Vorhersage der nächsten Beschleunigungsstufe für autoregressive MRT-Rekonstruktion

Zusammenfassung

Die MRT-Rekonstruktion ist ein inhärent schlecht gestelltes inverses Problem, da unvollständige Messungen viele plausible Lösungen zulassen. Diese Mehrdeutigkeit wird unter hoher Beschleunigung noch gravierender, da kontinuierliche Prädiktoren in der Pixelebene dazu neigen, über mögliche Rekonstruktionen zu mitteln und hochfrequente anatomische Details zu unterdrücken. Wir beheben diese Einschränkung, indem wir die Rekonstruktion in einen diskreten mehrskaligen latenten Raum verlagern und sie als autoregressive Vorhersage der nächsten Beschleunigungsstufe formulieren. Durch die Nutzung diskreter Priors, die sich in der visuellen autoregressiven Modellierung als effektiv erwiesen haben, schränkt unsere Methode die Lösung auf kompakte Sequenzen von Codebuch-Tokens ein, was scharfe Rekonstruktionen selbst aus extrem spärlichen Messungen ermöglicht. Diese diskrete autoregressive Formulierung fügt sich zudem natürlich in moderne Post-Training-Techniken großer Sprachmodelle ein. Aufbauend auf dieser Beobachtung führen wir die On-Policy-Privileged-Information-Distillation für die visuelle autoregressive Modellierung ein, bei der einem Lehrer während des Trainings ausschließlich privilegierter Kontext zur Verfügung gestellt wird, der zur Inferenzzeit nicht verfügbar ist – in unserem Fall vollständig abgetastete Akquisitionen – und der einen Schüler überwacht, der auf seinen eigenen Rollouts trainiert wird, was zu konsistenten Verbesserungen der Rekonstruktion führt. Durch umfangreiche Experimente auf dem fastMRI-Benchmark zeigen wir, dass unser Ansatz bei extremer Unterabtastung über verschiedene Abtastmuster hinweg eine verbesserte Rekonstruktionsleistung erbringt. Die Projektwebsite ist https://yilmazkorkmaz1.github.io/discrete-mri-reconstruction-opd/{here}.

English

MRI reconstruction is an inherently ill-posed inverse problem, since incomplete measurements admit many plausible solutions. This ambiguity becomes more severe under high acceleration, where pixel-domain continuous predictors tend to average over feasible reconstructions and suppress high-frequency anatomy. We address this limitation by moving reconstruction to discrete multi-scale latent space and posing it as autoregressive next-acceleration-scale prediction. Leveraging discrete priors proven effective in visual autoregressive modeling, our method restricts the solution to compact sequences of codebook tokens, enabling sharp reconstructions even from extremely sparse measurements. This discrete autoregressive formulation also aligns naturally with modern large language model post-training techniques. Building on this observation, we introduce on-policy privileged information distillation for visual autoregressive modeling, where a teacher is provided training only privileged context that is unavailable at inference, in our case fully sampled acquisitions, and supervises a student trained on its own rollouts, leading to consistent reconstruction gains. Through extensive experiments on the fastMRI benchmark, we show that our approach delivers improved reconstruction performance across diverse sampling patterns under extreme undersampling. Project website is https://yilmazkorkmaz1.github.io/discrete-mri-reconstruction-opd/{here}.