شبكة تقسيم القنوات لزيادة دقة الصور المفردة من التصوير بالرنين المغناطيسي

التصوير بالرنين المغناطيسي (MR) ذو الدقة العالية مرغوب فيه في العديد من التطبيقات السريرية بسبب مساهمته في تحليلات أكثر دقة وأحكام تشخيصي مبكر. يعتبر التحسين الفائق للدقة من الصورة الواحدة (SISR) تقنية بديلة فعّالة واقتصادية لتحسين الدقة المكانية لصور الرنين المغناطيسي. خلال السنوات القليلة الماضية، حققت طرق SISR المستندة إلى تقنيات التعلم العميق، وخاصة شبكات النيورونات المتلافهة (CNNs)، أداءً رائدًا على الصور الطبيعية. ومع ذلك، فإن المعلومات تتضاءل تدريجيًا ويصبح التدريب أكثر صعوبة مع زيادة عمق الشبكة. تكون هذه المشكلة أكثر خطورة بالنسبة للصور الطبية لأن نقص العينات التدريبية ذات الجودة العالية والفعالة يجعل النماذج العميقة عرضة للتقليل أو الإفراط في التكيف. ومع ذلك، يعالج العديد من النماذج الحالية الخصائص الهرمية في القنوات المختلفة بشكل متساوٍ، وهو ما ليس مفيدًا للنماذج للتعامل مع هذه الخصائص بشكل تمييزي وموجه. بهدف حل هذه المشكلة، نقدم شبكة جديدة لتقسيم القنوات (CSN) لتخفيف العبء التمثيلي للنماذج العميقة. يقوم النموذج المقترح CSN بتقسيم الخصائص الهرمية إلى فرعين، وهما الفرع البواقي (residual branch) والفرع الكثيف (dense branch)، مع نقل معلومات مختلف. يمكن للفرع البواقي تعزيز إعادة استخدام الخصائص، بينما يكون الفرع الكثيف مفيدًا لاكتشاف خصائص جديدة. بالإضافة إلى ذلك، نعتمد أيضًا على خريطة الاندماج والتشغيل لتسهيل دمج المعلومات بين الفروع المختلفة. أظهرت التجارب الواسعة على مجموعة متنوعة من صور الرنين المغناطيسي، بما في ذلك صور الكثافة البروتونية (PD) وصور T1 و T2، أن النموذج المقترح CSN يحقق أداءً أفضل من طرق SISR الرائدة الأخرى.