Este estudio presenta un pipeline híbrido analítico de superresolución (SR) destinado a mejorar la resolución de escáneres de resonancia magnética (MRI) médica. El objetivo principal es superar las limitaciones de la resolución de MRI clínica sin necesidad de hardware adicional costoso. El pipeline propuesto implica tres pasos clave: preprocesamiento para volver a cortar y registrar las pilas de imágenes; reconstrucción SR para combinar información de tres pilas de imágenes ortogonales para generar una pila de imágenes de alta resolución; y postprocesamiento utilizando una red neuronal convolucional de reducción de artefactos (ARCNN) para reducir los artefactos de bloque introducidos durante la reconstrucción SR. El flujo de trabajo fue validado en un conjunto de datos de seis MRI de rodilla obtenidos a alta resolución utilizando varias secuencias. El análisis cuantitativo del método reveló resultados prometedores, mostrando un error medio promedio de 1.40 +/- 2.22% en las intensidades de píxeles entre las imágenes denoised de SR y las imágenes de alta resolución originales. Cualitativamente, el método mejoró la resolución fuera del plano mientras preservaba la calidad de imagen en el plano. El pipeline híbrido SR también mostró robustez en diferentes secuencias de MRI, demostrando potencial para aplicación clínica en ortopedia y más allá. Aunque intensivo computacionalmente, este método ofrece una alternativa viable a las actualizaciones costosas de hardware y promete mejorar la precisión diagnóstica y generar modelos más anatómicamente precisos del cuerpo humano.