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。