使用基于模拟的推断在扩散MRI中的不确定性映射和概率曲谱:与经典贝叶斯图的比较
J P Manzano-Patrón1, Michael Deistler2, Cornelius Schröder2
1Sir Peter Mansfield Imaging Centre, School of Medicine, University of Nottingham, UK.
Medical image analysis
|May 1, 2025
概括
基于模拟的推理 (SBI) 提供了一个快速,准确的贝叶斯式方法,用于扩散MRI分析. 这种框架可以快速估计大脑白质纤维方向和不确定性映射,优于传统方法.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 医学物理 医学物理
背景情况:
- 扩散MRI (dMRI) 能够进行非侵入性脑白质成像.
- 参数球形解卷需要强大的贝叶斯推理来准确估计纤维方向和量化不确定性.
- 像马尔科夫-链蒙特卡罗 (MCMC) 这样的既定方法是计算密集的.
研究的目的:
- 引入和评估一个基于模拟的推理 (SBI) 框架,用于dMRI中的参数球形解卷.
- 为了比较SBI与MCMC在估计白物质纤维方向及其不确定性方面的表现.
- 评估SBI对于概率学曲谱学的实用性.
主要方法:
- 开发了一个SBI框架,利用在模拟的dMRI数据上训练的神经网络.
- 应用框架来估计基于voxel的分析中的纤维方向和不确定性.
- 通过传播方向不确定性来执行概率学曲谱.
- 与基于MCMC的贝叶斯方法进行了广泛的比较.
主要成果:
- 在in-silico训练的SBI网络实现了对单层和多层dMRI进行校准,准确的参数估计和不确定性映射.
- 斯比提供了摊销推断,使得后期分布估计,未见的数据数量级比MCMC快.
- 基于SBI的曲谱学显示出与MCMC结果的高度一致,匹配或超过扫描-重新扫描可复制性.
结论:
- SBI为dMRI模型估计和不确定性映射提供了经典贝叶斯推理的强大,快速和准确的替代方案.
- 该框架促进了高效的概率学曲谱与可靠的不确定性量化.
- 确定了最佳的SBI设计实践,提高了其在神经成像研究中的适用性.
