تصویربرداری پزشکی با وضوح بالا برای تشخیص دقیق بیماری ها، به ویژه در شناسایی ضایعات ظریف و ساختارهای آناتومیکی کوچک، نقشی حیاتی ایفا می کند. با این حال، محدودیت های سخت افزاری، زمان طولانی اسکن و ناراحتی بیماران، دستیابی به تصاویر با وضوح مطلوب را با چالش مواجه ساخته است. فناوری ابر تفکیک پذیری (Super Resolution) به عنوان یک راهکار پس پردازش، امکان افزایش وضوح تصاویر دریافتی را بدون نیاز به ارتقای سخت افزار فراهم می آورد. در سال های اخیر، مدل های پخش (Diffusion Models) و شبکه های دشمن گونه مولد (Generative Adversarial Networks) به عنوان دو رویکرد پیشرو در تولید تصاویر مصنوعی با وضوح فوق بالا مطرح شده اند. این مقاله مروری جامع بر روش های نوین تولید تصاویر مصنوعی با وضوح فوق بالا با استفاده از مدل های پخش شرطی و شبکه های دشمن گونه برای کاربردهای پزشکی تشخیصی ارائه می دهد. ابتدا مبانی نظری و چالش های موجود در تصویربرداری پزشکی بررسی می شود، سپس معماری های پیشرو شامل IM Diff، OCTDiff، PFEDiff، MDM، LSTMAGAN و FRDAGAN به تفصیل معرفی می گردند. همچنین معیارهای ارزیابی کمی و کیفی، کاربردهای بالینی و چالش های پیش روی این روش ها مورد بحث قرار می گیرد. نتایج نشان می دهد که مدل های پخش شرطی با حفظ کیفیت ادراکی و شبکه های دشمن گونه با تولید جزئیات بافتی واقع گرایانه، هرکدام نقاط قوت منحصربه فردی در کاربردهای پزشکی تشخیصی دارند و ترکیب این دو رویکرد می تواند افق های جدیدی را در تصویربرداری پزشکی گشاید.

ابر تفکیک پذیری مدل های پخش شرطی شبکه های دشمن گونه مولد تصویربرداری پزشکی