[论文解读] Multi-channel MR Reconstruction (MC-MRRec) Challenge - Comparing Accelerated MR Reconstruction Models and Assessing Their Genereralizability to Datasets Collected with Different Coils.

Youssef Beauferris, Jonas Teuwen+18 more|arXiv (Cornell University)|Nov 10, 2020

Advanced MRI Techniques and Applications参考文献 35被引用 5

一句话总结

本文介绍了MC-MRRec挑战赛的首届赛事，旨在对12通道数据上的加速MR重建模型进行评估，并测试其在32通道数据上的泛化能力。对比基线模型与提交的模型，揭示了在临床部署中至关重要的跨线圈泛化方面的挑战。

ABSTRACT

The 2020 Multi-channel Magnetic Resonance Reconstruction (MC-MRRec) Challenge had two primary goals: 1) compare different MR image reconstruction models on a large dataset and 2) assess the generalizability of these models to datasets acquired with a different number of receiver coils (i.e., multiple channels). The challenge had two tracks: Track 01 focused on assessing models trained and tested with 12-channel data. Track 02 focused on assessing models trained with 12-channel data and tested on both 12-channel and 32-channel data. While the challenge is ongoing, here we describe the first edition of the challenge and summarise submissions received prior to 5 September 2020. Track 01 had five baseline models and received four independent submissions. Track 02 had two baseline models and received two independent submissions. This manuscript provides relevant comparative information on the current state-of-the-art of MR reconstruction and highlights the challenges of obtaining generalizable models that are required prior to clinical adoption. Both challenge tracks remain open and will provide an objective performance assessment for future submissions. Subsequent editions of the challenge are proposed to investigate new concepts and strategies, such as the integration of potentially available longitudinal information during the MR reconstruction process. An outline of the proposed second edition of the challenge is presented in this manuscript.

研究动机与目标

• 评估并比较大规模多通道数据集上最先进的加速MR重建模型。
• 评估在12通道数据上训练的模型在32通道数据上的泛化能力。
• 识别在不同线圈配置之间模型迁移性方面的性能差距与挑战。
• 为未来MR重建模型的开发与临床评估建立基准。
• 概述未来赛事版本的框架，包括纵向数据整合与新型重建策略。

提出的方法

• 挑战赛分为两个赛道：赛道01仅在12通道数据上评估模型，而赛道02则测试在12通道数据上训练的模型，但在12通道和32通道数据上均进行评估。
• 赛道01提供了五个基线模型，赛道02提供了两个基线模型，作为性能参考。
• 赛道01收到四份独立提交，赛道02收到两份提交，所有模型均使用标准化指标在测试数据上进行评估。
• 性能通过重建图像的定量指标进行评估，重点关注图像质量和结构相似性。
• 挑战赛框架实现了在不同线圈配置下对模型进行客观、可复现的比较。
• 计划中的第二届赛事旨在探索将纵向信息整合到重建流程中的可能性。

实验结果

研究问题

• RQ1 不同加速MR重建模型在12通道数据上的图像质量与重建精度表现如何？
• RQ2 在12通道数据上训练的模型在32通道接收线圈采集的数据上能实现多大程度的泛化？
• RQ3 当训练与测试阶段的线圈配置不同时，模型泛化能力的主要局限是什么？
• RQ4 与基线模型相比，提交的模型在重建保真度与鲁棒性方面表现如何？
• RQ5 未来哪些改进措施（如纵向数据整合）可能提升MR重建中模型的泛化能力？

主要发现

• 挑战赛揭示了提交模型之间存在显著的性能差异，部分模型在12通道数据上表现出优异的重建质量。
• 向32通道数据的泛化仍是主要挑战，大多数模型在更高通道数数据上性能下降。
• 基线模型提供了稳定的性能参考，但部分提交模型在12通道数据上的表现优于基线。
• 12通道与32通道评估之间性能差距凸显了开发更稳健、线圈无关的重建策略的必要性。
• 挑战赛框架成功实现了在多样化线圈配置下对模型的客观、可复现的基准测试。
• 结果强调了在临床应用前，必须开发出能跨线圈阵列泛化的模型。