PhyMRI-SR: Hin zu physikbewusster MRI-Bild-Superauflösung

Zusammenfassung

Die Magnetresonanztomographie (MRT)-Superauflösung ist entscheidend für die Verbesserung der diagnostischen Zugänglichkeit, jedoch betrachten die meisten Methoden sie als deterministische Abbildung von einer festen niedrig aufgelösten Eingabe zu einem hoch aufgelösten Ziel. Dies übersieht eine Schlüsseleigenschaft der MRT-Akquisitionsphysik: Räumliche Auflösung und Signal-Rausch-Verhältnis (SRV) sind inhärent gekoppelt, sodass jeder gegebene niedrig aufgelöste Scan lediglich eine von vielen möglichen Realisierungen unter variablen Akquisitionsabwägungen darstellt. Wir überdenken die MRT-Superauflösung als ein physikbewusstes Rekonstruktionsproblem, bei dem das Ziel darin besteht, die optimale Auflösungs-SRV-Konfiguration zu identifizieren und diese dann zu superauflösen, um hochwertige MRT-Ergebnisse zu erzielen. Eine zentrale Implikation dieser Formulierung ist, dass die MRT-Auflösung dynamisch anstatt fest wird. Um solche auflösungsheterogenen Eingaben zu handhaben, passen wir das 2D Gaußsche Splatting (2D GS) an die MRT an, indem wir die Rekonstruktion als koordinatenbasiertes, auflösungsagnostisches Rendering-Problem formulieren. Zur weiteren Verbesserung der Genauigkeit führen wir drei Neuerungen ein: (1) Eine vorwissensbewusste Gauß-Darstellung, die einen Anatomischen-Struktur-Prior für gewebespezifische Kernel-Initialisierung mit einem Bildgebungs-System-Prior kombiniert, der Hardwareeigenschaften über ein Kovarianz-Wörterbuch erfasst; (2) Ein physikbeschränktes Signalmodellierungsverfahren, das intrinsische Gewebeparameter (Protonendichte ρ und effektive Relaxationsrate R₂) vorhersagt und Intensitäten durch zugrundeliegende physikalische Gleichungen synthetisiert, wodurch biophysikalisch plausible Kontraste sichergestellt werden; und (3) Ein Metalern-Framework, das die Knappheit gepaarter Daten durch Vorlernen auf simulierten Daten und Anpassung an reale Bedingungen verringert. Umfangreiche Experimente auf dynamischen Auflösungsdatensätzen und Standard-Benchmarks zeigen, dass unsere Methode eine Spitzenleistung erzielt, was ihr hohes Potenzial für den klinischen Einsatz unterstreicht.

English

Magnetic resonance imaging (MRI) super-resolution is vital for improving diagnostic accessibility, yet most methods treat it as a deterministic mapping from a fixed low-resolution input to a high-resolution target. This overlooks a key property of MRI acquisition physics: spatial resolution and signal-to-noise ratio (SNR) are inherently coupled, making any given low-resolution scan merely one of many possible realizations under varying acquisition trade-offs. We rethink MRI super-resolution as a physics-aware reconstruction problem, in which the goal is to identify the optimal resolution-SNR configuration and then super-resolve it to obtain high-quality MRI results. A key implication of this formulation is that MRI resolution becomes dynamic rather than fixed. To handle such resolution-heterogeneous inputs, we adapt 2D Gaussian Splatting (2D GS) to MRI by formulating reconstruction as a coordinate-based, resolution-agnostic rendering problem. To further enhance fidelity, we introduce three innovations: (1) a prior-aware Gaussian representation that combines an Anatomical Structure Prior for tissue-specific kernel initialization with an Imaging System Prior that captures hardware characteristics via a covariance dictionary; (2) a physics-constrained signal modeling scheme that predicts intrinsic tissue parameters (proton density rho and effective relaxation rate R2) and synthesizes intensities through governing physical equations, ensuring biophysically plausible contrast; and (3) a meta-learning framework that alleviates paired-data scarcity by pretraining on simulated data and adapting to real-world conditions. Extensive experiments on dynamic-resolution datasets and standard benchmarks demonstrate that our method achieves state-of-the-art performance, highlighting its strong potential for clinical deployment.