38.17 且 40.58s，综合 rank 3.1 vs 3.8——runtime 制度翻转了排名。

Q24：Task 1 亚军是谁？
sjtu_eiee_2-426lab：17.46s（全场最快）/ Dice 0.77 / HD95 94.77，综合 rank 3.7。

Q25：Task 2 前三是谁？
🥇 TAIR_Lab（1.66，Dice AUC 0.87）🥈 BlackMyth（2.11）🥉 changkkk（3.44）。

Q26：多少队参赛？
榜单可见 Task 1 八队、Task 2 六队（TF2 曾有 26 队参赛的规模纪录）。

Q27：结果在哪公布？
2025-09-27 ODIN 2025 workshop @ MICCAI 2025（韩国大田）现场；官方 challenge-winners 页留档；proceedings 为 Springer LNCS 978-3-032-20711-1（2026-05-18 出版）。

Q28：交互分割的 AUC 指标怎么理解？
随点击数累积的 Dice/HD95 曲线下面积——衡量"每多点一下提升多少"。AUC 高 = 少量点击即达可用精度。

Q29：IAC 为什么值得单独一个任务？
下牙槽神经管是种植/阻生智齿拔除/囊肿手术的防损伤第一优先结构（损伤可致下唇持久麻木）；且是一代 ToothFairy 的原点结构——系列起点在第三代以新范式回归。

Q30：可以现在还提交吗？
grand-challenge 平台的挑战赛排行榜通常赛后长期开放提交（TF2 先例），以平台当前状态为准；数据本体随时可经 ditto 注册下载。

方法与复现（Q31-Q36）

Q31：U-Mamba2 的核心思想一句话？
把 Mamba2（线性复杂度状态空间模型）装进 nnU-Net 式 U-Net 的 bottleneck——大体素 3D 分割里同时拿到长程上下文与推理速度，恰好命中"runtime 入排名"的新考题。

Q32：Mamba2 比 Transformer 好在哪？
序列建模复杂度线性 vs 二次；3D 体数据展平后序列极长，显存与速度优势被放大。但小 patch/2D 任务优势不明显——别过度外推。

Q33：U-Mamba2 怎么训的？
nnU-Net v2.6.2 + CTNormalization；DAE 自监督预训练 200 epochs（30% mask、对比损失项）；微调 1500 epochs；TTA 前后向 + 左右镜像；Task 1 用 121 例、Task 2 用 51 例自切训练。全配方见 §5.3。

Q34：Task 2 的点击交互怎么实现？
SAM 风格 point encoder 编码用户点击 + cross-attention 融合进图像特征——自动/交互共用主干，只换头。

Q35：第二名方法有什么可学的？
Black_Myth（SJTU）：nnUNet+VISTA 混合、类级 ensemble、小物体阈值去除 + 连通域过滤——精度最优（0.85）但 90s；后处理思路对复现高分类数场景极有用。

Q36：LaBella 的 0.87 比冠军 0.84 高，怎么理解？
不是同一口径：LaBella 0.87 是自切 63 例 5-fold 的 out-of-sample validation，冠军 0.84 是官方 hidden test——不可直接混排（坑 11）。

对比与演进（Q37-Q42）

Q37：与 ToothFairy2 的核心区别一句话？
42→77 类（钻到牙髓/切牙管/舌侧管）、单任务→双任务（+交互）、纯精度→runtime 入排名、Zenodo 直链→ditto 注册墙；数据只是温和扩容（480 承袭 + 102 新增）。

Q38：三代 ToothFairy 怎么一句话串起来？
一代盯住一根管（IAC，443 例），二代铺开整个颌面（42 类，530 例），三代向内钻（77 类）+ 向外拧（快与交互）——§4 有全表。

Q39：论文该引哪一篇？
数据集用 TF3 引 Lumetti et al. MICCAI 2026；用 TF3 数据则官方要求三件套全引（§6.2）；做 TF2 对比另加 CVPR 2025（10.1109/CVPR52734.2025.00494）。

Q40：和 STS2023 / CTooth+ 什么关系？
同属牙科分割数据集谱系（STS2024 论文对比表）：CTooth+ 22 例 → Mandibular Canal 347 例 → STS2023 584 例 → TF 443 → TF2 530 → TF3 532。TF3 靠"77 类 × 多结构带宽"而非单纯例数领先。

Q41：库内还有哪些牙科条目？
toothfairy2（rid 649，直系前作）、tufts-dental（rid 57）、fdtooth（rid 609）。3DTeethLand 未入库；STSR 2025/SD-Tooth 均未入库仅正文提及。

Q42：论文年份到底写 2025 还是 2026？
挑战赛 2025（MICCAI 2025 workshop 环节），数据集论文 2026（MICCAI 2026）。两句话都对，取决于指比赛还是论文——引用时写清（坑 2）。

补充问答：工程与边界（Q43-Q60）

Q43：有官方 train/val 划分吗？
没有固定划分下放到参赛者——nnU-Net 流水线自动划分或各队自选子集（U-Mamba2 用 121 例、LaBella 用 63 例 5-fold）。官方可信的唯一划分是"532 公开 vs 50 隐藏"。

Q44：类 ID 从 0 还是 1 开始？背景是多少？
以数据包内 dataset.json 的 labels 字段为最高依据（官网未列全表）。惯例上背景为 0，但 77 类的完整 ID 映射必须在下载后核对——本条目附录 A 只给分组结构不给逐项 ID（诚实边界，附录 AA 待核项 1）。

Q45：金属伪影（种植体/冠桥）区域怎么处理？
修复体与种植体本身就是 42 类中的独立类别（crowns/bridges/implants）——数据集把"伪影区"显式建模为可分割对象而非忽略区。TF2 论文已确认修复体仍是难点（类不平衡 + 金属伪影）；TF3 沿承袭类未做特殊声明。

Q46：Task 2 允许几次点击？
评估按"随点击数累积"的曲线计算（AUC），不是固定次数的单点考试；final Dice/HD95 为曲线终点值。每例点击上限等执行细节以官方评估代码为准（Resources 区公开）。

Q47：可以只下载 Set B 吗？
ditto 门户按整包发放，未见分集下载选项。全 FOV 需求者下载整包后按 F 前缀自取 63 例即可——代价是带宽，不是权限。

Q48：ditto 数据和挑战赛训练数据是同一版吗？
是——挑战赛训练数据即 ditto 发放的公开集（官方 Dataset 页直接说明训练集公开可得）；隐藏测试集是唯一不在公开包里的部分。

Q49：与 Maxillo 数据集什么关系？
RPI 朝向约定与 Maxillo 数据集第一版一致（官方转 LPS 脚本的说明里点明）——同一 UNIMORE 生态的数据工程传统，不是同一数据集。

Q50：SD-Tooth 是什么？
U-Mamba2 预训练的联合数据源之一（Zenodo 托管），牙科分割方向的公开数据集。冠军用它 + TF3 联合做 DAE 预训练——说明 TF3 之外还有可用的牙科预训练池。

Q51：GEPAR3D 是什么？
X-Splat 论文借用的结构级几何评估工具（3D 结构评估管线），用于评"生成的 CBCT 结构对不对"。与 TF3 本体无关，只在衍生研究线出现。

Q52：U-Mamba2 与 UMamba 是什么关系？
UMamba 是 nnU-Net 生态中"U-Net + Mamba"的方法系列；U-Mamba2 是其 Mamba2 化的变体（TAIR-Lab 所用为 7-stage 的 UMambaBot2 架构变体）。姓氏相同，注意别引错家族。

Q53：Mamba2/SSD 是谁的技术？
Mamba2（State Space Duality 框架）由 Tri Dao 与 Albert Gu 提出（2024），是 Mamba 的推广版本；U-Mamba2 是把它装进医学分割网络的下游工作。引用架构底层技术时引 Mamba2 原文，引用医学应用引 Tan et al.

Q54：官方有教程或文档入口吗？
三处：grand-challenge 页的 Background/Instructions；Resources 区的 baseline template 与 evaluation code（Task 1/2 各一套）；ditto 页的数据说明与转换脚本。没有独立博客式教程。

Q55：能切成 2D 用吗？
技术上可以（约 80,000 层切片的口径即由此而来），但标注按 3D 体素设计，切片级标签需自行从体素掩码派生；切 2D 时按病例划分防泄漏（§2.7）。官方不支持 2D 任务口径。

Q56：17,024 颗牙怎么算的？
STS2024 论文对比表的统计口径（532 例 × 平均约 32 颗的量级校验合理）。它是第三方转写不是官方数字，引用时注明出处。

Q57：STSR 2025 的数字去哪查？
Springer LNCS 978-3-032-20711-1 proceedings（ODIN 2025 + TF/STSR 合集，2026-05-18 出版）；本条目 §7.2 已录其冠军关键分（DSC 0.917 / score 0.789）。

Q58：一代、二代的论文分别引哪篇？
一代：IEEE TMI 2024（doi 10.1109/TMI.2024.3523096）；二代：CVPR 2025（doi 10.1109/CVPR52734.2025.00494）+ MedIA 2026 扩展版（doi 10.1016/j.media.2026.104095）。做三代对照时按"期刊扩展版优先"原则选引。

Q59：2025-06-30 的标注更新后，旧实验要重跑吗？
取决于你的研究对象：P 集新增的 incisive/lingual nerve 标注只影响相关细小结构的训练与评估；纯牙齿级任务受影响有限。严谨做法：论文注明所用数据包的下载日期（§2.5）。

Q60：有官方答疑渠道吗？
grand-challenge 平台的挑战赛页自带论坛/交流机制，挑战期内的问题记录也在页面上；赛后新增问题以挑战赛页当前提供的联系方式为准（本条目不转述具体邮箱/渠道，避免时点性失效）。

硬事实清单（引用前逐条可溯源）

数据规模与构成：

1. 公开数据集规模 532 例 CBCT，全部带体素级 3D 标注（ditto 官网口径：“532 NIfTI volumes…77 classes”）。
2. 论文总口径 582 volumes = 532 公开 + 50 held-out（Lumetti et al. MICCAI 2026 摘要）。
3. 相对 ToothFairy2 增量 102 additional fully annotated scans（= 52 Set C + 50 隐藏；同摘要）。
4. 三分集：Set A 417 例（P 前缀）、Set B 63 例（F 前缀）、Set C 52 例（S 前缀）（ditto 官网）。
5. Set A/B 与 TF2 公开训练扫描重叠（480 例）且为标注升级版（“Improved annotations from ToothFairy2”）。
6. Set A 与 Set B 同一采集机器；Set C 来自另一台扫描仪（ditto 官网）。
7. Set B 为完整颌面 FOV（全牙列冠根、上颌窦、咽、周围骨）；Set A/C FOV 受限（同上）。
8. 牙齿总数 ≈17,024；年龄 16-100；约 80,000 slices（STS2024 论文对比表，S1361841526000551）。
9. 标注对象总数 over 40k（论文摘要）。
10. TF3 在 STS2024 景观表中被引作 “ToothFairy3 (Bolelli et al., 2025)”。

类别体系：

11. 类别总数 77（官网/challenge 页口径）。
12. 77 = 42（TF2 承袭）+ 35（新增），自洽（官网+论文双源）。
13. 新增 35 类 = 32 个牙髓腔 + 左右 incisive canals + lingual canal（官网：“pulpy cavities for all 32 teeth, as well as left/right incisive canals and the lingual canal”）。
14. Task 1 评估聚合为 46 substructures（emergentmind 转述 U-Mamba2：“77 substructure classes, later consolidated into 46 substructures”；LaBella 同口径）。
15. 类 ID 是 FDI 牙位记法扩展（官网）。

物理规格：

16. voxel spacing 0.3mm isotropic；Hounsfield 标度；NIfTI 格式；nnU-Net dataset 格式（ditto 官网）。
17. 朝向 RPI（与 Maxillo v1 一致）；官方提供 RPI→LPS Python 转换脚本（ditto 官网）。
18. Task 1 尺寸范围 (170,272,345) 至 (298,512,512)（emergentmind 引 Tan et al.）。

身份与组织：

19. 全称 “ToothFairy3: Multi-Class Segmentation in CBCT Volumes”（grand-challenge 官方）。
20. ODIN = Oral and Dental Image aNalysis；ODIN 2025 @ MICCAI 2025，2025-09-27，韩国大田。
21. 组织方：UNIMORE（AImageLab）+ Radboud UMC + KIT + Affidea + 3Shape。
22. 数据集门户 ditto.ing.unimore.it/toothfairy3；挑战赛门户 toothfairy3.grand-challenge.org。
23. 组织核心人物：Bolelli、Lumetti、Grana（UNIMORE）；van Nistelrooij、Vinayahalingam（Radboud）；Marinov、Stiefelhagen（KIT）。

时间线：

24. 2025-05-09 数据集第一版发布；2025-06-30 P 集补 incisive and lingual nerve 标注；2025-07-01 debug phase；2025-08-08 test phase（原截止 8-20）；2025-08-20 延期至 8-24（“No additional extensions”）；2025-09-27 颁奖（官网 Announcements 全录）。
25. proceedings：Springer LNCS 978-3-032-20711-1，ODIN 2025 + ToothFairy 2025 + STSR 2025 合集，出版日 2026-05-18。
26. 数据集论文发表 MICCAI 2026（ditto 原文 “The dataset paper has been published at MICCAI2026”）。

论文与引用：

27. 数据集论文：Lumetti, Tan, Borghi, Addison, Li, Rosati, van Nistelrooij, Vinayahalingam, Grana, Bolelli (2026), “ToothFairy3: Scaling CBCT Maxillofacial Segmentation to 77 Classes with U-Mamba2”, MICCAI 2026。
28. 引用 [2]：Bolelli et al. (2025) “Segmenting Maxillofacial Structures in CBCT Volumes”, CVPR 2025, pp.5238-5248, doi:10.1109/CVPR52734.2025.00494。
29. 引用 [3]：Lumetti, Pipoli, Bolelli, Ficarra, Grana (2024) “Enhancing Patch-Based Learning for the Segmentation of the Mandibular Canal”, IEEE Access, 正确 doi:10.1109/ACCESS.2024.3408629（官方页正文 DOI 10.1109/ACCESS.2022.3144840 为笔误）。
30. 引用义务原文：“Any publication using our data must explicitly reference this challenge and cite [1, 2, 3]”。

许可与获取：

31. License：CC-BY-NC-SA（grand-challenge Dataset 页：“publicly available under a CC-BY-NC-SA license”）。
32. 获取走 ditto 注册墙（sign in or sign up）；无直链、无 Zenodo 镜像。
33. 隐藏测试集永不公开（“will not be publicly released and will remain private even after the end of the challenge”）。
34. Zenodo 相关 record：一代本体 7835324；二代本体 10990960/10990959；三代仅 SSD 规范文档 15081727（其内任务编号 Task 2/Task 3 与网页口径错位）。
35. baseline template + evaluation code 公开（挑战赛 Resources，Task 1/Task 2 各一套）。

任务与评估：

36. Task 1 “Fast Multi-Structure Segmentation”：46 子结构，Dice + HD95 + runtime 加权综合 rank。
37. Task 2 “Interactive Segmentation of the Inferior Alveolar Canal”：点击式，指标 Dice AUC / final Dice / HD95 AUC / final HD95 / runtime，左右 IAC 分计。
38. runtime 入主排名的官方理由：“reflecting the real-world demand for fast and reliable tools in clinical practice”。

结果：

39. Task 1 榜单：🥇 TAIR-Lab（rank 3.1；40.58s / Dice 0.84 / HD95 38.17）；🥈 sjtu_eiee_2-426lab（3.7；17.46s / 0.77 / 94.77）；🥉 Black_Myth（3.8；90.04s / 0.85 / 33.23）。
40. Task 2 榜单：🥇 TAIR_Lab（1.66；Dice AUC 0.87 / final Dice 0.86）；🥈 BlackMyth（2.11）；🥉 changkkk（3.44）。
41. 参赛榜单规模：Task 1 八队、Task 2 六队（winners 页全列）。

冠军方法：

42. U-Mamba2：Mamba2（SSD 框架）进 U-Net bottleneck，7-stage（UMambaBot2 变体）；Task 2 加 SAM 式 point encoder + cross-attention。
43. 训练：nnU-Net v2.6.2；CTNormalization；DAE 自监督 200 epochs（16³ patch、30% mask、mm_con=0.03）；微调 1500 epochs（有效 batch 2）；TTA 前后向 + 左右镜像；预训练数据 ToothFairy3 + SD-Tooth。
44. 队伍：TAIR-Lab = KCL（Zhi Qin Tan、Owen Addison、Yunpeng Li）+ Surrey（Xiatian Zhu）；冠军非组织方。
45. 论文：arXiv:2509.12069（v1 写 “top 3 place”，终版 first place）；Springer doi 10.1007/978-3-032-20711-1_12；代码 github.com/zhiqin1998/UMamba2。

其他名次方法：

46. Black_Myth（SJTU，Fan Xiao 等）：nnUNet+VISTA 混合、类级 ensemble、小物体阈值 + 连通域过滤；Springer 10.1007/978-3-032-20711-1_11；代码 repo toothfairy3_blcakmyth（typo 原样）。
47. DLaBella29：MONAI Auto3DSeg + 3D SegResNet、63 例 5-fold、Multi-Label STAPLE、两阶段（先 mandible 后 crop）；验证集 Dice 0.87（非 hidden test）；arXiv:2508.12962；Springer 10.1007/978-3-032-20711-1_14。

生态：

48. ToothFairy4M 官方预告（海报 “What’s Next”）：颌面数据平台，自动标注 + 临床报告采集（文本+语音），服务 text-to-image/image-to-text 合成。
49. STSR 2025（姊妹赛）：30 labeled + 130 unlabeled；冠军 U-Mamba2-SSL（同 TAIR-Lab），DSC 0.917 / score 0.789。
50. X-Splat（arXiv 2607.02099）：单全景片→CBCT（Gaussian Splatting），仅用 Set B（60/63 合格，45/5/10 划分），GEPAR3D 做几何评估。

术语表（30 条）

1. CBCT（Cone Beam Computed Tomography，锥形束 CT）：牙科主力三维影像模态；采集快、剂量低、硬组织分辨率高。
2. FOV（Field of View，视野）：一次扫描覆盖的解剖范围；本数据集三分集的核心差异维度。
3. FDI 记法：世界牙科联合会的两位数字牙位系统（象限+序号）；本数据集类 ID 的骨架。
4. IAC（Inferior Alveolar Canal，下牙槽神经管）：下颌骨内包裹下牙槽神经/动脉/静脉的骨性管道；种植与拔牙的防损伤第一优先结构；一代 TF 的原点结构、TF3 Task 2 的目标结构。
5. IAN（Inferior Alveolar Nerve，下牙槽神经）：IAC 内走行的神经本体。
6. Incisive canal（切牙管）：上颌前部中线旁的骨性管道（鼻腭神经血管走行）；TF3 新增，左右分列。
7. Lingual canal / lingual foramen（舌侧管/舌侧孔）：下颌前部舌侧骨内的细小管道及其开孔；TF3 新增；两词并存见坑 10。
8. Pulp chamber（牙髓腔）：牙冠内含牙髓的腔隙；TF3 逐牙新增 32 类。
9. Mandible / Maxilla（下颌骨/上颌骨）：颌面两大骨性结构，42 类承袭部分的主干。
10. Osteo­radionecrosis（放射性骨坏死，ORN）：头颈放疗后下颌骨坏死并发症；牙位/神经级分割服务其预防（LaBella 论文动机）。
11. RPI / LPS：体数据轴序约定（Right-Posterior-Inferior / Left-Posterior-Superior）；本数据集为 RPI，需官方脚本转 LPS。
12. NIfTI：神经影像通用体数据格式；本数据集的发放格式。
13. nnU-Net：自配置医学分割框架；本数据集发放格式与冠军/季军方法的共同底座。
14. dataset.json：nnU-Net 格式的元数据文件（模态、标签、划分）。
15. Hounsfield scale（HU）：CT 强度标准标度；本数据集强度已标度至 HU。
16. Isotropic voxel（各向同性体素）：三轴等距（0.3mm）；简化 3D patch 设计。
17. Dice coefficient：分割重叠度指标（0-1）。
18. HD95（95% Hausdorff Distance）：边界鲁棒距离指标（毫米）。
19. Runtime：单例推理耗时（秒）；TF3 Task 1 主排名成分。
20. AUC（over clicks）：随点击数变化的指标曲线下面积；交互任务的核心效率指标。
21. Click-based interactive segmentation（点击式交互分割）：以正/负点击为提示逐步修正分割的范式。
22. SAM（Segment Anything Model）：点击/框提示分割的基础模型；Task 2 方法学参照系。
23. Point encoder / cross-attention：U-Mamba2 Task 2 的提示编码与融合模块。
24. Mamba2 / SSD（State Space Duality）：线性复杂度状态空间模型框架；U-Mamba2 的骨干组件。
25. U-MambaBot2：U-Mamba2 所用 7-stage 编解码器变体（nnU-Net 生态 UMamba 系列）。
26. DAE（Disruptive Autoencoder）：nnU-Net 生态的自监督预训练法（patch 内掩码重建 + 对比项）；U-Mamba2 预训练所用。
27. TTA（Test-Time Augmentation）：推理期增广集成；U-Mamba2 仅用镜像组以控制 runtime。
28. STAPLE / Multi-Label STAPLE：多标注者真值融合算法；LaBella 集成策略组件。
29. Domain shift（域移位）：采集设备/协议变化引起的分布漂移；Set C（新扫描仪）的隐含考题。
30. Held-out test set（隐藏测试集）：主办方保留、服务器端评测的私有测试数据；本数据集 50 例永不公开。
31. Grand-Challenge 平台：医学影像挑战赛与算法托管平台（DIAG Nijmegen 运营）；本赛评测基础设施，Docker 提交 + 服务器端 GPU 推理。
32. Docker 提交：把模型打包为容器镜像上传、平台端运行的标准参赛协议；防泄漏闭环的技术载体。
33. Debug / Test phase：挑战赛两阶段——调试阶段（验证提交通道）与测试阶段（计分提交）；TF3 分别于 2025-07-01 / 08-08 开启。
34. Panoramic radiograph（全景片）：2D 牙科 X 光；X-Splat 研究中以它生成 CBCT 的输入端。
35. Gaussian Splatting：显式 3D 高斯表示与渲染技术；X-Splat 的"全景→CBCT"生成路线所用。

附录 A：77 类分组结构总表（ID 以 dataset.json 为准）

注：官网未列全 77 项 ID 映射表，下表为按官方文字描述整理的分组结构；确切 class ID 请以下载数据中的 dataset.json 为最高依据（§9 待核项）。

组	类目	数量	承袭/新增
背景	background	1	承袭
颌骨	maxilla / mandible	2	承袭
神经血管管	inferior alveolar canal ×2	2	承袭
神经血管管	incisive canal ×2	2	新增
神经血管管	lingual canal	1	新增
含气/空腔	maxillary sinus ×2 / pharynx	3	承袭
修复/种植	bridge / crown / implant	3	承袭
牙齿	FDI 11-18, 21-28, 31-38, 41-48	32	承袭
牙髓	pulp chamber（32 牙逐一对应）	32	新增
合计	—	77+1（含背景）	42 + 35

附录 B：三分集速查卡

问题	Set A	Set B	Set C
文件前缀？	P	F	S
例数？	417	63	52
TF2 里有吗？	有（升级版）	有（升级版）	无（全新）
FOV 全吗？	否	是（唯一全 FOV）	否
机器？	机器 1	机器 1	机器 2
典型用途？	训练主力	全结构应用金标准	跨设备泛化检验

附录 C：Task 1 排名前三与读法

名次	队伍	综合 rank	runtime(s)	Dice	HD95(mm)
1	TAIR-Lab	3.1	40.58	0.84	38.17
2	sjtu_eiee_2-426lab	3.7	17.46	0.77	94.77
3	Black_Myth	3.8	90.04	0.85	33.23

读法：Black_Myth 精度双优但 90s；亚军最快但精度掉 7 分；冠军居中双达标。完整 8 队榜单以官方 challenge-winners 页为准（本条目仅录前三，其余名次未逐一核录，不作转述）。

附录 D：Task 2 排名前三与读法

名次	队伍	综合 rank	关键分项
1	TAIR_Lab	1.66	Dice AUC 0.87；final Dice 0.86；HD95 final 2.04-2.26
2	BlackMyth	2.11	—
3	changkkk	3.44	—

读法：TAIR_Lab 交互曲线全程领先（AUC 0.87 意味着少数点击即近可用精度）；HD95 终值 2mm 级已达临床可参考区间。完整 6 队榜单以官方页为准。

附录 E：评估指标定义速查

指标	定义	用于
Dice	2	X∩Y
HD95	95 分位 Hausdorff 距离	Task 1/2 边界
Runtime	单例推理秒数	Task 1/2 速度（主排名成分）
综合 rank	三指标加权名次合成	Task 1 总排名（权重官方未公开明细）
Dice AUC	Dice-点击数曲线下面积	Task 2 交互效率
HD95 AUC	HD95-点击数曲线下面积	Task 2 交互效率（边界）

附录 F：官方时间线（复述版）

2025-05-09 数据发布 → 06-30 P 集标注补充 → 07-01 debug → 08-08 test（原止 08-20）→ 08-20 延期至 08-24（不再延）→ 09-25 颁奖预告 → 09-27 ODIN@MICCAI 2025（大田）颁奖 → 2026-05-18 LNCS 出版 → MICCAI 2026 数据集论文。

附录 G：三件套引用（核对版清单）

1. Lumetti et al. (2026). ToothFairy3: Scaling CBCT Maxillofacial Segmentation to 77 Classes with U-Mamba2. MICCAI 2026.
2. Bolelli et al. (2025). Segmenting Maxillofacial Structures in CBCT Volumes. CVPR 2025, 5238-5248. doi:10.1109/CVPR52734.2025.00494.
3. Lumetti et al. (2024). Enhancing Patch-Based Learning for the Segmentation of the Mandibular Canal. IEEE Access. doi:10.1109/ACCESS.2024.3408629.

警示：官方 dataset 页引用 [3] 正文 DOI（10.1109/ACCESS.2022.3144840）为笔误，以上为核对版（坑 7）。

附录 H：官方资源链接总表

资源	地址
数据集门户（注册墙）	ditto.ing.unimore.it/toothfairy3
挑战赛主页	toothfairy3.grand-challenge.org
挑战赛获奖页	toothfairy3.grand-challenge.org/challenge-winners/（榜单）
SSD 规范文档	zenodo.org/records/15081727
proceedings	Springer LNCS 978-3-032-20711-1
U-Mamba2 代码	github.com/zhiqin1998/UMamba2
U-Mamba2 预印本	arxiv.org/abs/2509.12069
U-Mamba2 正式版	doi 10.1007/978-3-032-20711-1_12
Black_Myth 代码	github.com/ff741333/toothfairy3_blcakmyth
Black_Myth 正式版	doi 10.1007/978-3-032-20711-1_11
DLaBella29 预印本	arxiv.org/abs/2508.12962
DLaBella29 正式版	doi 10.1007/978-3-032-20711-1_14
前作 TF2（库内）	toothfairy2 条目（rid 649）；Zenodo 10990960/10990959

附录 I：RPI 朝向问题操作指南

1. 现象：SimpleITK/nibabel 直接读入后左右/前后轴语义与预期不符。
2. 原因：数据为 RPI 轴序（与 Maxillo v1 一致的非标准约定）。
3. 解法：使用 ditto 提供的 RPI→LPS 转换脚本（输入：数据集路径；输出：转换后路径）。
4. 何时可忽略：仅参加挑战赛（测试与训练同朝向）。
5. 何时必须处理：任何下游应用、与外部数据混用、导出 DICOM/可视化。

附录 J：nnU-Net 格式与 30 分钟上手清单

目录骨架（DatasetXXX_ToothFairy3/）：imagesTr/（NIfTI 体数据）+ labelsTr/（同尺寸分割图）+ dataset.json（模态/标签/划分）。dataset.json 关键字段（以实际文件为准）：

字段	内容	用途
channel_names	模态与强度标度（CT/HU）	决定 nnU-Net 归一化分支
labels	类 ID → 名称映射（77+背景）	唯一权威标签表（附录 AA 待核项 1）
file_ending	“.nii.gz”	读写扩展
numTraining / training 名单	训练例清单	核对 532 例完整性的锚点
（可能的）release/版本字段	版本标记	对照 2025-06-30 更新（§2.5）

上手五步：

1. 注册 ditto 下载并解压。
2. 核对 P/F/S 前缀分组与 dataset.json 标签表。
3. （下游用途）跑官方 RPI→LPS 脚本。
4. 直接喂 nnU-Net v2（规划 + 训练），或按 U-Mamba2 repo 起步。
5. 本地自切验证集（勿把 Set A/B 与 TF2 数据混用导致泄漏）；官方测试分走 grand-challenge 提交。

附录 K：U-Mamba2 训练配置全表

项	值
流水线	nnU-Net v2.6.2
归一化	CTNormalization
预训练	DAE 200 epochs（16³ patch mask，ratio 30%，对比项 mm_con=0.03）
预训练数据	ToothFairy3 + SD-Tooth
微调	1500 epochs，有效 batch 2
Task 1 训练集	121 labeled scans（自切）
Task 2 训练集	51 labeled（含点击标注）
TTA	前后向翻转 + 左右镜像
Task 2 模块	SAM 式 point encoder + cross-attention
成绩	T1：0.84/38.17mm/40.58s；T2：Dice AUC 0.87，Dice 0.87/HD95 2.15mm（论文口径）

附录 L：Black_Myth 方法卡

• 队伍：SJTU（Fan Xiao 等）；Task 1 季军 / Task 2 亚军。
• 方法：nnUNet + VISTA 混合框架；类级 ensemble；推理后处理（小物体阈值去除 + 非连通域过滤）。
• 成绩：T1 Dice 0.85 / HD95 33.23（全场最优）/ 90.04s（rank 3.8 居第三——runtime 制度最著名受害者）。
• 资源：Springer 10.1007/978-3-032-20711-1_11；代码 toothfairy3_blcakmyth（repo 名 typo 原样保留，坑 9）。

附录 M：DLaBella29 方法卡

• 队伍：Dominic LaBella 等（临床放疗科背景）；Task 1 第 5。
• 方法：MONAI Auto3DSeg + 3D SegResNet；63 例 5-fold；Multi-Label STAPLE 集成；两阶段推理（先全类别出 mandible，再在邻域 crop 专攻细小神经结构）。
• 成绩口径警示：0.87 为 out-of-sample validation（自切验证集），非官方 hidden test——勿与 TAIR 0.84 混排（坑 11）。
• 资源：arXiv:2508.12962；Springer 10.1007/978-3-032-20711-1_14。
• 动机背景：头颈放疗剂量规划与放射性骨坏死预防。

附录 N：三代托管与获取对照

代	本体托管	直链？	License 口径
TF（2023）	Zenodo 7835324	是	（Zenodo 口径）
TF2（2024）	Zenodo 10990960/59	是	（Zenodo 口径）
TF3（2025）	ditto 注册墙	否（注册后得）	CC-BY-NC-SA（Dataset 页明示）
TF3 SSD（规范文档）	Zenodo 15081727	是	文档（非数据）

附录 O：牙科 CBCT 分割数据集景观（STS2024 表口径）

数据集	例数	年份	每例标注密度估算
CTooth+	22	2022	—
Mandibular Canal CBCT	347	2022	单结构为主
STS2023	584	2023	牙齿级
ToothFairy	443	2023	IAC 单结构（约 5 类口径）
ToothFairy2	530	2024	42 类（多结构）
ToothFairy3	532	2025	77 类（≈32 牙/例 + 约 37 个其他结构对象/例）

密度列说明：TF3 的 ≈17,024 teeth ÷ 532 例 ≈ 32 牙/例（全牙列口径，含缺牙者平均略低）；>40k objects ÷ 582 例 ≈ 69 个标注对象/例——即除牙齿外每例平均还有约 37 个非牙类对象（颌骨、窦、管、修复体等）。此两行为本条目基于官方口径的算术推导，非官方数字，引用时按推导注明。

附录 P：临床场景 → 结构映射

临床场景	依赖结构（TF3 类）
种植规划	下颌骨/上颌骨、IAC、切牙管、牙位、牙冠/桥/种植体（现有修复识别）
阻生第三磨牙拔除	IAC、FDI 38/48、牙根形态（牙类）
正畸方案与随访	32 个牙髓腔（牙根吸收监测）、切牙管、全牙位
腭部/前部取骨手术	切牙管、舌侧管/孔
头颈放疗规划	全牙位、IAC、颌骨（剂量映射与 ORN 预防）
上颌窦提升	上颌窦、上颌后牙位

附录 Q：FDI 记法速查（恒牙列）

象限：1=右上、2=左上、3=左下、4=右下；序号：1 中切牙 → 8 第三磨牙。例：FDI 36 = 左下第一磨牙；38/48 = 左/下右第三磨牙（阻生智齿高频位）。数据集 32 牙类与 32 髓类均按此体系一一对应。

附录 R：高频检索错误与修正

错误姿势	后果	修正
Zenodo 搜 ToothFairy3 本体	扑空（只有 SSD）	去 ditto 注册下载（坑 4）
引 “MICCAI 2025 数据集论文”	年份错	论文在 MICCAI 2026（坑 2）
引 “Set A 67 例/Set B 413 例”	引了错误转述	A 417 / B 63 / C 52（坑 3）
搜 “ToothFairy3 46 类”	口径混	77 标注 / 46 评估（坑 6）
搜 “blcakmyth” 拼成 “blackmyth”	找不到 repo	原样 typo（坑 9）
只搜 “lingual canal” 或只搜 “lingual foramen”	漏一半文献	双词并查（坑 10）

附录 S：与库内条目交叉核对表

核对点	toothfairy3（本条目）	toothfairy2（rid 649）
公开例数	532（+50 隐藏）	530（480+50）
类数	77（评估 46）	42
任务	双任务（自动+交互）	单任务（自动）
排名含 runtime	是（首创）	否
托管	ditto 注册墙	Zenodo 直链
参赛	8 队（T1）	26 队
数据关系	A/B=TF2 480 例升级版 + C 52 新	480 例为 TF3 A/B 前身

附录 T：与 tufts-dental(57) / fdtooth(609) 的差异定位

• tufts-dental（rid 57）：更早代牙科 CBCT 公开集传统——以"采集规模/临床多样性"见长；与 TF3 的差异主要在标注粒度（TF3 到牙髓/细管级）与格式工程化（nnU-Net 即用）。
• fdtooth（rid 609）：牙齿分割方向专精数据集——单结构牙齿级标注；与 TF3 的"77 类颌面全家桶"互补：做纯牙齿分割可先看 fdtooth，做颌面多结构必须 TF3。
• 连读建议：三代 ToothFairy（本条目 + rid 649 + 一代事实卡）为纵轴，tufts/fdtooth 为横轴，构成库内牙科 CBCT 数据全景。

附录 U：任务编号错位对照（网页 vs SSD）

网页/论文口径	SSD（Zenodo 15081727）口径	内容
Task 1	Task 2	自动多结构分割（Docker 提交）
Task 2	Task 3	IAC 交互分割
—（已并入 Task 1 评估）	Task 1	历史规划的独立任务

结论：读 2025 年 4 月前成文的历史文档时按内容对任务，按编号对会错位一位（坑 5）。

附录 V：双拼写/混称对照表

概念	出现的变体	出处
舌侧管/孔	lingual canal / lingual foramen / lingual nerve	ditto / grand-challenge / 官网公告
下牙槽管	inferior alveolar canal / IAC / IAN（神经本体）	全部
冠/桥	crown / bridge（修复体）	官网类目
Black_Myth	Black_Myth / BlackMyth（榜单两种写法）/ blcakmyth（repo typo）	winners 页 / repo

附录 W：数字口径速查卡（一屏背完）

532 公开｜50 隐藏｜582 总｜480 承袭自 TF2｜102 净增｜A417/B63/C52｜77 标注类｜42 承袭类｜35 新增类｜46 评估子结构｜32 牙｜32 髓｜2 切牙管｜1 舌侧管｜0.3mm 各向同性｜(170,272,345)-(298,512,512)｜≈17,024 teeth｜>40k objects｜16-100 岁｜8+6 队｜Task1 冠 0.84/40.58s｜Task2 冠 AUC 0.87。

附录 X：CC-BY-NC-SA 四要素与使用红线

1. BY（署名）：使用须署名 + 引三件套（官方义务叠加）。
2. NC（非商业）：禁止商业目的使用——商用训练/产品集成需另行授权；"非商业"边界（如商业公司内部研究）按 CC 官方解释从宽认定须谨慎，稳妥做法以研究发表为准。
3. SA（相同方式共享）：衍生物（含再标注、衍生数据集）须以同许可发放。
4. ND 无：允许改编（与 NC-SA 组合）。
   红线总结：可研究、可复现、可再分发（同许可）；不可商用、不可闭源衍生、不可去掉署名。

许可识别备忘：CC-BY-NC-SA 在本库 AI-Ready 光谱中属"非商用可改"档（比 CC-BY-NC-ND 宽、比 CC-BY 窄）；grand-challenge Dataset 页为本 license 声明的唯一官方出处——ditto 门户页面本身未见 license 徽标，引用许可时以 grand-challenge 页为准并注明抓取日期。若未来官方在 Zenodo 补挂本体并赋予不同 license，以新记录为准（版本敏感点，存照）。

附录 Y：评测制度启示（方法学视角五条）

1. 指标即激励：runtime 入排名一年内就让 SSM 架构登顶——评测公式是领域方向的隐形指挥棒。
2. 交互任务的 AUC 化是可移植范式：任何"人在回路"评测（标注、质控、诊断修正）都可用"指标-交互次数"曲线替代单点分数。
3. hidden test 的代价须显式管理：官方分不可本地复现 → 论文间自切数字不可比（坑 11 即产物）→ 基准设计者应同时提供官方榜 + 固定公开验证切分。
4. 长期基准的可维护性：TF 系列三年三代仍用同一套"Docker + 服务器评测"协议，排行榜因此可跨年对比——基准资产的价值随协议稳定性的幂次增长，轻易换协议等于清零历史榜。
5. 注册墙与审计的交换：TF3 用注册墙换来了发放审计能力（谁知道谁在用、规模多大）与版本滚动能力——隐私敏感的医学数据在大规模开放与完全封闭之间，"注册 + 宽许可"是一条被低估的中间道路。

附录 Z：本条目与备选题的关系存照

本批次备选题为 STSR 2025（同 ODIN 2025 姊妹赛）。正选 ToothFairy3 经三轮核验全部成立（规模/license/托管三源互证），未触发改道条件。STSR 的关键事实（30+130 例、U-Mamba2-SSL 夺冠 DSC 0.917）已作为生态条目收入 §7.2——若未来为其单独立条，与本条目互链关系为"同 workshop 姊妹赛 + 同冠军队伍"。

附录 AA：待核事项（诚实清单）

1. 77 类的逐项 class ID 映射（需下载数据读 dataset.json）。
2. Set A 采集设备的厂商/型号（官网仅说 A/B 同机、C 另一台）。
3. 患者/扫描级人口学统计（年龄 16-100 来自 STS2024 表，官网未披露分布）。
4. Task 1 综合 rank 的精确权重公式（官方未公开明细）。
5. 榜单 8/6 队的完整队名与完整分数（本条目仅核录前三）。
6. ToothFairy4M 平台上线状态（截至 2026-09 仅有海报预告）。

附录 AB：抓取来源清单（时点 2026-09-26/27）

1. ditto.ing.unimore.it/toothfairy3（数据集门户：规模/三分集/规格/朝向/license 引述）。
2. toothfairy3.grand-challenge.org（挑战赛页：背景/任务/时间线/Announcements/Dataset 页 license/winners 页榜单）。
3. arxiv.org/abs/2509.12069（U-Mamba2 v1 与相关版本措辞差异）。
4. Springer LNCS 978-3-032-20711-1（ODIN 2025 proceedings，含 _11/_12/_14 各章 DOI）。
5. Lumetti et al. MICCAI 2026 论文摘要（582/102/40k 口径；“published at MICCAI2026” 引述）。
6. STS2024 论文（S1361841526000551：景观对比表 17,024 teeth/16-100 岁/尺寸范围）。
7. arXiv:2508.12962（DLaBella29）。
8. arXiv:2607.02099（X-Splat：Set B 使用细节）。
9. 浙大学报 MC-UKAN 论文（10.3785/j.issn.1008-973X.2026.04.009：第三方转述错误样本）。
10. MICCAI 2025 现场海报（What’s Next：ToothFairy4M 预告）。
11. 库内查库记录：url_name ILIKE '%toothfairy%'/'%dental%'/'%tooth%' → 仅 rid 57/609/649。

附录 AC：修订记录

版本	日期	说明
v1.0	2026-09-27	agentA-tf3 初稿全量成文（FACTS 三轮核验版；12 坑存照；42 问 FAQ；硬事实 50 条；附录 A-AC）

---

撰写方法与核验声明

本条目按千方病案医数集【50 篇冲刺批量生产 · 批次 2】流程撰写，代理名 agentA-tf3，工作目录 writing/toothfairy3/。方法声明：

1. 三轮存在性核验：第一轮官网/挑战赛/海报互证（规模 532、77 类、ODIN 2025 归属成立）+ 库内查重（无重复条目，确定互链点）；第二轮 license 锁定（CC-BY-NC-SA，grand-challenge Dataset 页直取）+ 冠军方法双源（arXiv + Springer）；第三轮 Zenodo 空缺确认 + 前作演进锚点 + 数据集论文摘要口径（582/102/40k）。
2. 一手来源优先：全部关键数字可溯源至 ditto 官网、grand-challenge 官方页、arXiv/Springer 论文、MICCAI 现场海报四类一手材料；第三方转述（含中文期刊）一律降级为"存照样本"而非事实来源。
3. 矛盾处理：所有官方内部矛盾（DOI 笔误、任务编号错位、lingual canal/foramen、榜单措辞漂移等）未做静默取舍，一律进 §10 十二坑存照——本条目的原则是"给读者判断材料，而不是替读者选边"。
4. 诚实边界：无法核验的细节（类 ID 全表、设备型号、rank 权重公式、完整榜单）明确列入附录 AA 待核清单并标注"以官方为准"，未做推测性补全。
5. 体例：1200+ 行 Wikipedia 体，frontmatter schema_org 含 cr:RecordSet 节点；与库内 toothfairy2（rid 649）、tufts-dental（rid 57）、fdtooth（rid 609）建立互链。

尾注与引用义务提醒

本条目为千方病案医数集 AI-Ready Wikipedia 的二次整理条目。使用 ToothFairy3 数据的任何发表，除本库条目外必须遵守官方引用义务：引用 ToothFairy3 挑战赛与三件套论文（附录 G 核对版）。条目内容以 2026-09-26/27 抓取时点的官方页面为准；官方页若更新（尤其是标注版本与榜单），以官方为准并欢迎勘误。

（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：

• toothfairy2 — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• curvas — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• stsr — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• instance2022 — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• trials — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• lnq — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• asoca — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• orcascore — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集 / 评测基准
• segthor — 共享标签：医学影像 / CT / 医学图像分割 / 挑战赛数据集
• ctooth — 共享标签：医学影像 / CT / 医学图像分割 / 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。