Resumo Técnico: Reconstrução Conjunta de Imagem por Ressonância Magnética Bayesiana e Quantificação de Incerteza

1. Definição do Problema

A reconstrução de Imagem por Ressonância Magnética (IRM) a partir de dados de k-espaço subamostrados é um problema inverso mal posto. Embora as técnicas de compressão de sensores (CS) utilizando priors de esparsidade (por exemplo, em domínios de wavelet ou variação total) tenham acelerado com sucesso os tempos de aquisição, as abordagens padrão baseadas em otimização tipicamente produzem apenas estimativas pontuais (Máxima Posteriori ou MAP). Esses métodos carecem de um mecanismo principiado para quantificar a incerteza associada às imagens reconstruídas. A ausência de quantificação de incerteza (UQ) limita a tomada de decisão clínica, pois é difícil avaliar a confiabilidade de características específicas da imagem ou o impacto de estratégias de subamostragem e ruído. Além disso, embora os métodos de aprendizado profundo tenham avançado a qualidade da reconstrução, eles frequentemente introduzem ambiguidade em relação à incerteza devido aos pesos das redes neurais e podem enfrentar dificuldades com dados fora da distribuição.

2. Metodologia

Os autores propõem uma nova estrutura Bayesiana que realiza conjuntamente a reconstrução de imagem e a quantificação de incerteza usando modelos de prior de esparsidade e amostragem de Cadeia de Markov Monte Carlo (MCMC).

2.1. Formulação Bayesiana Hierárquica

O problema de reconstrução é modelado como um problema inverso linear $y = Ax + w$, onde $y$ são os dados de k-espaço subamostrados, $x$ é a imagem latente e $w$ é o ruído Gaussiano aditivo.

• Verossimilhança (Likelihood): Modelada como uma distribuição Gaussiana complexa.
• Priors: Assume-se que a imagem $x$ é esparsa em uma determinada base de transformação $\Omega(x)$. Os autores implementam dois priors específicos:
  1. Variação Total (TV): Promove suavidade por partes, adequada para imagens com bordas nítidas.
  2. Transformada de Wavelet: Promove esparsidade no domínio da wavelet.
• Hiperparâmetros: O parâmetro de regularização $\tau$ é tratado como uma variável aleatória desconhecida em vez de uma constante ajustada manualmente, permitindo a estimativa conjunta dentro do processo de inferência.

2.2. Inferência via Split-and-Augmented Gibbs Sampling (SPAGS)

Para amostrar de uma distribuição posterior conjunta complexa e não diferenciável, os autores empregam um Split-and-Augmented Gibbs Sampler (SPAGS). Esta abordagem introduz variáveis auxiliares para desacoplar a verossimilhança dos termos de prior não suaves (por exemplo, a norma $\ell_1$ da transformação).

• Divisão de Variáveis (Variable Splitting): As variáveis são divididas (por exemplo, $b = \Omega(x)$, $c = Sd$, etc.) para desacoplar localmente as etapas de otimização/inferência.
• Estratégia de Amostragem:
  • Para termos diferenciáveis (condicionais Gaussianos), utiliza-se amostragem padrão.
  • Para termos não suaves (normas $\ell_1$ de TV ou Wavelet), os autores utilizam o Algoritmo de Langevin Não Ajustado Proximal de Moreau-Yoshida (P-MYULA). Isso permite a amostragem eficiente de distribuições contendo operadores proximais não diferenciáveis.
• Estimativa de Hiperparâmetros: O parâmetro de regularização $\tau$ é atualizado usando um algoritmo de Gradiente Proximal de Aproximação Estocástica (SAPG).

2.3. Métricas de Saída

A estrutura gera uma cadeia de amostras da distribuição posterior. A partir dessas amostras, os autores computam:

• Estimativa MMSE: A média posterior marginal dos pixels da imagem.
• Mapa de Incerteza: A variância (ou desvio padrão) posterior marginal dos pixels, fornecendo uma medida de confiança pixel a pixel.

2.4. Baselines Comparativas

Os métodos Bayesianos propostos (MCMC-TV e MCMC-Wav) são comparados contra:

• Zero-filling IFFT: Transformada inversa de Fourier padrão dos dados subamostrados.
• Métodos de otimização baseados em MAP: ADMM-TV e ADMM-Wav, que maximizam a log-posterior (equivalente a minimizar uma função de custo com divisão de variáveis semelhante à abordagem Bayesiana, mas sem amostragem).
• Incerteza de Aprendizado Profundo: Deep Ensembles (DEns) aplicados às arquiteturas MoDL e VarNet, usados para comparar a qualidade da UQ.

3. Principais Contribuições

1. Estrutura Conjunta: Proposta de uma estrutura Bayesiana para reconstrução de IRM e UQ conjunta usando esparsidade em bases de transformação, uma combinação não explorada anteriormente com amostragem MCMC em compressão de sensores de IRM padrão.
2. Desenvolvimento Algorítmico: Desenvolvimento de duas abordagens específicas (MCMC-TV e MCMC-Wav) utilizando SPAGS e P-MYULA para lidar com priors de esparsidade não diferenciáveis de forma eficiente em espaços de imagem de alta dimensão.
3. Estimativa Automática de Hiperparâmetros: Capacidade de estimar automaticamente o crucial parâmetro de regularização $\tau$ dentro do loop de inferência, eliminando a necessidade de ajuste manual ou validação cruzada.
4. Validação de Incerteza: Demonstração de que os mapas de incerteza estimados correlacionam-se fortemente com os mapas de erro reais (computados contra o ground truth), validando a confiabilidade da UQ.
5. Análise Comparativa: Um estudo abrangente mostrando que os métodos Bayesianos propostos superam seus equivalentes de otimização (ADMM) em qualidade de reconstrução e fornecem capacidades de UQ que os métodos de otimização não possuem. Além disso, a UQ Bayesiana apresenta uma correlação significativamente maior com o erro de reconstrução do que os métodos de Deep Ensemble.

4. Resultados Experimentais

A estrutura foi validada em conjuntos de dados de bobina única (phantom Shepp-Logan, imagens cerebrais HCP) e múltiplas bobinas (M4Raw low-field MRI) usando vários padrões de subamostragem de k-espaço (2D-random, Cartesian, Pseudo-radial) e razões.

• Qualidade de Reconstrução: O método MCMC-TV alcançou consistentemente o menor Erro Quadrático Médio (RMSE) na maioria das razões e padrões de amostragem, superando IFFT, ADMM-TV e ADMM-Wav. Em casos de subamostragem muito alta (ex: 10% ou 5%), o ADMM-TV ocasionalmente mostrou RMSE comparável ou ligeiramente melhor, mas o MCMC-TV geralmente proporcionou uma preservação estrutural superior.
• Correlação de Incerteza: Um achado crítico é a forte correlação entre os mapas de incerteza estimados (desvio padrão marginal) e os mapas de erro reais.
  • Para o phantom Shepp-Logan, os coeficientes de correlação variaram de 0,70 a 0,75 para MCMC-TV.
  • Para imagens cerebrais HCP, as correlações foram similares (0,70–0,74).
  • Em contraste, os métodos de Deep Ensemble (MoDL e VarNet) atingiram correlações significativamente menores (0,20–0,40), sugerindo que suas estimativas de incerteza são menos indicativas dos erros reais de reconstrução.
• Padrões de Amostragem: A amostragem 2D-random yielded a melhor qualidade de reconstrução (menor RMSE), enquanto a amostragem Cartesiana resultou no maior RMSE.
• Seleção de Prior: Priors de TV geralmente superaram os de Wavelet para o phantom Shepp-Logan e dados de baixo campo, provavelmente devido à natureza de constante por partes dessas imagens. Para imagens cerebrais HCP, ambos os priors tiveram desempenho comparável.

5. Significância e Alegações

O artigo afirma que sua principal contribuição não é meramente melhorar a qualidade absoluta da reconstrução de imagem (onde o aprendizado profundo frequentemente se destaca), mas sim fornecer intervalos de credibilidade e quantificação de incerteza confiável para IRM de compressão de sensores.

• Relevância Clínica: A forte correlação entre os mapas de incerteza e os erros reais sugere que a estrutura proposta pode servir como uma ferramenta confiável para interpretação de imagens em ambientes clínicos onde o ground truth é indisponível. Ela permite que clínicos identifiquem regiões da imagem onde a reconstrução é menos certa.
• Robustez vs. Aprendizado Profundo: Os autores argumentam que os métodos Bayesianos oferecem uma caracterização mais robusta da incerteza decorrente do próprio problema inverso (subamostragem, ruído) em comparação com os métodos de aprendizado profundo, onde a incerteza é frequentemente confundida pelos pesos do modelo e mudanças na distribuição dos dados de treinamento.
• Automação: A estrutura elimina a necessidade de ajuste manual do parâmetro de regularização, um gargalo comum nos métodos de CS baseados em otimização.

Os autores concluem que, embora a complexidade computacional seja maior do que a dos métodos de otimização, a capacidade de reconstruir imagens, estimar hiperparâmetros e quantificar a incerteza torna a abordagem Bayesiana proposta uma estratégia poderosa e fundamentada para a reconstrução de IRM.