CMRxRecon — 心脏 MRI k 空间重建基准数据集 AI-Ready Wikipedia

300 名受试者心脏 MRI 原始 k 空间 · MICCAI 2023 重建挑战赛官方基准

来源 CMRxRecon Consortium（复旦大学、厦门大学、帝国理工学院等） url: https://cmrxrecon.github.io/发布时间: 2026-09-18最后更新: 2026-09-25 阅读 30
CMRxRecon — 心脏 MRI k 空间重建基准数据集 AI-Ready Wikipedia

信息速览

数据集名称CMRxRecon — 心脏 MRI k 空间重建基准数据集 AI-Ready Wikipedia
数据类型300 名受试者（120/60/120 划分）,复值多线圈 .mat + NIFTI 分割,R=4/8/10 欠采样 · 24 行 ACS,Synapse 注册后开放
规模300 名健康志愿者（160 女 / 140 男）
接入方式CMRxRecon Consortium（复旦大学、厦门大学、帝国理工学院等） url: https://cmrxrecon.github.io/
AI 就绪度

CMRxRecon — 心脏 MRI k 空间重建基准 AI-Ready Wikipedia

INFOBOX
数据集名称 CMRxRecon
英文全称 CMRxRecon: A publicly available k-space dataset and benchmark to advance deep learning for cardiac MRI
别名/简称 CMRxRecon 2023、CMRxRecon Challenge（心脏 MRI 重建挑战赛）
疾病分类 心血管疾病（健康志愿者队列，服务于心脏病谱影像方法研究；ICD-11：BA41 心肌梗死 / BA5Z 心力衰竭 / BC44-BC45 心肌病等为典型下游研究对象，详见 §2）
SNOMED CT 84114007 Heart failure / 22298006 Myocardial infarction / 49601007 Cardiomyopathy（详见 §2.1b）
数据模态 心脏 MRI 原始 k 空间（cine + T1 mapping + T2 mapping，多视角多切片多时相多线圈复值）+ 心肌/心腔分割标注（NIFTI）
AI 任务类型 欠采样 k 空间重建（加速 cine 重建、加速 T1/T2 mapping 重建）、线圈敏感度估计、心脏结构分割
样本总数 300 名受试者（120 训练 / 60 验证 / 120 测试）；cine 含短轴与 2CH/3CH/4CH 长轴视角、每切片 12~25 个心脏时相
数据大小 官方未公布单一总量数字（复值 k 空间体量以数十 GB 计；参考：2024 多模态扩展版 > 2 TB）
数据格式 MATLAB .mat（复值单精度多线圈 k 空间）、CSV（采集元数据）、NIfTI（图像与分割标注）
许可证 CC BY-NC-ND 4.0（CMRxRecon2024 扩展版）；2023 版经 Synapse 注册获取并遵守官方数据使用协议
访问级别 注册后开放（Synapse 注册用户免审批下载；挑战赛时期数据需提交数据使用协议）
DUO 标签 GRU, NCU（依官方非商业许可条款推定映射，未发布官方 DUO 声明）
语言 英文（文档与论文）/ 影像数据无语言属性
首发日期 2023-05-31（训练数据发布，随 MICCAI 2023 挑战赛）
最后更新 2024-06（Scientific Data 论文发表与全量释放版）；此后由 CMRxRecon2024/2025 扩展版接续
发布机构 CMRxRecon Consortium（复旦大学、厦门大学、帝国理工学院、上海理工大学、Siemens Healthineers 等）
官方主页 https://cmrxrecon.github.io/
下载地址 https://doi.org/10.7303/syn52965326.1（Synapse 仓库）
DOI 10.1038/s41597-024-03525-4（论文）/ 10.7303/syn52965326.1（数据）
AI 就绪度评分 ⭐⭐⭐⭐（4/5）— 官方受试者级划分 + 重建/评估脚本齐全 + 公开排行榜；扣分项：复值 .mat 需专业处理、测试集无公开真值、无一键训练管线
页面状态 published

§0 E-E-A-T 信任声明与免责声明

  • 医学审核者：[千方病案医学编辑部] 交叉审核：§2 医学背景（心脏 MRI 序列、T1/T2 mapping 临床意义、心血管疾病映射）、§7 偏倚分析。
  • 数据工程审核者：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
  • 审核日期：2026-09-05

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。CMRxRecon 要求用户注册 Synapse 账号并通过官方渠道下载数据，遵守数据使用协议与 CC BY-NC-ND 等许可条款。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 30 秒速览

这是什么？ CMRxRecon（Cardiac MRI Reconstruction）是首个大规模公开的心脏 MRI 原始 k 空间数据集与基准，由复旦大学、厦门大学、帝国理工学院等机构联合构建，并于 2023 年作为 MICCAI 官方挑战赛发布。它收录了 300 名健康志愿者的心脏 cine（电影序列）与 T1/T2 mapping（参数映射）多线圈复值 k 空间数据，覆盖短轴与双腔/三腔/四腔长轴多个视角、多切片与心动周期内的多个时相，并附带全部受试者心肌与心腔的手动分割标注。

为什么重要？ MRI 扫描慢是临床心脏检查的核心痛点：一次屏气数秒到十余秒，患者不适且易引入运动伪影。深度学习重建可以从高度欠采样的 k 空间恢复高质量图像，从而把扫描时间压缩数倍——但这一方向长期缺乏公开、标准化、高质量的心脏 k 空间训练数据（经典的 fastMRI 数据集仅覆盖膝关节与脑部，不含时间维度的心脏应用）。CMRxRecon 用一套统一的采集协议、欠采样设置与评估指标填补了这个空白。

我能用它做什么？ 你可以训练和评测加速心脏 MRI 重建模型（加速倍数 4/8/10 倍），复现或挑战 MICCAI 2023 挑战赛的排行榜，研究线圈敏感度估计、采样策略与跨模态泛化；附带的心脏分割标注还支持"重建 + 下游分析"的端到端研究。数据在 Synapse 注册后即可免费下载。

§1.1 技术摘要

CMRxRecon 在 3.0T Siemens MAGNETOM Vida 扫描仪与 32 通道心脏线圈上完成采集：cine 采用回顾性 ECG 门控分段 TrueFISP 序列（短轴 5~14 层、长轴三视角各 1 层，心动周期 12~25 时相，时间分辨率约 50 ms），T1 mapping 采用 MOLLI 4-(1)-3-(1)-2 方案（9 幅不同反转时间图像），T2 mapping 采用 T2prep-FLASH（3 幅不同 T2 准备时间图像）。原始 .dat 数据经匿名化、线圈压缩（32 → 10 个虚拟线圈）与 POCS 部分 Fourier 补全后，由 GRAPPA 重建参考图像；训练集提供全采样 k 空间、24 行 ACS 与重建图像，验证/测试集提供加速 4/8/10 倍的欠采样 k 空间与采样掩模。全部受试者的心肌与四个心腔由超过 5 年经验放射科医生用 ITK-SNAP 手动分割。挑战赛设 cine 与 mapping 两个重建任务，评估指标为 NMSE/PSNR/SSIM，吸引 285+ 支队伍参赛；数据与基准脚本后续以 Scientific Data 2024 论文正式发布，并接续出 CMRxRecon2024（多模态、330 受试者）与 CMRxRecon2025 扩展版。

§1.2 战略价值

维度一：填补"心脏 × 原始 k 空间"公开数据的空白。 在 CMRxRecon 之前，MRI 重建社区的标准化训练数据由 fastMRI 主导（多线圈膝/脑 k 空间），但心脏成像的本质是"3D + 时间"：呼吸运动、心跳、多时相 cine 与多反转时间的 mapping 都超出了 fastMRI 的覆盖范围。心脏重建算法长期只能在私有数据或仿真数据上自证，方法之间无法公平比较。CMRxRecon 以统一的采集协议、统一的回顾性欠采样设置（均匀轨迹，R=4/8/10）和统一的指标（NMSE/PSNR/SSIM）提供了第一个可公平比较的心脏重建基准。

维度二：以挑战赛驱动社区标准化。 数据集不是"一发了之"：MICCAI 2023 官方挑战赛提供了 Docker 化提交流程、隐藏测试集与公开排行榜（285+ 队、600+ 参与者），赛后总结论文系统复盘了获胜策略（E2E-VarNet 骨干、U-Net 主流、SSIM 损失普及），并接续举办 CMRxRecon2024（模态普适与采样普适）与 CMRxRecon2025。这形成了一个罕见的高质量反馈闭环：数据 → 比赛 → 方法总结 → 下一代数据。

维度三：重建任务自带临床下游锚点。 与多数重建数据集不同，CMRxRecon 附带全部受试者心肌/心腔的手动分割（NIFTI 格式，保留原始坐标），使"重建质量是否足以支撑功能定量与分割"这类下游问题可以直接在数据集内部闭环验证，也为重建-分割联合学习提供了天然配对数据。

维度四：可复现的评测基础设施。 从挑战赛时期延续下来的评测栈——固定受试者划分、Docker 化提交、统一硬件、隐藏测试集——是医疗影像数据集中少见的"基础设施级"配置。研究者不仅在同一份数据上比较，而且在同一条流程上比较；这使 CMRxRecon 上的数字拥有远高于自建数据集的可信度与可比性。

§1.3 同类数据集横向对比

数据集 规模 模态/数据形态 标注 与 CMRxRecon 的差异化
CMRxRecon 2023（本条目） 300 名健康志愿者，120/60/120 划分 心脏 cine + T1/T2 mapping 多线圈复值 k 空间，R=4/8/10 欠采样 全量心肌/心腔手动分割 首个心脏原始 k 空间公开基准；MICCAI 2023 官方挑战赛
CMRxRecon2024 330 名受试者，0.2 million sections，> 2 TB 6 种模态（cine/tagging/T1/T2 mapping/主动脉 2D flow/黑血），多采样模式（Gaussian/Uniform/Radial，AF 4~24） 沿用解剖标注体系 从"单任务加速"扩展到"模态普适 + 采样普适"，接续 2024/2025 挑战赛
fastMRI（NYU Langone） 膝/脑多线圈 k 空间（数千例） 静态 MRI（无时间维度心脏数据），R=4/8 为主 无心脏分割 MRI 重建领域的先行基准，但不覆盖 3D+1D 心脏场景
CMRxMotion（兄弟挑战赛） 心脏 cine k 空间（呼吸运动极端场景） cine 多线圈复值 k 空间，按呼吸强度分组 含分割与质量标签 专门研究呼吸运动伪影的鲁棒重建，与 CMRxRecon 互补
UK Biobank 心脏影像子集 数万人级队列 心脏 cine 图像（DICOM），不公开原始 k 空间 表型与事件随访 队列规模与随访深度无可替代，但无法用于 k 空间重建训练

§1.4 版本时间轴

时间 事件 说明
2022-06 ~ 2023-03 数据采集 300 名健康志愿者于单中心完成扫描（复旦大学伦理批准 FE20017）
2023-05-31 训练数据发布 挑战赛训练集（全采样 k 空间 + ACS + 重建图像 + 分割）开放下载
2023-07-02 验证数据发布 欠采样 k 空间（R=4/8/10）+ 掩模；Synapse 排行榜同步开放
2023-09-19 预印本发布 数据集论文 arXiv:2309.10836
2023-10-08 ~ 10-12 MICCAI 2023 挑战赛决赛 温哥华；STACOM workshop 口头报告；测试阶段 22 队提交 Docker
2024-06 Scientific Data 正式版 论文发表（11:687）并释放全量数据版（DOI 10.7303/syn52965326.1）
2024 CMRxRecon2024 扩展版 6 模态、330 受试者、> 2 TB；模态普适/采样普适双任务；数据 CC BY-NC-ND
2025 挑战赛总结 + CMRxRecon2025 Medical Image Analysis 总结论文（101:103485）；2025 版引入 5T 等新设置

§1.5 典型应用场景

  1. 加速 cine 重建模型训练与评测：以全采样数据为真值，训练 4/8/10 倍加速下的多线圈重建网络（E2E-VarNet、U-Net、MoDL 等），在官方验证集上与公开排行榜比较。
  2. 加速 T1/T2 mapping 重建：研究参数映射序列的欠采样重建，评估重建误差对 T1/T2 定量值（下游生物标志物）的传导影响。
  3. 线圈敏感度估计与物理一致性研究：24 行 ACS 与 10 虚拟线圈数据支持 SENSE/ESPIRiT 类方法与数据一致性模块的对照实验。
  4. 重建 + 分割联合学习：利用配对的手动分割标注，研究"重建质量 → 分割精度"的传导关系，或训练端到端的重建-分割多任务模型。
  5. 跨模态/跨采样泛化研究：以 2023 版为起点，向 CMRxRecon2024 的 6 模态、多采样模式（Gaussian/Uniform/Radial）扩展，研究单一模型在多序列间的通用性。

§2 医学背景

§2.1 ICD-11 编码映射

CMRxRecon 本身是健康志愿者队列（不含疾病标签），但其重建与定量能力直接服务于下列心脏病谱的临床评估场景。本节给出与 cine/mapping 临床应用最相关的 ICD-11 编码映射。

标签 ICD-11 编码 术语与说明
急性心肌梗死 BA41 急性心肌缺血伴心肌坏死；cine 评估室壁运动、LGE/T1 mapping 评估梗死心肌纤维化
心力衰竭 BA5Z 心脏结构/功能异常导致充盈或射血受损；cine 是射血分数与心室容积测量的金标准
肥厚型心肌病 BC44 心肌肥厚；T1 mapping 检测心肌纤维化，cine 评估舒张功能
扩张型心肌病 BC45 心室扩张与收缩功能障碍；cine 容积与 EF 定量的核心场景
心肌炎/心肌水肿 BA66 心肌炎症；T2 mapping 对心肌水肿高度敏感，是活动性炎症的无创标志

注：ICD-11 编码以上表为方法学研究语境的映射参考；数据集本身按纳入标准采集"无确诊心血管疾病的成人"，不含疾病诊断标签。

§2.1b SNOMED CT 映射

标签 SNOMED CT 术语
心力衰竭 84114007 Heart failure
心肌梗死 22298006 Myocardial infarction
心肌病 49601007 Cardiomyopathy
心脏结构 399216008 Heart structure（分割标注覆盖的心腔/心肌解剖范畴）

§2.2 医学简介与流行病学背景

心脏 MRI（CMR）的临床地位。 CMR 凭借优异的软组织对比与无创性，已成为心血管疾病诊断与随访的重要影像手段：cine（电影序列）提供整个心动周期内心脏结构的高时空分辨率动态图像，是心功能测量（心输出量、射血分数等）的标准技术；T1 mapping 与 T2 mapping 等多对比度技术可定量评估心肌纤维化、出血与水肿等组织特性，对弥漫性病灶的检出和跨中心比较优于常规目测定性。

扫描速度是核心瓶颈。 cine 通过分段采集（跨多个心动周期在相位编码方向分割 k 空间）实现高分辨，mapping 则需跨磁化恢复过程采集多幅加权图像；两者都依赖多次屏气。扫描慢不仅降低检查通量与患者舒适度，还直接引入运动伪影。加速扫描（提高欠采样倍数）配合 AI 重建，是当前心脏快速成像的主流技术路线。

流行病学语境。 心血管疾病是全球范围内位居前列的死亡原因，心脏影像定量能力的普及与临床决策直接相关。需要强调的是，CMRxRecon 采集对象为健康志愿者，其价值在于方法学基础设施（重建算法训练与基准），而非疾病流行病学研究；疾病层面的推论需在临床队列上另行验证。

三大序列的临床解读链：

序列 物理基础 临床读出 重建失败的下游代价
cine（TrueFISP） 血池与心肌信号对比随心动周期变化 室壁运动、EF、心室容积 容积曲线偏差 → 功能误判
T1 mapping（MOLLI） 反转恢复，T1 决定磁化恢复速率 心肌纤维化/弥漫病变定量 T1 值偏差 → 纤维化误估
T2 mapping（T2prep-FLASH） T2 准备脉冲加权 心肌水肿/炎症检测 T2 值偏差 → 水肿漏检

§2.3 临床任务定义

临床任务 影像基础 AI 重建的作用 质量要求
心功能定量（EF、心输出量、心室容积） 多时相 cine（SAX 堆叠 + LAX） 4~10 倍加速下保持几何保真与时相一致性 容积曲线与真值一致，室壁边界清晰
心肌纤维化定量 T1 mapping（MOLLI 多反转时间） 加速采集下保持 T1 定量精度 拟合 T1 值的 RMSE 受控
心肌水肿/炎症检测 T2 mapping（T2prep 多 TE） 加速采集下保持 T2 定量精度 T2 值偏差受控
心腔/心肌分割 cine 图像 + 官方分割标注 重建图像需足以支撑自动分割 分割 Dice 与真值重建图像相当
实时/自由呼吸成像（远期） 高度欠采样 + 运动鲁棒重建 向实时 cine 迈进（挑战赛 Task 1 的最终目标） 运动伪影受控

§2.4 受试者人群

属性 数值
队列性质 健康志愿者（无确诊心血管疾病的成人）
样本量 300 名
性别构成 160 名女性 / 140 名男性
年龄 平均 26 ± 5 岁
招募时间 2022 年 6 月 ~ 2023 年 3 月
中心数 单中心（中国上海）
伦理批准 复旦大学伦理审查委员会（批准号 FE20017）
知情同意 书面知情同意，含"匿名后公开数据"条款
纳入标准 ① 无病理确诊的心血管疾病；② 完成全部序列的 MRI 检查

§2.5 临床价值分析

对临床端而言，CMRxRecon 类数据集推动的是"更快、同等质量"的心脏 MRI 检查：若 8~10 倍加速重建的图像质量与全采样参考一致（挑战赛冠军方案在部分设置下已接近），则单次心脏检查的屏气次数与检查时长可显著压缩，对心律不齐、儿童与重症等屏气困难人群的价值更大。对科研与产业端而言，公开 k 空间基准让重建算法第一次可以在同一把尺子下横向比较，避免"各自私有数据、各自指标"的碎片化竞争；配套的分割标注进一步支持"重建质量 → 定量/分割下游指标"的传导分析，使"重建好"不再停留于 PSNR/SSIM，而是落到临床可感知的任务表现上。对 ML 研究者而言，它同时是一个"问题定义清晰 + 评测严格 + 数据规模适中"的理想试验场：单卡即可训练，却直接对接顶会级 benchmark。

§2.6 金标准参考

维度 金标准 标注方式/来源 标注者 性质
重建真值 全采样 k 空间的 GRAPPA 参考图像 采集端 R=3 并行成像；部分 Fourier 由 POCS 补全；欠采样版由全采样数据回顾性仿真 采集/处理管线（含技师质控） 参考标准（retrospective simulation）
解剖标注 心肌与心腔分割 ITK-SNAP 3.8.0 手动逐层勾画；LAX 4 标签（左房/右房/左室/右室），SAX 3 标签（左心血池/左室心肌/右心血池） 超过 5 年心脏影像经验的放射科医生 人工金标准
图像质量 5 分制技师评分 仅保留 5 分（满分）图像入库 技师 质控门槛

注：重建金标准是"GRAPPA 参考图像"而非严格意义上的全采样解析重建——GRAPPA 自身的并行重建残差会传递到训练目标中（§7.1 参考标准偏倚）；4 倍加速下该影响可忽略，10 倍加速对比时应记住"真值本身也有误差"。

§3 数据集规格

§3.0 版本抉择矩阵

CMRxRecon 家族存在多个版本，按下表选择：

你的需求 推荐版本 大小/规模 理由
复现 MICCAI 2023 挑战赛与排行榜 CMRxRecon 2023（本条目） 300 受试者；cine + T1/T2 mapping；R=4/8/10 与挑战赛总结论文、公开基准数字直接对应
训练加速 cine/mapping 重建模型（首次入门） Scientific Data 2024 释放版（DOI 10.7303/syn52965326.1） 300 受试者全量释放 注册即下载，含全部受试者与分割、官方基准脚本
模态/采样普适性研究（单一模型多序列） CMRxRecon2024 扩展版 330 受试者；6 模态；> 2 TB；Gaussian/Uniform/Radial，AF 4~24 2024 挑战赛官方数据，含 2 个 unseen 模态
新型采集（5T）与最新社区竞赛 CMRxRecon2025 2025 版挑战赛数据（embargo 至 2025-12） 最新评估平台与任务设置

§3.1 模态与序列详情

cine（TrueFISP，回顾性 ECG 门控分段采集，屏气）。 视角覆盖短轴（SAX）与双腔/三腔/四腔长轴（2CH/3CH/4CH LAX）；SAX 通常 5~14 层，每个长轴视角 1 层；心动周期按心率分为 12~25 个时相，时间分辨率约 50 ms。

T1 mapping（MOLLI 4-(1)-3-(1)-2，仅 SAX）。 9 幅不同 T1 权重（不同反转时间）图像；反转时间随受试者实时心率确定，ECG 触发于舒张末期采集。

T2 mapping（T2prep-FLASH，仅 SAX）。 3 幅不同 T2 权重图像（T2 准备时间 0/35/55 ms），几何参数与 T1 mapping 一致。

代表性扫描参数（Scientific Data 论文 Table 1）：

参数 Cine LAX Cine SAX T1 mapping T2 mapping
TR（ms） 3.6 3.6 2.67 3.06
TE（ms） 1.6 1.6 1.13 1.29
翻转角（°） 48 44 35 12
空间分辨率（mm） 1.5 × 1.5 1.5 × 1.5 1.5 × 1.5 1.5 × 1.5
层厚（mm） 6.0 8.0 5.0 5.0
FOV（mm） 340 × 300 340 × 340 340 × 340 340 × 340
层数 1 11 6 6
采集端 GRAPPA 加速 3.0 3.0 2.0 2.0
屏气次数 2 11 6 6

注：挑战赛评估所用欠采样为回顾性均匀轨迹，加速倍数 R=4/8/10；mapping 的部分 Fourier 为 6/8，采集端并行加速 R=2。

§3.1b 空间-时间数据结构

CMRxRecon 的"多视角、多切片、多时相"三维结构直接决定样本组织与建模方式：

维度 cine T1 mapping T2 mapping 建模含义
视角 SAX + 2CH/3CH/4CH（4 组） 仅 SAX 仅 SAX 跨视角评测需按组分层
切片 SAX 5~14 层；每长轴视角 1 层 5~6 层 5~6 层 2D 方法按切片独立处理
帧 12~25 个心动时相（时间轴） 9 个反转时间（物理轴） 3 个 T2 准备时间（物理轴） cine 可时序建模；mapping 的 w 维不是时间轴（坑点 7）
线圈 10 虚拟线圈 10 虚拟线圈 10 虚拟线圈 多线圈重建的通道维

以一名受试者为例，cine 部分的 2D 帧样本量约为（SAX 层数 + 3 个长轴层）× 时相数，mapping 部分为层数 × 加权帧数——同一受试者内部样本高度相关，这是 §5.3 泄漏风险的根源。

§3.2 按子集的样本数

子集 受试者数 提供内容 用途
Training 120 全采样 k 空间 + ACS（24 行）+ 重建图像 + 分割标注（.mat/.csv/NIFTI） 模型训练
Validation 60 欠采样 k 空间（R=4/8/10）+ 采样掩模 + ACS（真值 withheld） 公开排行榜评测
Test 120 欠采样 k 空间 + 掩模 + ACS + 重建图像（对参赛者不可见） 隐藏测试（Docker 提交）
合计 300 多对比度、多视角、多切片、多线圈 —

§3.3 数据格式

内容 格式 说明
原始/欠采样 k 空间 MATLAB .mat（复值单精度） 维度 (kx, ky, 线圈数 sc, 层/层组 sz, 时相 t 或加权帧 w)；多线圈数据已压缩至 10 个虚拟线圈
校准线 ACS MATLAB .mat 中心 k 空间 24 行（ky 方向），用于敏感度估计
采集元数据 CSV FOV、采集矩阵、层数、层厚、线圈数、时相数、TR、TE、翻转角、过采样因子等
图像与分割 NIfTI 保留原始图像坐标；分割标签与对应图像配对
采样掩模 随数据提供 验证/测试集欠采样模式（均匀轨迹，R=4/8/10）

§3.4 存储大小

官方页面与论文未公布 2023 版的单一总量数字；复值单精度多线圈 k 空间（300 名受试者 × 多序列 × 多切片 × 多时相 × 10 虚拟线圈）体量以数十 GB 计，建议预留 100 GB 以上磁盘与 32 GB 以上内存处理环境。作为参照，官方在 CMRxRecon2024 扩展版（330 受试者、6 模态）公布的数据总量超过 2 TB。

环境规划参考：

规划项 建议
磁盘 预留 ≥ 100 GB（原始包 + 解压副本 + 训练中间产物双份）
内存 ≥ 32 GB（单卷复值 k 空间加载 + 敏感度估计峰值）
下载 Synapse CLI 支持断点续传；下载完成后先跑官方完整性检查脚本

§3.5 标注方式

标注为人工逐层手动分割：心肌与心腔由放射科医生在 ITK-SNAP 3.8.0 中勾画，以 NIfTI 格式保存且保留原始图像坐标。标签体系：LAX cine 为 4 类（1 左房 / 2 右房 / 3 左室 / 4 右室）；SAX cine 为 3 类（1 左心血池 / 2 左室心肌 / 3 右心血池）；T1/T2 mapping 的标注与 SAX cine 相同。重建任务的"标签"即全采样 k 空间对应的 GRAPPA 参考图像（训练集随数据提供）。

§3.6 标注者资质与一致性

分割由一名具有超过 5 年心脏影像经验的熟练放射科医生完成；质控环节由技师按 5 分制对原始图像评分，仅保留 5 分（最高分）图像入库。官方未公布标注者间一致性系数（如 Dice/ICC），跨标注者不确定性需使用者自行评估。单标注者 + 高门槛质控的组合意味着"标注风格一致性好、但系统性偏好无法估计"——对多数重建与分割用途这是优点，对标注方法论研究则是需要正视的边界。

§3.7 采集周期

2022 年 6 月 ~ 2023 年 3 月（单中心连续采集）；挑战赛数据于 2023 年 5 月 31 日（训练集）与 7 月 2 日（验证集）分批发布；Scientific Data 全量释放版于 2024 年 6 月随论文发布。

§3.8 地域覆盖

中国上海，单中心。数据无多中心/多地域分层，地域与人群多样性有限（见 §7.1 偏倚分析）。

§3.9 设备规格

项目 规格
扫描仪 Siemens MAGNETOM Vida（3.0T）
接收线圈 专用 32 通道心脏线圈（释放数据压缩为 10 个虚拟线圈）
生理门控 回顾性 ECG 门控（电极记录心电信号）
定位 Dot engine 心脏定位
采集方式 多次屏气、分段采集
原始数据导出 Siemens .dat 原始数据接口（导出时完成受试者与中心信息匿名化）

§3.10 深度溯源链

数据生产全链路：① 300 名健康志愿者签署书面知情同意（复旦大学伦理 FE20017）；② MAGNETOM Vida + 32 通道线圈按统一协议采集（TrueFISP cine / MOLLI T1 / T2prep-FLASH T2）；③ 技师 5 分制质控，仅保留 5 分图像；④ 原始 .dat 匿名化导出；⑤ 线圈压缩至 10 个虚拟线圈；⑥ POCS 补全部分 Fourier；⑦ GRAPPA 重建生成参考图像与全采样 k 空间；⑧ 放射科医生 ITK-SNAP 手动分割；⑨ 回顾性均匀欠采样生成 R=4/8/10 训练/验证/测试数据与掩模；⑩ Synapse 平台分批释放并附 GitHub 评估脚本。每一环节均可回溯至 Scientific Data 2024 论文对应章节与官方仓库。

§4 数据结构详解

§4.0 目录树

按 Scientific Data 论文 Table 2 的文件命名给出解压后的典型结构（受试者编号以 P001 示意；挑战赛时期的目录组织略有差异，以随包 ChallengeDataFormat 说明为准）：

CMRxRecon/
├── TrainingData/
│   ├── FullSample/
│   │   └── P001/
│   │       ├── cine_sax_ks.mat        # 短轴 cine 全采样 k 空间 (kx, ky, 10, n_slices, n_phases)
│   │       ├── cine_sax_calib.mat     # 短轴 ACS（中心 24 行）
│   │       ├── cine_sax_info.csv      # 短轴采集元数据（FOV/矩阵/层数/TR/TE/时相等）
│   │       ├── cine_lax_ks.mat        # 长轴 cine 全采样 k 空间（2CH/3CH/4CH 层组）
│   │       ├── cine_lax_calib.mat
│   │       ├── cine_lax_info.csv
│   │       ├── t1map_ks.mat           # T1 mapping k 空间 (kx, ky, 10, n_slices, 9)
│   │       ├── t1map_calib.mat
│   │       ├── t1map_info.csv
│   │       ├── t2map_ks.mat           # T2 mapping k 空间 (kx, ky, 10, n_slices, 3)
│   │       ├── t2map_calib.mat
│   │       └── t2map_info.csv
│   └── UnderSample/
│       └── P001/
│           ├── cine_sax_ks.mat        # 欠采样 k 空间（R=4/8/10 均匀轨迹）
│           ├── cine_sax_mask.mat      # 采样掩模
│           └── ...                    # 其余序列同构
├── ValidationData/
│   └── P121/                          # 受试者级连续编号，无真值图像
│       ├── cine_sax_ks.mat
│       ├── cine_sax_mask.mat
│       └── ...
├── Segmentations/
│   └── P001/
│       ├── cine_sax_label.nii.gz      # SAX 3 类：左心血池/左室心肌/右心血池
│       └── cine_lax_label.nii.gz      # LAX 4 类：左房/右房/左室/右室
└── ReconstructedImages/
    └── P001/                          # GRAPPA 参考图像（NIFTI）

§4.1 DAIMS 8 列字段字典

字段名 类型 说明 示例值 AI 用途 观测误差 信息性缺失编码 取值范围
kspace 复值数组（.mat） 多线圈原始/欠采样 k 空间，复值单精度 complex64 (kx, ky, 10, 11, 20) 重建网络输入 采集噪声（见 SNR 统计） 无缺失字段 维度随受试者解剖与心率变化
calib 复值数组（.mat） 中心 k 空间 ACS，24 行 complex64 (kx, 24, 10, ...) 线圈敏感度估计（ESPIRiT/SENSE） 同上 无缺失字段 ky 方向 24 行
mask 0/1 数组（.mat） 欠采样采样掩模（相位编码方向均匀抽取） R=8 对应每 8 行取 1 行 重建的数据一致性层 回顾性仿真（非真实加速） 无缺失字段 加速倍数 ∈
recon_reference 复值/实值图像 GRAPPA 全采样参考图像（训练集提供） NIFTI 或随 k 空间文件 重建真值（NMSE/PSNR/SSIM） GRAPPA 残差伪影 仅验证/测试集结构性 withheld 与 k 空间逐体素对应
info.csv 表格 采集元数据：FOV、矩阵、层数、层厚、线圈数、时相数、TR、TE、翻转角、过采样因子 TR=3.6ms, TE=1.6ms 物理先验、归一化、mapping 拟合 机器记录，精度高 无缺失字段 各序列典型值见 §3.1
cine_sax_label 整数标签（NIfTI） SAX 分割：1 左心血池 / 2 左室心肌 / 3 右心血池 label ∈ {1,2,3} 分割任务真值、重建下游评估 单标注者主观差异 无缺失字段 0（背景）+ 1~3
cine_lax_label 整数标签（NIfTI） LAX 分割：1 左房 / 2 右房 / 3 左室 / 4 右室 label ∈ {1,2,3,4} 心腔定量、双心室功能 同上 无缺失字段 0（背景）+ 1~4
mapping 帧 数组第 5 维 T1 mapping 第 5 维 = 9 个反转时间帧；T2 = 3 个回波帧 t1map (…, 9) 参数图拟合（T1/T2 定量） 心率决定的具体 TI/TE 值 无缺失字段 T1：9 帧；T2：3 帧
quality_label 整数 技师 5 分制质量评分（入库门槛） 5 质量过滤复现 主观评分 无缺失字段 固定为 5（仅满分入库）

§4.2 标签分布

标签体系 类别 数值 覆盖范围
SAX cine / T1 / T2 mapping 1 左心血池 手动分割 全部 300 名受试者
SAX cine / T1 / T2 mapping 2 左室心肌 手动分割 全部 300 名受试者
SAX cine / T1 / T2 mapping 3 右心血池 手动分割 全部 300 名受试者
LAX cine 1 左房 / 2 右房 / 3 左室 / 4 右室 手动分割 全部 300 名受试者
欠采样倍数（验证/测试） R = 4 / 8 / 10 回顾性均匀轨迹 每名受试者均含三种加速

分布要点：分割标签覆盖全部受试者（无"部分标注"子集），类别不平衡信息以体素计需自行统计——心肌（标签 2）在 SAX 中的体素占比远小于血池，训练分割头时建议按类加权；三种加速倍数在验证/测试中均匀出现，评测时按倍数分层报告是社区惯例。

§4.3 关键统计

统计项 数值
受试者数 300（120 训练 / 60 验证 / 120 测试）
cine 视角 SAX + 2CH + 3CH + 4CH
SAX 层数 通常 5~14 层（挑战赛总结论文口径 5~11 层）
心动周期时相 12~25 个（时间分辨率约 50 ms）
T1 mapping 加权帧 9（MOLLI 4-(1)-3-(1)-2）
T2 mapping 加权帧 3（T2prep 0/35/55 ms）
虚拟线圈数 10（由 32 通道压缩）
ACS 行数 24（ky 方向中心行）
验证集平均 SNR Cine SAX 27.344 ± 9.709；Cine LAX 28.979 ± 8.919；T1 27.686 ± 8.564；T2 26.212 ± 9.031

§4.4 数据层级

受试者（300）
└── 检查（每人 1 次 MRI，多序列同日完成）
    ├── cine（SAX 卷 + 2CH/3CH/4CH 长轴组）
    │   └── 切片（SAX 5~14 层；每长轴视角 1 层）
    │       └── 时相帧（12~25，心动周期）
    ├── T1 mapping（SAX，5~6 层 × 9 个反转时间帧）
    └── T2 mapping（SAX，5~6 层 × 3 个回波帧）

关键推论：同一受试者的 SAX/LAX/mapping 来自同一次检查、同一颗心脏——任何按"切片"或"帧"划分数据集的操作都会把同一颗心脏同时放进训练与测试集（详见 §5.3 与坑点 4）。

§4.5 缺失值与信息性缺失

情形 是否存在 处理建议
k 空间/标注字段缺失 否 官方仅保留 5 分质控图像，300 名受试者全序列齐备
元数据缺失 否 info.csv 逐受试者提供完整采集参数
重建真值（验证/测试集） 结构性 withheld 这是基准设计而非数据缺陷；编码为"不可得"，评测走 Synapse 平台
标注者间一致性系数 未公布 使用者如需可抽样复标自行估计（见 §3.6）

§5 数据划分与使用建议

§5.1 官方划分

官方按受试者划分为 120 训练 / 60 验证 / 120 测试：训练集含全采样 k 空间、ACS、重建图像与分割；验证集含欠采样 k 空间（R=4/8/10）与掩模、可通过 Synapse 平台在线评测；测试集真值完全不公开，参赛队以 Docker 容器提交、在隐藏测试集上评测。cine 与 mapping 两任务使用同一受试者划分。

两个挑战赛任务与子集的对应关系：

任务 训练集输入 目标输出 验证/测试输入 说明
Task 1 加速 cine 重建 全采样 cine k 空间 + ACS 欠采样 → 高质量 cine 欠采样 cine k 空间 + 掩模 + ACS SAX 与 LAX 均参与
Task 2 加速 T1/T2 mapping 重建 全采样 mapping k 空间 + ACS 欠采样 → 高质量 mapping 帧 欠采样 mapping k 空间 + 掩模 + ACS 定量 RMSE 为附加关注点

§5.2 社区惯例划分

挑战赛参赛队与后续论文的常见做法：在 120 名训练受试者内部再按受试者级切出 80/40 或 90/30 的子训练/子验证集用于调参与早停，最终在 60 名验证受试者上刷排行榜；部分论文在报告最终指标时将训练集与验证集合并训练（此时必须自行留出受试者级评估集，并如实说明）。读者复现他人工作时，第一步应核对论文的训练数据口径——这是社区数字对不上的第一大来源。

§5.3 数据泄漏风险 ⭐

风险 场景 后果 防御
同受试者跨序列泄漏 按"切片/帧"随机划分训练与测试 同一颗心脏同时出现在两侧，指标虚高 一切划分以 subject_id 为最小单元
真值参与输入 把参考图像统计量（均值/方差）用于输入归一化 归一化参数"偷看"真值 归一化统计仅来自欠采样数据或 ACS
ACS 信息泄漏 把全采样 ACS 直接当作输入特征加入网络（而非用于敏感度估计） 相当于给网络部分真值 明确 ACS 只进入敏感度估计或数据一致性模块
测试集间接过拟合 在验证集反复迭代后按测试结果挑模型 隐藏测试泛化失效 固定提交预算，记录每次配置

§5.4 交叉验证建议

如需稳健估计：以受试者为组做 GroupKFold(5)（300 名全部可得时），每折保持性别比例大致平衡；cine 与 mapping 联合训练时同一受试者必须同折。挑战赛场景下更常见的是"训练集内部受试者级再划分 + 单次验证集评测"，重实验成本低。

from sklearn.model_selection import GroupKFold
import numpy as np

subjects = np.array([f"P{i:03d}" for i in range(1, 301)])   # 以实际受试者列表为准
gkf = GroupKFold(n_splits=5)
for fold, (tr, va) in enumerate(gkf.split(subjects, groups=subjects)):
    print(f"fold {fold}: train {len(tr)}, val {len(va)}")
    # cine 与 mapping 联合训练时：两组 subject 列表必须使用同一折切分

§5.5 外部验证建议

  • 运动鲁棒性：向兄弟数据集 CMRxMotion（呼吸运动分组采集）迁移，检验对运动伪影的泛化。
  • 多模态/多采样普适：向 CMRxRecon2024（6 模态、Gaussian/Uniform/Radial、AF 4~24）迁移，检验单一模型跨序列能力。
  • 跨厂商/跨场强：数据为单中心 Siemens 3T；向 GE/Philips 或 1.5T/5T 数据迁移前应预期性能衰减并做敏感度重估计。

§5.6 常见划分误用对照

误用 看似合理 实际问题 正确做法
按帧随机划分 “样本更多更好” 同一心脏同时出现在训练/测试 受试者级划分（坑点 4）
用测试集调参后报验证集 “只是看看” 测试信息回流，结论失效 测试只在最终执行一次
训练/验证合并后重划分 “数据更多涨点” 与官方榜单口径不可比 保持官方 120/60/120
验证集上千次提交 “在线评测免费” 间接过拟合验证集 限制提交预算并逐次记录

§6 AI 就绪指南

§6.0 环境快速启动

# 环境建议：Python 3.9+，PyTorch 2.x，单卡显存 ≥ 16 GB（2D 按帧训练）
pip install torch numpy scipy h5py scikit-image synapseclient matplotlib
export CMRXRECON_ROOT=./data/cmrxrecon   # 后续所有脚本统一从该变量取数据根

Conda 等价环境（如团队统一使用 conda）：

conda create -n cmrxrecon python=3.10 -y
conda activate cmrxrecon
conda install pytorch numpy scipy scikit-image h5py matplotlib -c pytorch -c conda-forge -y
pip install synapseclient

§6.1 快速上手：读取第一个 k 空间卷

# 前置说明：
# 1) 目录结构预期：CMRXRECON_ROOT/ 下为 §4.0 的树；训练数据位于
#    CMRXRECON_ROOT/TrainingData/FullSample/<subject_id>/（目录名以实际解压结果为准）
# 2) data_root 拼接关系：全部脚本统一从环境变量 CMRXRECON_ROOT 取根路径，
#    其余路径一律 os.path.join 拼接，禁止硬编码绝对路径
# 3) 最小可用子集：仅需 1 名受试者的 cine_sax_*.mat 三个文件（官方 GitHub DemoData
#    亦提供单例样例），即可跑通本节与 §6.3 的零填充重建

import os
import numpy as np
import scipy.io as sio

DATA_ROOT = os.environ.get("CMRXRECON_ROOT", "./data/cmrxrecon")

def load_mat(path):
    """读取 .mat：先按 < v7.3 处理，失败则回退 HDF5 读取（坑点 1）。
    键名以实际文件为准：loadmat 后先 print(mat.keys()) 检查。"""
    try:
        mat = sio.loadmat(path)
        return {k: v for k, v in mat.items() if not k.startswith("__")}
    except NotImplementedError:
        import h5py
        out = {}
        with h5py.File(path, "r") as f:
            for k in f.keys():
                v = np.array(f[k])
                out[k] = v.T if v.ndim > 1 else v   # HDF5 存储与 MATLAB 维度互为转置
        return out

sub = sorted(os.listdir(os.path.join(DATA_ROOT, "TrainingData", "FullSample")))[0]
mat = load_mat(os.path.join(DATA_ROOT, "TrainingData", "FullSample", sub, "cine_sax_ks.mat"))
print(sub, {k: (v.shape, v.dtype) for k, v in mat.items()})
# 预期：k 空间为 complex64，维度 (kx, ky, 10, n_slices, n_phases)（坑点 2 的对拍基准）

首跑常见报错速查：

现象 根因 处置
NotImplementedError ... v7.3 .mat 为 HDF5 格式 走 load_mat 的 h5py 分支（坑点 1）
重建图像整幅翻折/花屏 FFT 中心化或维度顺序错误 用 ifft2c 并做一次对拍（坑点 2）
ESPIRiT 报 calibration too small ACS 未写回 k 空间 先执行 ACS 写回（坑点 3）
显存随 batch 爆炸 把整卷（切片 × 帧）当单样本 2D 按帧切分训练（§6.4）

§6.2 数据获取

步骤 内容 说明
1 注册 Synapse 账号 https://www.synapse.org；SciData 版注册用户免审批下载（DOI 10.7303/syn52965326.1）
2 （可选）签署数据协议 挑战赛时期渠道需向 CMRxRecon@outlook.com 提交数据使用协议
3 下载数据 网页下载或 synapseclient 命令行；建议校验文件完整性
4 获取代码 https://github.com/CmrxRecon/CMRxRecon-SciData（ReconCode / DemoData / Evaluation）
5 阅读引用要求 使用数据须引用 Scientific Data 2024 论文与挑战赛总结论文（见 §9） 
# 命令行下载（首次使用需 syn.login() 完成 Synapse 认证）
python - <<'PY'
import synapseclient
syn = synapseclient.Synapse()
syn.login()  # 交互式输入 Synapse 用户名/密码或 token
syn.get("syn52965326.1", downloadLocation="./data/cmrxrecon")
PY

版本提示：Synapse 上同页可能同时挂有 2023 挑战版与 SciData 释放版目录；下载前认准 DOI 10.7303/syn52965326.1（SciData 版），挑战版结构以随包 ChallengeDataFormat 说明为准。

§6.3 预处理全流程：从 k 空间到零填充图像

# 流程：k 空间 -> 中心化 IFFT -> RSS 合线圈 -> 归一化 -> 零填充基准图像
# 关键约定：k 空间原点位于矩阵中心（kx//2, ky//2），维度 (kx, ky, coils, ...)

import numpy as np

def ifft2c(kspace: np.ndarray) -> np.ndarray:
    """中心化 2D 逆 FFT（前两维为 kx/ky）。"""
    img = np.fft.ifft2(np.fft.ifftshift(kspace, axes=(0, 1)), axes=(0, 1))
    return np.fft.fftshift(img, axes=(0, 1))

def rss_combine(img: np.ndarray, coil_axis: int = 2) -> np.ndarray:
    """多线圈 RSS 合成实值幅度图。"""
    return np.sqrt((np.abs(img) ** 2).sum(axis=coil_axis))

def write_back_acs(ks_under: np.ndarray, acs: np.ndarray, n_lines: int = 24) -> np.ndarray:
    """将 ACS 写回欠采样 k 空间中心 24 行（示意实现；
    正式使用请对照官方 CMRxReconMaskGeneration 的掩模逻辑，见坑点 3）。"""
    ks = ks_under.copy()
    ny = ks.shape[1]
    lo, hi = ny // 2 - n_lines // 2, ny // 2 + n_lines // 2
    ks[:, lo:hi] = acs[:, lo:hi]
    return ks

def normalize_per_volume(img: np.ndarray) -> np.ndarray:
    """按卷归一化：统计量仅来自当前欠采样输入，严禁使用真值统计（坑点 5）。"""
    peak = np.percentile(np.abs(img), 99.9)
    return img / (peak + 1e-8)

full = load_mat(os.path.join(DATA_ROOT, "TrainingData", "FullSample", sub, "cine_sax_ks.mat"))
ks = list(full.values())[0]
img_coil = ifft2c(ks)                       # (kx, ky, 10, slices, phases)
img_rss = rss_combine(img_coil)             # (kx, ky, slices, phases)
img_norm = normalize_per_volume(img_rss)
print(img_norm.shape, float(img_norm.min()), float(img_norm.max()))

从全采样数据生成训练对。训练集自带全采样 k 空间，因此可以自行仿真任意加速的欠采样输入（与官方掩模口径保持一致：沿 ky 均匀抽取、中心 24 行 ACS 恒保留）：

def uniform_mask(n_ky: int, accel: int, acs: int = 24) -> np.ndarray:
    """均匀欠采样掩模：每 accel 行取 1 行 + 中心 ACS 恒保留。"""
    mask = np.zeros(n_ky, dtype=bool)
    mask[::accel] = True
    lo, hi = n_ky // 2 - acs // 2, n_ky // 2 + acs // 2
    mask[lo:hi] = True
    return mask

def make_train_pair(ks_full: np.ndarray, accel: int = 8):
    """返回（欠采样输入，全采样目标，掩模）三元组。
    注意：更复杂的随机相位偏移请对照官方 CMRxReconMaskGeneration 实现。"""
    m = uniform_mask(ks_full.shape[1], accel)
    ks_in = ks_full.copy()
    ks_in[:, ~m] = 0
    return ks_in, ks_full, m

可视化自查（把零填充结果存图目检一次，是验证整条管线的最快方式）：

import matplotlib.pyplot as plt

plt.figure(figsize=(4, 4))
plt.imshow(img_norm[:, :, 0, 10], cmap="gray")   # 第 1 切片、第 10 时相
plt.axis("off")
plt.savefig("zf_check.png", dpi=120, bbox_inches="tight")
# 目检要点：心脏居中、血池/心肌对比可辨、无翻折花屏（坑点 2）

线圈敏感度估计（多线圈重建的前置步骤；教学级实现，生产环境请用官方 ReconCode 的 ESPIRiT）：

def sens_maps_lowres(acs: np.ndarray) -> np.ndarray:
    """ACS 低分辨率 SENSE 式敏感度估计（教学实现）：
    1) ACS -> 低分辨率线圈图像；2) 以 RSS 图像为参考归一化。
    假设 acs 形状 (kx, ky_acs, coils, ...)，取 ky 维为 ACS 全部 24 行。"""
    lowres = ifft2c(acs)                          # 低分辨率线圈域图像
    rss_ref = np.sqrt((np.abs(lowres) ** 2).sum(axis=2, keepdims=True))
    sens = lowres / (rss_ref + 1e-8)
    return sens                                   # |sens| ≤ 1，逐体素线圈间复权

§6.4 PyTorch DataLoader（可运行）

# 说明：
# 1) subjects 列表由外部按受试者级划分传入（坑点 4），本类不做任何切分
# 2) 2D 按帧训练：每张样本 = (slice, phase) 一帧；10 虚拟线圈作为通道维
# 3) mapping 序列（t1map/t2map）的第 5 维是 TI/TE 加权帧而非时间序列（坑点 7），
#    使用本类时设置 is_mapping=True 以避免时序假设

import os
import numpy as np
import torch
from torch.utils.data import Dataset, DataLoader

class CMRxReconCineDataset(Dataset):
    """CMRxRecon cine 2D 重建数据集（多线圈复值，按帧切分）。"""

    def __init__(self, subjects, data_root, seq="cine_sax", is_mapping=False,
                 normalize=True, transform=None):
        self.items = []
        for sid in subjects:                      # 仅遍历传入的受试者（划分在外部完成）
            folder = os.path.join(data_root, "TrainingData", "FullSample", sid)
            self.items.append((os.path.join(folder, f"{seq}_ks.mat"), is_mapping))
        self.normalize, self.transform = normalize, transform

    def __len__(self):
        return len(self.items)

    def _load(self, path):
        try:
            import scipy.io as sio
            mat = sio.loadmat(path)
        except NotImplementedError:
            import h5py
            with h5py.File(path, "r") as f:
                mat = {k: np.array(f[k]).T for k in f.keys()}
        ks = next(v for k, v in mat.items() if not k.startswith("__"))
        return np.asarray(ks, dtype=np.complex64)

    def __getitem__(self, idx):
        path, is_mapping = self.items[idx]
        ks = self._load(path)                     # (kx, ky, coils, slices, frames)
        img = ifft2c(ks)                          # 复值线圈域图像
        rss = np.sqrt((np.abs(img) ** 2).sum(axis=2))   # (kx, ky, slices, frames)
        if self.normalize:
            rss = normalize_per_volume(rss)
        x = torch.from_numpy(rss)[:, :, None].float().permute(2, 0, 1, 3).contiguous()
        # x: (slices, 1, kx, ky) ；mapping 时不沿 frames 维做任何时序混洗（坑点 7）
        if self.transform is not None:
            x = self.transform(x)
        return x, os.path.basename(os.path.dirname(path))

def make_loader(subjects, data_root, batch_size=4, workers=4):
    ds = CMRxReconCineDataset(subjects, data_root)
    return DataLoader(ds, batch_size=batch_size, shuffle=True,
                      num_workers=workers, pin_memory=True)

# loader = make_loader(train_subjects, DATA_ROOT)   # train_subjects 来自受试者级划分

最小可用的图像域基线模型（零填充 RSS → U-Net 残差修正，用于打通端到端训练回路；冲榜请替换为 E2E-VarNet 式多线圈展开架构，见 §8.2）：

import torch
import torch.nn as nn

class ConvBlock(nn.Module):
    def __init__(self, cin, cout):
        super().__init__()
        self.net = nn.Sequential(
            nn.Conv2d(cin, cout, 3, padding=1), nn.ReLU(inplace=True),
            nn.Conv2d(cout, cout, 3, padding=1), nn.ReLU(inplace=True))

    def forward(self, x):
        return self.net(x)

class UNetLite(nn.Module):
    """2 尺度 U-Net 基线。
    输入：(B, 1, kx, ky) 归一化零填充 RSS 图像（kx/ky 建议为 16 的倍数，
    不足时先 pad 再裁剪）。输出：同形重建图像。"""
    def __init__(self):
        super().__init__()
        self.enc1 = ConvBlock(1, 32)
        self.pool = nn.MaxPool2d(2)
        self.enc2 = ConvBlock(32, 64)
        self.up = nn.ConvTranspose2d(64, 32, 2, stride=2)
        self.dec = ConvBlock(64, 32)
        self.head = nn.Conv2d(32, 1, 1)

    def forward(self, x):
        h1 = self.enc1(x)
        h2 = self.enc2(self.pool(h1))
        d = self.dec(torch.cat([self.up(h2), h1], dim=1))
        return self.head(d) + x          # 残差学习：预测对零填充图像的修正量

训练损失建议直接使用 SSIM（与官方排名指标一致）叠加 L1；多线圈端到端训练时把输入换为复值 k 空间并加入敏感度估计与数据一致性级联（E2E-VarNet 形态，PromptMR 在此基础上引入可学习提示）。

§6.5 坑点清单（8 个实战失败模式）

⚠️ 坑点 1：.mat 文件版本陷阱——v7.3 与旧版读取接口不同（分类：工程陷阱）

问题：数据包中 .mat 若以 MATLAB v7.3（HDF5）保存，scipy.io.loadmat 直接抛异常；两种格式的键结构与维度存储顺序也不同。
症状：NotImplementedError: Please use HDF reader for matlab v7.3 databases；或 HDF5 分支读出的数组维度是 (t, sz, sc, ky, kx) 反序，后续全部错位。
解决：

  1. 简单方法：try loadmat 失败后回退 h5py.File，读出后 .T 恢复维度（见 §6.1 load_mat）。
  2. 进阶方法：对第一份数据做一次人工对拍——分别用两种 reader 读取同一文件，打印 shape 与共轭关系，固化转换函数并加单元测试。
  3. SOTA 方法：直接采用官方 ReconCode 的读取函数作为项目内唯一 IO 模块，并在 CI 中用 DemoData 断言"IFFT 重建图像与随包参考图像 SSIM > 0.99"。
    参考：https://github.com/CmrxRecon/CMRxRecon-SciData ；MATLAB v7.3（HDF5）格式文档。

⚠️ 坑点 2：FFT 中心化与维度顺序错误（分类：工程陷阱）

问题：k 空间原点在矩阵中心而非角点，fftshift/ifftshift 必须成对使用；数组维度顺序为 (kx, ky, 线圈, 切片, 帧)，与 PyTorch 常用 (B, C, H, W) 不同。
症状：重建图像"花屏"、左右/上下翻折或相位错位；损失下降但肉眼检查明显异常。
解决：

  1. 简单方法：统一走 §6.3 ifft2c（shift → ifft2 → shift，固定 axes=(0, 1)）。
  2. 进阶方法：拿训练集全采样 k 空间做一次 IFFT，与随包 GRAPPA 参考图像逐体素对比——中心化或维度错误会立刻暴露为数量级差异。
  3. SOTA 方法：将 axes 常量化并在 CI 中加入"全采样 IFFT ≈ 参考图像"的冒烟测试；换用 torch.fft 时保持同一 shift 顺序。
    参考：官方 ReconCode；fastMRI 社区的 fft2c 惯例（可移植，但需注意其维度顺序差异）。

⚠️ 坑点 3：ACS 24 行必须写回欠采样 k 空间（分类：预处理陷阱）

问题：验证/测试数据的欠采样 k 空间不含中心 ACS 行，ACS 以独立文件提供；ESPIRiT/SENSE 敏感度估计与数据一致性层都需要中心低频数据，且 10 个虚拟线圈是压缩线圈而非物理线圈。
症状：ESPIRiT 报"calibration region too small"；重建低频缺失导致整幅图像灰度漂移；直接照搬 fastMRI 的线圈数/敏感度预设报维度错误。
解决：

  1. 简单方法：按掩模的中心行位置把 ACS 写回 k 空间（§6.3 write_back_acs）。
  2. 进阶方法：训练端用官方 CMRxReconMaskGeneration 的同一掩模逻辑生成欠采样，保证训练与验证的 ACS/掩模拼装完全一致。
  3. SOTA 方法：在 Dataset 中加入不变量断言（欠采样 k 空间中心 24 行非零、线圈维 == 10），CI 覆盖每个序列类型。
    参考：https://github.com/CmrxRecon/CMRxRecon （ChallengeDataFormat、CMRxReconMaskGeneration）。

⚠️ 坑点 4：按切片/帧划分造成受试者级泄漏（分类：数据泄漏）

问题：同一受试者的 SAX/LAX/mapping 来自同一次检查、同一颗心脏（§4.4）；随机按切片或帧划分会把同一心脏同时放进训练与测试。
症状：测试 SSIM 高得反常（明显超出公开排行榜量级）；跨序列迁移实验"泛化好得离谱"。
解决：

  1. 简单方法：sklearn.model_selection.GroupShuffleSplit(groups=subject_id) 一行保证受试者级隔离。
  2. 进阶方法：完全继承官方 120/60/120 受试者划分，自需调参集时在 120 名训练受试者内部再按受试者二分。
  3. SOTA 方法：把 subject 划分列表哈希为"划分指纹"写入实验配置，所有报告引用同一指纹，杜绝跨实验口径漂移。
    参考：MICCAI 2023 挑战赛评测协议（MedIA 2025 总结论文）。

⚠️ 坑点 5：复值归一化口径不统一（分类：预处理陷阱）

问题：多线圈复值数据的归一化维度多（per-volume/per-frame/per-coil、幅度域 vs 复数域）；若归一化统计量取自全采样真值，则构成信息泄漏。
症状：同一模型换个归一化函数指标漂移明显；自报数字与公开排行榜系统性偏离。
解决：

  1. 简单方法：per-volume 归一化，统计量仅取自欠采样输入（如 99.9 百分位幅度）。
  2. 进阶方法：对齐官方 Evaluation 的归一化与指标计算路径，训练/评测共用同一实现。
  3. SOTA 方法：把归一化函数纳入"数据卡 + 代码冻结"管理，论文报告时注明口径，禁止中途更换。
    参考：官方 Evaluation 脚本（https://github.com/CmrxRecon/CMRxRecon-SciData）。

⚠️ 坑点 6：SSIM/PSNR 实现差异导致数字不可比（分类：评估误用）

问题：MATLAB ssim 与 skimage.metrics.structural_similarity 在 data_range、高斯权重、通道处理上行为不同；复值图像须先取模或 RSS 合成再计算。
症状：同一模型"两个都正确"的实现报出相差 1~3 个点的 SSIM；论文间复现对不上。
解决：

  1. 简单方法：固定 skimage 实现并显式传 data_range，报告库版本。
  2. 进阶方法：以官方 Evaluation 为单一事实源，另跑 MATLAB 等价实现做交叉校验并记录差值。
  3. SOTA 方法：报告时附完整指标参数（窗口、data_range、复值处理路径），与官方榜单对照时注明实现版本与评测集。
    参考：官方 Evaluation 脚本；MedIA 2025 总结论文的指标协议章节。

⚠️ 坑点 7：mapping 的第 5 维是 TI/TE 加权帧，不是时间序列（分类：标签理解）

问题：T1 mapping 第 5 维 9 帧对应 MOLLI 4-(1)-3-(1)-2 的 9 个反转时间，T2 mapping 3 帧对应 0/35/55 ms T2 准备时间；按 cine 时间轴做时序建模或乱序增强会破坏物理语义。
症状：T1 拟合曲线乱序、参数图出现斑块状伪影；沿帧维混洗增强后定量 RMSE 异常上升。
解决：

  1. 简单方法：把 w 维当作独立通道/独立样本处理，不施加时序约束。
  2. 进阶方法：从 info.csv 读取每帧 TI/TE，重建后再做饱和恢复/Look-Locker 拟合；网络可注入帧序嵌入但保持物理顺序输入。
  3. SOTA 方法：mapping 任务分两段评估（图像域 SSIM/PSNR + 定量域 T1/T2 RMSE），训练采用帧感知损失，对照官方 RMSE 协议。
    参考：arXiv:2309.10836 §2.2（MOLLI 与 T2prep 协议）；官方参数拟合脚本。

⚠️ 坑点 8：验证集过拟合与排行榜分数不可比（分类：评估误用）

问题：验证集仅 60 名受试者且可反复在线评测，测试集隐藏；反复按验证分数迭代会间接过拟合；不同论文的训练数据用量（是否并入验证集）与评测口径不同，分数不可直接比较。
症状：本地验证分数与隐藏测试/论文数字差距显著；复现他人结果时对不上。
解决：

  1. 简单方法：限制提交预算，记录每次提交的配置与动机。
  2. 进阶方法：维护两条报告线——“训练集内验证"与"官方验证集”，绝不混用；复现他人工作先核对训练数据口径。
  3. SOTA 方法：最终结果按挑战赛协议评测（Docker 提交、固定硬件与时限），引用榜单数字时注明设置与查询日期（见 §8.1）。
    参考：MedIA 2025 挑战赛总结论文；Synapse 公开排行榜。

§6.6 数据增强：安全与危险清单

操作 安全性 说明
幅度缩放/随机全局增益 ✅ 安全 等价于整体灰度变换，不破坏 k 空间物理
加性复高斯噪声 ✅ 安全 模拟噪声水平变化，注意保持复值结构
沿 ky 循环移位（同步 mask） ✅ 安全（需同步） 相位编码方向的循环移位在数学上等价于图像域线性相位，mask 必须同步移位
随机欠采样模式（均匀/Gaussian/径向） ✅ 安全 提升采样普适性（CMRxRecon2024 的核心策略之一）
沿帧维乱序/时间轴反转（cine） ❌ 危险 破坏心动周期时序动力学（mapping 第 5 维为 TI/TE，见坑点 7）
沿读出方向翻转而不改 k 空间 ❌ 危险 图像翻转对应 k 空间共轭翻转，两者不同步会制造物理不可能样本
用真值统计量做归一化/增强 ❌ 危险 信息泄漏（见坑点 5）

安全增强的参考实现（作用于 k 空间，保持复值结构）：

def augment_kspace(ks, gain_range=(0.9, 1.1), noise_sigma=1e-3, rng=None):
    """随机全局增益 + 加性复高斯噪声：不破坏 k 空间物理。"""
    rng = rng or np.random.default_rng()
    gain = rng.uniform(*gain_range)
    noise = (rng.normal(size=ks.shape) + 1j * rng.normal(size=ks.shape)).astype(np.complex64)
    return (ks * gain + noise_sigma * noise).astype(np.complex64)

增强强度建议保守起步（增益 ±10%、噪声 sigma 取数据 SNR 的 -40 dB 量级），每引入一种增强都在验证集上做消融——心脏 k 空间的幅值动态范围大，过强增强常表现为 SSIM 稳定而心肌边界细节退化，需结合分割下游指标监控。

§6.7 模型推荐

模型 类型 适用 依据
U-Net（零填充输入） 图像域 快速基线、单线圈简化场景 挑战赛中最流行 backbone（MedIA 2025 总结）
E2E-VarNet 端到端多线圈 竞争力主力，敏感度估计 + 数据一致性一体 挑战赛两任务第一名骨干（MedIA 2025 总结）
MoDL（官方改进版） 模型驱动展开 物理一致性对照、消融研究 官方基准脚本之一
GRAPPA / ESPIRiT 传统并行重建 基线下界、敏感度估计组件 官方 ReconCode 提供
PromptMR（Prompt-UNet） 提示学习 U 形 多任务/多模态统一模型 CMRxRecon2023 冠军方案；2024 版高分架构
vSHARP 展开式 + 数据一致性 2024 版高分方案之一 CMRxRecon2024 总结论文

§6.8 硬件需求

场景 建议配置 说明
2D 按帧训练（入门） 1 × GPU 16 GB（RTX 4090/A100 级）、32 GB 内存 单帧样本小，batch 可开大
3D/时序联合训练 1 × GPU 40~80 GB（A100 80G）+ 64 GB 内存 沿时相/切片堆叠显存增长快
挑战赛式 Docker 评测 参照官方：2024 版用 Tesla V100 32GB / 256 GB RAM 工作站；2025 版单卡 A6000 48 GB，每任务 40 小时时限 提交前先在本地 Docker 复算资源边界
传统重建（GRAPPA/ESPIRiT） CPU 即可 官方 ReconCode 支持 CPU 运行

§6.9 评估指标代码

# 与官方协议一致的三个指标：NMSE / PSNR / SSIM（在 RSS 幅度域计算）
# 注意：data_range 必须显式给定；复值先取模（坑点 6）

import numpy as np
from skimage.metrics import structural_similarity as sk_ssim

def nmse(pred: np.ndarray, target: np.ndarray) -> float:
    return float((np.linalg.norm(target - pred) ** 2) / (np.linalg.norm(target) ** 2))

def psnr(pred: np.ndarray, target: np.ndarray, data_range: float) -> float:
    mse = np.mean((target - pred) ** 2)
    return float(10.0 * np.log10((data_range ** 2) / (mse + 1e-12)))

def ssim(pred: np.ndarray, target: np.ndarray, data_range: float) -> float:
    return float(sk_ssim(target, pred, data_range=data_range))

def evaluate_volume(pred, target):
    """pred/target: (kx, ky, slices, phases)，RSS 域、同归一化口径。"""
    dr = float(np.abs(target).max())
    vals = [ (nmse(p, t), psnr(p, t, dr), ssim(p, t, dr))
             for p, t in zip(np.moveaxis(pred, 2, 0), np.moveaxis(target, 2, 0)) ]
    arr = np.array(vals)
    return {"NMSE": arr[:, 0].mean(), "PSNR": arr[:, 1].mean(), "SSIM": arr[:, 2].mean()}

聚合口径提示：官方协议在验证集上按"逐切片/逐帧计算后取平均"汇总（mapping 任务另算 T1/T2 定量 RMSE）；若你的方法按整卷聚合，报告时必须注明口径——聚合层级不同，SSIM 可差 1 个点以上。另建议补充 MAE（对 mapping 定量任务更敏感）。

§6.10 MLOps 与复现性笔记

  • Docker 化提交：挑战赛要求以 Docker 容器提交重建代码，官方在统一硬件上评测（2024：Xeon E5-2698 v4 / 256 GB RAM / Tesla V100 32GB；2025：单卡 A6000 48 GB、每任务 40 小时）。提交前务必在本地容器内复算运行时间与显存峰值。
  • 数据版本固定：在实验配置中记录数据 DOI（10.7303/syn52965326.1）、下载日期与受试者划分指纹。
  • 指标单一事实源：以官方 Evaluation 脚本为基准，项目内指标代码与其做一致性测试后再使用。
  • 实验追踪：记录 mask 类型、加速倍数、归一化口径、SSIM 实现版本四元组——这四项是社区数字不可比的主要来源。

Docker 提交前自检清单（依官方 2024/2025 评测设置）：

  1. 本地以 GPU 容器复算单任务运行时间（2025 版时限为每任务 40 小时）；
  2. 固定依赖版本（torch / numpy / scikit-image 等）写入 requirements 并锁定镜像；
  3. 输入输出路径与官方 Submission 模板结构一致；
  4. 自算指标与官方 Evaluation 脚本在验证集抽样上对齐（容差 < 0.001）；
  5. 记录随机种子与权重哈希，保证评测可复现。

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型 描述 严重程度 缓解建议
人群偏倚 仅健康志愿者（平均 26 ± 5 岁），无病理心脏；年龄分布窄 高 下游应用前在临床/病理队列上做域适应与验证
中心/厂商偏倚 单中心、单一厂商（Siemens 3T MAGNETOM Vida） 高 跨厂商迁移前重估线圈敏感度与归一化；引入外部数据
仿真加速偏倚 欠采样为回顾性均匀轨迹仿真，非 prospective 加速采集 中 报告时注明仿真性质；关键结论需 prospective 试点验证
线圈压缩偏倚 32 物理通道压缩为 10 虚拟线圈，敏感度图与物理线圈不同 中 敏感度依赖方法（如 GRAPPA 核）需重训；注明线圈口径
参考标准偏倚 重建真值为 GRAPPA 参考图像，自身含并行重建残差 中 与全采样域指标并报；对 4 倍加速结果解释留有余地
性别/体型覆盖 160 女 / 140 男，比例尚均衡；体型分布未公布 低 分层评测时自行抽样校验

§7.2 标注质量

标注由超过 5 年心脏影像经验的放射科医生在 ITK-SNAP 3.8.0 中手动完成，覆盖全部 300 名受试者的心肌与心腔；入库图像全部通过技师 5 分制质控（仅 5 分），验证集实测 SNR：Cine SAX 27.344 ± 9.709、Cine LAX 28.979 ± 8.919、T1 mapping 27.686 ± 8.564、T2 mapping 26.212 ± 9.031。局限：单一标注者，官方未公布标注者间一致性系数；复用标注做下游分割模型时应意识到单标注者方差不可估计。实操建议：以官方标注为起点训练分割网络时，抽样 20~30 例做独立复标估计边界模糊区（右心室、心尖层面）的稳定性，并把复标协议写进实验文档。

§7.3 泛化性评估

场景 失效风险 证据/依据
病理心脏（心衰、心梗、心肌病） 高：训练分布外，心脏形态/功能异常 队列为健康志愿者（§2.4）；官方 limitations 未含病理样本
心律不齐/屏气失败 高：回顾性 ECG 门控与屏气假设被破坏 兄弟挑战赛 CMRxMotion 专门研究呼吸运动，说明该问题独立存在
跨厂商/跨场强 中高：k 空间统计与敏感度分布漂移 单中心单机型（§3.9）；CMRxRecon2024 引入 5T 等新场强
更高加速倍数（> 10×） 中：训练分布外（R ≤ 10） 2024 版将加速范围扩至 4~24× 并引入径向/Gaussian 采样
真实 prospective 加速 中：仿真 mask 与实际采集的噪声/运动耦合不同 官方欠采样为回顾性仿真（§3.1 注）

§7.4 伦理合规

研究获复旦大学伦理审查委员会批准（批准号 FE20017）；全部受试者签署书面知情同意，且明确同意数据以匿名形式公开；原始 .dat 数据在导出环节即完成受试者与中心信息匿名化。使用数据时须遵守 Synapse 数据协议与官方许可条款（CC BY-NC-ND 4.0 适用于 2024 扩展版），并按要求引用官方论文。需注意：知情同意的公开范围以受试者签署版本为准，衍生数据再分发前应重读官方许可条款，勿默认"CC 类许可可自由转售或再授权"。

§7.5 公平性

性别构成（160 女 / 140 男）大体均衡；年龄集中在青年段（26 ± 5 岁），对老年人群的代表性不足；官方未公布体重/体型、种族等分层信息，涉及公平性的子群分析需使用者自行设计并在报告中标明证据边界。若应用面向老年或高危筛查人群，应在引入临床数据时补足年龄分层对照，避免"青年健康基线"被静默外推。

§7.6 数据漂移

CMRxRecon 家族本身处于持续扩展中：2024 版新增 tagging、主动脉 2D flow、黑血等模态并引入多采样模式（Gaussian/Uniform/Radial、AF 4~24×），2025 版引入 5T 场强。在 2023 版上训练的模型直接迁移到新版本时，应预期分布漂移（新序列、新采样轨迹、新场强），并以小样本微调 + 逐模态评测过渡。漂移监控建议：① 新版本数据接入时先跑固定探针帧集，对比 SSIM/PSNR 分布是否整体移位；② 按序列、场强、加速倍数分层监控指标；③ 维护"模型版本 × 数据版本"配对矩阵，杜绝隐式升级数据。

§7.7 DAIMS 24 项数据质量审计

# 检查项 状态 说明
1 宽格式 ✅ 影像数据按受试者/序列组织，结构统一；无表格宽格式的行列爆炸问题
2 唯一标识 ✅ 受试者编号 + 序列 + 切片/帧层级唯一可寻址
3 特殊字符 ✅ 文件命名 ASCII 规范（cine_sax_ks.mat 等），无特殊字符
4 重复行 ✅ 无重复受试者/序列条目
5 缺失编码 ⚠️ 影像字段本身无缺失；但官方未发布统一"缺失编码规范"
6 标签标识 ✅ 分割标签 1~4 编码语义在论文与文档中明确定义
7 罕见类分组 ⚠️ 健康队列无疾病类别可分组；视角/序列/加速倍数分布均匀
8 偏倚评估 ⚠️ 健康年轻、单中心、单厂商偏倚明确存在（§7.1），官方未附正式偏倚评估章节
9 数据字典 ✅ info.csv 字段与 .mat 维度在论文 Table 1/2 与仓库文档中完整说明
10 信息性缺失解释 ⚠️ 验证/测试真值 withheld 属基准设计且有说明，但非正式缺失编码体系
11 设备记录 ✅ 扫描仪型号、线圈、序列参数（TR/TE/翻转角/FOV）逐序列记录
12 共线性 ⚠️ 不适用（影像数据无表格共线性问题），按半分计入
13 编码映射 ✅ LAX 4 类 / SAX 3 类标签映射表清晰（§4.2）
14 时间戳处理 ⚠️ 无逐帧时间戳文件；时间信息由 TR、时相数与 ECG 门控参数隐含
15 划分建议 ✅ 官方 120/60/120 受试者级划分，跨任务一致
16 泄漏讨论 ✅ 挑战赛协议按受试者划分并隐藏测试；本 Wiki §5.3 补充操作细则
17 标签分布 ✅ 分割标注覆盖全部 300 名受试者；加速倍数 4/8/10 均匀
18 测量偏倚 ⚠️ 回顾性欠采样仿真与真实加速存在差距；GRAPPA 参考图像自身含残差
19 外部验证建议 ✅ 提供 CMRxMotion、CMRxRecon2024/2025 等官方迁移路径
20 版本记录 ✅ 2023 挑战版 → 2024 SciData 版 → 2024/2025 扩展版时间轴清晰
21 预处理脚本 ✅ 官方提供 ReconCode（GRAPPA/ESPIRiT/MoDL）、Evaluation、DemoData
22 合规要求 ✅ IRB FE20017 + 知情同意公开 + Synapse 数据协议 + CC BY-NC-ND（扩展版）
23 多模态对齐 ✅ 同日同受试者多序列；分割 NIfTI 保留原始坐标，跨序列可对齐
24 去标识化 ✅ .dat 导出即匿名化（受试者与中心信息移除），公开前质控复核

DAIMS 评分：20.5 / 24（18 项 ✅ + 5 项 ⚠️，无 ❌）

评分解读：CMRxRecon 在"结构规范性"维度近乎满分——受试者级唯一标识、完整采集元数据、官方划分与预处理/评估脚本一应俱全，扣分集中在"元规范"层面：健康志愿者队列带来的下游适用性边界、回顾性仿真与真实加速的差距、缺失/时间戳等元规范未成文，以及单一标注者方差不可估计。这些 ⚠️ 项都不影响"重建基准"这一核心用途，但在向临床场景迁移时必须显式处理。

对你意味着什么：① 直接拿来训练重建模型是安全的——官方划分 + 脚本齐全，按 §5/§6 的受试者级协议走即可；② 若目标是临床落地或病理泛化，把它当作"方法学预训练底座"而非最终训练集，需追加临床队列做外部验证；③ 任何对外报告请附归一化口径与 SSIM 实现参数（坑点 5/6），避免卷入社区数字不可比的泥潭。

§7.8 外部验证矩阵

外部数据集/场景 来源机构 评估任务 性能指标 相对内部变化 关键发现
CMRxRecon 验证集（官方基准，60 名受试者） CMRxRecon Consortium 4/8/10 倍 cine/mapping 重建 Cine SAX 4×：GRAPPA PSNR 37.416 ± 3.102，零填充 24.426 ± 2.582 — （内部基准线） GRAPPA 在 8×/10× 明显退化，为深度学习留出大空间
MICCAI 2023 挑战赛隐藏测试集（22 队 Docker） 全球 22 支队伍 cine 与 mapping 加速重建 官方榜单（NMSE/PSNR/SSIM） 训练分布 → 隐藏测试，全部队伍采用深度学习 E2E-VarNet 骨干夺得双任务第一；U-Net 最流行
CMRxRecon2024（6 模态、330 受试者、多采样） CMRxRecon Consortium 模态普适 + 采样普适重建 调整 SSIM/PSNR/NMSE + 放射科医生评分 同一模型跨模态/跨采样，部分模态退化 通用模型在部分模态（如主动脉）超越 GRAPPA 参考
CMRxRecon2025 公开排行榜（截至 2025-12） 全球参赛队伍 5T 等新设置重建 SDUM SSIM 90.1 / PSNR 34.225；PromptMR+ SSIM 89.5 / PSNR 32.919 3T → 5T 场强迁移 提示学习与展开式架构持续领先（§8.1）

§8 基准性能与生态

§8.1 排行榜与代表方法

排名/角色 模型/方法 性能 年份 关键技术 完整引用 代码
官方基线（下界） 零填充（ZF） Cine SAX 4× PSNR 24.426 ± 2.582 2024 无重建 Wang C, et al., 2024, Scientific Data. DOI 10.1038/s41597-024-03525-4 官方 Evaluation
官方基线（传统并行） GRAPPA Cine SAX 4× PSNR 37.416 ± 3.102（8× 降至 27.874） 2024 并行成像插值 Wang C, et al., 2024, Scientific Data. DOI 10.1038/s41597-024-03525-4 官方 ReconCode
CMRxRecon2023 双任务冠军 PromptMR（E2E-VarNet 式骨干 + prompt 学习） 挑战赛测试集第一（两任务） 2023/2025 U 形端到端多线圈 + 可学习提示 Lyu J, et al., 2025, Medical Image Analysis 101:103485. DOI 10.1016/j.media.2025.103485 论文/官方总结
CMRxRecon2023 最流行 backbone U-Net 及其变体 多队采用（22 队测试阶段） 2023 图像域/ k 空间域 U 形网络 Lyu J, et al., 2025, Medical Image Analysis 101:103485. DOI 10.1016/j.media.2025.103485 —
CMRxRecon2024 高分架构 Prompt-UNet / vSHARP / E2E-VarNet 2024 挑战赛任务 1/2 榜单前列 2024/2025 提示学习、展开式优化、物理一致层 Wang Z, et al., 2025, Radiology: Artificial Intelligence 7(2):e240443. DOI 10.1148/ryai.240443；总结 arXiv:2503.03971 https://github.com/CmrxRecon/CMRxRecon2024
2025 排行榜（5T Special Task 1，截至 2025-12） SDUM（unrolled depth T=18） SSIM 90.1 / PSNR 34.225 / NMSE 1.5 2025 展开式重建 公开排行榜快照（sota2.com，截至 2025-12） 论文页
2025 排行榜（Regular Task 1 多中心，截至 2025-12） PromptMR+ SSIM 89.5 / PSNR 32.919 / NMSE 1.4 2025 提示学习多任务 公开排行榜快照（sota2.com，截至 2025-12） 论文页

数值不可直接比较：上各行分别来自官方基准脚本（验证集）、挑战赛隐藏测试集、2024 版多模态测试与 2025 版新场强排行榜——训练数据口径、评测集、加速倍数与 SSIM 实现均不同。引用任何一行时必须连同其评测设置与查询日期一起报告。

§8.2 SOTA 总结与选型建议

  • 入门/复现：先跑官方 GRAPPA/ESPIRiT/MoDL 基准建立下界，再接 U-Net 或 E2E-VarNet；两者在官方仓库/社区实现中均有成熟参考。
  • 冲榜/研究前沿：E2E-VarNet 式端到端多线圈骨干 + 数据一致性模块是挑战赛验证过的主力形态；prompt 类方法（PromptMR/PromptMR+）在多任务、多模态场景下优势明显。
  • 跨模态/跨采样通用性：参考 CMRxRecon2024 获胜策略——强度标准化、采样模式均衡训练、加速感知增强、SSIM 损失（2024 版除一队外全员使用）。
  • 评估：一切数字以官方 Evaluation 脚本为单一事实源；跨论文比较前先核对 §8.1 的口径差异。

CMRxRecon2024 挑战赛总结提炼出的有效策略清单：

策略 做法 采用者（示例）
数据均衡 随机混合加速倍数与采样模式，保持模态间样本平衡 2024 多支高分队伍
课程学习 由易到难（低加速 → 高加速）渐进训练 2024 榜单队伍
提示学习 注入可学习 prompt，使单一模型适配多任务 PromptMR / PromptMR+
频域优化 高通滤波强化高频细节、低频保对比 2024 榜单队伍
SSIM 损失 与排名指标一致的损失函数 2024 版几乎全员（除一队）
物理一致性 梯度下降/ADMM 型数据一致性模块 绝大多数队伍

§8.3 评测协议

官方指标为 NMSE / PSNR / SSIM（mapping 另有 T1/T2 定量 RMSE）；验证集（60 名受试者）经 Synapse 平台在线评测并维护公开排行榜，测试集（120 名受试者）真值不公开、以 Docker 容器提交在统一硬件上评测（见 §6.10）；挑战赛排名还参考计算效率（运行时间、显存）。复现比较时必须固定：受试者划分、欠采样模式、归一化口径与指标实现。

效率维度的记录项（2024 版协议）：运行时间、最大 GPU 显存、内存占用、单位时间吞吐（slices/s）与能耗估计——这些数字参与最终排名计算，工程实现质量与方法质量同等重要。

数据集 关系 说明
CMRxRecon2024 官方扩展版 6 模态（cine/tagging/T1/T2 mapping/主动脉 2D flow/黑血）、330 受试者、> 2 TB、多采样模式
CMRxRecon2025 官方续作 引入 5T 等新采集设置；数据 embargo 至 2025-12
CMRxMotion 兄弟挑战赛 呼吸运动极端场景的心脏 cine k 空间，运动鲁棒重建基准
fastMRI 跨领域对照 膝/脑多线圈 k 空间基准；E2E-VarNet 等架构的策源地，但不覆盖心脏时间维度
UK Biobank 队列对照 数万人级心脏 cine 图像队列（不公开原始 k 空间），用于表型-结局研究

§8.5 关键论文 Top 7

  1. Wang C, Lyu J, Wang S, Qin C, et al. CMRxRecon: A publicly available k-space dataset and benchmark to advance deep learning for cardiac MRI. Scientific Data, 11:687, 2024. DOI 10.1038/s41597-024-03525-4 —— 数据集正式版论文：采集协议、处理管线、质控与基准。
  2. Wang C, Lyu J, et al. CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction. arXiv:2309.10836, 2023 —— 预印本：随挑战赛发布的数据说明与基准。
  3. Lyu J, Qin C, Wang S, et al. The state-of-the-art in cardiac MRI reconstruction: Results of the CMRxRecon challenge in MICCAI 2023. Medical Image Analysis, 101:103485, 2025. DOI 10.1016/j.media.2025.103485 —— 挑战赛官方总结：285+ 队参赛、获胜方法复盘与协议定义。
  4. Wang Z, Wang F, Qin C, et al. CMRxRecon2024: A Multimodality, Multiview k-Space Dataset Boosting Universal Machine Learning for Accelerated Cardiac MRI. Radiology: Artificial Intelligence, 7(2):e240443, 2025. DOI 10.1148/ryai.240443 —— 多模态扩展版与通用重建。
  5. Towards Universal Learning-based Model for Cardiac Image Reconstruction: Summary of the CMRxRecon2024 Challenge. arXiv:2503.03971, 2025 —— 2024 挑战赛总结：模态/采样普适的有效策略。
  6. Wang S, Qin C, Wang C, et al. The Extreme Cardiac MRI Analysis Challenge under Respiratory Motion (CMRxMotion). arXiv:2210.06385, 2022 —— 兄弟挑战赛：运动鲁棒重建。
  7. Wang C, Li Y, Lv J, et al. Recommendation for Cardiac Magnetic Resonance Imaging-Based Phenotypic Study: Imaging Part. Phenomics, 1(4):151-170, 2021 —— CMRxRecon 采集协议所遵循的成像推荐。
  8. Lyu J, Li G, Wang C, Qin C, Wang S, Qin J. Region-focused multi-view transformer-based generative adversarial network for cardiac cine MRI reconstruction. Medical Image Analysis, 85:102760, 2023. DOI 10.1016/j.media.2023.102760 —— 同团队前置工作：多视角 transformer 生成式 cine 重建（官方引用的重建算法参考）。

§8.6 社区活跃度

MICCAI 2023 挑战赛吸引 285+ 支队伍、600+ 参与者，测试阶段 22 支队伍提交 Docker（7 支双任务兼报）；CMRxRecon2024 吸引 200 支队伍/18 国注册、46 队进入测试；2025 版挑战赛持续运营并维护公开排行榜。官方维护两个活跃 GitHub 组织仓库（CMRxRecon-SciData、CMRxRecon/CMRxRecon2024）与 Synapse 论坛，问题响应以官方 issue 与挑战赛邮件渠道为主。使用者社区集中在 MICCAI STACOM workshop、ISMRM 相关分会与 Synapse 论坛；每年挑战赛周期（约 4~10 月）issue 与讨论最活跃，跨年会转入下一届版本的筹备节奏。

§8.7 生态快照

资源 类型 链接 推荐理由
挑战赛官网 官方主页 https://cmrxrecon.github.io/ 任务设置、时间线、奖项与新闻总入口
Synapse 数据页 数据托管 https://doi.org/10.7303/syn52965326.1 注册后免审批下载；排行榜入口
CMRxRecon-SciData GitHub 仓库 https://github.com/CmrxRecon/CMRxRecon-SciData 重建基准（GRAPPA/ESPIRiT）、DemoData、评估脚本
CMRxRecon / CMRxRecon2024 GitHub 仓库 https://github.com/CmrxRecon/CMRxRecon 挑战赛数据格式说明、掩模生成、提交模板（2024 版 MIT 协议）
Scientific Data 论文 论文 https://doi.org/10.1038/s41597-024-03525-4 采集参数、SNR、基准指标的权威出处
MedIA 挑战赛总结 论文 https://doi.org/10.1016/j.media.2025.103485 评测协议与获胜方法系统复盘

§9 相关资源与引用

§9.1 官方资源

§9.2 BibTeX 引用

@article{wang_cmrxrecon_2024,
  title   = {CMRxRecon: A publicly available k-space dataset and benchmark to advance deep learning for cardiac MRI},
  author  = {Wang, Chengyan and Lyu, Jun and Wang, Shuo and Qin, Chen and Guo, Kunyuan and Zhang, Xinyu and Yu, Xiaotong and Li, Yan and Wang, Fanwen and Jin, Jianhua and others},
  journal = {Scientific Data},
  volume  = {11},
  pages   = {687},
  year    = {2024},
  doi     = {10.1038/s41597-024-03525-4}
}

@article{wang_cmrxrecon_preprint_2023,
  title   = {CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction},
  author  = {Wang, Chengyan and Lyu, Jun and Wang, Shuo and Qin, Chen and others},
  journal = {arXiv preprint arXiv:2309.10836},
  year    = {2023}
}

@article{lyu_cmrxrecon_challenge_2025,
  title   = {The state-of-the-art in Cardiac MRI Reconstruction: Results of the CMRxRecon Challenge in MICCAI 2023},
  author  = {Lyu, Jun and Qin, Chen and Wang, Shuo and others},
  journal = {Medical Image Analysis},
  volume  = {101},
  pages   = {103485},
  year    = {2025},
  doi     = {10.1016/j.media.2025.103485}
}

@article{wang_cmrxrecon2024_2025,
  title   = {CMRxRecon2024: A Multimodality, Multiview k-Space Dataset Boosting Universal Machine Learning for Accelerated Cardiac MRI},
  author  = {Wang, Zi and Wang, Fanwen and Qin, Chen and others},
  journal = {Radiology: Artificial Intelligence},
  volume  = {7},
  number  = {2},
  pages   = {e240443},
  year    = {2025},
  doi     = {10.1148/ryai.240443}
}

@article{cmrxrecon2024_summary_2025,
  title   = {Towards Universal Learning-based Model for Cardiac Image Reconstruction: Summary of the CMRxRecon2024 Challenge},
  author  = {{CMRxRecon2024 Organizers}},
  journal = {arXiv preprint arXiv:2503.03971},
  year    = {2025}
}

§9.3 引用指南

使用 CMRxRecon 数据请在论文中至少引用 Scientific Data 2024 论文（数据集）与 Medical Image Analysis 2025 总结论文（基准协议）；使用 2024 扩展版数据请加引 Radiology: Artificial Intelligence 2025 论文；涉及挑战赛数字请注明评测设置与查询日期。官方在数据页对引用义务有逐条说明（embargo 期内注意遵守）。

§10 AI 使用声明卡

§10.1 AI 模型列表

模型 用途 版本/提供商
大语言模型（CodeBuddy Code 内置） 条目初稿撰写、结构组织、代码示例生成 fast-model

§10.2 AI 参与范围

AI 参与了本条目的资料汇总、初稿撰写与代码示例整理；所有硬事实（规模数字、采集参数、基准结果、许可条款）均取自 §10.3 所列公开来源并经交叉核对；行文与结论由人工审核把关。检索执行日期：2026-09-17。

§10.3 输入来源列表

  1. Wang C, Lyu J, Wang S, Qin C, et al. CMRxRecon: A publicly available k-space dataset and benchmark to advance deep learning for cardiac MRI. Scientific Data, 11:687, 2024. DOI 10.1038/s41597-024-03525-4
  2. Wang C, Lyu J, et al. CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction. arXiv:2309.10836, 2023
  3. Lyu J, Qin C, Wang S, et al. The state-of-the-art in Cardiac MRI Reconstruction: Results of the CMRxRecon Challenge in MICCAI 2023. Medical Image Analysis, 101:103485, 2025. DOI 10.1016/j.media.2025.103485（arXiv:2404.01082）
  4. Wang Z, Wang F, Qin C, et al. CMRxRecon2024: A Multimodality, Multiview k-Space Dataset Boosting Universal Machine Learning for Accelerated Cardiac MRI. Radiology: Artificial Intelligence, 7(2):e240443, 2025. DOI 10.1148/ryai.240443
  5. CMRxRecon2024 Organizers. Towards Universal Learning-based Model for Cardiac Image Reconstruction: Summary of the CMRxRecon2024 Challenge. arXiv:2503.03971, 2025
  6. Wang S, Qin C, Wang C, et al. The Extreme Cardiac MRI Analysis Challenge under Respiratory Motion (CMRxMotion). arXiv:2210.06385, 2022
  7. Wang C, Li Y, Lv J, et al. Recommendation for Cardiac Magnetic Resonance Imaging-Based Phenotypic Study: Imaging Part. Phenomics, 1(4):151-170, 2021
  8. CMRxRecon 挑战赛官网首页（任务设置、奖金、队列说明），https://cmrxrecon.github.io/ ，检索于 2026-09-17
  9. CMRxRecon 官网数据页（发布时间线、数据协议、引用要求），https://cmrxrecon.github.io/Data.html ，检索于 2026-09-17
  10. CMRxRecon2025 Join the Challenge 页（2025 版设置、评估硬件、embargo 说明），https://cmrxrecon.github.io/2025/Join-the-Challenge.html ，检索于 2026-09-17
  11. CmrxRecon/CMRxRecon-SciData 官方 GitHub 仓库（ReconCode/DemoData/Evaluation），https://github.com/CmrxRecon/CMRxRecon-SciData ，检索于 2026-09-17
  12. Synapse 数据仓库（DOI 10.7303/syn52965326.1；评估平台），检索于 2026-09-17
  13. Springer Nature Research Communities 博文：Release of k-space MRI dataset… CMRxRecon（挑战赛参与规模），2024，检索于 2026-09-17
  14. sota2.com CMRxRecon 2025 官方排行榜快照（Regular/Special Task 1，截至 2025-12），检索于 2026-09-17

§10.4 人工校验记录

内容模块 审核者 审核方式 审核状态
frontmatter 与 INFOBOX 字段 千方病案医学编辑部 与官方论文/官网逐字段比对 ✅ 已通过
§1-§3 规模、参数与版本表述 千方病案医学编辑部 SciData 论文 + 挑战赛总结论文交叉核对 ✅ 已验证
§4 数据结构与 DAIMS 字段字典 千方病案医学编辑部交叉审核（数据工程） 论文 Table 2 与官方仓库文档比对 ✅ 已通过
§5 划分与泄漏分析 千方病案医学编辑部交叉审核（数据工程） 挑战赛评测协议复核 ✅ 已通过
§6 代码示例与 8 个坑点 千方病案医学编辑部交叉审核（数据工程） 逻辑审查 + 与官方 ReconCode/Evaluation 比对 ✅ 已通过
§7 DAIMS 24 项评分 千方病案医学编辑部 逐项审计复核 ✅ 已通过
§8 排行榜与引用表述 千方病案医学编辑部 与原论文及排行榜快照交叉比对 ✅ 已验证
§C JSON-LD @graph 千方病案医学编辑部 Schema 字段逐项校验 ✅ 已通过

§10.5 AI 生成章节标注

以下章节由 AI 生成初稿并经人工审核：§1.0 30 秒速览、§3.0 版本抉择矩阵、§6.0-§6.4 代码示例、§6.5 八个坑点、§6.9 评估指标代码、§7.7 DAIMS 审计表与评分、§8.7 生态快照、§C JSON-LD。

§10.6 最后审核

最后一次人工审核日期：2026-09-05

页面状态：published（全部内容已完成审核并发布）

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

  • mms-2 — 共享标签：医学影像 / MRI / 心血管疾病 / 挑战赛数据集
  • cmrxmotion — 共享标签：医学影像 / MRI / 心血管疾病 / 挑战赛数据集
  • lvquant — 共享标签：医学影像 / MRI / 心血管疾病 / 挑战赛数据集
  • emidec — 共享标签：医学影像 / MRI / 心血管疾病 / 挑战赛数据集
  • myops — 共享标签：医学影像 / MRI / 心血管疾病 / 挑战赛数据集
  • pi-cai — 共享标签：医学影像 / MRI / 挑战赛数据集
  • mm-whs — 共享标签：医学影像 / MRI / 心血管疾病 / 挑战赛数据集
  • lascarqs — 共享标签：医学影像 / MRI / 心血管疾病 / 挑战赛数据集
  • mms — 共享标签：医学影像 / MRI / 心血管疾病
  • camus — 共享标签：医学影像 / 心血管疾病 / 挑战赛数据集

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。

返回 AI-Ready 数据集

数据定制

标注服务

欢迎联系咨询

客服二维码

客服二维码

客服二维码
电话咨询

直接咨询

18892062214

微信同号

微信咨询

微信咨询

18892062214

微信同号

邮箱咨询

邮箱咨询

collab@qianfanghub.cn