PhyMRI-SR: 物理的知識を考慮したMRI画像超解像へのアプローチ

要旨

磁気共鳴画像法（MRI）の超解像は診断のアクセシビリティ向上に不可欠であるが、ほとんどの手法は固定された低解像度入力から高解像度ターゲットへの決定論的変換として扱う。このアプローチは、空間分解能と信号対雑音比が本質的に結合しており、任意の低解像度スキャンは様々な取得トレードオフのもとで生じる多数の可能な実現値の一つに過ぎないという、MRI取得物理の重要な性質を見落としている。本稿では、MRI超解像を物理を考慮した再構成問題として再考する。その目標は最適な分解能-信号対雑音比構成を特定し、それを超解像することで高品質なMRI結果を得ることである。この定式化の重要な含意として、MRIの分解能は固定ではなく動的となる。このような分解能が不均一な入力を扱うために、2次元ガウススプラッティング（2D GS）をMRIに適用し、再構成を座標ベースで分解能に依存しないレンダリング問題として定式化する。さらに忠実度を高めるため、以下の3つの革新を導入する：（1）解剖学的構造事前分布に基づき組織特異的なカーネル初期化を行うAnatomical Structure Priorと、共分散辞書を介してハードウェア特性を捉えるImaging System Priorを組み合わせた事前分布考慮型ガウス表現、（2）内在的組織パラメータ（プロトン密度ρおよび実効緩和率R2）を予測し、支配的な物理方程式を通じて信号強度を合成することで生物物理学的に妥当なコントラストを保証する物理制約付き信号モデリング手法、（3）シミュレーションデータで事前学習し実環境に適応することでペアデータの不足を緩和するメタ学習フレームワーク。動的分解能データセットおよび標準ベンチマークにおける広範な実験により、本手法が最先端の性能を達成し、臨床展開への強い可能性を示すことを実証する。

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.