Predição da Próxima Escala de Aceleração para Reconstrução Autorregressiva de RM

Resumo

A reconstrução de MRI é um problema inverso inerentemente mal-posto, pois medições incompletas admitem muitas soluções plausíveis. Essa ambiguidade torna-se mais severa sob altas acelerações, onde preditores contínuos no domínio dos pixels tendem a fazer uma média das reconstruções viáveis e suprimir a anatomia de alta frequência. Abordamos essa limitação deslocando a reconstrução para um espaço latente discreto multiescala e formulando-a como predição autorregressiva de próxima escala de aceleração. Aproveitando priores discretos que se mostraram eficazes na modelagem autorregressiva visual, nosso método restringe a solução a sequências compactas de tokens de codebook, permitindo reconstruções nítidas mesmo a partir de medições extremamente esparsas. Essa formulação autorregressiva discreta também se alinha naturalmente com técnicas modernas de pós-treinamento de grandes modelos de linguagem. Com base nessa observação, introduzimos a destilação de informação privilegiada on-policy para modelagem autorregressiva visual, onde um professor recebe, durante o treinamento, apenas contexto privilegiado que não está disponível na inferência — em nosso caso, aquisições completamente amostradas — e supervisiona um aluno treinado em suas próprias trajetórias, gerando ganhos consistentes de reconstrução. Por meio de experimentos extensivos no benchmark fastMRI, mostramos que nossa abordagem oferece desempenho de reconstrução superior em diversos padrões de amostragem sob subamostragem extrema. O site do projeto é https://yilmazkorkmaz1.github.io/discrete-mri-reconstruction-opd/{aqui}.

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}.