Coefficients des fonctions de Miller–Ross et technique d'amélioration de scan CT basée sur un noyau

Scans cérébraux plus nets pour des diagnostics plus clairs

Les tomodensitogrammes (CT) sont au cœur du diagnostic des troubles cérébraux, mais les images brutes peuvent être bruyantes, floues ou de faible contraste — en particulier lorsque les médecins cherchent à réduire la dose de radiation. Cet article explore une méthode mathématiquement pilotée pour affiner les images CT cérébrales avant qu'elles ne soient analysées par des radiologues ou des algorithmes. Plutôt que de s'appuyer sur de gros réseaux neuronaux, les auteurs utilisent un filtre d'image soigneusement conçu de 3 × 3 construit à partir d'une famille spéciale de fonctions mathématiques, visant à rendre la structure plus claire et à améliorer la visibilité des détails fins dans les images médicales.

Des mathématiques abstraites aux filtres d'image

Au cœur de ce travail se trouve une classe de fonctions à valeurs complexes connues sous le nom de fonctions de Miller–Ross, développées à l'origine pour résoudre des équations différentielles fractionnaires. Les mathématiciens étudient ces fonctions pour leurs propriétés géométriques, comme la manière dont elles transforment une région du plan complexe en une autre sans recouvrements. Les auteurs exploitent ces propriétés pour contrôler la façon dont les intensités de pixels d'une image sont transformées. En analysant et en bornant les coefficients de l'expansion en série de ces fonctions, ils dérivent des valeurs numériques explicites qui peuvent être utilisées comme poids dans un filtre d'image. Ces poids sont ensuite assemblés en un noyau 3 × 3 — une petite grille qui glisse sur l'image, combinant les valeurs des pixels voisins pour renforcer la structure locale.

Construction d'un noyau d'amélioration réglable

L'idée clé est de transformer plusieurs paramètres abstraits apparaissant dans le cadre de Miller–Ross en boutons de réglage qui déterminent le comportement du filtre. Différents paramètres influencent la façon dont les contours sont accentués, la quantité de bruit supprimée et le traitement des détails fins. À l'aide d'inégalités qu'ils démontrent pour les coefficients des fonctions, les auteurs génèrent neuf nombres qui remplissent le noyau 3 × 3. Ils se concentrent en particulier sur un paramètre fractionnaire qui influe fortement sur la manière dont les structures subtiles du cerveau — telles que les frontières tissulaires et les petites lésions — sont mises en évidence. En ajustant ce paramètre et d'autres, ils peuvent passer d'un renforcement plus doux à un renforcement plus agressif tout en restant dans des limites contrôlées mathématiquement.

Test de la méthode sur des données CT réelles

Pour évaluer leur approche, les chercheurs appliquent ces noyaux basés sur Miller–Ross à 155 images CT cérébrales infectées issues d'un jeu de données public. Ils conçoivent trois scénarios expérimentaux principaux, chacun fixant la plupart des paramètres tout en faisant varier une quantité clé : dans le premier, ils ajustent un paramètre analogue au contraste ; dans le deuxième et le troisième, ils font varier un autre paramètre fractionnaire selon deux réglages différents. Pour chaque image CT, ils recherchent la valeur du paramètre qui offre la meilleure amélioration. La qualité des images améliorées est mesurée à l'aide de deux métriques standard : le rapport signal sur bruit de crête (PSNR), qui évalue la différence par rapport à une référence, et l'indice de similarité structurelle (SSIM), qui reflète la conservation des motifs et des structures importants. Dans les meilleurs cas, la méthode produit des valeurs de PSNR et de SSIM remarquablement élevées, certaines images atteignant un SSIM proche de 0,99, ce qui indique une fidélité structurale très forte.

Comparaison avec les méthodes d'IA modernes

Les auteurs comparent ensuite leurs résultats à une gamme de techniques établies d'amélioration et de débruitage CT, y compris des modèles d'apprentissage profond populaires tels que les réseaux de neurones convolutionnels, les réseaux antagonistes génératifs et les réseaux résiduels, ainsi que des approches classiques comme les moyens non locaux et le filtrage BM3D. En moyenne, ces modèles profonds atteignent encore des scores PSNR et SSIM plus élevés et plus stables, ce qui reflète leur puissance une fois entraînés sur de grands ensembles de données. Cependant, la nouvelle approche basée sur Miller–Ross montre une large plage de performances : tandis que certaines images sont moins convaincantes, d'autres dépassent les meilleurs scores rapportés pour les filtres traditionnels et rivalisent avec ceux de systèmes plus complexes. Cette variabilité souligne la sensibilité de la méthode aux choix de paramètres, mais aussi son potentiel lorsque ces choix sont bien optimisés.

Promesses et limites pratiques

L'étude conclut que la technique d'amélioration basée sur un noyau proposée ne surpasse pas encore systématiquement les meilleures méthodes d'apprentissage profond, mais elle offre des avantages importants. Parce que le filtre est construit directement à partir de formules mathématiques transparentes, les cliniciens et les ingénieurs peuvent comprendre et contrôler l'effet de chaque paramètre sur le résultat — ce qui est souvent difficile avec des réseaux neuronaux boîtes noires. La méthode est particulièrement efficace pour mettre en relief des détails structurels fins qui peuvent aider au diagnostic, même lorsque les scores globaux de qualité n'augmentent pas toujours. Les auteurs notent des limites, notamment la dépendance à un petit jeu de données, la reliance sur des métriques numériques seules et la nécessité d'un réglage minutieux des paramètres, et ils appellent à des travaux futurs incluant un retour clinique et des études plus vastes. Néanmoins, l'approche illustre comment des idées de mathématiques pures peuvent être traduites en outils pratiques pour rendre des images susceptibles de sauver des vies plus nettes et plus informatives.

Citation: 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

Mots-clés: Amélioration d'images CT, imagerie cérébrale, filtrage d'images, calcul fractionnaire, traitement d'images médicales