المحولات التلافيفية العميقة التلقائية لإعادة بناء صور الرنين المغناطيسي للدماغ السليم

تحليل التصوير بالرنين المغناطيسي للدماغ (MRI) يُعد أمرًا بالغ الأهمية لتشخيص وعلاج الأمراض العصبية بشكل صحيح. ويمكن أن يؤدي تحسين هذا المجال إلى تحسين جودة الصحة العامة. لا يزال هناك العديد من الفروع التي يمكن تطويرها نظرًا للطبيعة الخاصة لإعادة تجميع بيانات MRI، مثل اكتشاف الأمراض وتقسيمها، وتوسيع البيانات، وتحسين جمع البيانات، أو تحسين جودة الصور. وعلى مدار عدة سنوات، تم اعتماد العديد من النُهج لمعالجة هذه التحديات. وقد برزت تقنيات التعلم الآلي والتعلم العميق كنُهج شائعة جدًا في حل هذه المشكلات. ويمكن تطبيق مجموعة متنوعة من حلول استخراج البيانات (مثل النماذج المراقبة وغير المراقبة، وتقليل الأبعاد، والنموذجية التوليدية، إلخ) والخوارزميات على مشكلات التصوير بالرنين المغناطيسي. بالإضافة إلى ذلك، يمكن أن تكون المعمارية العميقة الجديدة التي تُستخدم في مهام معالجة الصور الأخرى مفيدة للغاية. ومن بين هذه التقنيات الجديدة: أنواع جديدة من التحويلات التلافيفية (convolution)، وشبكات التشفير التلقائي (autoencoders)، وشبكات التوليد التنافسية (Generative Adversarial Networks). لذلك، يهدف هذا العمل إلى تطبيق إحدى هذه التقنيات الحديثة على صور الرنين المغناطيسي الدماغي المُثَّقلة بـ T1 (T1WMRI).我们将 نطور شبكة تشفير تلقائي متعمقة (Deep Convolutional Autoencoder) يمكن استخدامها لمعالجة بعض المشكلات في مجال التصوير العصبي. ستكون صور T1WMRI من الأفراد السليمين (التحكم) هي المدخلات للشبكة، والهدف هو استرجاع الصورة نفسها، مع التحدي المتمثل في أن الصورة تمر خلال فضاء ذي أبعاد أقل داخل البنية المعمارية، مما يجعل إعادة بناء الصورة الأصلية أكثر صعوبة. وبالتالي، تمثل الشبكة نموذجًا قياسيًا (normative model). وسيحدد هذا النموذج القياسي توزيعًا (أو نطاقًا طبيعيًا) للتغيرات البنائية العصبية في حالة غياب المرض. وبعد تدريب الشبكة على صور الأفراد السليمين، سنناقش التطبيقات المحتملة للشبكة، مثل تقليل الضوضاء أو كأداة للكشف عن الأمراض.