Deep Learning revolutioniert MRI‑Super‑Resolution: Umfassende Übersicht

Hochauflösende Magnetresonanztomographie (MRT) ist für die klinische Diagnostik und die Forschung unverzichtbar, doch die Erzeugung solcher Bilder bleibt teuer und technisch eingeschränkt. Durch die Anwendung von Super‑Resolution (SR) lassen sich aus kostengünstigen, niedrigauflösenden Scans qualitativ hochwertige Bilder generieren – ohne zusätzliche Hardware.

In dieser umfassenden Übersicht werden die neuesten Fortschritte bei der Anwendung von Deep‑Learning‑Methoden zur MRT‑Super‑Resolution vorgestellt. Der Artikel beleuchtet die Techniken aus den Perspektiven der Computer Vision, der Computational Imaging, der Inverse Problems und der MR‑Physik. Dabei werden theoretische Grundlagen, architektonische Konzepte, Lernstrategien, Benchmark‑Datensätze und Leistungsmetriken detailliert beschrieben.

Ein systematisches Taxonomie‑Framework ordnet die verschiedenen Ansätze ein und bietet einen klaren Überblick über etablierte sowie aufkommende SR‑Methoden, die speziell auf die Herausforderungen in klinischen und Forschungsumgebungen zugeschnitten sind. Zudem werden offene Fragen und zukünftige Forschungsrichtungen aufgezeigt, die die Community adressieren muss.

Für Praktiker und Forscher steht zudem eine Sammlung von Open‑Access‑Ressourcen, Tools und Tutorials zur Verfügung, die auf GitHub bereitgestellt werden: https://github.com/mkhateri/Awesome-MRI-Super-Resolution. Diese Plattform erleichtert den Einstieg und die Weiterentwicklung von MRT‑Super‑Resolution‑Lösungen.