On Instabilities of Unsupervised Denoising Diffusion Models in Magnetic Resonance Imaging Reconstruction

去噪扩散模型为加速磁共振成像（MRI）并以无监督的方式产生诊断级别的图像提供了一种有前途的方法。然而，我们的研究表明，即使是从代理模型传输的微小最坏情况的潜在扰动也可能导致这些模型生成虚假的组织结构，可能误导临床医生。这种最坏情况扰动的可转移性表明，由于MR系统的缺陷或其他噪声源，图像重建的鲁棒性可能会受到损害。此外，在较大的扰动强度下，扩散模型表现出高斯噪声样的伪影，这些伪影与监督模型观察到的伪影不同，更难以检测。我们的结果突出了当前最先进的基于扩散的重建模型对可能最坏情况扰动的脆弱性，并强调了在临床环境中提高其鲁棒性和可靠性的进一步研究的必要性。

本论文旨在探讨扩散模型在磁共振成像（MRI）中的应用，以及模型对噪声和系统缺陷的鲁棒性问题。

论文发现，即使是来自代理模型的微小最坏情况扰动，也可能导致扩散模型生成虚假的组织结构，这可能会误导临床医生。同时，扩散模型对于可能的最坏情况扰动的可转移性表明，图像重建的鲁棒性可能会因MR系统缺陷或其他噪声源而受到影响。因此，论文强调了当前扩散重建模型在临床环境中鲁棒性和可靠性的不足，并提出了进一步研究的必要性。

论文通过实验表明，当前的扩散重建模型对于最坏情况扰动的脆弱性，以及在大幅扰动下表现出高斯噪声样本的问题。这些问题与监督模型不同，并且更难以检测。此外，论文提出了进一步研究的方向，以提高扩散重建模型的鲁棒性和可靠性。

近期的相关研究包括： 1. Learning to Reconstruct MRI Images from Undersampled Data，作者：K. Hammernik等人 2. Deep Residual Learning for Accelerated MRI using Magnitude and Phase Networks，作者：K. Kwon等人 3. A Deep Cascade of Convolutional Neural Networks for Dynamic MR Image Reconstruction，作者：J. Zhang等人