SKM-TEA：一个带有密集图像标签用于定量临床评估的加速 MRI 重建数据集
图像与视频处理
2022-03-15 v1 计算机视觉与模式识别
摘要
磁共振成像（MRI）是现代医学成像的基石。然而，较长的图像采集时间、对定性专家分析的需求，以及缺乏（且难以提取）对组织健康敏感的定量指标，限制了广泛的临床和研究应用。尽管近期用于 MRI 重建和分析的机器学习方法在减轻这一负担方面展现出前景，但这些技术主要通过不完美的图像质量指标进行验证，这些指标与临床相关度量不一致，最终阻碍了临床部署和临床医生信任。为缓解这一挑战，我们提出斯坦福膝关节定量 MRI 多任务评估（SKM-TEA）数据集，这是一个定量膝关节 MRI（qMRI）扫描集合，支持对 MRI 重建和分析工具进行端到端的、临床相关的评估。这个 1.6TB 的数据集包含约 25,000 个切片（155 名患者）的匿名患者 MRI 扫描原始数据测量值、相应的扫描仪生成的 DICOM 图像、四种组织的人工分割，以及十六种临床相关病理的边界框标注。我们提供了一个框架，利用 qMRI 参数图，结合图像重建和密集图像标签，用于衡量从 MRI 重建、分割和检测技术中提取的 qMRI 生物标志物估计的质量。最后，我们使用该框架在该数据集上对最先进的基线方法进行基准测试。我们希望我们的 SKM-TEA 数据集和代码能够支持以临床为导向的模块化图像重建和图像分析广泛研究。数据集访问、代码和基准测试可在 https://github.com/StanfordMIMI/skm-tea 获取。
引用
@article{arxiv.2203.06823,
title = {SKM-TEA: A Dataset for Accelerated MRI Reconstruction with Dense Image Labels for Quantitative Clinical Evaluation},
author = {Arjun D Desai and Andrew M Schmidt and Elka B Rubin and Christopher M Sandino and Marianne S Black and Valentina Mazzoli and Kathryn J Stevens and Robert Boutin and Christopher Ré and Garry E Gold and Brian A Hargreaves and Akshay S Chaudhari},
journal= {arXiv preprint arXiv:2203.06823},
year = {2022}
}
备注
Accepted to NeurIPS Datasets & Benchmarks (2021)