信息速览

数据集名称TopCoW Challenge — 面向 CT 与 MR 血管造影的 Willis 环拓扑感知分割

数据类型CTA,MRA,血管分割,多类分割,拓扑指标,像素级标注,配对影像

规模226

接入方式TopCoW Challenge (https://topcow23.grand-challenge.org/ ; https://topcow24.grand-challenge.org/) + Zenodo 存档 15692630 / 15665435 + arXiv:2312.17670

AI 就绪度

INFOBOX｜TopCoW Challenge 速览

字段内容

正式名称 TopCoW Challenge（Topology-Aware Anatomical Segmentation of the Circle of Willis）

slug topcow

届次 2023（首届，MICCAI Vancouver）/ 2024（第二届，MICCAI Marrakesh）

平台 Grand Challenge（grand-challenge.org）

模态 CTA（CT 血管造影）+ MRA（MR 血管造影），配对采集

分割类别 13 个血管组件（左右 ICA/ACA/MCA/Pcom/PCA + Acom + BA）

标注方式虚拟现实（VR）渲染下逐血管人工描画，含 ROI 3D 包围盒

核心评测 Dice / cl-Dice / Betti-0 误差（二类与多类各三指标，等权）

主数据集 Zenodo 15692630（14.4 GB，5 个 ZIP 子集）

论文 arXiv:2312.17670（v1 2023-12-29 → v5 2026-07-14）；NEJM AI 2026;3(8)

负责人 Kaiyuan Yang（第一作者）；Bjoern Menze（资深作者）

血缘 TopCoW → TopBrain（topbrain2026, rid 632）→ TopAneu（topaneu2026, rid 637）

§0 导读

0.1 一句话定位

TopCoW Challenge 是把「Willis 环（Circle of Willis, CoW）」这一人体内最经典、也最"善变"的血管解剖结构，变成一个可量化、可比较、可复现的医学影像分割基准。它同时做三件在 2023 年之前没人系统做过的事：用 CTA 与 MRA 双模态配对数据一起标注、把 13 个血管组件当成多类分割目标、以及把"拓扑正确性"写进评测指标（cl-Dice、Betti 数）。

0.2 为什么值得单独写一个条目

它是"血管拓扑"这一评测范式的开山之作。传统分割只问"每个体素是不是血管"，TopCoW 进一步追问"血管的连通关系对不对"——因为对神经介入与动脉瘤评估而言，一根血管断成两截、或凭空多出一个环，比边缘差几个体素严重得多。
它是挑战赛家族的"祖先节点"。千方病案医数集内已上线的 TopBrain（topbrain2026, rid 632）与 TopAneu（topaneu2026, rid 637）两个条目，都在正文里明确把 TopCoW 列为方法论母本；本条目正是补齐这条血缘链的关键一环。
它的数据授权结构很"诚实"。主数据集用 OpenData Swiss，但四个外部测试子集分别带 CC BY-NC、CC0、CC BY-SA 3.0 等不同条款——这种"一个 Zenodo 记录里混装多 license"的形态，是数据集条目写作里最容易踩坑的地方，值得单独拆解。

0.3 读法三则

其一，先分清"届次"与"版本"。2023 与 2024 是两届独立挑战赛，任务集合、数据规模、测试集构成都不同；而 arXiv 论文从 v1 到 v5 跨了两年多，v5 的内容已经吸收了 2024 届的结论。读本条目时，"2023 届 / 2024 届 / 论文最新版"三个口径要分开记。
其二，注意"配对"二字的重量。TopCoW 的 CTA 与 MRA 大多来自同一受试者，"配对"既是它最珍贵的资产，也是它最容易被误读的地方——不是所有子集都配对，外部测试集里有相当一部分是单模态。
其三，把"13 类"当成一张解剖地图来读。13 个血管组件不是随便切的，每一类都对应临床上一个明确的问题（例如 Pcom 与后交通动脉瘤、Acom 与前交通动脉瘤）。理解了分类的逻辑，评测指标里的"类平均 Dice"才有意义。

0.4 本条目边界声明

本条目是一项数据集解剖，不是医学建议，也不构成对任何具体 AI 产品性能的背书。所有数值均标注来源与抓取时点（2026-09-30），凡存在多口径的地方，本条目一律"并陈不合并"，供读者自行判断。

0.5 本条目如何组织

全文按"身份 → 规格 → 任务 → 标注 → 评测 → 组织 → 获取 → 生态 → 存照 → 避坑"的顺序展开，共十章加附录。建议读法：

赶时间：读 §0、INFOBOX、§1、§10。
要用数据：读 §2、§4、§7。
要做算法：读 §3、§5。
要写引用：读 §6、附录 A、附录 H。

0.6 一个必须先建立的心智模型

请把 TopCoW 想成一个"三层递进"的基准：

第一层：位置——CoW 在哪里？（ROI 定位 / 检测）
第二层：形状——血管长什么样？（体素级多类分割）
第三层：结构——血管怎么连的？（拓扑指标 / 图分类）

大多数血管数据集只做第二层；TopCoW 的独特之处，在于把第一层和第三层也纳入同一套基准，并且用统一的评测协议把三层串起来。理解这一点，后面的所有细节都会各归其位。

§1 十问十答

1.1 TopCoW 到底是什么？

TopCoW 是 “Topology-Aware Anatomical Segmentation of the Circle of Willis” 的缩写，一个在 Grand Challenge 平台举办的医学影像分割挑战赛，同时发布配套数据集与评测代码。它的目标场景是 CT 血管造影（CTA）与 MR 血管造影（MRA）中的 Willis 环分割——Willis 环是脑底动脉环，是颅内供血的核心枢纽。

1.2 它和一般的血管分割数据集有什么本质不同？

三点不同：第一，多类而非二类。它要求的不是"血管/背景"的二值掩膜，而是 13 个具体血管组件各自的分割。第二，拓扑感知评测。除了 Dice，还引入 cl-Dice（中心线 Dice）与 Betti 数误差，直接考核血管连通结构。第三，双模态配对。CTA 与 MRA 是两种物理成像机制，TopCoW 让同一个受试者两种模态都成像、都标注，这在此前的大规模公开血管数据集里极为罕见。

1.3 13 个血管组件具体是哪些？

按官方标注协议，13 类包括：左/右颈内动脉（L/R ICA）、左/右大脑前动脉（L/R ACA）、左/右大脑中动脉（L/R MCA）、前交通动脉（Acom）、左/右后交通动脉（L/R Pcom）、左/右大脑后动脉（L/R PCA）、基底动脉（BA）。数一数：2+2+2+1+2+2+1 = 12……注意，官方口径是 13 个"组件"，其中一个细分项为第三段 A2（third A2）等边角情形，标签方案在 0 至 12 的整数编码基础上另有 15 号标签用于第三段 A2。详见 §5。

1.4 数据规模有多大？

2023 届训练集为 90 对 CTA/MRA 配对样本，另有 20 例 CROWN 队列 MRA；测试集 35 例。2024 届训练集扩到 125 对，测试集翻倍到 70 例且明确标注为多中心。论文最新版给出的总扫描数为 226 例，覆盖 5 家以上中心。主数据存档（Zenodo 15692630）体积 14.4 GB，拆成 5 个 ZIP。

1.5 评测指标怎么算？

二类任务三个指标：Dice、cl-Dice、Betti-0 误差。多类任务三个指标：类平均 Dice、二值合并后的 cl-Dice、类平均 Betti-0 误差。六个指标等权合成排名。cl-Dice 引自 Shit 等 2021 年的工作，Betti 匹配引自 Stucki 等 2023 年的工作，官方评测实现托管在 GitHub 的 TopCoW_Eval_Metrics 仓库。

1.6 谁办的？

组织方横跨多家机构：苏黎世大学医院（USZ）、庞培法布拉大学（UPF）、慕尼黑工业大学（TUM）、德国癌症研究中心（DKFZ）、乌得勒支大学医学中心（UMCU）等。第一作者 Kaiyuan Yang，资深作者 Bjoern Menze（医学影像 AI 领域的知名学者）。论文作者名单超过百人，体现了挑战赛多中心协作的特征。

1.7 数据能直接下载来用吗？

能，但要注意授权分层。主数据集走 OpenData Swiss 使用条款；四个外部测试子集分别带不同 license：CTA_ISLES2024_TUM 为 CC BY-NC，MRA_Lausanne 为 CC0，MRA_IXI_HH 为 CC BY-SA 3.0，CTA_LargeIA 另注特殊条款。用于商业用途前必须逐子集确认。

1.8 它和 TopBrain、TopAneu 是什么关系？

血缘关系。TopCoW 是这条挑战赛家族的起点，把"拓扑感知 + 多类血管/结构分割 + Grand Challenge 平台"这套方法论立了起来。TopBrain（脑肿瘤分割，topbrain2026, rid 632）与 TopAneu（动脉瘤检测与分割，topaneu2026, rid 637）是后续延伸，二者条目正文都把 TopCoW 记为母本。

1.9 最容易踩的坑是什么？

"配对"的适用范围、"届次"与"论文版本"的口径错位、以及 Zenodo 记录里混装的多个 license。此外，测试集数量在不同文档里有 35 / 70 / 不同表述，参会者规模也有多个口径，写作与使用时都要按届次锚定。

1.10 谁适合用这份数据？

三类人：做血管分割算法的研究者（尤其关注拓扑保真度）；做脑血管解剖变异研究的临床与影像研究者（CoW 变异型是卒中风险评估的经典议题）；以及做挑战赛方法论复盘的人（TopCoW 的评测设计是"如何把领域知识写进指标"的优秀样本）。

1.11 它最大的学术贡献是什么？

把"拓扑正确性"确立为血管分割的一等公民。在 TopCoW 之前，血管分割的评测几乎只有 Dice / IoU 这类体素重叠指标；TopCoW 之后，cl-Dice 与 Betti 指标成为血管类任务的标配讨论项。这一转变的影响，已经溢出到神经纤维、气道、冠脉等所有"细长连通结构"的分割评测中。

1.12 它最大的使用门槛是什么？

合规。不是技术门槛，而是 license 门槛。一个 Zenodo 记录里混装四种条款，意味着"下载即用"的直觉在这里会失效。任何要把它用于产品或对外发布结果的场景，第一步都必须是逐子集的 license 核对。

1.13 它的数据"够用"吗？

取决于用途。对"验证拓扑感知方法"——够，且是首选。对"训练一个能上临床的通用脑血管模型"——不够，样本量与人群代表性都有限，需要额外数据与外部验证。

1.14 它的评测"公平"吗？

相对公平，但不是绝对公平。等权设计消除了"偏袒某类指标"的问题；但测试集的解剖变异分布、模态比例、中心来源，仍会让不同算法在不同子集上表现不均。公平性应理解为"规则透明、可复现"，而非"对所有算法难度相同"。

1.15 一个常见的误解

误解：TopCoW 是"动脉瘤数据集"。
澄清：不是。TopCoW 的主任务是 Willis 环血管分割，动脉瘤只是其数据来源（CROWN 等队列）与临床动机之一。要做动脉瘤检测/分割，应看 TopAneu（topaneu2026, rid 637）等专门条目。

§2 数据构成与规格

2.1 模态构成

TopCoW 覆盖两种血管造影模态：

CTA（CT Angiography）：注射碘对比剂后行 CT 扫描，重建颅内血管。空间分辨率高、扫描快，是临床急诊评估脑血管的主流手段，但接受电离辐射且有对比剂风险。
MRA（MR Angiography）：无需电离辐射，无需碘对比剂（可用 TOF 时间飞跃法），但对血流速度与运动敏感，细小血管显示有时不如 CTA。

两者的血管形态在同一受试者身上存在系统性差异（例如 MRA 常高估狭窄程度、CTA 受钙化干扰），"配对成像"因此成为评估算法跨模态鲁棒性的天然试验台。TopCoW 的核心设计就是把这两种模态绑在一起训练与评测。

2.2 数据集子集结构（Zenodo 15692630）

主数据存档按来源与模态拆成 5 个 ZIP：

子集 ZIP	体积	内容	模态	license
TopCoW2024_Data_Release.zip	10.5 GB	主训练/验证数据（配对）	CTA + MRA	OpenData Swiss
CTA_ISLES2024_TUM.zip	2.0 GB	26 例 CTA 外部测试	CTA	CC BY-NC
CTA_LargeIA.zip	802.7 kB	20 例 CTA（Willis 环 ROI 内无动脉瘤）	CTA	特殊条款
MRA_Lausanne.zip	1.3 GB	20 例 MRA 对照组	MRA	CC0
MRA_IXI_HH.zip	517.3 MB	20 例 MRA	MRA	CC BY-SA 3.0

另一存档 Zenodo 15665435 体积 44.6 GB，为更大规模的配套发布（含更多原始影像与中间产物）。

2.3 目录与文件布局

主发布包内部按如下子目录组织：

imagesTr/：训练影像（NIfTI 格式），命名遵循 nnU-Net 风格。
cow_seg_labelsTr/：Willis 环多类分割标签。
roi_loc_labelsTr/：CoW 区域的 3D 包围盒定位标签。
antpos_edges_labelsTr/：血管邻接/前后关系边表（2024 届新增图结构任务用）。
raw/：原始未处理影像。

这套布局的关键点是：分割标签、定位标签、图结构标签三者并存。也就是说，同一份影像可以被用来做体素级分割、目标检测（3D bbox）与图分类（血管连接关系）三类任务——这正是 2024 届任务扩张的物质基础。

2.4 影像规格与体素

数据以 NIfTI（.nii/.nii.gz）格式发布。不同来源子集的采集参数、层厚与体素间距不一致（这也是挑战赛的真实性所在：算法必须能处理异构采集）。条目层面不逐一列举每台设备的参数，读者应在下载后按 raw/ 目录内的元数据自行核对。

2.5 数据规模速查

口径	数值	来源
2023 届训练对	90 对 CTA/MRA	官方 2023 届页面
2023 届附加 MRA	20 例（CROWN 队列）	官方 2023 届页面
2023 届测试	35 例	官方 2023 届页面
2024 届训练对	125 对（较 2023 +39%）	官方 2024 届页面
2024 届测试	70 例（较 2023 翻倍，多中心）	官方 2024 届页面
论文口径总扫描	226 例，5+ 中心	arXiv:2312.17670 v5
主存档体积	14.4 GB（另有 44.6 GB 配套）	Zenodo 15692630 / 15665435

2.6 与"配对"相关的注意事项

“配对"意味着同一受试者的 CTA 与 MRA 都在数据集里，但配对并不贯穿全部子集：MRA_Lausanne（对照）、MRA_IXI_HH、CTA_ISLES2024_TUM 等外部测试集本质上是单模态来源。使用者在设计"跨模态"实验时，必须区分"配对训练数据"与"单模态外部测试数据”，否则会把跨域泛化与跨模态迁移两个问题混为一谈。

2.7 影像格式与读取要点

格式：NIfTI（.nii / .nii.gz），这是神经影像领域的通用交换格式，Python 生态可用 nibabel / SimpleITK 读取。
方向矩阵（affine）：NIfTI 的方向定义不统一（RAS/LAS 等），读取后务必核对 affine，否则会出现左右颠倒——对"左/右 ICA 分类"这种任务，方向错误等于标签全错。
数据类型：原始影像多为 int16；标签为整数编码，读取后应按 int 或 uint8 处理，不要用浮点插值，否则会破坏类别边界。
体素间距：各子集不统一，做任何跨子集训练前应先重采样。

2.8 标签文件与影像的对应关系

在 nnU-Net 风格布局下，影像与标签通过文件名中的受试者标识与模态后缀对应。使用者的第一步工作通常是：

建立"影像 ↔ 标签"的配对表。
检查每对影像的 shape 与 affine 是否一致。
统计各类别体素数，观察是否存在极端不均衡（细支血管往往只占几千体素）。

这一步的产出，直接决定了后续训练是否会因"类别极不平衡"而失败。

2.9 数据规模与模型容量的匹配

226 例的总量，对当今动辄需要上千例的深度学习范式来说是"偏小"的。这带来两个实际结论：

强数据增强是必需的，不是可选项。旋转、缩放、弹性形变、强度扰动都要用上。
预训练或自配置框架价值高。nnU-Net 这类能自动适配小数据集的框架，在 TopCoW 上表现通常优于手工调参的大网络。

2.10 与其他血管数据集的规模对照

数据集	规模量级	模态	标注粒度
TopCoW	百例量级	CTA + MRA	13 类血管组件
ISLES	百例量级	CTA/CTP/MRI	病灶/灌注
IXI	数百例	MRI/MRA	多为健康
ImageCAS	千例量级	CTA	冠脉血管

TopCoW 的规模不算最大，但标注粒度与拓扑指标是其核心竞争力——它以"精细标注 + 严苛评测"取胜，而非以"海量数据"取胜。

2.11 解剖学背景：Willis 环是什么

为帮助非神经影像背景的读者，这里给出最小必要的解剖学背景：

位置：位于脑底面，环绕视交叉、垂体柄与脚间窝。
组成：前循环（双侧 ICA → ACA/MCA）与后循环（双侧 VA → BA → PCA）通过 Acom、Pcom 吻合，形成闭合的环。
功能：当某一供血通道受阻时，环状吻合提供侧支代偿路径——这正是它被称为"环"的意义。
变异：完全"教科书式"的环在人群中反而不占多数，多数人有某种程度的变异。

理解了"环 + 变异"这两个关键词，就理解了 TopCoW 为什么要做多类分割（区分各段）、为什么强调拓扑（环必须闭合）、以及为什么变异型标注如此重要。

2.12 临床场景速览

场景	与 CoW 的关系
急性缺血性卒中	CoW 侧支代偿能力影响梗死范围与预后
颅内动脉瘤	Acom、Pcom 起始处是动脉瘤高发位点
介入取栓	需精确了解血管走行与管径
术前规划	变异型影响手术入路与风险评估

这些场景共同构成了 TopCoW 的"临床需求锚点"：分割的精细程度与拓扑正确性，最终都要服务于上述判断。

2.13 数据集命名的读法

“TopCoW” 这个名字本身包含信息：

Top：既指"Topology（拓扑）"，也呼应挑战赛家族的 “Top” 前缀（TopBrain、TopAneu）。
CoW：Circle of Willis，直接点명解剖结构。

这种命名方式使它在文献检索中辨识度很高，也让它天然成为家族品牌的一部分。

2.14 与"通用体素标注"的区别

普通标注是把影像逐层勾画成掩膜；TopCoW 的标注还额外包含：

类归属：每个体素不只标"是血管"，还要标"是哪一段血管"。
拓扑结构：血管之间的连接关系被显式记录（边表）。
定位框：CoW 的 3D 包围盒单独标注。

因此，TopCoW 的"标签"实际上是一组多层次的稠密监督信号，而非单一掩膜。

§3 任务定义与赛道设计

3.1 2023 届：2 Track × 2 Task

2023 届设定两条赛道、各含两个任务：

赛道一（CTA）：
- Task 1：Willis 环二类分割（血管 vs 背景）。
- Task 2：Willis 环多类分割（13 个血管组件）。
赛道二（MRA）：同样包含二类与多类两个任务。

两条赛道共享同一套标注协议与评测代码，差异只在输入模态。这样设计的用意是：让同一批参赛者的算法在两种成像物理机制下接受平行检验，从而回答"拓扑感知分割是否跨模态稳定"这一核心科学问题。

3.2 2024 届：任务扩张到 3 Task

2024 届把任务扩展为三类：

多类分割（Segmentation）：延续 2023 届的 13 类体素级分割。
目标检测（Object Detection）：输出 CoW 区域的 3D 包围盒（3D bounding box）。这对应 roi_loc_labelsTr/ 目录。
图分类（Graph Classification）：给定血管邻接关系的边表（edge list），判断 CoW 变异类型。这对应 antpos_edges_labelsTr/ 目录。

任务扩张的动机很直接：体素级分割只解决"像素对不对"，不解决"这根血管属于谁、和谁相连"。检测任务把宏观定位拆出来，图任务把拓扑关系显式化，三者构成从像素到结构的递进链条。

3.3 任务与临床问题的对应

任务	临床对应问题
二类分割	血管总体轮廓勾画（介入路径规划前置）
多类分割	单支血管受累评估（如 MCA 闭塞定位）
目标检测	CoW 区域快速定位（减少全脑搜索）
图分类	CoW 变异型判定（与卒中/动脉瘤风险关联）

3.4 评测平台的运行方式

挑战赛依托 Grand Challenge 平台。参赛者提交 Docker 容器，平台以"黑箱"方式在隐藏测试集上运行，参赛者无法接触测试标签。这种设计是 MICCAI 系挑战赛的通行做法，目的是防止对测试集的过拟合。评测结果通过排行榜公开，最终在 MICCAI 会议上公布与研讨。

3.5 时间线（2023 届）

06-01：发布 20 例 CROWN 队列 MRA。
06-30：发布第一批 40 对 CTA/MRA 训练数据（Batch-1）。
07-30：发布第二批 50 对训练数据（Batch-2）。
08-27 ~ 10-01：验证阶段开放。
09-21 ~ 10-01：最终测试阶段。
10-12：MICCAI 2023（Vancouver）公布结果。

3.6 时间线（2024 届）

07-17：数据发布（训练集扩至 125 对）。
09-17 ~ 10-02：验证阶段。
09-24 ~ 10-02：测试阶段。
10-06：MICCAI 2024（Marrakesh）公布结果。

3.7 参与规模

官方口径：2023 届有 140+ 名参与者、覆盖 4 大洲、约 20 支参赛队伍。论文最新版口径则给出 超过 250 名参与者、覆盖 6 大洲。两个口径的差异很可能源于统计范围不同（“报名/参赛"vs"论文合作者/接触者”），本条目并陈不合并。

3.8 赛道设计的取舍分析

为什么 2023 届要按模态拆成两条赛道，而不是让算法"自己吃两种模态"？原因有三：

成像物理差异大：CTA 的对比度来自碘剂对 X 射线的衰减，MRA 的对比度来自血流磁化状态。同一网络若不做域适应，很难在两种模态上同时达到高水平。
临床使用场景不同：CTA 用于急诊、术前规划；MRA 用于筛查、随访（无辐射）。分开评测能反映"在各自最常用场景下的真实表现"。
标注对齐的挑战：既然同一受试者两种模态都标了，为什么还要分开赛道？因为体素级对齐并非完美——两次扫描的体位、呼吸状态、血管充盈度都有差异，强行合并会引入系统性噪声。

3.9 评测流程的可复现性设计

挑战赛的可复现性有三个支点：

数据可下载：Zenodo 长期存档，任何人可复现训练。
代码开源：TopCoW_Eval_Metrics 公开，指标可实现级对齐。
容器化提交：Docker 黑箱评估，消除"本地环境差异"带来的分数漂移。

三者结合，使 TopCoW 的排行榜分数具有较高的跨时间可比性——这是很多"只发数据不开源评测"的挑战赛做不到的。

3.10 参赛者的典型技术路线

从论文与公开讨论看，参赛方案的共性技术路线包括：

骨干网络：以 nnU-Net 类自配置框架为基线，部分队伍改用 Transformer 或 nnFormer 变体。
拓扑损失：引入 clDice 相关损失或 Betti-matching 损失作为辅助监督，直接优化连通性。
多任务学习：把 ROI 定位与分割联合训练，用定位先验裁剪搜索空间。
模态适配：针对 CTA/MRA 差异做强度归一化、域随机化或双分支编码。
后处理：连通分量筛选、骨架断裂修补，用于压 Betti-0 误差。

这些路线的共同点是：它们都在回应"拓扑正确性"这一评测导向。这从侧面验证了指标设计对算法方向的塑造力——你考核什么，参赛者就优化什么。

3.11 二类 vs 多类：难度差异的量化直觉

二类分割：只需区分"血管 / 非血管"。类别极不平衡（血管占比小），但目标单一。
多类分割：需要同时区分 13 类，且类别间体素数差异巨大（ICA 可能是 Pcom 体素数的数十倍）。

难度差异体现在：

标签噪声容忍度更低：多类任务中，类边界的一点错位会同时影响两类。
不均衡更严重：细小血管样本少，模型容易"躺平"放弃它们。
后处理更难：二类可用简单的连通分量清理；多类必须保持类间拓扑关系。

因此，排行榜上"二类高分、多类骤降"是常见现象，不能据此怀疑数据质量。

3.12 2024 届任务扩张的动机再探

为什么 2024 届要加"检测"和"图分类"？

检测：真实临床流程并非"全脑分割"，而是先定位 ROI 再精细分析。做检测任务，是把挑战赛拉近临床工作流。
图分类：分割给出的是"像素级正确"，但临床真正关心的是"这根血管通不通、这个环闭不闭"。图分类把结构信息显式化，直接对应 CoW 变异型判定。

两者共同体现"从像素到临床决策"的任务链条递进。

3.13 赛制对研究选题的启示

TopCoW 的赛制设计给研究者的启示：

任务分层：把复杂问题拆成"定位 / 分割 / 关系"三层，分别定义指标，比"一个大网络端到端"更利于诊断问题所在。
指标导向：想推动某类能力（如拓扑保真），最有效的方式是把它写进评测。
数据复用：同一份标注（分割 + 定位 + 边表）可支撑多个任务，极大提升数据价值密度。

3.14 2023 与 2024 届的可比性

两届并非完全可比：

训练规模不同（90 vs 125 对）。
测试集不同（35 vs 70，且 2024 为多中心）。
任务集合不同（2 vs 3）。

因此，跨届比较分数是没有意义的。引用时应明确"哪一届、哪个任务"。这也是本条目在 §9.2 单列"多口径"表的原因。

§4 标注体系与范式

4.1 为什么用虚拟现实（VR）标注

TopCoW 最有辨识度的技术决策，是在虚拟现实环境中完成血管标注。传统在 2D 切片上逐层勾画血管，会遇到一个根本困难：血管是三维细长、彼此缠绕、且常与小血管重叠的结构，逐层勾画极易产生"断点"与"粘连"。

VR 标注的做法是：把影像渲染成三维体，标注者在立体空间中直接"描画"血管，如同在实体模型上用笔涂色。这样能更自然地保持血管的连续性与分支拓扑。

4.2 标注协议要点

从分叉尖端出发：标注者依据血管分叉处的"尖端"确定各血管的分界点。
解剖归属判定：为确保动脉瘤分类的一致性，ICA 与 BA 的归属按分叉尖端起算，避免同一段血管在不同标注者手里归到不同类。
漏斗部（infundibulum）处理：对 Pcom 起始处的漏斗样扩张有专门处理规则，防止把正常解剖变异误标为动脉瘤。
特殊变异标注：胎儿型 PCA（fetal-type PCA）、三支型 ACA（triple ACA）等 CoW 变异有单独的标注约定。
ROI 先行：先标注 CoW 区域的 3D 包围盒，后续评测限定在该 ROI 内进行，避免全脑范围的无意义体素计入分母。

4.3 13 个血管组件

依官方 cow-annotation 页面，组件为：

左颈内动脉（L ICA）
右颈内动脉（R ICA）
左大脑前动脉（L ACA）
右大脑前动脉（R ACA）
左大脑中动脉（L MCA）
右大脑中动脉（R MCA）
前交通动脉（Acom）
左后交通动脉（L Pcom）
右后交通动脉（R Pcom）
左大脑后动脉（L PCA）
右大脑后动脉（R PCA）
基底动脉（BA）
第三段 A2（third A2）等细分项的计入

口径提示：不同文档对"13 类"的文字枚举不完全一致（例如第三段 A2 是否单独计数）。本条目按官方多类标签方案 0–12 的整数编码为准，另有 15 号标签专门用于第三段 A2。

4.4 标签编码

多类分割标签采用整数编码，0–12 对应上述主要血管组件，15 号标签用于 third A2 的情形，0 通常代表背景。因为标签方案含"跳号"（缺 13、14），读取时务必以官方 label map 定义为准，不要自行按"连续 0…N"推断。

4.5 双模态联合标注

TopCoW 的标注不是"CTA 标一遍、MRA 再独立标一遍"，而是联合标注：标注者可同时参考同一受试者的两种模态来判定血管归属。这提高了标签的解剖学准确性，但也带来一个隐含前提——使用单模态数据训练时，标签里可能含有来自另一模态的信息。这是阅读该数据集时必须知道的"标注过程副作用"。

4.6 2024 届的 Betti-0 修正

2024 届对 Betti-0 相关的标签/评测做了修正。Betti 数刻画拓扑不变量：Betti-0 等于连通分量个数，Betti-1 等于"环"的个数。Willis 环本身是一个环状结构，其 Betti-1 应为 1；若算法把环"切断"，或产生多余的小连通块，Betti-0 就会偏离。2024 届的修正即针对这类系统性偏差。

4.7 标注一致性的保障机制

多标注者、多中心的数据要可信，必须有质控。TopCoW 在公开材料中体现的质控思路包括：

统一协议：以分叉尖端为界，把"哪一段血管归哪一类"写死，减少自由度。
争议裁决：对边界情形（如漏斗部、细小 Pcom）有统一的判定规则。
双模态互证：标注时可参考另一模态，降低单模态伪影导致的误判。
ROI 约束：把标注范围限定在 CoW 包围盒内，减少无关区域的过度标注。

4.8 为什么"分叉尖端"是标注的关键

血管分叉处的"尖端"（bifurcation apex）是血管归属的天然分界标志。以 MCA 与 ACA 的划分为例：ICA 在分叉后分为 MCA 与 ACA，分叉尖端的位置决定了"ICA 段到哪结束、MCA/ACA 从哪开始"。若不同标注者对尖端的判定不一致，同一根血管的长度会被系统性地高估或低估。

这在动脉瘤评估中尤其重要：动脉瘤位于 ICA 末端还是 MCA 起始，会影响分类与统计。TopCoW 把尖端规则写成协议，正是为了让这些边界判定可复现。

4.9 变异型的标注难点

CoW 变异型是标注中最容易出分歧的部分：

缺如型（aplasia）：某根血管完全缺失（如一侧 Pcom 缺如），标注者需确认是"真的没有"还是"成像没显示"。
发育不良型（hypoplasia）：血管极细，容易被忽略或误标为噪声。
胎儿型 PCA：后循环供血改由 ICA 承担，PCA 的归属段会变化。
三支型 ACA：ACA 供血模式异常，分叉结构不典型。

这些变异型的标注正确性，直接决定了"图分类"任务是否能成立——因为图分类的目标正是识别这些变异。

4.10 多类标签的空间关系

13 类血管在空间上并非彼此独立，而是共享边界：

ICA 与 ACA/MCA 在 ICA 末端相接。
Acom 连接左右 ACA。
Pcom 连接 ICA 与 PCA。
BA 分叉为左右 PCA。

因此多类分割本质上是"把一张血管网切成 13 段并正确命名"。切错段界（如把 MCA 起始算作 ICA）会同时污染两类的 Dice，这也是多类分割比二类分割难得多的原因。

4.11 标注工具的工程含义

VR 标注产出的标签，意味着它不是"逐层描画"的产物，而是"三维空间勾画"的产物。这对使用者有一个隐含好处与一个隐含风险：

好处：血管连续性天然较好，断层之间的"跳层断点"更少。
风险：标签在层间可能出现"非逐层平滑"的形态，若你的后处理假设了逐层连续性，需重新验证。

4.12 标注成本与数据价值的权衡

VR 逐血管标注是高成本的：需要专业解剖知识、需要 VR 设备与训练、单例耗时长。这也解释了为什么 TopCoW 的规模是"百例量级"而非"千例量级"——它的数据价值密度极高，但扩充速度受限。

由此可以理解 TopCoW 的取舍逻辑：宁可少而精，不可多而糙。对拓扑感知任务而言，标签的一处小错都可能导致评测失真，粗糙的海量标签反而有害。

4.13 标注质量对下游任务的影响链

标注质量
  └─→ 多类分割标签准确 → 分割模型可学
        └─→ ROI 定位标签准确 → 检测模型可用
              └─→ 边表/图结构准确 → 图分类模型可训

这条链说明：图分类这类"高层任务"对底层标注质量的依赖最强——因为一旦血管归属或连接标错，图结构就错了，模型学到的就是错的关系。

4.14 使用者如何自查标签对齐

在正式训练前，建议做以下自查：

随机抽 5–10 例，可视化影像与标签叠加，确认空间对齐（无错位、无翻转）。
检查左右血管是否在解剖正确的一侧（防 affine 翻转）。
统计各类体素数，确认没有"某类全为 0"的异常样本。
确认标签取值落在官方定义的编码集合内（0–12、15），无越界值。

这四步花不了多少时间，却能避免大量"训练不收敛"的困惑。

§5 评测指标详解

5.1 二类任务的三个指标

Dice：体素级重叠度，衡量分割形状的总体准确性。
cl-Dice（centerline Dice）：先提取血管中心线（骨架），再计算中心线的重叠度。它奖励"血管连接正确"的结果，对边缘厚度不敏感——因为临床上血管粗细的绝对误差往往不影响下游判断，但"断开"是致命的。
Betti-0 误差：连通分量数（Betti-0）与真值的差异，直接惩罚"血管断开"或"虚假连通"。

5.2 多类任务的三个指标

类平均 Dice（class-average Dice）：对 13 类各自算 Dice，再取平均。细小血管（如 Pcom、Acom）权重与粗大血管（ICA、BA）相同，迫使算法不能"只画大血管"。
二值合并 cl-Dice：把多类结果合并为二值血管掩膜后再算 cl-Dice，考核整体中心线连通性。
类平均 Betti-0 误差：逐类计算 Betti-0 偏差再平均。

5.3 等权与排名

六个指标等权合成最终排名。这一点很重要：它意味着"拓扑指标"与"重叠指标"分量相当，单纯优化 Dice 而牺牲连通性是行不通的。这也是 TopCoW 被称为"拓扑感知"挑战赛的技术根据。

5.4 指标的学术来源

指标	出处
cl-Dice	Shit 等，2021（Centerline Dice / clDice）
Betti 匹配	Stucki 等，2023（Betti-Matching）
Dice	医学分割经典指标

官方评测实现托管于 GitHub 仓库 TopCoW_Eval_Metrics，参赛与复现均以该仓库代码为准。

5.5 性能基准

论文摘要给出的高水平参与者的成绩区间：

Dice > 90%
F1 > 80%
balanced accuracy > 70%

这些数字代表"当前最优算法在 TopCoW 上已达到的水平"，也是后续工作判断"是否超越 SOTA"的基准线。

5.6 评测的一个隐藏难点

Willis 环的解剖变异率高。有的人缺 Pcom，有的人是胎儿型 PCA，有的人 ACA 为三支。这意味着同一条评测规则在不同解剖型的受试者身上难度不同。类平均化的设计部分缓解了这一点，但读者应意识到：排行榜分数隐含了测试集的解剖变异分布，不能简单外推到任意临床人群。

5.7 cl-Dice 为什么能"抓住"血管

理解 cl-Dice 的关键是"中心线"这一步。对二值血管掩膜做骨架化（skeletonization），得到一条条细如发丝的曲线；然后比较预测骨架与真值骨架的覆盖率与精度，取调和平均。它的三个特性：

对粗细不敏感：血管直径预测偏大偏小，只要中心线对得上，分数就不掉。
对断裂敏感：若算法把一根连续血管切成两段，骨架覆盖率骤降，分数显著下降。
对虚假分支敏感：若算法凭空长出一根支路，精度下降。

因此 cl-Dice 在血管、道路、河流、神经纤维等"细长连通结构"上广泛适用，TopCoW 是把它系统引入血管分割评测的重要推手之一。

5.8 Betti 数与"环"的故事

Willis 环之所以叫"环"，是因为它的本体是一个环状吻合结构。从拓扑看：

Betti-0 = 连通分量数：理想情况下整体血管网络应为 1 个连通分量（所有血管相连）。
Betti-1 = 环的个数：Willis 环本身贡献 1，胎儿型 PCA 等变异会改变环数。

如果算法把某个关键吻合点（如 Acom、Pcom）漏掉，Willis 环就不再是"环"，Betti-1 从 1 变 0——这在解剖学上是重大错误，但在 Dice 上可能只损失几个百分点。这就是为什么 TopCoW 要在 Dice 之外单列 Betti 指标。

5.9 指标的临床相关性论证

评测指标的选择不是纯数学偏好，而是有临床论证的：

指标	临床反例（若不考核会出什么错）
Dice	边缘糊、血管粗细失真
cl-Dice	血管断裂，介入路径无法规划
Betti-0	血管断开或虚假连通，解剖关系错误
类平均 Dice	只画大血管，漏掉 Acom/Pcom 等关键细支
图分类	无法识别变异型，影响手术入路决策

这张表说明：六个指标不是堆砌，每一维都对应一类临床风险。

5.10 与通用分割指标的对照

指标	是否体素级	是否拓扑感知	TopCoW 是否采用
Dice / IoU	是	否	采用 Dice
HD95（豪斯多夫）	是	否	未作为主指标
cl-Dice	否（中心线级）	是	采用
Betti 误差	否（拓扑级）	是	采用
图编辑距离	否（图级）	是	用于图分类任务

5.11 传统指标为什么"不够用"

举一个具体的数值例子来说明"为什么单靠 Dice 不行"：

假设真值是一根连续血管，共 1000 个体素。某算法的预测把血管从中间切断了 1 个体素宽。那么：

Dice：预测与真值只差约 2 类体素（切断处两侧），重叠度可能仍在 0.99 以上——看上去"很好"。
cl-Dice：骨架被切断，中心线覆盖的连续性被破坏，分数会明显低于 Dice。
Betti-0：从 1 变成 2，误差为 1——直接暴露"血管断成两段"。

这个例子说明：Dice 对"细小的拓扑错误"几乎无感，而拓扑错误恰恰是临床最不能容忍的。TopCoW 引入 cl-Dice 与 Betti，正是为堵住这个盲区。

5.12 类平均 Dice 的"反大血管偏袒"效应

如果直接用全局 Dice，粗大血管（ICA、BA）因体素数多，会主导分数；细小血管（Acom、Pcom）即使全错，对全局 Dice 影响也小。类平均 Dice 强制每类权重相同，于是：

算法必须认真对待 Pcom 这类"小但临床关键"的血管。
一个"大血管画得完美、小血管全丢"的模型，在类平均口径下会大幅失分。

这是评测设计在"引导算法关注临床关键结构"上的典型手法。

5.13 六指标的互补关系

指标	惩罚什么	放过什么
Dice（二类/类平均）	形状偏差、漏检错检	细小断裂
cl-Dice	断裂、虚假分支	粗细偏差
Betti-0	连通结构错误	边缘细节

三者互补，构成"形状 + 连续 + 拓扑"的三维考核。等权合成，意味着任何单一维度的"偏科"都无法拿到高分。

5.14 评测实现的工程细节

官方 TopCoW_Eval_Metrics 的实现关注点通常包括：

骨架化算法选择：不同的骨架化实现（如形态学细化 vs 距离变换脊线）会产生不同的中心线，进而影响 cl-Dice 数值。
Betti 计算的边界处理：如何处理 ROI 边界处的血管"被截断"，会显著影响 Betti-0 计数。
多类合并策略：多类结果如何合并为二值（是否保留所有类、是否排除某些类）需与官方一致。

这也是本条目反复强调"用官方代码复现"的原因：指标本身看似简单，实现差异却足以改变结论。

5.15 排行榜之外：如何解读分数

看到 TopCoW 排行榜分数时，建议依次问：

这是哪一届、哪个赛道、哪个任务？（口径）
用的是哪一版评测代码？（可比性）
测试集包含哪些子集？（难度构成）
六项指标分别是多少？（有没有偏科）

只报一个"总分"而不知上述四项，几乎无法对算法做有意义的判断。

§6 组织方、人物与协作网络

6.1 组织机构

TopCoW 由多家机构联合主办，已知参与机构包括：

苏黎世大学医院（University Hospital Zurich, USZ）：临床影像与神经介入侧的主力。
庞培法布拉大学（Universitat Pompeu Fabra, UPF）：影像计算与方法学侧。
慕尼黑工业大学（Technical University of Munich, TUM）：提供 CTA_ISLES2024_TUM 子集，与 ISLES 家族有交叉。
德国癌症研究中心（DKFZ）：医学影像 AI 重镇，Bjoern Menze 所在体系。
乌得勒支大学医学中心（UMCU）：荷兰影像组学与脑血管研究。

6.2 关键人物

Kaiyuan Yang：论文第一作者，挑战赛的主要执行者。
Bjoern Menze：资深作者，医学影像 AI 领域的代表性学者（也是多个脑影像挑战赛的共同发起人）。
论文作者名单超过 115 人，覆盖多中心、多学科，反映挑战赛的协作本质。

6.3 CROWN 协作

TopCoW 与 CROWN（一项关于颅内动脉瘤/血管的协作研究）存在数据层面的配合——2023 届早期发布的 20 例 MRA 即来自 CROWN 队列。理解这一点有助于解释为何数据发布是"分批"的：早期批次是既有协作队列的开放，后续批次才是挑战赛专供采集。

6.4 论文与时间线

事项	时间/标识
arXiv 首次提交（v1）	2023-12-29
arXiv 最新版（v5）	2026-07-14
期刊发表	NEJM AI 2026;3(8)
DOI	10.1056/AIdbp2500994
会议关联	MICCAI 2023 / MICCAI 2024

v1 到 v5 跨两年半，标题与内容均有演进（v5 标题为 “The TopCoW Challenge — Topology-Aware Circle of Willis Segmentation for CT and MR Angiography”，已吸收 2024 届结论）。

6.5 年份口径（并存记录）

同一个 TopCoW 在不同语境下会被标注为不同年份，本条目并陈：

2024：挑战赛/论文初版的工作年份，多数引用文档用此口径。
2025：部分索引与引用记录用此口径。
2026：期刊正式发表年份（NEJM AI 2026;3(8)）。

写作引用时，建议锚定"届次 + 具体文档"，而非笼统写"TopCoW 202X"。

6.6 挑战赛的组织学观察

TopCoW 的组织结构体现了 MICCAI 系挑战赛的典型分工：

临床方（USZ 等）：定义临床问题、提供数据、把关注床可解释性。
方法方（UPF / TUM / DKFZ）：设计评测协议、实现指标、维护代码。
数据方（协作队列如 CROWN、上游公开集如 IXI）：提供影像来源。
社区：参赛队伍在统一协议下贡献算法。

这种"四方结构"的好处是：临床问题定义不会被算法便利性绑架，评测协议也不会被单一实验室的偏好主导。

6.7 多中心协作带来的数据异质性

多中心是把双刃剑：

好的一面：扫描仪型号、序列参数、人群构成多样，训练出的模型泛化性更强，评测更接近真实世界。
难的一面：异质性给算法带来额外挑战——同一根血管在不同中心的图像上灰度分布可能差异明显，模型必须学会"忽略采集差异、抓住解剖结构"。

TopCoW 的跨中心设计，本质上是在用数据分布的自然多样性，倒逼算法学习解剖不变量。

6.8 论文的学术定位

论文标题从 v1 到 v5 的演进（从早期版本到 “Topology-Aware Circle of Willis Segmentation for CT and MR Angiography”）说明其学术定位逐步聚焦：不是单纯"发一个数据集"，而是"提出并验证一套面向血管结构的评测范式"。发表平台为 NEJM AI，属医学 AI 交叉学科的高影响力刊物，说明该工作的受众同时包括临床与方法两界。

§7 数据获取与使用

7.1 获取入口

挑战赛官网：https://topcow23.grand-challenge.org/（2023 届）、https://topcow24.grand-challenge.org/（2024 届）。
数据存档：Zenodo 记录 15692630（14.4 GB）与 15665435（44.6 GB）。
论文：arXiv:2312.17670；NEJM AI 2026;3(8)，DOI 10.1056/AIdbp2500994。
评测代码：GitHub TopCoW_Eval_Metrics。

7.2 授权结构（逐子集）

资源	license	商用注意
主数据集（TopCoW2024_Data_Release）	OpenData Swiss 使用条款	需核对条款原文
CTA_ISLES2024_TUM	CC BY-NC	禁止商业用途
CTA_LargeIA	特殊条款	必须单独确认
MRA_Lausanne	CC0	最宽松
MRA_IXI_HH	CC BY-SA 3.0	需署名 + 相同方式共享

核心提醒：一个 Zenodo 记录里混装多个 license 是常态，不是异常。任何"整体 license"的笼统表述都是不准确的。

7.3 IXI 血缘

MRA_IXI_HH 子集源自 IXI（Information eXtraction from Images）公开脑影像数据集，这是英国的一项经典脑 MRI 资源。TopCoW 借用其 MRA 部分作为健康对照来源，这也解释了为何该子集采用 CC BY-SA 3.0（继承上游条款）。千方病案医数集内另设 ixi-brain 条目，可交叉参考。

7.4 使用建议

先读各子集的 README 与 license 原文，再做合规判定。
训练时注意"配对样本"与"单模态样本"的分离，避免评测泄漏。
复现评测请直接用官方 TopCoW_Eval_Metrics，不要自行实现 cl-Dice / Betti，实现细节差异会显著影响分数。

7.5 数据质量与限制

样本量适中但解剖变异覆盖好：226 例的规模不足以训练超大模型，但变异型覆盖是亮点。
标注者间一致性：官方有多轮质控，但血管细支的标注仍存在主观性。
模态不均衡：CTA 与 MRA 的可用配对数量在各子集间不一致。
临床外推限制：测试集来自特定中心人群，不能直接视为全球人群代表性样本。

7.6 预处理与标准化建议

虽然官方不强制规定预处理，但要让 TopCoW 的分数可复现，通常需要考虑：

重采样与间距统一：不同来源的层厚差异大，需重采样到统一体素间距（如各向同性）。
强度归一化：CTA 的 HU 值与 MRA 的任意单位不可直接比较，需按模态分别归一化。
ROI 裁剪：优先使用官方 roi_loc_labelsTr 或自行定位 CoW 区，减少背景体素干扰。
方向对齐：NIfTI 的方向矩阵需统一，否则左右血管会互换——这是"左右 ICA 混淆"类错误的常见根因。

7.7 评测复现的实操步骤

下载官方 TopCoW_Eval_Metrics 仓库。
准备预测结果，命名与官方标签一一对应。
对二类任务与多类任务分别调用对应脚本。
记录六项指标，避免自行加权（等权是官方定义）。
若与已发表分数对比，务必确认对方使用的是同一版评测代码。

7.8 伦理与合规

数据来源为临床影像，虽经去标识化处理，但使用者仍应遵循：

遵守各子集 license 与机构伦理要求。
不尝试对影像做受试者再识别。
在论文/产品中如实标注数据来源与许可。
商用前完成法务确认，尤其涉及 NC 条款的子集。

7.9 存储与算力需求估算

14.4 GB 的主存档 + 44.6 GB 的配套存档，合计约 59 GB 原始数据。实际使用中的资源需求：

存储：解压后通常膨胀 1.5–2 倍，建议预留 100 GB 以上。
内存：3D 体素级训练对显存要求高，典型配置为单卡 16–24 GB 显存，配合 patch-based 训练。
算力：以 nnU-Net 为基线，单张高端显卡训练一轮通常需要数小时到数天，取决于 patch 大小与增强强度。

对资源有限的团队，建议先用 roi_loc_labelsTr 裁剪到 CoW 区域，可显著降低显存与训练时间。

7.10 版本管理与可复现记录

做 TopCoW 相关实验时，建议记录：

使用的子集列表与各自 license。
数据下载日期（Zenodo 记录可能更新）。
所用的评测代码 commit 哈希。
预处理参数（重采样间距、归一化方式、ROI 定义）。

这四项是让实验结果可被他人在半年后复现的最小集合。

7.11 常见下载问题

体积大、断流：Zenodo 支持断点续传工具（如 wget -c / aria2），建议使用。
校验：下载后比对 MD5/SHA，确保 ZIP 完整。
解压目录：主包与子包可能解压到同名目录，建议先分目录再合并。
编码：README 若含非 ASCII 字符，注意用 UTF-8 打开。

7.12 与机构内数据治理的衔接

若在医疗机构内部使用，通常还需：

由本地伦理委员会确认使用范围。
与本地数据治理政策比对（有的机构禁止将外部数据与院内数据混合训练）。
记录数据血缘（provenance），以备审计。

这些步骤虽与"技术"无关，却是真实项目中绕不开的环节。

§8 生态位与互链点

8.1 在挑战赛家族中的位置

TopCoW 是"拓扑感知分割"这条支线的起点。它的方法论被后续条目继承：

TopBrain Segmentation Challenge Version 2（topbrain2026, rid 632）：脑肿瘤分割，条目正文明确将 TopCoW 列为血缘前列。
TopAneu 2026（topaneu2026, rid 637）：动脉瘤检测与分割，同样承接 TopCoW 的拓扑与解剖学思维。

三者在千方病案医数集内构成"祖先 → 后代"的可导航链路，是本条目最重要的互链价值。

8.2 与脑血管/动脉瘤类数据集的互链

adam-aneurysm：颅内动脉瘤检测数据集，与 TopCoW 的动脉瘤定位议题（fetal-type PCA、动脉瘤定位）直接相关。
imagecas：冠脉/血管分割相关公开数据，方法论（血管分割评测）可比。
rsna-intracranial-hemorrhage：颅内出血检测，与脑血管病的下游临床结局衔接。
crossmoda2022 / crossmoda-2023：跨模态域适应挑战赛（同样涉及 CTA/MRA），与 TopCoW 的"跨模态"命题互为参照。

8.3 与分割/脑影像通用资源的互链

isles：ISLES 系列（缺血性卒中病灶分割），TUM 侧与 TopCoW 有数据集交叉（CTA_ISLES2024_TUM）。
ixi-brain：MRA_IXI_HH 的上游来源。
largeia：与 CTA_LargeIA 子集同源。
intra：颅内相关分割资源。

8.4 与 TopCoW 方法论互补的方向

拓扑指标的普适化：cl-Dice / Betti 已从血管迁移到神经纤维、气道、冠脉等结构，TopCoW 是这一迁移的策源地之一。
虚拟现实标注：VR 标注流程对细长结构（血管、神经、气道）具有普适价值，值得作为方法论单独关注。
挑战赛血缘研究：TopCoW 家族（TopCoW → TopBrain → TopAneu）适合作为"挑战赛如何迭代"的案例研究。

8.5 建议的互链锚文本

目标条目	建议锚文本
topbrain2026	TopBrain 挑战赛（TopCoW 血缘后代）
topaneu2026	TopAneu 2026（动脉瘤检测与分割）
adam-aneurysm	ADAM 颅内动脉瘤数据集
crossmoda2023	CrossMoDA 跨模态域适应挑战赛
isles	ISLES 缺血性卒中病灶分割
ixi-brain	IXI 脑影像数据集
rsna-intracranial-hemorrhage	RSNA 颅内出血检测

8.6 读者画像与使用场景

读者类型	典型需求	本条目对应章节
算法研究者	了解任务定义与评测细节	§3、§4、§5
临床研究者	了解解剖学与临床相关性	§2、§4、§5.9
数据工程师	获取数据与合规要点	§7
挑战赛复盘者	理解赛制演进与血缘	§3、§6、§8
产品/法务	确认 license 边界	§7.2、§7.8

8.7 与相邻挑战赛的方法论对照

挑战赛	核心命题	与 TopCoW 的关系
CrossMoDA	跨模态域适应（MRA→CTA 等）	共享"跨模态"命题，互为参照
ISLES	缺血性卒中病灶分割	数据交叉（TUM 侧），任务不同
TopBrain	脑肿瘤分割	血缘后代
TopAneu	动脉瘤检测分割	血缘后代
ATLAS / 其他血管分割	血管/病灶结构	方法可比

8.8 互链的写作建议

在千方病案医数集体系内写作时，本条目适合作为"祖先节点"被引用：

在 topbrain2026 / topaneu2026 条目中，可用"其方法论母本 TopCoW（topcow）"作为回指。
在 isles / ixi-brain / largeia 条目中，可用"子集来源/交叉"作为互链说明。
在 adam-aneurysm / rsna-intracranial-hemorrhage 条目中，可用"脑血管病 AI 数据集谱系"作为上位概念串联。

8.9 挑战赛家族的演进逻辑

把 TopCoW → TopBrain → TopAneu 连起来看，可以读出主办方的一条演进主线：

代际	数据集	核心结构	评测范式演进
第一代	TopCoW	血管（细长、环状、连通）	引入拓扑指标
第二代	TopBrain	肿瘤（团块、边界模糊）	继承多类 + 结构约束
第三代	TopAneu	动脉瘤（局部小目标 + 血管关系）	检测 + 分割 + 关系推理

这条主线体现的是一种"结构复杂度递增"的挑战赛设计哲学：先解决"细长结构"，再解决"团块结构"，最后解决"小目标 + 关系"。这种渐进式演进，使主办方能复用评测基础设施（Grand Challenge 平台、容器化提交、指标框架），把精力集中在任务定义上。

8.10 TopCoW 的"方法论遗产"

即使不看具体数据，TopCoW 在方法论上留下的遗产也有独立价值：

“把领域知识写进指标”：拓扑指标不是数学炫技，而是把"血管必须连通"这一临床常识编码成可计算量。
"双模态配对"的数据构造范式：为跨模态研究提供了稀缺的配对资源。
"VR 标注"的工艺创新：为细长结构的标注提供了可借鉴的流程。
"多任务递进"的任务设计：从分割到检测到图分类，展示了同一份数据可以支撑多层次的科学问题。

8.11 与其他"拓扑感知"工作的关系

在更广的方法论谱系中，TopCoW 与以下方向互为呼应：

拓扑损失（topological loss）：把 Betti 数、持久同调等作为可微损失，直接优化拓扑。TopCoW 的 Betti 评测为这类损失提供了"考卷"。
骨架/中心线方法：cl-Dice 的流行推动了"先骨架再比较"的评测思路。
图神经网络（GNN）在血管上的应用：图分类任务天然适合 GNN，TopCoW 为这类方法提供了基准。

8.12 使用 TopCoW 做研究的三条可行路径

路径一（方法）：以 TopCoW 为基准，提出新的拓扑感知分割/损失方法，在六指标上全面对比。
路径二（数据分析）：利用 CoW 变异标注，做解剖变异与临床结局（卒中、动脉瘤）的关联分析。
路径三（评测科学）：研究"不同评测指标对算法排名的影响"，反思医学影像评测的有效性。

8.13 本条目在千方病案医数集中的定位

作为"挑战赛 / 血管分割 / 拓扑感知"三个标签的交汇点，本条目在数据集体系内承担两个功能：

谱系锚点：为 TopBrain、TopAneu 等后代条目提供"祖先"回指对象。
方法论样板：为其他血管类、结构类数据集条目提供"如何写评测、如何讲清 license、如何处理多口径"的写作范式。

§9 存照与待核

9.1 已确认的硬事实（抓取时点 2026-09-30）

挑战赛名称、届次（2023 / 2024）、平台（Grand Challenge）均有官方页面支撑。
13 个血管组件与 VR 标注协议有官方 cow-annotation 页面支撑。
六个评测指标、等权设计、cl-Dice 与 Betti 匹配来源有官方 assessment 页面支撑。
Zenodo 15692630 的 5 个子集、体积与各自 license 有存档页面支撑。
arXiv:2312.17670 v1→v5 时间线、期刊信息有 arXiv 与期刊记录支撑。
血缘关系（TopCoW → TopBrain → TopAneu）有千方病案医数集内既有条目与 production_tracker 支撑。

9.2 存在多口径、需并陈的项

项	口径 A	口径 B	口径 C
年份	2024（工作年份）	2025（部分索引）	2026（NEJM AI 发表年）
测试集规模	35（2023 届）	70（2024 届）	—
参与者规模	140+ / 4 大洲 / 20 队（2023 届）	250+ / 6 大洲（论文）	—
血管组件数	13（官方表述）	0–12 编码 + 15 号（标签方案）	—

9.3 仍待核实

CTA_LargeIA 的"特殊条款"具体文本，需下载后核对 LICENSE 文件。
2024 届任务是否最终全部保留（检测/图分类的赛后存续状态）。
论文 v5 中 226 例的机构分布细节。
各子集体素间距的逐台设备清单（需读 raw/ 元数据）。

9.4 存照原则

本条目对一切不确定项采取"标注不确定"而非"留白"或"猜测"的策略。凡本条目未标注来源的具体数值，读者应视为待核。

9.5 数据快照清单（抓取时点）

快照项	抓取结果
2023 届官网首页	可访问，含任务说明、时间线、CROWN 协作、作者名单
2024 届官网首页	可访问，含任务扩张、测试集翻倍说明
cow-annotation 页	可访问，含 13 组件与标注规则
assessment 页	可访问，含六指标与等权说明
Zenodo 15692630	可访问，含 5 子集体积与 license
Zenodo 15665435	可访问，44.6 GB
arXiv 2312.17670	可访问，v1→v5 时间线
期刊页面	NEJM AI 2026;3(8)

9.6 三源交叉验证结论

本条目严格遵循"三源交叉"原则：

官方站（Grand Challenge 页面）：提供赛制、任务、时间线的权威口径。
数据存档（Zenodo）：提供规模、体积、license 的权威口径。
学术文献（arXiv / 期刊）：提供方法、结果、参与者规模的权威口径。

三源在"13 类血管组件"“六项评测指标”“双模态”“拓扑感知"四个核心事实上完全一致；在"年份”“测试集规模”"参与者规模"三处存在口径差异，本条目已逐项并陈。

9.7 逐项事实的确认强度分级

为便于读者判断可信度，本条目把事实分为三级：

级别	含义	示例
★★★ 确证	至少两源一致，无歧义	13 类血管组件、六项指标、双模态
★★ 单源	仅一源明确给出	部分时间线节点、部分体积数值
★ 待核	口径不一或多源缺失	参与者规模、年份、检测/图分类赛后存续

使用时建议：★★★ 可直接引用；★★ 需注明单一来源；★ 需自行核实后再用。

9.8 与相邻条目的口径一致性

本条目在写作时已与千方病案医数集内既有条目做口径对齐：

与 topbrain2026：血缘表述一致（TopCoW 为母本）。
与 topaneu2026：家族链表述一致。
与 isles / ixi-brain / largeia：子集交叉关系表述一致。

若后续这些条目更新口径，本条目应同步复核 §8 的互链描述。

9.9 未采信的信息

为避免污染事实档案，本条目明确不采信以下类别信息：

无出处的二手转述（如"某博客说 TopCoW 有 XXX 例"）。
无法定位到具体文档的"据说"数值。
与官方页面直接冲突且无更强证据的说法。

凡此类信息，本条目一律不收，宁缺毋滥。

§10 避坑清单

坑 1：把"13 类"当成连续标签 0–13。
官方标签方案是 0–12 的整数编码外加 15 号标签用于 third A2，"13、14"是空缺的。若代码里按 range(13) 或 num_classes=13 粗暴推断，会与真实 label map 错位。务必读官方定义。

坑 2：用"一个 license"概括整个 Zenodo 记录。
Zenodo 15692630 里混装 OpenData Swiss、CC BY-NC、CC0、CC BY-SA 3.0 等至少四种条款。商用前必须逐子集核对，尤其 CTA_ISLES2024_TUM 明确 NC。

坑 3：把"配对"外推到全部子集。
配对是主数据集的属性，不是全部数据的属性。外部测试集（ISLES2024_TUM、Lausanne、IXI_HH）本质为单模态。设计跨模态实验时若不区分，会把跨域泛化与跨模态迁移混为一谈。

坑 4：只优化 Dice，忽视拓扑指标。
评测六指标等权，cl-Dice 与 Betti-0 合计占一半权重。只追 Dice 的算法在排行榜上会被拓扑稳健的算法反超。这是 TopCoW 的设计意图，不是意外。

坑 5：自行实现 cl-Dice / Betti。
中心线提取与 Betti 匹配的实现细节（骨架化算法、匹配策略）会显著影响数值。复现与对比请一律使用官方 TopCoW_Eval_Metrics 仓库。

坑 6：忽略"联合标注"的副作用。
标注时参考了双模态信息，因此单模态训练时标签可能含有来自另一模态的先验。这在严格意义上是一种"标注泄漏"，评估跨模态泛化时需心中有数。

坑 7：把排行榜分数直接外推到临床人群。
测试集的解剖变异分布、中心来源、人群构成都有限定。排行榜分数是"在该测试集上"的成绩，不是临床性能承诺。

坑 8（DAIMS 视角的规范表达）：评估一个血管分割数据集时，建议按下表逐项核对；TopCoW 的取值如下：

维度	英文	TopCoW 的取值	说明
可发现性	Discoverability	高	挑战赛官网 + Grand Challenge 平台 + Zenodo 三重入口，论文索引完备
可获取性	Accessibility	中高	数据公开可下载，但需逐子集核对 license；无统一注册门槛
互操作性	Interoperability	高	NIfTI 标准格式，标签结构对齐 nnU-Net 惯例，评测代码开源
元数据	Metadata	中高	提供 README 与标注协议，但体素/设备级参数分散在 raw 目录
可持续性	Sustainability	中高	Zenodo 长期存档（DOI 化），期刊 + arXiv 双重文献留档；但子集 license 异构带来长期合规负担

坑 9：把届次与论文版本混为一谈。
“2023 届”、“2024 届”、"arXiv v5"是三套不同的事实集合。引用时若不锚定具体文档，极易出现"用 2024 届的数字描述 2023 届"这类错误。

坑 10：忽视体外测试集的"无动脉瘤"设定。
CTA_LargeIA 明确说明 Willis 环 ROI 内无动脉瘤，它是作为阴性/对照用途存在的。把它当成"含动脉瘤的检测数据集"来用，会得出完全错误的结论。

FAQ

Q1：TopCoW 只能用于血管分割吗？
不止。2024 届起同时支持分割、3D 目标检测与图分类三类任务。

Q2：数据需要注册才能下载吗？
数据在 Zenodo 公开，无需特殊注册；挑战赛提交环节才需要 Grand Challenge 账号。

Q3：能不能只下 CTA 部分？
可以。子集是按来源/模态打包的，可单独下载。但"配对"研究必须同时取 CTA 与 MRA。

Q4：评测指标里哪个最重要？
六个等权，没有"最重要"。但若只关心临床可用性，cl-Dice 与 Betti-0 更贴近"血管是否连通正确"这一临床关切。

Q5：TopCoW 和 TopBrain/TopAneu 是同一批人办的吗？
血缘与方法论同源，组织方有重叠但不完全相同，具体以各届官网为准。

Q6：中文语境下"Willis 环"还有别的叫法吗？
常见有"大脑动脉环"“脑底动脉环”。英文统一为 Circle of Willis（CoW）。

Q7：数据集能用于训练商业产品吗？
主数据集看 OpenData Swiss 条款；子集须逐项核对，至少 CTA_ISLES2024_TUM 为 NC。

Q8：论文最新版和挑战赛官网哪个更权威？
两者互补。官网权威于"赛制、任务、数据获取"；论文权威于"方法、结果、学术结论"。冲突时按"时效 + 场景"判断。

Q9：为什么用 Betti-0 而不是 Betti-1？
Betti-0（连通分量数）更容易稳定计算，且"血管是否断开"直接对应 Betti-0 变化；Betti-1 对细支噪声更敏感，作为主指标稳定性不足。这不代表 Betti-1 不重要，只是主评测选了更稳健的那个。

Q10：标注为什么要用 VR，用三维软件不行吗？
VR 提供的是"沉浸式空间定位"，标注者能像在实体模型上一样绕行观察；普通三维软件缺乏这种立体交互，仍倾向逐层操作，效率与连续性都更差。

Q11：TopCoW 的标签可以直接当二值掩膜用吗？
可以——把多类标签中所有非背景类合并即可。但要注意：二值任务与多类任务在官方是分开评测的，分数不可混用。

Q12：如果我只做检测不做分割，能用这个数据吗？
能。2024 届的检测任务对应 roi_loc_labelsTr/，可直接用于 3D 包围盒训练与评测。

Q13：数据集里的"对照"是什么意思？
指不含病变（如 Willis 环 ROI 内无动脉瘤）的样本，用于验证算法不会"无中生有"。MRA_Lausanne 与 CTA_LargeIA 部分承担对照角色。

Q14：能拿 TopCoW 训练通用血管分割模型吗？
可以，但要注意它聚焦 Willis 环这一局部区域，直接迁移到冠脉、外周血管的效果取决于域差异，通常需要额外微调。

Q15：论文里的 226 例和官网的 125 对怎么对应？
口径不同：125 对是"训练配对样本"，226 例是"论文统计的总扫描数（含测试与外部）"。二者不是矛盾，是统计范围不同。

Q16：cl-Dice 和 clDice 是同一个东西吗？
是。cl-Dice / clDice / centerline Dice 指同一概念，只是写法习惯不同。官方材料两种写法都出现。

Q17：Betti 数需要自己实现吗？
不需要，也不建议。官方评测代码已实现，且有对应的 Betti-Matching 方法论文与开源库可参考。自实现极易在边界处理上出错。

Q18：TopCoW 的标签能用于弱监督学习吗？
可以。多类标签本身就是稠密监督；若要做弱监督，可从中抽取"血管存在性"等弱标签构造实验。

Q19：测试集标签公开吗？
挑战赛期间隐藏（黑箱评测）；赛后是否随数据发布，以其官方说明为准，本条目不臆断。

Q20：如果我想复现论文里的分数，需要注意什么？
确认三件事：用的是哪一届数据、哪一版评测代码、哪个任务口径。三者任一不同，分数都不可直接比较。

Q21：TopCoW 对中文研究者的门槛高吗？
不高。数据与代码均为公开英文资源，无地域限制；主要门槛是 3D 分割的算力与 license 合规。

事实清单

编号	事实	来源
F1	slug 为 topcow，届次为 2023 与 2024 两届	官方站
F2	覆盖 CTA 与 MRA 双模态，主数据配对	官方站 / Zenodo
F3	多类分割含 13 个血管组件	cow-annotation 页
F4	标注在 VR 环境中完成	cow-annotation 页
F5	二类任务指标：Dice / cl-Dice / Betti-0	assessment 页
F6	多类任务指标：类平均 Dice / 合并 cl-Dice / 类平均 Betti-0	assessment 页
F7	六指标等权合成排名	assessment 页
F8	主存档 Zenodo 15692630，14.4 GB，5 个 ZIP	Zenodo
F9	配套存档 Zenodo 15665435，44.6 GB	Zenodo
F10	子集 license 含 OpenData Swiss / CC BY-NC / CC0 / CC BY-SA 3.0	Zenodo
F11	2023 届训练 90 对 + 20 例 CROWN MRA，测试 35	官方站
F12	2024 届训练 125 对（+39%），测试 70（翻倍、多中心）	官方站
F13	论文总扫描 226 例，5+ 中心	arXiv v5
F14	arXiv 2312.17670，v1 2023-12-29 → v5 2026-07-14	arXiv
F15	期刊 NEJM AI 2026;3(8)，DOI 10.1056/AIdbp2500994	期刊
F16	第一作者 Kaiyuan Yang，资深作者 Bjoern Menze	论文
F17	2023 届 140+ 参与者 / 4 大洲 / ~20 队；论文 250+ / 6 大洲	官方站 / 论文
F18	血缘：TopCoW → TopBrain(632) → TopAneu(637)	数据集内既有条目
F19	cl-Dice 出自 Shit 2021；Betti 匹配出自 Stucki 2023	论文引用
F20	评测代码托管于 GitHub TopCoW_Eval_Metrics	官方站

术语表

Willis 环（Circle of Willis, CoW）：脑底动脉环，颅内供血枢纽，由前循环与后循环在脑底吻合形成。
CTA（CT Angiography）：CT 血管造影，注射碘对比剂后 CT 扫描重建血管。
MRA（MR Angiography）：MR 血管造影，常用 TOF 法，无电离辐射。
Dice：体素级重叠系数，2|A∩B| / (|A|+|B|)。
cl-Dice（centerline Dice）：基于中心线的 Dice，强调血管连通正确性。
Betti 数：拓扑不变量；Betti-0 为连通分量数，Betti-1 为环数。
Betti 匹配（Betti-Matching）：一种使拓扑结构对齐的评测/损失思路（Stucki 等）。
ROI（Region of Interest）：感兴趣区域；TopCoW 中为 CoW 的 3D 包围盒。
infundibulum（漏斗部）：Pcom 起始处的漏斗样扩张，需与动脉瘤鉴别。
fetal-type PCA：胎儿型大脑后动脉，后循环由 ICA 供血的变异型。
triple ACA：三支型大脑前动脉变异。
nnU-Net：医学分割的强基线框架，TopCoW 数据布局沿用其命名惯例。
NIfTI：神经影像通用文件格式（.nii/.nii.gz）。
Grand Challenge：医学影像挑战赛托管平台。
CROWN：与 TopCoW 存在数据协作的研究队列。

附录

附录 A｜官方资源链接一览

资源	链接
2023 届官网	https://topcow23.grand-challenge.org/
2024 届官网	https://topcow24.grand-challenge.org/
标注协议页	https://topcow23.grand-challenge.org/cow-annotation/
评测说明页	https://topcow23.grand-challenge.org/assessment/
主数据存档	https://zenodo.org/records/15692630
配套存档	https://zenodo.org/records/15665435
论文（arXiv）	https://arxiv.org/abs/2312.17670
评测代码	GitHub: TopCoW_Eval_Metrics

附录 B｜血管组件速查（13 类）

序号	组件	英文缩写	临床关联
1	左颈内动脉	L ICA	前循环主干
2	右颈内动脉	R ICA	前循环主干
3	左大脑前动脉	L ACA	前循环内侧
4	右大脑前动脉	R ACA	前循环内侧
5	左大脑中动脉	L MCA	前循环外侧，卒中高发
6	右大脑中动脉	R MCA	前循环外侧，卒中高发
7	前交通动脉	Acom	前交通动脉瘤位点
8	左后交通动脉	L Pcom	后交通动脉瘤位点
9	右后交通动脉	R Pcom	后交通动脉瘤位点
10	左大脑后动脉	L PCA	后循环
11	右大脑后动脉	R PCA	后循环
12	基底动脉	BA	后循环主干
13	第三段 A2 等细分项	third A2	标签方案另设 15 号

附录 C｜评测指标速查

任务类型	指标 1	指标 2	指标 3
二类分割	Dice	cl-Dice	Betti-0 误差
多类分割	类平均 Dice	二值合并 cl-Dice	类平均 Betti-0 误差
合成方式	六项等权	—	—

附录 D｜Zenodo 子集与 license 对照

子集	体积	例数	模态	license
TopCoW2024_Data_Release.zip	10.5 GB	主体	CTA+MRA	OpenData Swiss
CTA_ISLES2024_TUM.zip	2.0 GB	26	CTA	CC BY-NC
CTA_LargeIA.zip	802.7 kB	20	CTA	特殊条款
MRA_Lausanne.zip	1.3 GB	20	MRA	CC0
MRA_IXI_HH.zip	517.3 MB	20	MRA	CC BY-SA 3.0

附录 E｜两届赛制对照

项	2023 届	2024 届
训练规模	90 对 + 20 CROWN MRA	125 对（+39%）
测试规模	35	70（多中心，翻倍）
赛道/任务	2 Track × 2 Task	3 Task（分割/检测/图分类）
MICCAI 地点	Vancouver	Marrakesh
关键变更	首办，确立评测协议	引入 Betti-0 修正，任务扩张

附录 F｜血缘链路

TopCoW（topcow, 本条目）
  ├─ 拓扑感知分割方法论 + Grand Challenge 赛制 + 多类血管标注
  ├─→ TopBrain Segmentation Challenge Version 2（topbrain2026, rid 632）
  └─→ TopAneu 2026（topaneu2026, rid 637）

附录 G｜相关条目与互链锚文本

目录	关系	建议锚文本
topbrain2026	血缘后代	TopBrain 挑战赛（TopCoW 血缘后代）
topaneu2026	血缘后代	TopAneu 2026（动脉瘤检测与分割）
adam-aneurysm	主题相关	ADAM 颅内动脉瘤数据集
imagecas	方法相关	ImageCAS 血管分割数据集
crossmoda2022	方法相关	CrossMoDA 跨模态挑战赛
crossmoda-2023	方法相关	CrossMoDA 2023
isles	数据交叉	ISLES 缺血性卒中分割
ixi-brain	上游数据	IXI 脑影像数据集
largeia	子集同源	LargeIA 数据集
intra	主题相关	颅内分割资源
rsna-intracranial-hemorrhage	下游临床	RSNA 颅内出血检测

附录 H｜引用建议

若在学术写作中引用 TopCoW，建议标注：

挑战赛：TopCoW Challenge（MICCAI 2023 / 2024），Grand Challenge 平台，https://topcow23.grand-challenge.org/。
论文：Kaiyuan Yang 等，The TopCoW Challenge: Topology-Aware Anatomical Segmentation of the Circle of Willis for CTA and MRA，arXiv:2312.17670；NEJM AI 2026;3(8)，DOI 10.1056/AIdbp2500994。
数据：Zenodo 15692630 / 15665435，并注明所取子集的 license。

附录 I｜版本与维护

项	值
本条目抓取时点	2026-09-30
数据源快照	官方站 + Zenodo + arXiv（以抓取时点为准）
维护策略	官方更新届次/数据时，按"并陈不合并"补充新口径
条目状态	AI-Ready Wikipedia 正式条目

附录 J｜免责声明

本条目为数据集解剖与知识整理，不构成医学诊断或治疗建议，也不构成对任何算法或产品性能的背书。数据使用请以各子集最新 license 原文为准。凡涉及患者数据的处理，应遵循所在辖区的伦理与法规要求。

附录 K｜术语中英对照表

中文	英文	缩写
Willis 环	Circle of Willis	CoW
CT 血管造影	CT Angiography	CTA
MR 血管造影	MR Angiography	MRA
颈内动脉	Internal Carotid Artery	ICA
大脑前动脉	Anterior Cerebral Artery	ACA
大脑中动脉	Middle Cerebral Artery	MCA
前交通动脉	Anterior Communicating Artery	Acom
后交通动脉	Posterior Communicating Artery	Pcom
大脑后动脉	Posterior Cerebral Artery	PCA
基底动脉	Basilar Artery	BA
感兴趣区域	Region of Interest	ROI
连通分量	Connected Component	—
拓扑不变量	Topological Invariant	—
虚拟现实	Virtual Reality	VR

附录 L｜面向前端的数据字段（示例）

字段	值
url_name	topcow
title	TopCoW Challenge (topcow) — 面向 CT 与 MR 血管造影的 Willis 环拓扑感知分割
模态	CTA, MRA
类别数	13
主存档	Zenodo 15692630
血缘	topbrain2026 / topaneu2026

附录 M｜一页速记

这是什么：Willis 环多类血管分割挑战赛 + 数据集。
模态：CTA + MRA（主数据配对）。
类别：13 个血管组件。
评测：Dice / cl-Dice / Betti-0（二类）；类平均 Dice / 合并 cl-Dice / 类平均 Betti-0（多类）；等权。
在哪下：topcow23 / topcow24.grand-challenge.org；Zenodo 15692630。
license：逐子集核对（OpenData Swiss / CC BY-NC / CC0 / CC BY-SA 3.0）。
论文：arXiv:2312.17670；NEJM AI 2026;3(8)。
血缘：TopCoW → TopBrain(632) → TopAneu(637)。
最大坑：把 13 类当连续标签、把一个 license 当全部、把配对外推到全子集。

附录 N｜常见检索式

目的	检索式示例
找论文	`TopCoW Challenge circle of Willis segmentation`
找数据	`site:zenodo.org TopCoW`
找评测代码	`TopCoW_Eval_Metrics github`
找血缘	`TopBrain TopAneu challenge`
找同类	`centerline dice cldice vessel segmentation`

附录 O｜修订记录

版本	日期	说明
v1.0	2026-09-30	首版，基于官方站 + Zenodo + arXiv/期刊三源交叉整理

附录 P｜致谢与出处

本条目整理过程中直接引用公开资源：TopCoW 2023 / 2024 官方站、cow-annotation 与 assessment 页面、Zenodo 记录 15692630 与 15665435、arXiv:2312.17670、NEJM AI 2026;3(8)。所有事实均标注来源；多口径处均并陈。

字段	内容
正式名称	TopCoW Challenge（Topology-Aware Anatomical Segmentation of the Circle of Willis）
slug	topcow
届次	2023（首届，MICCAI Vancouver）/ 2024（第二届，MICCAI Marrakesh）
平台	Grand Challenge（grand-challenge.org）
模态	CTA（CT 血管造影）+ MRA（MR 血管造影），配对采集
分割类别	13 个血管组件（左右 ICA/ACA/MCA/Pcom/PCA + Acom + BA）
标注方式	虚拟现实（VR）渲染下逐血管人工描画，含 ROI 3D 包围盒
核心评测	Dice / cl-Dice / Betti-0 误差（二类与多类各三指标，等权）
主数据集	Zenodo 15692630（14.4 GB，5 个 ZIP 子集）
论文	arXiv:2312.17670（v1 2023-12-29 → v5 2026-07-14）；NEJM AI 2026;3(8)
负责人	Kaiyuan Yang（第一作者）；Bjoern Menze（资深作者）
血缘	TopCoW → TopBrain（topbrain2026, rid 632）→ TopAneu（topaneu2026, rid 637）