Voorspelling van de volgende acceleratieschaal voor autoregressieve MRI-reconstructie

Samenvatting

MRI-reconstructie is een inherent slecht gesteld invers probleem, aangezien onvolledige metingen tot veel plausibele oplossingen leiden. Deze ambiguïteit wordt ernstiger bij hoge versnelling, waar continue voorspellers in het pixel-domein de neiging hebben te middelen over haalbare reconstructies en hoogfrequente anatomie te onderdrukken. Wij pakken deze beperking aan door de reconstructie naar een discrete multi-schaal latente ruimte te verplaatsen en deze te formuleren als autoregressieve voorspelling van de volgende versnellingsschaal. Door gebruik te maken van discrete voorkennis die effectief is gebleken in visuele autoregressieve modellering, beperkt onze methode de oplossing tot compacte reeksen codebook-tokens, waardoor scherpe reconstructies mogelijk zijn, zelfs bij extreem schaarse metingen. Deze discrete autoregressieve formulering sluit ook op natuurlijke wijze aan bij moderne post-trainingstechnieken voor grote taalmodellen. Voortbouwend op deze observatie introduceren we on-policy geprivilegieerde informatiedistillatie voor visuele autoregressieve modellering, waarbij een leraar alleen training krijgt met geprivilegieerde context die niet beschikbaar is tijdens inferentie – in ons geval volledig bemonsterde acquisities – en een student begeleidt die getraind is op zijn eigen rollouts, wat leidt tot consistente reconstructiewinsten. Door middel van uitgebreide experimenten op de fastMRI-benchmark tonen we aan dat onze aanpak verbeterde reconstructieprestaties levert bij diverse bemonsteringspatronen onder extreme onderbemonstering. De projectwebsite is https://yilmazkorkmaz1.github.io/discrete-mri-reconstruction-opd/{hier}.

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}.