FastMRI Prostate

FastMRI Prostate是由纽约大学Grossman医学院的高级成像创新与研究中心创建的一个公开可用数据集，专注于前列腺癌的机器学习成像研究。该数据集包含312名临床患者的原始k空间和重建图像，涉及T2加权和扩散加权序列，并附有切片级标签，指示前列腺癌的存在和等级。数据集的创建旨在通过先进的重建技术加速前列腺MRI的成像，并通过自动化分类提高前列腺MRI的效率和可及性。

FastMRI Prostate is a publicly available dataset created by the Center for Advanced Imaging Innovation and Research at NYU Grossman School of Medicine, focusing on machine learning imaging research for prostate cancer. It contains raw k-space data and reconstructed images from 312 clinical patients, covering T2-weighted and diffusion-weighted sequences, with slice-level labels indicating the presence and grade of prostate cancer. The dataset was developed to accelerate prostate MRI imaging via advanced reconstruction techniques and improve the efficiency and accessibility of prostate MRI through automated classification.

搜集汇总

数据集介绍

构建方式

在磁共振成像研究领域，公开的原始k空间数据对于推动机器学习重建算法的发展至关重要。FastMRI Prostate数据集的构建基于312名临床患者的双参数前列腺MRI扫描，所有数据均采集自西门子3T临床系统，并遵循严格的伦理审查流程。原始数据经过脱敏处理，转换为国际通用的ISMRMRD格式，确保了数据的标准化与可移植性。数据集不仅包含T2加权和扩散加权成像的原始k空间数据，还提供了基于GRAPPA等算法的重建图像，以及详细的扫描参数与校准数据，为算法开发提供了完整的物理基础。

特点

该数据集的核心特点在于其双参数序列的完整性与临床标注的精细度。作为目前唯一公开包含扩散序列原始k空间的前瞻性临床数据集，它同时提供T2加权和扩散加权成像的对应数据，并附有基于PI-RADS v2.1标准的逐层病理标注。数据采用三层分割策略，划分为训练、验证与测试集，确保模型评估的可靠性。特别值得注意的是，数据集保留了非常规的三次欠采样T2平均数据，为重建算法的灵活性研究提供了独特条件，而逐层标注方式虽与临床整体评估存在差异，却为病灶显影性研究提供了更细粒度的信息维度。

使用方法

研究者在利用该数据集时，可通过其公开的GitHub仓库获取标准化的重建脚本与数据处理工具。数据集支持多种研究路径：既可直接使用提供的重建图像进行病灶检测与分类模型训练，也可基于原始k空间数据开发新型加速重建算法。逐层标注允许研究者进行切片级别的模型训练，同时可通过最大池化操作衍生出序列级或检查级的标签，以适应不同临床任务的需求。对于扩散序列，数据集提供多b值源图像及ADC图谱，支持扩散模型优化与定量分析研究。数据集的标准化格式确保了与现有fastMRI生态系统的兼容性，为前列腺影像人工智能研究提供了基准平台。

背景与挑战

背景概述

在医学影像领域，磁共振成像（MRI）技术因其卓越的软组织对比度而被广泛应用于前列腺癌的早期诊断与评估。然而，传统MRI扫描速度较慢，且高质量图像重建依赖于大量原始k空间数据，这限制了机器学习方法在加速成像与病灶检测方面的研究进展。为应对这一挑战，纽约大学格罗斯曼医学院的先进影像创新研究中心（CAI2R）于2023年4月发布了FastMRI Prostate数据集。该数据集作为FastMRI系列的重要扩展，首次提供了来自临床患者的双参数前列腺MRI原始k空间数据，涵盖T2加权和扩散加权序列，并附有基于PI-RADS v2.1标准的切片级癌症标签。其核心目标在于推动机器学习驱动的图像重建算法发展，提升前列腺MRI的成像效率与诊断准确性，从而为前列腺癌这一全球男性高发恶性肿瘤的影像学管理提供创新工具。

当前挑战

FastMRI Prostate数据集致力于解决前列腺癌影像诊断中的双重挑战。在领域问题层面，前列腺癌的早期检测依赖于高分辨率、快速获取的MRI图像，但传统扫描耗时较长，且图像质量易受运动伪影与序列限制影响；该数据集通过提供原始k空间数据，支持开发加速重建模型，以平衡成像速度与诊断精度。在构建过程中，研究团队面临诸多技术难题：首先，临床MRI数据的采集需协调多线圈阵列与异质扫描参数，确保数据的一致性与可比性；其次，原始k空间数据的匿名化处理与标准化转换至ISMRMRD格式，涉及复杂的工程流程；此外，切片级PI-RADS标签的标注依赖于放射科专家的逐层评估，虽提升了数据粒度，却与临床整体评估惯例存在差异，可能引入模型训练偏差。这些挑战共同凸显了在真实临床环境中构建高质量、可复用影像数据集的复杂性。

常用场景

经典使用场景

在医学影像分析领域，FastMRI Prostate 数据集为前列腺癌的磁共振成像研究提供了关键支持。该数据集包含双参数（T2加权和扩散加权）的原始k空间数据及重建图像，并附有基于PI-RADS标准的切片级标注。其经典应用场景在于推动基于机器学习的磁共振图像重建算法开发，研究者可利用这些数据训练模型，从欠采样的k空间中高效重建高质量图像，从而加速成像流程并提升诊断准确性。

实际应用

在实际临床环境中，FastMRI Prostate 数据集的应用潜力显著。基于该数据集开发的加速重建算法可缩短前列腺MRI扫描时间，降低检查成本，提升医疗资源的可及性。同时，自动化病灶检测模型能辅助放射科医生进行影像解读，实现前列腺癌的快速初筛与分级，优化诊疗决策流程，为精准医疗提供技术支持。

衍生相关工作

该数据集的发布催生了一系列经典研究工作，例如基于深度学习的变分网络重建模型、联合重建与分类的端到端框架，以及针对扩散加权序列的优化重建方法。这些工作不仅拓展了fastMRI系列在脑与膝关节之外的解剖区域应用，还为前列腺影像的定量分析设立了新标准，推动了多模态MRI在肿瘤成像中的算法创新与临床验证。