Cet article souligne la difficulté d'estimer avec précision les paramètres de mouvement incohérent intravoxel (IVIM) en IRM pondérée en diffusion (DMR) en raison de l'instabilité du problème inverse et de sa forte sensibilité au bruit, notamment dans le compartiment de perfusion. Pour y remédier, nous proposons un cadre d'apprentissage profond probabiliste basé sur des ensembles profonds (DE) de réseaux de densité de mélange (MDN). Ce cadre estime l'incertitude de prédiction globale et la décompose en incertitude alléatorique (AU) et incertitude épistémique (EU). La méthode proposée est évaluée par rapport à des réseaux de neurones non probabilistes, des méthodes d'ajustement bayésien et des réseaux probabilistes à paramétrisation gaussienne unique. L'apprentissage supervisé est réalisé à partir de données synthétiques et les évaluations sont réalisées sur des ensembles de données simulés et in vivo. La fiabilité de l'incertitude quantifiée est évaluée à l'aide de courbes d'étalonnage, de la précision de la distribution de sortie et des scores de probabilité de rang continu (CRPS). Français Les MDN ont produit des distributions prédictives plus corrigées et plus précises pour les paramètres du coefficient de diffusion D et de la fraction f, mais un léger excès de confiance a été observé pour le coefficient de pseudodiffusion D. La variabilité robuste du coefficient (RCV) a indiqué des estimations in vivo plus lisses de D en utilisant les MDN par rapport au modèle gaussien. Bien que les données d'entraînement couvrent la plage physiologique attendue, l'UE élevée in vivo suggère un écart avec les conditions d'acquisition réelles et souligne l'importance de l'intégration de l'UE permise par DE. Globalement, cet article présente un cadre complet pour l'ajustement de l'IVIM via la quantification de l'incertitude, qui permet l'identification et l'interprétation des estimations peu fiables. L'approche proposée peut également être appliquée à d'autres ajustements de modèles physiques avec une architecture et des ajustements de simulation appropriés.
