L’imagerie par résonance magnétique (IRM) cérébrale est une modalité de référence pour le diagnostic des pathologies neurologiques. L’acquisition d’images haute résolution (HR) reste toutefois limitée en pratique clinique en raison des contraintes de temps d'occupation scanner, de confort des patients, et de corruption des images par le mouvement des patients. Le gain de signal apporté par la montée du champ magnétique permet d'augmenter la résolution spatiale des images pour un temps d'acquisition donné. Ce projet vise à tirer parti de la haute résolution atteignable avec l'IRM 11.7T Iseult, actuellement la plus puissante au monde, pour entraîner des modèles de super-résolution (SR) basés sur un apprentissage automatique, dans le but d’améliorer la résolution spatiale des images 3T couramment utilisées en clinique. Dans les approches existantes, les modèles sont entraînés majoritairement à partir d'images issues de bases de données publiques, en faisant correspondre des paires d'images haute et basse résolution, les données basse résolution étant générées de manière synthétique. Ici, nous exploiterons un jeu de données réel constitué d'images acquises à 3T et 11.7T sur une même cohorte, ce qui garantit une plus grande fidélité anatomique et permet une évaluation rigoureuse du risque d'hallucination, c'est-à-dire de générer de faux détails anatomiques susceptibles d'être mal interprétés par le praticien. Ce projet s’articulera en plusieurs étapes : il s'agira d'abord d'améliorer la qualité des images produites à 11.7T (notamment par la correction du mouvement et des artefacts présents sur les images d'Iseult), puis d'acquérir des images à 3T et 11.7T, de développer et valider des modèles de SR, et enfin d'évaluer leur performance sur des bases de données publiques. Ce travail ouvre la voie à une intégration fiable des méthodes de SR dans la pratique clinique, en permettant de manière indirecte aux IRM conventionnelles de bénéficier des performances uniques d'Iseult.