Physics-Informed Sylvester Normalizing Flows for Bayesian Inference in Magnetic Resonance Spectroscopy

要約

磁気共鳴分光法（MRS）は、組織の代謝組成を測定するための非侵襲的手法であり、神経障害、腫瘍検出、およびその他の代謝機能障害に関する貴重な洞察を提供します。
ただし、正確な代謝物の定量化は、スペクトルオーバーラップ、低信号対雑音比、さまざまなアーティファクトなどの課題によって妨げられています。
線形結合モデリングのような従来の方法は、あいまいさの影響を受けやすく、一般に、cram \ ‘er-rao結合の形での推定精度に関する理論的下限のみを提供します。
この作業では、シルベスター正規化フロー（SNF）を使用してベイジアン推論フレームワークを導入し、代謝産物濃度よりも後部分布を近似し、定量化の信頼性を高めます。
物理ベースのデコーダーには、MRS信号形成の事前知識が組み込まれ、現実的な分布表現が確保されます。
シミュレートされた7TプロトンMRSデータの方法を検証し、正確な代謝物の定量化、十分に調整された不確実性、およびパラメーター相関とマルチモーダル分布に関する洞察を実証します。

要約(オリジナル)

Magnetic resonance spectroscopy (MRS) is a non-invasive technique to measure the metabolic composition of tissues, offering valuable insights into neurological disorders, tumor detection, and other metabolic dysfunctions. However, accurate metabolite quantification is hindered by challenges such as spectral overlap, low signal-to-noise ratio, and various artifacts. Traditional methods like linear-combination modeling are susceptible to ambiguities and commonly only provide a theoretical lower bound on estimation accuracy in the form of the Cram\’er-Rao bound. This work introduces a Bayesian inference framework using Sylvester normalizing flows (SNFs) to approximate posterior distributions over metabolite concentrations, enhancing quantification reliability. A physics-based decoder incorporates prior knowledge of MRS signal formation, ensuring realistic distribution representations. We validate the method on simulated 7T proton MRS data, demonstrating accurate metabolite quantification, well-calibrated uncertainties, and insights into parameter correlations and multi-modal distributions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google