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

Résumé Technique : A priori structurés de type TV-$\ell_p$ généralisés pour la cartographie T1 bayésienne

Énoncé du problème
L'IRM quantitative (qMRI), spécifiquement la cartographie T1, vise à estimer des paramètres biophysiques (par exemple, le temps de relaxation longitudinale) plutôt que de fournir des images qualitatives pondérées par le contraste. Bien que des techniques telles que l'angle de bascule variable (VFA) et le Modified Look-Locker (MOLLI) soient standards, elles souffrent souvent de temps d'acquisition longs, ce qui conduit à des données de l'espace k sous-échantillonnées et à des problèmes inverses mal posés. Les méthodes de reconstruction conventionnelles, telles que l'estimation du maximum de vraisemblance (MLE), traitent généralement les voxels de manière indépendante. Cette approche produit souvent des reconstructions bruitées et ne parvient pas à prendre en compte l'incertitude de l'estimation.

L'inférence bayésienne offre un cadre pour incorporer des connaissances a priori et quantifier l'incertitude via des distributions postérieures. Cependant, la construction d'un a priori valide (propre) basé sur la régularisation par variation totale (TV) est mathématiquement complexe. Les pénalités TV standards ne sont pas intégrables sur l'espace des paramètres car elles sont invariantes aux décalages constants (c'est-à-dire $TV(x) = TV(x + c\mathbf{1})$), ce qui fait diverger la constante de normalisation de la distribution de probabilité résultante. Les tentatives précédentes pour résoudre cela, comme les a priori TV bornés, restreignent l'espace des paramètres, limitant ainsi la flexibilité et l'interprétabilité.

Méthodologie
Les auteurs proposent une famille généralisée d'a priori spatiaux structurés qui combinent la fonction de variation totale (TV) avec des normes $\ell_p$ ($p \ge 1$) pour créer une distribution de probabilité propre.

1. Formulation mathématique :

   • Les auteurs démontrent d'abord (Lemme 1 et Lemme 2) qu'un a priori défini uniquement par le fonctionnel TV (isotrope ou anisotrope) est impropre, même lorsqu'il est restreint à des valeurs non négatives, en raison de l'invariance par translation le long de la direction du vecteur constant.
   • Pour remédier à cela, ils définissent une fonction TV modifiée : $TV^p_\mu(x) = TV(x) + \mu\|\bar{x}\|_p$, où $\mu > 0$ et $\|\cdot\|_p$ est une norme $\ell_p$.
   • Ils prouvent (Lemme 3 et Théorème 4) que l'ajout du terme $\ell_p$ garantit la convergence de l'intégrale de l'exponentielle de cette fonction TV modifiée, définissant ainsi un a priori propre avec un support complet sur l'espace des paramètres.

2. Cadre bayésien :

   • La méthode est appliquée à la cartographie T1 en utilisant des modèles de signal pour VFA (Équation 1) et MOLLI (Équation 3).
   • La vraisemblance est modélisée en supposant un bruit gaussien additif.
   • La distribution postérieure est construite en combinant la vraisemblance avec l'a priori $TV^p_\mu$ proposé et un a priori demi-normal sur la variance du bruit.
   • Une extension hiérarchique est également proposée, assignant des hyper-a priori (distributions exponentielles) aux hyperparamètres $\lambda$ (force de la TV) et $\mu$ (force de la $\ell_p$), permettant de les apprendre à partir des données.
   • L'inférence postérieure est réalisée à l'aide de l'échantillonneur No-U-Turn (NUTS), une variante de l'Hamiltonian Monte Carlo, pour échantillonner la distribution postérieure et quantifier l'incertitude.

3. Configuration expérimentale :

   • Jeux de données : La méthode a été évaluée sur des jeux de données synthétiques cérébraux (VFA) et cardiaques (MOLLI), ainsi que sur un jeu de données réel in-vivo du sein (VFA).
   • Référentiels (Baselines) : Des comparaisons ont été effectuées avec MLE et des alternatives bayésiennes utilisant des a priori Uniforme, Gamma et TV borné.
   • Réglage des hyperparamètres : Les hyperparamètres ont été sélectionnés via l'optimisation bayésienne pour maximiser la densité prédictive point par point attendue du log (elpd), estimée à l'aide du critère d'information largement applicable (WAIC).

Contributions clés

• Preuve théorique : L'article démontre rigoureusement que les a priori basés sur la TV standard sont impropres et prouve que la construction $TV^p_\mu$ proposée génère un a priori propre sans exclure aucune valeur de paramètre du support.
• Généralisation : Ce travail généralise les constructions antérieures de TV-$\ell_1$ anisotropes pour accommoder la TV isotrope et anisotrope combinée avec n'importe quelle norme $\ell_p$ ($p \ge 1$).
• Quantification de l'incertitude : En intégrant cet a priori structuré dans un cadre bayésien, la méthode permet une inférence postérieure complète, fournissant non seulement des estimations ponctuelles mais aussi des intervalles de crédibilité et des cartes d'incertitude.

Résultats

• Concentration postérieure : À travers tous les jeux de données (cerveau synthétique, cardiaque synthétique et sein réel), l'a priori $TV^p_\mu$ proposé (spécifiquement avec $p=1$) a systématiquement produit des fonctions de densité de probabilité postérieure plus concentrées par rapport aux a priori Uniforme, Gamma et TV borné. Cela indique une réduction substantielle de l'incertitude d'estimation.
• Variance et biais : La méthode a obtenu une variance plus faible dans les estimations de paramètres et un biais négatif plus faible par rapport aux autres méthodes bayésiennes et au MLE.
• Cohérence spatiale : Les cartes T1 résultantes ont présenté une lissité et une cohérence spatiales accrues, supprimant efficacement le bruit tout en préservant les bords, ce qui est cohérent avec les propriétés de la régularisation TV.
• Robustesse : Dans les expériences synthétiques où le MLE a échoué (par exemple, dans le liquide céphalorachidien où le signal est insensible au T1, conduisant à des estimations instables), l'approche bayésienne avec l'a priori proposé a fourni des estimations stables et fiables.
• Performance sur les données réelles : Sur le jeu de données réel du sein, la version hiérarchique de l'a priori a produit les posteriors les plus concentrés, bien que les auteurs notent un compromis biais-variance : la méthode proposée n'a pas toujours produit les estimations de moyenne les plus précises par rapport à l'a priori TV borné, mais elle offre une quantification de l'incertitude supérieure.

Signification et affirmations
L'article affirme que l'intégration d'une pénalité structurée basée sur la TV combinée avec des normes $\ell_p$ au sein d'un modèle bayésien constitue une approche robuste pour la cartographie T1. La principale signification réside dans la capacité à imposer une cohérence spatiale et des variations lisses dans les cartes de paramètres estimés, tout en fournissant une quantification rigoureuse de l'incertitude. Les auteurs soutiennent que cette approche surmonte les limites des méthodes basées sur la TV précédentes (qui nécessitaient des supports bornés) et des méthodes fréquentistes (qui manquent d'estimations d'incertitude). Ils concluent que ce cadre offre une base fiable pour une estimation précise du T1 dans des conditions de bruit difficiles et avec des données limitées, avec une applicabilité potentielle à d'autres modalités de qMRI et à des problèmes de récupération de signaux structurés.