자기회귀 MRI 재구성을 위한 차기 가속 스케일 예측

초록

MRI 재구성은 본질적으로 ill-posed 역문제이며, 불완전한 측정으로 인해 많은 가능한 해가 존재한다. 이러한 모호성은 높은 가속도 조건에서 더 심각해지는데, 픽셀 도메인의 연속 예측 변수는 가능한 재구성들을 평균 내고 고주파 해부학적 구조를 억제하는 경향이 있다. 우리는 이러한 한계를 극복하기 위해 재구성을 이산 다중 스케일 잠재 공간으로 이동시키고, 이를 자기회귀적 다음 가속도 스케일 예측으로 설정한다. 시각적 자기회귀 모델링에서 효과적인 것으로 입증된 이산 사전 분포를 활용하여, 우리의 방법은 해를 코드북 토큰의 컴팩트한 시퀀스로 제한함으로써 매우 희소한 측정에서도 선명한 재구성을 가능하게 한다. 이러한 이산 자기회귀 공식은 현대 대형 언어 모델의 사후 훈련 기법과도 자연스럽게 일치한다. 이 관찰을 바탕으로, 우리는 시각적 자기회귀 모델링을 위한 온-정책 특권 정보 증류를 도입한다. 여기서 교사는 추론 시 사용할 수 없는 특권 맥락(우리의 경우 완전 샘플링된 획득)만 제공받아 훈련되고, 학생은 자체 롤아웃에서 훈련되며 이를 통해 일관된 재구성 성능 향상을 이끈다. fastMRI 벤치마크에 대한 광범위한 실험을 통해, 우리의 접근 방식이 극단적인 언더샘플링 조건에서 다양한 샘플링 패턴에 걸쳐 개선된 재구성 성능을 제공함을 보여준다. 프로젝트 웹사이트는 https://yilmazkorkmaz1.github.io/discrete-mri-reconstruction-opd/{here}입니다.

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}.