PhyMRI-SR: Rumo à Super-Resolução de Imagens de RM Consciente da Física

Resumo

Ressonância magnética (RM) de super-resolução é essencial para melhorar a acessibilidade diagnóstica, mas a maioria dos métodos a trata como um mapeamento determinístico de uma entrada de baixa resolução fixa para um alvo de alta resolução. Isso ignora uma propriedade fundamental da física de aquisição de RM: a resolução espacial e a relação sinal-ruído (SNR) são inerentemente acopladas, fazendo com que qualquer aquisição de baixa resolução seja apenas uma entre muitas realizações possíveis sob diferentes compromissos de aquisição. Repensamos a super-resolução de RM como um problema de reconstrução ciente da física, no qual o objetivo é identificar a configuração ótima de resolução-SNR e então super-resolvê-la para obter resultados de RM de alta qualidade. Uma implicação central dessa formulação é que a resolução da RM se torna dinâmica, em vez de fixa. Para lidar com essas entradas de resolução heterogênea, adaptamos o Gaussian Splatting 2D (2D GS) para RM, formulando a reconstrução como um problema de renderização baseada em coordenadas e agnóstica à resolução. Para aprimorar ainda mais a fidelidade, introduzimos três inovações: (1) uma representação gaussiana ciente de priori que combina uma Priori de Estrutura Anatômica para inicialização de kernel específica do tecido com uma Priori de Sistema de Imagem que captura características do hardware por meio de um dicionário de covariância; (2) um esquema de modelagem de sinais restrito pela física que prevê parâmetros intrínsecos do tecido (densidade protônica ρ e taxa de relaxação efetiva R₂) e sintetiza intensidades por meio de equações físicas governantes, garantindo contraste biofisicamente plausível; e (3) uma estrutura de meta-aprendizagem que alivia a escassez de dados pareados ao pré-treinar em dados simulados e se adaptar a condições reais. Experimentos extensivos em conjuntos de dados de resolução dinâmica e benchmarks padrão demonstram que nosso método alcança desempenho de estado da arte, destacando seu forte potencial para implantação clínica.

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.