Multi-Sequence Cardiac MR Segmentation Challenge

该数据集名为Multi-Sequence Cardiac MR Segmentation Challenge，由复旦大学数据科学与工程学院创建，包含45名患有心肌病的患者的多种序列心脏磁共振图像。数据集包括LGE CMR和其他辅助CMR序列，旨在推动新的心脏MRI分割算法的发展，并提供一个平台来验证和比较这些算法的性能。数据集的访问地址为www.sdspeople.fudan.edu.cn/zhuangxiahai/0/mscmrseg/，研究人员可以通过注册访问这些数据，包括训练和测试数据的金标准分割。

The dataset is named Multi-Sequence Cardiac MR Segmentation Challenge, which was created by the School of Data Science and Engineering, Fudan University. It contains multi-sequence cardiac magnetic resonance (CMR) images from 45 patients with cardiomyopathy. The dataset includes late gadolinium enhancement (LGE) CMR and other auxiliary CMR sequences, aiming to promote the development of novel cardiac MRI segmentation algorithms and provide a platform for validating and comparing the performance of these algorithms. The access address of the dataset is www.sdspeople.fudan.edu.cn/zhuangxiahai/0/mscmrseg/. Researchers can access these data, including the gold-standard segmentations for both training and test data, through registration.

搜集汇总

数据集介绍

构建方式

Multi-Sequence Cardiac MR Segmentation Challenge数据集的构建旨在推动心肌梗塞患者心肌和心室从医学图像中的准确计算、分析和建模，尤其是在心肌梗塞的诊断和治疗管理中。该数据集由来自45名经过心肌病治疗的患者的配对多序列心脏磁共振（MS-CMR）图像组成，包括辅助CMR序列以及晚期钆增强（LGE）CMR。这些图像覆盖了心脏短轴视图，并提供了心室的主要部分。为了确保数据质量，所有数据都经过了匿名化处理，并获得了机构伦理批准。

特点

该数据集的特点在于其多序列图像，包括LGE CMR、bSSFP CMR和T2 CMR，这为算法提供了互补信息，以改善LGE CMR的分割。此外，该数据集还提供了来自其他两个序列的图像和金标准标签，以辅助LGE CMR的分割。金标准分割是通过三位观察者的手动分割结果平均得出的，并经过了心脏解剖学领域资深专家的验证。为了评估分割结果的准确性，使用了两个常用的指标：Dice评分和Hausdorff距离。

使用方法

使用该数据集的方法包括监督学习和无监督学习。监督学习方法使用3到5个有标签的LGE CMR图像进行训练，而其他序列的图像则用于预训练或形状正则化。无监督学习方法则利用域自适应技术，将bSSFP CMR图像作为源域，LGE CMR图像作为目标域，从而无需使用LGE CMR图像的标签信息。所有方法都充分利用了MS-CMR图像，以提高LGE CMR分割的准确性和鲁棒性。

背景与挑战

背景概述

心脏磁共振图像分割在临床诊断和治疗管理中具有重要意义，尤其是在心肌梗死（MI）患者中。晚期钆增强（LGE）心脏磁共振成像（CMR）序列可以可视化MI，由于其在大面积梗死区域的钆缓慢清除动力学，与正常组织相比具有明显的亮度。然而，由于病理性心肌的不可区分边界、异构强度分布和复杂的增强模式，自动分割LGE CMR仍然具有挑战性。此外，与其它序列相比，带有金标准标签的LGE CMR图像数量有限，这为开发LGE CMR自动分割的新算法带来了另一个障碍。Multi-Sequence Cardiac MR Segmentation Challenge是一个旨在开发新的算法以及为LGE CMR分割建立基准并客观比较现有算法的数据集。该挑战提供了一个包含辅助CMR序列和LGE CMR的配对多序列心脏MR图像数据集，来自45名患有心肌病的患者。该数据集由复旦大学数据科学学院、上海交通大学生物医学工程学院、帝国理工学院生物医学图像分析小组、巴塞罗那大学数学与计算机科学系、埃尔朗根-纽伦堡弗莱德里希-亚历山大大学、哈尔滨工业大学计算机科学与技术学院、南方科技大学计算机科学与工程学院、慕尼黑工业大学信息学院、INRIA索菲亚安蒂波利斯大学、英伟达、厦门大学信息学院、四川大学电气工程学院和腾讯AI实验室的研究人员共同创建。该数据集的创建时间为2019年，与MICCAI 2019会议同时进行。该数据集对相关领域产生了重要影响，推动了LGE CMR分割算法的发展，并为比较不同算法的性能提供了客观的基准。

当前挑战

Multi-Sequence Cardiac MR Segmentation Challenge面临着多个挑战。首先，病理性心肌的强度分布是异构的，这使得使用参数模型对强度分布进行建模变得困难。其次，增强模式可能很复杂，不同患者的心肌梗死部位、形状和大小差异很大。特别是微血管阻塞（MVO），在大多数MI患者中发生，由于缺乏对比剂摄取，在明亮的梗死区域内部显得特别暗。第三，心肌及其周围组织的强度分布是相邻的，这使得区分边界变得更加困难，例如疤痕和血池之间的边界以及健康心肌和血池之间的边界。此外，LGE CMR图像与bSSFP CMR图像相比，图像质量较差，并且带有增强疤痕的心肌异构强度分布，给自动分割算法带来了挑战。最后，由于心室形状变化很大，难以实现一致的心室分割，特别是右心室。

常用场景

经典使用场景

在心脏磁共振成像（CMR）领域，晚期钆增强（LGE）序列对于心肌梗死（MI）的诊断和治疗管理至关重要。然而，由于LGE图像中病理心肌的边界难以区分、强度分布不均匀以及增强模式复杂，LGE CMR的自动分割仍然是一个挑战。Multi-Sequence Cardiac MR Segmentation Challenge数据集提供了一个包含LGE CMR、bSSFP CMR和T2 CMR三种序列的图像对，旨在开发新的算法并评估现有算法在LGE CMR分割中的性能。该数据集的经典使用场景包括开发新的分割算法、评估现有算法的性能、比较不同算法之间的差异以及研究不同序列图像之间的互补信息对LGE CMR分割的影响。

解决学术问题

Multi-Sequence Cardiac MR Segmentation Challenge数据集解决了LGE CMR分割中的一些常见学术研究问题。首先，该数据集提供了大量带有金标准标签的LGE CMR图像，为算法开发提供了宝贵的训练数据。其次，该数据集包含多种序列的CMR图像，可以帮助算法学习不同序列图像之间的互补信息，从而提高分割的准确性和鲁棒性。最后，该数据集提供了一个公开的平台，方便研究人员进行算法开发和性能评估，推动了LGE CMR分割领域的研究进展。

衍生相关工作

Multi-Sequence Cardiac MR Segmentation Challenge数据集衍生了许多相关的经典工作。例如，一些研究利用了该数据集进行无监督学习，通过风格迁移等技术将bSSFP图像转换为LGE图像，并用于训练分割网络。另一些研究则利用了该数据集进行监督学习，通过直接使用LGE图像进行训练，或者使用bSSFP和T2图像进行预训练。此外，还有一些研究利用了该数据集进行多模态图像分割，通过同时分割LGE CMR、bSSFP CMR和T2 CMR图像，进一步提高分割的准确性和鲁棒性。