Segmentation-guided MRI reconstruction for meaningfully diverse reconstructions

逆问题（如加速MRI重建）是不适定的，存在无限多个可能的解决方案。这不仅可能导致重建图像的不确定性，还可能影响下游任务，如语义分割。然而，尽管概率重建模型通常被使用，但这种不确定性在文献中大多没有被分析。这些模型可能会忽略可能但不太可能出现的解决方案，如罕见的病理学。在基于扩散模型的MRI重建方法的基础上，我们在推理过程中添加了扩散过程的指导，生成了两个有意义的重建，分别对应于上限和下限分割。然后，可以通过这些边界之间的差异来量化重建的不确定性，我们称之为“不确定性边界”。我们分析了广泛加速因子下上限和下限分割的行为，并发现与重复采样相比，不确定性边界更可靠和更准确。代码可在https://github.com/NikolasMorshuis/SGR上获得。

本文旨在解决加速MRI重建中存在的不确定性问题，即重建图像的不确定性可能会影响后续任务的准确性，但这种不确定性在文献中往往未被充分分析。

本文基于扩散模型的MRI重建方法，通过在推断过程中添加扩散过程的指导，生成两个有意义的重建图像，分别对应上界和下界分割，可以通过这两个分割的差异来量化重建不确定性。相比于重复抽样，这种方法更可靠、更准确。

本文的亮点在于提出了一种新的MRI重建方法，可以量化重建图像的不确定性，并且在多种加速因子下都表现出良好的性能。此外，作者还公开了代码，方便其他研究者进行进一步研究。

近期的相关研究包括：1. 'Probabilistic MRI Reconstruction Using Compressed Sensing'；2. 'Deep Learning for Accelerated MRI: Past, Present, and Future'；3. 'Variational network for accelerated MRI reconstruction using plug-and-play priors'。