Problem

傳統 MRI 超解析技術多將低解析度輸入視為固定的確定性映射，忽略了掃描過程中空間解析度與訊噪比（SNR）相互耦合的物理本質。這導致現有模型難以應對現實中因不同硬體設定或掃描權衡所產生的多變解析度需求，限制了臨床應用的靈活性。

Method

研究團隊開發了 PhyMRI-SR 框架，將重構視為解析度無關的渲染問題。該方法導入適配 MRI 的 2D 高斯潑濺技術（2D GS），並提出三大創新：首先是結合解剖結構與硬體特性先驗的高斯表示法；其次是基於物理約束的信號建模，預測質子密度與弛豫率以合成符合生物物理原理的影像；最後透過元學習（Meta-learning）架構，利用模擬資料預訓練後遷移至現實場景，解決配對資料不足的挑戰。

Results

在動態解析度資料集與標準基準測試中，PhyMRI-SR 均達到了頂尖（SOTA）的表現。實驗證明該模型能精確還原組織的內在參數，生成的高解析度影像不僅具備高保真度，且在不同掃描條件下皆展現出極強的魯棒性與視覺品質。

Significance

此研究突破了傳統固定解析度的重構框架，使 MRI 超解析技術能適應多變的物理取像環境。這不僅提升了影像診斷的精準度，也為提升基層醫療機構的診斷可及性提供了重要的技術支撐，具有極高的臨床部署潛力。