The state-of-the-art in Cardiac MRI Reconstruction: Results of the CMRxRecon Challenge in MICCAI 2023

心脏核磁共振成像对于评估心脏结构和功能至关重要，但面临着成像速度慢和动态伪影等限制。欠采样重建，特别是数据驱动算法，已成为使用高度欠采样数据加速扫描和增强成像性能的有前途的解决方案。然而，公开可用的心脏k空间数据集和评估平台的缺乏阻碍了数据驱动重建算法的发展。为解决这个问题，我们与第26届国际MICCAI会议合作，在2023年组织了心脏MRI重建挑战赛（CMRxRecon）。CMRxRecon提供了一个包括影像和映射原始数据的广泛k空间数据集，并附有详细的心脏解剖结构注释。在众多参赛团队的积极参与下，该挑战吸引了超过285个团队和600多名参与者。其中，22个团队成功提交了Docker容器进行测试阶段，其中7个团队同时提交了影像和映射任务。所有团队都使用了基于深度学习的方法，表明深度学习已经成为这个问题的主要解决方案。两个任务的第一名获胜者都使用了E2E-VarNet架构作为骨干。相比之下，U-Net仍然是多线圈和单线圈重建的最受欢迎的骨干。本文全面介绍了挑战的设计，总结了提交的结果，回顾了使用的方法，并提供了深入的讨论，旨在激发心脏MRI重建模型的未来发展。总结强调了在心脏MRI重建中观察到的有效策略，包括骨干架构、损失函数、预处理技术、物理建模和模型复杂度，从而为这一领域的进一步发展提供了宝贵的见解。

本文旨在解决心脏MRI图像重建中存在的问题，如慢速成像和运动伪影，同时缺乏公共数据集和评估平台也是一个问题。

本文通过组织Cardiac MRI Reconstruction Challenge，提供了一个包含心脏解剖结构详细注释的广泛k空间数据集，吸引了285个团队和600多名参与者。同时，本文总结了有效的策略，如骨干网络架构、损失函数、预处理技术、物理建模和模型复杂度，为进一步发展提供了宝贵的见解。

本文的亮点包括广泛的数据集、大量参与者、使用深度学习方法、有效的策略总结等。同时，本文还介绍了参与者的具体方法、实验设计和结果分析，为进一步研究提供了启示。

最近在这个领域中，还有一些相关研究，如：'Deep Learning for Cardiac Image Segmentation: A Review'、'Deep Learning in Medical Image Analysis: Recent Advances and Future Directions'等。