PhyMRI-SR : Vers une super-résolution d'images IRM tenant compte de la physique

Résumé

L'imagerie par résonance magnétique (IRM) super-résolution est essentielle pour améliorer l'accessibilité au diagnostic, mais la plupart des méthodes la traitent comme un mappage déterministe d'une entrée basse résolution fixe vers une cible haute résolution. Cela néglige une propriété clé de la physique d'acquisition IRM : la résolution spatiale et le rapport signal sur bruit (RSB) sont intrinsèquement couplés, faisant de tout examen basse résolution une simple réalisation parmi de nombreuses possibles sous différents compromis d'acquisition. Nous repensons la super-résolution IRM comme un problème de reconstruction prenant en compte la physique, dont l'objectif est d'identifier la configuration optimale résolution-RSB, puis de la surrésoudre pour obtenir des résultats IRM de haute qualité. Une implication majeure de cette formulation est que la résolution IRM devient dynamique plutôt que fixe. Pour traiter de telles entrées hétérogènes en résolution, nous adaptons le lissage gaussien 2D (2D GS) à l'IRM en formulant la reconstruction comme un problème de rendu basé sur les coordonnées et indépendant de la résolution. Pour améliorer davantage la fidélité, nous introduisons trois innovations : (1) une représentation gaussienne informée par des a priori, combinant un a priori de structure anatomique pour l'initialisation des noyaux spécifiques aux tissus avec un a priori du système d'imagerie capturant les caractéristiques matérielles via un dictionnaire de covariance ; (2) un schéma de modélisation du signal sous contraintes physiques qui prédit les paramètres tissulaires intrinsèques (densité protonique ρ et taux de relaxation effectif R2) et synthétise les intensités via les équations physiques gouvernantes, garantissant un contraste biophysiquement plausible ; et (3) un cadre de méta-apprentissage qui atténue la rareté des données appariées en pré-entraînant sur des données simulées et en s'adaptant aux conditions réelles. Des expériences approfondies sur des ensembles de données à résolution dynamique et des bancs d'essai standards montrent que notre méthode atteint des performances de pointe, soulignant son fort potentiel pour un déploiement clinique.

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.