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.
한 줄 요약
PhyMRI-SR은 MRI 공간 해상도와 SNR의 물리적 관계를 고려한 초해상화 기법으로, 2D GS와 물리 제약 모델링을 결합하여 동적 해상도를 지원한다.
핵심 기여도
- MRI 해상도와 SNR의 물리적 연관성을 반영한 **physics-aware reconstruction** 문제로 재정의.
- **2D Gaussian Splatting (2D GS)** 을 MRI에 적용하여 해상도-무관한 재구성 가능.
- **prior-aware Gaussian representation**과 **physics-constrained signal modeling**을 통해 생물학적 신뢰성 확보.
- **meta-learning framework**로 시뮬레이션 데이터와 실제 데이터 간의 gap을 줄임.
핵심 아이디어
기존 MRI 초해상화는 고정된 저해상도 입력에서 고해상도 출력을 결정적 매핑하는 방식을 사용했으나, 이는 MRI 물리적 특성, 특히 해상도와 SNR의 본질적 연관성을 무시한다. PhyMRI-SR은 이러한 관계를 고려하여, 최적의 해상도-SNR 조건을 식별하고 이를 기반으로 고해상도 이미지를 생성하는 **physics-aware reconstruction** 문제로 접근한다. 이는 MRI 해상도가 고정이 아닌 **동적**이 될 수 있음을 의미한다. 이를 실현하기 위해 2D GS를 MRI에 적응하여, 좌표 기반의 해상도-무관한 rendering 문제로 재구성을 모델링한다.
기술적 접근법
- **2D Gaussian Splatting (2D GS)**: MRI 재구성을 좌표 기반, 해상도-무관한 rendering 문제로 모델링.
- **prior-aware Gaussian representation**: Anatomical Structure Prior (조직별 커널 초기화)와 Imaging System Prior (공분산 사전을 통한 하드웨어 특성 반영)를 결합.
- **physics-constrained signal modeling**: 조직 내부 파라미터 (proton density ρ, effective relaxation rate R2) 예측 후, 물리 방정식을 통해 intensity를 생성.
- **meta-learning framework**: 시뮬레이션 데이터로 pretraining 후 실제 데이터에 적응.
주요 결과
- **dynamic-resolution datasets** 및 **standard benchmarks**에서 **state-of-the-art 성능** 달성.
- **물리 제약 모델링**을 통해 생물학적으로 타당한 대비를 유지하며, 기존 방법 대비 **고해상도 이미지의 신뢰도 향상**.
- **meta-learning**을 통해 실제 데이터 적응력 향상, **paired-data 부족 문제 완화**.
의의 및 한계
PhyMRI-SR은 MRI 물리적 특성을 모델링하여 기존 결정적 접근법의 한계를 극복하며, **동적 해상도 조절**과 **생물학적 신뢰성**을 동시에 달성한 점에서 학술적·임상적 가치가 높다. 특히, **2D GS 기반의 해상도-무관한 재구성**은 다양한 MRI 장비와 데이터셋에 유연하게 적용 가능하다. 그러나, 실제 임상 환경에서는 **시뮬레이션과 실제 데이터 간의 차이**가 여전히 존재하며, **복잡한 조직 구조에 대한 일반화 능력**은 추가 실험 필요.
실용적 활용
PhyMRI-SR은 **MRI 장비 성능 개선 없이도 고해상도 이미지를 생성**할 수 있어, **의료 이미징 분야에서 진단 정확도 향상**에 기여할 수 있다. 또한, **동적 해상도 조절 기능**은 다양한 임상 상황에서 유연한 사용이 가능하며, **의료 AI 연구**에서의 신뢰성 있는 데이터 증강에도 활용 가능하다.