2020 年 fastMRI 机器学习 MR 图像重建挑战赛结果
图像与视频处理
2021-05-04 v3 计算机视觉与模式识别
摘要
加速 MRI 扫描是 MRI 研究界主要的未决问题之一。为此，我们举办了第二届 fastMRI 竞赛，旨在利用欠采样 k 空间数据重建 MR 图像。我们向参与者提供了来自 7,299 例临床脑部扫描的数据（由 NYU Langone Health 通过符合 HIPAA 的程序去标识化），并保留其中 894 例扫描的全采样数据用于挑战赛评估。与 2019 年挑战赛不同，我们将放射科医师评估重点放在脑部图像中的病理评估上。我们还首次推出新的迁移赛道，要求参与者提交在训练集之外 MRI 扫描仪上评估的模型。我们收到了来自八个不同团队的 19 份提交。结果显示一个团队在 SSIM 分数与定性放射科医师评估中均表现最佳。我们还对替代指标进行了分析以缓解背景噪声的影响，并收集参与者反馈以为未来挑战赛提供参考。最后，我们指出了各提交中常见的失败模式，凸显了 MRI 重建界未来研究的需求所在。
引用
@article{arxiv.2012.06318,
title = {Results of the 2020 fastMRI Challenge for Machine Learning MR Image Reconstruction},
author = {Matthew J. Muckley and Bruno Riemenschneider and Alireza Radmanesh and Sunwoo Kim and Geunu Jeong and Jingyu Ko and Yohan Jun and Hyungseob Shin and Dosik Hwang and Mahmoud Mostapha and Simon Arberet and Dominik Nickel and Zaccharie Ramzi and Philippe Ciuciu and Jean-Luc Starck and Jonas Teuwen and Dimitrios Karkalousos and Chaoping Zhang and Anuroop Sriram and Zhengnan Huang and Nafissa Yakubova and Yvonne Lui and Florian Knoll},
journal= {arXiv preprint arXiv:2012.06318},
year = {2021}
}
备注
M. J. Muckley and B. Riemenschneider contributed equally to this work. This updates to version accepted in IEEE Transactions on Medical Imaging. It includes a rewrite of Section II.E as well as minor changes and corrections