Diego Villalba

Diego Villalba

Physicist and machine learning researcher bridging academia and industry, focused on data-driven modeling, scientific computing, large-scale cosmological simulations.

Reducing MRI Acquisition Times: A Deep Learning Solution (ScattNet-MR)

Date:

Download slides (PDF)

Overview

This talk was presented at the Congreso Internacional de Supercómputo UNAM 2025, where I introduced ScattNet-MR, a deep-learning-based framework designed to reduce MRI acquisition times by up to 75% while preserving diagnostic integrity.

The method integrates super-resolution, statistical physics, and the Wavelet Scattering Transform (WST) to create a robust, interpretable, and computationally efficient reconstruction model.

Motivation

Magnetic Resonance Imaging (MRI) is one of the most powerful non-invasive diagnostic tools, yet it suffers from:

  • Long scan times (≈20 minutes per study)
  • High operational costs
  • Very low scanner availability in Mexico (<3 scanners per million inhabitants)

This leads to long waiting times and delayed diagnoses, especially in resource-limited healthcare systems.
(Slides 1–3)

Reducing acquisition time is therefore critical for patient throughput, clinical efficiency, and timely diagnosis.

MRI Acquisition and the Bottleneck

The talk includes an accessible overview of:

  • Proton precession and Larmor frequency
  • k-space encoding via gradient fields
  • Image formation through the inverse Fourier Transform
    (Slides 6–8)

The key limitation:

Fully sampling k-space requires many repeated measurements, creating the inherent time bottleneck.

Acceleration via Subsampling (and Its Problems)

Reducing the number of phase-encoding lines leads to:

  • Aliasing
  • Violations of the Nyquist sampling theorem
  • Severe reconstruction artifacts
    (Slide 10)

Deep Learning for Reconstruction

Classical interpolation fails to recover lost high-frequency structure. Deep learning offers a nonlinear approach, but…
(Slides 11–17)

Challenges of deep models in clinical reconstruction:

  • Risk of hallucinations (anatomically realistic but false details)
  • Global metrics (SSIM, PSNR) cannot guarantee structural correctness
  • Need for uncertainty estimation
  • Task-based evaluation by radiologists is essential

Our Approach: ScattNet-MR

ScattNet-MR is a residual CNN with attention mechanisms, trained not only on pixel-wise error but also using statistical constraints derived from the Wavelet Scattering Transform.
(Slides 18–24)

Key features:

  • WST provides stable, multiscale, and interpretable feature descriptors
  • KL divergence between WST coefficient distributions penalizes unrealistic reconstructions
  • No need to reconstruct phases explicitly
  • Increased robustness and reduced hallucinations

Dataset and Experimental Setup

Using the fastMRI dataset, we simulated realistic subsampling at:

  • 50% acquisition (8% center lines)
  • 25% acquisition (4% center lines)
    (Slides 19–20)

Training details:

  • 5000 MRI slices
  • 14 hours on an NVIDIA RTX 4090
  • 3.3 million trainable parameters
    (Slide 25)

Results

Acceleration ×2

ScattNet-MR achieves:

  • High structural preservation
  • Improved SSIM vs. classical interpolation
    (Slides 27–29)

Acceleration ×4

More challenging regime, yet the model still reconstructs realistic anatomical detail.
(Slides 30–32)

Noise robustness

When adding Gaussian noise, ScattNet-MR preserves structural consistency significantly better than CNN baselines.
(Slides 33–41)

Comparisons

  • Outperforms simple CNN models
  • Slightly below GAN models in SSIM, but with far fewer parameters and higher interpretability
    (Slides 42–43)

Conclusions

  • Clinical relevance: Reducing MRI acquisition time directly improves patient care and hospital throughput.
  • Methodological innovation: Wavelet-based statistical constraints mitigate hallucinations and enhance stability.
  • Computational efficiency: Enables Monte Carlo uncertainty quantification in practical time.
    (Slide 45)

Future Work

Potential improvements include:

  • Designing lighter architectures without sacrificing accuracy
  • Extending the method to multi-coil and multi-institutional datasets
  • Adapting the model for CT or ultrasound reconstruction
    (Slide 46)

Descargar diapositivas (PDF)

Resumen

Esta charla fue presentada en el Congreso Internacional de Supercómputo UNAM 2025, donde presenté ScattNet-MR, un framework basado en deep learning diseñado para reducir los tiempos de adquisición de MRI hasta en un 75% preservando la integridad diagnóstica.

El método integra super-resolución, física estadística y la Transformada de Scattering Wavelet (WST) para crear un modelo de reconstrucción robusto, interpretable y computacionalmente eficiente.

Motivación

La Resonancia Magnética (MRI) es una de las herramientas diagnósticas no invasivas más poderosas, y sin embargo sufre de:

  • Tiempos de escaneo largos (≈20 minutos por estudio)
  • Altos costos operativos
  • Muy baja disponibilidad de escáneres en México (<3 escáneres por millón de habitantes)

Esto genera largos tiempos de espera y diagnósticos tardíos, especialmente en sistemas de salud con recursos limitados. (Diapositivas 1–3)

Reducir el tiempo de adquisición es, por lo tanto, crítico para el flujo de pacientes, la eficiencia clínica y el diagnóstico oportuno.

Adquisición de MRI y el cuello de botella

La charla incluye una introducción accesible a:

  • Precesión de protones y frecuencia de Larmor
  • Codificación del k-space mediante campos de gradiente
  • Formación de imagen mediante la Transformada de Fourier inversa (Diapositivas 6–8)

La limitación clave:

Muestrear completamente el k-space requiere muchas mediciones repetidas, lo que crea el cuello de botella temporal inherente.

Aceleración mediante submuestreo (y sus problemas)

Reducir el número de líneas de codificación de fase genera:

  • Aliasing
  • Violaciones del teorema de muestreo de Nyquist
  • Artefactos severos de reconstrucción (Diapositiva 10)

Deep Learning para reconstrucción

La interpolación clásica no logra recuperar la estructura de alta frecuencia perdida. El deep learning ofrece un enfoque no lineal, pero… (Diapositivas 11–17)

Retos de los modelos profundos en reconstrucción clínica:

  • Riesgo de alucinaciones (detalles anatómicamente realistas pero falsos)
  • Las métricas globales (SSIM, PSNR) no pueden garantizar la corrección estructural
  • Necesidad de estimación de incertidumbre
  • La evaluación orientada a tareas por parte de radiólogos es esencial

Nuestro enfoque: ScattNet-MR

ScattNet-MR es una CNN residual con mecanismos de atención, entrenada no solo con el error píxel a píxel, sino también usando restricciones estadísticas derivadas de la Transformada de Scattering Wavelet. (Diapositivas 18–24)

Características clave:

  • La WST provee descriptores de características estables, multiescala e interpretables
  • La divergencia KL entre distribuciones de coeficientes WST penaliza reconstrucciones no realistas
  • No requiere reconstruir fases explícitamente
  • Mayor robustez y menos alucinaciones

Dataset y configuración experimental

Usando el dataset fastMRI, simulamos submuestreo realista en:

  • 50% de adquisición (8% líneas centrales)
  • 25% de adquisición (4% líneas centrales) (Diapositivas 19–20)

Detalles del entrenamiento:

  • 5000 cortes de MRI
  • 14 horas en una NVIDIA RTX 4090
  • 3.3 millones de parámetros entrenables (Diapositiva 25)

Resultados

Aceleración ×2

ScattNet-MR logra:

  • Alta preservación estructural
  • SSIM mejorado frente a la interpolación clásica (Diapositivas 27–29)

Aceleración ×4

Régimen más desafiante, pero el modelo aún reconstruye detalle anatómico realista. (Diapositivas 30–32)

Robustez al ruido

Al añadir ruido gaussiano, ScattNet-MR preserva la consistencia estructural significativamente mejor que los modelos base de CNN. (Diapositivas 33–41)

Comparaciones

  • Supera a los modelos CNN simples
  • Ligeramente por debajo de los modelos GAN en SSIM, pero con muchos menos parámetros y mayor interpretabilidad (Diapositivas 42–43)

Conclusiones

  • Relevancia clínica: reducir el tiempo de adquisición de MRI mejora directamente la atención al paciente y el flujo hospitalario.
  • Innovación metodológica: las restricciones estadísticas basadas en wavelets mitigan alucinaciones y mejoran la estabilidad.
  • Eficiencia computacional: permite cuantificación de incertidumbre por Monte Carlo en tiempo práctico. (Diapositiva 45)

Trabajo futuro

Posibles mejoras incluyen:

  • Diseñar arquitecturas más ligeras sin sacrificar precisión
  • Extender el método a datasets multi-bobina y multi-institucionales
  • Adaptar el modelo para reconstrucción de CT o ultrasonido (Diapositiva 46)