EDCNN: شبكة متصلة بشكل كثيف تعتمد على تعزيز الحواف مع خسارة مركبة لتصفية الضوضاء في التصوير الشعاعي المقطعي بجرعة منخفضة

خلال العقود القليلة الماضية، حظيت معالجة تقليل الضوضاء في صور التصوير المقطعي المحوسب بجرعة منخفضة (Low-dose CT) باهتمام واسع من قبل الباحثين، مما جعلها أحد القضايا البحثية المهمة في مجال الصور الطبية. وفي السنوات الأخيرة، وبفضل التطور السريع لتكنولوجيا التعلم العميق، ظهرت العديد من الخوارزميات التي تطبق الشبكات العصبية التلافيفية (Convolutional Neural Networks) على هذه المهمة، وحققت نتائج واعدة. ومع ذلك، ما زالت هناك بعض المشكلات مثل كفاءة تقليل الضوضاء المنخفضة، ونتائج التمويه الزائد (over-smoothed). في هذه الورقة، نقترح نموذجًا يُسمى الشبكة العصبية التلافيفية المتصلة بشكل كثيف القائمة على تعزيز الحواف (Edge enhancement based Densely connected Convolutional Neural Network - EDCNN). في شبكتنا، قمنا بتصميم وحدة تعزيز الحواف باستخدام عملية تلافيفية لـ Sobel قابلة للتدريب (novel trainable Sobel convolution) مُقترحة حديثًا. وباستخدام هذه الوحدة، قمنا ببناء نموذج يعتمد على اتصالات كثيفة لدمج معلومات الحواف المستخرجة، وتحقيق معالجة تقليل الضوضاء من البداية إلى النهاية (end-to-end). علاوة على ذلك، عند تدريب النموذج، قمنا بدمج دالة خسارة مركبة تجمع بين خسارة متوسط المربعات (MSE loss) ودالة خسارة إدراكية متعددة المقياس (multi-scales perceptual loss) لحل مشكلة التمويه الزائد، مما أدى إلى تحسين ملحوظ في جودة الصورة بعد المعالجة. مقارنةً بالخوارزميات الحالية لمعالجة تقليل الضوضاء في صور التصوير المقطعي المحوسب بجرعة منخفضة، يُظهر النموذج المقترح أداءً أفضل في الحفاظ على التفاصيل وقمع الضوضاء.