MRI Superresolutie met Deep Learning: Een Uitgebreid Overzicht
MRI Super-Resolution with Deep Learning: A Comprehensive Survey
November 20, 2025
Auteurs: 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
Samenvatting
Hoogresolutie (HR) magnetische resonantiebeeldvorming (MRI) is van cruciaal belang voor veel klinische en onderzoeksapplicaties. Het bereiken ervan blijft echter kostbaar en wordt beperkt door technische afwegingen en experimentele beperkingen. Superresolutie (SR) biedt een veelbelovende computationele aanpak om deze uitdagingen te overwinnen door HR-beelden te genereren uit betaalbaardere laagresolutie (LR) scans, wat de diagnostische nauwkeurigheid en efficiëntie potentieel kan verbeteren zonder extra hardware te vereisen. Dit overzichtsartikel behandelt recente vooruitgang in MRI SR-technieken, met een focus op deep learning (DL) benaderingen. Het onderzoekt DL-gebaseerde MRI SR-methoden vanuit de perspectieven van computervisie, computationele beeldvorming, inverse problemen en MR-fysica, en behandelt theoretische grondslagen, architectuurontwerpen, leerstrategieën, benchmarkdatasets en prestatiemetingen. Wij stellen een systematische taxonomie voor om deze methoden te categoriseren en presenteren een diepgaande studie van zowel gevestigde als opkomende SR-technieken die toepasbaar zijn op MRI, waarbij rekening wordt gehouden met unieke uitdagingen in klinische en onderzoekscontexten. Wij belichten ook openstaande uitdagingen en richtingen die de onderzoeksgemeenschap moet aanpakken. Daarnaast bieden wij een verzameling essentiële open-access bronnen, tools en tutorials, beschikbaar op onze GitHub: https://github.com/mkhateri/Awesome-MRI-Super-Resolution.
IEEE-trefwoorden: MRI, Superresolutie, Deep Learning, Computationele Beeldvorming, Inverse Probleem, Overzichtsartikel.
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.