تحسين عميق للإدراك في تحليل الصور الطبية

بسبب عدد كبير من العيوب المادية، تكون أجهزة اكتساب الصور الطبية عرضة لإنتاج صور منخفضة الجودة (أي ذات تباين منخفض، أو إضاءة غير مناسبة، أو مشوّشة، إلخ). ولهذا السبب، فإن الصور التي تقلّ جودتها من حيث الإدراك تؤثر مباشرة على عملية التشخيص، مما يجعل عملية اتخاذ القرار لدى الأطباء أكثر تعقيدًا بشكل ملحوظ. تهدف هذه الدراسة إلى تحسين هذه الصور منخفضة الجودة من خلال دمج استراتيجيات التعلم من الطرفين (end-to-end) لتسريع مهام تحليل الصور الطبية. وبقدر معرفتنا، فإن هذه الدراسة تمثل أول عمل في مجال التصوير الطبي يعالج بشكل شمولي تحسين الجودة الإدراكية، بما في ذلك تصحيح التباين، وتصحيح السطوع، وإزالة الضوضاء، باستخدام شبكة عميقة كاملة التوسيع (fully convolutional deep network). تعتمد الشبكة المقترحة على كتل متبقية (residual blocks) وآلية توجيه متبقية (residual gating mechanism) لتقليل الظواهر البصرية غير المرغوب فيها، وتُوجَّه بواسطة دالة هدف متعددة الحدود لتمكين الشبكة من إدراك صور محسّنة ذات مصداقية إدراكية. وقد تم استكشاف جدوى الطريقة العميقة لتحسين الصور الطبية من خلال تجارب معقدة ودقيقة. وتُظهر النتائج التجريبية أن الطريقة المقترحة تفوق الطرق الحالية لتحسين الصور في مختلف أنواع الصور الطبية بنسبة تتراوح بين 5.00 إلى 7.00 ديسيبل في معيار نسبة الإشارة إلى الضوضاء القصوى (PSNR)، وبنسبة تتراوح بين 4.00 إلى 6.00 في معيار DeltaE. علاوةً على ذلك، يمكن للطريقة المقترحة تحسين أداء مهام تحليل الصور الطبية بشكل كبير، وتُظهر إمكانات هذه الطريقة في التطبيقات الواقعية.