辐射成像大赛

• 赛事平台
  • 赛事主页
  • 清华大学gitlab
  • 训练数据
  • 得分排行
• 赛事介绍与规则
  • 赛事介绍与报名
  • 赛事规则
  • 赛程安排
• 赛事培训
  • 第一次培训: pytorch
  • 第一次宣讲会: 数据集讲解与评分标准, 样例代码
• 赛事结果
  • 最终评测结果

第一届辐射成像大赛

工物科协首届辐射成像大赛火热来袭！

——基于医学图像数据集，解锁医学图像分割新可能性

大赛背景

医学影像技术是临床诊疗的基石，而辐射成像（如CT、MRI）作为精准医疗的核心工具，在疾病筛查、手术规划和疗效评估中发挥着不可替代的作用。随着人工智能技术的快速发展，医学影像的智能化处理已成为全球研究热点。为激发学生对交叉学科的兴趣，推动医学影像分析技术的创新应用，清华大学工程物理系学生科协倾力打造首届辐射成像大赛！本次赛事依托赛事组精心筹备的500+高质量医学影像样本（CT图像）数据集，覆盖15类腹部核心器官的精细化标注，数据来源多样（多疾病、多设备、多扫描参数），涵盖大规模、多中心、多期相的临床真实数据，高度还原临床真实挑战。旨在为参赛者提供高含金量的科研实践平台，探索AI算法在复杂医学场景中的无限可能！

参赛对象

高校本科生（个人或1-3人组队）

• 专业不限！无论你是计算机、人工智能、生物医学工程、物理学、数学还是其他领域学生，只要对医学AI充满热情，均可报名参与！

• 零基础友好：赛事组提供样例代码、详细赛前培训及在线答疑，助力快速入门。

赛题任务

核心任务

• 腹部器官医学图像分割

数据特色

• 影像维度：3D容积数据（.nii.gz格式），保留完整空间信息。

• 标注类别：涵盖脾、肝、肾、胰腺、胃等15类关键器官，部分器官标注难度极高（如细小肾上腺、易变形的十二指肠）。

评价指标

• 采用Dice系数、Hausdorff距离等多维度评估分割精度与边界贴合度。

奖项设置

一等奖（2队）

奖品：团队每人获得一份华为WATCH FIT 3智能手表、华为音响（Sound joy 2）（任选其一）+ 获奖证书 （奖你一个华为手表.jpg）

二等奖（4队）

奖品：团队每人获得一份拍立得（富士 instax mini 12）、耳机（华为FreeBuds 4E 2024款、小米Remi Buds 5 pro任选） + 获奖证书

三等奖（4队）

奖品：团队每人获得一份手环（华为手环9 标准版、小米手环9任选）+ 获奖证书

报名与备赛支持

报名通道

• 填写2025年辐射成像大赛报名问卷参与赛事（注意扫码进入赛事咨询群）

资源支持

• 样例代码库：提供PyTorch框架的入门代码，含数据加载、模型训练全流程。

• 技术培训：涵盖基本pytorch使用方法，医学影像预处理、分割模型调优技巧等。

• 云端GPU资源：报名成功后科协服务器可以提供显卡算力，助力高效训练。

辐射成像大赛比赛规则

本比赛的核心目的是对提供的数据集进行腹部器官医学图像分割，根据分割准确度进行评分。

任务要求

参赛选手可使用 Pytorch 完成模型训练，在给出的样例代码的基础上进行修改（或者直接重写，亦可不用神经网络~），实现一个可以输入原始 CT 图像，得到对应器官分割标签图的神经网络模型。并将评分集的原始图片（后缀为 .nii.gz ）作为输入，得到与标签图格式完全相同的图像（后缀为 .nii.gz ），最终得分将通过其与评分集的真实标签图做对比得到。

选手还应完成一份简要的比赛报告（参考给出的 report.md 模版），重点说明所需的额外运行环境要求和本队的优化修改思路。

提交方式

本比赛在清华大学gitlab上进行，选手修改代码后，进行 git push 操作即可自动运行评分 ci ，无需其他方式提交。

评分标准

完整的评分代码见 grade.py 文件，选手不能修改此文件，如果发现此代码存在 bug ，请向赛事组委会反馈，组委会将统一说明并修改。

one-hot 编码

对于分割好的 3 维标签图像，会转化为 4 维的 numpy 数组，其中前三个维度表示图像的空间分辨率，第四个维度对应 15 个不同的器官分割通道，按照 one-hot 编码填充数据。

通道索引与器官标签的映射关系为：通道0对应标签1（即第一个器官），通道1对应标签2（依此类推），直至通道14对应标签15（第十五个器官）。每个通道为严格的二值化分割结果，即仅包含0和1两种数值——数值1表示该像素被判定为对应器官区域，0则表示非该器官区域。

Dice 系数

评分采用 Dice 相似系数（Dice Similarity Coefficient, DSC）作为核心评价指标。对于每个器官独立计算其 Dice 分数，具体计算公式为：

$$\text{Dice}$$p = \frac{2 \times \sum{i=1}^L \sum_{j=1}^W \sum_{k=1}^H \mathbb{I}\left( y_{\text{pred}}^{(p)} (i,j,k) = 1 \cap y_{\text{true}}^{(p)} (i,j,k) = 1 \right)}{\sum_{i=1}^L \sum_{j=1}^W \sum_{k=1}^H \mathbb{I}\left( y_{\text{pred}}^{(p)} (i,j,k) = 1 \right) + \sum_{i=1}^L \sum_{j=1}^W \sum_{k=1}^H \mathbb{I}\left( y_{\text{true}}^{(p)} (i,j,k) = 1 \right) + \varepsilon}

式中：

• $p \in {1, 2, ..., 15}$ 表示器官编号
• $L \times W \times H$ 为图像分辨率（即img_size）
• $\mathbb{I}(\cdot)$ 为指示函数，条件满足时取 $1$ ，否则为 $0$
• $\varepsilon = 10^{-7}$ 为平滑项，用于避免分母为零的情况

背景区域（标签0）不参与任何器官的Dice计算。最终得分为15个器官Dice分数的宏平均（算术平均），计算结果保留四位小数（如0.8573）。针对特殊情形设定补充规则：当某器官在真实标注中不存在（即真实掩膜全为0）且预测结果也全为0时，该器官Dice分数记为1；若真实标注存在但预测结果全为0，则按正常公式计算（此时分子为0，分母非零）。评分系统将对所有测试样本独立计算后取平均，确保评估结果的客观性。

最终得分为所有器官的得分平均值，并转化为以 100 为满分。得分会被上传到排行榜中，最终评测前的得分与排行仅供参考。

辐射成像大赛赛程安排

第一次技术培训: pytorch

概念介绍

深度学习

深度学习是机器学习的一个子领域，基于多层人工神经网络（如卷积神经网络、循环神经网络等）进行特征学习和模式识别。其核心是通过分层结构自动提取数据的多层次抽象表示（从低级到高级特征），利用反向传播算法优化网络参数。典型应用包括图像识别、自然语言处理和语音识别。关键特点为：依赖大数据训练、计算密集型（常需GPU/TPU）、端到端学习能力，以及可处理高维非线性关系。

神经网络

神经网络是一种受生物神经元启发的计算模型，由相互连接的人工神经元（节点）组成，通过权重和激活函数处理输入数据并输出预测结果。其核心是通过训练（如反向传播）自动调整参数，以学习输入与输出之间的映射关系。传统神经网络通常较浅（1-2层），而深度学习通过堆叠多个隐藏层提取多层次特征，实现更复杂的模式识别。因此，深度学习是神经网络的扩展，核心区别在于深度（层数）和自动特征学习能力。

Pytorch

PyTorch 是一个基于 Python 的开源机器学习框架，由 Facebook（现 Meta）开发，主要用于深度学习。其核心特点包括：

1. 动态计算图（Dynamic Computation Graph）：支持即时执行的自动微分（Autograd），便于调试和灵活建模。
2. 张量计算（Tensor）：类似 NumPy，但支持 GPU 加速，适合高效数值计算。
3. 模块化设计：提供 torch.nn 等高级 API，方便构建和训练神经网络。
4. 生态系统：集成工具链（如 TorchVision、TorchText），支持研究到生产部署。优势：易用性强，适合学术研究，且被工业界广泛采用。对比框架如 TensorFlow，PyTorch 更偏向动态图编程范式。

基本信息

• 主讲人: 黄浩
• 时间：3月29日14:00-15:30
• 培训内容：
  1. 神经网络的原理
  2. 基于pytorch的MLP

材料

• 回放： 清华云盘
• 讲义与代码： 清华云盘

第一次宣讲会: 数据集讲解与评分标准, 样例代码

基本信息

• 主讲人: 黄浩
• 时间：4月26日14:00-15:30
• 宣讲与培训内容：
  1. 数据集讲解
  2. 评分标准
  3. 样例代码讲解

材料

• 回放： 腾讯会议
• 示例代码与材料： 清华云盘

最终评测结果