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

技術要約：ベイズ的T1マッピングのための一般化されたTV–ℓp構造化事前分布

問題提起
定量的MRI（qMRI）、特にT1マッピングは、定性的なコントラスト強調画像ではなく、生物物理学的パラメータ（例：縦緩和時間）を推定することを目的としている。Variable Flip Angle（VFA）やModified Look-Locker（MOLLI）といった手法が標準的であるが、これらは取得時間が長くなることが多く、その結果、k空間データがアンダーサンプリングされ、不良設定の逆問題が生じることがある。最大尤度推定（MLE）のような従来の再構成手法は、通常、ボクセルを独立したものとして扱う。このアプローチは、しばしばノイズの多い再構成をもたらし、推定の不確実性を考慮することができない。

ベイズ推論は、事前知識を組み込み、事後分布を通じて不確実性を定量化するための枠組みを提供する。しかし、全変動（Total Variation: TV）正則化に基づく有効な（適切な）事前分布を構築することは、数学的に困難である。標準的なTVペナルティは、パラメータ空間に対して積分不可能である。なぜなら、TV関数は定数シフトに対して不変であるため（すなわち、$TV(x) = TV(x + c\mathbf{1})$）、結果として得られる確率分布の正規化定数が発散してしまうからである。これを解決しようとするこれまでの試み、例えば有界TV事前分布などは、パラメータ空間を制限してしまい、柔軟性や解釈性を損なわせている。

手法
著者らは、全変動（TV）関数と$\ell_p$ノルム（$p \ge 1$）を組み合わせることで、適切な確率分布を作成する、一般化された構造化空間事前分布のファミリーを提案している。

1. 数学的定式化:

   • 著者らはまず、TV汎関数（等方的または異方的）のみによって定義される事前分布は、非負の値に制限されている場合でも不適切（improper）であることを証明した（補題1および補題2）。これは、定数ベクトル方向への並進不変性に起因する。
   • これに対処するため、修正されたTV関数 $TV^p_\mu(x) = TV(x) + \mu\|\bar{x}\|_p$ を定義した（ここで $\mu > 0$ かつ $\|\cdot\|_p$ は $\ell_p$ ノルム）。
   • この修正された項の追加により、この関数の指数の積分が収束し、したがってパラメータ空間全体にフルサポートを持つ適切な事前分布が定義されることを証明した（補題3および定理4）。

2. ベイズ的枠組み:

   • 本手法は、VFA（式1）およびMOLLI（式3）の信号モデルを用いてT1マッピングに適用される。
   • 尤度は、加法的なガウスノイズを仮定してモデル化される。
   • 事後分布は、提案された $TV^p_\mu$ 事前分布と、ノイズ分散に対する半正規分布を組み合わせることで構築される。
   • 階層的な拡張も提案されており、ハイパーパラメータ $\lambda$（TVの強さ）および $\mu$（$\ell_p$ の強さ）に対してハイパー事前分布（指数分布）を割り当てることで、これらをデータから学習することを可能にしている。
   • 事後推論は、ハミルトニアンモンテカルロの一種であるNo-U-Turn Sampler（NUTS）を用いて行われ、事後分布からサンプリングを行い、不確実性を定量化する。

3. 実験設定:

   • データセット: 本手法は、合成脳（VFA）および心臓（MOLLI）のデータセット、ならびに実在するin-vivo乳房（VFA）データセットで評価された。
   • ベースライン: MLEおよび、一様、ガンマ、および有界TV事前分布を用いた代替的なベイズ手法と比較された。
   • ハイパーパラメータ・チューニング: ハイパーパラメータは、期待対数ポイントワイズ予測密度（elpd）を最大化するように、広範に適用可能な情報量基準（WAIC）を用いて推定されるベイズ最適化を通じて選択された。

主な貢献

• 理論的証明: 本論文は、標準的なTVベースの事前分布が不適切であることを厳密に示し、提案された $TV^p_\mu$ 構成が、パラメータの値を排除することなく適切な事前分布を与えることを証明している。
• 一般化: 本研究は、任意の $\ell_p$ ノルム（$p \ge 1$）と組み合わせた等方的および異方的TVの両方を許容するように、従来の異方的TV-$\ell_1$ 構成を一般化したものである。
• 不確実性の定量化: この構造化事前分布をベイズ枠組みに組み込むことで、本手法はフル事後推論を可能にし、点推定だけでなく、信頼区間や不確察性マップも提供できる。

結果

• 事後分布の集中: すべてのデータセット（合成脳、合成心臓、および実在の乳房）において、提案された $TV^p_\mu$ 事前分布（特に $p=1$ の場合）は、一様、ガンマ、および有界TV事前分布と比較して、一貫してより集中した事後確率密度関数を生成した。これは、推定の不確実性が大幅に減少していることを示している。
• 分散とバイアス: 本手法は、他のベイズ手法やMLEと比較して、パラメータ推定における低い分散と、より小さな負のバイアスを達成した。
• 空間的一貫性: 得られたT1マップは、エッジを保持しながらノイズを効果的に抑制するというTV正則化の特性に従い、強化された空間的な滑らかさと一貫性を示した。
• 堅牢性: MLEが失敗した合成実験（例：信号がT1に対して感受性が低く、不安定な推定につながる脳脊髄液において）において、提案された事前分布を用いたベイズ的アプローチは、安定した信頼できる推定を提供した。
• 実データでの性能: 実在の乳房データセットにおいて、階層的なバージョンの事前分布が最も集中した事後分布を生成したが、著者らは、提案手法が必ずしも有界TV事前分布と比較して最も正確な平均推定値を与えないというバイアス・分散のトレードオフがあるものの、優れた不確実性定量化を提供していると述べている。

意義と主張
本論文は、TVベースの構造化ペナルティを$\ell_p$ノルムと組み合わせてベイズモデルに組み込むことが、T1マッピングに対する堅牢なアプローチを提供すると主張している。主な意義は、推定されたパラメータマップに対して空間的一貫性と滑らかな変化を強制しながら、同時に厳密な不確実性の定量化を実現できる点にある。著者らは、このアプローチが、以前のTVベースのベイズ手法（有界なサポートを必要としたもの）および頻度論的手法（不確実性の推定を欠くもの）の限界を克服すると断言している。結論として、本フレームワークは、困難なノイズ条件下や限られたデータの下での正確なT1推定のための信頼できる基盤を提供し、他のqMRIモダリティや構造化された信号回復問題への適用可能性を有している。