PhyMRI-SR: 물리 인식 MRI 영상 초해상도를 향한

초록

자기공명영상(MRI) 초해상도는 진단 접근성을 향상시키는 데 중요하지만, 대부분의 방법은 이를 고정된 저해상도 입력에서 고해상도 목표로의 결정론적 매핑으로 취급한다. 이는 MRI 획득 물리학의 핵심 특성, 즉 공간 해상도와 신호 대 잡음비(SNR)가 본질적으로 결합되어 있어, 주어진 저해상도 스캔이 다양한 획득 트레이드오프 하에서 가능한 여러 실현 중 하나에 불과하다는 점을 간과한다. 우리는 MRI 초해상도를 물리 인식 재구성 문제로 재정의하며, 목표는 최적의 해상도-SNR 구성을 식별한 후 이를 초해상화하여 고품질 MRI 결과를 얻는 것이다. 이러한 정식화가 시사하는 핵심은 MRI 해상도가 고정된 것이 아니라 동적이 된다는 점이다. 이러한 해상도 이질적 입력을 처리하기 위해, 우리는 2D 가우시안 스플래팅(Gaussian Splatting, 2D GS)을 MRI에 적용하여 재구성을 좌표 기반의 해상도 무관 렌더링 문제로 정식화한다. 충실도를 더욱 향상시키기 위해 세 가지 혁신을 도입한다: (1) 조직별 커널 초기화를 위한 해부학적 구조 사전(Anatomical Structure Prior)과 공분산 사전을 통해 하드웨어 특성을 포착하는 영상 시스템 사전(Imaging System Prior)을 결합한 사전 인식 가우시안 표현; (2) 고유 조직 파라미터(양성자 밀도 ρ 및 유효 이완율 R₂)를 예측하고 지배적인 물리 방정식을 통해 강도를 합성하여 생물물리학적으로 타당한 대비를 보장하는 물리 제약 신호 모델링 기법; (3) 모의 데이터로 사전 훈련하고 실제 조건에 적응함으로써 쌍 데이터 부족 문제를 완화하는 메타러닝 프레임워크. 동적 해상도 데이터셋과 표준 벤치마크에 대한 광범위한 실험을 통해 우리의 방법이 최첨단 성능을 달성함을 입증하며, 이는 임상 배치에 대한 강력한 가능성을 시사한다.

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.