qBOLD MRI 中的灵活摊销变分推断
图像与视频处理
2022-04-08 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
精简的 qBOLD 采集能够实现实验上直观的脑氧代谢观测。 图易于推断;然而,氧提取分数(OEF)和脱氧血液体积(DBV)从数据中确定则更为模糊。因此,现有推断方法往往产生非常嘈杂且被低估的 OEF 图,同时高估 DBV。本工作描述了一种能够推断 OEF 和 DBV 合理分布的新颖概率机器学习方法。首先,我们基于合成训练数据创建一个生成信息性逐体素先验分布的模型。与先前工作相反,我们通过缩放多元 logit-正态分布式建模 OEF 和 DBV 的联合分布,从而使其值约束在合理范围内。该先验分布模型用于训练高效的摊销变分贝叶斯推断模型。该模型通过学习利用信号方程作为前向模型预测真实图像数据来推断 OEF 和 DBV,所需训练数据很少。我们证明,我们的方法能够推断平滑的 OEF 和 DBV 图,其具有可通过指定信息性先验分布来调整的生理合理分布。其他好处包括模型比较(通过证据下界)和用于识别图像伪影的不确定性量化。结果在一个比较过度通气与静息受试者的小型研究中展示。我们说明,所提方法允许测量 OEF 和 DBV 的灰质差异,并支持条件间的逐体素比较,其中我们观察到过度通气期间 OEF 和 的显著增加。
引用
@article{arxiv.2203.05845,
title = {Flexible Amortized Variational Inference in qBOLD MRI},
author = {Ivor J. A. Simpson and Ashley McManamon and Balázs Örzsik and Alan J. Stone and Nicholas P. Blockley and Iris Asllani and Alessandro Colasanti and Mara Cercignani},
journal= {arXiv preprint arXiv:2203.05845},
year = {2022}
}