تشكل تقنية تصوير التدفق المغناطيسي رباعي الأبعاد (4D Flow MRI) أداة غير غازية قوية لتصوير وتحديد نمط تدفق الدم المعقد في داخل الجسم. وعلى الرغم من الإمكانيات السريرية الواعدة لهذه التقنية، فإن اعتمادها الأوسع مقيد بضعف الدقة المكانية وحساسيتها العالية للصوت، مما يعيق التقييم الدقيق للعلامات الحيوية الديناميكية الهامة مثل إجهاد جدار الأوعية الدموية، وتدرجات الضغط، والطاقة الحركية المضطربة.

لمواجهة هذه التحديات، اقترح الباحثون إطار عمل قائم على التعلم العميق يعزز دقة تصوير التدفق المغناطيسي عن طريق دمج استخراج الميزات متعددة المقاييس وآليات الانتباه لتحسين جودة بيانات هذا التصوير. تم تدريب النموذج على مجموعة بيانات تحتوي على 120 مريضًا مع 240 شريانًا سُدَّت. وتم إنتاج بيانات حقيقة عالية الدقة باستخدام محاكاة ديناميكية السوائل الحاسوبية (CFD) المستندة إلى أشكال الأوعية الدموية المقسمة وظروف حدودية واقعية فسيولوجيًا، حيث استخدمت المجالات المر Velocity كأهداف للتعلم تحت الإشراف.

تستفيد البنية المقترحة من وحدات الانتباه الكتلي التلافيفي (CBAM) لتوجيه الشبكة نحو الميزات المكانية ذات الصلة سريريًا وتقليل الضوضاء في المدخلات ذات الدقة المنخفضة. أظهرت النتائج الكمية أن النموذج الموجه بالانتباه يقلل بشكل كبير من متوسط ​​خطأ الجذر التربيعي (RMSE) مقارنة بنموذج مرجعي بدون انتباه، بينما أكدت التحليلات النوعية لخطوط سرعة التدفق الإعمار المحسن للنمط المعقد للتدفق. تُظهر هذه النتائج قدرة النموذج على استعادة المجالات التدفقية عالية الدقة في ظروف ضوضاء محددة، مما يدعم استخدام التعلم العميق في توسيع الاستخدام السريري لتقنية التصوير الغير غازية لتقييم الديناميات الدموية.