把握细节：在语义多样化重建中揭示加速MRI中的临床相关图像细节

近年来，基于深度学习的加速MRI重建取得了显著的图像质量提升，尤其在高加速度因子下取得了令人印象深刻的结果。然而，从临床角度来看，图像质量仅次于重要；更为关键的是，来自强采样数据的重建必须保留所有临床相关信息。本文表明，现有技术即便考虑了基于扩散的重建采样，仍可能无法重建小且罕见的病灶，从而导致潜在的错误诊断决定（假阴性）。为揭示潜在的遗漏临床信息，我们提出“语义多样化重建”（\textit{Semantically Diverse Reconstructions}，\textit{SDR}），该方法在给定原始重建的基础上生成新颖的重建，同时所有重建均完全符合测量数据。为自动评估\textit{SDR}，我们在 fastMRI+ 数据集上训练了一个目标检测器。我们表明，\textit{SDR}显著降低了假阴性诊断的可能性（更高的召回率），并在平均精度上优于原始重建。代码已公开于 https://github.com/NikolasMorshuis/SDR。