Сверхразрешение МРТ с глубоким обучением: всесторонний обзор
MRI Super-Resolution with Deep Learning: A Comprehensive Survey
November 20, 2025
Авторы: 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
Аннотация
Высокое разрешение (HR) в магнитно-резонансной томографии (МРТ) имеет решающее значение для многих клинических и исследовательских задач. Однако его достижение остается дорогостоящим и ограниченным техническими компромиссами и экспериментальными ограничениями. Методы сверхвысокого разрешения (Super-Resolution, SR) предлагают перспективный вычислительный подход для преодоления этих трудностей путем генерации HR-изображений из более доступных сканов низкого разрешения (LR), что потенциально позволяет повысить точность и эффективность диагностики без необходимости в дополнительном оборудовании. В данном обзоре рассматриваются последние достижения в области методов SR для МРТ, с особым акцентом на подходы, основанные на глубоком обучении (Deep Learning, DL). Исследуются DL-методы повышения разрешения МРТ с точек зрения компьютерного зрения, вычислительной визуализации, обратных задач и физики МРТ, охватывая теоретические основы, архитектурные решения, стратегии обучения, эталонные наборы данных и метрики производительности. Мы предлагаем систематическую таксономию для классификации этих методов и представляем углубленное исследование как устоявшихся, так и новых SR-техник, применимых к МРТ, с учетом уникальных проблем в клинических и исследовательских контекстах. Также выделены открытые проблемы и направления, которые необходимо решить научному сообществу. Дополнительно представлена подборка важных открытых ресурсов, инструментов и руководств, доступных на нашем GitHub: https://github.com/mkhateri/Awesome-MRI-Super-Resolution.
Ключевые слова IEEE: МРТ, Сверхвысокое разрешение, Глубокое обучение, Вычислительная визуализация, Обратная задача, Обзор.
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.