Reducing MRI Acquisition Times with Deep Learning (ScattNet-MR)
Date:
Overview
At MEXCAS 2025, I presented the same work delivered at the
Congreso Internacional de Supercómputo UNAM 2025:
a deep-learning framework called ScattNet-MR, designed to significantly reduce MRI acquisition times while preserving diagnostic fidelity.
This project integrates:
- Super-resolution techniques,
- Statistical physics,
- Wavelet Scattering Transform (WST), and
- A residual convolutional architecture with attention,
to reconstruct high-quality MRI images from heavily undersampled k-space data.
The method achieves up to 75% reduction in scan time without degrading critical anatomical information.
Motivation
Modern MRI presents a critical bottleneck:
- Long acquisition times (~20 minutes per study)
- High equipment cost
- Limited access in Mexico (<3 scanners per million inhabitants)
This results in delays for diagnosis and treatment.
ScattNet-MR aims to address these systemic constraints by accelerating acquisition without sacrificing medical reliability.
Method Summary
ScattNet-MR reconstructs high-quality MRI images by combining:
Wavelet Scattering Transform (WST)
A mathematically stable, multi-scale representation that:
- Captures non-Gaussian and structural information
- Is robust to local deformations
- Provides a physically interpretable loss function
Residual CNN with attention
Learns the mapping from undersampled MRI slices to full-resolution images using:
- Multi-channel feature fusion
- Statistical consistency enforced by WST-based KL divergence
- Regularization against hallucinations common in GAN-based MRI models
Dataset & Training
The model was trained on the fastMRI dataset (Facebook AI Research + NYU Langone Health), using:
- 5000 MRI slices
- Acceleration factors of 2× and 4×
- 14 hours of training on an NVIDIA RTX 4090
- 3.3M trainable parameters
Results
- High structural similarity (SSIM) for both 2× and 4× acceleration
- Strong robustness to Gaussian acquisition noise
- Superior stability compared to CNN-only baselines
- Competitive performance with GAN models while using far fewer parameters and offering better interpretability
ScattNet-MR enables complex statistical experiments (e.g., Monte-Carlo dropout) to run efficiently on consumer-grade GPUs.
Clinical Potential
ScattNet-MR has direct impact on:
- Patient throughput
- Workflow efficiency
- Early disease detection
- Computationally efficient MRI-based research
Its physics-aware design reduces the risk of hallucinated structures, supporting safer medical deployment.
Resumen
En MEXCAS 2025, presenté el mismo trabajo expuesto en el Congreso Internacional de Supercómputo UNAM 2025: un framework de deep learning llamado ScattNet-MR, diseñado para reducir significativamente los tiempos de adquisición de MRI preservando la fidelidad diagnóstica.
Este proyecto integra:
- Técnicas de super-resolución,
- Física estadística,
- Transformada de Scattering Wavelet (WST), y
- Una arquitectura convolucional residual con atención,
para reconstruir imágenes de MRI de alta calidad a partir de datos de k-space fuertemente submuestreados.
El método logra hasta 75% de reducción en el tiempo de escaneo sin degradar información anatómica crítica.
Motivación
La MRI moderna presenta un cuello de botella crítico:
- Tiempos de adquisición largos (~20 minutos por estudio)
- Alto costo del equipo
- Acceso limitado en México (<3 escáneres por millón de habitantes)
Esto genera retrasos en el diagnóstico y el tratamiento. ScattNet-MR busca abordar estas limitaciones sistémicas acelerando la adquisición sin sacrificar la confiabilidad médica.
Resumen del método
ScattNet-MR reconstruye imágenes de MRI de alta calidad combinando:
Transformada de Scattering Wavelet (WST)
Una representación matemáticamente estable y multiescala que:
- Captura información no gaussiana y estructural
- Es robusta ante deformaciones locales
- Provee una función de pérdida físicamente interpretable
CNN residual con atención
Aprende el mapeo de cortes de MRI submuestreados a imágenes de resolución completa usando:
- Fusión de características multicanal
- Consistencia estadística impuesta por divergencia KL basada en WST
- Regularización contra alucinaciones comunes en modelos de MRI basados en GAN
Dataset y entrenamiento
El modelo fue entrenado con el dataset fastMRI (Facebook AI Research + NYU Langone Health), usando:
- 5000 cortes de MRI
- Factores de aceleración de 2× y 4×
- 14 horas de entrenamiento en una NVIDIA RTX 4090
- 3.3M de parámetros entrenables
Resultados
- Alta similitud estructural (SSIM) tanto para aceleración 2× como 4×
- Fuerte robustez ante ruido gaussiano de adquisición
- Estabilidad superior comparado con modelos base únicamente-CNN
- Desempeño competitivo frente a modelos GAN, usando muchos menos parámetros y ofreciendo mejor interpretabilidad
ScattNet-MR permite ejecutar experimentos estadísticos complejos (p. ej., Monte-Carlo dropout) de forma eficiente en GPUs de consumo.
Potencial clínico
ScattNet-MR tiene impacto directo en:
- Flujo de pacientes
- Eficiencia del flujo de trabajo
- Detección temprana de enfermedades
- Investigación computacionalmente eficiente basada en MRI
Su diseño consciente de la física reduce el riesgo de estructuras alucinadas, favoreciendo un despliegue médico más seguro.