Key points are not available for this paper at this time.
تعد التصوير الطبي أساسيًا للتشخيص الدقيق وتخطيط العلاج في خدمات الرعاية الصحية المعاصرة، إلا أن الحصول على صور عالية الدقة يمكن أن يكون صعبًا بسبب عوامل مثل التعرض المنخفض للإشعاع في الأشعة المقطعية منخفضة الجرعة. لمعالجة هذه المشكلة، تم تقديم استراتيجية فريدة تُدعى الشبكات التوليدية المعاكسة المساعدة على التحسين الفائق (SRGAN) في هذا البحث. لتحسين دقة الصورة، تستخدم SRGAN بنية مولد ومميز مع كتل متبقية ورفع. من خلال دمج خسائر المعالجة والمحافظة، تعمل وظيفة خسارة المولد على تمكينه من إنتاج صور عالية الجودة مع الحفاظ على العناصر الأساسية لنظائرها منخفضة الدقة. توضح دراسة أدبية شاملة مدى فعالية النماذج القائمة على GAN في التحسين الفائق للصور الطبية. بعد 10 فترات تدريب، تظهر النتائج التجريبية باستخدام مجموعة بيانات CT للرئة تحسنًا ملحوظًا، حيث وصلت درجات PSNR وSSIM إلى 32.95 و0.996، على التوالي. وفقًا لهذه النتائج، تعتبر SRGAN تقنية تعزيز قابلة للتطبيق للصور الطبية بالأشعة المقطعية منخفضة الجرعة، مع مزايا كبيرة للتشخيص الدقيق والعناية بالمرضى في بيئات الرعاية الصحية.
درس مادهاف وآخرون (الخميس) هذا السؤال.