Airway Tree Modeling for Endobronchial Surgery 2026 (ATM26) Challenge Benchmark

基于ATM22挑战赛的成功，ATM26将气道树建模从二进制分割扩展到结构化气道理解，支持具有临床意义的气道分割和分支级解剖标注，以及支气管内干预。Building on the success of the ATM22 Challenge, ATM26 expands airway tree modeling from binary segmentation to structured airway understanding, supporting clinically meaningful airway segmentation, branch-level anatomical annotations, and endobronchial interventions.

原始信息汇总

数据集概述：Airway Tree Modeling for Endobronchial Surgery 2026 (ATM26) Challenge Benchmark

• 数据集名称：Airway Tree Modeling for Endobronchial Surgery 2026 (ATM26) Challenge Benchmark
• 来源与背景：基于 ATM22 挑战赛的成功经验，ATM26 将气道树建模从二值分割扩展为结构化气道理解，支持具有临床意义的气道分割、分支级解剖标注以及支气管内介入操作。
• 任务目标：实现气道分割、分支级解剖标注，并服务于支气管内手术的建模需求。
• 包含内容：数据集由三个 Track 组成，目前 Track-1 和 Track-2 已发布，Track-3 正在准备中。
• 使用要求：所有参与者需在官网注册、签署数据使用协议，并点击“Join”按钮完成验证。
• 配套资源：提供基线模型与 Docker 提交指南，以及评估代码（位于 evaluation/README.md）。
• 引用依据：使用该数据集须引用以下论文：
  • Zhang 等，《Multi-site, multi-domain airway tree modeling》，Medical Image Analysis, 2023。
  • Li 等，《Reflecting topology consistency and abnormality via learnable attentions for airway labeling》，IJCARS, 2025。
  • Zhang 等，《Airmorph: Topology-preserving deep learning for pulmonary airway analysis》，arXiv, 2024。

关键链接

• 注册页面：https://atm26.grand-challenge.org/registration/
• 基线及提交指南：https://github.com/EndoluminalSurgicalVision-IMR/Airway-Tree-Modeling-26/blob/main/baseline-and-submission-guideline/README.md
• 评估代码：https://github.com/EndoluminalSurgicalVision-IMR/Airway-Tree-Modeling-26/blob/main/evaluation/README.md

待完成事项

• [ ] 准备评估 README 文件
• [ ] 准备 Track-3 的发布

搜集汇总

数据集介绍

构建方式

ATM26挑战基准数据集在ATM22成功经验的基础上，将气道树建模从二元分割拓展至结构化气道理解领域。该数据集通过整合多站点、多领域的医学影像数据，结合临床意义下的气道分割与分支级解剖标注，支持支气管内介入治疗的研究。构建过程中，数据集依赖于已建立的数据使用协议和注册机制，确保参与者合法获取并处理影像资料。基准模型与Docker教程的提供，进一步规范了数据处理的标准化流程，为气道树的结构化分析奠定了坚实基础。

特点

该数据集的核心特点在于其从传统分割任务向结构化气道理解的跨越，实现了对气道树分支的精准解剖学标注，这在临床手术规划中具有重要价值。数据集不仅保留了影像的多站点、多领域特性，增强了模型的泛化能力，还引入了拓扑一致性与异常检测机制，如基于可学习注意力的气道标记方法，反映了对气道复杂结构的精细捕捉。此外，由于支持支气管内介入场景，数据集在临床直接应用方面展现出突出优势。

使用方法

使用者需先按照注册指南完成身份验证，签署数据使用协议，并通过网站上的“加入”按钮获取访问权限。随后，可依据基准与提交指南学习如何使用提供的基线模型与Docker容器进行开发与测试，此部分包含详细的运行教程。评估过程则参照专门的评估代码说明，对模型结果进行量化分析。整个使用流程强调标准化操作，从数据获取到模型提交均遵循统一规范，以促进研究的可复现性与可比性。

背景与挑战

背景概述

ATM26（Airway Tree Modeling for Endobronchial Surgery 2026）挑战赛数据集由帝国理工学院Endoluminal Surgical Vision实验室主导，于2025年面世，旨在推动气道树建模从二值分割迈向结构化理解。该数据集聚焦于临床意义下的气道分割与分支级解剖标注，支撑支气管腔内手术的精准规划。其前身ATM22推动了多站点、多域气道建模，而ATM26则进一步整合拓扑一致性、异常检测与可学习注意力机制等前沿技术，为医学影像分析领域贡献了高价值基准，显著提升了气道相关疾病的诊断与干预效率。

当前挑战

领域核心挑战在于实现从像素级分割到解剖结构级理解的非平凡跨越，需兼顾气道拓扑的复杂性与临床场景的病变干扰，例如异常气道结构的识别与标注。构建过程中面临多中心数据采集的不一致性、标注规范的高昂人工成本，以及模型对非典型病理的鲁棒性不足等难题。此外，现有方法在分支级标签的连续性保持上仍显薄弱，且缺乏统一评估体系以量化结构化理解的准确性，限制了其在现实手术导航中的泛化应用。

常用场景

经典使用场景

在支气管内镜手术规划与导航的临床背景下，ATM26数据集为从二维CT影像中提取完整气道树结构提供了标准化基准。其经典使用场景集中于气道树的精细化分割与分支级解剖标注，研究人员借助该数据集训练深度学习模型，以自动识别从主支气管至亚段级别的气道分支，并赋予其符合解剖学的标签。这一过程不仅要求模型具备像素级分割精度，更需理解气道拓扑连续性，从而为后续手术路径规划奠定可靠的结构基础。

实际应用

在实际临床场景中，ATM26数据集支撑着支气管内镜手术的术前模拟与术中导航系统。基于该数据训练的模型能够自动重建患者个体化的气道树拓扑图，辅助医生精准定位病灶所在分支，规避操作中的穿孔风险。此外，在慢性阻塞性肺疾病、哮喘等气道病变的量化评估中，该数据集使算法得以测量分支角度、管径变化等形态学参数，为疾病进展监测和疗效评价提供了客观的影像学标记。

衍生相关工作

围绕ATM26数据集，研究者衍生出一系列富有影响力的经典工作。例如，基于多站点、多域数据的Airway Tree Modeling研究提出了通用建模框架，有效缓解了域偏移问题；Reflecting Topology Consistency方法通过可学习注意力机制强化了分支标注时的拓扑一致性；AirMorph工作则专注于拓扑保持的深度学习架构，实现了对气道异常形变的精确捕捉。这些工作不仅在MICCAI等顶级会议上发表，还被广泛应用于后续的气道分析系统开发中，形成了持续演进的研究生态。