في مجال الطب الحديث، يُستخدم التصوير بالأشعة المقطعية (CT) لرصد وتحليل حالات متعددة، ويعتمد عادةً على دقة في الصورة بمقدار أقل من ملليميتر واحد. لكن تباعد الشرائح عبر البعد (through-plane spacing) الذي يتراوح بين 2 إلى 5 ملليمترات يخلق تباينًا ملحوظًا يؤثر سلبًا على عمليات إعادة البناء متعددة الطائرات (multiplanar reconstructions) والقياسات الحجمية مثل تقدير حجم الورم الدموي.

وفي خطوة هامة لتحسين هذا المجال، تم تطوير نظام تعلم عميق (Deep Learning) قادر على إعادة تصنيع الشرائح المتوسطة من أزواج من الشرائح المحورية المجاورة، مما يقلل الفجوة الفعالة عبر البعد إلى النصف. يُعتبر هذا الإنجاز ثورة في التصوير، حيث يعزز القدرة على رؤية ثلاثية الأبعاد ويقدم نتائج ذات كفاءة أعلى من حيث تقليل الضوضاء.

بناءً على تقييم دقيق للخسائر البكسلية، مثل متوسط الخطأ التربيعي (MSE) ومتوسط الخطأ المطلق (L1) وخسائر مشابهة لبنية الصور (SSIM) ... توصلنا إلى نموذج يحقق أداءً متفوقًا عند اختبارها ضد طرق التقليدية وطرق إعادة تصوير الإطارات في الفيديو المدربة مسبقًا.

تم تطبيق النظام على مجموعة بيانات خاصة بالأشعة المقطعية في مستشفى Universitario Virgen del Rocío، حيث أظهر النموذج قدرته على إعادة تركيب الشرائح الوهمية بشكل فعال، مما يدعم التحليل النظري القائل بأن جودة التداخل وتقليل الضوضاء ليس مقتصرًا على البيانات المستخدمة في التدريب.

يعتبر هذا الابتكار خطوة هامة نحو تعزيز دقة التصوير وتقديم خدمات طبية أفضل، مما يفتح آفاق جديدة لتطبيقات الذكاء الاصطناعي في المجال الطبي.