arjundd/skm-tea-mini

---
language: en
license: other
tags:
- mri
- quantitative mri
- reconstruction
- segmentation
- detection
---
# SKM-TEA Sample Data
This dataset consists of a subset of scans from the [SKM-TEA dataset](https://arxiv.org/abs/2203.06823). It can be used to build tutorials / demos with the SKM-TEA dataset.

To access to the full dataset, please follow instructions on [Github](https://github.com/StanfordMIMI/skm-tea/blob/main/DATASET.md).

**NOTE**: This dataset subset *should not* be used for reporting/publishing metrics. All metrics should be computed on the full SKM-TEA test split.

## Details
This mini dataset (~30GB) consists of 2 training scans, 1 validation scan, and 1 test scan from the SKM-TEA dataset. HDF5 files for the Raw Data Track are [lzf-compressed](http://www.h5py.org/lzf/) to reduce size while maximizing speed for decompression.

## License
By using this dataset, you agree to the [Stanford University Dataset Research Use Agreement](https://stanfordaimi.azurewebsites.net/datasets/4aaeafb9-c6e6-4e3c-9188-3aaaf0e0a9e7).

## Reference
If you use this dataset, please reference the SKM-TEA paper:
```
@inproceedings{
desai2021skmtea,
title={{SKM}-{TEA}: A Dataset for Accelerated {MRI} Reconstruction with Dense Image Labels for Quantitative Clinical Evaluation},
author={Arjun D Desai and Andrew M Schmidt and Elka B Rubin and Christopher Michael Sandino and Marianne Susan Black and Valentina Mazzoli and Kathryn J Stevens and Robert Boutin and Christopher Re and Garry E Gold and Brian Hargreaves and Akshay Chaudhari},
booktitle={Thirty-fifth Conference on Neural Information Processing Systems Datasets and Benchmarks Track (Round 2)},
year={2021},
url={https://openreview.net/forum?id=YDMFgD_qJuA}
}
```

语言：英语
许可协议：其他
标签：
- 磁共振成像（Magnetic Resonance Imaging, MRI）
- 定量磁共振成像（quantitative MRI）
- 重建
- 分割
- 检测

# SKM-TEA 示例数据集
本数据集源自[SKM-TEA数据集](https://arxiv.org/abs/2203.06823)的部分扫描子集，可用于基于SKM-TEA数据集构建教程或演示样例。

若需获取完整数据集，请遵循[GitHub](https://github.com/StanfordMIMI/skm-tea/blob/main/DATASET.md)上的指引进行操作。

**注意**：本数据集子集不得用于报告或发表测评指标。所有测评指标均应基于完整SKM-TEA测试划分集进行计算。

## 数据集详情
本小型数据集（约30GB）包含来自SKM-TEA数据集的2份训练扫描、1份验证扫描与1份测试扫描。原始数据赛道的HDF5文件采用[lzf压缩格式](http://www.h5py.org/lzf/)进行压缩，在缩减文件体积的同时最大化解压速度。

## 许可协议
使用本数据集即代表您同意遵守[斯坦福大学数据集研究使用协议](https://stanfordaimi.azurewebsites.net/datasets/4aaeafb9-c6e6-4e3c-9188-3aaaf0e0a9e7)。

## 参考文献
若您使用本数据集，请引用如下SKM-TEA论文：

@inproceedings{
desai2021skmtea,
title={{SKM}-{TEA}: 面向定量临床评估的带密集图像标签的加速磁共振成像重建数据集},
author={Arjun D Desai and Andrew M Schmidt and Elka B Rubin and Christopher Michael Sandino and Marianne Susan Black and Valentina Mazzoli and Kathryn J Stevens and Robert Boutin and Christopher Re and Garry E Gold and Brian Hargreaves and Akshay Chaudhari},
booktitle={第三十五届神经信息处理系统大会数据集与基准赛道（第二轮）},
year={2021},
url={https://openreview.net/forum?id=YDMFgD_qJuA}
}

原始信息汇总

SKM-TEA Sample Data 数据集概述

数据集内容

• 数据集类型: MRI相关数据集
• 数据集大小: 约30GB
• 数据集组成: 包含2个训练扫描、1个验证扫描和1个测试扫描。
• 数据格式: HDF5文件，采用lzf压缩以减少大小并优化解压缩速度。

数据集用途

• 用于构建教程或演示，特别是与SKM-TEA数据集相关的教学和演示。

使用限制

• 不应用于报告或发布指标，所有指标应基于完整的SKM-TEA测试分割计算。

许可协议

• 使用此数据集需遵守《斯坦福大学数据集研究使用协议》。

引用信息

• 若使用此数据集，请引用SKM-TEA论文:

@inproceedings{ desai2021skmtea, title={{SKM}-{TEA}: A Dataset for Accelerated {MRI} Reconstruction with Dense Image Labels for Quantitative Clinical Evaluation}, author={Arjun D Desai and Andrew M Schmidt and Elka B Rubin and Christopher Michael Sandino and Marianne Susan Black and Valentina Mazzoli and Kathryn J Stevens and Robert Boutin and Christopher Re and Garry E Gold and Brian Hargreaves and Akshay Chaudhari}, booktitle={Thirty-fifth Conference on Neural Information Processing Systems Datasets and Benchmarks Track (Round 2)}, year={2021}, url={https://openreview.net/forum?id=YDMFgD_qJuA} }

搜集汇总

数据集介绍

构建方式

在医学影像分析领域，高质量的数据集对于推动磁共振成像（MRI）重建与定量评估研究至关重要。SKM-TEA Mini数据集作为SKM-TEA完整数据集的子集，精心选取了2个训练扫描、1个验证扫描和1个测试扫描样本，总计约30GB的规模。这些数据以HDF5格式存储，并采用lzf压缩技术，在有效减小存储空间的同时，确保了数据解压的高效性，为学术演示与教程构建提供了轻量化的资源基础。

使用方法

研究人员可通过HuggingFace平台直接访问该数据集，利用其进行MRI重建算法的快速原型开发或教学演示。使用前需同意斯坦福大学的数据研究使用协议，确保符合伦理与法律规范。在实际应用中，建议结合原始论文提供的GitHub指南，获取完整数据集以进行深入的模型训练与验证，从而充分发挥其在定量临床评估中的潜力。

背景与挑战

背景概述

在医学影像分析领域，磁共振成像（MRI）技术的进步推动了定量评估方法的发展，SKM-TEA数据集应运而生。该数据集由斯坦福大学的研究团队于2021年创建，核心研究问题聚焦于加速MRI重建与密集图像标注，旨在通过深度学习模型提升影像重建效率，并为膝关节等结构的定量临床评估提供标准化基准。其影响力延伸至神经信息处理系统的数据与基准轨道，促进了医学影像重建与分割任务的算法创新。

当前挑战

SKM-TEA数据集致力于解决加速MRI重建中的挑战，包括在保持高图像质量的同时减少扫描时间，以及实现精准的解剖结构分割与检测，以支持临床定量分析。在构建过程中，研究人员面临数据采集与标注的复杂性，需整合多模态MRI扫描并确保标注的密集性与一致性，同时处理大规模数据存储与高效访问的技术难题，以平衡数据压缩与计算性能。

常用场景

经典使用场景

在医学影像分析领域，SKM-TEA-mini数据集作为SKM-TEA完整数据集的精简版本，常被用于构建磁共振成像（MRI）重建与分割任务的演示与教程。该数据集包含训练、验证和测试扫描样本，以HDF5格式存储并采用lzf压缩技术，旨在为研究者提供高效的数据处理体验，同时确保在原型开发或教学场景中能够快速验证算法流程，避免直接使用完整数据集的计算负担。

解决学术问题

SKM-TEA-mini数据集主要针对加速MRI重建中的关键学术挑战，如定量临床评估所需的密集图像标签生成。它通过提供带有丰富标注的膝关节MRI扫描，解决了传统MRI重建中图像质量与采集速度之间的权衡问题，促进了深度学习模型在减少伪影、提升分辨率方面的研究。该数据集的意义在于为学术界提供了一个标准化基准，推动定量MRI技术在临床诊断中的可解释性与可靠性发展。

实际应用

在实际医疗场景中，SKM-TEA-mini数据集支持膝关节疾病的早期检测与监测，例如骨关节炎的定量评估。通过整合重建与分割任务，该数据集能够辅助开发自动化工具，用于生成精确的软骨厚度、体积测量等临床指标，从而优化诊断流程并减少放射科医师的工作负担。其应用延伸至个性化治疗规划，为影像引导的干预措施提供数据驱动的基础。

数据集最近研究

最新研究方向

在医学影像分析领域，SKM-TEA数据集作为定量磁共振成像（qMRI）的重要资源，正推动着加速MRI重建与密集图像标注的前沿探索。当前研究聚焦于深度学习模型在欠采样k空间数据重建中的应用，结合分割与检测任务，以提升临床定量评估的精度与效率。热点事件包括基于Transformer架构的端到端重建网络开发，以及多任务学习框架的优化，这些进展不仅促进了影像诊断的自动化，还为个性化医疗提供了可靠的数据支撑。该数据集的影响在于其公开的原始数据与丰富标注，为学术界和工业界搭建了标准化基准，加速了qMRI技术在肌肉骨骼疾病等临床场景中的转化应用。