Résumé:
our study focuses on using deep learning to improve the accuracy of Magnetic Resonance (MR) images. To begin, we start by reducing the size of High-Resolution (HR) images then employ interpolation techniques (Linear -Nearst Neighbor - bicubic) to enhance the quality of the Low- Resolution (LR) image. This process leads to a noticeable improvement in image resolution, allowing for the preservation of finer details. Subsequently, we leverage the power of a specialized Deep Convolutional Neural Network (CNN) known as the DNCNN, which is specifically designed to excel in super-resolution tasks. The DNCNN is applied to enhance three Super-Resolution (SR) images generated through the previous steps, resulting in further enhancement and refinement. These SR images are effectively combined using Ensemble Learning to produce a single high-quality SR image. Overall, this research presents a novel deep learning approach to enhance MR images, demonstrating the potential to significantly improve their precision and quality in medical imaging applications
Notre étude vise à utiliser l'apprentissage profond pour améliorer la précision des Images par Résonance Magnétique (IRM). Pour commencer, nous réduisons la taille des images Haute Résolution (HR) puis utilisons des techniques d'interpolation (linéaire – plus proche voisin - bicubic) pour améliorer la qualité de l'image Basse Résolution (BR). Ce processus entraîne une amélioration notable de la résolution de l'image, permettant ainsi la préservation des détails plus fins. Ensuite, nous exploitons la puissance d'un réseau de neurones convolutifs profonds spécialisé appelé DNCNN, conçu spécifiquement pour exceller dans les tâches de super-résolution. Le DNCNN est utilisé pour améliorer trois images de Super-Résolution (SR) générées à partir des étapes précédentes, ce qui entraîne une amélioration et un affinement supplémentaires. Ces images SR sont ensuite combinées de manière efficace à l'aide de l'apprentissage en ensemble pour produire une seule image SR de haute qualité. Dans l'ensemble, cette recherche présente une nouvelle approche d'apprentissage profond pour améliorer les images d'IRM, démontrant ainsi le potentiel d'amélioration significative de leur précision et de leur qualité dans les applications d'imagerie médicale.
