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

Resumo Técnico: Priores Estruturados Generalizados de TV–ℓp para Mapeamento T1 Bayesiano

Definição do Problema
A ressonância magnética quantitativa (qMRI), especificamente o mapeamento T1, visa estimar parâmetros biofísicos (ex: tempo de relaxação longitudinal) em vez de fornecer apenas imagens qualitativas de contraste. Embora técnicas como Ângulo de Giro Variável (VFA) e Modified Look-Locker (MOLLI) sejam o padrão, elas frequentemente sofrem com tempos de aquisição longos, levando a dados de k-space subamostrados e problemas inversos mal postos. Métodos de reconstrução convencionais, como a Estimativa de Máxima Verossimilhança (MLE), tipicamente tratam os voxels de forma independente. Essa abordagem frequentemente resulta em reconstruções ruidosas e falha em considerar a incerteza da estimativa.

A inferência Bayesiana oferece um arcabouço para incorporar conhecimento prévio e quantificar a incerteza via distribuições posteriores. No entanto, construir um prior válido (próprio) baseado em regularização de Variação Total (TV) é matematicamente desafiador. Penalidades de TV padrão não são integráveis sobre o espaço de parâmetros porque são invariantes a deslocamentos constantes (ou seja, $TV(x) = TV(x + c\mathbf{1})$), causando a divergência da constante de normalização da distribuição de probabilidade resultante. Tentativas anteriores de resolver isso, como o uso de priors de TV limitados, restringem o espaço de parâmetros, limitando a flexibilidade e a interpretabilidade.

Metodologia
Os autores propõem uma família generalizada de priors espaciais estruturados que combinam a função de Variação Total (TV) com normas $\ell_p$ ($p \ge 1$) para criar uma distribuição de probabilidade própria.

1. Formulação Matemática:

   • Os autores primeiro provam (Lema 1 e Lema 2) que um prior definido unicamente pelo funcional de TV (isotrópico ou anisotrópico) é impróprio, mesmo quando restrito a valores não negativos, devido à invariância de translação ao longo da direção do vetor constante.
   • Para resolver isso, eles definem uma função de TV modificada: $TV^p_\mu(x) = TV(x) + \mu\|\bar{x}\|_p$, onde $\mu > 0$ e $\|\cdot\|_p$ é uma norma $\ell_p$.
   • Eles provam (Lema 3 e Teorema 4) que a adição do termo $\ell_p$ garante que a integral do exponencial desta função de TV modificada converja, definindo assim um prior próprio com suporte total sobre o espaço de parâmetros.

2. Arcabouço Bayesiano:

   • O método é aplicado ao mapeamento T1 usando modelos de sinal para VFA (Equação 1) e MOLLI (Equação 3).
   • A verossimilhança é modelada assumindo ruído Gaussiano aditivo.
   • A distribuição posterior é construída combinando a verossimilhança com o proposto prior $TV^p_\mu$ e um prior de meia-normal sobre a variância do ruído.
   • Uma extensão hierárquica também é proposta, atribuindo hiper-priors (distribuições exponenciais) aos hiperparâmetros $\lambda$ (força da TV) e $\mu$ (força da $\ell_p$), permitindo que sejam aprendidos a partir dos dados.
   • A inferência posterior é realizada utilizando o No-U-Turn Sampler (NUTS), uma variante de Hamiltonian Monte Carlo, para amostrar da posterior e quantificar a incerteza.

3. Configuração Experimental:

   • Datasets: O método foi avaliado em datasets sintéticos de cérebro (VFA) e cardíaco (MOLLI), bem como em um dataset real de mama in-vivo (VFA).
   • Linhas de Base (Baselines): Comparações foram feitas contra MLE e alternativas Bayesianas usando priors Uniforme, Gamma e de TV limitado.
   • Ajuste de Hiperparâmetros: Os hiperparâmetros foram selecionados via otimização Bayesiana para maximizar a densidade preditiva log-pontual esperada (expected log point-wise predictive density - elpd), estimada usando o Critério de Informação Amplamente Aplicável (WAIC).

Principais Contribuições

• Prova Teórica: O artigo demonstra rigorosamente que os priors baseados em TV padrão são impróprios e prova que a construção proposta $TV^p_\mu$ gera um prior próprio sem excluir quaisquer valores de parâmetros de seu suporte.
• Generalização: O trabalho generaliza construções anteriores de TV-$\ell_1$ anisotrópicas para acomodar tanto TV isotrópica quanto anisotrópica combinadas com qualquer norma $\ell_p$ ($p \ge 1$).
• Quantificação de Incerteza: Ao incorporar este prior estruturado em um arcabouço Bayesiano, o método permite a inferência posterior completa, fornecendo não apenas estimativas pontuais, mas também intervalos de credibilidade e mapas de incerteza.

Resultados

• Concentração da Posterior: Em todos os datasets (cérebro sintético, cardíaco sintético e mama real), o prior $TV^p_\mu$ proposto (especificamente com $p=1$) produziu consistentemente funções de densidade de probabilidade posterior mais concentradas em comparação com os priors Uniforme, Gamma e de TV limitado. Isso indica uma redução substancial na incerteza da estimativa.
• Variância e Viés: O método alcançou menor variância nas estimativas de parâmetros e menor viés negativo em comparação com outros métodos Bayesianos e MLE.
• Coerência Espacial: Os mapas de T1 resultantes exibiram maior suavidade e coerência espacial, suprimindo o ruído de forma eficaz enquanto preservavam as bordas, consistente com as propriedades da regularização de TV.
• Robustez: Em experimentos sintéticos onde o MLE falhou (ex: no Líquido Cefalorraquidiano, onde o sinal é insensível ao T1, levando a estimativas instáveis), a abordagem Bayesiana com o prior proposto forneceu estimativas estáveis e confiáveis.
• Desempenho em Dados Reais: No dataset de mama real, a versão hierárquica do prior produziu as posteriores mais concentradas, embora os autores observem um trade-off entre viés e variância, onde o método proposto nem sempre produziu as médias mais precisas em comparação com o prior de TV limitado, mas ofereceu uma quantificação de incerteza superior.

Significância e Alegações
O artigo afirma que incorporar uma penalidade estruturada de TV combinada com normas $\ell_p$ dentro de um modelo Bayesiano fornece uma abordagem robusta para o mapeamento T1. A principal significância reside na capacidade de impor consistência espacial e variações suaves nos mapas de parâmetros estimados, enquanto fornece simultaneamente uma quantificação rigorosa da incerteza. Os autores afirmam que esta abordagem supera as limitações de métodos anteriores de TV (que exigiam suportes limitados) e métodos frequentes (que carecem de estimativas de incerteza). Eles concluem que este arcabouço oferece uma base confiável para a estimativa precisa de T1 sob condições de ruído desafiadoras e dados limitados, com potencial aplicabilidade a outras modalidades de qMRI e problemas de recuperação de sinal estruturados.