PhyMRI-SR: Hacia la Superresolución de Imágenes de MRI Consciente de la Física

Resumen

La superresolución en resonancia magnética (RM) es fundamental para mejorar la accesibilidad diagnóstica, sin embargo la mayoría de los métodos la tratan como un mapeo determinista desde una entrada fija de baja resolución hacia un objetivo de alta resolución. Esto pasa por alto una propiedad clave de la física de adquisición de RM: la resolución espacial y la relación señal-ruido (SNR) están inherentemente acopladas, por lo que cualquier exploración de baja resolución es solo una de muchas realizaciones posibles bajo diferentes compromisos de adquisición. Replanteamos la superresolución en RM como un problema de reconstrucción con conciencia física, donde el objetivo es identificar la configuración óptima de resolución-SNR y luego aplicar superresolución sobre ella para obtener resultados de RM de alta calidad. Una implicación clave de esta formulación es que la resolución de la RM se vuelve dinámica en lugar de fija. Para manejar estas entradas heterogéneas en resolución, adaptamos el Salpicadura Gaussiana 2D (2D GS) a la RM formulando la reconstrucción como un problema de renderizado basado en coordenadas e independiente de la resolución. Para mejorar aún más la fidelidad, introducimos tres innovaciones: (1) una representación gaussiana con conocimiento previo que combina un Priori de Estructura Anatómica para la inicialización de núcleos específica de tejido con un Priori del Sistema de Imagen que captura las características del hardware mediante un diccionario de covarianzas; (2) un esquema de modelado de señal con restricciones físicas que predice parámetros tisulares intrínsecos (densidad protónica ρ y tasa de relajación efectiva R₂) y sintetiza intensidades a través de ecuaciones físicas rectoras, garantizando un contraste biofísicamente plausible; y (3) un marco de meta-aprendizaje que mitiga la escasez de datos emparejados mediante preentrenamiento con datos simulados y adaptación a condiciones reales. Experimentos exhaustivos en conjuntos de datos de resolución dinámica y puntos de referencia estándar demuestran que nuestro método alcanza un rendimiento de vanguardia, destacando su gran potencial para el despliegue clínico.

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.