一、临床背景
适当的血液供应对于脑组织的健康维护是至关重要。随着年龄的增长，在最小的血管中会观察到血管的变化，这是其功能受损。使用磁共振成像可以观察到周围组织的变化。白质高信号（WMH）是脑小血管疾病（CSVD）的突出标志之一，其自动分割已成为大量研究和分割挑战的重点。存在CSVD病变的其他标记，它们与WMH的定量分析对掌握与CSVD相关的血管负担的总体情况是至关重要。它们包括腔隙，扩大的血管周间隙和脑微出血。手动注释非常耗时，而且由于太小难以将这些标记物彼此区分开，并且结构相似，而且缺乏发现“真实”的金标准结果。但是，许多研究表明它们具有成为重要生物标志物的潜力。因此，需要自动化的方法来使它们的定量不仅鲁棒和可靠，而且简单可行。迄今为止，此类方法的发展受到与目标尺寸小和数据极度不平衡以及缺乏足够的金标准数据相关问题的阻碍。
这项挑战旨在促进开发新的解决方案，以便对此类稀疏和小的物体进行自动分割，同时利用弱而嘈杂的标签。这项挑战的主要目标是促进对脑部MRI扫描中CSVD的量化。
二、挑战赛任务
挑战分为3个不同的任务，旨在解决与CSVD小标记的检测，分割和表征有关的关键问题：
任务1、扩大血管空间（PVS）分割和计数
扩大的PVS负担是目前作为重要的神经影像生物标志物。研究PVS负担的当前瓶颈是对自动化方法的需求。在MRI扫描中可能存在大量的扩大的PVS，因此手动注释扩大的PVS是非常耗时。当前，神经学研究大多使用视觉上的评分来表示扩大的PVS的负担，通过计算切片中扩大的PVS的数量。这是量化扩大的PVS的最实用，最快捷的方法，但是它是扫描中大量有价值信息的粗略近似。此外，由于难以评估PVS是否扩大以及与其他类似结构的区分，手动注释和视觉评分会受到观察者的偏见。处理注释的这种主观性是当前自动化方法的主要挑战之一，因为不可能获得“真实的”金标准。
强大的自动化分割扩大的PVS的方法对于扩大PVS在神经系统疾病中的神经学研究是非常有用。
任务2、脑微出血检测与分割
脑微出血是脑小血管疾病的重要标志。它们的存在与特定的血管病理学（例如脑淀粉样血管病）和脑小血管疾病（WMH，扩大的PVS）的其他标志物有关。当前，微出血是手动识别的。自动识别微出血的挑战在于存在大量的干扰物和数据稀疏性：微出血非常小，并且每次扫描的微出血通常很少。
一种用于微出血分割的自动化方法将使得能够进一步研究它们在神经退行性疾病中的存在。
任务3、腔隙检测和分割
推测血管起始腔隙是脑小血管疾病的另一重要生物标志物。当前，通常手动检测腔隙，这是非常耗时和主观的。自动化方法的重要挑战是小的腔隙及其罕见情况。腔隙看上去与扩大的PVS非常相似。他们经常被误认为彼此。即使对于专家而言，根据MRI扫描质量，区分腔隙与扩大的PVS也可能具有挑战性，有时甚至是不可能的。与扩大的PVS相比，对于腔隙而言，其问题比扩大的PVS更为严重。自动化方法还应重点关注对检测和分割不确定性进行建模，因为这对这种生物标记物尤其重要。
一种自动的腔隙分割方法将有助于进一步研究腔隙及其在神经系统疾病中的作用。
三、血管病变数据
任务1、所有图像文件都在T1空间中
a、T1图像-T1加权图像
b、T2图像-T2加权图像刚度对准T1
c、FLAIR-T2 FLAIR图像刚性对准到T1
d、区域-指示扩大后的PVS可以进行分割（或计数）的区域的文件。每个单独的区域都用不同的数字标记，该数字用于Count.csv文件中的映射
e、计数csv文件，指示每个区域的放大的PVS计数-列如下-注意切片编号为0索引
value-区域文件中掩码的对应值
count-相关区域中已计数的扩大PVS数
min_slice-相应区域的最小轴向切片索引
max_slice-相应区域的最大轴向切片索引
f、PVSSeg-在考虑的区域蒙版上扩大的PVS分割（仅适用于一部分数据集）
任务2、所有图像文件都在T2 *空间中
a、T1-T1加权图像刚性注册到T2 *图像
b、T2-T2加权图像刚性注册到T2 *图像
c、T2S-T2 *图像并污损
d、CMR 在T2 *空间中进行脑微出血分割
任务3、所有图像文件都在T1空间中
a、T1-T1加权图像并污损
b、T2-T2加权图像刚性注册到T1图像
c、FLAIR-T2 FLAIR图像刚性注册到T1图像
d、Lacunes 腔隙分割在T1空间中执行
