CMR-Multi Benchmark Challenge

CMR-Multi Benchmark Challenge是一个大规模、多中心的挑战，首次统一了4D Cine (3D+t)和Late Gadolinium Enhancement (LGE)序列。该数据集涵盖了Short Axis (SAX)、2-Chamber (2CH)和4-Chamber (4CH)的全视图，为心室、心肌、心房和病理疤痕提供了专家级精确注释。该倡议旨在为心脏数字孪生和大规模医疗模型提供基础数据支持，促进临床可解释和跨平台通用AI技术的发展。

The CMR-Multi Benchmark Challenge is a large-scale, multi-center challenge that unifies 4D Cine (3D+t) and Late Gadolinium Enhancement (LGE) sequences for the first time. This dataset covers full views of Short Axis (SAX), 2-Chamber (2CH) and 4-Chamber (4CH), with expert-level precise annotations for ventricles, myocardium, atria and pathological scars. This initiative aims to provide foundational data support for cardiac digital twins and large-scale medical models, and promote the development of clinically interpretable and cross-platform general AI technologies.

原始信息汇总

数据集概述

数据集名称

Universal Multi-Sequence, Multi-Center and Multi-View CMR Segmentation Challenge (CMR-Multi Benchmark Challenge)

背景与目标

• 背景：心血管疾病是全球主要的健康威胁，心脏磁共振成像是诊断的“金标准”。传统的心脏磁共振挑战多关注单序列、单层面或孤立的分割任务，限制了AI模型在复杂临床场景中的泛化能力。
• 目标：为弥合此差距，本挑战旨在为心脏数字孪生和大规模医学模型提供基础数据支持，推动临床可解释和跨平台通用AI技术的发展。

组织与合作伙伴

• 由北京智源人工智能研究院、北京安贞医院、暨南大学、奥克兰大学和悉尼大学等顶级国际机构联合发起。

数据集特点

• 规模与性质：大规模、多中心挑战数据集。
• 序列：首次统一了4D Cine（3D+t）和晚期钆增强序列。
• 视角：涵盖短轴、2腔心和4腔心的完整视图。
• 标注：提供心室、心肌、心房和病理瘢痕的专家级精确标注。

挑战主题与核心任务

主题：从结构分割到功能量化。 关联会议：与第27届国际医学图像计算和计算机辅助干预会议及首届医学世界模型研讨会联合举办。

任务一：Cine多序列分割与室壁运动异常分析

1. 自动分割：利用多序列Cine数据实现左/右心室、心肌和左/右心房的自动分割。
2. 功能评估：通过4D序列评估局部心肌运动以量化心功能，特别是左心室射血分数。

任务二：LGE多序列瘢痕分割与定量分析

1. 病理分割：在LGE序列内进行心肌瘢痕和心房壁结构的分割。
2. 定量指标：精确量化瘢痕体积、透壁程度和区域分布，严格遵循心肌梗死和心肌病的临床诊断标准。

数据访问地址

https://huggingface.co/datasets/TaipingQu/CMR-MULTI

搜集汇总

数据集介绍

构建方式

在心血管疾病持续威胁全球健康的背景下，CMR-Multi Benchmark Challenge数据集由北京智源人工智能研究院、北京安贞医院、暨南大学、奥克兰大学及悉尼大学等顶尖机构联合构建。该数据集首次统一整合了4D Cine（3D+t）与晚期钆增强（LGE）序列，覆盖短轴、两腔心及四腔心全视图，并通过专家级标注精确勾勒心室、心肌、心房及病理疤痕区域，旨在为心脏数字孪生与大规模医疗模型提供基础数据支撑。

特点

该数据集作为大规模多中心挑战基准，其核心特点在于突破了传统单序列、单切片或孤立分割任务的局限，实现了多序列、多视角与多中心的融合。数据集不仅提供结构分割标注，更延伸至功能量化分析，如通过4D序列评估区域心肌运动以计算左心室射血分数，并依据临床标准量化疤痕体积与透壁性，从而增强人工智能模型在复杂临床场景中的泛化能力与可解释性。

使用方法

研究者可通过Hugging Face平台访问数据集，围绕两大核心任务展开探索。任务一聚焦于利用多序列Cine数据实现心腔与心肌的自动分割，并基于4D序列进行心脏功能评估；任务二则针对LGE序列完成疤痕与心房壁结构的分割，并量化病理指标。该数据集支持跨平台通用AI技术的开发，为心脏数字孪生及大规模医疗模型的研究提供标准化、多模态的数据基础。

背景与挑战

背景概述

心血管疾病作为全球首要健康威胁，其精准诊断依赖于心脏磁共振成像这一金标准技术。为突破传统单序列、单切面分割任务的局限，北京智源人工智能研究院、北京安贞医院、暨南大学、奥克兰大学及悉尼大学等顶尖机构联合发起了CMR-Multi Benchmark Challenge。该挑战首次统一整合了4D Cine与晚期钆增强序列，涵盖短轴、二腔心及四腔心全视图，并提供心室、心肌、心房与病理瘢痕的专家级标注。这一大规模多中心数据集旨在为心脏数字孪生与大规模医学模型奠定数据基础，推动可临床解释、跨平台通用人工智能技术的发展。

当前挑战

该数据集致力于解决从结构分割到功能量化的核心挑战，具体包括多序列心脏影像的自动化分割与功能评估，如基于4D序列的心肌运动异常分析与左心室射血分数量化，以及在晚期钆增强序列中实现心肌瘢痕的精准分割与体积、透壁性等临床指标计算。构建过程中需克服多中心数据采集的协议差异、序列间对齐的复杂性，以及在全视图、多结构标注中保持专家级一致性与临床适用性的难题，这些因素共同构成了模型泛化与临床部署的关键障碍。

常用场景

经典使用场景

在心血管疾病诊断领域，CMR-Multi Benchmark Challenge数据集为多序列、多中心、多视图的心脏磁共振图像分析提供了标准化评估平台。其经典使用场景集中于开发自动化分割算法，以同时处理4D Cine和LGE序列，实现对心室、心房、心肌及病理瘢痕的精确分割。这一场景不仅推动了从结构分割到功能量化的技术演进，还为跨机构模型性能比较奠定了基准，促进了临床可解释AI模型的迭代优化。

实际应用

在实际临床应用中，该数据集支持的心脏自动分割与功能量化工具，可直接辅助心血管疾病的早期诊断与预后评估。例如，通过4D Cine序列的室壁运动分析，可实时计算左心室射血分数，为心力衰竭患者提供动态监测依据；而LGE序列的瘢痕分布量化，则能精准指导心肌梗死患者的治疗方案制定，实现从影像解读到临床决策的无缝衔接，提升诊疗效率与个性化水平。

衍生相关工作

基于该数据集衍生的经典工作主要集中在多模态心脏影像融合与动态功能建模方向。例如，结合时空注意力的神经网络架构被广泛用于4D序列的分割一致性优化；而跨序列迁移学习框架则提升了LGE瘢痕检测的灵敏度。这些工作进一步催生了心脏数字孪生系统的原型开发，为构建可模拟病理演进的计算模型提供了关键算法支撑，持续推动医学世界模型在MICCAI等顶级会议中的前沿探索。