Risonanza Magnetica ad Alta Risoluzione con Apprendimento Profondo: Una Rassegna Completa
MRI Super-Resolution with Deep Learning: A Comprehensive Survey
November 20, 2025
Autori: 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
Abstract
La risonanza magnetica (MRI) ad alta risoluzione (HR) è fondamentale per molte applicazioni cliniche e di ricerca. Tuttavia, conseguirla rimane costosa e vincolata da compromessi tecnici e limitazioni sperimentali. La super-risoluzione (SR) rappresenta un approccio computazionale promettente per superare queste sfide generando immagini HR da scansioni a bassa risoluzione (LR) più economiche, potenzialmente migliorando l'accuratezza e l'efficienza diagnostica senza richiedere hardware aggiuntivo. Questa rassegna esamina i recenti progressi nelle tecniche di SR per MRI, con un focus sugli approcci di deep learning (DL). Analizza i metodi di SR per MRI basati sul DL dalle prospettive della visione artificiale, dell'imaging computazionale, dei problemi inversi e della fisica della risonanza magnetica, coprendo fondamenti teorici, progetti architetturali, strategie di apprendimento, dataset di benchmark e metriche di prestazione. Proponiamo una tassonomia sistematica per categorizzare questi metodi e presentiamo uno studio approfondito sia delle tecniche di SR consolidate che di quelle emergenti applicabili alla MRI, considerando le sfide uniche nei contesti clinici e di ricerca. Evidenziamo inoltre le sfide aperte e le direzioni che la comunità deve affrontare. In aggiunta, forniamo una raccolta di risorse open-access essenziali, strumenti e tutorial, disponibili sul nostro GitHub: https://github.com/mkhateri/Awesome-MRI-Super-Resolution.
Parole chiave IEEE: MRI, Super-Risoluzione, Deep Learning, Imaging Computazionale, Problema Inverso, Rassegna.
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.