Predicción de la siguiente escala de aceleración para la reconstrucción autorregresiva de IRM

Resumen

La reconstrucción de resonancia magnética (RM) constituye un problema inverso inherentemente mal condicionado, ya que las mediciones incompletas admiten múltiples soluciones plausibles. Esta ambigüedad se agrava bajo alta aceleración, donde los predictores continuos en el dominio de píxeles tienden a promediar entre reconstrucciones factibles y suprimir la anatomía de alta frecuencia. Abordamos esta limitación trasladando la reconstrucción a un espacio latente discreto multiescala y planteándola como una predicción autorregresiva de la siguiente escala de aceleración. Aprovechando los priores discretos que han demostrado ser efectivos en el modelado autorregresivo visual, nuestro método restringe la solución a secuencias compactas de tokens de codebook, permitiendo reconstrucciones nítidas incluso a partir de mediciones extremadamente dispersas. Esta formulación autorregresiva discreta también se alinea naturalmente con las técnicas modernas de post-entrenamiento de modelos de lenguaje de gran escala. Basándonos en esta observación, introducimos la destilación de información privilegiada on-policy para el modelado autorregresivo visual, donde un profesor recibe entrenamiento únicamente en un contexto privilegiado no disponible en la inferencia —en nuestro caso, adquisiciones completamente muestreadas— y supervisa a un estudiante entrenado en sus propias trayectorias generativas, lo que conduce a mejoras consistentes en la reconstrucción. Mediante experimentos exhaustivos en el banco de pruebas fastMRI, demostramos que nuestro enfoque ofrece un rendimiento de reconstrucción superior en diversos patrones de muestreo bajo un submuestreo extremo. El sitio web del proyecto se encuentra en https://yilmazkorkmaz1.github.io/discrete-mri-reconstruction-opd/{aquí}.

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}.