《MRI Super-Resolution with Deep Learning: A Comprehensive Survey》

MRI超分辨率：深度学习全面综述

高分辨率MRI是临床与科研不可或缺的工具，但受制于扫描时间、信噪比和空间分辨率的权衡，直接获取高分辨率图像成本高昂且难以实现。超分辨率（SR）技术通过计算方法，从低分辨率数据重建高分辨率图像，打破硬件限制，提升诊断效率和精度。

本综述全面分析了MRI超分辨率技术的发展，特别聚焦深度学习（DL）方法，涵盖基础理论、网络设计、学习策略、性能评估、公开数据集及临床应用。我们提出系统分类框架，将方法划分为模型驱动与学习驱动，并从端到端数据驱动、物理驱动及图像转换三大视角深入探讨。

关键MRI超分辨率场景包括：面内分辨率提升、层间分辨率提升、切片到体积重建、各向同性体积超分辨率、多场强跨域超分辨率、时间分辨率提升及多对比、多模态融合等，满足临床多样化需求。

物理驱动方法融合MRI成像物理知识，通过深度插件、深度展开和深度平衡模型实现更可解释且稳健的重建。学习范式涵盖监督、无监督及自监督学习，配合多任务学习、多模态学习、迁移学习、对比学习等策略，极大提升模型泛化和数据利用效率。

网络设计方面，像素级损失、特征级损失、对抗损失及基于先验的损失被广泛采用。架构涵盖卷积神经网络、注意力机制、生成对抗网络、扩散模型及隐式神经表示等，推动了图像细节恢复与结构一致性。基础模型如BME-X和GraphMSR利用解剖引导和图结构语义融合，增强多任务和多模态超分辨率能力。

生成式AI特别是扩散模型由于其优异的稳定性和生成质量，成为MRI超分辨率的有力工具。它们通过逆向去噪过程逐步生成高质量图像，支持条件采样和后验估计，显著提升细节还原能力。其他生成模型如变分自编码器和正规化流也提供了不同的权衡选择。

性能评价强调传统指标如PSNR、SSIM不足以全面反映临床感知，提出MRI专用评价指标和任务导向评估。公开数据集如fastMRI、IXI、HCP等为算法训练和测试提供了坚实基础。

临床应用广泛，涵盖神经退行性疾病、胎儿MRI、便携低场MRI、肿瘤影像、心血管成像等领域，推动MRI普及和诊断水平提升。面对现实数据挑战，研究呼吁加强无监督、自监督学习，注重网络设计创新，提升生成模型的可解释性和可靠性，并推动标准化基准和临床验证。

未来方向包括更深入的物理模型融合、跨模态融合、基于基础模型的快速适应、生成式方法的稳定性保障及多中心、多病种临床验证，助力MRI超分辨率从研究走向临床常规。

详见全文：arxiv.org/abs/2511.16854

该综述不仅系统梳理了MRI超分辨率领域的最新进展，更为未来研究指明方向，助力构建更高效、可靠且临床适用的MRI成像新范式。超分辨率技术，将成为连接快速扫描与精准诊断的重要桥梁。