信息速览
XPRESS（Xray Projectomic Reconstruction — Extracting Segmentation with Skeletons）是 2023 年 ISBI 官方挑战赛及其配套数据集，由哈佛医学院神经生物学系牵头，联合东北大学、哈佛工程与应用科学学院、波士顿学院、MIT 计算机科学与人工智能实验室与欧洲同步辐射光源共同发布。数据是三个 1200³ 体素的小鼠皮层白质体积，由欧洲同步辐射光源的 X 射线全息纳米断层采集，配 1815 条手工追踪的轴突骨架和一小块体素级分割标注。数据托管在 GitHub release，评测与排行榜在 Grand Challenge 平台。
它要解决的问题是连接组学里「标注太贵」这道墙。逐体素描绘轴突边界慢到无法扩展，而只沿轴突中线打点的骨架标注快得多，也足以判定两条突起是不是同一根轴突。XPRESS 把稠密标注压缩到 200³ 的一小块，把省下的预算投到 1100³ 的骨架追踪上，要求参赛者用这种便宜的标注训出体素级分割模型，并设计了一套对合并错误格外严厉的评分。
打算使用这批数据的人，第一步应当是把六个下载文件取回、用论文里的 HDF5 读取示例验证形状与数据类型，再决定是做实例分割、亲和力预测还是自监督预训练。动手之前要先知道两件事：许可条款没有写明，以及三个体积都上采样到了 33.3 纳米，绝对尺度不可直接采信。
§1 它是什么
1.1 一句话定义与名称来源
XPRESS 是 “Xray Projectomic Reconstruction — Extracting Segmentation with Skeletons” 的缩写，中文可译为「X 射线投射组学重建——用骨架提取分割」。名称的每一段都指向具体的技术选择，而不是修辞。
Xray 指照明光源：数据由同步辐射产生的硬 X 射线获得，而不是可见光或电子束。Projectomic 指研究目标：投射组学（projectomics）关注脑区之间的长程连接，这些连接由大束髓鞘化轴突构成白质的主体。Reconstruction 指成像流程：数据不是切出来的连续切片，而是由上千张投影经断层算法重建出的三维体积。Extracting Segmentation 指任务形态：从灰度图像中切出每一个独立的轴突实例。with Skeletons 指标注与训练手段：真值以骨架而非稠密掩码为主要载体。
名称在官方来源之间有一处不一致。Grand Challenge 页面标题写作 “Extracting Segment with Skeleton”（单数），arXiv 论文标题写作 “Extracting Segmentation with Skeletons”（复数），缩写字母对应的是后者的分词。引用时以 arXiv 标题为准，检索时两种写法都能命中。
1.2 它想替代的是什么
在 XPRESS 之前，解析神经组织的突触级连接关系主要依赖体积电子显微镜（volume electron microscopy）。电子显微镜的分辨率足以看清突触，但视野极小：一个立方毫米的组织需要切成数万张超薄切片、逐张成像再对齐，成本与时间随体积线性膨胀，因此全脑尺度的连接图谱长期停留在拼接局部结果的阶段。
X 射线全息纳米断层提供了另一条路线。它不需要切片，样品整块成像，各向同性分辨率，一次可以覆盖远大于电子显微镜的组织体积。代价是分辨率偏低：XPRESS 数据的真实光学分辨率约 200 纳米，细轴突与突触结构无从分辨。但在脑区之间长程连接的尺度上，需要看清的正是大直径、髓鞘包裹、衬度极高的轴突束，200 纳米足够了。
这条路线此前已经在方法学论文中被验证可行，XPRESS 的贡献是把原始数据、标注、评测指标与基线模型打包成一个公开的、可重复的基准，使不同的分割方法能在同一把尺子下比较。
1.3 组织与资助
挑战赛由十二位署名者共同组织，机构分布横跨三家美国高校、一个联邦实验室与一家欧洲大科学装置。
哈佛医学院神经生物学系承担了主要工作：Tri Nguyen、Aaron T. Kuan 与 Wei-Chung Lee 负责生物学问题定义与标注，Wei-Chung Lee 同时隶属波士顿儿童医院 F.M. Kirby 神经生物学中心。东北大学理学院出了 Mark Larson 与 Shuhan Xie。哈佛工程与应用科学学院的 Yicong Li 与 Hanspeter Pfister 负责计算机视觉方法。波士顿学院计算机系的 Donglai Wei、MIT 计算机科学与人工智能实验室的 Nir Shavit 与 Lu Mi 参与算法与工程。欧洲同步辐射光源的 Alexandra Pacureanu 负责成像端，她是该光源纳米成像线的负责人，也是把 XNH 引入神经科学的关键人物。
资助来自三条线：美国国立卫生研究院的 EB032217 与 MH128949 两项基金，欧盟「地平线 2020」框架下欧洲研究理事会的第 852455 号项目，以及欧洲同步辐射光源为提案 LS2892 批准的机时。机时编号是理解数据成本的一个细节——同步辐射机时以小时计、按提案竞争分配，这批数据背后的光束时间需要专门申请。
组织者名单里有一处机构归属不一致。Grand Challenge 页面把 Mukul Narwani 列在哈佛医学院神经生物学系，把 Shuhan Xie 列在东北大学理学院；arXiv 作者列表对二人均未标注机构。两处说法无法在公开材料中调和，引用时宜只写参与机构集合，不逐一指认。
1.4 赛事与数据的两种形态
XPRESS 在 2023 年 4 月 18 日作为 ISBI 2023 的现场研讨会活动运行。赛程被压缩在两个月内：2 月 6 日同时放出训练集、验证集、测试集、评测代码与基线模型，提交窗口开到 4 月初，现场报告安排在 ISBI 会议期间。
比赛结束后，两件事保持了常设状态。其一是 Grand Challenge 上的在线评测继续接收新提交，官方页面明确写明会保持开放。其二是数据本身在 GitHub 上以 release v1.0 的形式发布，六个文件都可以匿名下载，不需要注册。
这造成了「数据集」与「比赛」的分离。当年的排行榜已经冻结，但评测服务器仍可给出分数；当年参赛需要争名次，现在使用数据只是做实验。把 XPRESS 当基准使用时，应引用 arXiv 论文，而不是把当年的名次当作性能上限。
1.5 版本与可获得性现状
截至 2026 年 10 月，检索到的官方入口有三个：Grand Challenge 的赛事页、arXiv 的论文页、GitHub 上存放数据文件与评测代码的两个仓库。
数据文件的发布编号是 v1.0，没有看到 v1.1 或后续修订。论文有 v1 与 v2 两个版本，均在 2023 年 2 月发布，v2 是 2 月 24 日的修订，两版篇幅相同。这提示数据与论文在发布后未再经历实质性更新，2023 年的规格描述至今仍然适用。
没有 DOI，没有 Zenodo 归档，没有 PubMed 记录，也没有在 PhysioNet 或 HuggingFace 上的镜像。这一点对长期可复现性有实际影响：若 GitHub release 未来被删除或仓库迁移，数据将没有独立于代码托管平台的备份。使用者在论文中引用时，应同时记下 release 标签与六个文件的文件名，以便日后核对。
§2 数据构成
2.1 三个体积的划分与各自内容
数据结构可以用一句话概括：三个 1200³ 体素的灰度体积，其中一个带稠密分割、三个都带稀疏骨架、只有两个的骨架对使用者公开。
| 划分 | 原始图像 | 体素级分割 GT | 骨架 GT | 骨架标注覆盖范围 | 公开情况 |
|---|---|---|---|---|---|
| 训练集 training | 1200³ | 有，200³ 一块 | 有 | 1100³ 子体积 | 全部公开 |
| 验证集 validation | 1200³ | 无 | 有 | 700³ 子体积 | 全部公开 |
| 测试集 test | 1200³ | 无 | 有（仅评测端） | 1100³ 子体积 | 仅图像公开 |
这张表解释了为什么论文的基线模型只用了训练集 200³ 那一小块稠密标注来监督：那是唯一存在的稠密真值。1100³ 的骨架虽然覆盖面积大得多，但不能直接当作掩码喂给逐体素交叉熵损失，必须先经过栅格化或改造成距离场、亲和力等目标。
验证集的骨架覆盖是 700³，比训练集和测试集都小。这个差异不是笔误：验证集的作用是在提交前自查，覆盖范围可以窄一些；评审发生在测试集上，故覆盖回落到 1100³ 的设计。
2.2 字段可靠性
下表把每个字段的可信度分级。凡官方页面与论文表述不一致、或数据本身的性质导致字面值不能直接使用，均在表中标注。
| 字段 | 取值 | 可靠性 | 说明 |
|---|---|---|---|
| 体积形状 | 1200×1200×1200 | 确认 | 论文正文与神经影像浏览器的坐标范围一致 |
| 存储体素尺寸 | 33.3 nm 各向同性 | 确认 | 神经影像浏览器的层坐标以 3.3×10⁻⁸ m 为单位，与论文一致 |
| 原始体素尺寸 | 100 nm | 确认 | 论文与官方页面任务描述一致 |
| 真实光学分辨率 | 约 200 nm | 依论文推定 | 论文给出估计值，未提供调制传递函数曲线 |
| 物理体积 | 约 (40 μm)³ | 确认 | 由 1200 × 33.3 nm 算出 |
| 体素级 GT 范围 | 200³ | 确认 | 论文明确 |
| 骨架 GT 范围 | 1100³ / 700³ / 1100³ | 确认 | 论文明确 |
| 轴突骨架总数 | 1815 | 确认 | 论文正文与图注分别写 1815 与「超过 1800」，一致 |
| 各划分骨架条数 | 未给出 | 缺失 | 论文只给合计，按划分拆分的数字未披露 |
| 骨架总长度 | 未给出 | 缺失 | 论文未提供，无法据此估算标注工时 |
| 轴突直径下限 | 大于 1 μm | 依论文推定 | 论文以「大直径髓鞘化轴突」描述，1 μm 是文中给出的筛除下限 |
| 图像位深 | 未在论文中说明 | 语义存疑 | 需下载文件后读取 HDF5 数据集属性才能确定 |
| 许可 | 未声明 | 缺失 | 见 §3 |
| 小鼠品系与年龄 | 未给出 | 缺失 | 论文未写 |
| 训练/验证/测试是否同一样本 | 未给出 | 缺失 | 影响泄漏判断，见 §4 |
位深一项值得单独说明。断层重建的中间结果通常是 32 位浮点，而发布给参赛者的数据往往被压到 8 位或 16 位以控制文件体积。论文没有交代这一步，使用者下载后应先读取数据集的 dtype 与最大最小值，确认灰度是否经过归一化，再决定是否需要重新缩放。若直接按浮点范围假设写死预处理，很可能得到全黑的输出。
2.3 骨架标注的结构
骨架不是掩码，而是一组三维折线。每条轴突对应一个有向图：节点是沿轴突中线的采样点，边连接相邻节点，方向从胞体端指向轴突末梢端。有向性对连接组学有意义，因为轴突上动作电位的传播方向决定了信息流向。
标注在 WebKnossos 中完成。WebKnossos 是马克斯·普朗克脑研究所主导开发的开源协同标注平台，支持在浏览器中浏览大规模三维图像并逐段追踪骨架。它把骨架保存为树状结构，一棵树可以对应一条轴突的多个分支，分叉点表现为树节点的分裂。
发布时骨架被打包成 NumPy 的 .npz 压缩归档。这类文件通常包含若干数组，每个数组对应一条边或一个节点集合。使用前应先列出归档内所有数组的键名与形状，而不是凭文件名猜结构。骨架的坐标单位通常与体素网格对齐，若数值出现小数，说明经过了亚体素插值。
骨架与体素级标注之间的一致性由「第二位标注员复核」保证。论文说明所有标注都经过第二轮检查，遇到难以判断延续关系的轴突时采取保守策略直接剔除，而不是勉强连上。这一策略会略微低估轴突总数，但换来了更高的连通正确率，这对以合并错误为重的评分是合理取舍。
2.4 标注子体积的边界问题
骨架 GT 覆盖的是 1100³ 子体积，而图像是 1200³。这意味着在标注区域的边界上，会有大量轴突被截断：一根轴突从标注区外穿入、在区内走一段、再从另一侧穿出。
处理这种截断有三种常见做法。第一种是把边界处的骨架端点标记为「悬空端点」，训练损失时不计入这些端点的连接判断。第二种是把标注区外一圈围成禁区，只评估完全落在区内的轴突。第三种是直接用图像裁出 1100³ 的中心区域，把边界问题变成裁剪问题。
评测端如何处理边界，论文没有展开。使用者若自行改写评分脚本，需要先确认官方评测代码对边界骨架的计数方式，否则自测分数与服务器分数会有系统性偏差。官方评测代码托管在公开仓库，读源码比猜更可靠。
2.5 文件清单与体积
官方页面给出六个下载文件，全部位于同一 release 标签下。
| 文件名 | 内容 | 格式 |
|---|---|---|
| xpress-training-raw.h5 | 训练集原始图像 | HDF5 |
| xpress-training-voxel-labels.h5 | 训练集体素级分割真值 | HDF5 |
| xpress-validation-raw.h5 | 验证集原始图像 | HDF5 |
| xpress-test-raw.h5 | 测试集原始图像 | HDF5 |
| XPRESS_training_skels.npz | 训练集骨架 | NumPy 归档 |
| XPRESS_validation_skels.npz | 验证集骨架 | NumPy 归档 |
测试集的骨架不在此列。这一点容易被误解为「测试集没标注」，实际上是「测试集标注由评测服务器保管」。
一个 1200³ 体素的 8 位体积解压后约 1.7 GB，三个体积合计约 5.2 GB 量级；若为 16 位则翻倍。HDF5 通常带分块压缩，实际下载体积会小一些。规划存储与内存时，应按解压后的上限估算：三维卷积网络的训练还要在此基础上乘以 patch 数量与数据加载队列深度。
2.6 与电子显微镜数据集的可比性
发布方把体素上采样到 33.3 nm，理由在论文中写得很直接：让体素尺寸更接近电子显微镜数据集的量级（通常 4 至 20 nm）。
这个动机是工程上的便利，不是物理上的等价。电子显微镜在 4 nm 见方时能分辨髓鞘的层状结构，XPRESS 在 33.3 nm 下看到的髓鞘只是均匀的高衬度环。因此把 XPRESS 当作电子显微镜数据集的「降采样替代品」做跨模态迁移，在结构层面可以，在纹理层面不成立。
对方法研究而言，这种差异反而有价值：如果一种分割架构在电子显微镜数据上有效、在 XNH 数据上失效，差异就落在衬度机制而非分辨率的表层。XNH 的衬度来自相位，髓鞘与轴浆的边界对比强烈但内部纹理平滑；电子显微镜的衬度来自散射电子，内部结构丰富。两者的失败模式并不相同。
§3 怎么拿到
3.1 下载路径
数据集不需要注册，直接访问官方页面列出的 release 链接即可下载。官方页面地址为 xpress.grand-challenge.org，页面中「Dataset」一节给出六个直链，全部指向 GitHub 上 htem 组织下 xpress-challenge-files 仓库的 v1.0 release。
这套安排的实际含义是：数据分发依赖 GitHub 的 release 附件机制，与代码仓库绑定在同一个托管平台。GitHub 的 release 附件对单文件有大小限制，超过 2 GB 的文件需要走外部存储或分卷，因此这批 HDF5 文件如果体积较大，可能以压缩包或分卷形式存在。下载时应先看清每个附件的实际名称与大小，不要只按上一个版本的文件名硬拼地址。
若需要重新训练的基线，代码在另一处。评测与分割代码位于 trivoldus28/xray-challenge-eval 仓库，其中 segmentation 目录是深度学习基线，eval 目录是评分实现，data 目录是数据读取示例。官方页面还提供了一个 Colab 笔记本，用于在浏览器里跑通数据加载。
3.2 提交与排行榜
要在 Grand Challenge 上取得分数，需要注册账号并加入该挑战赛。平台按挑战赛分配提交接口，通常要求提交一个打包的预测结果文件，由服务器在测试集上计算指标并回写到排行榜。
官方页面写明会后的在线评测继续开放。这意味着排行榜是活的，新提交会出现在榜上，但当年参赛的队伍与现在的提交混在一张表里，名次不再是同一时期的比较。引用成绩时应注明提交日期。
3.3 许可状态
这是使用该数据前必须解决的第一件事。 检索 Grand Challenge 页面、arXiv 论文正文与两个 GitHub 仓库的公开说明，均未找到任何许可条款：没有 Creative Commons 声明，没有「仅限研究用途」的限定语，也没有数据使用协议。
法律上的默认规则是：无明示许可即保留全部权利。这意味着严格解释下，下载副本用于个人研究通常落在合理使用的讨论范围内，但再分发、镜像、打包进商业产品、或作为其他数据集的一部分重新发布，都缺少明确授权。
实际处理有三条路。其一，把 XPRESS 仅用于内部研究，不对外分发衍生数据，论文中按惯例引用。其二，向通讯作者发信说明用途并请求书面授权，通讯作者在论文中列明为 Alexandra Pacureanu、Wei-Chung Lee 与 Aaron T. Kuan。其三，若只是要做方法对比，可以只报告在 XPRESS 上的结果而不分发模型权重中内嵌的数据片段。
第三条路有一个边界需要留意：模型权重本身不是数据的复制品，但若权重是通过在大规模数据上记忆式训练得到的，其法律地位在不同司法辖区仍有争议。谨慎的做法是不把任何在 XPRESS 上微调得到的权重以开放许可发布，除非已取得授权。
3.4 引用与署名
官方页面给出 BibTeX 条目，作者列表以 Nguyen、Narwani、Larson、Li、Xie、Pfister、Wei、Shavit、Mi、Pacureanu 开头，以「and others」结尾，期刊字段写 arXiv preprint，编号 2302.03819，年份 2023。
引用时应注意两点。第一，这是预印本，不是同行评审论文，因此不能写成「发表于某期刊」。第二，作者的完整名单共十二人，BibTeX 用「others」截断了后四位，正式引用应补全 Kuan、Lee 等人。
若在论文中使用数据本身，除引用论文外，还应在方法部分写明使用的是 v1.0 release、哪几个划分、是否使用了骨架 GT。这些细节直接决定结果能否被复现。
3.5 获取时的合规清单
- 确认下载的是 v1.0 标签下的文件，记录每个文件的名称与校验值
- 确认没有对数据做再分发，或已取得书面授权
- 若使用 WebKnossos 做二次标注，注意其服务器端保存的标注与本地 .npz 的同步关系
- 若把数据转成其他格式（如 zarr）以便流式读取，转换产物同样受许可约束
- 若在论文中报告分数，注明提交日期与是否使用了官方评测服务器
§4 质量与已知问题
4.1 数据质量的三个可核验侧面
评价一个分割基准的质量，可以拆成三个彼此独立的侧面：成像质量、标注质量、划分设计。三者的问题不同，补救办法也不同。
成像质量方面，XNH 的优势是各向同性，没有电子显微镜连续切片的层间错位问题。劣势是衬度机制对样品的厚度与密度均匀性敏感，重建伪影会在某些角度形成条纹。论文没有讨论伪影，使用者应在可视化时主动检查每个体积的三个正交面，看是否存在规律性的环形或放射状结构。
标注质量方面，论文给出的证据是双重标注加保守剔除。这是合理的流程，但没有报告标注者间一致性指标：没有 Dice、没有骨架匹配率、也没有重标注试验。因此在论文中引用「标注可靠」时，只能引用「经第二位标注员复核」这一事实陈述，不能扩展为定量的一致性结论。
划分设计方面，最需要注意的是三个体积之间是否独立。论文没有说明训练、验证、测试是否取自同一只动物的同一块组织，也没有说明是否来自相邻的成像区域。若三者是同一块白质的不同裁剪，那么模型在测试集上的表现会因共享的组织学特征而被高估，且这种高估无法通过任何后处理发现。
4.2 假设—支持—反对
下表把几个关键的不确定性写成可检验的陈述。每一行给出支持证据、反对证据，以及一条可自行验证的路径。
| 假设 | 支持证据 | 反对证据 | 如何自证 |
|---|---|---|---|
| 三个划分来自相互独立的组织块 | 挑战赛通常按赛事规范做划分；影像浏览器给出三份不同的坐标范围 | 论文未说明来源；三项体积物理尺寸完全相同，暗示同一采集批次 | 比较三个体积的灰度直方图与噪声标准差，若几乎一致则可能同源 |
| 骨架 GT 覆盖了标注子体积内的全部轴突 | 论文描述为「标注轴突轨迹」；图注说超过 1800 条 | 困难轴突被保守剔除；边界截断未说明如何处理 | 用骨架栅格化后与体素级 GT 对照，看是否出现无骨架覆盖的高衬度轴突 |
| 体素级 GT 是骨架 GT 的稠密化 | 论文说两者都是真值，用于不同目的 | 200³ 与 1100³ 的空间关系论文未交代；若不相交则无法互相校验 | 读取两份数据的空间原点与形状，判断 200³ 是否落在 1100³ 内 |
| 评测分数反映真实连接正确率 | 指标同时惩罚拆分与合并 | 论文未展开 Rand 项定义；边界骨架的计数方式未知 | 用官方 eval 代码跑一遍基线预测，复现论文表中的 0.7500 |
| 33.3 nm 上采样不改变可分割性 | 发布方明确以此对齐电子显微镜数据集 | 插值引入相关性，网络可能学到插值核而非结构 | 把图像下采样回 100 nm 再训练，比较分数是否显著下降 |
第四行的复现实验值得优先做。论文给出基线在验证集上的四项分数，包括 XPRESS score 0.7500。若用官方代码与官方 checkpoint 跑出不同结果，说明数据处理环节存在分叉，此后所有自测分数都不可信。
4.3 已知的具体问题
问题一：稠密标注面积过小。 200³ 相对 1200³，在一个维度上只占六分之一，体积上不到总量的千分之五。对于 3D 卷积网络，这块区域的上下文不足以覆盖白质的形态多样性，单靠它监督容易过拟合到特定的纤维排布。这也正是挑战赛要解决的核心矛盾，但使用者需要清楚这不是「数据量大」的问题，而是「稠密真值少」的问题。
问题二：类别极度不平衡的另一种形态。 这不是分类任务的不平衡，而是背景与前景的体素比例问题。轴突在白质中密集排列，背景只占髓鞘间隙与细胞外空间，前景比例可能远高于常规的细胞分割任务。如果沿用针对稀疏目标设计的损失权重，会导致过度预测。
问题三：骨架栅格化的半径选择。 把骨架变成掩码需要一个膨胀半径。半径太小，掩码落在轴突内部的亮区之外，网络学不到边界；半径太大，相邻轴突的掩码粘连，人为制造合并错误。论文没有给出推荐半径。合理做法是按轴突直径的统计中位数取半径，并用体素级 GT 校准。
问题四：HDF5 的轴序约定。 不同工具对三维数据集的轴序约定不同，有的按 z-y-x，有的按 x-y-z。神经影像浏览器给出的坐标是以 x、y、z 命名的，而 HDF5 数据集只给出形状。若把形状读成 (1200, 1200, 1200) 就默认了轴序，实际是否各向同性无法从形状判断。应当读取数据集属性里的尺度信息，或用三个正交面的形态确认。
问题五：GPipe 与内存的边界。 论文的基线用 132³ 的 patch 训练。这个尺寸在 40 GB 显存的卡上刚好能放下三个通道的 3D U-Net，但若换成更深的网络或更大的 patch，显存会迅速告急。使用者若遇到显存溢出，优先降低 patch 尺寸而非减少通道数，因为感受野对长程亲和力更重要。
4.4 与同类基准的对照
把 XPRESS 放在已有基准中看，它的独特之处是「稠密标注刻意稀缺」。多数三维分割基准追求标注覆盖，XPRESS 反其道而行，把稀缺当成任务的一部分。
这种设计的好处是任务定义干净：参赛者必须解决如何从稀疏监督中恢复稠密预测，而不能靠堆标注。代价是结果的可比性下降：不同的骨架利用策略（栅格化、距离场、对比学习、伪标签）差异巨大，分数高低往往反映策略选择而非网络架构。
若要做公平的架构比较，应固定骨架利用策略，只换主干网络。若要做策略比较，应固定主干，只换损失与监督方式。把两者混在一个排行榜里比较，结论会失真。
4.5 可复现性
可复现性依赖四个要素：数据、代码、随机种子、评测服务器。XPRESS 在前两项做到了，后两项有缺口。
随机种子方面，论文给出了优化器与学习率的绝对值，但没有给出数据增强的随机序列。增强包括旋转、镜像、转置、强度扰动、噪声与弹性变形，这六类组合后的分布空间很大，不同实现之间难以对齐。
评测服务器方面，Grand Challenge 对外只给出分数，不公开测试集的中间结果。这意味着无法在本地完全复现排行榜数字，只能复现验证集上的数字。论文表中的测试集分数 0.7926 是一个只能验证不能重算的值。
§5 能做什么
5.1 任务的正式定义
输入是一个 1200³ 的灰度体积，输出是与输入同形状的实例分割：每个体素分配一个整数标签，同一标签的体素属于同一条轴突，0 通常保留给背景。
这看起来与普通的实例分割无异，差别在于评估方式。常规实例分割按 IoU 匹配实例，错配的实例计入假阳性或假阴性。XPRESS 的评估绕开了实例匹配，直接在拓扑层面比对：把预测分割沿着真值骨架走一遍，看一条真值骨架在预测里被切成了几段、是否与别的骨架并到了一起。
这种评估方式对「实例编号」不敏感。预测里第 7 号标签对应真值的第 3 号轴突，与对应第 900 号，得分相同。只要拓扑关系对，编号怎么排都无所谓。这降低了任务难度的一小部分，但也让评估更贴近连接组学的实际关切。
5.2 四条可行的技术路线
路线一：稠密监督加骨架弱监督。 用 200³ 的体素级 GT 做逐体素损失，同时用 1100³ 的骨架生成伪掩码，对伪掩码采用较低权重或置信度加权。这是最直接的组合，适合作为基线改进的第一步。
路线二：亲和力预测。 不直接预测实例标签，而是预测相邻体素属于同一实例的概率，再通过凝聚算法合并成实例。论文的基线正是这种形态：每个体素输出长程亲和力，后处理用凝聚阈值控制拆分与合并的权衡。这条路线的优点是网络只需学习局部关系，不受实例数量影响。
路线三：骨架引导的对比学习。 把同一条骨架上的体素视为正样本，不同骨架的体素视为负样本，用对比损失训练编码器。骨架天然提供了「属于同一实例」的监督信号，不需要栅格化，也不需要猜膨胀半径。
路线四：自监督预训练加少量微调。 三个体积合计约五十亿体素，即使只有两个带稠密标注，原始图像本身的量仍然可观。可以先用掩码重建或对比学习在全部三个体积上预训练，再用 200³ 的标注微调。对计算资源有限的团队，这是性价比最高的起步方式。
5.3 最小可执行示例
下面这段伪代码展示从下载到跑通一次前向的最小路径。它不是可运行代码，而是把关键决策点标出来，避免把时间浪费在格式问题上。
1. 下载六个文件，核对名称与大小
2. 用 h5py 打开 training-raw，读取数据集形状与 dtype
3. 打印前 5 个数据集键名，确认是否只有一幅体积
4. 取中心 132³ patch，归一化到 [0, 1]
5. 加载 npz 骨架，列出所有数组键名与形状
6. 确认骨架坐标的轴序与图像一致（用三个正交面目视比对）
7. 把骨架栅格化为二进制掩码，膨胀半径取轴突直径中位数的一半
8. 与 training-voxel-labels 对照，计算覆盖率
9. 若覆盖率显著低于 1，说明 200³ 与 1100³ 的空间关系需要重新确定
10. 训练一个 3 层 3D U-Net，patch 132³，批量 1
第七步与第九步是新手最容易出错的地方。骨架与体素级标注是否落在同一坐标系，论文没有明说；若把两者直接叠加后发现骨架全部落在标注块之外，就需要检查两者的原点偏移。
5.4 实际能支撑的下游任务
轴突直径分布统计。 分割出实例后，可以沿骨架计算局部截面积，得到直径分布。这是连接组学关心的一项形态学量，与传导速度相关。但要注意 33.3 nm 是插值结果，直径只能用相对值。
有髓/无髓区分。 论文的筛除下限是直径大于 1 μm 的髓鞘化轴突，数据中几乎不含无髓纤维。因此这份数据不能用来研究无髓轴突。
分割算法的跨模态迁移测试。 在电子显微镜数据上训练的模型迁移到 XNH 上，是检验方法鲁棒性的好场景。两者都是纤维状结构，但衬度机制完全不同。
稀疏标注学习方法的基准。 这是数据设计的主旨。任何以「少量稠密标注加大量稀疏标注」为卖点的方法，都可以在这份数据上做对照实验。
体积重建与超分辨研究。 从 100 nm 到 33.3 nm 的上采样是一个已知的、可复现的重建过程，可以作为超分辨任务的天然监督对：输入 100 nm，目标 33.3 nm。虽然插值不产生真实细节，但用作算法测试是可行的。
5.5 不适合的用途
不适合做临床影像的迁移学习源。 这是纳米分辨率的离体组织，与任何在体医学影像的成像物理都不同。用它预训练的编码器迁移到 CT 或 MRI 上，几乎没有理由期待收益。
不适合做单细胞或细胞核分割。 场景中没有细胞体，只有轴突。
不适合做突触检测。 分辨率不足，突触结构在此尺度上不可见。
不适合做完整连接矩阵推断。 数据只覆盖一小块白质，轴突在边界处大量截断，无法追踪到其源胞体或靶区，因此不能构建任何跨脑区的连接图。
§6 常见误读
下表把研究者、引用者与二次整理者最常写错的说法与官方口径逐条对照，左列为常见说法，右列为可核验的实际口径与出处。
| 常见说法 | 实际口径 | 证据位置 |
|---|---|---|
| XPRESS 是胸片数据集 | 是小鼠脑白质的同步辐射三维纳米断层体积，与任何二维 X 光片无关 | 论文摘要与官方页面任务段均写 cortical white matter |
| XPRESS 是医学影像数据集 | 属神经科学与连接组学；样本是离体小鼠组织，不存在患者、诊断或治疗环节 | 全文无临床表现，无疾病标签 |
| 主办方是 Grand Challenge | Grand Challenge 只是托管与评测平台，主办方是哈佛医学院神经生物学系牵头的十二人团队 | 官方页面 Organizers 一节 |
| 数据有 1815 条轴突可以直接训练 | 1815 是三个划分的合计；测试集的骨架不公开；各划分的具体条数未披露 | 论文正文与官方页面 Dataset 段 |
| 每个体积都是 1200³ 的稠密标注 | 稠密标注只有训练集 200³ 一块，其余是骨架 | 论文数据集一节 |
| 体素尺寸是 100 nm | 100 nm 是采集口径，发布版本上采样到 33.3 nm | 官方页面 Task 段写 100 nm，论文写 33.3 nm，两处指不同阶段 |
| 33.3 nm 意味着能看清 33 nm 的结构 | 真实光学分辨率约 200 nm，插值不产生新细节 | 论文对分辨率的说明 |
| 图像来自电子显微镜 | 来自 X 射线全息纳米断层，这是全文的技术前提 | 论文标题与摘要 |
| 验证集和测试集都有稠密真值 | 两者都只有骨架，且测试集骨架不公开 | 官方页面 Dataset 段只列训练集体素标签 |
| 排行榜上的分数是同行评审结论 | 排行榜是在线评测结果，论文本身不含任何名次或队伍数 | 论文全文无排行榜章节 |
| 这是一个同行评审的期刊数据集 | 只有 arXiv 预印本，六页短文，无期刊 DOI | arXiv 页面与引用格式 |
| 数据可以随意再分发 | 未声明许可，按默认规则属保留全部权利 | 官方页面与论文均无 license 条款 |
| 提交截止是 3 月 30 日 | 官方页面写 4 月 3 日并注明延期，论文初稿写 3 月 30 日 | 两处时间表不一致 |
| 它与 MICrONS 是同一批数据 | 目标同属连接组学，成像模态、脑区、分辨率均不同 | 两者分别由不同团队、不同光源发布 |
6.1 技术层面的陷阱
| 常见说法 | 实际口径 | 证据位置 |
|---|---|---|
| 陷阱：把 200³ 与 1100³ 当作同一坐标系 | 两份数据的空间原点关系论文未交代，直接叠加可能发现骨架完全不落在体素标注块内 | 论文数据集一节未给空间关系 |
| 陷阱：把骨架 .npz 当作掩码数组 | .npz 是压缩归档，内含节点坐标、边连接等多个数组，取第一个当掩码无意义 | 官方页面文件清单 |
| 陷阱：用 8 位或 16 位假设读取灰度 | 位深论文未交代，读文件应先检查 dtype 再归一化 | 论文未给位深 |
| 陷阱：把验证集 700³ 的覆盖当成全部 | 验证集骨架只覆盖 700³，其余区域无真值，任何预测都是假阳性 | 论文划分说明 |
| 陷阱：把 XPRESS 分数与其他数据集指标横比 | 该分数分母是骨架长度，量纲与 IoU、Dice 不可比 | 论文式 1 至式 3 |
| 陷阱：训练时用对称损失忽略合并代价 | 对称损失常得到拆分偏多、合并偏少的模型，Rand 项被拉低的代价大于 IoU 收益 | 论文对 ERL 的说明 |
| 陷阱：把上采样体积当作各向同性采集 | 断层重建轴向点扩散函数通常宽于面内，面内与轴向分辨能力不相等 | 论文对分辨率的口径 |
| 陷阱：以为 GitHub release 是长期归档 | 无 DOI、无 Zenodo，长期可用性取决于仓库维护者 | 三个官方入口均无归档编号 |
| 陷阱：把体素数当成有效样本数 | 五十亿体素来自三个体积，不是五十亿个独立样本 | 论文数据集一节 |
| 陷阱：检索时只用 XPRESS 一个词 | 同名商业软件、通信协议与出版平台众多，须加 challenge 或 XNH 限定 | 检索实践 |
§7 在生态中的位置
7.1 技术谱系
XPRESS 处在两条技术线的交叉点：一条是同步辐射纳米成像，一条是连接组学的自动分割。
同步辐射纳米成像这条线，从早期的吸收衬度微米 CT，发展到相位衬度、再到全息纳米断层，分辨率进入几十纳米量级。XNH 的关键突破是把相位恢复与断层重建结合，使生物软组织在不染色的情况下获得足够衬度。这条线的代表机构是欧洲同步辐射光源，其纳米成像线长期为生物样品提供机时。
连接组学这条线，从线虫的完整重建开始，经果蝇半脑、小鼠皮层柱，到近年的人脑立方毫米级片段，主线一直是电子显微镜。XPRESS 的意义在于引入了一条非电镜的备选路径，并在公开数据层面把它固化成可比较的基准。
这两条线的交汇点是「大体积、低分辨率、高衬度」这一特定工况。它既不是电镜的低配版，也不是临床 CT 的高配版，而是一个有独立技术参数的中间地带。
7.2 与库内条目的关系
MICrONS（小鼠视皮层功能-结构联合连接组）。 同为小鼠皮层的连接组重建，目标一致而路线不同。MICrONS 用电子显微镜获得突触级分辨率，并与钙成像配对，能回答「结构与功能如何对应」。XPRESS 不涉及功能测量，分辨率也低两个数量级，但它覆盖的是白质而非灰质，关注的是长程投射而非局部微回路。两者在尺度上互补：一个看局部线路，一个看跨区干道。
秀丽隐杆线虫连接组。 这是连接组学的原点：302 个神经元、约 7000 个连接，全部手工重建。它的价值在于完整，而 XPRESS 的价值在于可扩展。线虫数据集无法告诉人们如何自动化处理毫米级组织，XPRESS 正是为这个问题准备的。
人类连接组计划。 同在「连接组」名下，但量级完全不同。人类连接组计划用弥散磁共振在毫米尺度推断白质纤维束走向，XPRESS 在纳米尺度直接看到单根轴突。前者是活体宏观，后者是离体微观，两者的推断链条方向相反：一个从宏观信号反推纤维，一个从纤维正向累积成束。
其他三维分割基准。 库内多数三维分割条目面向医学影像（CT、MRI、超声），评估用 Dice 或 Hausdorff 距离。XPRESS 的评估在拓扑层面，与这些基准不构成直接可比关系，放在一起只能作为「方法是否通用」的旁证。
7.3 在挑战赛谱系中的位置
ISBI 自 2010 年代起每年组织一批生物医学成像挑战赛，覆盖细胞分割、血管提取、病灶检测等方向。这些挑战赛的共同模式是：发布数据、开放评测、在会议现场公布结果、会后保持服务器运行。XPRESS 严格遵循这一模式，属于其中的小众分支——面向基础神经科学而非临床诊断。
与同期的其他 ISBI 挑战赛相比，XPRESS 的参赛门槛偏高：需要处理三维大体积、需要理解骨架标注、需要自行解决稠密真值稀缺的问题。这限制了参与队伍的数量，也让排行榜的区分度不如二维任务明显。
挑战赛结束后没有检索到官方综述论文。官方页面提到会邀请优胜队伍撰写综述，但公开渠道未找到相应发表。这导致赛事的最终结果缺少一个权威的书面记录，只能通过在线排行榜查询。
§8 质量分级与结论
8.1 结论强度分级
下表按证据线数量给每项关键陈述定级。A 表示三条以上独立证据，B 表示两条，C 表示单一来源，D 表示推断。
| 陈述 | 级别 | 依据 |
|---|---|---|
| 数据为三个 1200³ 体素体积 | A | 论文正文、官方页面、神经影像浏览器坐标三处一致 |
| 体素级标注仅训练集 200³ | A | 论文、官方页面 Dataset 段、文件清单三处一致 |
| 轴突骨架合计 1815 条 | B | 论文正文与图注两处一致，无第三方复核 |
| 发布体素为 33.3 nm | A | 论文、官方页面浏览器尺度、物理体积换算三处一致 |
| 真实分辨率约 200 nm | C | 仅论文一处估计 |
| 无数据许可 | A | 三个官方入口均未出现许可条款 |
| 排行榜会后继续开放 | B | 官方页面明示会保持开放，但未见第三方复核记录 |
| 各划分相互独立 | D | 无任何来源说明，属推断 |
| 训练集与测试集可能同源 | D | 由三项体积物理尺寸相同推测，无证据 |
| 基线在验证集得 0.7500 | C | 仅论文表一 |
8.2 适用与不适用
适合使用的情况： 研究稀疏标注下的三维实例分割；研究拓扑敏感的评估指标；测试分割方法在非电镜衬度上的鲁棒性；做亲和力预测与凝聚后处理的对照实验；需要一个体量可控、许可风险可评估的小型三维基准。
不适合使用的情况： 需要临床或转化医学结论；需要突触级或细胞级分辨率；需要完整连接矩阵；需要大规模预训练语料；需要明确的商用许可。
8.3 三句话
XPRESS 用同步辐射 X 射线纳米断层把小鼠脑白质拍成三个 1200³ 体素的三维体积，配 1815 条骨架与一小块稠密分割，把「标注太贵」这一结构性难题做成了公开的比赛题目。
它的技术贡献不在成像也不在网络架构，而在任务设计：用便宜的骨架监督换稠密的实例预测，并用一个对合并错误格外严厉的复合指标把拓扑正确性推到评价中心。
使用它的前提是先接受两个限制——许可未声明，分辨率为插值所得。接受之后，它是一份干净、可复现、体量适中的三维分割基准。
§9 附录
9.1 关键数字速查
| 项 | 值 |
|---|---|
| 体积数 | 3 |
| 单体积体素 | 1200³ |
| 发布体素尺寸 | 33.3 nm 各向同性 |
| 采集体素尺寸 | 100 nm |
| 真实光学分辨率 | 约 200 nm |
| 物理边长 | 约 40 μm |
| 稠密标注 | 训练集 200³ |
| 骨架覆盖 | 训练 1100³ / 验证 700³ / 测试 1100³ |
| 骨架总数 | 1815 |
| 轴突直径下限 | 大于 1 μm |
| 下载文件数 | 6 |
| 基线验证集分数 | 0.7500 |
| 基线测试集分数 | 0.7926 |
| 论文篇幅 | 6 页，2 图 |
| 作者人数 | 12 |
9.2 缩写表
| 缩写 | 全称 | 中文 |
|---|---|---|
| XPRESS | Xray Projectomic Reconstruction — Extracting Segmentation with Skeletons | X 射线投射组学重建——用骨架提取分割 |
| XNH | X-ray holographic nanotomography | X 射线全息纳米断层 |
| EM | electron microscopy | 电子显微镜 |
| ERL | Expected Run-Length | 期望游程长度 |
| GT | ground truth | 真值 |
| ISBI | IEEE International Symposium on Biomedical Imaging | IEEE 生物医学成像国际研讨会 |
| ESRF | European Synchrotron Radiation Facility | 欧洲同步辐射光源 |
| ERC | European Research Council | 欧洲研究理事会 |
| NIH | National Institutes of Health | 美国国立卫生研究院 |
| HDF5 | Hierarchical Data Format version 5 | 层级数据格式第五版 |
| npz | NumPy zipped archive | NumPy 压缩归档 |
| VOI | variation of information | 信息变差（相关指标，本挑战赛未直接采用） |
| MICrONS | Machine Intelligence from Cortical Networks | 皮层网络机器智能计划 |
| MIT CSAIL | MIT Computer Science and Artificial Intelligence Laboratory | 麻省理工学院计算机科学与人工智能实验室 |
| HMS | Harvard Medical School | 哈佛医学院 |
| SEAS | School of Engineering and Applied Sciences | 工程与应用科学学院 |
9.3 上手检查清单
- 已确认下载文件属于 v1.0 release，并记录校验值
- 已读取 HDF5 数据集的形状、dtype 与属性，确认位深与轴序
- 已列出 .npz 归档的全部键名与形状
- 已用三个正交面目视确认骨架与图像的坐标对齐
- 已确认 200³ 稠密标注在 1100³ 骨架范围内的相对位置
- 已确认评估脚本对边界截断轴突的处理方式
- 已确认是否获得再分发授权
- 已在论文方法部分写明使用的划分与版本
9.4 未覆盖内容
以下内容在官方材料中未找到，本页不作推测：各划分的骨架条数与总长度；小鼠品系、年龄与皮层亚区；同步辐射束线编号与曝光参数；样品制备与染色流程；参赛队伍数量与最终排行榜；优胜队伍综述论文；任何形式的数据许可条款。
9.5 检索模板
- 找官方入口：
xpress grand-challenge或xpress ISBI 2023 challenge - 找论文：
arXiv 2302.03819 - 找代码：
xray-challenge-eval github或xpress-challenge-files - 找技术背景：
X-ray holographic nanotomography axon或XNH connectomics - 找标注工具：
WebKnossos skeleton tracing
检索时若不带 challenge 或 connectomics 限定，会命中大量同名商业软件与出版平台。
9.6 DAIMS 评估
DAIMS 是数据与信息管理服务的评估框架，从可获得性、可用性、互操作性、可复用性、治理五个维度评价数据资产。下表按此框架给出评估。
| 维度 | 评分 | 说明 |
|---|---|---|
| 可获得性 | 中 | 六个文件无需注册即可下载；但无 DOI、无归档、无镜像，长期可用性依赖 GitHub release |
| 可用性 | 中高 | 格式为标准 HDF5 与 npz，有官方读取示例与 Colab；但位深、轴序、骨架结构均未文档化 |
| 互操作性 | 中 | 格式通用，坐标尺度明确；但缺少 BIDS 类规范，与神经影像生态的元数据标准未对接 |
| 可复用性 | 中低 | 无许可条款是最大障碍；标注覆盖稀疏，复用场景限于分割方法研究 |
| 治理 | 低 | 无版本治理说明、无更新日志、无联系渠道的正式说明；仅靠论文与页面文字 |
| 文档完备度 | 中 | 论文六页，覆盖任务与指标；缺数据字典、缺文件级说明、缺常见问题 |
| 评测透明度 | 中高 | 评测代码公开，指标公式明确；但 Rand 项定义未展开，边界处理未说明 |
| 社区活跃度 | 低 | 会后无综述、无后续版本、未见维护更新 |
综合判断：这是一份「任务定义清楚、数据格式通用、但治理与许可缺位」的基准。它的技术价值高于它的管理成熟度。
§10 十二问十二答
Q1：XPRESS 到底是一个数据集还是一个比赛？
两者是同一件事的两面。XPRESS 在 2023 年作为 ISBI 2023 的官方挑战赛运行，赛期只有两个月，但数据集本身以 GitHub release 形式长期公开下载，Grand Challenge 上的在线评测在会后仍然开放。把训练集单独拿出来当三维实例分割的基准用，与当年参赛并不冲突。
引用时应区分两种用途：作为数据集引用 arXiv 论文，作为比赛结果引用在线排行榜并注明查询日期。
Q2：它的图像是 X 光片吗？
不是。XPRESS 用的是 X 射线全息纳米断层，在同步辐射光源上对毫米级组织做相位衬度断层重建，得到的是三维纳米分辨率体积，而不是二维投照影像。名称里的 Xray 指的是照明光源，与临床胸片、骨片没有方法学关系。
一个常见的联想是把「X 光」直接连到 Radiopaedia 上的胸片集合，这两者在成像物理、样本类型与任务形态上没有任何交集。
Q3：数据里有多少条轴突可以拿来训练？
论文给出的合计数字是 1815 条骨架，分布于训练、验证、测试三个体积，但未按划分拆分。可直接用于训练的是训练集 1100³ 标注子体积内的骨架；测试集的骨架与体素级掩码都不公开，由评测服务器持有。
若要估算训练样本量，需要自己把 .npz 里的骨架按每条边的长度加权统计，而不是简单除以三。
Q4：为什么只给了 200³ 一小块体素级标注？
这是挑战赛的核心设计。逐体素描绘轴突边界极其耗时，而沿轴突中线打点生成骨架要快得多，且足以判定两条突起是否属于同一条轴突。发布方因此把稠密标注压缩到 200³，把预算转投到 1100³ 的骨架上，并明确鼓励参赛者发展「用骨架训练、产出体素分割」的方法。
这个取舍也定义了数据的适用边界：它不适合评估「标注量足够时模型能到什么水平」，只适合评估「标注稀缺时能做到什么」。
Q5：33.3 纳米这个体素尺寸能按字面理解吗？
不能。原始采集是 100 nm 体素，真实光学分辨率约 200 nm，发布版本为与电子显微镜数据集对齐而上采样到 33.3 nm。上采样插值不会凭空产生新细节，所以在该数据上测得的直径、间距等绝对尺度量都偏乐观，只能用于相对比较。
若论文中需要报告绝对尺寸，应注明「存储体素」与「光学分辨率」两个数字，并说明测量值受后者限制。
Q6：评估分数 XPRESS score 为什么要对合并错误下重手？
在连接组学里，把两条轴突并成一条和把一条切成两段，代价完全不同。后者只是把一条通路拆碎，仍可拼接回来；前者则凭空制造出一段不存在的连接，会让下游的线路推断得出错误结论。XPRESS score 因此让含合并错误的片段在期望游程长度上记为 0，再与 Rand 指数平均。
这个设计意味着，一个保守的、倾向于把轴突切碎的模型，在分数上可能优于一个激进合并的模型，即便后者在视觉上更连贯。
Q7：这个数据集能商用吗？
目前无法给出肯定答复。官方页与论文都没有写明许可条款，也没有 CC 声明、DOI 或 Zenodo 记录，文件通过 GitHub release 直接公开。无明示许可在著作权法上通常意味着保留全部权利，因此把数据再分发或嵌入商业产品前，需要先向通讯作者取得书面授权。
若只在内部做研究，风险较低，但仍应在合规审查中如实说明「许可未声明」这一事实，而不是默认按 CC BY 处理。
Q8：它和 MICrONS、线虫连接组是同一类东西吗？
目标同属连接组学，手段与尺度不同。MICrONS 用电子显微镜重建小鼠视皮层的功能与结构对应，线虫数据集给出的是完整个体的全部神经元连接；XPRESS 只覆盖小鼠皮层白质里的大直径髓鞘化轴突，提供的是成像与分割的技术基准，不含功能测量，也不含完整连接矩阵。
从数据规模看，线虫的连接数是可穷举的，MICrONS 是一个立方毫米，XPRESS 是三个四十微米见方的体积，三者的「完整度」含义完全不同。
Q9：三个体积是从同一只动物身上取的吗？
论文没有说明。三个体积的物理尺寸完全相同，都来自皮层白质，都是 1200³ 体素，这些迹象提示它们可能取自同一批次采集。但同一批次不等于同一只动物，也不等于相互独立。
这个不确定性直接影响模型评估的可靠性。若三者来自相邻区域，测试集上的分数会因共享的组织学特征而偏高。使用者应在自己的论文中把它列为局限，而不是省略。
Q10：骨架标注和体素标注能不能互相校验？
理论上可以，实践中需要先解决坐标系问题。若 200³ 的稠密标注块落在 1100³ 的骨架范围内，就可以把骨架栅格化后与稠密掩码对照，检查是否出现「骨架没有覆盖但掩码标记为前景」的区域。若两者不相交，则无法直接校验，只能间接通过模型的预测一致性推断。
论文没有给出两者的空间关系，这是上手时第一个需要自己解决的问题。
Q11：挑战赛的最终结果在哪里查？
官方页面提到会邀请优胜队伍撰写综述论文，但公开渠道未检索到该论文。最终排行榜在 Grand Challenge 的比赛页上，需要登录后才能查看完整表格。论文本身不含任何名次、队伍数或优胜者信息。
引用历史成绩时应注明「在线排行榜，查询日期某年某月」，不要写成「据论文」。
Q12：这份数据还会更新吗？
截至 2026 年 10 月，数据发布编号仍是 v1.0，论文仍是 2023 年 2 月的 v2，没有看到任何后续修订的迹象。官方页面也没有版本历史或更新日志。
若要长期依赖这份数据，建议自行做一次完整归档：保存六个文件的校验值、记录下载日期、并在内部文档中固定读取代码的版本，以免上游变动导致结果不可复现。
编辑说明
核验时间与方式。 2026 年 10 月 18 日。以三个官方入口交叉核对：arXiv 论文页（2302.03819 摘要页与 HTML 全文）、Grand Challenge 赛事页、GitHub 上的数据与评测仓库说明。网络检索共发起六次请求，其中官方二级域名 xpress-challenge.github.io 返回 404、xpress-challenge.com 无法连接，两者均不作为依据；实际采信的是 arXiv 与 grand-challenge.org 两处。
核验中发现的任务头偏差。 派发任务头把本条归入「医学影像」，并把 Grand Challenge 写成主办方。核验后确认：本条属神经科学与连接组学，样本为离体小鼠脑组织，不涉及任何患者；Grand Challenge 仅为托管与评测平台，主办方为哈佛医学院神经生物学系牵头的十二人团队。正文按核验结果撰写。任务头所列 arXiv 编号 2302.03819 经核对确为该数据集本身的论文，不存在张冠李戴。
双口径冲突登记。 其一，提交截止时间在论文表二写作 3 月 30 日，官方页面写作 4 月 3 日并注明延期，正文采用官方页面值并在时间线处标注差异。其二，最终排行榜公布时间在论文写作 4 月 1 日，官方页面写作 4 月 4 日。其三，体素尺寸在官方页面任务段写作 100 nm，论文写作上采样至 33.3 nm，两处分别指采集与发布两个阶段，正文同时给出并说明区别。其四，数据集名称在官方页面标题用单数 Segment，论文标题用复数 Segments。其五，Mukul Narwani 与 Shuhan Xie 的机构归属在官方页面内部前后不一致，正文不逐一指认。
版本日志。 首版，2026 年 10 月 18 日。未经二次复核。
下次复核的触发条件。 出现任何一项即应重新核验：数据 release 出现 v1.1 或更高编号；官方页面新增许可条款或数据使用协议；arXiv 论文出现 v3；检索到挑战赛综述论文；文件下载链接失效。
未覆盖且不推测的内容。 各划分的骨架条数与骨架总长度、小鼠品系与年龄、同步辐射束线编号与曝光参数、样品制备流程、参赛队伍数与最终排行榜、优胜队伍综述论文、数据许可条款。以上七项在三个官方入口中均无记载，正文一律标注为缺失而非补全。
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：
- med-reasonseg — 共享标签：医学图像分割 / 挑战赛数据集 / 评测基准 / 多模态影像
- empiar — 共享标签：神经科学 / 医学图像分割 / 评测基准
- psfhs — 共享标签：医学图像分割 / 挑战赛数据集 / 评测基准
- ai4life-cidc25 — 共享标签：神经科学 / 挑战赛数据集 / 评测基准
- crossmoda2022 — 共享标签：神经科学 / 医学图像分割 / 挑战赛数据集
- toothfairy2 — 共享标签：医学图像分割 / 挑战赛数据集 / 评测基准
- curvas — 共享标签：医学图像分割 / 挑战赛数据集 / 评测基准
- toothfairy3 — 共享标签：医学图像分割 / 挑战赛数据集 / 评测基准
- stsr — 共享标签：医学图像分割 / 挑战赛数据集 / 评测基准
- mitoem — 共享标签：医学图像分割 / 挑战赛数据集 / 评测基准
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
