相对于其它的视觉任务,如超分、去噪等,MRI 重建的数据集相对较少,我所知的两个比较正规的数据集为 fastMRI 和 CC-359,它们都提供了K空间的原始数据(复数)。
(1)Facebook AI Research (FAIR) and NYU Langone Health 发布的 fastMRI,官网上也给出相应的 github 指导新手快速上手,所用的深度学习框架为 pytorch ,但是这个数据集非常的大,singlecoil 部分的数据集有100G左右,multicoil 部分的数据集更是达到了 1000G。同时数据集的空间尺寸为 640x368 ,官方给出的 baseline(一个U-net网络)都是先将频域数据经 ifft 变换到 时域, 再将其裁剪到 320x320,然后放入网络进行训练,这给我们在设计网络时融合频域信息带来不便。同时在fastMRI 数据集上训练网络带来的 psnr等提升非常小,不利于发文章。
(2)CC-359 的数据集相对比较小,其 single_coil 大约在 8 G 左右,multi_coil 大约在 200G 左右,数据集空间尺寸为 256x256,具体信息看官网介绍。但 CC-359 并没有给出很好的入门教程,一些相关的论文也并不是以 pytorch 为框架的。
本系列文章,记录了我使用 CC-359数据集 进行 MRI重建的过程,以供自己和他人参考,所用框架为 pytorch,相关代码将放在 github 上。