نقدم طريقة جديدة للتعلم المضاد للتorsion (ADL) لتنقية البيانات الصورية الطبية ثنائية وثلاثية الأبعاد (2D/3D). تتكون الطريقة المقترحة من مُنقِّحَيْن تلقائيين: منقِّح وإدراك. يقوم المنقِّح بإزالة الضوضاء من البيانات الإدخال، بينما يقوم الإدراك بمقارنة النتيجة المنقَّحة مع نظيرتها الخالية من الضوضاء. يُكرر هذا العملية حتى لا يتمكن الإدراك من تمييز البيانات المنقَّحة عن المرجع. يتم بناء كلٍ من المنقِّح والإدراك على أساس مُنقِّح تلقائي مقترح يُسمى Efficient-Unet. يمتلك Efficient-Unet هيكلًا خفيفًا يستخدم كتل الباقي والطريقة الهرمية الجديدة في العمود الفقري لاستخراج وإعادة استخدام خرائط الميزات بكفاءة. خلال التدريب، يتم التحكم في المعلومات النسيجية والتباين بواسطة دالتين خسارة جديدتين. يسمح هيكل Efficient-Unet بتعميم الطريقة المقترحة على أي نوع من البيانات الطبية. تم تدريب إصدار 2D من شبكتنا على ImageNet واختبارها على مجموعات بيانات طبية ذات توزيع مختلف تمامًا عن ImageNet؛ لذلك، ليس هناك حاجة لإعادة التدريب. أظهرت النتائج التجريبية التي أجريت على مجموعات بيانات التصوير بالرنين المغناطيسي (MRI)، والفحص الجلدي، والتصوير الإلكتروني، والأشعة السينية أن الطريقة المقترحة حققت أفضل النتائج في كل معيار. يمكن الحصول على تنفيذنا ونماذجنا المتدربة مسبقًا من https://github.com/mogvision/ADL.注释：在“torsion”一词中，根据上下文，这里应该是“distortion”，即失真或扭曲。因此，我将其翻译为“التشويه”以确保准确性。