PhyMRI-SR: Naar fysica-bewuste superresolutie van MRI-beelden

Samenvatting

Magnetische resonantiebeeldvorming (MRI) superresolutie is essentieel voor het verbeteren van de diagnostische toegankelijkheid, maar de meeste methoden behandelen het als een deterministische afbeelding van een vaste laagresolutie-invoer naar een hoogresolutiedoel. Dit gaat voorbij aan een cruciale eigenschap van de acquisitiefysica van MRI: ruimtelijke resolutie en signaal-ruisverhouding (SNR) zijn inherent gekoppeld, waardoor elke gegeven laagresolutiescan slechts een van vele mogelijke realisaties is onder variërende acquisitie-afwegingen. Wij herzien MRI superresolutie als een fysica-bewust reconstructieprobleem, waarbij het doel is om de optimale resolutie-SNR-configuratie te identificeren en deze vervolgens te superresolveren om hoogwaardige MRI-resultaten te verkrijgen. Een belangrijke implicatie van deze formulering is dat MRI-resolutie dynamisch wordt in plaats van vast. Om dergelijke resolutie-heterogene invoer te verwerken, passen we 2D Gaussian Splatting (2D GS) aan voor MRI door reconstructie te formuleren als een coördinaat-gebaseerd, resolutie-agnostisch weergaveprobleem. Om de getrouwheid verder te verbeteren, introduceren we drie innovaties: (1) een prior-bewuste Gaussische representatie die een Anatomische Structuur Prior combineert voor weefselspecifieke kernelinitialisatie met een Beeldvormingssysteem Prior die hardwarekenmerken vastlegt via een covariantiewoordenboek; (2) een fysica-beperkte signaalmodelleringsschema dat intrinsieke weefselparameters (protonendichtheid ρ en effectieve relaxatiesnelheid R2) voorspelt en intensiteiten synthetiseert via bepalende fysische vergelijkingen, wat biofysisch plausibel contrast waarborgt; en (3) een meta-leerframework dat de schaarste aan gepaarde data verlicht door voortraining op gesimuleerde data en aanpassing aan realistische omstandigheden. Uitgebreide experimenten op dynamische-resolutie datasets en standaard benchmarks tonen aan dat onze methode state-of-the-art prestaties levert, wat het sterke potentieel voor klinische toepassing benadrukt.

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.