基于高斯混合变分自编码器的MRI参数映射：打破独立像素假设

我们提出并演示了一种用于MRI定量参数映射的新范式。参数映射技术，如扩散MRI和定量MRI，有潜力稳健且可重复地测量与底层微观结构强相关的生物学相关组织图。定量图通过将模型拟合到多幅图像来计算，例如使用最小二乘法或机器学习。然而，绝大多数模型拟合技术假设每个体素是独立的，忽略了数据中的协同依赖性。这使得模型拟合对体素级测量噪声敏感，阻碍了可靠性和可重复性。我们提出了一种自监督深度变分方法，打破独立像素假设，利用数据中的冗余对定量图进行有效的数据驱动正则化。我们在dMRI仿真和真实数据中证明，我们的方法优于当前的模型拟合技术。特别是采用高斯混合先验时，我们的模型能够生成更清晰的定量图，揭示基线方法中未呈现的更精细解剖细节。因此，我们的方法可以支持dMRI和qMRI等参数映射方法的临床应用。