تعتبر نماذج الذكاء الاصطناعي الحديثة أداة حيوية في مجالات متعددة، خاصة في ميدان الأشعة المقطعية (CT). من بين هذه الأدوات، برزت نماذج التدفق (Flow Matching Models) كحلاً واعدًا لتحسين إعادة بناء الصور، مما يعكس تطورًا مثيرًا في هذا المجال.

تتجاوز نماذج التدفق القيود المرتبطة بالنماذج التقليدية مثل نماذج الانتشار (Diffusion Models)، حيث تعتمد الأخيرة على المعادلات التفاضلية العشوائية (SDEs) التي يمكن أن تتسبب في تدخل العشوائية في عمليات التصحيح المتكررة اللازمة لإعادة البناء. ومن المعروف أن إعادة بناء الأشعة المقطعية تتطلب دقة عالية زمنياً، مما يجعل تحسين الكفاءة أمرًا بالغ الأهمية.

من ناحية أخرى، تعتمد نماذج التدفق على المعادلات التفاضلية العادية (ODE)، ما يؤدي إلى مسارات سلسة بدون إضافة ضوضاء عشوائية. وهذا يجعلها متوافقة بشكل طبيعي مع عمليات التصحيح المتكررة، الأمر الذي يعزز جودة الصور المستخرجة.

ولقد تم اقتراح إطار عمل جديد لإعادة البناء يعتمد على نماذج التدفق يُعرف بـ (FMCT) مع نسخة فعالة تُسمى (EFMCT). يشمل هذا النظام إعادة استخدام الحقول التنبؤية للسرعة عبر الخطوات المتتالية، مما يقلل بشكل ملحوظ من عدد تقييمات وظائف الشبكة العصبية (NFEs)، وبالتالي يُحسن الكفاءة في الاستدلال.

كما أظهرت الدراسات التجريبية أن FMCT و EFMCT تحققان جودة إعادة بناء تنافسية مع تحسين ملحوظ في الكفاءة الحسابية مقارنة بالأساليب المعتمدة على الانتشار. جميع الأكواد اللازمة متاحة للجمهور على GitHub [https://github.com/EFMCT/EFMCT].