The accurate assessment of hemodynamics and its parameters play an important role when diagnosing cardiovascular diseases. In this context, 4D Flow Magnetic Resonance Imaging (4D Flow MRI) is a non-invasive measurement technique that facilitates hemodynamic parameter assessment as well as quantitative and qualitative analysis of three-directional flow over time. However, the assessment is limited by noise, low spatio-temporal resolution and long acquisition times. Consequently, in regions characterized by transient, rapid flow dynamics, such as the aorta and heart, capturing these rapid transient flows remains particularly challenging. Recent research has shown the feasibility of machine learning models to effectively denoise and increase the spatio-temporal resolution of 4D Flow MRI. However, temporal super-resolution networks, which can generalize on unseen domains and are independent on boundary segmentations, remain unexplored.  This study aims to investigate the feasibility of a neural network for temporal super-resolution and denoising of 4D Flow MRI data. To achieve this, we propose a residual convolutional neural network (based on the 4DFlowNet from Ferdian et al.) providing an end-to-end mapping from temporal low resolution space to high resolution space. The network is trained on patient-specific cardiac models created with computational-fluid dynamic (CFD) simulations covering a full cardiac cycle. For clinical contextualization, performance is assessed on clinical patient data. The study shows the potential of the 4DFlowNet for temporal-super resolution with an average relative error of 16.6 % on an unseen cardiac domain, outperforming deterministic methods such as linear and cubic interpolation. We find that the network effectively reduces noise and recovers high-transient flow by a factor of 2 on both in-silico and in-vivo cardiac datasets. The prediction results in a temporal resolution of 20 ms, going beyond the general clinical routine of 30-40 ms. This study exemplifies the performance of a residual CNN for temporal super-resolution of 4D flow MRI data, providing an option to extend evaluations to aortic geometries and to further develop different upsampling factors and temporal resolutions. / En noggrann bedömning av hemodynamiken och dess parametrar spelar en viktig roll vid diagnos av kardiovaskulära sjukdomar. I detta sammanhang är 4D Flow Magnetic Resonance Imaging (4D Flow MRI) en icke-invasiv mätteknik som underlättar bedömning av hemodynamiska parametrar samt kvantitativ och kvalitativ analys av flöde. Bedömningen begränsas av brus, låg spatio-temporal upplösning och långa insamlingstider. I områden som karakteriseras av snabb flödesdynamik, såsom aorta och hjärta, är det därför fortfarande särskilt svårt att fånga dessa snabba transienta flöden. Ny forskning har visat att det är möjligt att använda maskininlärningsmodeller för att effektivt reducera brus och öka den spatio-temporala upplösningen i 4D Flow MRI. Nätverk för temporal superupplösning, som kan generaliseras till osedda domäner och är oberoende av segmentering, är fortfarande outforskade.  Denna studie syftar till att undersöka genomförbarheten av ett neuralt nätverk för temporal superupplösning och brusreducering av 4D Flow MRI-data. För att uppnå detta föreslår vi ett residual faltningsneuralt nätverk (baserat på 4DFlowNet från Ferdian et al.) som tillhandahåller en end-to-end-mappning från temporalt lågupplöst utrymme till högupplöst utrymme. Nätverket tränas på patientspecifika hjärtmodeller som skapats med CFD-simuleringar som spänner över en hel hjärtcykel. För klinisk kontextualisering utvärderas nätverkets prestanda på kliniska patientdata. Studien visar potentialen av 4DFlowNet för temporal superupplösning med ett genomsnittligt relativt fel på 16,6 % på en osedd hjärtdomän, vilket överträffar deterministiska metoder som linjär och kubisk interpolation. Vi konstaterar att nätverket effektivt minskar brus och återställer högtransient flöde med en faktor på 2 på både in-silico ochin-vivo hjärtdataset. Förutsägelsen resulterar i en temporal upplösning på 20 ms, vilket är mer än den allmänna kliniska rutinen på 30-40 ms. Denna studie exemplifierar prestandan hos en residual CNN för temporal superupplösning av 4D-flödes-MRI-data, vilket ger möjlighet att utvidga utvärderingarna till aortageometrier och att vidareutveckla olika uppsamplingsfaktorer och temporala upplösningar.