L'imagerie par résonance magnétique (IRM) à haute résolution est souhaitable dans de nombreuses applications cliniques en raison de sa contribution à des analyses ultérieures plus précises et à des diagnostics cliniques précoces. La sur-résolution d'image unique (SISR) est une technique alternative efficace et rentable pour améliorer la résolution spatiale des images IRM. Au cours des dernières années, les méthodes SISR basées sur des techniques d'apprentissage profond, en particulier les réseaux neuronaux convolutifs (CNNs), ont obtenu des performances de pointe sur les images naturelles. Cependant, l'information s'affaiblit progressivement et l'entraînement devient de plus en plus difficile à mesure que le réseau s'approfondit. Ce problème est plus grave pour les images médicales car le manque de données d'entraînement de haute qualité et efficaces rend les modèles profonds vulnérables au sous-apprentissage ou au surapprentissage. Néanmoins, de nombreux modèles actuels traitent les caractéristiques hiérarchiques sur différents canaux comme équivalents, ce qui n'est pas utile pour que les modèles gèrent ces caractéristiques de manière discriminative et ciblée. À cet effet, nous présentons un nouveau réseau de séparation de canaux (CSN) pour alléger la charge représentative des modèles profonds. Le modèle CSN proposé divise les caractéristiques hiérarchiques en deux branches, à savoir la branche résiduelle et la branche dense, avec des transmissions d'information différentes. La branche résiduelle permet de favoriser le réutilisation des caractéristiques, tandis que la branche dense est avantageuse pour l'exploration de nouvelles caractéristiques. De plus, nous utilisons également le mappage fusionné et exécuté pour faciliter l'intégration des informations entre différentes branches. Des expériences approfondies sur diverses images IRM, y compris les images de densité protonique (PD), T1 et T2, montrent que le modèle CSN proposé offre une performance supérieure aux autres méthodes SISR de pointe.