본 논문은 확산강조 MRI(diffusion-weighted MRI)에서 조직 내 비결합 운동(intravoxel incoherent motion, IVIM) 파라미터를 정확하게 추정하는 어려움을 해결하기 위해, 혼합 밀도 네트워크(Mixture Density Networks, MDNs)의 딥 앙상블(Deep Ensembles, DE) 기반의 확률적 심층 학습 프레임워크를 제안한다. 이 프레임워크는 예측 불확실성을 전체적으로 추정하고, 그 불확실성을 확률적(AU) 및 인식론적(EU) 요소로 분해한다. 합성 데이터로 감독 학습을 수행하고, 시뮬레이션 및 두 개의 생체 내 데이터 세트에서 평가를 수행하여 비확률적 신경망, 베이지안 피팅 방법, 단일 가우시안 매개변수화를 사용하는 확률적 네트워크와 비교 분석하였다. 보정 곡선, 출력 분포 선명도, 연속 순위 확률 점수(CRPS)를 사용하여 정량화된 불확실성의 신뢰성을 평가하였다. MDNs는 D 및 f 파라미터에 대해 더욱 보정되고 선명한 예측 분포를 생성했지만, D에서는 약간의 과신뢰가 관찰되었다. 강건한 변동 계수(RCV)는 가우시안 모델과 비교하여 MDNs를 사용한 D의 생체 내 추정치가 더 매끄럽다는 것을 나타냈다. 예상되는 생리적 범위를 포함하는 훈련 데이터에도 불구하고, 생체 내 EU가 높은 것은 실제 획득 조건과의 불일치를 시사하며, DE에 의해 허용된 EU 통합의 중요성을 강조한다. 전반적으로, 본 논문은 불확실성 정량화를 통한 IVIM 피팅을 위한 포괄적인 프레임워크를 제시하며, 이는 신뢰할 수 없는 추정치의 식별 및 해석을 가능하게 한다. 제안된 접근 방식은 적절한 아키텍처 및 시뮬레이션 조정을 통해 다른 물리적 모델 피팅에도 적용될 수 있다.
