Super-Resolução de Ressonância Magnética com Aprendizado Profundo: Uma Revisão Abrangente
MRI Super-Resolution with Deep Learning: A Comprehensive Survey
November 20, 2025
Autores: 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
Resumo
A ressonância magnética (RM) de alta resolução (AR) é crucial para muitas aplicações clínicas e de pesquisa. No entanto, alcançá-la permanece dispendioso e limitado por compromissos técnicos e limitações experimentais. A super-resolução (SR) apresenta uma abordagem computacional promissora para superar esses desafios, gerando imagens AR a partir de exames de baixa resolução (BR) mais acessíveis, podendo melhorar a precisão e a eficiência diagnóstica sem a necessidade de hardware adicional. Esta pesquisa revisa os avanços recentes em técnicas de SR para RM, com foco em abordagens de aprendizado profundo (AP). Examina-se métodos de SR para RM baseados em AP sob as perspectivas de visão computacional, imageamento computacional, problemas inversos e física de RM, abrangendo fundamentos teóricos, desenhos arquiteturais, estratégias de aprendizado, conjuntos de dados de referência e métricas de desempenho. Propomos uma taxonomia sistemática para categorizar esses métodos e apresentamos um estudo aprofundado de técnicas de SR consolidadas e emergentes aplicáveis à RM, considerando os desafios únicos em contextos clínicos e de pesquisa. Também destacamos desafios em aberto e direções que a comunidade precisa enfrentar. Adicionalmente, fornecemos uma coleção de recursos essenciais de acesso aberto, ferramentas e tutoriais, disponíveis em nosso GitHub: https://github.com/mkhateri/Awesome-MRI-Super-Resolution.
Palavras-chave IEEE: RM, Super-Resolução, Aprendizado Profundo, Imageamento Computacional, Problema Inverso, Revisão.
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.