PMoC3D

PMoC3D数据集是一个包含未处理的真实世界运动伪影配对3D脑部MRI数据集，旨在评估3D运动校正方法。该数据集包含8名健康男性和女性的扫描数据，每人进行一次无运动扫描和三次不同程度的运动伪影扫描，共27个运动伪影扫描。数据采集使用Ingenia Elition 3.0T X扫描仪，3D T1加权快速梯度回波成像，采样矩阵大小为222 × 236 × 512。该数据集为评估3D运动校正方法提供了真实世界的基准数据。The PMoC3D dataset is a paired 3D brain MRI dataset containing unprocessed real-world motion artifacts, which is specifically designed to evaluate 3D motion correction methods. It comprises scan data from 8 healthy male and female participants, where each participant completed one motion-free scan and three motion artifact scans with varying degrees of motion artifacts, resulting in a total of 27 motion artifact scans. Data acquisition was conducted using an Ingenia Elition 3.0T X scanner, utilizing 3D T1-weighted fast gradient-echo imaging, with a sampling matrix size of 222 × 236 × 512. This dataset provides real-world benchmark data for the assessment of 3D motion correction methods.

搜集汇总

数据集介绍

构建方式

PMoC3D数据集的构建源于对真实运动伪影评估需求的深刻洞察。研究团队在Philips Ingenia Elition 3.0T X扫描仪上，对8名健康志愿者进行了精心的数据采集。每名受试者均接受四次扫描：一次为无运动伪影的参考扫描，其余三次则被要求执行特定动作（如转头、点头、摇头等），以诱发不同程度的运动伪影。所有扫描均采用Cartesian 3D T1加权快速梯度回波序列，并保持1mm各向同性分辨率。原始k空间数据被完整保留，同时提供了经过裁剪的版本以降低计算负担。此外，数据集还包含了通过校准扫描计算所得的线圈灵敏度图，以及详细的运动指令和时间戳信息，为后续研究提供了全面的支持。

特点

PMoC3D数据集的核心价值在于其真实性与多样性。与依赖合成运动伪影的现有数据集不同，PMoC3D直接捕获了患者在扫描过程中产生的真实运动，涵盖了从轻微到严重的广泛伪影强度。为了量化伪影的严重程度，研究团队通过成对比较和Bradley-Terry模型，计算了每张扫描的感知运动伪影分数（PMAS），从而为每个样本提供了客观的难度标签。此外，数据集包含了未处理的原始k空间数据，而非仅提供重建后的幅度图像，这使得基于运动参数估计的先进校正方法得以开展。其多样化的运动类型和可控的严重程度，为全面评估各种运动校正算法提供了理想平台。

使用方法

使用PMoC3D数据集时，研究者需遵循一套标准化的评估流程。首先，对原始k空间数据应用目标运动校正算法，获得重建体积。随后，通过与受试者对应的无运动参考扫描进行比较，进行有参考评估。预处理步骤尤为关键：需利用先进归一化工具进行刚性配准，确保运动校正后的体积与参考对齐；接着通过脑提取工具生成脑掩膜，将评估聚焦于解剖区域；最后将体积归一化至99.9百分位强度。对于定量评价，推荐使用PSNR、SSIM等传统指标，以及专为MRI运动伪影设计的MoMRISim指标。对于无参考场景，可考虑基于视觉语言模型的VLM评分。数据集已公开在Hugging Face平台，配套的评估代码亦同步发布。

背景与挑战

背景概述

磁共振成像（MRI）作为一种无创的医学影像手段，在临床诊断中发挥着不可或缺的作用。然而，其较长的扫描时间使得患者运动成为影响图像质量的常见难题，运动伪影不仅可能模糊或扭曲关键解剖结构，更可能导致误诊或需要重复扫描。为应对这一挑战，以深度学习为代表的运动校正算法近年来蓬勃发展，但评估这些算法的性能却面临根本性困难：真实世界中含有运动伪影的数据缺乏金标准参考，而基于模拟数据的评估又难以完全复现真实运动的复杂性。为弥补这一评估缺口，慕尼黑工业大学的研究团队于2025年发布了PMoC3D数据集，该数据集包含配对的运动污染和运动自由的三维脑部MRI原始数据，为客观评估三维运动校正方法提供了宝贵的标准化测试平台，在推动该领域研究的发展方面具有重要意义。

当前挑战

评估三维MRI运动校正算法面临的核心挑战在于缺乏可靠的金标准数据。首先，真实世界中的运动伪影数据虽能反映临床实际，但缺乏无运动污染的参考图像用于定量评价，即使采集两次扫描也难以完全对齐且参考扫描本身可能残留伪影。其次，基于模拟运动的评估虽能便捷地获得真实参考，但模拟过程无法完整再现真实运动中的非刚性效应、磁场不均匀性及自旋历史效应等二阶因素，导致评估结果高估算法真实性能。最后，无参考评估方法虽无需预处理或参考图像，但传统梯度类指标与人类感知质量相关性弱，而更先进的视觉语言模型评分又可能偏向于过度平滑但丢失解剖细节的重建结果。此外，构建PMoC3D数据集时还需精细设计不同严重程度的运动诱导方案、确保原始k空间数据格式的兼容性、以及应对轻度和严重运动伪影重建各自的独特评估困境。

常用场景

经典使用场景

在磁共振成像领域，患者运动导致的伪影是影响图像质量与诊断准确性的核心挑战。PMoC3D数据集专为评估三维脑部MRI运动校正算法而构建，其最经典的使用场景在于提供包含真实运动伪影的原始k空间数据及对应的无运动参考扫描，使得研究者能够在接近临床实际的条件之下，定量比较不同算法对不同程度运动伪影的校正效果。通过这一配对设计，该数据集为验证运动校正方法的鲁棒性与泛化能力奠定了可靠基础。

解决学术问题

长期以来，三维MRI运动校正研究面临缺乏标准化评估范式的困境，真实运动情景缺乏金标准、模拟运动过于理想化、无参考评估指标主观性过强等矛盾交织。PMoC3D数据集的核心学术贡献在于解决了真实运动校正评价中‘无真值可依’的根本难题，通过提供配对扫描实现了有参考的真实世界评估，并系统揭示了模拟评估高估算法性能、无参考评估偏向过平滑深度学习输出等关键缺陷，为领域内建立更可靠、更贴近临床的评估体系提供了数据依据。

衍生相关工作

围绕PMoC3D数据集，研究者衍生了多项具有影响力的经典工作。其中，论文提出的MoMRISim指标采用三元组训练策略，基于模拟运动严重程度自动生成监督信号，训练了专门用于衡量三维MRI运动伪影的感知相似度指标，其与人类评估的秩相关系数高达0.95。此外，基于该数据集的工作还对比了经典交替优化方法、基于2D测试时训练的MotionTTT方法以及端到端堆叠U-net在不同运动程度下的表现，揭示了模拟评估与实际表现的显著差异，为后续鲁棒运动校正方法的设计指明了方向。