Este artículo destaca la dificultad de estimar con precisión los parámetros de movimiento incoherente intravoxel (IVIM) en la resonancia magnética ponderada por difusión (DMR) debido a la inestabilidad del problema inverso y su alta sensibilidad al ruido, especialmente en el compartimento de perfusión. Para abordar esto, proponemos un marco de aprendizaje profundo probabilístico basado en conjuntos profundos (DE) de redes de densidad de mezcla (MDN). Este marco estima la incertidumbre de predicción general y la descompone en incertidumbre aleatoria (AU) e incertidumbre epistémica (EU). El método propuesto se evalúa contra redes neuronales no probabilísticas, métodos de ajuste bayesiano y redes probabilísticas con parametrización gaussiana simple. El aprendizaje supervisado se realiza utilizando datos sintéticos y las evaluaciones se realizan en conjuntos de datos simulados e in vivo. La confiabilidad de la incertidumbre cuantificada se evalúa utilizando curvas de calibración, nitidez de la distribución de salida y puntuaciones de probabilidad de rango continuo (CRPS). Los MDN produjeron distribuciones predictivas más corregidas y nítidas para los parámetros del coeficiente de difusión D y la fracción f , pero se observó un ligero exceso de confianza para el coeficiente de pseudodifusión D . La variabilidad robusta del coeficiente (RCV) indicó estimaciones in vivo más suaves de D utilizando MDN en comparación con el modelo gaussiano. A pesar de que los datos de entrenamiento cubren el rango fisiológico esperado, la alta EU in vivo sugiere una discrepancia con las condiciones de adquisición reales y destaca la importancia de la integración de EU permitida por DE. En general, este documento presenta un marco integral para el ajuste de IVIM a través de la cuantificación de la incertidumbre, que permite la identificación e interpretación de estimaciones no confiables. El enfoque propuesto también se puede aplicar a otros ajustes de modelos físicos con la arquitectura y los ajustes de simulación adecuados.
