自己回帰型MRI再構成のための次加速スケール予測

要旨

MRI再構成は、不完全な測定データから多くの妥当な解が導かれるため、本質的に不良設定の逆問題です。この曖昧さは高加速条件下でさらに顕著となり、画素領域の連続予測器は実行可能な再構成結果を平均化し、高周波の解剖学的構造を抑制する傾向があります。本研究では、再構成を離散的なマルチスケール潜在空間へと移行し、これを自己回帰型の次段階加速スケール予測として定式化することで、この限界に対処します。視覚的自己回帰モデリングで有効性が実証された離散的先行確率を活用し、本手法は解をコンパクトなコードブックトークン列に制限することで、極めて疎な測定データからも鮮明な再構成を可能にします。この離散的自己回帰定式化は、また、現代の大規模言語モデルのポストトレーニング手法とも自然に調和します。この知見に基づき、我々は視覚的自己回帰モデリングのためのオン方策特権情報蒸留を導入します。ここでは、教師モデルに対して、推論時には利用できない特権的な文脈（本ケースでは完全サンプリングされた取得データ）のみを訓練時に与え、自身のロールアウトに基づいて訓練される生徒モデルを指導することで、一貫した再構成性能の向上をもたらします。fastMRIベンチマークを用いた広範な実験を通じて、本手法が極端な間引きサンプリング下における多様なサンプリングパターンに対して、改善された再構成性能を提供することを実証します。プロジェクトウェブサイトはhttps://yilmazkorkmaz1.github.io/discrete-mri-reconstruction-opd/{here}です。

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}.