マルチコイルMRI再構成チャレンジ脳MRI再構成モデルと、さまざまなコイル構成への一般化可能性

ディープラーニングベースの脳磁気共鳴画像法（MRI）再構築方法は、MRI獲得プロセスを加速する可能性があります。それにもかかわらず、科学コミュニティには、高解像度の脳画像のMRI再構成品質を評価し、これらの提案されたアルゴリズムが小さなが予想されるデータ分布シフトの存在下でどのように動作するかを評価するための適切なベンチマークがありません。マルチコイルMRI（MC-MRI）再構成チャレンジは、高解像度、3次元、T1強調MRIスキャンの大きなデータセットを使用して、これらの問題に対処することを目的としたベンチマークを提供します。課題には2つの主要な目標があります。（1）このデータセットで異なるMRI再構成モデルを比較すると、（2）さまざまな数の受信者コイルで取得したデータに対するこれらのモデルの一般化可能性を評価する。この論文では、課題の実験設計について説明し、一連のベースラインと最先端の脳MRI再構成モデルの結果を要約します。現在のMRI再構成に関する関連情報を提供し、より広範な臨床採用の前に必要な一般化可能なモデルを取得するという課題を強調します。MC-MRIベンチマークデータ、評価コード、および現在のチャレンジリーダーボードは公開されています。それらは、脳MRI再建の分野での将来の発展のための客観的なパフォーマンス評価を提供します。

Deep-learning-based brain magnetic resonance imaging (MRI) reconstruction methods have the potential to accelerate the MRI acquisition process. Nevertheless, the scientific community lacks appropriate benchmarks to assess the MRI reconstruction quality of high-resolution brain images, and evaluate how these proposed algorithms will behave in the presence of small, but expected data distribution shifts. The multi-coil MRI (MC-MRI) reconstruction challenge provides a benchmark that aims at addressing these issues, using a large dataset of high-resolution, three-dimensional, T1-weighted MRI scans. The challenge has two primary goals: (1) to compare different MRI reconstruction models on this dataset and (2) to assess the generalizability of these models to data acquired with a different number of receiver coils. In this paper, we describe the challenge experimental design and summarize the results of a set of baseline and state-of-the-art brain MRI reconstruction models. We provide relevant comparative information on the current MRI reconstruction state-of-the-art and highlight the challenges of obtaining generalizable models that are required prior to broader clinical adoption. The MC-MRI benchmark data, evaluation code, and current challenge leaderboard are publicly available. They provide an objective performance assessment for future developments in the field of brain MRI reconstruction.