《MAGNETIC RESONANCE IN MEDICINE》：Informed Dictionary-Guided Monte Carlo Inversion for Robust and Reproducible Multidimensional MRI
1 引言：多维磁共振成像的挑战与机遇
水在生物组织中的扩散行为受到细胞膜、细胞器及大分子环境等复杂结构的深刻影响。扩散磁共振成像（dMRI）通过测量微米尺度的水分子位移，为组织微结构提供了间接而强大的探测手段。在脑组织中，体素内的dMRI信号反映了轴突、树突、胞体、细胞外间隙及胶质细胞等多种水分子群体的共同贡献，每个群体都因其形态和通透性而具有独特的扩散特性。然而，脱髓鞘、水肿或肿胀等病理变化会进一步增加信号的复杂性，给解读带来巨大挑战。
为了提升微结构特异性，dMRI可以与弛豫参数（如纵向弛豫率T1和横向弛豫率T2）相结合，这些参数反映了局部的生化环境、磁化交换及大分子含量。然而，独立分析扩散和弛豫仅能提供组织特性的部分视图，可能忽略了体素内异质性的多维本质。传统的体素模型通常假设空间同质性，这限制了其解析体素内细胞类型、形态和方向混合物的能力。
为了克服这一局限，多维磁共振成像（MD-MRI）技术应运而生，旨在将扩散和弛豫特性联合编码在一个统一的框架中。通过增加数据维度，MD-MRI能够捕捉结构和成分特征之间的相互依赖关系，从而显著提升微结构特异性以及对病理变化的敏感性。
历史上，扩散张量成像（DTI）等模型首次建立了dMRI信号与组织结构之间的定量联系。然而，这些模型依赖于简化的假设，这些假设在异质性或病理组织中可能不再成立。随后，多室生物物理模型的引入旨在提高特异性，特别是在白质（WM）中。虽然这些模型增强了可解释性，但它们通常依赖于固定的假设或参数，这降低了灵活性，并可能在复杂条件下引入误差。
作为一种替代方案，数据驱动的、无生物物理模型的方法直接从信号本身估计扩散和弛豫参数的分布。这些非参数方法起源于早期的肌肉研究，现已发展到能够提取反映不同水环境及其相关性的联合扩散-弛豫谱。重要的是，这些方法不需要关于隔室数量或几何形状的先验假设。当与先进的扩散编码策略（如具有调制频率内容的张量值梯度）相结合时，它们允许对扩散敏感化的频率内容进行精确控制，并提供了获取频率依赖性扩散谱的途径。
扩散的频率域表示与速度自相关有关，对于研究受限和时间依赖性水运动的生物系统具有重要价值。频率依赖性扩散张量分布使得能够分离水分子池及其扩散时间依赖性，从而无需强先验即可估计微结构指标。这种灵活性对于解析精细的组织异质性和检测细微病理变化至关重要。
最近的研究表明，利用稀疏采样的MD-MRI协议可以在活体人脑中绘制高维分布。通过优化的梯度设计和稳健的重建，可以恢复体素内分布矩（均值、方差和协方差），从而基于其独特的多维特征来区分白质（WM）、灰质（GM）和脑脊液（CSF）。
尽管取得了这些进展，从MD-MRI中估计准确的参数分布仍然是一个不适定问题。蒙特卡洛（MC）反演已被广泛用于应对这一挑战，但其计算强度大且对噪声敏感，限制了MD-MRI在大规模研究中的可扩展性。先前的一项重测研究评估了分布导出的MD-MRI指标的可靠性。虽然感兴趣区（ROI）水平的指标（如平均扩散率、各向异性和弛豫率）具有可重复性，但高阶和频率依赖性指标的再现性较低，这可能是由于噪声敏感性和有限采样所致。这些发现表明，尽管微结构信息丰富，但某些参数的稳健性仍然欠佳，特别是在针对低信号成分时。
为了应对这些局限性，我们提出了一种新的MD-MRI处理框架，该框架扩展了MC反演方法。该框架将数据驱动的信息字典匹配步骤与有针对性的局部突变精修相结合，以提高参数估计的稳定性。我们通过模拟和在体人脑MD-MRI参数的重测可重复性评估，对所提出的方法进行了评估。
2 理论：从信号模型到ID-MC反演框架
2.1 多维磁共振成像中的信号模型
在扩散-弛豫MD-MRI中，体素水平的微结构由频率依赖性扩散张量、纵向弛豫率T1和横向弛豫率T2的联合分布表示。为了数值实现，这种连续分布被离散向量近似，其中每个元素代表一个独特的扩散-弛豫分量的权重。观测到的信号被建模为在给定采集设置下这些分量的加权和。
核函数捕捉了扩散谱和弛豫率的综合效应。在本研究中，采用二维单次激发自旋回波EPI序列，核函数源自相应的自旋回波MR信号方程。反演通过将扩散谱近似为轴对称洛伦兹谱来促进。待估计的扩散和弛豫参数表示为：轴向和径向零频扩散率、扩散张量的方向、高频各向同性扩散率，以及轴向和径向谱跃迁频率。
考虑到上述所有因素，信号方程可以写成矩阵形式，其中信号向量是核矩阵与代表每个分量贡献的非负权重向量的乘积。
2.2 蒙特卡洛反演
由于MD-MRI测量不完整，反演问题变得不适定，阻碍了准确的参数估计。MC反演已成为解决稀疏采样MD-MRI数据的有效方法，通过迭代采样和精修来估计参数分布。
标准的MC框架包括以下三个步骤：
- 1.
Bootstrap采样：MC反演从Bootstrap采样开始，这是一种重采样技术，通过有放回地抽取信号子集来反映测量噪声和变异性。这拓宽了解空间，支持参数分布的稳健估计，增强了稳定性和可重复性。
- 2.
增殖：每个Bootstrap样本经历增殖，通过生成候选集（例如，频率依赖性张量和弛豫参数）来全局探索参数空间。计算核向量并通过非负最小二乘（NNLS）拟合来估计权重；保留具有非零权重的集合，同时修剪冗余的集合。
- 3.
突变：突变通过小的随机扰动来精修顶级参数集。通过核向量和相应的NNLS权重评估扰动的集合，选择性地保留最佳拟合以改善准确性和局部探索。
对于每个体素，参数集被聚合以表征潜在的扩散和弛豫分布。
2.3 信息字典引导的蒙特卡洛（ID-MC）反演
虽然MC反演能有效模拟复杂的MD-MRI信号，但其计算量大，且易受不稳定性和过拟合的影响，特别是在低信噪比（SNR）或冗余参数空间中。此外，其在搜索过程中对随机采样的依赖可能导致效率低下和可重复性方面的挑战。为了应对这些局限性，我们提出了一个重新制定的反演框架，用数据驱动的、字典引导的方法取代了随机增殖。
该方法假设核子空间中的相似性对应于参数空间中的邻近性。它不是生成随机候选者，而是使用一个从涵盖广泛年龄范围的训练数据中导出的预计算核-参数对的信息字典。对于每个Bootstrap信号，通过余弦相似度选择最接近的字典条目，然后进行NNLS加权，并通过突变进行局部精修。这种混合策略保留了基于Bootstrap反演的稳健性，同时提高了效率、稳定性和可重复性。
因此，所提出的方法包括以下关键步骤：
- 1.
信息字典生成：利用代表性训练集构建信息字典。
- 2.
信号模式匹配：对于每个Bootstrap信号，使用余弦相似度识别最相似的字典条目。
- 3.
投影：匹配的核向量用于NNLS拟合，以估计相应的参数集。
- 4.
突变：应用局部扰动来精修估计值，提高拟合精度。
2.3.1 信息字典生成
信息字典包含三个组成部分：Bootstrap信号字典、代表每个信号组成核的核向量字典，以及用于生成核向量的参数集。与磁共振指纹识别或生物物理建模相比，在MD-MRI中构建信号字典和参数表尤其具有挑战性。参数空间是高维的，信号是通过从复杂参数集导出的核向量组合形成的，每个信号的核向量数量是可变的，这导致了高度多样化、高维的信号表示。
在这项工作中，我们使用10名规范受试者的训练集构建了一个数据驱动的信息字典。将所有训练受试者的脑体素汇集起来，并通过信号相似性进行聚类以减少冗余，同时保留代表性模式。为了引入统计变异同时保持分布特征，对聚类信号应用Bootstrap采样。每个重采样信号经过MC反演生成权重和参数集，从中合成核向量。
2.3.2 信号模式匹配
为了在所提出的反演中利用信息字典，我们使用与字典构建相同的Bootstrap采样索引从输入数据生成信号实现。每个Bootstrap信号通过模式匹配与字典中的条目进行匹配。
此步骤通过余弦相似度识别与输入最匹配的字典中的信号向量，余弦相似度通过强调方向相似性而对幅度差异具有鲁棒性——这在MD-MRI中至关重要，因为信号形状和方向通常比绝对强度携带更多信息。选择最相似的字典信号，用于检索相应的核和参数集，然后在投影步骤中用于估计权重。
2.3.3 投影
我们假设输入Bootstrap信号可以表示为来自匹配字典条目的核向量的线性组合。使用核约束的NNLS估计相应的权重，确保非负且物理上可解释的扩散-弛豫权重。这产生了一组具有估计权重和来自匹配参数集的Bootstrap解。
2.3.4 突变
虽然DM反演提供了参数分布的有效初始估计，但其对来自训练数据的单个匹配核集的依赖限制了灵活性，并可能导致欠拟合。当在Bootstrap实现中累积时，这可能会引入系统性偏差。为了解决这个问题，我们引入了一个突变步骤来局部精修所选的核候选者。
来自匹配集的每个参数向量通过从零均值高斯分布中采样的小随机扰动进行扰动，其中扰动尺度定义了探索半径。每个扰动的集合用于通过核函数生成核向量。这些与原始匹配的核一起形成一个扩展的核集。然后执行第二次NNLS拟合以精修权重。
通过在匹配候选者周围局部探索参数空间，突变精修了信号拟合，减少了欠拟合，并提高了稳健性。与MC反演在广泛增殖后应用突变不同，我们的方法直接从DM导出的核集启动突变，实现了更有针对性的局部探索。我们将这种混合策略称为信息字典引导的蒙特卡洛（ID-MC）反演。
3 方法：从数据采集到可重复性分析
3.1 受试者
健康成年受试者从美国国家药物滥用研究所（NIDA）正在进行的志愿者队列中招募。所有程序均经当地机构审查委员会批准，并获得书面知情同意。在成像前，进行了标准筛查，包括体格检查和健康史问卷。排除了有重大内科、神经、精神或物质使用史的个体。使用了两个数据集：
- 1.
训练集：选择了10名健康成年人（5男5女；年龄23-77岁）以最大化年龄多样性。
- 2.
重测集：10名成年人（平均年龄48±14.4岁；4名女性）在相隔数周内接受了两次MRI扫描，产生了20次扫描数据。
3.2 数据
3.2.1 采集方案
为了实现高效和稀疏的MD-MRI采样，采集方案遵循了先前研究中的启发式方法，使用数值优化的梯度波形生成具有不同形状（线性、球形、平面）和幅度的b张量。包含一个非扩散加权体积。波形采样中心频率在6.6至21 Hz之间。通过改变TR和TE实现了对T1和T2弛豫的敏感性。最终协议包括139个独特的扩散-弛豫体积。
3.2.2 数值模拟
为了模拟该系统，生成了一组地面实况微结构和弛豫参数，用于通过衰减模型计算信号描述符和地面实况数据集。这些参数被选择来模拟一个包含体细胞水（分量I）、交叉纤维（分量II和III）和CSF（分量IV）的复杂微结构场景。通过向地面实况信号添加Rician噪声来模拟噪声。
为了同时模拟真实的变异性和评估模型对偏差的稳健性，我们引入了相对于地面实况的受控扰动，以生成一系列有偏差的训练字典。ID-MC训练数据集基于表中列出的分量值构建，并添加了高斯噪声水平，以创建多个水平的偏差训练集。对于每个偏差水平，生成一个训练字典，并添加Rician噪声以产生40,000个信号。测试集同样被加噪，以产生每个SNR下10,000个信号。然后使用每个有偏差的字典来反演其相应的噪声信号，报告的结果反映了这些偏差控制的实验。
反演精度使用推土机距离（EMD）进行评估，这是MD-MRI中比较多维分布的有效度量。
3.2.3 活体人脑数据
人脑MD-MRI数据在3T Prisma扫描仪上采集，使用32通道头线圈。采用二维单次激发自旋回波EPI序列，使用数值优化的波形进行张量值扩散编码。成像协议采用2 mm各向同性体素。数据集采用AP方向采集，并额外采集了一个b=0 ms/μm2的反向相位编码方向（PA）体积。总共在40分钟内采集了139次测量。此外，还采集了脂肪抑制的1 mm各向同性T1加权MPRAGE扫描，用于配准和分割。
预处理使用TORTOISE进行，包括MPPCA去噪、Gibbs校正，以及使用DIFFPREP进行运动和涡流校正。通过将T1W转换为T2W样对比度并应用DRBUDDI来校正磁化率畸变。最终图像在解剖空间中以其原生平面内分辨率进行一次插值。
3.3 反演实现
我们评估了MC、DM和ID-MC反演在不同突变步数下的表现。所有方法都使用在生物学上合理范围内采样的参数来反演信号方程。MC反演使用增殖步数、突变步数、最多分量数和Bootstrap轮数进行。
为了生成信息字典，每个Bootstrap集包含来自训练集中所有脑体素的120万个信号模式。相应的核和参数集使用与MC反演相同的设置生成。
ID-MC在MATLAB R2023a中实现，通过修改扩散MRI工具箱。每个参数集使用随机高斯分布偏移进行扰动，偏移尺度如先前工作所述。对于每个突变步骤，使用扰动的集合来局部探索解空间。ID-MC在突变步数为1到10的情况下进行评估。
体素参数分布从Bootstrap估计中导出。对于每个体素，集合被聚合成多维分布，并投影到标量指标上。我们计算了体素均值、方差和协方差，包括参数空间内子区域（“分箱”）内的这些值。先前的研究在活体人脑中定义了三个分箱，大致反映了白质（各向异性、低扩散率）、灰质（各向同性、低扩散率）和脑脊液（各向同性、高扩散率）的微结构特征。这些活体分箱分别被称为分箱1、2和3，代表了分布空间中的部分积分区域。这些分箱的归一化权重被映射并标记为f1、f2和f3。
为了表征扩散频率依赖性，我们计算了在6.6-21 Hz范围内扩散率指标的有限差分估计，如先前的振荡梯度研究所述。这些指标包括频率依赖性扩散率的变化。
3.4 可重复性分析
为了评估导出参数图的重测可靠性和可重复性，计算了组内相关系数（ICC）和受试者内变异系数（wCV）。
体素分析通过使用高级归一化工具（ANTs）将每个受试者的参数图配准到研究特定模板，从而实现精细映射。应用空间高斯平滑以减少残余错位和噪声。此外，使用SLANT进行灰质分割，使用约翰霍普金斯DTI图谱进行白质分割，进行了基于感兴趣区（ROI）的分析。ROI包括皮层下灰质、皮层灰质和白质束。排除了具有重叠灰质/白质标签或高CSF含量的体素。参数值在每个ROI内取平均值以减少空间噪声，并实现假设驱动的解释。
4 结果：从模拟验证到活体应用
4.1 数值模拟
图2显示了地面实况（测试）和训练分布，并比较了添加Rician噪声前后的相应信号。在无噪声条件下，两个信号集表现出相似的模式。然而，即使这种偏差很小，或者当引入测量噪声（测试SNR=130；训练SNR=30）以模拟真实采集条件时，两个信号集之间会出现明显的视觉差异。这表明测量噪声如何掩盖真实相似性，导致参数估计中的欠拟合和偏差，并最终降低反演精度。
图3显示了在四个SNR水平和四个字典偏差水平下，重建信号与测试信号之间的平均相似性（黑色）和均方根误差（RMSE，红色）。每个子图总结了每个SNR和偏差条件下10,000个模拟体素的平均结果。在所有SNR和偏差水平下，具有单次突变步的ID-MC始终实现最高相似性和最低RMSE，证明了其对中等先验偏差的卓越估计精度和稳健性。在较高的突变水平下，相似性逐渐降低，RMSE增加，这可能是由于噪声过拟合所致。这些结果强调，ID-MC在广泛的字典偏差范围内保持稳定的性能，突出了选择最佳突变深度以平衡精度和可重复性的重要性。
图4显示了不同重建方法下估计的分布的二维投影。投影包括在五个扩散频率下的扩散率、弛豫率和各向异性。DM和ID-MC都比MC产生更窄、更局部的分布，表明更好的稳定性和精度。ID-MC还显示出更清晰的光谱划分，反映了对微结构异质性的增强敏感性。这种益处在中等突变水平下最为突出，在扰动和正则化之间取得了平衡，以实现准确的推断。超过该水平，分布变得更宽且定义不清，表明保真度降低，可能是由于噪声过拟合所致。这些参数域发现与信号域结果一致。
图5说明了字典偏差和突变水平对跨SNR重建性能的影响，显示了估计分布与地面实况分布之间体素推土机距离（EMD）的中位数和标准差。在所有条件下，ID-MC始终比标准MC实现更低的EMD值，表明精度更高。在中等至低偏差水平下，具有一次突变步的ID-MC产生最低的中位数EMD和变异性，提供了最稳定的重建。在低SNR和高偏差条件下，当突变步数增加时，EMD上升，这可能是由于噪声放大和过拟合所致，而在较高SNR下，突变引起的变异性趋于稳定，因为噪声效应减弱。总体而言，ID-MC在噪声和有偏差条件下对于中等突变水平保持稳健。随着偏差增强，EMD的增加在低SNR下最为明显，反映了噪声和先验不匹配的复合效应。L曲线分析确定了突变步数为1是在精度、稳定性和效率之间的最佳权衡。
4.2 活体评估
图6使用信号相似性评估了ID-MC拟合精度。对于代表性切片，计算了每个体素100个Bootstrap信号之间的相似性。与MC相比，ID-MC产生更多高相似性信号和更少低相似性信号，表明稳定性和欠拟合减少。值得注意的是，最大的改进出现在具有交叉纤维的白质区域，在这些区域，传统的MC反演由于参数简并和多个局部最优而变得不稳定。通过将反演约束在生物物理上合理的字典子空间内，并允许基于突变的局部精修，ID-MC实现了异质纤维配置的更稳定重建。图6B显示了相似性和归一化RMSE直方图，ID-MC明显向更高相似性和更低误差移动，证实了精度提高和偏差减少。
虽然拟合精度具有参考价值，但它并不能确保可靠的参数估计。由于活体中无法获得地面实况分布，我们将重测可重复性作为实用的可靠性度量进行评估。图7显示了一个热图，总结了每个参数和反演方法的这些结果，行表示参数，列表示MC、DM和突变步数从1到7的ID-MC。在突变步数为1时，ID-MC与MC相比，始终提高了ROI水平的可重复性，特别是对于频率依赖性参数。ICC通常在低突变步数时达到峰值，并在较高值时下降，表明有限的突变增强了稳定性而不会放大噪声。在体素ICC、基于ROI的wCV和体素wCV中也观察到类似的趋势。
在76个MD-MRI参数中，ICC≥0.75（即良好或优秀的可靠性）的参数数量，MC为19个，DM为41个，而突变步数为1、3、5和7的ID-MC分别为33、31、26和23个。例如，某些频率依赖性参数的ICC从MC的0.30和0.50分别提高到ID-MC的0.74和0.86，而ROI wCV从MC的1.03下降到ID-MC的0.13。在分箱解析的频率依赖性参数中也观察到了类似的改进。
图8展示了基于突变的精修在参数图估计中的定性评估。ID-MC产生视觉上更干净的图，噪声减少，结构定义更清晰，特别是在白质区域。这些改进在对微结构异质性和弛豫动力学敏感的参数中是一致的。参数均值和方差随扩散编码频率变化的分析进一步表明，ID-MC生成更平滑、噪声更少的图，并增强了结构对比度，频率相关趋势反映了信号质量改善和表观噪声减少。
表2总结了每种反演方法每次Bootstrap的计算时间。与标准MC反演每次Bootstrap需要13.6分钟相比，DM和ID-MC将计算时间分别减少到3.2分钟和4.2分钟。值得注意的是，ID-MC在仅比DM适度增加的情况下实现了这一改进，同时结合了基于突变的精修以增强参数估计的稳健性。
5 讨论：ID-MC框架的优势与局限
这项工作提出了一个稳健且高效的框架，用于使用ID-MC方法估计脑组织中频率依赖性扩散和弛豫参数的多维联合分布。通过将数据驱动的、核子空间信息字典匹配与有针对性的局部突变相结合，该方法与MC反演相比，提高了精度、可重复性和收敛效率，同时减轻了与纯基于字典的反演（DM）相关的欠拟合风险。
最先进的MD-MRI反演，即MC流程，通过随机增殖和局部突变探索高维参数空间。虽然灵活且与复杂模型兼容，但它存在计算成本高和在低SNR下不稳定的问题，这是由于对冗余或低似然参数区域的低效采样所致，这会放大噪声并降低可重复性。
我们提出了一个计算框架，通过整合将核子空间中的相似性与参数空间中的邻近性联系起来的先验知识，来增强随机全局探索。从训练数据导出的信息字典提供了生物物理上合理的信号-参数对，允许通过余弦相似度将每个Bootstrap信号高效地匹配到其最接近的条目。这种有针对性的搜索通过避免详尽的随机采样，大大减少了计算时间。从概念上讲，ID-MC框架弥合了基于字典和基于蒙特卡洛的方法之间的差距：与AMICO等模型约束方法不同，ID-MC保持无模型和数据驱动，在没有隔室假设的情况下重建完整的多维参数分布。虽然纯字典反演（即DM）可能会欠拟合由于噪声或生物变异性而偏离预定义条目的信号，但ID-MC通过引入局部突变步骤来解决这个问题，该步骤扰动匹配的参数。这种精修使得能够探索附近配置，从而更好地捕捉信号特征，在局部适应性和全局合理性之间取得平衡。
为了评估MC、DM和ID-MC的性能，我们在生物学上现实的条件下进行了模拟，并评估了活体人脑中MD-MRI参数的重测可重复性。在相对较高的SNR为130时，MC优于DM，产生的估计更接近地面实况。向DM添加突变（ID-MC）提高了灵活性，并在精度上超过了MC。在较低的SNR下，MC产生的估计精度最低，可能是由于噪声过拟合——这种效应随着突变水平的增加而加剧，如EMD增加所示。相比之下，低突变水平通过适度拓宽解空间来减轻欠拟合，以更好地解释测量噪声和生物变异性，从而产生更高的相似性、更低的RMSE和更低的EMD。超过突变步数为1，性能下降，分布更宽、更不清晰，EMD更高，反映了从欠拟合向过拟合的转变。这种权衡是反演问题的典型特征，其中更大的灵活性提高了适应性，但也增加了拟合噪声的风险。
除了EMD和RMSE的改进外，ID-MC中的信息字典在活体中显著提高了可重复性。人脑队列中的重测实验表明，与MC相比，ID-MC提高了关键扩散-弛豫参数的体素和ROI可靠性，表现为更高的ICC和更低的wCV。ID-MC使ICC值高于0.75（表明良好或优秀的可靠性）的MD-MRI参数数量增加了一倍。这对于扩散频率依赖性参数尤其显著，这些参数在MC下表现出较差的可重复性。使用ID-MC，这些参数的ICC最高增加了146%，wCV降低了87%，突显了其用于更可靠和生物学上有意义的评估的潜力。
虽然DM反演在可重复性方面比MC有最大的改进，但我们的模拟结果揭示了仅依赖基于字典的方法的局限性，并强调了仔细调整突变的必要性。基于模拟和活体发现，我们建议具有单次突变步的ID-MC在稳定性和灵活性之间提供了良好的平衡，能够准确恢复多维参数分布而不会过拟合。最佳突变水平可能因应用和训练集特征而异；例如，具有高病理异质性的队列可能受益于更广泛的突变调整。
除了精度和活体重测可重复性方面的收益外，基于信息字典的反演方法在计算效率方面提供了巨大优势。平均每次Bootstrap计算时间从标准MC反演的大约13.6分钟下降到使用ID-MC的4.2分钟，提高了三倍多。这种效率水平对于将MD-MRI转化为实际应用至关重要，因为需要全脑、多体素、多受试者处理。
虽然ID-MC框架提高了效率和稳定性，但仍存在一些局限性。该方法目前依赖于从单一站点采集的规范脑数据构建的数据驱动字典，没有合成增强或多站点变异性，这可能限制其对病理或不同MRI系统的普适性。如果疾病特定的微结构模式没有被表示，该框架可能无法捕捉到这些异常，即使它们落在理论参数空间内，这突显了扩展字典以包含病理、多站点或模拟示例的必要性。在活体中估计SNR也面临挑战，因为受试者、硬件、生理噪声和组织异质性的变异性，使得跨噪声水平的稳健性评估变得复杂。突变水平是凭经验选择的，结合自动调整策略（如交叉验证或L曲线优化）可能会增强可重复性。虽然当前的MATLAB实现提供了有意义的加速，但通过GPU并行化或整合顺序蒙特卡洛方法可以实现进一步的收益，以提高稳定性和收敛性。最后，虽然这项工作侧重于方法学验证，但未来的研究应证明ID-MC导出参数在轴突损伤、神经退行性变、神经炎症和扩散-弛豫解耦等应用中的临床效用。
**6 结论：迈向稳健的脑微结构定量
