Прогнозирование следующего масштаба ускорения для авторегрессионной реконструкции МРТ

Аннотация

Реконструкция МРТ является изначально некорректной обратной задачей, поскольку неполные измерения допускают множество правдоподобных решений. Эта неоднозначность становится более выраженной при высоком ускорении, где непрерывные предикторы в пиксельной области склонны усреднять возможные реконструкции и подавлять высокочастотную анатомию. Мы решаем это ограничение, перенося реконструкцию в дискретное многомасштабное латентное пространство и формулируя её как авторегрессионное предсказание следующего масштаба ускорения. Используя дискретные априорные распределения, доказавшие свою эффективность в визуальном авторегрессионном моделировании, наш метод ограничивает решение компактными последовательностями токенов из кодовой книги, что позволяет получать четкие реконструкции даже на основе чрезвычайно разреженных измерений. Эта дискретная авторегрессионная формулировка также естественным образом согласуется с современными методами пост-тренировки больших языковых моделей. Основываясь на этом наблюдении, мы вводим внутриполитическую дистилляцию привилегированной информации для визуального авторегрессионного моделирования, где учителю предоставляется только привилегированный контекст, недоступный при инференсе — в нашем случае полностью собранные данные — и он контролирует студента, обучаемого на собственных развертываниях, что приводит к устойчивому улучшению реконструкции. Посредством обширных экспериментов на эталоне fastMRI мы показываем, что наш подход обеспечивает улучшенную производительность реконструкции для различных схем сэмплирования при экстремальной субдискретизации. Веб-сайт проекта: https://yilmazkorkmaz1.github.io/discrete-mri-reconstruction-opd/{here}.

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}.