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

心脏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运动伪影等限制。欠采样重建，尤其是数据驱动算法，已经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稀缺性阻碍了数据驱动重建算法的发展。为了解决这个问题，我们与第26届MICCAI国际会议合作，在2023年组织了心脏磁共振重建挑战赛（CMRxRecon）。CMRxRecon提供了一个包括cine和mapping原始数据的广泛k空间数据集，并附带有关心脏解剖结构的详细注释。在众多参赛者的积极参与下，该挑战赛吸引了超过285支队伍和600多名参赛者。其中，22个团队成功提交了测试阶段的Docker容器，其中7个团队同时提交了cine和mapping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该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架构作为骨干网络。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网络。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，旨在激发心脏磁共振重建模型的未来发展。摘要强调了在心脏磁共振重建中观察到的有效策略，包括骨干网络架构、损失函数、预处理技术、物理建模和模型复杂度，为该领域的进一步发展提供了有价值的见解。

如何加速心脏MRI扫描并提高成像质量？缺乏公开的心脏k空间数据集和评估平台是当前研究的限制之一。

采用高度欠采样的数据和数据驱动的算法进行欠采样重建是一种解决方案。本文组织了一个心脏MRI重建挑战赛，提供了一个包含心脏解剖结构详细注释的k空间数据集，吸引了超过285个团队和600多名参与者。所有团队都使用基于深度学习的方法，其中E2E-VarNet架构是获胜者的选择。

本文提供了一个全面的挑战设计概述，并总结了提交结果、评估方法和使用的技术。文中强调了心脏MRI重建中有效的策略，包括骨干网络架构、损失函数、预处理技术、物理建模和模型复杂度等，为未来的研究提供了有价值的见解。

最近的相关研究包括：1）使用深度学习方法进行MRI重建；2）使用欠采样重建方法加速MRI扫描。