Key points are not available for this paper at this time.
لقد تقدمت التمثيلات العصبية الضمنية (INRs) مؤخرًا في مجال التعلم العميق نظرًا لقدرتها على تعلم تمثيلات مستمرة للإشارات دون الحاجة إلى مجموعات بيانات تدريب كبيرة. على الرغم من دراسة طرق INR لتصغير الصور الطبية، لم يتم استكشاف إمكانية تعديلها وفقًا للأولويات المحلية في الصور الطبية بشكل كامل. تحتوي الصور الطبية على تقسيمات تشريحية غنية يمكن أن توفر معلومات محلية قيمة لتعزيز دقة وموثوقية INRs. في هذا العمل، نقترح إطار عمل جديد يُشار إليه باسم INR المشروط دلاليًا (SeCo-INR)، الذي يشترط INR باستخدام أولويات محلية من صورة طبية، مما يمكّن من ملاءمة دقيقة للنموذج وقدرات الاستيفاء لتحقيق تصغير الصورة الفائق. يتعلم إطار العمل الخاص بنا تمثيلاً مستمراً لميزات تقسيم دلالة الصورة الطبية ويستخدمه لاشتقاق أفضل INR لكل منطقة دلالية من الصورة. لقد اختبرنا إطارنا باستخدام عدة طرق تصوير طبي وحققت درجات كمية أعلى ومخرجات تصغير صور أكثر واقعية مقارنةً بأفضل الطرق المتاحة.
درس إكانايك وآخرون (مون) هذا السؤال.