Resolución Superalta en Resonancia Magnética con Aprendizaje Profundo: Una Revisión Exhaustiva
MRI Super-Resolution with Deep Learning: A Comprehensive Survey
November 20, 2025
Autores: 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
Resumen
La resonancia magnética (RM) de alta resolución (AR) es crucial para muchas aplicaciones clínicas y de investigación. Sin embargo, lograrla sigue siendo costosa y está limitada por compensaciones técnicas y limitaciones experimentales. La superresolución (SR) representa un enfoque computacional prometedor para superar estos desafíos mediante la generación de imágenes AR a partir de exploraciones de baja resolución (BR) más asequibles, lo que podría mejorar la precisión y eficiencia diagnósticas sin requerir hardware adicional. Esta revisión examina los avances recientes en técnicas de SR para RM, con especial atención a los enfoques de aprendizaje profundo (AP). Analiza los métodos de SR para RM basados en AP desde las perspectivas de la visión por computador, la imagen computacional, los problemas inversos y la física de la RM, cubriendo fundamentos teóricos, diseños arquitectónicos, estrategias de aprendizaje, conjuntos de datos de referencia y métricas de rendimiento. Proponemos una taxonomía sistemática para categorizar estos métodos y presentamos un estudio en profundidad de técnicas de SR tanto consolidadas como emergentes aplicables a la RM, considerando los desafíos únicos en contextos clínicos y de investigación. También destacamos desafíos abiertos y direcciones que la comunidad necesita abordar. Adicionalmente, proporcionamos una colección de recursos esenciales de acceso abierto, herramientas y tutoriales, disponibles en nuestro GitHub: https://github.com/mkhateri/Awesome-MRI-Super-Resolution.
Palabras clave IEEE: RM, Superresolución, Aprendizaje Profundo, Imagen Computacional, Problema Inverso, Revisión.
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.