تسعى الأبحاث الطبية دائمًا إلى تعزيز دقة تصوير Magnetic Resonance Imaging (MRI) وتقصير أوقات الفحص. في هذا السياق، برزت تقنية جديدة تُعرف بتشفير لورنتز (Lorentz Encoding) كحلاً مبتكرًا لمشكلة إعادة بناء البيانات من الفحوصات التي تتطلب وقتًا طويلاً.

تتمثل المشكلة التقليدية في أن إدخال بيانات أقل من المطلوب قد يفقد معلومات قيمة، حيث تتولد تشوهات في النتائج. لكن مع استخدام تشفير لورنتز، تم تحسين عملية إعادة بناء بيانات الـCEST (Multi-Pool Chemical Exchange Saturation Transfer) بشكل كبير. هذه التقنية تتيح إعادة بناء البيانات بطريقة ذاتية الإشراف (self-supervised) من خلال استخدام تعلم متواصل لتمثيل الإحداثيات.

بدلاً من الاعتماد على تقنيات التشفير التقليدية، ينظم هذا النظام الجديد الإحداثيات في مساحة محكومة بنماذج لورنتزية قابلة للتعلم، مما يقلل من الضوضاء ويضمن التناسق مع النماذج الفيزيائية.

تظهر التجارب على بيانات الدماغ البشري أن هذه الطريقة تحقق نتائج مذهلة، حيث تصل نسبة PSNR إلى 57.58 dB وSSIM إلى 0.9994، مما يوضح تفوقها على الأساليب المتاحة حاليًا. كما تسهم هذه النتيجة في رسم مسار هندسي مستمر في الفضاء الكامن، وهذا يجعله ضروريًا لتحديد المرشحات الكيميائية باستخدام الصور.