PhyMRI-SR: к физически-информированному суперразрешению МРТ-изображений

Аннотация

Сверхразрешение в магнитно-резонансной томографии (МРТ) имеет решающее значение для повышения диагностической доступности, однако большинство методов рассматривают его как детерминированное отображение фиксированного входа с низким разрешением в цель с высоким разрешением. При этом упускается ключевое свойство физики МРТ-сбора данных: пространственное разрешение и отношение сигнал/шум (ОСШ) неразрывно связаны, поэтому любое заданное сканирование с низким разрешением представляет собой лишь одну из множества возможных реализаций при различных компромиссах в процессе сбора данных. Мы переосмысливаем сверхразрешение МРТ как физически обоснованную задачу реконструкции, в которой цель состоит в определении оптимальной конфигурации разрешение-ОСШ с последующим сверхразрешением для получения высококачественных МРТ-результатов. Ключевым следствием такой постановки является то, что разрешение МРТ становится динамическим, а не фиксированным. Для обработки таких неоднородных по разрешению входных данных мы адаптируем 2D-рассеяние Гаусса (2D GS) к МРТ, формулируя реконструкцию как задачу рендеринга на основе координат, инвариантную к разрешению. Для дальнейшего повышения точности мы вводим три инновации: (1) представление Гаусса с использованием априорной информации, объединяющее априорную информацию об анатомической структуре для инициализации ядер, специфичных для тканей, и априорную информацию об изображающей системе, отражающую характеристики оборудования с помощью ковариационного словаря; (2) схему моделирования сигнала с физическими ограничениями, которая предсказывает внутренние параметры тканей (плотность протонов ρ и эффективную скорость релаксации R2) и синтезирует интенсивности через управляющие физические уравнения, обеспечивая биофизически правдоподобный контраст; и (3) фреймворк мета-обучения, который смягчает нехватку парных данных за счет предварительного обучения на симулированных данных и адаптации к реальным условиям. Обширные эксперименты на наборах данных с динамическим разрешением и стандартных эталонных тестах показывают, что наш метод достигает самых современных результатов, подчеркивая его высокий потенциал для клинического применения.

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.