CMRxRecon

CMRxRecon数据集旨在为心脏磁共振成像（CMR）图像重建提供一个快速的平台，并提供一个基准数据集，使广泛的研究社区能够促进这一研究领域的进步。

The CMRxRecon dataset aims to provide a rapid platform for cardiac magnetic resonance imaging (CMR) image reconstruction and to offer a benchmark dataset that enables the broader research community to advance progress in this field of study.

原始信息汇总

CMRxRecon SciData 数据集概述

数据集描述

• 目的：提供一个基准数据集，以促进心脏磁共振成像（CMR）重建研究的发展。
• 背景：心脏磁共振成像（CMR）是一种重要的诊断工具，但其缓慢的成像速度限制了临床应用。深度学习方法需要大量训练数据，但此前未有公开的CMR数据集。
• 数据集内容：包含来自300名健康志愿者的多对比、多视角、多切片和多线圈CMR成像数据。数据包括心脏电影和映射序列，以及原始k空间数据和自动校准线（ACS，24线）。
• 数据集划分：包括120个训练数据、60个验证数据和120个测试数据。

数据集结构

• ReconCode：包含并行成像重建代码。
• DemoData：包含一个示例数据。
• Evaluation：包含图像质量评估代码。

数据集用途

• 支持深度学习算法的发展，特别是用于CMR图像重建。
• 提供标准化评估标准，促进CMR图像重建技术的进步。

联系方式

• 邮箱：[e-mail]

相关出版物

• Wang C, Lyu J, Wang S, et al. CMRxRecon: A publicly available k-space dataset. Synapse, https://doi.org/10.7303/syn52965326, 2023.

搜集汇总

数据集介绍

构建方式

在心脏磁共振成像（CMR）领域，CMRxRecon数据集的构建旨在填补深度学习方法在CMR图像重建中所需大规模训练数据的空白。该数据集从单一中心招募了300名健康志愿者，采集了多对比度、多视角、多切片和多线圈的CMR成像数据，包括心脏电影和映射序列。数据集包含了原始k空间数据和自动校准线（ACS，24行），以及采集的基本信息。通过这一全面的数据收集和处理流程，CMRxRecon数据集为深度学习算法在CMR图像重建中的应用提供了坚实的基础。

特点

CMRxRecon数据集的显著特点在于其多维度的数据结构和高质量的图像数据。该数据集不仅包含了多对比度、多视角、多切片和多线圈的CMR成像数据，还提供了原始k空间数据和自动校准线，确保了图像质量足以支持心脏区域的分割和定量分析。此外，数据集还提供了最先进的重建算法脚本作为参考，进一步增强了其在学术研究和实际应用中的价值。

使用方法

使用CMRxRecon数据集时，研究者可以利用提供的Matlab代码进行零填充、GRAPPA和ESPIRiT等方法的图像重建。数据集的结构包括重建代码、示例数据和图像质量评估代码，为研究者提供了完整的工具链。此外，数据集的原始数据未进行分组，所有案例的原始数据均可使用，这为研究者提供了极大的灵活性。对于希望参与MICCAI 2023挑战的研究者，可以通过提供的链接获取额外的挑战数据集和手动分割标签。

背景与挑战

背景概述

心脏磁共振成像（CMR）作为一种重要的心脏疾病诊断工具，近年来得到了广泛应用。然而，CMR成像速度慢，导致患者吞吐量低，临床诊断质量受损。为解决这一问题，深度学习技术被引入，旨在从高度欠采样的k空间数据中重建高质量图像。然而，此类方法的发展依赖于大规模训练数据集，而此前尚未有公开的CMR数据集。为此，CMRxRecon数据集应运而生，由300名健康志愿者的心脏磁共振成像数据组成，包含多对比度、多视角、多切片和多线圈数据，以及原始k空间数据和自动校准线。该数据集的发布旨在推动CMR图像重建领域的研究进展，并为深度学习算法的标准化评估提供基础。

当前挑战

CMRxRecon数据集在构建过程中面临多项挑战。首先，数据采集需确保高质量的图像，以满足心脏区域分割和定量分析的需求。其次，数据集的多样性和复杂性要求在处理和存储上具备高效的技术支持。此外，为确保数据集的广泛适用性，需提供多种重建算法的参考实现，如零填充、GRAPPA和ESPIRiT方法。最后，数据集的公开性和可访问性也是一大挑战，需确保全球研究者能够便捷地获取和使用该数据集，以促进CMR图像重建技术的快速发展。

常用场景

经典使用场景

在心脏磁共振成像（CMR）领域，CMRxRecon数据集的经典使用场景主要集中在深度学习算法的高质量图像重建。该数据集提供了多对比度、多视角、多切片和多线圈的CMR成像数据，涵盖了心脏电影和映射序列。研究者可以利用这些数据训练和验证深度学习模型，以实现从高度欠采样的k空间数据中重建高质量的心脏图像，从而显著提升CMR成像的速度和质量。

衍生相关工作

CMRxRecon数据集的发布催生了多项相关研究工作。例如，Wang等人提出的CMRxRecon挑战赛在MICCAI 2023上引起了广泛关注，推动了心脏MRI重建技术的最新进展。此外，Lyu等人的研究展示了CMRxRecon数据集在评估和比较不同重建算法中的重要作用。这些工作不仅丰富了CMR领域的研究内容，还为未来的研究提供了新的方向和基准。

数据集最近研究

最新研究方向

在心脏磁共振成像（CMR）领域，CMRxRecon数据集的最新研究方向主要集中在利用深度学习技术提升图像重建质量。随着CMR在心脏疾病诊断中的重要性日益凸显，但其缓慢的成像速度限制了临床应用。CMRxRecon数据集的发布，为研究者提供了一个标准化的评估平台，促进了基于深度学习的CMR图像重建算法的发展。该数据集不仅包含了多对比度、多视角、多切片和多线圈的CMR成像数据，还提供了先进的重建算法脚本，如零填充、GRAPPA和ESPIRiT方法。这些资源使得研究者能够更有效地探索和优化深度学习模型，从而在保持图像质量的同时，显著提高成像速度。此外，CMRxRecon数据集的公开性和标准化评估标准，为全球研究社区提供了一个协作和竞争的平台，推动了CMR图像重建技术的快速进步。