CMRxMotion

CMRxMotion数据集由复旦大学数字医学研究中心创建，包含来自40名健康志愿者的320个CMR cine序列，旨在模拟呼吸运动导致的图像质量下降。数据集用于MICCAI CMRxMotion挑战赛，挑战包括两个任务：1) 自动图像质量评估，根据运动严重程度对图像进行分类；2) 在存在运动伪影的情况下进行鲁棒的心肌分割。数据集共包含320个3D图像体积，每个志愿者在单次成像会话中进行了四次独立的扫描，每次扫描采用不同的呼吸指令，以生成具有从无（高质量）到严重程度不同的运动伪影的图像。数据集随机分为训练集和测试集，用于评估算法在存在运动伪影时的性能。

The CMRxMotion dataset was developed by the Digital Medical Research Center of Fudan University. It comprises 320 CMR cine sequences sourced from 40 healthy volunteers, and was constructed to simulate image quality degradation induced by respiratory motion. This dataset is designed for the MICCAI CMRxMotion Challenge, which features two tasks: 1) Automatic image quality assessment, where images are classified based on the severity of motion artifacts; 2) Robust myocardial segmentation under motion artifact interference. The dataset includes a total of 320 3D image volumes. Each volunteer completed four independent scans within a single imaging session, with each scan adopting distinct respiratory guidance to generate images spanning from artifact-free (high-quality) to those with varying levels of severe motion artifacts. The dataset is randomly split into a training set and a test set to evaluate algorithm performance in scenarios with motion artifacts.

搜集汇总

数据集介绍

构建方式

CMRxMotion数据集通过前瞻性研究设计构建，旨在探究呼吸运动对心脏磁共振成像（CMR）质量的影响及其对深度学习模型鲁棒性的挑战。研究团队招募40名健康志愿者，在3T MRI扫描仪（西门子MAGNETOM Vida）上执行四种不同呼吸控制协议（标准屏气、半屏气、自由呼吸和剧烈呼吸），生成具有不同运动伪影严重程度的图像。每位志愿者在单次成像会话中完成四组扫描，每组采集舒张末期（ED）和收缩末期（ES）的短轴（SAX）电影序列，最终形成包含320个3D图像卷的数据集。所有数据经过标准化预处理流程，包括DICOM匿名化、NIfTI格式转换及空间标准化，并按受试者级别划分为训练集（160卷）、验证集（40卷）和测试集（120卷）。

特点

该数据集的核心特征在于其受控的运动伪影谱系，通过标准化呼吸协议系统性地诱导不同严重程度的图像退化。所有扫描使用相同设备和协议，有效控制了厂商差异和采集参数等混杂因素。数据标注包含两个维度：1）由资深放射科医师采用5级Likert量表评估图像质量，并整合为三类运动伪影标签（轻度/中度/重度）；2）对诊断质量图像（IQA评分≥3）进行心肌分割标注，涵盖左心室（LV）、心肌（MYO）和右心室（RV）结构。这种双任务设计使其成为首个同时支持图像质量评估与鲁棒分割算法开发的基准数据集。

使用方法

数据集支持两种主要应用范式：1）图像质量分类任务中，开发者需训练模型预测三类运动伪影标签，评估指标采用加权Cohen's Kappa系数；2）分割任务要求模型在存在运动伪影的条件下准确分割心脏结构，通过Dice相似系数（DSC）和95%豪斯多夫距离（HD95）量化性能。官方提供标准化的评估脚本和Docker容器接口，支持在保留测试集上进行公平比较。研究者可利用公开的训练集开发算法，通过验证集调参，最终在独立测试集评估泛化性。数据采用CC-BY-NC许可，鼓励非商业用途的学术研究。

背景与挑战

背景概述

CMRxMotion数据集由复旦大学、帝国理工学院等多家研究机构联合创建，旨在解决心脏磁共振成像（CMR）中呼吸运动伪影对图像质量和自动化分析的影响。该数据集包含40名健康志愿者在特定呼吸协议下采集的320个CMR电影序列，通过控制呼吸模式模拟了从无伪影到严重伪影的连续谱系。作为MICCAI 2022挑战赛的核心资源，其创新性体现在前瞻性实验设计中，通过统一扫描设备和协议排除了厂商差异等混杂因素，首次系统建立了呼吸运动伪影与CMR图像质量的关联基准。该数据集推动了心脏影像分析领域对模型鲁棒性的研究，为开发临床可信任的AI工具提供了关键测试平台。

当前挑战

CMRxMotion数据集面临双重挑战：在领域问题层面，需解决呼吸运动导致的图像质量退化对心脏结构分割（如左心室、心肌）和临床生物标志物计算（如射血分数）的干扰，现有深度学习模型在严重伪影图像上的分割性能下降超过10%。在构建层面，挑战包括：1）通过志愿者呼吸协议精确控制伪影严重程度的实验设计；2）多中心数据采集的伦理合规性与标准化处理；3）放射科医生对运动伪影五级Likert量表的标注一致性（Kappa=0.85）；4）心肌薄壁结构（2-3mm）在伪影影响下的可靠分割标注。这些挑战促使开发了包含图像质量评估和鲁棒分割的双任务评估框架，推动了对医学AI模型失效边界的系统性探索。

常用场景

经典使用场景

CMRxMotion数据集在心脏磁共振成像（CMR）分析领域具有广泛的应用场景，特别是在研究呼吸运动对图像质量的影响以及开发鲁棒的分割模型方面。该数据集通过模拟不同呼吸运动模式下的CMR图像，为研究人员提供了一个标准化的测试平台，用于评估和比较各种深度学习模型在存在运动伪影的情况下的性能。经典使用场景包括自动化图像质量评估（IQA）和心肌分割任务，这些任务对于临床诊断和心脏功能评估至关重要。

衍生相关工作

CMRxMotion数据集已经衍生出多项经典研究工作。在图像质量评估方面，研究人员开发了基于卷积神经网络（CNN）和Transformer的混合模型，以及利用自监督预训练和集成学习的方法。在分割任务中，nnU-Net框架的变体和多任务学习架构表现尤为突出。此外，该数据集还激发了关于运动伪影模拟、数据增强策略和计算效率优化的研究。这些工作不仅推动了心脏图像分析技术的发展，还为其他医学图像处理领域提供了有价值的参考。

数据集最近研究

最新研究方向

近年来，CMRxMotion数据集在心脏磁共振成像（CMR）领域引起了广泛关注，特别是在呼吸运动伪影对图像质量和分割模型鲁棒性的影响方面。该数据集由40名健康志愿者在特定呼吸协议下采集的320个CMR电影序列组成，旨在评估运动伪影对图像质量的影响以及分割模型在存在运动伪影时的表现。最新的研究方向主要集中在以下几个方面：1）自动化图像质量评估（IQA），通过深度学习模型对运动伪影的严重程度进行分类；2）鲁棒心脏分割（RCS），开发能够在运动伪影存在下准确分割心肌结构的算法。此外，该数据集还推动了多任务学习和自监督学习在医学图像分析中的应用，特别是在模型预训练和数据增强方面。这些研究不仅提升了CMR图像分析的准确性，还为临床实践中实时反馈和自动化质量控制提供了重要工具。

相关研究论文

• Extreme Cardiac MRI Analysis under Respiratory Motion: Results of the CMRxMotion Challenge

  复旦大学数字医学研究中心 · 2025年