MR-ART (mr-art) — 同一批 148 人配对静止与运动伪影 T1 脑 MRI 数据集 — AI-Ready Wikipedia

INFOBOX — MR-ART 一屏速览

维度	内容
本质	同一批 148 人的配对结构脑 MRI 运动伪影数据集（非挑战赛、非模拟合成）
团队	Research Centre for Natural Sciences 脑成像中心（匈牙利布达佩斯）+ University of Surrey，通讯 Ádám Nárai / Zoltán Vidnyánszky
论文	Sci Data 9, 630 (2022)，doi:10.1038/s41597-022-01694-8，CC BY 4.0
数据	148 人 × 3 套 T1w MPRAGE（STAND / HM1 / HM2）；1 mm³；1173 文件；约 4.22 GiB
采集	2019-2021；Siemens Prismas 3T；TR 2300/TE 3/TI 900/FA 9°；FOV 256×256
运动范式	注视定点；HM1 提示 5 次点头、HM2 提示 10 次点头（每次 5 秒）
标注	两位 >10 年经验神经放射科医师盲评，3 分制临床可用性评分（1 良好 / 2 中等 / 3 差）
质量指标	MRIQC v0.16.1 全量报告；重点 total SNR / EFC / CJV
去脸	PyDeface v2.0.0；BIDS 组织 dcm2bids v2.1.6
获取	CC0 公开直链（OpenNeuro ds004173 v1.0.2，DataLad/Git，无门槛）
许可	数据集 CC0｜论文 CC BY 4.0（两份资产两套许可）
生态定位	运动校正算法的真实世界验证集（多篇论文用 IXI/HCP 训练 + MR-ART 验证）
库内互链	OpenNeuro(100)、IXI(482)、ADNI(101)、OASIS(21)、HBN(245)、CMRxMotion(687)

MR-ART 解决的问题一句话说不清：MRI 对头部运动极其敏感，一次微小点头就能在图像上留下重影与模糊，进而污染脑体积与皮层厚度的自动测量，甚至被误读为"脑萎缩"。但真正棘手的是——真实运动伪影的配对数据极其稀缺。深度学习运动校正方法需要"同一颗头、同一把扫描仪、同一套参数下，一张干净图配一张运动图"这种成对数据，而现实里几乎不存在：你能拿到干净扫描时，病人没有动；病人动了，你就没有干净的参照。于是绝大多数方法只能在模拟合成的运动伪影上训练和验证——而模拟有多真实，一直是个开放问题。

MR-ART 的贡献正是填这个洞：它把 148 名健康成人请进扫描仪，让每个人按指令分别做"完全静止"“轻度点头（5 次）”"重度点头（10 次）"三次采集，用同一套 MPRAGE 参数、同一台 Siemens Prismas 3T 扫描仪拍下三套 T1 图像。于是每一颗头都有了天然的运动-干净配对，且运动强度分了两档。更进一步，它给每一张图配了两位资深神经放射科医师的临床可用性评分（这张图临床能不能用）和 MRIQC 的通用图像质量指标（SNR/EFC/CJV）——两套互补的质量标签，一套从临床视角、一套从工程视角。

导语读法三则：

1. 只想下数据：直奔 §6——数据集 CC0、OpenNeuro 公开直链、DataLad 一行拉取，没有申请墙，这是它与库内多数请求制数据集的最大区别。
2. 要做运动校正/质控算法：直奔 §4 的数据规格与 §7 的评估协议——注意"配对"和"两档运动强度"是这个数据集的核心资产。
3. 关心它能撑起什么研究：直奔 §7 与 §9——它是运动模拟真实性验证、分割鲁棒性评测、自动质控算法开发三条线的共同试验场。

§0 导读：这个数据集解决什么问题

医学影像领域有一个耐人寻味的悖论：运动伪影是 MRI 最常见的质量问题，但"带运动的真值配对数据"是最稀缺的资源。原因很简单——你可能拍到一张病人完全没动的图（干净），也可能拍到一张病人动得很厉害的图（运动），但你几乎不可能同时拥有"同一时刻、同一姿势、同一序列"的干净版和运动版。深度学习运动校正（motion correction）方法本质上是一个"运动图 → 干净图"的翻译任务，翻译模型的训练与评测都要求配对样本。缺了配对数据，社区只能退而求其次：用模拟合成的运动伪影（在 k-space 或 magnitude 图上人为加运动）来制造配对。

模拟方法的软肋在于真实性无法自证。你在算法里加上 5 度旋转、3 mm 平移，产出的重影模式是否真的像真人点头？这个"像不像"的问题，恰恰需要一套真实的、带标注的运动伪影数据来回答——用真实数据当裁判，去检验模拟数据够不够真。这就是 MR-ART 的核心定位。

MR-ART 的设计可拆成三层：

1. 配对层：同一名被试，静止（STAND）、轻度点头（HM1）、重度点头（HM2）三次采集，参数完全一致。这提供了"同源配对"——排除了个体解剖差异这个最大的混杂因素。做任何"运动导致什么变化"的分析时，被试内配对是统计效力最高、结论最干净的设计。
2. 标注层：两位 >10 年经验的神经放射科医师对每张图给出 3 分制临床可用性评分（1 良好 / 2 中等 / 3 差），且对采集条件盲（不知道这张图是 STAND 还是 HM2）。这层标注回答的是"这个伪影在临床上到底有多严重"——不是算法指标，而是放射科医生会不会退回重扫的判断。
3. 指标层：MRIQC v0.16.1 对每次扫描输出全套图像质量指标（IQM），其中论文重点分析 total SNR、EFC（熵聚焦准则）、CJV（联合变异系数）三个。这层回答的是"通用的工程质控指标能不能反映运动损伤"。

三层合起来，MR-ART 的价值可以写给三类人：做运动校正的（拿真实配对做验证，检验你的模型在真运动上是否有效）、做分割/形态测量的（研究运动伪影如何偏移脑体积估计与分割结果）、做自动质控的（用临床评分当标签，训练一个"这张图该不该重扫"的分类器）。

§0 读法三则：

1. 本条目是"采集协议 + 临床标注 + 工程指标"三合一的真实数据资产：本体是 436 卷左右的 T1 图像（8 人缺一采），增量资产是评分与 IQM——三者的许可其实有细微差别（数据集 CC0，论文 CC BY 4.0），见 §6。
2. 全文硬数字（148 人、95 女、1173 文件、4.22 GiB、1 mm³、TR 2300 等）均经论文 + OpenNeuro API + 第三方研究三源互证；唯一需要当心的口径差异（4.22 GiB vs 4.53 GB、CC0 vs CC BY 4.0）已在 §10 与附录 S 存照。
3. 检索时务必区分**官方本体（OpenNeuro ds004173，CC0）**与 Kaggle 上的第三方 2D 派生集（mdfaisalkarim/mr-art-dataset，CC BY-NC 4.0，非官方）——两者许可与粒度都不同，见坑 4。

§1 数据集速览：十五问十五答

Q1：MR-ART 的"配对"到底配的是什么？
配的是同一个人。每名被试都拍了三套 T1 结构像：完全静止（STAND）、轻度点头（HM1）、重度点头（HM2）。三套之间只有"有没有动、动多少"这一个变量不同——扫描仪、线圈、序列参数、被试的头型与脑解剖全部相同。这种被试内配对设计排除了解剖差异，是研究运动效应最干净的设计。

Q2：148 人是怎么采样、怎么运动的？
2019-2021 年招募的 148 名健康成人（95 女、53 男，18-75 岁，中位 25.16 岁），无神经或精神疾病史，均签署书面知情同意。采集时屏幕中央有注视点；STAND 时要求完全不动；HM1/HM2 时每次屏幕出现匈牙利语"MOVE"提示就点一次头（矢状面方向：低头再抬头），每次提示持续 5 秒。HM1 提示 5 次、HM2 提示 10 次，均匀分布在整个采集过程中。选点头作为运动范式，是因为点头被报道为最主要、贡献最多伪影的头部运动形式。

Q3：图像是什么规格？
T1 加权 3D MPRAGE，2 倍平面内 GRAPPA 加速，各向同性 1 mm³ 分辨率。参数：TR 2300 ms、TE 3 ms、TI 900 ms、翻转角 9°、FOV 256×256 mm。扫描仪是 Siemens Magnetom Prismas 3T，配标准 20 通道头颈接收线圈，在匈牙利布达佩斯 Research Centre for Natural Sciences 脑成像中心完成。

Q4：谁是"真值"，谁说了算？
没有单一的"真值"标签，而是两套互补的质量标注：（a）临床伪影评分——两位 >10 年经验的神经放射科医师视觉检查每张图，对采集条件盲，给 1（临床良好）/2（中等）/3（差，临床不可用）三档；（b）MRIQC 的通用 IQM。前者是"临床能不能用"，后者是"工程上质量如何"。

Q5：临床评分怎么保证一致性？
两位医师先在 100 张独立结构扫描上协调了评分标准，然后在整个标注过程中被鼓励讨论不确定的病例，以尽量提高评分的稳健性。每张扫描由其中一位医师评定。

Q6：图像里能不能认出人脸？隐私怎么处理？
面部信息已用 PyDeface v2.0.0 去除；图像按 BIDS（Brain Imaging Data Structure）组织并去标识；被试在 OpenNeuro 上传时确认了结构扫描已去脸。数据集采用 CC0 公共领域奉献，这也是隐私伦理与开放共享的平衡结果。

Q7：有多少数据、多大？
1173 个文件，约 4.22 GiB（4,526,466,554 字节）。148 人 × 3 条件理论上 444 卷，但有 8 名被试的 HM1 或 HM2 之一因采集问题缺失，实际扫描卷数略低于 444（OpenNeuro 未单列扫描卷数，论文只说明缺失事实）。

Q8：数据在哪、怎么拿？
OpenNeuro，登录号 ds004173，最新版本 v1.0.2（2022-10-18）。直接网页下载、或用 DataLad/Git 从 https://github.com/OpenNeuroDatasets/ds004173.git 拉取。无需注册、无需申请、无 DUA——许可 CC0。

Q9：为什么这个数据集被反复引用？
因为它是真实运动配对数据的稀有样本。多篇运动校正论文（PLOS ONE 2024 的运动模拟真实性评估、arXiv 2608.10170 的 SSRL-MAR、Phys Med Biol 的 Res-MoCoDiff、Int J Biomed Imaging 2024 的 MACS-Net）都用它做 in-vivo 验证或运动模拟校准——这些研究大多用 IXI/HCP 合成运动来训练，再用 MR-ART 的真实运动来检验。

Q10：它对 AI-Ready 的意义是什么？
它是库内少见的"全开放 + 高标注密度"样本：CC0 无门槛、BIDS 标准格式、配对设计自带对照、两套质量标注互补。AI-Ready 检查单上几乎全绿——唯一的小扣分是单中心单扫描仪带来的泛化性边界。

Q11：数据里有没有不止这三套扫描？
本体是每人的三套 T1w 采集；此外每卷都配了 MRIQC 的派生指标（JSON+HTML）与临床评分（TSV）。这些派生品不改变"三条件 × 148 人"的主结构，但显著提升了每卷的信息密度——这是 MR-ART 相对普通脑影像集的标注优势。

Q12：它用的是哪台扫描仪，这会成为问题吗？
Siemens Magnetom Prismas 3T、20 通道头颈线圈，全部数据来自这一台机器、一个中心。好处是参数一致性极高；坏处是跨厂商/跨场强的泛化性从未被验证——你在 Prismas 上导出的运动伪影模式，未必在 GE/Philips 或 1.5T 上一样。做跨中心部署研究时要显式声明这一约束。

Q13：能不能只研究"两档运动强度"的效应？
可以，这是它的设计初衷之一。HM1（5 次点头）与 HM2（10 次点头）构成一个天然的两水平运动强度自变量，你可以直接比较两档下的 IQM 与临床评分差异，把 STAND 当作零运动基线。

Q14：数据集发布后有过更新吗？
有。OpenNeuro 上经历了 Draft（2022-06-22）→ v1.0.0 → v1.0.1 → v1.0.2（2022-10-18）四个快照，此后未再更新。当前标准引用版本是 v1.0.2。

Q15：如果我只想要"干净"的脑图，MR-ART 合适吗？
未必最优。它的 STAND 图确实是配对里的"干净"参照，但因含自发微动，未必都达到临床高分（score 1）。若你的目标是纯干净训练集，建议用临床评分筛选 score 1 的 STAND 图，或考虑专门的健康脑 MRI 集（如库内 IXI，rid 482）。

§2 数据构成与规格

2.1 规模与被试构成

MR-ART 的基础单元是"被试 × 采集条件"。核心硬数字（三源互证）如下：

维度	数值	来源
被试数	148 名健康成人	论文 + OpenNeuro API subjects 列表（148）
性别	95 女 / 53 男	论文（“95 female”）；第三方研究转述明确 53 男
年龄	18–75 岁；中位 25.16 岁；IQR 10.50 岁	论文 Methods
采集时间窗	2019–2021	论文 Methods
每人扫描数	3 套（STAND / HM1 / HM2）	论文
缺失	8 名被试 HM1 或 HM2 之一缺失	论文 Methods
文件总数	1173	OpenNeuro API totalFiles
体积	4,526,466,554 字节 ≈ 4.22 GiB ≈ 4.53 GB	OpenNeuro API size
模态	MRI（结构 T1w）	OpenNeuro summary.modalities

三点值得注意：

1. 年龄偏年轻：中位 25.16 岁、IQR 10.50 岁，虽覆盖 18-75 岁全成人跨度，但明显偏向年轻成人。运动行为（尤其是按指令点头的依从性）在年轻人与老年人之间可能有系统差异，跨年龄结论要小心。
2. 健康样本：所有被试无神经/精神疾病史。这意味着数据里的运动是"健康人刻意做的运动"，而非病人（如帕金森、痴呆、儿童）不受控的自发运动。临床场景的运动模式可能更复杂、更不规则——这是泛化性的一条硬边界。
3. 缺失是随机的还是系统的：论文只说"因采集问题，8 名被试的 HM1 或 HM2 之一缺失"，未指明是 HM1 还是 HM2 更多、也未给被试编号。对配对分析而言，这 8 人只能做二人配对（STAND + 一个运动档），使用者需自行在数据里识别。

2.2 采集协议：三条件如何制造两档运动

三套扫描的唯一设计差异是头部运动的指令强度：

条件	BIDS acquisition 标签	运动指令	提示次数	每次时长
静止	standard	完全不动，注视屏幕中央定点	—	—
轻度运动	headmotion1（HM1）	每次提示点一次头（矢状面）	5 次	5 秒
重度运动	headmotion2（HM2）	每次提示点一次头（矢状面）	10 次	5 秒

协议细节：患者眼前屏幕中央有固定注视点，要求注视；“MOVE”（匈牙利语）字样出现即点头；受试者被要求点头时不要把头部抬离扫描床，每次点头后回到原位。选"点头"作为运动范式，是因为文献报道点头是最主要的头部运动类型，贡献了多数运动伪影。

这里有一个容易被忽略的设计分野：指令运动 ≠ 自发运动。指令运动（nod on cue）是受控的、可重复的、时间可控的，这让"两档运动强度"成为一个可解释的自变量。但真实临床里病人不会按提示点头——他们是随机、渐进、可能持续的自发运动。所以 MR-ART 测的是"受控运动下的伪影行为"，对未来做运动程度分级质控的研究尤为合适，对"完全复现临床运动"则要打折扣。

2.3 文件结构与 BIDS 组织

数据严格按 BIDS 组织，工具链为：

• dcm2bids v2.1.6：DICOM 转换 + BIDS 目录组织
• PyDeface v2.0.0：面部信息去除（保护隐私）
• MRIQC v0.16.1：图像质量指标生成

关键目录/文件：

路径	内容
sub-<ID>/	每名被试的目录，内含结构像与 scans 文件
acquisition 标签	standard / headmotion1 / headmotion2
participants.tsv	被试级信息（含年龄、性别，按 BIDS 标准）
/derivatives/mriqc-0.16.1/	MRIQC 全量报告
/derivatives/scores.tsv	逐扫描临床伪影评分汇总（1/2/3）
group_T1w.tsv / group_T1w.html	MRIQC 组级汇总表与报告
每扫描 JSON	该扫描的 IQM（BIDS 惯例）

MRIQC 报告的文件名与结构像文件名一一对应，便于程序化关联"这张图 ↔ 它的质量指标"。临床评分则同时落在被试文件夹内的 scans 文件与 /derivatives/scores.tsv 汇总，编码为 1=临床上良好、2=中等、3=差质量。

2.4 三重标注体系：把"质量"拆成三个视角

MR-ART 最耐看的部分是它的标注密度——同一批图像被三套标准同时刻画：

标注层	产出	视角	粒度
临床可用性	3 分制伪影评分（1/2/3）	神经放射科医师的诊断视角	逐扫描
工程质量	MRIQC 全套 IQM（重点 total SNR / EFC / CJV）	图像处理的量化视角	逐扫描
采集条件	standard / headmotion1 / headmotion2	实验设计的自变量视角	逐扫描

三套标签的交集才是这个数据集的真正用法：你可以问"当临床医师说这张图’差’（score 3）时，MRIQC 的 CJV 涨了多少"（Fig 3），也可以问"HM2 条件下有多少比例的图被判为 score 3"（Fig 4），还可以反过来——用临床评分训练一个自动质控模型，再看它在 MRIQC 指标上的表现。论文的 Technical Validation 节正是围绕这三层交叉展开的（详见 §7）。

2.5 与模拟运动数据集的关系边界

MR-ART 常被拿来与"模拟运动数据集"对照，两者的差异是本质性的：

维度	MR-ART（真实）	模拟运动数据集
运动来源	真实受试者按指令点头	算法在 k-space 或 magnitude 域人为添加
配对保证	同人同机构同参数的三次采集	由干净图合成，配对天然完美
真实性	天然真实（就是真运动）	依赖模拟模型的逼真度，需外部验证
可扩展性	受试者招募成本高，规模受限	可无限生成，覆盖任意运动参数
典型用法	验证/校准模拟与模型	训练数据主力

正因为两者互补，社区形成了"用模拟数据训练 + 用 MR-ART 验证"的标准套路——这也是 MR-ART 被高频引用的直接原因（§7、§9 详述）。

2.6 一份给复现者的清单：数据到手后先做什么

初次拿到 MR-ART 的人容易一头扎进建模，先把数据摸清楚会更稳。建议按以下顺序做一次"数据体检"：

步骤	动作	目的
1	读 dataset_description.json 与 README	确认版本、许可、作者
2	统计 sub-* 目录数	核对是否为 148
3	打开 participants.tsv	核对年龄/性别，验证 95 女 53 男的构成
4	遍历各 anat 目录	识别只有两套扫描的被试（8 人缺失）
5	加载 derivatives/scores.tsv	确认评分覆盖所有扫描、编码 1/2/3
6	关联 MRIQC JSON	确认每卷都有对应 IQM 文件
7	抽样目视	直观看 STAND/HM1/HM2 的伪影差异
8	画 IQM 分布	按条件与评分分组，感受趋势

完成这八步，你对数据的分布、缺失、标注边界就有了第一手认识——后续任何研究问题的建模都建立在这个基础之上。

2.7 数据集的"最小可用切片"

如果你的研究只关心一个窄问题，MR-ART 可以裁成更小的可用切片：

研究问题	最小所需数据
运动校正算法验证	全部 148 人的配对（STAND + HM1/HM2）
两档运动强度效应	140 人三人配对（剔除缺一采的 8 人）
自动质控分类	全部扫描 + scores.tsv 评分
MRIQC 指标校准	IQM JSON + 采集条件标签
分割鲁棒性	STAND/HM1/HM2 三条件 + 你的分割工具

这种"按问题切片"的用法，正是高标注密度数据集的价值所在——同一份数据能支撑多种粒度的研究，而不必为每个问题重新采集。

§3 采集协议与标注流程

3.1 采集的完整参数表

对复现者而言，MR-ART 的采集参数是它"可复现性"的物理基础——相同的参数意味着你拍的图与数据集里的图在信号层可比：

参数	值
扫描仪	Siemens Magnetom Prismas 3T（Siemens Healthcare GmbH, Erlangen, Germany）
线圈	标准 Siemens 20 通道头颈接收线圈
序列	T1 加权 3D MPRAGE（磁化准备快速梯度回波）
加速	2 倍平面内 GRAPPA
空间分辨率	各向同性 1 mm³
TR（重复时间）	2300 ms
TE（回波时间）	3 ms
TI（翻转时间）	900 ms
FA（翻转角）	9°
FOV	256 × 256 mm
采集地点	Brain Imaging Centre, Research Centre for Natural Sciences（匈牙利布达佩斯）
采集时间	2019–2021

对比常见的临床 T1 协议，这套 MPRAGE 参数是标准的"研究级高分辨结构像"配置：1 mm³ 各向同性保证可以做精细的皮层与亚皮层分割，2 倍 GRAPPA 缩短采集时间（也间接影响对运动的敏感性）。TR/TE/TI/FA 的取值属于 Prismas 上 T1 MPRAGE 的常见档位。

3.2 运动指令的实操流程

运动制造是一个"提示-响应"的闭环：

1. 注视：屏幕中央持续显示固定注视点，受试者被要求始终注视该点（这本身是减少自发运动的手段）。
2. 提示：Hungarian 语单词 “MOVE” 出现在屏幕上，每次持续 5 秒。
3. 响应：受试者看到提示即做一次点头——头部沿矢状面（低头再抬头）。
4. 归位：要求每次点头后把头恢复到原始位置，且点头过程中不将头抬离扫描床。
5. 次数：HM1 全程提示 5 次，HM2 全程提示 10 次，均匀间隔分布在整个采集时序中。

这套设计的巧妙之处在于运动的数量是唯一被操纵的变量：HM1 与 HM2 的差别只是"点几次头"，而非"怎么点"。因此两档运动的伪影差异可归因于运动次数（累积运动量），而非运动模式的改变。代价是运动幅度没有被独立控制——每个被试点头的幅度（角度）是自发的、不可控的，这让 HM1/HM2 的实际运动量在被试间有一定散布。

3.3 临床评分：盲评 + 一致性协调

临床伪影评分是 MR-ART 相对多数运动数据集的关键增量。其流程设计如下：

环节	做法
评分者	两位神经放射科医师，均 >10 年经验
盲法	对采集条件（STAND/HM1/HM2）盲——看图时不知道这是哪一档
量表	3 分制：1=临床良好；2=中等；3=差（临床诊断不可用）
评分分配	每张扫描由其中一位医师评定（非双评）
一致性协调	先在 100 张独立结构扫描上统一评分标准；全程鼓励讨论不确定病例

三个要点：

1. 盲评是关键。如果医师知道"这张图来自 HM2 条件"，评分会被条件预期锚定（倾向于给差评）。盲评让评分反映的是图像本身呈现的质量，而非采集条件的先验。
2. "差"的定义带临床分量：score 3 被明确定义为"对临床诊断不可用"——这是一个真正影响临床决策的阈值（医生看到这样的图会要求重扫）。因此这套评分天然适合训练"该不该重扫"的分类器。
3. 协调程序降低但未消除异质性：100 张的校准 + 讨论机制提高了评分一致性，但论文未报告评分者间 Kappa（因为每张图只由一人评），也未披露每张图是哪位医师评的。这意味着使用者无法评估评分的评分者间可靠度——这是一个真实的信息缺口（见 §10 坑 6）。

3.4 两类质量标签的关系：为什么两者都要

临床评分（医师主观）与 MRIQC 指标（算法客观）看似冗余，实则互补：

维度	临床评分	MRIQC IQM
判据	诊断可用性（整体、语义）	图像统计量（局部、物理）
优势	贴近临床决策，综合判断	可自动计算，逐扫描可扩展
弱点	主观、人力密集、3 档粗粒度	无参照标准，绝对值难解读
典型用途	训练/评测自动质控模型	大规模质控初筛

论文明确点出 MRIQC 的解读难点：MRIQC 不参照任何标准数据集，因此单个 IQM 的绝对值不好解释。而 MR-ART 的配对设计恰好补上这一环——你可以把同一名被试的 STAND 图当作它自己 HM1/HM2 图的内部参照，从而把"绝对值"转成"被试内差异"，使 IQM 的变化变得可解释。这正是论文 Technical Validation 节的分析思路（§7）。

3.5 一个方法论注脚：配对设计为何比横断面设计更强

如果把 MR-ART 想象成一项实验，它的设计是被试内（within-subject）三水平设计：每名被试都经历 STAND/HM1/HM2 三种处理。相比"招募一组不动的人和另一组动的人"的横断面设计，被试内设计有两个决定性优势：

1. 消除个体差异混杂：脑解剖的个体差异巨大（脑体积、皮层厚度因人而异），横断面设计里这些差异会淹没运动效应；被试内设计里，个体是它自己的对照，运动效应直接以差值的形态浮现。
2. 统计效力更高：同一批被试做重复测量，样本量相当于被"放大"——148 人做 3 条件的配对比较，等效于更大规模的横断面研究。

代价是顺序效应与疲劳效应的可能：三套扫描的先后顺序若固定（如总是先 STAND 再 HM1 再 HM2），后采集的图可能受被试疲劳、头动习惯改变影响。论文未详细披露三条件的随机化/轮换方案，这是复现设计时的注意点（§10）。

3.6 与临床采集现实的差距：一张对照表

复现者最容易犯的判断错误，是把 MR-ART 的运动分布当作临床现实的代表。下表把二者并置：

维度	MR-ART 采集	临床真实采集
运动触发	屏幕提示（被动响应）	自发（无提示）
运动次数	HM1 = 5、HM2 = 10（固定）	随机、不可预测
运动幅度	由被试自行决定（有散布）	从微动到剧烈，分布未知
运动持续时间	单次点头（秒级）	可能持续整个扫描
被试状态	健康、配合、知情	可能疼痛、焦虑、认知障碍、儿童老人
场强/线圈	单一（3T，20ch）	多厂商多场强多线圈

这张表不是要贬低 MR-ART，而是要标定它在方法学光谱上的位置：它测的是"受控运动"的效应，而非"临床运动"的分布。研究者若要用它训练能在真实临床图像上工作的模型，必须清楚这条边界——否则会出现"验证集上表现好、临床部署时失灵"的典型落差。

3.7 一个常被忽视的细节：注视点本身也是控制变量

论文特别提到采集期间屏幕中央有固定注视点、受试者被要求注视该点。这个细节有两层意义：

1. 减少自发运动：注视一个固定点是标准的减少头动手段——被试有事可看，就不会东张西望带出额外运动。这保证了 STAND 条件尽量"干净"。
2. 任务一致性：三个条件下被试都做同一件事（看注视点），只有"是否按提示点头"这一个变量被操纵。这让三条件的对比真正是"单变量"的。

对复现者的启示：如果你要复刻这套协议，注视点不是可选项——它是让"静止条件确实静止"的必要装置。

§4 数据规格与质量指标

4.1 逐扫描的数据单元

MR-ART 的原子单元不是"被试"，而是"被试 × 采集条件"的这一卷扫描。每卷扫描携带：

数据项	载体	说明
T1w 结构像	NIfTI（BIDS）	3D MPRAGE 体积，1 mm³
临床伪影评分	scans 文件 + /derivatives/scores.tsv	1 / 2 / 3
MRIQC IQM	每扫描 JSON	全套图像质量指标
acquisition 标签	文件名/JSON	standard / headmotion1 / headmotion2
被试级信息	participants.tsv	年龄、性别

结构像与 IQM 通过文件名一一对应——这是"图像 ↔ 质量指标"可程序化关联的设计，也是做大规模质控研究的基础。

4.2 三个重点 IQM：SNR / EFC / CJV

MRIQC 输出大量指标，论文选择三个重点展示运动与质量的关联：

指标	全称	物理含义	运动会怎样影响它
total SNR	总信噪比（Signal-to-Noise Ratio）	信号强度与噪声水平之比	运动导致信号弥散与重影，通常降低有效 SNR
EFC	熵聚焦准则（Entropy Focus Criterion）	图像在空间上的"聚焦"程度；伪影使图像发散、背景能量上升	运动使背景出现鬼影，熵上升、聚焦变差
CJV	联合变异系数（Coefficient of Joint Variation）	类内强度变异之和除以类间均值之差；衡量组织对比的"干净"程度	运动模糊组织边界，使类内变异增大

论文用这三个指标做了两类对比：

1. 跨采集条件（Fig 2a）：STAND vs HM1 vs HM2 下三个 IQM 的分布——看运动越多，指标是否系统性变差。
2. 跨临床评分（Fig 3a）：score 1 vs 2 vs 3 下三个 IQM 的分布——看临床判"差"的图，工程指标是否也判差。

并各自配上被试内差异版本（Fig 2b：相对 STAND 的差异；Fig 3b：相对临床良好扫描的差异），把绝对值不可解读的问题转化为相对量。

4.3 Fig 4：两套分类的交叉

Fig 4 呈现每个采集条件下临床评分的分布（3 个并列条形图，每图内三家 score 1/2/3 的计数）。这张图回答一个关键问题：采集条件（客观操纵）与临床评分（主观判断）到底有多同步？

按设计预期：STAND 图应以 score 1 为主，HM2 图应以 score 3 为主，HM1 居中。但真实的分布不会是干净的台阶——总会有一部分 STAND 图因自发微动被判中等、一部分 HM2 图因受试者点得轻而被判良好。这种"不干净的对应"恰恰是数据集的价值：它反映了指令运动与实际伪影程度之间的解耦，也说明单靠采集条件无法替代逐图的临床评分。

（论文 Fig 2/3/4 的具体分布数值仅以图形呈现，正文未给逐格计数，本条目不臆造具体数字——见 §10 遗留疑点。）

4.4 规格速查：复现者必须记住的六个数

数	值	意义
1 mm³	各向同性体素	高分辨，支持精细分割与形态测量
2300 / 3 / 900 / 9°	TR/TE/TI/FA	MPRAGE 序列指纹，跨数据集比较时的参数锚
3T	场强	单中心单场强，泛化边界
148 / 95 / 53	人数 / 女 / 男	样本构成
5 / 10	HM1 / HM2 提示次数	两档运动强度的操纵量
1/2/3	临床评分量表	良好 / 中等 / 差（不可用）

4.5 数据完备性与使用前置检查

拿到数据后、正式使用前，建议做四项前置检查：

1. 被试计数核对：确认 sub-* 目录数为 148；核对 participants.tsv 行数一致。
2. 缺失识别：找出只含两套扫描的被试（8 名缺失 HM1 或 HM2 之一），决定这些被试是排除、还是用剩余的二人配对。
3. 评分对齐：把 /derivatives/scores.tsv 与被试目录内的 scans 文件对齐，确认评分覆盖所有扫描且无漏标。
4. IQM 关联：验证每张结构像都有对应的 MRIQC JSON，文件名可程序化匹配。

这四项检查做完，你才能干净地回答研究问题"运动条件如何影响临床评分与 IQM"——否则可能把缺失或错配当成信号。

§5 技术验证：论文如何证明数据集可用

5.1 验证三问

Scientific Data 的 Technical Validation 节要求作者证明数据"经得起使用"。MR-ART 的验证围绕三个问题展开：

1. 运动是否真的改变了图像质量？（采集条件 → IQM）
2. 临床评分是否与图像质量一致？（临床评分 → IQM）
3. 两套质量分类彼此吻合吗？（采集条件 ↔ 临床评分的分布）

5.2 采集条件对 IQM 的影响（Fig 2）

论文用 total SNR、EFC、CJV 三个指标，比较 STAND/HM1/HM2 三条件下的分布（Fig 2a），并给出被试内差异（Fig 2b：HM1−STAND、HM2−STAND）。

方法学关键点在于配对比较：MRIQC 的 IQM 绝对值难解读（无参照标准），但同一名被试的两次扫描之差排除了个体差异，让"运动使 IQM 变差"的判断变得可靠。论文据此论证：配对设计使 MR-ART 的 IQM 具有可比性，弥补了 MRIQC 单独使用时"绝对值无参照"的缺陷。

5.3 临床评分与 IQM 的关系（Fig 3）

第二组分析把 IQM 按临床评分分组（Fig 3a：score 1/2/3 的分布），并给相对临床良好扫描的被试内差异（Fig 3b：score 2−score 1、score 3−score 1）。

这组分析的意义是双重验证：如果临床判"差"的图在工程指标上也系统性偏离，说明两套质量体系互相印证；如果两者不完全一致，则说明临床判断捕捉到了工程指标遗漏的东西（或反之）。无论结果如何，这都为"用 IQM 做自动质控"提供了校准依据。

5.4 采集条件与临床评分的交叉（Fig 4）

Fig 4 是两套分类的交叉分布——每个采集条件下 score 1/2/3 的计数。它量化了"指令运动"与"临床可用性"的对应强度，也暴露了二者之间的松动（如 STAND 条件下仍可能有被判中等的图）。

5.5 验证的边界与诚实说明

论文在 Usage Notes 中对数据的异质性做了正面说明，值得原样转述其精神：测量条件对应真实世界场景，因此数据本身存在异质性——而这种异质性保证了案例的良好表征，对生成泛化模型至关重要。同时论文指出，使用者可以借助 MRIQC IQM 与临床评分按自己的质量标准筛选子集（例如只用 score 1 的图做干净训练集，或只用 score 3 的图做困难测试集），从而主动控制异质性程度。

这是 MR-ART 设计哲学的核心：它不假装自己是"完美干净的基准"，而是提供带质量标签的真实数据，把"要多干净"的选择权交给使用者。

§6 获取与许可：无门槛的 CC0 直链

6.1 三件资产、三种许可、一个直链

MR-ART 涉及的许可与获取方式如下：

资产	入口	许可	门槛
数据集本体	OpenNeuro ds004173 v1.0.2	CC0（公共领域奉献）	无（网页下载或 DataLad/Git）
论文	doi:10.1038/s41597-022-01694-8	CC BY 4.0（Scientific Data 开放获取）	无
Kaggle 第三方 2D 派生集	mdfaisalkarim/mr-art-dataset	CC BY-NC 4.0（个人上传，非官方）	Kaggle 账号

关键区分：数据集本体是 CC0（可自由使用、修改、再分发、商用，法律上无需署名），而描述它的论文是 CC BY 4.0（署名即可自由使用）。两者是不同资产、不同许可——引用时不要混为一谈（见坑 5）。

6.2 数据集本体：三种获取方式

1. 网页直接下载：访问 https://openneuro.org/datasets/ds004173/versions/1.0.2，可选下载整个数据集或按需选取文件。
2. DataLad / Git 克隆（推荐，支持增量与版本管理）：

   # 通过 GitHub 镜像仓库（OpenNeuro 官方提供）
   datalad clone https://github.com/OpenNeuroDatasets/ds004173.git
   cd ds004173
   datalad get .        # 拉取所有文件内容
   

   若只想要结构像，可用 datalad get sub-*/*/anat/*.nii.gz 选择性拉取。
3. 程序化获取：OpenNeuro 提供 GraphQL API 用于枚举快照、文件清单与元数据；也可借助 Brainlife.io、NEMAR、CBRAIN、Neurodesk 等第三方平台挂载数据。

版本选择建议：论文引用的是 v1.0.2（最新，2022-10-18）。历史版本 v1.0.0（2022-06-28）、v1.0.1（2022-08-23）可用但不推荐——除非你要复现某个特定时点的分析。

6.3 数据集 DOI 与版本链

版本	快照日期	DOI 后缀
Draft	2022-06-22	—
v1.0.0	2022-06-28	ds004173.v1.0.0
v1.0.1	2022-08-23	ds004173.v1.0.1
v1.0.2	2022-10-18	ds004173.v1.0.2

数据集的正式 DOI 形如 doi:10.18112/openneuro.ds004173.v1.0.2——OpenNeuro 为每个快照分配可引用的 DOI。论文转引 v1.0.2，这是当前标准引用版本。

6.4 引用规范

数据集团队明确要求：若使用这些数据，请引用数据集本身以及发表于 Scientific Data 的论文。规范做法是同时给出两条引用：

1. 数据引用：Nárai Á, Hermann P, Auer T, et al. Movement-related artefacts (MR-ART) dataset. OpenNeuro. doi:10.18112/openneuro.ds004173.v1.0.2
2. 论文引用：Nárai Á, Hermann P, Auer T, et al. Movement-related artefacts (MR-ART) dataset of matched motion-corrupted and clean structural MRI brain scans. Sci Data 9, 630 (2022). doi:10.1038/s41597-022-01694-8

即便 CC0 法律上不强制署名，学术惯例仍要求引用——这既是对数据生产者的尊重，也是让数据可追溯、可复现的基础。

6.5 AI-Ready 评估：库内的"全绿样本"

用库内 AI-Ready 检查单逐项过一遍：

检查项	状态	说明
F1 全局唯一标识	✅	数据集 DOI（每快照一个）+ 论文 DOI
F2 富元数据	✅	BIDS 组织 + participants.tsv + IQM JSON + 评分 TSV
A1 可访问协议	✅	CC0 + OpenNeuro 直链 + DataLad，无任何门槛
A2 元数据可访问	✅	元数据完全开放
I1 互操作格式	✅	NIfTI（神经影像通用）+ JSON/TSV（标准格式）
I2 词汇表引用	✅	BIDS 标准 + MRIQC 标准指标 + 临床评分明确定义
R1 来源溯源	✅	采集协议、参数、伦理批号全公开
R3 可复现流程	✅	工具链（dcm2bids/PyDeface/MRIQC）版本明确

综合评级：极高（库内罕见）。MR-ART 是"开放科学最理想形态"的一个样本：CC0 无门槛、BIDS 标准、标注密度高、工具链透明。它唯一的边界不是"可获取性"而是"泛化性"——单中心、单扫描仪、健康成人、指令运动，这些是数据科学价值的内在约束，而非文档缺陷。

6.6 与库内可获取性光谱的对照

库内数据集的可获取性从"注册墙"到"公开直链"形成光谱。MR-ART 落在最开放的端点：

档位	库内参照	本条目
注册墙（最严）	LMC2 类（注册+审批）	—
请求制	PANDA-PLUS 掩码类	—
平台托管	Zenodo 型	—
公开直链 + 无版权限制	HF/Zenodo 直链型	MR-ART（CC0 + OpenNeuro）

对照库内 OpenNeuro 平台条目（rid 100），MR-ART 是 OpenNeuro 生态里"CC0 + 高标注 + 配对设计"的典型代表。与同为脑 MRI 的 IXI（rid 482）相比，两者都开放，但 MR-ART 的独特性在于配对设计 + 临床评分——IXI 是注释较少的横断面多序列集，MR-ART 是标注密集的纵向配对集。

6.7 获取失败时的排查清单

即便 CC0 无门槛，实际下载也可能遇到问题。常见情况与处置：

症状	可能原因	处置
DataLad clone 无内容	只 clone 了 git 元数据，未 datalad get	进入目录执行 datalad get .
下载中断	大文件 4.22 GiB 网络抖动	用 datalad get 续传，或分批按路径取
GitHub 镜像不可达	网络/代理限制	改用 OpenNeuro 网页端下载或 S3 网关
文件校验失败	传输损坏	用 DataLad 重新 get 该文件（有校验机制）
版本对不上论文	取了旧快照	明确 checkout v1.0.2

DataLad 的价值在于内容寻址 + 可续传 + 版本可切——对 4 GiB 级的神经影像数据，这是比裸下载更稳的方式。

§7 生态与影响：它撑起了哪些研究线

7.1 三条被高频使用的下游研究线

MR-ART 的引用生态可以归为三条线，每条都揭示了它的一个侧面：

线 1：运动模拟的真实性验证。最典型的是 PLOS ONE (2024) 的研究（doi:10.1371/journal.pone.0301132）——它先用 148 名 MR-ART 被试的真实运动数据评估"在 magnitude 域模拟运动"到底有多真，用 CJV/SNR/CNR 三个 IQM 比较真实运动图与模拟运动图。关键结论：修改后的运动模拟框架比原始 TorchIO 模拟更接近真实（CJV/SNR/CNR 平均差异从 0.015±0.061 / 0.2±2.0 / −0.29±0.62 降到 0.004±0.054 / −0.7±1.8 / −0.09±0.55）；在分割 Dice 系数上，修改版模拟与真实运动的差异（0.03±0.06）也小于原始模拟（−0.15±0.09）。研究还发现 SynthSeg+ 对真实与模拟运动都最鲁棒。这条线说明 MR-ART 是"裁判"角色——用真值检验模拟的有效性。

线 2：运动校正算法的 in-vivo 验证。arXiv 2608.10170 的 SSRL-MAR（自监督表征学习做 3D 脑 MRI 运动校正）用 IXI（581 卷）+ HCP（1113 卷）的模拟运动训练，用 MR-ART（148 卷）的真实运动做外部验证。Res-MoCoDiff（Phys. Med. Biol.，IOPscience 10.1088/1361-6560/ae1110）同样：IXI 训练 + MR-ART 148 例 in-vivo 评估，报告 NMSE/SSIM/PSNR 三个指标。MACS-Net（Int J Biomed Imaging 2024，PMC11081754，Swin + UNet）则把 MR-ART 的 148 例（95 女 53 男）按 80 训练 / 48 验证 / 20 测试划分，每例取 179 张矢状 256×256 切片。这条线的共同模式是"合成训练 + 真实验证"——MR-ART 是那个不可替代的"真实考场"。

线 3：分割与形态测量的鲁棒性研究。MR-ART 自己的相关前作 Kemenczky et al.（Sci. Rep. 12, 1618, 2022）就用本数据集的图像证明：不同深度学习全脑分割方法对运动伪影的可靠性存在差异。这条线把运动伪影从"图像质量问题"提升为"下游量化偏差问题"——运动不仅让图难看，还系统性地偏移脑体积、皮层厚度的估计，甚至制造"假萎缩"。

7.2 为什么"配对 + 真实"是稀缺品

三条研究线都指向同一个事实：MR-ART 的不可替代性来自"配对"与"真实"这两个属性的叠加。

属性组合	代表数据	能否做运动校正的真值验证
真实 + 非配对	临床常规扫描（运动图多，干净图少）	不能（缺配对真值）
合成 + 配对	模拟运动数据集（如 DS004795 类）	部分（真值来自合成，需外部校准）
真实 + 配对	MR-ART	能（唯一直接回答）

这个 2×2 表格解释了 MR-ART 的生态位：它是唯一能同时提供"真实运动"与"干净配对"的公开数据集。模拟数据集可以无限生成、可以精确控制运动参数，但它的真值终究是合成出来的；临床数据是真实的，但没有配对参照。MR-ART 用"请健康人按指令运动"这一招，人工制造出了本该不存在的配对。

7.3 与其他脑 MRI 数据集的库内对照

数据集	库内 rid	模态/对象	核心特征	与 MR-ART 的关系
IXI	482	结构脑 MRI（多序列）	近 600 例健康脑，注释少	常与 MR-ART 配对使用（IXI 训练 + MR-ART 验证）
ADNI	101	阿尔茨海默病队列	纵向、多模态、临床	运动伪影是弱势人群采集的核心质控痛点
OASIS	21	脑影像系列	横断面+纵向，多年龄	结构脑 MRI 家族
HBN	245	儿童青少年脑队列	高运动人群	论文引文明确关注 developing population 运动问题
UK Biobank	569	人群队列超大规模	数万人影像	运动伪影是规模化质控首要难题
CMRxMotion	687	心脏 MRI 呼吸运动	运动伪影主题	同主题不同器官/模态
BigBrain	285	超高分辨率脑图谱	组织学图谱	神经科学家族

其中 IXI（rid 482）与 MR-ART 的耦合最紧——多篇运动校正论文把两者配成一对（合成训练集 + 真实验证集）。如果读者研究运动校正，这两个条目应连读。

7.4 生态影响的一句话概括

MR-ART 在神经影像社区扮演的是"配对标尺"的角色：它自己不是最亮眼的模型或最大的数据集，但没有它，整个"模拟训练、真实验证"的方法学范式就缺少可比的基准面。它的被引广度（运动校正、分割鲁棒性、质控算法、运动模拟校准）正说明了这种基础设施式的价值——好数据集不总是最耀眼的，而是最被依赖的。

7.5 从引用图谱看数据集的生命周期

把 MR-ART 的引用生态按时间摊开，能看到一个数据集从"发布"到"基础设施化"的典型曲线：

阶段	时间	典型用法	代表工作
自发使用	2022-2023	同组自用 + 首批外部引用	Kemenczky 2022（分割鲁棒性）
方法验证标配	2024	运动校正论文的 in-vivo 验证集	MACS-Net、Res-MoCoDiff、PLOS ONE 模拟验证
基准化	2025-2026	成为"真实运动"的标准对照	SSRL-MAR（arXiv 2608.10170）

这条曲线的意义在于：一个数据集的价值往往不在发布当年，而在它被后续工作"默认采用"之后。MR-ART 的 2022 年发布只是起点，它真正的生态位是 2024 年后随着运动校正方法爆发而确立的——当越来越多论文需要"真实运动真值"时，MR-ART 成了默认的那一个。

7.6 一个反直觉的观察：为什么"小"数据集反而引用广

148 人看似不多，但 MR-ART 的引用广度超过许多更大规模的脑影像集。原因有三：

1. 稀缺性 > 规模：干净-运动配对的真实数据本身稀缺，供给远小于需求；而普通结构脑 MRI 供给充足，替代品多。
2. 验证需求是刚性的：任何运动校正方法都必须回答"在真实运动上行不行"，这个问题无法用合成数据回避，MR-ART 是几乎唯一的选择。
3. 标注密度高：临床评分 + IQM 双标注让它同时服务算法验证与质控研究两类需求，一鱼多吃。

这个观察对所有数据集生产者有启示：规模不是唯一的护城河，独特的设计属性（配对、真实、标注密度）可能带来更高的实际使用率。

§8 方法学启示：六条可迁移的经验

8.1 "指令运动"把不可控问题变成可控变量

运动伪影研究的根本困难是运动的不可控性——你无法命令一个临床病人"这次动 5 秒、下次动 10 秒"。MR-ART 的解法是用健康受试者 + 提示-响应范式：让被试在屏幕提示下按次数点头，把运动从"背景噪声"变成"实验自变量"。这一招的可迁移性极高：任何需要研究"某种干扰如何影响结果"的场景，都可以考虑用"可指令的替代任务"来制造可控干扰，代价是牺牲一部分真实场景的复杂性（自发运动 vs 指令运动）。

8.2 配对设计是质量研究的统计引擎

MR-ART 的分析之所以能给出干净结论，核心是被试内配对设计。这对所有质量研究是普适启示：当你想研究"某种处理对图像质量的影响"，个体差异是最大的混杂因素，配对是消除它最直接的杠杆。如果预算允许，宁可少招被试、多拍条件（同一人多套），也不要多招被试、每人单拍——前者的统计效力远高于后者。

8.3 多重标注的"三角互证"

MR-ART 用"采集条件 + 临床评分 + 工程指标"三套标签刻画同一批图。这种三角结构让数据集同时服务三类使用者的同时，也让任何单一标签的可靠性可被另外两套交叉检验：临床评分与工程指标的一致性，可以对冲单一视角的偏差。可迁移的经验是：高质量数据集的价值往往不在数据量，而在标注的层次与视角互补性。

8.4 开放许可与隐私伦理的平衡

MR-ART 采用 CC0 的同时，用 PyDeface 去除面部信息。这体现了一条可操作的原则：在去除可识别信息（de-facing）之后，结构脑影像的开放共享在伦理上是可接受的。Project 的伦理批号（OGYÉI/70184/2017）与知情同意流程的公开披露，也让"开放"与"合规"并不矛盾——这是 AI-Ready 数据集在隐私敏感场景下的合规范本。

8.5 数据集设计的"标注经济学"

MR-ART 的标注投入值得单独算一笔账：两位资深神经放射科医师对每张扫描逐图打分（148 人 × 约 3 卷 ≈ 436 卷），外加 100 张的校准。这是一笔可观的人力投入，但换来的是数据集的不可替代性。对比"只放原始图像、不做临床评分"的做法，MR-ART 的增量标注让它从"又一份脑 MRI"变成"运动质控的标注基准"。

这里的方法学教训是：标注的价值不在数量，而在它解锁了哪些研究问题。临床 3 分制评分看似简单（就三档），却恰好是训练自动质控分类器最直接的监督信号——投入产出比极高。数据集生产者若在预算有限，应优先投入"能解锁新研究问题"的标注，而非无差别地扩大规模。

8.6 从 MR-ART 看"数据集的诚实性"

Scientific Data 的 Usage Notes 里，作者主动承认了数据的异质性（测量条件对应真实场景，因此存在异质性）。这种"自曝局限"的做法值得提倡，因为它避免了使用者误用。对比那些把"局限"藏在附录角落的数据集，MR-ART 的诚实性让它的使用边界一开始就清晰。

对 AI-Ready 数据集的启示：主动声明局限不是减分项，而是可信度的加分项。使用者最怕的不是数据集有边界，而是不知道边界在哪——把边界写清楚，反而降低了误用风险和由此产生的"复现失败"投诉。

§9 与库内条目的关系

9.1 家族图谱

• OpenNeuro（rid 100）：托管平台。MR-ART 是 OpenNeuro 上 BIDS + CC0 的代表性数据集，两者应互相提示。
• IXI 脑 MRI 多序列（rid 482）：最紧密的方法学伙伴。多篇运动校正论文用 IXI（合成/训练）+ MR-ART（真实验证）配对，两者连读才能理解"合成训练、真实验证"范式。
• ADNI（rid 101）：结构脑 MRI 大队列。运动伪影是 ADNI 类弱势人群（老年人）采集的核心质量挑战。
• HBN 儿童青少年脑队列（rid 245）：高运动人群代表。儿童青少年的高运动率是 MRI 质控的头号难题，MR-ART 提供的运动评分方法论可直接迁移。
• OASIS（rid 21）：脑影像系列（多年龄跨度），结构脑 MRI 家族成员。
• UK Biobank（rid 569）：人群规模影像，运动伪影是规模化采集的核心质控指标。
• CMRxMotion（rid 687）：呼吸运动极端心脏 MRI——同属"运动伪影"主题，不同器官与模态。
• TopBrain 2.0（rid 632）：全脑血管分割挑战，运动伪影是脑分割类任务的重要鲁棒性维度。
• BigBrain（rid 285）/ Allen Brain Atlas（rid 275）：脑影像图谱，神经科学家族背景。

9.2 检索路径建议

• 精确检索词：“MR-ART” 或 “Movement-related artefacts” + “OpenNeuro ds004173”；避免仅用 “MR-art”（大小写混写会命中无关条目）。
• 若目标是数据：OpenNeuro ds004173 v1.0.2（CC0 直链）；注意区分 Kaggle 第三方 2D 派生集（坑 4）。
• 若目标是方法学对照：读论文 Technical Validation 节 + Fig 2/3/4；与 IXI（rid 482）联读理解"合成训练、真实验证"。
• 若目标是临床质控：关注临床 3 分制评分与 score 3 的定义（临床不可用）。

9.3 与库内相关条目的差异声明

MR-ART 与库内其他脑 MRI 条目的核心差异是配对纵向设计 + 临床运动评分。IXI/OASIS/ADNI 是"多人各一次"的横断面或纵向临床队列；MR-ART 是"同人多条件"的实验性配对设计，其目的不是刻画人群，而是刻画"运动"这一个变量的效应。因此它更适合做方法验证，而非人群建模——使用者不该拿它做大样本训练集，而该拿它做小样本的、高精度的真值检验。

9.4 库内检索时的连带提示

在库内浏览到以下条目时，若研究主题涉及"影像质量/运动伪影/结构脑 MRI 鲁棒性"，应连带提示 MR-ART：

触发条目	连带提示理由
OpenNeuro（100）	平台条目，MR-ART 是其 CC0 代表数据集
IXI（482）	常与 MR-ART 配对用于运动校正论文
ADNI（101）/OASIS（21）	结构脑 MRI 家族，同样面临运动质控问题
HBN（245）	高运动人群，MR-ART 的评分方法论可迁移
UK Biobank（569）	规模化影像，运动伪影是首要质控指标
CMRxMotion（687）	运动伪影主题（心脏呼吸运动）的横向对照
TopBrain 2.0（632）	脑分割任务，运动伪影是鲁棒性维度

这种"连带提示"是知识库互链的价值：用户不必预先知道 MR-ART 的存在，也能从相邻主题被引导过来。

§10 避坑清单：十个已踩过的坑

坑 1：体积口径——4.22 GiB 还是 4.53 GB？
OpenNeuro 页面显示 “Size: 4.22GB”，但 API 返回的字节数是 4,526,466,554。二者其实一致：4.22 GiB（4,526,466,554 / 1024³ ≈ 4.22），换算成十进制是 4.53 GB。引用时注明二进制（GiB）口径，避免把它当成"数据集有两个不同体积"。

坑 2：许可混淆——数据集 CC0，论文 CC BY 4.0
数据集本体是 CC0（公共领域），描述它的 Scientific Data 论文是 CC BY 4.0。二者是不同资产。常见错误是看到一个许可就套用到全部——你要用数据，看数据集的 CC0；你要转载论文图表，看论文的 CC BY 4.0。

坑 3：指令运动不等于自发运动
MR-ART 的运动是健康受试者按屏幕提示做的受控点头。这与临床病人的自发、不受控、可能持续的运动有本质差异。把 MR-ART 当作"临床运动分布"的代表会高估模型在真实病人上的表现。它的正确用法是受控条件下的方法验证。

坑 4：Kaggle 上有第三方 2D 派生集，别当官方本体
Kaggle 上存在 mdfaisalkarim/mr-art-dataset（CC BY-NC 4.0，2025-08-08），是从 MR-ART 抽取的轴向/冠状/矢状中层 2D 切片派生集。它是第三方个人上传，与官方团队无关，许可（BY-NC，非商用）也比官方 CC0 更严。检索 MR-ART 时若只找到 Kaggle，需回到 OpenNeuro ds004173 拿官方全量 3D 数据。

坑 5：版本与 DOI 要对齐
数据集有 Draft/v1.0.0/v1.0.1/v1.0.2 四个快照，DOI 后缀随版本变化。论文引用 v1.0.2。用旧版本会与论文描述不符（尽管核心内容大体一致），复现分析时应锁定 v1.0.2。

坑 6：临床评分没有评分者间一致性指标
两位医师在 100 张上协调了标准，但每张图只由一人评，论文未报告评分者间 Kappa，也未披露每张图的评分者身份。这意味着评分的评分者间可靠度未知——用评分训练模型时，标签噪声的上界不可量化。这是一个真实的信息缺口。

坑 7：Fig 2/3/4 的具体数字只在图里
论文的技术验证主要靠 Fig 2/3/4 三张图，正文未给逐条件、逐评分的完整 IQM 统计表。想要精确数值需从原始 IQM JSON 自行计算，或联系作者。不要在无来源的情况下臆造这些分布数字。

坑 8：8 名被试缺一套扫描——配对不完整
148 名被试中 8 人的 HM1 或 HM2 之一缺失（采集问题）。做三条件配对分析时，这 8 人只有二人配对；做全量三人配对时样本是 140 人而非 148。务必先识别这些被试，避免把缺失当成"运动条件本身没差异"。

坑 9：单中心单扫描仪——泛化性天花板
全部数据来自匈牙利一个中心的同一台 Siemens Prismas 3T。跨厂商（GE/Philips）、跨场强（1.5T/7T）、跨线圈的通路从未验证。若你的目标是"跨中心通用"，MR-ART 只能证明方法在 Prismas 上有效，不能证明普适。

坑 10：把 MR-ART 与"运动伪影数据集"泛称混为一谈
中文检索"运动伪影数据集"会同时命中 MR-ART、CMRxMotion（心脏呼吸运动，rid 687）甚至腹腔镜运动识别（rid 762）。三者模态、器官、任务完全不同。检索时用精确英文名 “MR-ART” / “ds004173” 避免误命中。

FAQ（高频问答 47 问）

A. 基础认知

Q1：MR-ART 是什么的缩写？
Movement-Related ARTefacts——“运动相关伪影”。数据集全称是 “Movement-related artefacts (MR-ART) dataset”，官方描述中 MR-ART 作为简称广泛使用。

Q2：它是挑战赛吗？
不是。它没有 leaderboard、没有竞赛任务，是一个采集 + 标注的公开数据集，用于研究、验证和评测运动伪影相关方法。

Q3：它和普通脑 MRI 数据集有什么本质区别？
普通脑影像数据集通常是"每个被试一张（或纵向几次）“，关注人群或疾病；MR-ART 是"每个被试三套、只操纵运动这一个变量”，关注运动本身。前者用于建模人群，后者用于验证方法。

Q4：谁做的？
匈牙利布达佩斯 Research Centre for Natural Sciences 脑成像中心（9 位作者）+ 英国 University of Surrey（1 位作者 Tibor Auer）。通讯作者 Ádám Nárai 与 Zoltán Vidnyánszky。

Q5：发表在哪？
Scientific Data（Nature Portfolio），2022 年第 9 卷第 630 篇，doi:10.1038/s41597-022-01694-8，开放获取 CC BY 4.0。

Q6：数据在哪？
OpenNeuro，登录号 ds004173，最新版本 v1.0.2。

Q7：名字里的"配对"（matched）什么意思？
同一名被试采集了静止与两种运动程度的扫描，因此"干净图"和"运动图"来自同一颗头、同一台机器、同一参数——这是它的核心价值。

Q8：它最有名的一句话卖点是什么？
唯一能同时提供"真实运动"与"干净配对"的公开结构脑 MRI 数据集——填补了运动校正方法验证的真值空白。

Q9：数据规模算大还是小？
以"被试数"看是小数据集（148 人）；以"配对样本的价值"看是稀缺资源。它不适合当大样本训练集，适合当高价值验证集。

Q10：它自曝了什么局限？
健康成人样本、单中心单扫描仪、指令运动非自发运动、8 人配对不完整、临床评分 3 档粗粒度、评分者间一致性未报告。论文在 Usage Notes 中主动说明了数据的异质性。

B. 数据与获取

Q11：怎么下载？
最简单是网页下载（openneuro.org/datasets/ds004173/versions/1.0.2）；推荐用 DataLad 克隆 https://github.com/OpenNeuroDatasets/ds004173.git 后 datalad get 拉取内容。

Q12：需要注册或申请吗？
不需要。CC0 许可 + OpenNeuro 公开直链，无任何门槛。

Q13：能商用吗？
能。CC0 是公共领域奉献，允许自由使用、修改、再分发、商用。学术惯例仍建议引用，但法律上无强制。

Q14：数据是什么格式？
NIfTI（神经影像标准格式，.nii.gz），按 BIDS 组织；质量指标是 JSON/TSV，临床评分在 /derivatives/scores.tsv。

Q15：图像去脸了吗？
去了。用 PyDeface v2.0.0 去除面部信息，保护隐私。

Q16：有多少文件、多大？
1173 个文件，约 4.22 GiB（4,526,466,554 字节）。

Q17：能不能只下部分数据？
可以。DataLad 支持按路径选择性拉取（如只取某被试的 anat 目录），网页端也可选文件下载。

Q18：Kaggle 上的 MR-ART 是不是官方的？
不是。Kaggle 上的 mdfaisalkarim/mr-art-dataset 是第三方个人抽取的 2D 中层切片派生集（CC BY-NC 4.0），粒度与许可都与官方不同（坑 4）。要官方 3D 全量数据去 OpenNeuro。

C. 采集与技术

Q19：三套扫描的区别到底是什么？
只有运动指令不同：STAND 完全不动、HM1 提示 5 次点头、HM2 提示 10 次点头。扫描仪、序列参数、被试完全相同。

Q20：为什么选"点头"作为运动范式？
文献报道点头是最主要、贡献最多运动伪影的头部运动类型。选择它使数据更贴近现实中占主导的运动形态。

Q21：运动幅度可控吗？
不完全。次数可控（5 次 vs 10 次），但每次点头的幅度（角度）由被试自发决定，被试间有散布。这是"指令运动"的固有局限。

Q22：图像参数是什么？
T1w 3D MPRAGE，1 mm³ 各向同性，TR 2300 / TE 3 / TI 900 ms，FA 9°，FOV 256×256 mm，Siemens Prismas 3T。

Q23：临床评分怎么给的？
两位 >10 年经验的神经放射科医师，对采集条件盲，按 1（良好）/2（中等）/3（差，临床不可用）三档评。每张由一人评，先在 100 张上协调标准。

Q24：MRIQC 指标有哪些？
全套 IQM；论文重点分析 total SNR、EFC（熵聚焦准则）、CJV（联合变异系数）三个。

Q25：为什么 MRIQC 绝对值不好解读？
MRIQC 不参照标准数据集，单个指标绝对值缺乏参照系；MR-ART 的配对设计让你能用被试内差异代替绝对值，使解读成为可能。

D. 研究与应用

Q26：能拿它训练运动校正模型吗？
可以但不推荐作为主要训练集——148 人规模偏小。更常见的用法是"合成数据训练 + MR-ART 验证"，因为它提供真实配对真值。

Q27：它对运动模拟研究有什么用？
当"裁判"。用真实运动数据检验模拟运动是否逼真——PLOS ONE 2024 的研究就是范式（用 CJV/SNR/CNR 比较真实与模拟的差异）。

Q28：它能用于分割鲁棒性研究吗？
能。同组前作（Kemenczky 2022）就用它证明不同全脑分割方法对运动伪影的敏感度不同，且运动会导致体积估计偏差（假萎缩）。

Q29：能拿它训练自动质控分类器吗？
能，而且很合适——临床 3 分制评分天然是"该不该重扫"的分类标签（score 3 = 临床不可用）。

Q30：它和 IXI 怎么配着用？
典型范式：IXI（或 HCP）生成合成运动做训练，MR-ART 的真实运动做外部验证。库内 IXI 见 rid 482。

Q31：它对儿童/老年 MRI 研究有价值吗？
方法论可迁移——儿童青少年（高运动）与老年人（神经退行）是运动伪影的高发人群。但数据本身是健康成人（偏年轻），不代表这些群体。

Q32：论文里的 115,000 美元/年的成本数字从哪来？
引自 Andre et al. 2015（J Am Coll Radiol）——估算运动伪影导致重复扫描的成本。这是背景动机，不是本数据集自身的统计。

E. 统计与解读

Q33：临床评分和采集条件完全对应吗？
不完全是。STAND 图大多 score 1、HM2 图大多 score 3，但会有交叉（如 STAND 图因自发微动被判中等）。Fig 4 呈现这种交叉分布。

Q34：为什么临床评分和 IQM 都要看？
两者视角互补：临床评分贴近诊断决策但主观；IQM 客观可扩展但无参照。两者一致时互相印证，不一致时提示对方遗漏了信息。

Q35：论文给了具体的数值表吗？
没有给完整的逐条件/逐评分统计表，主要靠 Fig 2/3/4 三张图呈现（坑 7）。需要精确数值要自己从 IQM JSON 算。

Q36：评分者间一致性是多少？
论文未报告（每张图只由一人评，无重复评分的配对）。这是已知缺口（坑 6）。

Q37：8 人缺一套扫描会影响分析吗？
会影响"全量三人配对"的样本量（从 148 降到 140）。做配对分析前需识别这些被试（坑 8）。

Q38：运动次数（5 vs 10）和伪影严重度成正比吗？
方向上是——HM2 的伪影总体比 HM1 重。但因个体点头幅度不可控，二者并非严格线性，分布有重叠。

F. 生产与库内

Q39：本条目为什么叫 mr-art？
沿用官方简称与 OpenNeuro 数据集名中的 “MR-ART”，slug 为 mr-art。与库内其他条目无撞库（正文 §1 已给查重结论）。

Q40：本条目与库内哪些条目应连读？
运动校正研究：IXI（482）+ 本条目；脑 MRI 家族：OASIS（21）/ADNI（101）；主题互链：CMRxMotion（687）；平台：OpenNeuro（100）。

G. 延伸与进阶

Q41：运动伪影为什么会造成"假萎缩"？
头部运动在 k-space 上引入相位错误，重建后表现为重影与模糊，并对脑组织边界产生系统性偏移。形态测量工具（如 FreeSurfer）在运动图上可能低估灰质体积、高估脑脊液空间——看起来像脑萎缩。论文引用的多项研究（Reuter 2015、Alexander-Bloch 2016 等）都证实了这种系统性偏差。

Q42：为什么说"运动校正方法缺乏真实数据"是个老大难？
因为配对真值在现实中几乎无法获得——你有干净图时病人没动，病人动了你就没有干净参照。深度学习方法要在模拟数据上训练，但模拟是否逼真需要真实数据验证，这就形成"验证需要真实数据、真实数据稀缺"的循环。MR-ART 打破循环的方式是"请健康人按指令运动"，人工制造配对。

Q43：MRIQC 的 IQM 能直接用来判断"该不该重扫"吗？
不能单独用。论文指出 MRIQC 无参照标准、绝对值难解读。判断"该不该重扫"，更好的信号是临床评分（score 3 = 临床不可用）；IQM 适合大规模初筛，再结合临床判断。MR-ART 的价值恰在于提供两者对照。

Q44：这个数据集对脑机接口（BCI）或功能 MRI（fMRI）研究有用吗？
间接有用。虽然 MR-ART 是结构 T1w 数据，但头部运动是 fMRI 的头号噪声源（运动引入虚假功能连接）。MR-ART 建立的运动-伪影-IQM 关系对理解 fMRI 运动伪影的物理机制有参考价值，但它本身不含功能数据。

Q45：如果我要做跨数据集的运动鲁棒性评测，怎么用 MR-ART？
典型设计：在同一分割/测量工具上，分别跑 IXI（干净基准）与 MR-ART 三条件，比较工具输出的一致性漂移。MR-ART 提供的配对真值让你能精确量化"运动导致多少偏差"，这是单用 IXI 做不到的。

Q46：MR-ART 的"两档运动"够用吗？
对"有没有运动效应"这类定性问题足够；对"运动量与伪影严重度的精细剂量-反应关系"则偏粗——只有 0/5/10 三次提示三个水平，且个体点头幅度不可控。若要精细剂量-反应曲线，需结合模拟数据或自行采集更多水平。

Q47：本条目如何保证信息准确？
关键硬数字（148 人、95 女、1173 文件、4,526,466,554 B、1 mm³、TR 2300 等）经论文 + OpenNeuro API + 多篇第三方研究三源互证；口径差异（GiB/GB、CC0/CC BY）在附录 L 存照；无法查证的（Fig 具体数值、评分者间一致性）明确标注为遗留疑点而非臆造。

---

事实清单（硬事实 40 条）

1. MR-ART 全称 Movement-related artefacts (MR-ART) dataset，是 T1 加权 3D 结构脑 MRI 的配对运动伪影数据集。
2. 含 148 名健康成人（95 女 / 53 男），年龄 18-75 岁，中位 25.16 岁，IQR 10.50 岁。
3. 采集于 2019-2021 年，地点为匈牙利布达佩斯 Research Centre for Natural Sciences 脑成像中心。
4. 每人采集三套 T1w 图像：STAND（静止）、HM1（轻度点头，5 次）、HM2（重度点头，10 次）。
5. 8 名被试的 HM1 或 HM2 之一因采集问题缺失。
6. 扫描仪 Siemens Magnetom Prismas 3T，20 通道头颈接收线圈。
7. 序列 T1w 3D MPRAGE，2 倍 GRAPPA 加速，各向同性 1 mm³。
8. 参数 TR 2300 ms / TE 3 ms / TI 900 ms / FA 9° / FOV 256×256 mm。
9. 运动范式为屏幕提示"MOVE"（匈牙利语）时点头，每次提示 5 秒，HM1 提示 5 次、HM2 提示 10 次，均匀分布。
10. 受试者被要求点头时不抬头离床、每次后归位；屏幕中央有注视点。
11. 临床伪影评分由两位 >10 年经验神经放射科医师给出，对采集条件盲。
12. 评分 3 分制：1=临床良好，2=中等，3=差（临床诊断不可用）。
13. 两位医师先在 100 张独立扫描上协调标准，全程讨论不确定病例。
14. 每张扫描由其中一位医师评定（非双评）；评分者间一致性未报告。
15. 临床评分存于被试文件夹 scans 文件与 /derivatives/scores.tsv 汇总。
16. MRIQC v0.16.1 生成全量图像质量指标，存于 /derivatives/mriqc-0.16.1。
17. IQM 以每扫描 JSON + 组级 group_T1w.tsv / group_T1w.html 呈现。
18. 论文重点分析三个 IQM：total SNR、EFC（熵聚焦准则）、CJV（联合变异系数）。
19. 面部信息用 PyDeface v2.0.0 去除。
20. BIDS 组织用 dcm2bids v2.1.6 完成。
21. 结构像 acquisition 标签为 standard / headmotion1 / headmotion2。
22. participants.tsv 含每名被试的年龄与性别，按 BIDS 标准。
23. OpenNeuro 登录号 ds004173；最新版本 v1.0.2（2022-10-18）。
24. 版本链：Draft（2022-06-22）→ v1.0.0（2022-06-28）→ v1.0.1（2022-08-23）→ v1.0.2（2022-10-18）。
25. 数据集 DOI 形如 doi:10.18112/openneuro.ds004173.v1.0.2。
26. 数据集文件总数 1173。
27. 数据集体积 4,526,466,554 字节 ≈ 4.22 GiB ≈ 4.53 GB。
28. 数据集许可为 CC0（公共领域奉献）。
29. 论文为 Sci Data 9, 630 (2022)，doi:10.1038/s41597-022-01694-8。
30. 论文许可为 CC BY 4.0（与数据集 CC0 不同）。
31. 论文 Received 2022-04-19 / Accepted 2022-09-12 / Published 2022-10-17。
32. 伦理批准：National Institute of Pharmacy and Nutrition，批号 OGYÉI/70184/2017。
33. 资助：Hungarian NRDI Office（GINOP-2.2.1-18-2018-00001）+ Hungarian Brain Research Program（2017-1.2.1-NKP-2017-00002）。
34. 数据上传者 Ádám Nárai（2022-06-22）。
35. 通讯作者 Ádám Nárai（narai.adam@ttk.hu）与 Zoltán Vidnyánszky（vidnyanszky.zoltan@ttk.hu）。
36. 全部 10 位作者，其中 9 人属 Research Centre for Natural Sciences，Tibor Auer 属 University of Surrey。
37. 论文 Technical Validation 用 Fig 2（IQM×采集条件）、Fig 3（IQM×临床评分）、Fig 4（临床评分×采集条件）三图。
38. 论文指出 MRIQC 无参照标准、绝对值难解读，配对设计使其可比。
39. 论文强调数据存在异质性但对应真实场景，使用者可用 IQM 与评分筛选子集。
40. 相关前作 Kemenczky et al. Sci Rep 12, 1618 (2022) 用本数据集证明分割方法对运动伪影的敏感度差异。

---

术语表（30 条）

术语	释义
MR-ART	Movement-Related ARTefacts，本数据集简称
运动伪影（motion artefact）	头部运动导致的图像重影、模糊、振铃等失真
结构 MRI（structural MRI）	刻画解剖结构的 MRI，此处为 T1 加权
T1 加权（T1-weighted）	突出组织 T1 弛豫差异的对比，脑结构像常用
MPRAGE	磁化准备快速梯度回波，一种 3D T1 序列
GRAPPA	并行成像加速技术；此处 2 倍平面内加速
各向同性分辨率	三个方向体素尺寸相同（此处 1 mm³）
TR / TE / TI / FA	重复时间 / 回波时间 / 翻转时间 / 翻转角
FOV	视野（Field of View），此处 256×256 mm
STAND	静止条件（BIDS 标签 standard）
HM1	轻度点头条件（headmotion1），提示 5 次
HM2	重度点头条件（headmotion2），提示 10 次
点头（nodding）	矢状面低头再抬头的运动，本数据集使用的运动范式
配对设计（matched design）	同一被试多条件采集，可做被试内比较
被试内设计（within-subject）	每个被试经历所有处理条件，消除个体差异
BIDS	Brain Imaging Data Structure，神经影像目录组织标准
dcm2bids	DICOM 转换 + BIDS 组织工具（v2.1.6）
PyDeface	去除面部信息的工具（v2.0.0）
MRIQC	MRI 质量控制工具，输出图像质量指标（v0.16.1）
IQM	图像质量指标（Image Quality Metric）
total SNR	总信噪比，信号强度与噪声水平之比
EFC	熵聚焦准则（Entropy Focus Criterion），度量图像聚焦程度
CJV	联合变异系数（Coefficient of Joint Variation），度量组织对比干净度
CNR	对比噪声比（Contrast-to-Noise Ratio）
临床伪影评分	神经放射科医师的 3 分制临床可用性评分（1/2/3）
盲评（blinded rating）	评分者不知道采集条件的设计
运动校正（motion correction）	从运动污染图像恢复干净图像的方法
运动模拟（motion simulation）	在 k-space 或 magnitude 域人为添加运动
泛化性（generalizability）	模型跨机构/扫描仪/人群的适用程度
深度分割（segmentation）	自动划分脑结构的方法，对运动敏感

附录

附录 A：条目信息速查卡

项	值
条目名	MR-ART
url_name	mr-art
类型	配对结构脑 MRI 运动伪影数据集
论文	Sci Data 9, 630 (2022)
团队	Research Centre for Natural Sciences（布达佩斯）+ University of Surrey
规模	148 人 × 3 条件（8 人缺一采）；1173 文件；约 4.22 GiB
许可	数据集 CC0 ｜ 论文 CC BY 4.0
抓取时点	2026-09-30
库内互链	openneuro(100)/ixi-brain(482)/adni(101)/oasis(21)/hbn(245)/cmrxmotion(687)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	9	OpenNeuro 平台索引 + 论文 DOI + BIDS 标准命名；“MR-ART” 名称唯一不易混淆
A 可获取性	10	CC0 + 公开直链 + DataLad，无任何门槛——库内最高档
I 可互操作	9	NIfTI + BIDS + JSON/TSV 标准；广泛工具支持，无专有格式
M 元数据质量	8	采集参数/评分/IQM 完整；扣分项为评分者间一致性缺失、Fig 数值仅图形
S 可持续性	9	OpenNeuro（BRAIN Initiative 指定归档）长期托管 + 每快照 DOI；扣分项为单中心依赖
综合评级	9.0/10（极高）	开放科学的理想样本；边界在泛化性而非可获取性

附录 C：逐项证据链自证

关键数字	来源	位置
148 被试 / 95 女	论文 Methods	Sci Data 9:630
18-75 岁 / 中位 25.16 / IQR 10.50	论文 Methods（Participants）	Sci Data 9:630
2019-2021 采集	论文 Methods	Sci Data 9:630
TR 2300/TE 3/TI 900/FA 9°/FOV 256	论文 Methods（Image acquisition）	Sci Data 9:630
HM1 5 次 / HM2 10 次点头	论文 Methods	Sci Data 9:630
8 人缺一采	论文 Methods	Sci Data 9:630
3 分制评分 + 100 张协调	论文 Methods（Artefact labelling）	Sci Data 9:630
PyDeface/MRIQC/dcm2bids 版本	论文 Code availability 段	Sci Data 9:630
1173 文件 / 4,526,466,554 B / 148 subjects	OpenNeuro GraphQL API 实测	openneuro.org 2026-09-30
License CC0	OpenNeuro API description.License	openneuro.org 2026-09-30
版本链 Draft/v1.0.0/1/2	OpenNeuro 版本页	openneuro.org 2026-09-30
运动模拟真实性（CJV/SNR/CNR 差异）	PLOS ONE 2024 doi:10.1371/journal.pone.0301132	journals.plos.org
IXI+HCP 训练 / MR-ART 验证	arXiv 2608.10170（SSRL-MAR）	arxiv.org
Res-MoCoDiff 用 MR-ART 148 例	Phys Med Biol 10.1088/1361-6560/ae1110	iopscience.iop.org
MACS-Net 80/48/20 划分	Int J Biomed Imaging 2024 PMC11081754	pmc.ncbi.nlm.nih.gov
19.8% 重复率 / 115,000 美元	论文引用 Andre et al. 2015	J Am Coll Radiol 12:689

附录 D：数据获取决策树

你想用 MR-ART 做什么？
├── 直接下数据
│   ├── 网页：openneuro.org/datasets/ds004173/versions/1.0.2
│   └── DataLad：clone github.com/OpenNeuroDatasets/ds004173.git → datalad get
├── 训练运动校正模型
│   ├── 主力训练：IXI/HCP 合成运动（规模大）
│   └── 外部验证：MR-ART 真实运动（本数据集）
├── 评测分割鲁棒性
│   └── 用 STAND/HM1/HM2 三条件对同一脑做分割，比较指标漂移
├── 训练自动质控分类器
│   └── 用 3 分制临床评分当标签（score 3 = 需重扫）
└── 验证运动模拟真实性
    └── 用真实运动图 + IQM 检查模拟图是否逼真

附录 E：三条件对照表

项	STAND	HM1	HM2
BIDS acquisition 标签	standard	headmotion1	headmotion2
运动指令	不动	点头	点头
提示次数	0	5	10
提示时长	—	5 s/次	5 s/次
预期临床评分	多为 1	中间（1-2 混合）	多为 2-3
参数	与另两条件完全相同	同左	同左

附录 F：临床评分速查

分数	含义	临床处置暗示
1	临床良好	可正常诊断使用
2	中等	可读但质量下降，视需求决定
3	差（临床诊断不可用）	通常需重扫

附录 G：MRIQC 三重点 IQM 速查

指标	全称	运动时趋势	主要用途
total SNR	总信噪比	通常降低	通用噪声水平
EFC	熵聚焦准则	通常升高	背景鬼影/聚焦
CJV	联合变异系数	通常升高	組織对比干净度

附录 H：BIDS 目录骨架

ds004173/
├── dataset_description.json
├── participants.tsv              # 年龄/性别
├── sub-<ID>/
│   ├── anat/
│   │   ├── sub-<ID>_acq-standard_T1w.nii.gz
│   │   ├── sub-<ID>_acq-headmotion1_T1w.nii.gz
│   │   └── sub-<ID>_acq-headmotion2_T1w.nii.gz
│   └── sub-<ID>_scans.tsv        # 逐扫描临床评分
└── derivatives/
    ├── mriqc-0.16.1/             # IQM JSON + group_T1w.tsv/html
    └── scores.tsv                # 临床评分汇总

附录 I：统计口径与公式备注

项	说明
被试内差异	同一被试两条件的 IQM 之差（如 HM1 − STAND）
评分对齐	score 1/2/3 对应临床良好/中等/差
配对样本量	三人配对 140 人（8 人缺一采）；二人配对可含全部 148 人
缺失处理	需先识别仅含两套扫描的被试

附录 J：库内互链登记

互链条目	rid	关系
OpenNeuro	100	托管平台
IXI 脑 MRI 多序列	482	方法学伙伴（合成训练/真实验证配对）
ADNI	101	结构脑 MRI 大队列，运动质控痛点
OASIS	21	结构脑 MRI 家族
HBN 儿童青少年脑队列	245	高运动人群，方法论迁移
UK Biobank	569	规模化影像质控
CMRxMotion	687	同主题（运动伪影）不同器官
BigBrain	285	脑影像图谱家族
Allen Brain Atlas	275	脑影像图谱家族
TopBrain 2.0	632	脑分割下游任务

附录 K：引用规范

@article{narai2022mrart,
  title   = {Movement-related artefacts (MR-ART) dataset of matched
             motion-corrupted and clean structural MRI brain scans},
  author  = {Nárai, Ádám and Hermann, Petra and Auer, Tibor and
             Kemenczky, Péter and Szalma, János and Homolya, István and
             Somogyi, Eszter and Vakli, Pál and Weiss, Béla and
             Vidnyánszky, Zoltán},
  journal = {Scientific Data},
  volume  = {9},
  pages   = {630},
  year    = {2022},
  doi     = {10.1038/s41597-022-01694-8}
}

@dataset{narai2022mrartdata,
  title     = {Movement-related artefacts (MR-ART) dataset},
  author    = {Nárai, Ádám and Hermann, Petra and Auer, Tibor and
               Kemenczky, Péter and Szalma, János and Homolya, István and
               Somogyi, Eszter and Vakli, Pál and Weiss, Béla and
               Vidnyánszky, Zoltán},
  year      = {2022},
  publisher = {OpenNeuro},
  doi       = {10.18112/openneuro.ds004173.v1.0.2}
}

附录 L：双口径登记表

#	项	口径 A	口径 B	处理
1	体积	4.22 GB（OpenNeuro 页面，二进制/实际 GiB）	4.53 GB（字节十进制换算）	双记，注明 GiB/GB
2	许可	数据集 CC0（OpenNeuro）	论文 CC BY 4.0（Sci Data）	按资产分别引用
3	数据来源	官方 OpenNeuro ds004173（CC0，3D）	Kaggle 第三方 2D 派生集（CC BY-NC 4.0）	官方为准，派生集仅提示
4	版本	v1.0.2（最新，论文引用）	v1.0.0/1.0.1（历史）	锁定 v1.0.2

附录 M：维护计划与触发点

触发点	条件	动作	优先级
新版本发布	OpenNeuro 出现 v1.0.3+	更新 §6 版本链与 DOI	1
后续研究扩表	新论文用 MR-ART 做验证	§7 生态线扩行	2
评分者间一致性补充	作者发布评分者信息/Kappa	§3.3、§10 坑 6 更新	3
派生数据集规范化	官方发布 2D 切片集	§6 获取节增补	4

附录 N：使用检查清单（12 项）

1. 许可确认：数据集 CC0，可自由使用（含商用）；论文 CC BY 4.0 仅约束论文文本/图表。
2. 版本锁定：用 v1.0.2，DOI 对应该快照。
3. 被试计数：核对 sub-* 目录数 = 148，participants.tsv 行数一致。
4. 缺失识别：找出 8 名只含两套扫描的被试，决定排除或二人配对。
5. 评分对齐：scores.tsv 与被试 scans 文件对齐，确认全覆盖。
6. IQM 关联：验证每张结构像有对应 MRIQC JSON，文件名可匹配。
7. 运动范式意识：记住是指令运动（受控点头），非临床自发运动。
8. 人群边界：健康成人（偏年轻），不代表儿童/老年/病人。
9. 配对统计：优先被试内配对分析，发挥设计优势。
10. 多指标合看：临床评分 + IQM 双视角，勿只看一个。
11. 数值来源：论文给图不给全表（坑 7），精确数值自行从 IQM JSON 算。
12. 引用完整：数据引数据集 DOI + 论文，两条都给。

附录 O：缩写速查

缩写	全称
MR-ART	Movement-Related ARTefacts
MRI	Magnetic Resonance Imaging（磁共振成像）
MPRAGE	Magnetization-Prepared Rapid Gradient Echo
BIDS	Brain Imaging Data Structure
IQM	Image Quality Metric
SNR	Signal-to-Noise Ratio
EFC	Entropy Focus Criterion
CJV	Coefficient of Joint Variation
CNR	Contrast-to-Noise Ratio
TR/TE/TI/FA	重复时间/回波时间/翻转时间/翻转角
FOV	Field of View
GRAPPA	Generalized Autocalibrating Partially Parallel Acquisition
CC0	Creative Commons Zero（公共领域奉献）
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability

附录 P：遗留疑点登记（诚实清单）

#	疑点	状态	影响
1	临床评分的评分者间一致性（Kappa）未报告	论文未给	评分标签噪声上界未知
2	每张扫描具体由哪位医师评定未披露	论文未给	无法做评分者效应分析
3	Fig 2/3/4 的逐格数值仅图形呈现	论文未给	精确统计需自行从 IQM JSON 计算
4	8 名缺一采被试的具体编号未列出	论文未给	需从数据中自行识别
5	三条件采集的先后顺序/随机化方案未详述	论文未详述	顺序效应无法评估
6	HM1/HM2 的实际点头角度分布未量化	论文未给	"运动量"仅有次数这个代理变量

以上六点均为论文未披露而非"本条目未查到"——它们是数据集使用时的真实边界，如实列出以免使用者误以为信息完备。

附录 Q：坑点档案（与 §10 对照）

坑	一句话档案	触发场景
坑 1	体积 4.22 GiB vs 4.53 GB（口径不同非矛盾）	引用/换算
坑 2	数据集 CC0 vs 论文 CC BY 4.0	许可引用
坑 3	指令运动 ≠ 自发运动	泛化外推
坑 4	Kaggle 第三方 2D 派生集非官方	数据获取
坑 5	版本 v1.0.2 与 DOI 对齐	复现
坑 6	评分者间一致性未报告	标签噪声
坑 7	Fig 数值仅图形	数字抽取
坑 8	8 人配对不完整	配对分析
坑 9	单中心单扫描仪泛化天花板	跨中心部署
坑 10	"运动伪影数据集"泛称误命中	检索

附录 R：检索路径示范（关键词组合）

目标	推荐查询式	预期命中
本体论文	“Movement-related artefacts” AND “MR-ART” AND “structural MRI”	Sci Data 9:630
数据集	OpenNeuro ds004173 / “MR-ART” site:openneuro.org	openneuro.org ds004173
运动校正用法	“MR-ART” AND (“motion correction” OR “artifact reduction”)	MACS-Net / Res-MoCoDiff / SSRL-MAR
运动模拟验证	“MR-ART” AND (“simulation” OR “TorchIO”)	PLOS ONE 2024
分割鲁棒性	“MR-ART” AND (“segmentation” OR “morphometry”)	Kemenczky 2022
反例（勿用）	“运动伪影数据集”（中文泛称）	混杂 CMRxMotion/腹腔镜条目

检索卫生两条：一、用精确英文名 “MR-ART” 或登录号 “ds004173” 避免与心脏/腹腔镜运动数据混淆；二、区分官方 OpenNeuro（CC0，3D）与 Kaggle 第三方派生集（CC BY-NC，2D）。

附录 S：与模拟运动数据集的联用协议

典型"合成训练 + 真实验证"工作流
├── 1. 训练集构造
│   ├── 取 IXI（rid 482）或 HCP 的干净 T1
│   └── 用 TorchIO RandomMotion 合成运动伪影（覆盖多档强度）
├── 2. 模型训练
│   └── 在合成配对（运动图 -> 干净图）上训练校正网络
├── 3. 真实验证
│   ├── 取 MR-ART 三条件配对
│   └── 输入 HM1/HM2，与 STAND 比较（NMSE/SSIM/PSNR 或分割 Dice）
└── 4. 稳健性核查
    ├── 用 MR-ART 临床评分分层（score 1/2/3）
    └── 检查模型在 score 3（最差）图上的表现衰减

附录 T：逐条件分析模板（伪代码）

import pandas as pd

# 假设已从 OpenNeuro 取得 scores.tsv 与 MRIQC JSON 汇总
df = pd.read_csv("derivatives/scores.tsv", sep="\t")   # 逐扫描评分
# 关联 acquisition 标签（standard/headmotion1/headmotion2）
# 关联 IQM（total SNR / EFC / CJV）

# 分析 1：采集条件 -> 临床评分分布（对应论文 Fig 4）
dist = df.groupby(["acquisition", "score"]).size().unstack(fill_value=0)

# 分析 2：临床评分 -> IQM 分布（对应论文 Fig 3a）
iqm_by_score = df.groupby("score")[["snr_total", "efc", "cjv"]].describe()

# 分析 3：被试内差异（对应论文 Fig 2b/3b）
# 需按 subject 配对，计算 HM1-STAND、HM2-STAND 的 IQM 差

以上骨架仅示意分析结构；字段名以实际 MRIQC JSON 为准，IQM 的具体键名需查 MRIQC v0.16.1 文档。

附录 U：版本历史与变更点

版本	日期	变更推测
Draft	2022-06-22	首次上传
v1.0.0	2022-06-28	首个公开快照
v1.0.1	2022-08-23	修正/增补
v1.0.2	2022-10-18	论文发表月定稿，当前标准引用

OpenNeuro 未公开各版本的逐项变更日志；引用时锁定 v1.0.2 即可与论文对齐。

附录 V：常见误用与纠正

误用	问题	纠正
当大样本训练集用	仅 148 人	当验证集；训练用 IXI/HCP 等
当作临床运动分布	是指令运动	明确"受控运动"边界
忽略缺失被试	8 人配对不全	先识别再分析
只报一个 IQM	三指标互补	SNR/EFC/CJV 合看
混用数据集许可	CC0 ≠ CC BY 4.0	按资产分别引用
用 Kaggle 派生集当官方	第三方、2D、BY-NC	用 OpenNeuro ds004173

附录 W：术语中英对照补充

中文	英文
运动伪影	motion artefact / artifact
头部运动	head motion
配对设计	matched design
被试内	within-subject
指令运动	cued / instructed motion
自发运动	spontaneous motion
临床可用性	clinical usability
图像质量指标	image quality metric (IQM)
运动校正	motion correction
运动模拟	motion simulation
分割鲁棒性	segmentation robustness
形态测量	morphometry
假萎缩	pseudo-atrophy
去脸	de-facing
公共领域	public domain

附录 X：本条目生产档案

• 生产通道：任务头 mr-art 正选，开工三查通过（锁创建、ps=6、无撞库）
• 存在性核验：WebSearch×4 + Nature 全文抓取 + OpenNeuro GraphQL API 实测 + 多篇第三方研究交叉（PLOS ONE 2024 / arXiv 2608.10170 / Phys Med Biol / Int J Biomed Imaging 2024）
• 硬数字三源互证：148 人、95 女、1173 文件、4,526,466,554 B、1 mm³、TR 2300/TE 3/TI 900/FA 9°
• 查重：DB url_name ILIKE '%mr-art%'/'%artefact%'/'%motion%' 仅命中无关条目
• FACTS.md：writing/mr-art/FACTS.md 九节
• 成稿方式：五块直写拼接（part1-5），私有区 .parts_agent-c-mrart_1790776175
• 坑点：§10 十则（坑 1-10"坑 N："编号制）
• description：成稿时即 ≤170 字符
• 互链计划：OpenNeuro(100)/IXI(482)/ADNI(101)/OASIS(21)/HBN(245)/CMRxMotion(687) 等

附录 Y：FAIR/AI-Ready 检查单

检查项	状态	说明
F1 全局唯一标识	✅	OpenNeuro DOI（每快照）+ 论文 DOI
F2 富元数据	✅	BIDS + participants.tsv + IQM + 评分
A1 可访问协议	✅	CC0 + 公开直链 + DataLad
A2 元数据可访问	✅	完全开放
I1 互操作格式	✅	NIfTI + JSON + TSV
I2 词汇表引用	✅	BIDS + MRIQC 标准
R1 来源溯源	✅	采集协议/参数/伦理批号公开
R3 可复现流程	✅	工具链版本明确
AI-Ready 综合	极高	库内最开放样本之一

附录 Z：致谢与数据来源声明

本条目所依据的一手来源：

1. 论文：Nárai Á, Hermann P, Auer T, et al. Movement-related artefacts (MR-ART) dataset of matched motion-corrupted and clean structural MRI brain scans. Sci Data 9, 630 (2022). doi:10.1038/s41597-022-01694-8（开放获取 CC BY 4.0）
2. 数据集：OpenNeuro ds004173 v1.0.2（CC0），doi:10.18112/openneuro.ds004173.v1.0.2
3. 平台元数据：OpenNeuro GraphQL API（2026-09-30 实测：1173 文件、4,526,466,554 B、148 subjects、License CC0）
4. 第三方研究：PLOS ONE 2024（doi:10.1371/journal.pone.0301132）、arXiv 2608.10170、Phys Med Biol（doi:10.1088/1361-6560/ae1110）、Int J Biomed Imaging 2024（PMC11081754）

所有事实陈述基于上述来源；未能在三源中互证的信息标注为遗留疑点（附录 P）。

---

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-09-30，抓取与核验时点见附录 A。事实陈述以论文（Scientific Data 9:630, 2022）、OpenNeuro ds004173 元数据（GraphQL API 实测 2026-09-30）与多篇第三方研究（PLOS ONE 2024、arXiv 2608.10170、Phys Med Biol、Int J Biomed Imaging 2024）为源。体积口径（GiB vs GB）与许可分层（数据集 CC0 vs 论文 CC BY 4.0）已在坑点与附录 L 存照；评分者间一致性缺失、Fig 数值仅图形、8 人配对不完整等原始文档边界已在 §10 与遗留疑点中声明。条目与库内 OpenNeuro（rid 100）、IXI（rid 482）、ADNI（rid 101）、OASIS（rid 21）、HBN（rid 245）、CMRxMotion（rid 687）等条目互链，构成结构脑 MRI 与运动伪影研究的完整检索面。后续维护触发点见附录 M。

---

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：

• intra — 共享标签：医学影像 / MRI / 脑影像 / 医学图像分割 / 评测基准
• ulf-enc — 共享标签：医学影像 / MRI / 脑影像 / 评测基准
• prostate158 — 共享标签：医学影像 / MRI / 医学图像分割 / 评测基准
• mitoem — 共享标签：医学影像 / 脑影像 / 医学图像分割 / 评测基准
• adam-aneurysm — 共享标签：医学影像 / 脑影像 / 医学图像分割 / 评测基准
• ixi-brain — 共享标签：医学影像 / MRI / 脑影像
• topbrain2026 — 共享标签：医学影像 / 脑影像 / 医学图像分割
• 3dreasonknee — 共享标签：医学影像 / MRI / 医学图像分割 / 评测基准
• acdc — 共享标签：医学影像 / MRI / 医学图像分割 / 评测基准
• aims-tbi — 共享标签：医学影像 / MRI / 脑影像 / 医学图像分割

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。