加速MRI数据集

加速MRI数据集是由浙江大学的研究人员创建的，包含来自18个公共来源的原始k空间数据，共计110万张图像。该数据集旨在研究数据筛选策略对MRI重建的影响，并构建了一个包含48个测试集的评估集，以捕捉解剖结构、对比度、线圈数量等因素的变化。数据集创建过程中，研究人员提出了不同的数据筛选策略，以提高当前最先进的神经网络在加速MRI重建方面的性能。该数据集适用于研究MRI重建、图像恢复等领域，旨在解决加速MRI重建过程中图像质量下降的问题。

The accelerated MRI dataset was created by researchers from Zhejiang University. It contains raw k-space data from 18 public sources, with a total of 1.1 million images. This dataset aims to investigate the impact of data filtering strategies on MRI reconstruction, and an evaluation set consisting of 48 test subsets was constructed to capture variations in factors such as anatomical structures, image contrasts, and coil counts. During the dataset creation process, researchers proposed various data filtering strategies to improve the performance of state-of-the-art neural networks for accelerated MRI reconstruction. This dataset is applicable to research in fields including MRI reconstruction and image restoration, and targets the issue of degraded image quality during accelerated MRI reconstruction.

搜集汇总

数据集介绍

构建方式

在医学影像重建领域，加速MRI数据集的构建采用了多源k空间原始数据整合策略，涵盖18个公开数据源的110万张图像。通过将3D MRI扫描转换为轴向、矢状和冠状三个独立视角的二维切片，有效扩充了训练样本规模。数据预处理遵循fastMRI规范，采用HDF5格式统一存储，并利用BART工具箱估计灵敏度图以确保数据一致性。

特点

该数据集的核心特征体现在其高度多样化的评估体系，包含48个测试集以覆盖解剖结构、对比度、线圈数量等关键变量的广泛分布。通过人工筛选排除存在扫描伪影的低质量图像，确保评估可靠性。数据分布呈现显著不平衡性，例如fastMRI脑部测试集中T2加权图像占比过高，这种真实世界的异质性为模型鲁棒性验证提供了理想基准。

使用方法

数据集支持两种主流重建方法：端到端的变分网络（VarNet）和扩散模型。训练过程中采用DreamSim感知相似度度量进行数据过滤，通过检索与验证集特征相似的样本优化训练集构成。评估时使用区域聚焦掩码排除背景干扰，并对重建结果进行亮度与对比度标准化，确保指标计算聚焦于临床相关区域。

背景与挑战

背景概述

加速MRI数据集由Kang Lin等研究者于2025年构建，旨在推动深度学习在加速磁共振成像重建领域的发展。该数据集整合了来自18个公开源的原始k空间数据，涵盖110万张图像，覆盖心脏、大脑、膝关节等多解剖部位及多种对比度。作为当前规模最大的开放式k空间数据集之一，它通过提供多样化的评估集（包含48个测试集）显著提升了模型在分布内外数据上的泛化能力，对医学影像重建研究具有重要影响。

当前挑战

该数据集核心挑战在于解决加速MRI重建中的两个关键问题：一是如何从高度异构的k空间数据中提取高质量样本以提升模型重建精度，二是构建过程中需克服多源数据格式差异、噪声干扰及解剖结构变异带来的复杂性。具体包括原始数据中存在的运动伪影、低信噪比图像过滤，以及三维体积数据向二维切片转换时的结构一致性维护等问题。

常用场景

经典使用场景

在医学影像重建领域，加速MRI数据集被广泛用于验证深度学习模型在k空间欠采样重建任务中的性能。该数据集整合了来自18个公开源的110万张原始k空间图像，涵盖不同解剖部位、对比度、线圈数量和磁场强度等关键变量，为模型训练提供了高度多样化的数据基础。研究者通常利用该数据集评估变分网络（VarNet）等先进架构在4倍至8倍加速倍数下的重建质量，通过结构化实验分析滤波策略对模型泛化能力的影响。

解决学术问题

该数据集解决了加速MRI重建中训练数据质量与模型鲁棒性的核心学术问题。通过系统化的数据过滤方法（如启发式滤波和基于DreamSim度量对齐的滤波），显著减少了重建图像中的伪影并提升细节清晰度。其意义在于首次证实了数据筛选策略在医学影像领域的有效性，突破了以往仅依赖架构优化的研究范式，为构建高质量医学影像数据集提供了可复现的基准框架。

衍生相关工作

该数据集衍生出多项经典研究工作，包括基于DreamSim感知相似性的数据对齐滤波框架、加权对齐采样策略以及3D MRI扩散模型重建方法。这些工作被扩展至动态对比增强乳腺MRI（fastMRI Breast）和心脏电影成像（CMRxRecon）等专项任务中，进一步推动了SKM-TEA膝关节定量评估数据集和M4Raw低场MRI数据集的协同发展。相关代码库已成为社区标准工具，支持端到端网络与扩散模型的双轨验证。