[论文解读] CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction

Chengyan Wang, Jun Lyu+26 more|arXiv (Cornell University)|Sep 19, 2023

Advanced MRI Techniques and Applications被引用 15

一句话总结

本论文发布了 CMR×Recon，这是一个开放的大规模心脏MRI数据集，具备多对比、多视图、多切片和多线圈数据，来自 300 名健康受试者，另有处理脚本和基线重建以促进加速 CMR 图像重建研究。

ABSTRACT

Cardiac magnetic resonance imaging (CMR) has emerged as a valuable diagnostic tool for cardiac diseases. However, a limitation of CMR is its slow imaging speed, which causes patient discomfort and introduces artifacts in the images. There has been growing interest in deep learning-based CMR imaging algorithms that can reconstruct high-quality images from highly under-sampled k-space data. However, the development of deep learning methods requires large training datasets, which have not been publicly available for CMR. To address this gap, we released a dataset that includes multi-contrast, multi-view, multi-slice and multi-coil CMR imaging data from 300 subjects. Imaging studies include cardiac cine and mapping sequences. Manual segmentations of the myocardium and chambers of all the subjects are also provided within the dataset. Scripts of state-of-the-art reconstruction algorithms were also provided as a point of reference. Our aim is to facilitate the advancement of state-of-the-art CMR image reconstruction by introducing standardized evaluation criteria and making the dataset freely accessible to the research community. Researchers can access the dataset at https://www.synapse.org/#!Synapse:syn51471091/wiki/.

研究动机与目标

• 提供一个公开可访问、标准化的原始 k-space 数据集，用于加速 CMR 图像重建。
• 包含多对比（cine 和 mapping）、多视图、多切片和多线圈数据，附手动分割。
• 通过提供预处理管线、评估标准和基准重建，促进公平比较。
• 提供基线重建脚本（GRAPPA、ESPIRiT、MoDL）以及评估平台。

提出的方法

• 从 300 名健康志愿者身上获取 3T CMR 数据，使用 32 通道线圈。
• 将多线圈数据压缩为 10 个虚拟线圈以供处理。
• 以笛卡尔采样方式对 k-space 进行回顾性欠采样（4x、8x、10x），并使用 GRAPPA 进行重建。
• 提供完整的 k-space、欠采样 k-space、掩码、ACS 线以及重建图像的 MATLAB 和 NIfTI 格式。
• 由经验丰富的放射科医生提供心肌及腔室的手动分割。
• 提供用于最前沿并行成像和基于模型的深度学习重建的脚本作为基准。

实验结果

研究问题

• RQ1 一个标准化、公开可访问的 CMR 数据集如何加速加速重建方法的开发和基准测试？
• RQ2 在不同欠采样因子下， Cine 和 mapping 序列的基线重建性能（PSNR、SSIM、NMSE）如何？
• RQ3 多对比和多线圈数据如何影响重建质量以及方法之间的可比性？
• RQ4 提供的地面真值分割是否支持下游分析和对重建相关指标的评估？

主要发现

• 该数据集包括 300 名健康志愿者，包含 Cine 与 T1/T2 mapping 序列，对每种模态有 120 条训练、60 条验证、120 条测试。
• 欠采样的 k-space 数据（4x、8x、10x）及相应掩码、ACS 线和重建图像可用于基准测试。
• 提供使用 GRAPPA、ESPIRiT 和改进 MoDL 的基准，以及跨多个视图和 mapping 的定量指标（PSNR、SSIM、NMSE）
• 提供心肌和腔室的手动分割以支持下游评估和标注。
• 数据处理工作流将扫描仪数据转换为多线圈格式的去标识化 k-space（提供仿单线圈数据）并在 GitHub 上提供即用的处理脚本以及 Synapse 评估平台。