Generalized TV--$\ell_p$ Structured Priors for Bayesian $T_1$ Mapping

Resumen Técnico: Priores Estructurados de TV–ℓp Generalizados para el Mapeo de T1 Bayesiano

Planteamiento del Problema
La resonancia magnética cuantitativa (qMRI), específicamente el mapeo de T1, tiene como objetivo estimar parámetros biofísicos (por ejemplo, el tiempo de relajación longitudinal) en lugar de proporcionar imágenes cualitativas con contraste ponderado. Aunque técnicas como la Ángulo de Giro Variable (VFA) y el Look-Locker Modificado (MOLLI) son estándares, a menudo sufren de tiempos de adquisición prolongados, lo que conduce a datos de k-space submuestreados y problemas inversos mal planteados. Los métodos de reconstrucción convencionales, como la Estimación de Máxima Verosimilitud (MLE), típicamente tratan los vóxeles de forma independiente. Este enfoque suele generar reconstrucciones ruidosas y no tiene en cuenta la incertidumbre de la estimación.

La inferencia bayesiana ofrece un marco para incorporar conocimiento previo y cuantificar la incertidumbre mediante distribuciones posteriores. Sin embargo, construir un prior válido (propio) basado en la regularización de Variación Total (TV) es matemáticamente desafiante. Las penalizaciones de TV estándar no son integrables sobre el espacio de parámetros porque son invariantes a desplazamientos constantes (es decir, $TV(x) = TV(x + c\mathbf{1})$), lo que causa que la constante de normalización de la distribución de probabilidad resultante diverja. Los intentos previos para resolver esto, como los priors de TV acotados, restringen el espacio de parámetros, limitando la flexibilidad e interpretabilidad.

Metodología
Los autores proponen una familia generalizada de priors espaciales estructurados que combinan la función de Variación Total (TV) con normas $\ell_p$ ($p \ge 1$) para crear una distribución de probabilidad propia.

1. Formulación Matemática:

   • Los autores primero demuestran (Lema 1 y Lema 2) que un prior definido únicamente por el funcional TV (isotrópico o anisotrópico) es impropio, incluso cuando se restringe a valores no negativos, debido a la invarianza de traslación a lo largo de la dirección del vector constante.
   • Para abordar esto, definen una función TV modificada: $TV^p_\mu(x) = TV(x) + \mu\|\bar{x}\|_p$, donde $\mu > 0$ y $\|\cdot\|_p$ es una norma $\ell_p$.
   • Demuestran (Lema 3 y Teorema 4) que la adición del término $\ell_p$ asegura que la integral de la exponencial de esta función TV modificada converja, definiendo así un prior propio con soporte completo sobre el espacio de parámetros.

2. Marco Bayesiano:

   • El método se aplica al mapeo de T1 utilizando modelos de señal para VFA (Ecuación 1) y MOLLI (Ecuación 3).
   • La verosimilitud se modela asumiendo ruido Gaussiano aditivo.
   • La distribución posterior se construye combinando la verosimilitud con el propuesto prior $TV^p_\mu$ y un prior de media-normal sobre la varianza del ruido.
   • Se propone también una extensión jerárquica, asignando hiper-priors (distribuciones exponenciales) a los hiperparámetros $\lambda$ (fuerza de TV) y $\mu$ (fuerza de $\ell_p$), permitiendo que sean aprendidos de los datos.
   • La inferencia posterior se realiza mediante el No-U-Turn Sampler (NUTS), una variante de Hamiltonian Monte Carlo, para muestrear de la distribución posterior y cuantificar la incertidumbre.

3. Configuración Experimental:

   • Conjuntos de Datos: El método fue evaluado en conjuntos de datos sintéticos de cerebro (VFA) y cardíacos (MOLLI), así como en un conjunto de datos real de mama in-vivo (VFA).
   • Líneas Base: Comparaciones se realizaron contra MLE y alternativas Bayesianas usando priors Uniforme, Gamma y de TV acotado.
   • Ajuste de Hiperparámetros: Los hiperparámetros se seleccionaron mediante optimización bayesiana para maximizar la densidad predictiva de log-punto esperado (elpd), estimada utilizando el Criterio de Información Ampliamente Aplicable (WAIC).

Contribuciones Clave

• Prueba Teórica: El artículo demuestra rigurosamente que los priors basados en TV estándar son impropios y prueba que la construcción propuesta de $TV^p_\mu$ genera un prior propio sin excluir ningún valor de parámetro de su soporte.
• Generalización: El trabajo generaliza las construcciones anteriores de TV-$\ell_1$ anisotrópico para acomodar tanto TV isotrópico como anisotrópico combinado con cualquier norma $\ell_p$ ($p \ge 1$).
• Cuantificación de la Incertidumbre: Al embeber este prior estructurado en un marco bayesiano, el método permite la inferencia posterior completa, proporcionando no solo estimaciones puntuales sino también intervalos de credibilidad y mapas de incertidumbre.

Resultos

• Concentración de la Posterior: En todos los conjuntos de datos (cerebro sintético, cardíaco sintético y mama real), el prior $TV^p_\mu$ propuesto (específicamente con $p=1$) produjo consistentemente funciones de densidad de probabilidad posterior más concentradas en comparación con los priors Uniforme, Gamma y de TV acotado. Esto indica una reducción sustancial en la incertidumbre de la estimación.
• Varianza y Sesgo: El método logró una menor varianza en las estimaciones de los parámetros y un sesgo negativo más pequeño en comparación con otros métodos Bayesianos y MLE.
• Coherencia Espacial: Los mapas de T1 resultantes exhibieron una suavidad y coherencia espacial mejoradas, suprimiendo eficazmente el ruido mientras se preservaban los bordes, consistente con las propiedades de la regularización de TV.
• Robustez: En experimentos sintéticos donde el MLE falló (por ejemplo, en el líquido cefalorraquídeo donde la señal es insensible a T1, lo que conduce a estimaciones inestables), el enfoque Bayesiano con el prior propuesto proporcionó estimaciones estables y fiables.
• Desempeño en Datos Reales: En el conjunto de datos de mama real, la versión jerárquica del prior produjo las posteriores más concentradas, aunque los autores señalan un compromiso entre sesgo y varianza, ya que el método propuesto no siempre produjo las estimaciones de la media más exactas en comparación con el prior de TV acotado, pero ofreció una cuantificación de la incertidumbre superior.

Significancia y Reivindicaciones
El artículo afirma que embeber un penalizador estructurado de TV combinado con normas $\ell_p$ dentro de un modelo bayesiano proporciona un enfoque robusto para el mapeo de T1. La principal significancia radica en la capacidad de imponer consistencia espacial y variaciones suaves en los mapas de parámetros estimados, proporcionando simultáneamente una cuantificación de la incertidumbre rigurosa. Los autores aseguran que este enfoque supera las limitaciones de los métodos de base de TV anteriores (que requerían soportes acotados) y de los métodos frecuentistas (que carecen de estimaciones de incertidumbre). Concluyen que este marco ofrece una base fiable para la estimación precisa de T1 bajo condiciones de ruido desafiantes y datos limitados, con potencial aplicabilidad a otras modalidades de qMRI y problemas de recuperación de señales estructuradas.