K-TアンダーサンプリングデータからのR-FMRI再構築対象不変の辞書モデルと、ネストされたマイナー化を伴うVB-EMを使用して

安静時の機能的磁気共鳴画像法（R-FMRI）におけるより高い空間分解能は、大脳皮質の機能的ネットワークに関する信頼できる情報を提供できます。典型的な方法は、（i）複雑なパルスシーケンス設計のいずれかを使用してスキャンを高速化することにより、より高い空間的または時間的解像度を達成できます。空間解像度を改善するために、KスペースでのR-FMRIの取得とスピードアップスキャンの時間をアンダーサンプリングすることを提案します。信号の前に、堅牢で主題不変の空間的に正則化された辞書を使用して、新しいモデルベースのR-FMRI再構成フレームワークを提案します。さらに、ネストされたマイナー化（VB-EM-NM）による変分状のベイジアン期待の最大化に基づいた新しい推論フレームワークを提案します。推論フレームワークにより、典型的な再構成方法とは異なり、再構築の不確実性の推定値を提供することができます。（i）シミュレートされたR-FMRI再構成と（ii）脳のR-FMRI再構成からの機能的ネットワーク推定の経験的評価は、我々のフレームワークがアートの最新作で改善し、さらに、大幅に高い空間分解能を可能にすることを示しています。

Higher spatial resolution in resting-state functional magnetic resonance imaging (R-fMRI) can give reliable information about the functional networks in the cerebral cortex. Typical methods can achieve higher spatial or temporal resolution by speeding up scans using either (i) complex pulse-sequence designs or (ii) k-space undersampling coupled with priors on the signal. We propose to undersample the R-fMRI acquisition in k-space and time to speedup scans in order to improve spatial resolution. We propose a novel model-based R-fMRI reconstruction framework using a robust, subject-invariant, spatially regularized dictionary prior on the signal. Furthermore, we propose a novel inference framework based on variational Bayesian expectation maximization with nested minorization (VB-EM-NM). Our inference framework allows us to provide an estimate of uncertainty of the reconstruction, unlike typical reconstruction methods. Empirical evaluation of (i) simulated R-fMRI reconstruction and (ii) functional-network estimates from brain R-fMRI reconstructions demonstrate that our framework improves over the state of the art, and, additionally, enables significantly higher spatial resolution.