PHIVE: A Physics-Informed Variational Encoder Enables Rapid Spectral Fitting of Brain Metabolite Mapping at 7T
Notice bibliographique
Résumé
ABSTRACT Magnetic Resonance Spectroscopic Imaging (MRSI) enables non-invasive mapping of brain metabolite concentrations but remains computationally intensive and challenging due to a low signal-to-noise ratio (SNR) and overlapping spectral features. Traditional spectral fitting methods, such as LCModel, are time-consuming and often lack comprehensive uncertainty quantification. In this study, we propose Physics-Informed Variational Encoder (PHIVE), a novel deep learning framework that integrates physics-based priors into a variational autoencoder architecture for rapid and accurate metabo-lite quantification. PHIVE enables simultaneous estimation of metabolite concentrations and uncertainty metrics, including Cramér-Rao Lower Bound (CRLB), aleatoric, and epistemic uncertainties. PHIVE was evaluated on whole-brain MRSI data from 7T acquisitions of healthy controls. The method achieved comparable accuracy to LCModel for key metabolites, such as Total N-acetylaspartate (tNAA), Glutamate-Glutamine complex (Glx), and Myo-inositol (mIns) while demonstrating a six-order magnitude reduction in computational time (6 ms per dataset). Uncertainty quantification highlighted PHIVE’s robustness in regions with low SNR. Additionally, a conditional baseline modeling approach was introduced, enabling dynamic flexibility in spectral baseline estimation during inference time. These results suggest that PHIVE offers a fast, reliable, and interpretable solution for high-resolution metabolite quantification, paving the way for real-time MRSI applications in clinical and research settings. Future work will focus on expanding its validation across diverse datasets and investigating its utility in longitudinal and multicenter studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».