Prédiction de l'échelle d'accélération suivante pour la reconstruction IRM autorégressive

Résumé

La reconstruction IRM est un problème inverse intrinsèquement mal posé, car des mesures incomplètes admettent de nombreuses solutions plausibles. Cette ambiguïté s'accentue sous des taux d'accélération élevés, où les prédicteurs continus dans le domaine des pixels tendent à moyenner les reconstructions possibles et à supprimer les hautes fréquences anatomiques. Nous abordons cette limitation en transférant la reconstruction vers un espace latent discret multi-échelle et en la formulant comme une prédiction autorégressive de l'échelle d'accélération suivante. En exploitant des priors discrets dont l'efficacité en modélisation autorégressive visuelle a été démontrée, notre méthode restreint la solution à des séquences compactes de jetons de dictionnaire, permettant des reconstructions nettes même à partir de mesures extrêmement parcimonieuses. Cette formulation autorégressive discrète s'aligne également naturellement avec les techniques modernes de post-entraînement des grands modèles de langage. En nous appuyant sur cette observation, nous introduisons la distillation d'information privilégiée en ligne pour la modélisation autorégressive visuelle, où un enseignant reçoit lors de l'entraînement un contexte privilégié indisponible à l'inférence — dans notre cas, des acquisitions entièrement échantillonnées — et supervise un étudiant entraîné sur ses propres déploiements, ce qui conduit à des gains de reconstruction cohérents. À travers des expériences approfondies sur le benchmark fastMRI, nous montrons que notre approche offre des performances de reconstruction améliorées sur divers schémas d'échantillonnage en situation de sous-échantillonnage extrême. Le site web du projet est disponible à l'adresse https://yilmazkorkmaz1.github.io/discrete-mri-reconstruction-opd/{ici}.

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}.