معاملات دوال ميلر–روس وتقنية تحسين أشعة المقطعية المعتمدة على نواة

فحوص دماغية أوضح لإجابات أدق

تُعدُّ صور التصوير المقطعي المحوسب (CT) مركزية في تشخيص اضطرابات الدماغ، لكن الصور الأولية قد تكون ضجيجية أو مغبّشة أو منخفضة التباين—خاصة عندما يحاول الأطباء تقليل جرعة الإشعاع. تستكشف هذه الورقة نهجًا مدفوعًا رياضيًا لشحذ صور CT للدماغ قبل تحليلها من قبل أطباء الأشعة أو خوارزميات الحاسوب. بدل الاعتماد على شبكات عصبية كبيرة، يستخدم المؤلفون مرشح صورة مُكوَّنًا بعناية بحجم 3 × 3 مُشتقًا من عائلة خاصة من الدوال الرياضية، بهدف إبراز البنية وتحسين رؤية التفاصيل الدقيقة في المسوحات الطبية.

من الرياضيات المجردة إلى مرشحات الصور

تكمن الفكرة الأساسية في فئة من الدوال ذات القيم العقدية المعروفة باسم دوال ميلر–روس، والتي طُوِّرت أصلاً لحل المعادلات التفاضلية الكسرية. يدرس الرياضيون هذه الدوال لخصائصها الهندسية، مثل كيفية تحويلها لمنطقة في المستوى العقدي إلى أخرى دون تراكب. يستغل المؤلفون هذه الخصائص للتحكم في كيفية تحويل شدات البكسل في الصورة. من خلال تحليل وتحديد حدود معاملات توسعة السلاسل لهذه الدوال، يستنتجون قيمًا عددية صريحة يمكن استخدامها كأوزان في مرشح الصورة. تُجمع هذه الأوزان بعد ذلك في نواة 3 × 3—شبكة صغيرة تنزلق عبر الصورة، وتجمع قيم البكسلات المجاورة لتعزيز البنية المحلية.

بناء نواة تحسين قابلة للضبط

الفكرة الأساسية هي تحويل عدة معلمات مجردة تظهر في إطار عمل ميلر–روس إلى مقابض تحدد سلوك المرشح. تؤثر معلمات مختلفة في مدى إبراز الحواف، وكمية قمع الضجيج، وكيفية التعامل مع التفاصيل الدقيقة. باستخدام متباينات يبرهنونها لمعاملات الدوال، يولد المؤلفون تسعة أرقام تملأ نواة 3 × 3. يركّزون بشكل خاص على معلمة كسرية تؤثر بشدة في كيفية إبراز البنى الدقيقة في الدماغ—مثل حدود الأنسجة والآفات الصغيرة. من خلال تعديل هذه المعلمة وغيرها، يمكنهم التنقل بين تحسينات أكثر رفقًا وأقوى مع البقاء ضمن حدود محكومة رياضيًا.

تجريب الطريقة على بيانات CT حقيقية

لتقييم نهجهم، يطبق الباحثون هذه النوى المستندة إلى ميلر–روس على 155 صورة CT دماغية مُصابة مأخوذة من مجموعة بيانات عامة. يصممون ثلاثة سيناريوهات تجريبية رئيسية، كل منها يثبت معظم المعلمات بينما يغيّر كمية رئيسية واحدة: في الحالة الأولى، يضبطون معلمة تشبه التباين؛ في الثانية والثالثة، يغيّرون معلمة كسرية أخرى تحت إعدادين مختلفين. لكل صورة CT، يبحثون عن قيمة المعلمة التي تعطي أفضل تحسن. تُقاس جودة الصور المحسنة باستخدام مقياسين معياريين: نسبة الإشارة إلى الضوضاء القصوى (PSNR)، التي تقيس مدى اختلاف الصورة عن مرجع، ومؤشر التشابه البنيوي (SSIM)، الذي يعكس مدى حفاظ الصورة على الأنماط والبُنى المهمة. في أفضل الحالات، تُنتج الطريقة قيم PSNR وSSIM مرتفعة بشكل ملحوظ، مع وصول بعض الصور إلى SSIM قريب من 0.99، مما يدل على وفاء بنيوي قوي جدًا.

كيف تقارن بأساليب الذكاء الاصطناعي الحديثة

يضع المؤلفون نتائجهم بجانب مجموعة من تقنيات تحسين وإزالة الضوضاء في CT المعروفة، بما في ذلك نماذج التعلم العميق الشائعة مثل الشبكات العصبية الالتفافية، والشبكات التوليدية المتعارضة، والشبكات المتبقية، فضلاً عن الأساليب التقليدية مثل المتوسطات غير المحلية وتصفية BM3D. في المتوسط، لا تزال هذه النماذج العميقة تحقق درجات PSNR وSSIM أعلى وأكثر ثباتًا، مما يعكس قوتها عند تدريبها على مجموعات بيانات كبيرة. ومع ذلك، يُظهر النهج الجديد المستند إلى ميلر–روس نطاق أداء واسع: ففي حين أن بعض الصور تكون أقل إثارة للإعجاب، تتجاوز أخرى أفضل القيم المبلّغ عنها من المرشحات التقليدية وتنافس أنظمة أكثر تعقيدًا. تؤكد هذه التباينات حساسية الطريقة لاختيار المعلمات، ولكن أيضًا إمكانيتها عند ضبط تلك الخيارات بعناية.

الوعد والقيود العملية

تخلص الدراسة إلى أن تقنية التحسين المعتمدة على النواة المقترحة لم تتجاوز بعد أساليب التعلم العميق المتقدمة على مستوى شامل، لكنها تقدم مزايا مهمة. لأن المرشح مبني مباشرة من صيغ رياضية شفافة، يمكن للأطباء والمهندسين فهم كيفية تأثير كل معلمة على النتيجة والتحكم بها—وهو ما يكون غالبًا صعبًا مع الشبكات العصبية الصندوق الأسود. الطريقة جيدة بشكل خاص في إبراز التفاصيل البنائية الدقيقة التي قد تساعد في التشخيص، حتى عندما لا ترتفع مقاييس الجودة العامة دائمًا. يذكر المؤلفون قيودًا، بما في ذلك الاعتماد على مجموعة بيانات صغيرة، والاعتماد على مقاييس رقمية فقط، والحاجة إلى ضبط معلمات دقيق، ويدعون إلى عمل مستقبلي يضيف تغذية راجعة سريرية ودراسات أوسع. ومع ذلك، توضح الطريقة كيف يمكن ترجمة أفكار من الرياضيات البحتة إلى أدوات عملية لجعل الصور المنقذة للحياة أوضح وأكثر معلوماتية.

الاستشهاد: Murugusundaramoorthy, G., Nalliah, M. Miller–Ross-functions coefficients and kernel-based CT-scan enhancement technique. Sci Rep 16, 13527 (2026). https://doi.org/10.1038/s41598-026-41609-w

الكلمات المفتاحية: تحسين صور الأشعة المقطعية, تصوير الدماغ, تصفية الصور, حساب تفاضلي كسري, معالجة الصور الطبية