تشكل مهمة تبادل الصور الطبية بدقة عالية وحجم منخفض، بما يضمن التشخيص الطبي الصحيح، هدفاً جوهرياً لمراكز الرعاية الصحية، لا سيما تلك التي تعتمد معيار DICOM، أحد أكثر المعايير انتشاراً وتطوراً في مجال الطب عن بعد.
نسعى في هذا البحث إلى اختبار آلية قابلة للتعلم لضغط صور DICOM الطبية الرقمية لتأمين استعادة الصورة بالدقة العالية، بالاستفادة من هيكلية نظام L3C المستخدم لضغط الصور الطبيعية، عبر تعديلها وتدريبها بما يتلاءم مع هذا المعيار، ودمجها مع نماذج هجينة في التعلم العميق للمساعدة في تحسين الدقة ورفع كفاءة مهمة التنبؤ أثناء إعادة بناء الصورة.
تم بناء آلية لاستخراج مصفوفات بكسلات الصور من ملفات DICOM لتدريبها اعتماداً على مجموعة بيانات واسعة، مع تعديل بنية الشبكات الراسبة في نموذج EDSR لتتضمن طبقة تطبيع الدفعات وتابع التفعيل Leaky-Relu لفوائدهم البالغة في التدريب، وإضافة شبكة تجمع بين نموذج ESPCN وآلية انتباه البكسل ثنائية القناة لتأمين فهم أعمق للعلاقة بين مكونات الصورة وتحسين تأثير استعادتها مع تخفيض التعقيد الحسابي، ثم توظيف نموذج ASPP مطور يستخدم الاتصال الكثيف (Dense ASPP) لتوسيع المجال الاستقبالي وزيادة فعالية التنبؤ الكثيف.
مجلة بحوث جامعة حلب.
2022.
الطلاب
الهيئة التعليمية
الخريجين
الكليات
