Hochauflösende MRT-Bildgebung mittels Deep Learning: Ein umfassender Überblick
MRI Super-Resolution with Deep Learning: A Comprehensive Survey
November 20, 2025
papers.authors: Mohammad Khateri, Serge Vasylechko, Morteza Ghahremani, Liam Timms, Deniz Kocanaogullari, Simon K. Warfield, Camilo Jaimes, Davood Karimi, Alejandra Sierra, Jussi Tohka, Sila Kurugol, Onur Afacan
cs.AI
papers.abstract
Hochauflösende (HR) Magnetresonanztomographie (MRT) ist für viele klinische und wissenschaftliche Anwendungen von entscheidender Bedeutung. Ihre Erreichung bleibt jedoch kostspielig und wird durch technische Kompromisse und experimentelle Einschränkungen behindert. Super-Resolution (SR) bietet einen vielversprechenden rechnerischen Ansatz, um diese Herausforderungen zu überwinden, indem HR-Bilder aus kostengünstigeren Niedrigauflösungs-(LR-)Aufnahmen erzeugt werden. Dies könnte die diagnostische Genauigkeit und Effizienz verbessern, ohne dass zusätzliche Hardware erforderlich ist. Dieser Übersichtsartikel behandelt aktuelle Fortschritte in der MRT-SR-Technologie mit einem Schwerpunkt auf Deep-Learning-(DL-)Ansätzen. Er untersucht DL-basierte MRT-SR-Methoden aus den Perspektiven der Computer Vision, des Computational Imaging, inverser Probleme und der MRT-Physik und behandelt theoretische Grundlagen, Architekturdesigns, Lernstrategien, Benchmark-Datensätze und Leistungskennzahlen. Wir schlagen eine systematische Taxonomie zur Kategorisierung dieser Methoden vor und präsentieren eine eingehende Untersuchung sowohl etablierter als auch aufkommender SR-Techniken, die auf die MRT anwendbar sind, unter Berücksichtigung der besonderen Herausforderungen in klinischen und Forschungskontexten. Wir beleuchten auch offene Herausforderungen und Richtungen, die die Gemeinschaft angehen muss. Zusätzlich stellen wir eine Sammlung essenzieller Open-Access-Ressourcen, Werkzeuge und Tutorials bereit, die auf unserem GitHub verfügbar sind: https://github.com/mkhateri/Awesome-MRI-Super-Resolution.
IEEE Keywords: MRT, Super-Resolution, Deep Learning, Computational Imaging, Inverses Problem, Übersicht.
English
High-resolution (HR) magnetic resonance imaging (MRI) is crucial for many clinical and research applications. However, achieving it remains costly and constrained by technical trade-offs and experimental limitations. Super-resolution (SR) presents a promising computational approach to overcome these challenges by generating HR images from more affordable low-resolution (LR) scans, potentially improving diagnostic accuracy and efficiency without requiring additional hardware. This survey reviews recent advances in MRI SR techniques, with a focus on deep learning (DL) approaches. It examines DL-based MRI SR methods from the perspectives of computer vision, computational imaging, inverse problems, and MR physics, covering theoretical foundations, architectural designs, learning strategies, benchmark datasets, and performance metrics. We propose a systematic taxonomy to categorize these methods and present an in-depth study of both established and emerging SR techniques applicable to MRI, considering unique challenges in clinical and research contexts. We also highlight open challenges and directions that the community needs to address. Additionally, we provide a collection of essential open-access resources, tools, and tutorials, available on our GitHub: https://github.com/mkhateri/Awesome-MRI-Super-Resolution.
IEEE keywords: MRI, Super-Resolution, Deep Learning, Computational Imaging, Inverse Problem, Survey.