AVS-Net/knee_fast_mri

--- license: afl-3.0 tags: - medical size_categories: - 100M<n<1B --- # Dataset for AVS-Net Pre-training The dataset utilized in the pre-training of the AVS-Net: Attention-based Variable Splitting Network for P-MRI Acceleration model, developed by Y Zhang, J Li, Z Wang, J Duan, and J Li, incorporates data from five distinct protocol sequences. These are: - (coronal_pd)Coronal Spin Density-weighted without Fat Suppression - (coronal_pd_fs)Coronal Spin Density-weighted with Fat Suppression - (sagittal_pd)Sagittal Spin Density-weighted - (sagittal_t2)Sagittal T2-weighted with Fat Suppression - (axial_t2)Axial T2-weighted with Fat Suppression The dataset is structured on a slice-by-slice basis, with each slice containing 20 cases. Each case is comprised of two files: rawdata*.mat and espirit*.mat. The dataset's structure can be outlined as follows: ## Dataset architecture: - name: /rds/projects/d/duanj-ai-in-medical-imaging/knee_fast_mri - Protocol: [coronal_pd, coronal_pd_fs, sagittal_pd, sagittal_t2, axial_t2] Approximately 40 slices per protocol, each slice containing 15 channels, with a height and width (HW) of (640, 368) ``` knee_nyu - axial_t2 coronal_pd(X) coronal_pd_fs sagittal_pd sagittal_t2 | | | | | - [1, 2, 3, 4, 5, 6, 7, 8, 9, 10], [11, 12, 13, 14, 15, 16, 17, 18, 19, 20] masks | | - [train] [val] | | - espirit*.mat(1-40), rawdata*.mat(1-40) *_masks.mat ``` In this structure, each protocol has approximately 40 slices, each consisting of 15 channels. The dimensions of the data are 640x368 (height x width). For each protocol, the slices are further divided into two groups: the training set ([train]) and the validation set ([val]). The training set includes the espirit*.mat and rawdata*.mat files for each slice, while the validation set contains *_masks.mat files. ## Dataset Usage > For a standalone knee dataset download, use `git lfs`(<https://git-lfs.com/>) to download from the `huggingface` datasets(<https://huggingface.co/datasets/AVS-Net/knee_fast_mri>): ```bash # Make sure you have git-lfs installed (https://git-lfs.com) git lfs install git clone -j8 [e-mail]:datasets/AVS-Net/knee_fast_mri ``` ## Known Issues and Resolutions - 1. Network Connection Issue For enhanced network connection quality, it is recommended to employ the `ssh` protocol instead of `https`. ```bash # Rather than utilizing `https://huggingface.co/datasets/AVS-Net/knee_fast_mri` # Clone the repository using `[e-mail]:datasets/AVS-Net/knee_fast_mri` # As an example: git clone -j8 [e-mail]:datasets/AVS-Net/knee_fast_mri ``` - 2. Interruptions During Download Certain error messages may appear during the download process due to interruptions. These errors can include: ``` error: ... : cannot add to the index - missing --add option? batch response: Post ... : read: connection reset by peer error: failed to fetch some objects from 'https://hf.co/datasets/AVS-Net/knee_fast_mri.git/info/lfs' ``` Following the instructions below allows for the handling of these interruptions. ```bash # Navigate (`cd`) to the directory containing the `lfs` folder # Intead of using `git pull`, # Use `git lfs pull` to resume the download progress for `lfs` projects git lfs pull ``` Please note that this process will resume the download from where it was interrupted, thereby ensuring the integrity of your downloaded data.--- 许可证: afl-3.0 标签: - 医学 规模类别: - 100M<n<1B --- # 用于AVS-Net预训练的数据集 本数据集用于由Y Zhang、J Li、Z Wang、J Duan及J Li开发的AVS-Net（基于注意力的可变拆分网络，用于P-MRI加速）模型的预训练，包含5种不同的协议序列，分别为： - (coronal_pd)冠状位质子密度加权无脂肪抑制序列 - (coronal_pd_fs)冠状位质子密度加权脂肪抑制序列 - (sagittal_pd)矢状位质子密度加权序列 - (sagittal_t2)矢状位T2加权脂肪抑制序列 - (axial_t2)轴位T2加权脂肪抑制序列 本数据集以逐切片的方式组织，每个切片对应20个病例，每个病例包含两个文件：rawdata*.mat与espirit*.mat。数据集结构可概述如下： ## 数据集架构： - 名称: /rds/projects/d/duanj-ai-in-medical-imaging/knee_fast_mri - 协议序列: [coronal_pd, coronal_pd_fs, sagittal_pd, sagittal_t2, axial_t2] 每个协议约包含40个切片，每个切片含15个通道，图像高宽（HW）为(640, 368)。 knee_nyu - axial_t2 coronal_pd(X) coronal_pd_fs sagittal_pd sagittal_t2 | | | | | - [1, 2, 3, 4, 5, 6, 7, 8, 9, 10], [11, 12, 13, 14, 15, 16, 17, 18, 19, 20] masks | | - [训练集] [验证集] | | - espirit*.mat(1-40), rawdata*.mat(1-40) *_masks.mat 在该结构中，每个协议约含40个切片，每个切片包含15个通道，数据维度为640×368（高×宽）。针对每个协议，切片会进一步划分为两组：训练集与验证集。训练集包含每个切片对应的espirit*.mat与rawdata*.mat文件，验证集则包含*_masks.mat文件。 ## 数据集使用方法 > 若需单独下载该膝关节数据集，请使用Git LFS（Git Large File Storage，大文件存储）从Hugging Face数据集仓库（https://huggingface.co/datasets/AVS-Net/knee_fast_mri）拉取： bash # 请确保已安装git-lfs(https://git-lfs.com/) git lfs install git clone -j8 [e-mail]:datasets/AVS-Net/knee_fast_mri ## 已知问题与解决方案 - 1. 网络连接问题 为提升网络连接质量，建议使用SSH协议替代HTTPS协议。 bash # 请勿使用`https://huggingface.co/datasets/AVS-Net/knee_fast_mri` # 请使用`[e-mail]:datasets/AVS-Net/knee_fast_mri`克隆仓库 # 示例命令： git clone -j8 [e-mail]:datasets/AVS-Net/knee_fast_mri - 2. 下载中断问题 下载过程中可能因中断出现如下错误信息，示例包括： error: ... : cannot add to the index - missing --add option? batch response: Post ... : read: connection reset by peer error: failed to fetch some objects from 'https://hf.co/datasets/AVS-Net/knee_fast_mri.git/info/lfs' 可通过以下步骤处理此类中断问题： bash # 切换至包含lfs文件夹的目录 # 请勿使用`git pull`， # 请使用`git lfs pull`恢复LFS项目的下载进度 git lfs pull 请注意，该操作将从中断处恢复下载，以确保下载数据的完整性。

原始信息汇总

数据集概述

数据集名称

Dataset for AVS-Net Pre-training

数据集描述

该数据集用于预训练AVS-Net模型，即Attention-based Variable Splitting Network for P-MRI Acceleration模型。数据集包含五个不同的协议序列：

• (coronal_pd) Coronal Spin Density-weighted without Fat Suppression
• (coronal_pd_fs) Coronal Spin Density-weighted with Fat Suppression
• (sagittal_pd) Sagittal Spin Density-weighted
• (sagittal_t2) Sagittal T2-weighted with Fat Suppression
• (axial_t2) Axial T2-weighted with Fat Suppression

数据集结构

数据集按切片组织，每片包含20个病例。每个病例包含两个文件：rawdata*.mat 和 espirit*.mat。数据集的结构如下：

数据集架构

• 名称: /rds/projects/d/duanj-ai-in-medical-imaging/knee_fast_mri
• 协议: [coronal_pd, coronal_pd_fs, sagittal_pd, sagittal_t2, axial_t2]

每个协议大约有40个切片，每个切片包含15个通道，高度和宽度（HW）为（640, 368）。

knee_nyu - axial_t2 coronal_pd(X) coronal_pd_fs sagittal_pd sagittal_t2 | | | | | - [1, 2, 3, 4, 5, 6, 7, 8, 9, 10], [11, 12, 13, 14, 15, 16, 17, 18, 19, 20] masks | | - [train] [val] | | - espirit*.mat(1-40), rawdata*.mat(1-40) *_masks.mat

数据集使用

数据集可以通过git lfs下载，具体命令如下：

bash

确保已安装git-lfs

git lfs install git clone -j8 [e-mail]:datasets/AVS-Net/knee_fast_mri

已知问题及解决方案

• 网络连接问题：建议使用ssh协议代替https。
• 下载中断问题：使用git lfs pull命令恢复下载。

搜集汇总

数据集介绍

构建方式

该数据集专为AVS-Net（基于注意力机制的可变分裂网络）的预训练而构建，旨在加速并行磁共振成像（P-MRI）中的图像重建。数据源自五种不同的MRI协议序列，包括无脂肪抑制的冠状自旋密度加权成像、带脂肪抑制的冠状自旋密度加权成像、矢状自旋密度加权成像、带脂肪抑制的矢状T2加权成像以及带脂肪抑制的轴向T2加权成像。数据集以切片为基本单元进行组织，每个协议序列约包含40个切片，每个切片由15个通道组成，数据维度为640×368（高×宽）。每个切片包含两个核心文件：rawdata*.mat（原始数据）和espirit*.mat（ESPIRiT校准数据）。训练集与验证集通过10个案例为一组进行划分，验证集额外提供*_masks.mat掩码文件，以支持模型评估。

使用方法

用户可通过HuggingFace平台便捷获取该数据集。推荐使用Git LFS工具进行高效下载，采用SSH协议（[e-mail]:datasets/AVS-Net/knee_fast_mri）以增强网络连接稳定性。具体步骤为：先执行git lfs install安装LFS组件，再运行git clone -j8命令克隆仓库。若下载过程中因网络中断出现错误，可进入数据集目录后执行git lfs pull命令，从断点处恢复下载，确保数据完整性。下载完成后，用户可根据协议序列文件夹（如coronal_pd）和案例编号（1-20）直接访问训练集与验证集的.mat文件，结合代码库中的dataloader实现数据加载与预处理。

背景与挑战

背景概述

在磁共振成像领域，加速采集技术一直是研究热点，其中并行磁共振成像（P-MRI）通过多通道线圈数据实现空间编码加速，但传统重建方法在欠采样条件下易产生伪影。由Y Zhang、J Li、Z Wang、J Duan及J Li等研究人员于近年提出的AVS-Net（基于注意力机制的可变分裂网络）模型，旨在通过深度学习优化P-MRI加速重建。该数据集作为AVS-Net预训练的核心资源，整合了纽约大学（NYU）公开的膝关节MRI数据，涵盖五种典型协议序列：冠状位质子密度加权（有无脂肪抑制）、矢状位质子密度加权、矢状位T2加权（脂肪抑制）及轴位T2加权（脂肪抑制）。数据集按切片组织，每切片包含20个病例，提供原始k空间数据（rawdata*.mat）与ESPIRiT校准数据（espirit*.mat），共约40个切片、15通道、640×368像素分辨率。该数据集为P-MRI加速重建提供了多协议、多对比度的标准化训练基准，显著推动了基于注意力机制的医学图像重建研究，在MRI加速领域具有重要影响力。

当前挑战

该数据集面临的核心挑战在于解决P-MRI加速重建的领域难题：如何在高度欠采样（如4倍至10倍加速）下从多通道k空间数据中恢复无伪影的高质量图像，尤其需处理不同协议序列间对比度差异、脂肪抑制效应及运动伪影的干扰。构建过程中，数据预处理需严格对齐多协议切片的空间分辨率与通道数（15通道），并确保ESPIRiT校准数据的准确性以支撑可变分裂网络训练；此外，数据划分需平衡各协议下的训练集（40切片）与验证集（含掩码文件）的分布，避免协议间样本不均衡。大规模数据下载依赖Git LFS，易因网络波动或中断导致传输失败，需通过SSH协议与增量拉取策略保证数据完整性。这些挑战对模型的泛化能力与数据管理的鲁棒性提出了严苛要求。

常用场景

经典使用场景

在磁共振快速成像这一前沿领域，AVS-Net/knee_fast_mri数据集为并行磁共振成像（P-MRI）加速算法的研发与评估提供了关键支撑。该数据集汇聚了来自五种不同协议序列的膝部磁共振数据，涵盖自旋密度加权像与T2加权像等多种对比度模式，并细分为训练集与验证集，为基于注意力的可变分裂网络（AVS-Net）等深度学习模型的预训练与性能验证奠定了坚实基础。研究者可借助该数据集系统性地探索多通道、多协议条件下的图像重建质量，推动加速因子与图像保真度之间的最优权衡。

解决学术问题

该数据集精准回应了磁共振成像领域长期面临的采集速度瓶颈与图像质量矛盾这一核心学术难题。通过提供包含15通道、高分辨率（640×368）的原始k空间数据与ESPIRiT灵敏度图，它使得研究者能够深入探究欠采样重建中的正则化策略与网络结构设计。数据集的多协议特性使得跨对比度泛化能力与鲁棒性成为可量化评估的指标，从而助力解决传统单协议模型在临床多变场景中性能退化的问题，为加速磁共振成像的标准化研究提供了权威基准。

实际应用

在实际临床场景中，该数据集所支撑的加速成像技术可显著缩短磁共振扫描时间，进而提升患者舒适度与医疗设备周转效率。基于此数据训练的模型有望在膝部软骨、半月板及韧带等软组织病变的快速筛查中发挥作用，尤其适用于急诊创伤评估与大规模人群筛查。此外，其多协议特性使得算法能够适应不同医院或扫描仪的参数差异，为可迁移的磁共振加速方案落地铺平道路，推动精准医疗与影像组学在肌骨系统中的高效应用。

数据集最近研究

最新研究方向

在快速磁共振成像（P-MRI）领域，数据驱动的深度学习模型正逐步取代传统压缩感知方法，成为加速成像的核心技术。AVS-Net/knee_fast_mri数据集依托五种临床常用序列（如冠状面质子密度加权、矢状面T2加权脂肪抑制等），为基于注意力机制的可变分裂网络（AVS-Net）提供了多协议、多通道的高质量膝关节MRI切片数据。该数据集的前沿研究方向聚焦于利用注意力机制优化欠采样重建的稀疏性与动态性，结合ESPIRiT线圈灵敏度估计与原始k空间数据，推动模型在保持诊断精度的同时实现更高加速因子。当前，随着医疗AI对可解释性与实时性需求的提升，该数据集在跨序列泛化能力、噪声鲁棒性及小样本学习中的潜力备受关注，其切片级标注与协议多样性为临床多中心研究奠定了关键基础，有望加速P-MRI技术向低场强、低成本设备迁移，对缓解医疗资源不均具有深远意义。