[论文解读] Cramér-Rao Bound Optimized Subspace Reconstruction in Quantitative MRI

Andrew Mao, Sebastian Flassbeck+2 more|PubMed|Apr 29, 2023

Advanced MRI Techniques and ApplicationsMedicine参考文献 53被引用 3

一句话总结

本文提出了一种用于定量MRI的新型子空间重构方法，该方法在优化基向量时不仅考虑信号能量的保持，还考虑费舍尔信息量的Cramér-Rao界（CRB）的保持。通过使用正交化信号导数对压缩域CRB进行近似，该方法实现了基于SVD的优化，从而在较小子空间尺寸下显著提升了参数估计的准确性和精确度，同时在模拟和在体应用中均实现了显著的计算效率提升。

ABSTRACT

We extend the traditional framework for estimating subspace bases that maximize the preserved signal energy to additionally preserve the Cramér-Rao bound (CRB) of the biophysical parameters and, ultimately, improve accuracy and precision in the quantitative maps. To this end, we introduce an <i>approximate</i> compressed CRB based on orthogonalized versions of the signal's derivatives with respect to the model parameters. This approximation permits singular value decomposition (SVD)-based minimization of both the CRB and signal losses during compression. Compared to the traditional SVD approach, the proposed method better preserves the CRB across all biophysical parameters with negligible cost to the preserved signal energy, leading to reduced bias and variance of the parameter estimates in simulation. In vivo, improved accuracy and precision are observed in two quantitative neuroimaging applications, permitting the use of smaller basis sizes in subspace reconstruction and offering significant computational savings.

研究动机与目标

• 为解决传统基于SVD的子空间重构在定量MRI中的局限性，即仅关注信号能量保持而忽略组织生物物理参数的Cramér-Rao界（CRB）。
• 通过优化子空间基向量以保持组织参数的CRB，改善参数估计的条件性，从而提升准确性和精确度。
• 开发一种基于正交化信号导数的压缩域CRB的计算高效近似方法，使该方法可实际集成到基于SVD的基向量优化中。
• 证明CRB优化的基向量可在不牺牲估计质量的前提下实现更小的子空间尺寸，从而在重构中实现计算效率提升。
• 在两项在体qMRI应用中验证该方法：基于MRF-FISP的双池定量磁化转移（qMT）和T₁/T₂映射。

提出的方法

• 该方法引入了一种基于生物物理参数对信号导数的正交化版本的压缩域CRB近似，使在基向量优化过程中能够实现高效计算。
• 该CRB近似被整合进一个联合目标函数中，该函数同时最小化信号损失（通过标准SVD实现）和子空间投影过程中CRB的增加。
• 通过在由正交化信号导数和预期参数范围内模拟指纹构成的修改后数据矩阵上执行SVD，完成优化。
• 所得的CRB-SVD基向量可作为现有子空间重构流程中传统SVD基向量的即插即用替代品。
• 该方法利用CRB作为参数空间中局部曲率的度量这一几何解释，偏好那些能保持高统计效率的基向量。
• 通过模拟和两项qMRI应用的在体实验对方法进行了验证：qMT和基于MRF-FISP的T₁/T₂映射。

Figure 1: (a) Distinguishing one model parameter from another depends on the components of its signal derivative, $\mathbf{j}_{i}$ , that are orthogonal to the span of all other signal derivatives, $\mathbf{J}_{i}$ [ 44 ] . (b) Depiction of a representative signal $\mathbf{s}$ for the inversion reco

实验结果

研究问题

• RQ1 是否可通过保持生物物理参数Cramér-Rao界（CRB）的子空间基向量优化，实现定量MRI参数图的准确性和精确度提升？
• RQ2 如何高效近似压缩域CRB，以实现其在基于SVD的基向量优化中的实际集成？
• RQ3 CRB优化的基向量选择是否允许在不降低参数估计性能的前提下使用更小的子空间尺寸？
• RQ4 当测量数接近参数数（Nc ≈ Np）时，CRB保持在多大程度上能减少参数估计的偏差和方差？
• RQ5 CRB-SVD是否能在保持或提升估计质量的同时，提升子空间重构中的计算效率，尤其在真实神经影像应用中？

主要发现

• 与传统SVD相比，CRB-SVD基向量在所有生物物理参数上均显著提升了Cramér-Rao界的保持，同时信号能量损失可忽略不计。
• 在模拟中，所提方法显著降低了参数估计的偏差和方差，尤其在信噪比（SNR）较低和测量数量有限的条件下。
• 在双池qMT模型的在体结果中，使用CRB优化基向量后，磁化转移参数的估计准确性和精确度均得到提升。
• 在MRF-FISP的T₁/T₂映射中，CRB-SVD基向量使在更小的子空间尺寸下仍能实现可靠的参数估计，显著降低了计算负载和内存使用。
• 该方法通过允许使用更小的基向量尺寸而不牺牲估计质量，实现了计算效率和内存效率的提升。
• 使用正交化导数对压缩CRB进行近似的方法在实际基向量优化中被证明足够准确且高效，当样本量超过某一阈值后，性能不再显著变化。

Figure 2: (a) Signal energy loss vs $\lambda$ normalized by the total signal energy in the qMT test dataset. (b) Cramér-Rao bound (CRB) loss calculated using the approximate compressed CRB ( $\Delta B_{ac}$ ; Eq. ( 4 )) and the exact compressed CRB ( $\Delta B_{ec}$ ; Eq. ( 6 )), averaged over all f