MMCMR-427K

MMCMR-427K是目前最大、最全面的多模态心血管磁共振（CMR）k空间数据库，旨在为超快速CMR成像提供一个通用的重建基础模型。该数据集包含427,465个多线圈k空间数据，配有结构化元数据（约3.5 TB），来自1,504名参与者的6,120次扫描，覆盖13个国际中心（四个公共存储库和九个临床中心）、15台扫描仪（四个供应商，从低场到超高场强）、12种CMR模态和17种心血管疾病（CVD）类别，涉及亚洲、欧洲和北美三个地区的人群。数据集作为CardioMM框架的一部分，已在CMRxRecon挑战系列（2023-2025）中使用，吸引了来自125个国家和地区的11,000多名活跃参与者。数据集适用于图像到图像的任务，特别适用于医学影像、图像处理和人工智能领域的研究与应用。MMCMR-427K is currently the largest and most comprehensive multi-modal cardiovascular magnetic resonance (CMR) k-space database, designed to serve as a generalizable foundational reconstruction framework for ultra-fast CMR imaging. The dataset contains 427,465 multi-coil k-space data paired with structured metadata (approximately 3.5 TB in total), originating from 6,120 scans of 1,504 participants. It covers 13 international sites (four public repositories and nine clinical centers), 15 scanners from four vendors spanning low-field to ultra-high-field strength, 12 CMR modalities, and 17 cardiovascular disease (CVD) categories, encompassing populations from three global regions: Asia, Europe, and North America. As a component of the CardioMM framework, this dataset has been employed in the CMRxRecon challenge series (2023–2025), drawing over 11,000 active participants across 125 countries and regions. This dataset is applicable to image-to-image tasks, and is specifically suited for research and applications in the fields of medical imaging, image processing, and artificial intelligence.

原始信息汇总

数据集概述：MMCMR-427K

数据集名称：MMCMR-427K
许可证：CC-BY-NC-4.0（非商业用途）
任务类别：图像到图像（image-to-image）
标签：医学影像、图像处理、人工智能、MRI、重建、CardioMM

数据集背景与动机

多模态心血管磁共振（CMR）成像能够提供全面、无创的心血管疾病诊断信息，但由于扫描时间长以及不同医疗环境之间的异质性，其广泛应用受到限制。MMCMR-427K旨在填补一个尚未被充分探索的空白：一个能够适应多种成像场景、支持超快速CMR成像的通用重建基础模型，并为所有下游分析提供基础支撑。

数据集规模与构成

• 总数据量：427,465个多线圈k空间数据，配有结构化元数据（约3.5 TB）
• 来源：来自1,504名参与者的6,120次扫描
• 覆盖范围：
  • 13个国际中心（4个公共数据库 + 9个临床中心）
  • 15种扫描仪（4家供应商，涵盖低场到超高场强）
  • 12种CMR模态
  • 17种心血管疾病类别
  • 3种人群（亚洲、欧洲、北美）

社区参与

在CMRxRecon挑战系列（2023–2025）中，已有来自125个国家和地区的超过11,000名活跃参与者，反映了全球对下一代CMR技术的广泛兴趣。

相关资源

• 官方网站：https://github.com/wangziblake/CardioMM_MMCMR-427K
• 相关论文：https://arxiv.org/abs/2512.21652

重要提示

文件需要进行合并和完整性验证。为确保数据解压成功，请严格参照官方网站上的步骤进行文件合并。

搜集汇总

数据集介绍

构建方式

MMCMR-427K数据集是基于多模态心血管磁共振（CMR）成像技术构建的迄今为止规模最大的多模态CMR k-空间数据库。其构建过程系统整合了来自13个国际中心（包括4个公共数据库和9个临床中心）的数据源，覆盖15台不同厂商、从低场到超高场强的扫描设备，共计6,120次扫描，来自1,504名参与者。所有数据均以多线圈k-空间格式存储，并附带结构化元数据，总数据量约3.5TB。构建过程中特别注重数据多样性与代表性，囊括了12种CMR成像模态、17种心血管疾病类别以及三个主要人群（亚洲、欧洲和北美）的样本，从而为超快速CMR成像通用基础模型的训练奠定了坚实的数据基础。

特点

该数据集的核心亮点在于其前所未有的规模与多模态异质性。包含427,465组多线圈k-空间数据，使其成为当前最全面的多模态CMR重建数据集。数据来源横跨国际多中心、多厂商、多场强扫描仪，并涵盖丰富的疾病谱系与健康人群，显著提升了模型在真实临床场景中的泛化能力。此外，数据集中每份样本均配有精细的结构化元数据，便于进行条件式重建与下游任务适配。该数据集直接服务于CardioMM框架，旨在填补通用重建基础模型的研究空白，已引发全球超过11,000名研究者参与相关挑战赛，彰显其广泛的学术影响力与应用价值。

使用方法

使用MMCMR-427K数据集时，需首先从官方GitHub仓库获取详细的文件合并与完整性验证指南。由于数据以分卷压缩包形式提供，必须严格按照指定步骤合并.tar.gz文件，否则将导致数据损坏无法解压。成功合并后，用户可加载多线圈k-空间数据进行图像重建模型的训练与评估。数据集的结构化元数据支持按扫描仪型号、成像模态、疾病类型等条件进行子集筛选，便于开展特定场景下的研究工作。推荐配合CardioMM框架使用，以实现超快速CMR成像的全流程分析与下游任务对接。最新论文与持续更新的数据资源可在arXiv及项目官网获取。

背景与挑战

背景概述

心血管磁共振（CMR）成像作为一种无创、多模态的影像技术，在心血管疾病的诊断与机制研究中展现出独特价值。然而，其临床广泛应用受限于扫描时间过长及不同医疗环境下的异质性。为突破这一瓶颈，MMCMR-427K数据集由多机构研究团队于近年创建，旨在构建首个通用型超快速CMR重建基础模型。该数据集汇集了来自13个国际中心（涵盖四个公共数据库与九家临床中心）、15种扫描仪（从低场到超高场、四大厂商）、12种CMR模态及17种心血管疾病类别的427,465组多线圈k空间数据（约3.5TB），覆盖亚洲、欧洲、北美三大人群。其衍生的CMRxRecon挑战系列（2023-2025）吸引了来自125个国家和地区的超过11,000名活跃参与者，彰显了其在推动下一代CMR技术发展中的核心影响力。

当前挑战

MMCMR-427K面临的核心挑战在于解决超快速CMR成像的领域难题：传统压缩感知与并行成像方法在极速采样下难以兼顾重建速度与图像质量，而现有深度学习方法多针对单一模态或特定场景，缺乏跨场景泛化能力。构建过程中亦遭遇多重挑战：数据需从13个国际中心、15种不同硬件配置的扫描仪中标准化采集，面临格式不一致、伪影差异及标注不统一等问题；来自四大人群、三大陆的群体差异要求模型具备鲁棒性；此外，约3.5TB的海量k空间数据需要高效的存储、传输与预处理策略，且文件分割与完整性验证机制必须严格实施，以避免数据损坏影响后续研究。

常用场景

经典使用场景

MMCMR-427K数据集在心血管磁共振成像领域扮演着基石角色，其最经典的用途在于训练和评估通用的重建基础模型。该数据集汇聚了来自全球13个中心、15种扫描仪以及12种CMR模态的海量多线圈k空间数据，为开发能够适应多样化成像场景的快速CMR重建算法提供了无与伦比的资源。研究人员可借助此数据集构建能够有效处理不同场强、厂商和序列的重建模型，从而突破传统方法在泛化能力上的局限，推动超快速CMR成像技术的实质性进展。

实际应用

在实际临床场景中，MMCMR-427K数据集驱动的研究成果有望显著缩短心血管疾病患者的磁共振扫描时间，提升检查效率与患者舒适度。它所支持开发的通用重建模型能够适用于不同医院、不同品牌设备获取的影像数据，有效降低了因设备差异带来的诊断偏差，促进高质量CMR技术在各级医疗机构的普及。此外，快速准确的图像重建也为后续的定量分析、病变检测与功能评估提供了高质量基础，直接助力心血管疾病的精准诊疗。

衍生相关工作

该数据集直接催生了CMRxRecon挑战系列（2023-2025年），吸引了来自125个国家和地区超过11,000名活跃参与者，极大地激活了全球范围内对新一代CMR重建技术的研究热潮。围绕该数据库，学术界涌现了大量关于多模态融合、跨域泛化、自监督学习与基础模型在医学影像重建中的应用等前沿工作。这些衍生研究不仅深化了对快速MRI重建机制的理解，也推动了从专用模型向通用基础模型范式转变的浪潮，对医学影像人工智能领域产生了广泛而深远的影响。