OCMR

OCMR数据集是由俄亥俄州立大学创建的开放获取心血管磁共振成像数据集，包含265个数据文件，其中53个为完全采样，212个为前瞻性欠采样。数据集主要用于评估和比较不同的笛卡尔采样和重建技术。OCMR数据集涵盖多种心血管MRI应用，如心脏电影、血流测量等，旨在解决MRI数据采集速度有限的问题，推动加速MRI技术的发展和临床转化。

The OCMR dataset is an open-access cardiovascular magnetic resonance imaging (CMR) dataset created by The Ohio State University. It contains 265 data files, among which 53 are fully sampled and 212 are prospectively undersampled. This dataset is primarily used to evaluate and compare different Cartesian sampling and reconstruction techniques. The OCMR dataset covers a variety of cardiovascular MRI applications such as cardiac cine imaging and flow measurement, aiming to address the limitation of limited MRI data acquisition speed and promote the development and clinical translation of accelerated MRI technologies.

搜集汇总

数据集介绍

构建方式

OCMR数据集由来自53个完全采样和212个前瞻性欠采样的心脏电影的多线圈k空间数据组成，这些数据是在三个西门子MAGNETOM扫描仪上收集的。每个数据文件都遵循ISMRMRD格式，并且数据集包含了多种属性，如扫描仪类型、采样模式、视图、切片、视野、受试者类型等，以便于用户可以根据自己的需求选择下载。

使用方法

OCMR数据集的使用方法包括在Matlab和Python中使用wrapper函数读取HDF5文件。用户可以通过调整过滤器来选择下载的数据文件，并根据需要选择不同的属性。读取数据后，可以得到一个九维的k空间数组和包含采集参数的结构体。用户可以使用这些数据和参数进行图像重建和评估。

背景与挑战

背景概述

心血管磁共振成像（CMR）是一种无创成像技术，能够在无需使用电离辐射的情况下提供优秀的软组织对比度。然而，生理运动和MRI数据采集速度的限制要求开发加速方法，这些方法通常依赖于欠采样。从高度欠采样的数据中恢复诊断质量的CMR图像一直是研究的热点。最近，已经提出了几种数据采集和处理方法来加速CMR。OCMR数据集提供了一个开放访问的多线圈k空间数据集，包括53个完全采样的和212个前瞻性欠采样的心脏电影数据。该数据集由美国俄亥俄州立大学的生物医学工程、心脏和肺部研究所、电气和计算机工程以及内科医学等研究人员共同创建。OCMR数据集旨在促进CMR重建方法的研究和临床转化，为不同重建方法的客观评估和比较提供了一个平台。

当前挑战

OCMR数据集面临的挑战主要包括：1) 从高度欠采样的数据中恢复诊断质量的CMR图像；2) 开发新的技术以实现更高效的CMR数据采集；3) 促进CMR重建方法的临床转化。此外，数据集构建过程中也面临着一些挑战，例如：1) 收集大量的高质量CMR数据；2) 保证数据的安全性和隐私性；3) 开发易于使用的数据加载和预处理工具。

常用场景

经典使用场景

OCMR数据集提供了来自53个全采样和212个前瞻性欠采样的心脏电影的多线圈k空间数据，是心血管磁共振成像（CMR）加速技术研究和比较的理想工具。该数据集特别适用于评估和比较不同重建方法的性能，从而推动CMR成像技术的创新和临床转化。

解决学术问题

OCMR数据集解决了CMR成像技术在临床应用中因数据采集效率低下而受限的问题。通过提供多线圈k空间数据，该数据集使得研究人员能够开发并评估各种加速技术，包括基于压缩感知和机器学习的方法，从而提高CMR成像的速度和效率。

实际应用

OCMR数据集的实际应用场景广泛，包括但不限于心脏电影成像、相位对比血流成像、首次通过灌注成像、晚期钆增强成像、心脏参数映射和磁共振血管成像等。这些应用场景中，OCMR数据集可用于训练和评估重建算法，以提高图像质量并减少数据采集时间。

数据集最近研究

最新研究方向

OCMR数据集在心血管磁共振成像（CMR）领域提供了丰富的多线圈k空间数据，这些数据对于评估和比较不同的图像重建方法至关重要。该数据集的最新研究方向主要集中在利用深度学习技术进行图像重建，这些技术已经显示出超越传统压缩感知（CS）方法的潜力。研究重点在于开发端到端的映射，将欠采样的k空间测量值直接映射到重建的图像，以及训练特定于扫描的卷积神经网络（CNN）以插值缺失的k空间样本。此外，所谓的“展开”方法，这些方法结合了经典变分优化方法的处理阶段和可训练的CNN阶段，以确保数据一致性和图像结构，也被广泛研究。OCMR数据集的开放获取特性促进了这些技术的创新和临床转化，使其成为CMR领域研究的热点。

相关研究论文

• OCMR (v1.0)--Open-Access Multi-Coil k-Space Dataset for Cardiovascular Magnetic Resonance Imaging

  生物医学工程，俄亥俄州立大学 · 2020年