شبكة تحسين تكراري للتسجيل القابل للتشوه للرئتين بين صور الأشعة المقطعية أثناء الزفير والشهيق

شهدت الطرق القائمة على التعلم غير المراقب لتوحيد الصور الطبية تطورًا سريعًا في السنوات الأخيرة. نقترح إعادة النظر في مبدأ شائع، لكنه غالبًا ما يُهمل، وهو بسيط ومتين: تحسين تكراري لمجالات الانزلاق المتجهة عبر المقياس. نقدم شبكة تحسين تكراريّة (RRN) لتوحيد الصور الطبية غير المراقبة، تهدف إلى استخلاص الميزات متعددة المقياس، وبناء حجم ترابط تكلفة محلي معياري، وتحسين تكراري لمجالات الانزلاق المتجهة ثلاثية الأبعاد. تحقق RRN أداءً متميزًا على مستوى الحد الأقصى في توحيد الصور ثلاثية الأبعاد لصور الأشعة المقطعية للرئة (CT) المأخوذة في حالتي الشهيق والزفير. على مجموعة بيانات DirLab COPDGene، تُظهر RRN متوسط خطأ في التوقيت المستهدف (TRE) قدره 0.83 مم، وهو ما يمثل تقليلًا بنسبة 13% في الخطأ مقارنة بأفضل نتيجة مُعلنة في قائمة التصنيف. وبالإضافة إلى المقارنة مع الطرق التقليدية، تُظهر RRN تقليلًا بنسبة 89% في الخطأ مقارنة بالطرق القائمة على التعلم العميق ذات العلاقة.