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

Sintesi Tecnica: Prior Strutturati Generalizzati TV–$\ell_p$ per la Mappatura T1 Bayesiana

Definizione del Problema
La risonanza magnetica quantitativa (qMRI), specificamente la mappatura T1, mira a stimare parametri biofisici (ad esempio, il tempo di rilassamento longitudinale) piuttosto che fornire immagini qualitative pesate in contrasto. Sebbene tecniche come la Variable Flip Angle (VFA) e la Modified Look-Locker (MOLLI) siano standard, esse spesso soffrono di tempi di acquisizione lunghi, portando a dati dello spazio k sottocampionati e problemi inversi mal posti. I metodi di ricostruzione convenzionali, come la Massima Verosimiglianza (MLE), trattano tipicamente i voxel in modo indipendente. Questo approccio produce spesso ricostruzioni rumorose e non tiene conto dell'incertezza di stima.

L'inferenza bayesiana offre un quadro per incorporare la conoscenza a priori e quantificare l'incertezza tramite distribuzioni a posteriori. Tuttavia, la costruzione di un prior valido (proprio) basato sulla regolarizzazione della Variazione Totale (TV) è matematicamente complessa. I classici penalità TV sono non integrabili nello spazio dei parametri perché sono invarianti rispetto alle traslazioni costanti (ovvero $TV(x) = TV(x + c\mathbf{1})$), causando la divergenza della costante di normalizzazione della distribuzione di probabilità risultante. I tentativi precedenti per risolvere questo problema, come l'uso di prior TV limitati, restringono lo spazio dei parametri, limitandone la flessibilità e l'interpretabilità.

Metodologia
Gli autori propongono una famiglia generalizzata di prior spaziali strutturati che combinano la funzione di Variazione Totale (TV) con le norme $\ell_p$ ($p \ge 1$) per creare una distribuzione di probabilità propria.

1. Formulazione Matematica:

   • Gli autori dimostrano prima (Lemma 1 e Lemma 2) che un prior definito esclusivamente dal funzionale TV (isotropo o anisotropo) è improprio, anche quando limitato a valori non negativi, a causa dell'invarianza per traslazione lungo la direzione del vettore costante.
   • Per affrontare ciò, definiscono una funzione TV modificata: $TV^p_\mu(x) = TV(x) + \mu\|\bar{x}\|_p$, dove $\mu > 0$ e $\|\cdot\|_p$ è una norma $\ell_p$.
   • Dimostrano (Lemma 3 e Teorema 4) che l'aggiunta del termine $\ell_p$ assicura che l'integrale dell'esponenziale di questa funzione TV modificata converga, definendo così un prior proprio con pieno supporto su tutto lo spazio dei parametri.

2. Framework Bayesiano:

   • Il metodo è applicato alla mappatura T1 utilizzando modelli di segnale per VFA (Equazione 1) e MOLLI (Equazione 3).
   • La verosimiglianza è modellata assumendo un rumore Gaussiano additivo.
   • La distribuzione a posteriori è costruita combinando la verosimiglianza con il proposto prior $TV^p_\mu$ e una prior half-normal sulla varianza del rumore.
   • Viene proposta anche un'estensione gerarchica, assegnando iper-prior (distribuzioni esponenziali) agli iperparametri $\lambda$ (forza della TV) e $\mu$ (forza della $\ell_p$), permettendo loro di essere appresi dai dati.
   • L'inferenza a posteriori è eseguita utilizzando il No-U-Turn Sampler (NUTS), una variante dell'Hamiltonian Monte Carlo, per campionare dalla distribuzione a posteriori e quantificare l'incertezza.

3. Configurazione Sperimentale:

   • Dataset: Il metodo è stato valutato su dataset sintetici cerebrali (VFA) e cardiaci (MOLLI), nonché su un dataset reale in-vivo di seno (VFA).
   • Baseline: I confronti sono stati effettuati contro MLE e alternative Bayesiane utilizzando prior Uniforme, Gamma e TV limitati.
   • Tuning degli Iperparametri: Gli iperparametri sono stati selezionati tramite ottimizzazione bayesiana per massimizzare l'expected log point-wise predictive density (elpd), stimata utilizzando il Widely Applicable Information Criterion (WAIC).

Contributi Chiave

• Dimostrazione Teorica: Il lavoro dimostra rigorosamente che i classici prior basati su TV sono impropri e prova che la costruzione proposta $TV^p_\mu$ genera un prior proprio senza escludere alcun valore di parametro dal supporto.
• Generalizzazione: Il lavoro generalizza le precedenti costruzioni anisotrope TV-$\ell_1$ per accogliere sia la TV isotropa che quella anisotropa combinate con qualsiasi norma $\ell_p$ ($p \ge 1$).
• Quantificazione dell'Incertezza: Incorporando questo prior strutturato in un framework bayesiano, il metodo consente la piena inferenza a posteriori, fornendo non solo stime puntuali ma anche intervalli di credibilità e mappe di incertezza.

Risultati

• Concentrazione a Posteriori: In tutti i dataset (cervello sintetico, cuore sintetico e seno reale), il proposto prior $TV^p_\mu$ (specificamente con $p=1$) ha prodotto costantemente funzioni di densità di probabilità a posteriori più concentrate rispetto ai prior Uniforme, Gamma e TV limitati. Ciò indica una sostanziale riduzione dell'incertezza di stima.
• Varianza e Bias: Il metodo ha ottenuto una minore varianza nelle stime dei parametri e un bias negativo più piccolo rispetto ad altri metodi bayesiani e alla MLE.
• Coerenza Spaziale: Le mappe T1 risultanti hanno mostrato una maggiore fluidità e coerenza spaziale, sopprimendo efficacementmente il rumore pur preservando i bordi, in linea con le proprietà della regolarizzazione TV.
• Robustezza: Negli esperimenti sintetici in cui la MLE falliva (ad esempio, nel liquido cerebrospinale dove il segnale è insensibile al T1, portando a stime instabili), l'approccio bayesiano con il proposto prior ha fornito stime stabili e affidabili.
• Performance su Dati Reali: Sul dataset reale del seno, la versione gerarchica del prior ha prodotto le posteriori più concentrate, sebbene gli autori notino un compromesso tra bias e varianza, in quanto il metodo proposto non ha sempre prodotto le stime medie più accurate rispetto al prior TV limitato, offrendo tuttavia una superiore quantificazione dell'incertezza.

Significato e Rivendicazioni
Il lavoro sostiene che l'inserimento di una penalità strutturata basata su TV combinata con norme $\ell_p$ all'interno di un modello bayesiano fornisca un approccio robusto per la mappatura T1. Il significato primario risiede nella capacità di imporre coerenza spaziale e variazioni fluide nelle mappe di parametri stimati, fornendo simultaneamente una rigorosa quantificazione dell'incertezza. Gli autori affermano che questo approccio supera i limiti dei precedenti metodi basati su TV (che richiedevano supporti limitati) e dei metodi frequentisti (che mancano di stime di incertezza). Concludono che questo framework offre una base affidabile per una stima T1 accurata in condizioni di rumore difficili e dati limitati, con potenziale applicabilità ad altre modalità qMRI e problemi di recupero del segnale strutturato.