Surper-résolution IRM par apprentissage profond : une étude exhaustive
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
L'imagerie par résonance magnétique (IRM) haute résolution (HR) est cruciale pour de nombreuses applications cliniques et de recherche. Cependant, son obtention reste coûteuse et contrainte par des compromis techniques et des limitations expérimentales. La super-résolution (SR) constitue une approche computationnelle prometteuse pour surmonter ces défis en générant des images HR à partir d'acquisitions basse résolution (LR) plus abordables, améliorant potentiellement la précision et l'efficacité du diagnostic sans nécessiter de matériel supplémentaire. Cette synthèse passe en revue les progrès récents des techniques de SR pour l'IRM, en mettant l'accent sur les approches par apprentissage profond (DL). Elle examine les méthodes de SR-IRM basées sur le DL sous les angles de la vision par ordinateur, de l'imagerie computationnelle, des problèmes inverses et de la physique de l'IRM, couvrant les fondements théoriques, les conceptions architecturales, les stratégies d'apprentissage, les jeux de données de référence et les métriques de performance. Nous proposons une taxonomie systématique pour catégoriser ces méthodes et présentons une étude approfondie des techniques de SR établies et émergentes applicables à l'IRM, en tenant compte des défis spécifiques aux contextes cliniques et de recherche. Nous soulignons également les défis ouverts et les orientations que la communauté doit aborder. De plus, nous fournissons une collection de ressources, d'outils et de tutoriels essentiels en accès libre, disponibles sur notre GitHub : https://github.com/mkhateri/Awesome-MRI-Super-Resolution.
Mots-clés IEEE : IRM, Super-Résolution, Apprentissage Profond, Imagerie Computationnelle, Problème Inverse, Synthèse.
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.