Hochaufgelöste Magnetresonanztomografie (MRT) ist aufgrund ihrer Beiträge zu genauereren nachfolgenden Analysen und frühen klinischen Diagnosen in vielen klinischen Anwendungen wünschenswert. Die Super-Resolution-Technik für einzelne Bilder (SISR) ist eine effektive und kosteneffiziente Alternative, um die räumliche Auflösung von MRT-Bildern zu verbessern. In den letzten Jahren haben SISR-Methoden, die auf tiefen Lernverfahren basieren, insbesondere auf Faltungsneuronalen Netzen (CNNs), bei natürlichen Bildern Spitzenleistungen erzielt. Allerdings wird die Information allmählich geschwächt und das Training wird zunehmend schwieriger, je tiefer das Netzwerk wird. Das Problem ist bei medizinischen Bildern noch ernster, da der Mangel an hochwertigen und effektiven Trainingsbeispielen tiefe Modelle dazu neigt, unter- oder überangepasst zu werden. Trotzdem behandeln viele aktuelle Modelle hierarchische Merkmale auf verschiedenen Kanälen gleichwertig, was nicht hilfreich für die diskriminative und gezielte Bearbeitung dieser Merkmale ist. Zu diesem Zweck präsentieren wir ein neuartiges Kanalspaltungnetzwerk (CSN), um die repräsentative Belastung von tiefen Modellen zu erleichtern. Das vorgeschlagene CSN-Modell teilt die hierarchischen Merkmale in zwei Zweige auf: einen Residual-Zweig und einen dichten Zweig, mit unterschiedlichen Informationsübertragungen. Der Residual-Zweig fördert die Wiederverwendung von Merkmalen, während der dichte Zweig förderlich für die Entdeckung neuer Merkmale ist. Darüber hinaus verwenden wir auch das Merge-and-Run-Mapping, um die Informationsintegration zwischen verschiedenen Zweigen zu erleichtern. Umfangreiche Experimente mit verschiedenen MRT-Bildern, einschließlich Protonendichte-(PD)-Bildern, T1- und T2-Bildern, zeigen, dass das vorgeschlagene CSN-Modell eine überlegene Leistung im Vergleich zu anderen Spitzen-SISR-Methoden erzielt.