מקדמי פונקציות מילר–רוס וטכניקת שיפור סריקות CT המבוססת על גרעין

סריקות מוח חדות יותר לתשובות ברורות יותר

סריקות טומוגרפיה ממוחשבת (CT) הן מרכזיות לאבחון הפרעות מוחיות, אבל התמונות הגולמיות עלולות להיות רועשות, מטושטשות או בעלי ניגוד נמוך — במיוחד כאשר הרופאים מנסים להפחית מנות קרינה. מאמר זה בוחן גישה מתמטית לבירור תמונות CT של המוח לפני שיידונו על־ידי רדיולוגים או אלגוריתמים ממוחשבים. במקום להסתמך על רשתות עצביות רחבות, המחברים משתמשים במסנן תמונה מעוצב בקפידה בגודל 3 × 3 הבנוי ממשפחת פונקציות מתמטיות מיוחדת, במטרה להבליט מבנה ולשפר את הנראות של פרטים עדינים בסריקות רפואיות.

ממתמטיקה אבסטרקטית למסנני תמונה

בלב העבודה עומדת מחלקה של פונקציות בעלות ערך מרוכב הידועות כפונקציות מילר–רוס, שפותחו במקור כדי לפתור משוואות דיפרנציאליות שבריות. מתמטיקאים חוקרים פונקציות אלה בשל תכונותיהן הגאומטריות, כגון האופן שבו הן ממפות אזור במישור המרוכב לאזור אחר ללא חפיפות. המחברים ממנפים תכונות אלה כדי לשלוט באופן שבו עוצמות הפיקסלים בתמונה מומרות. באמצעות ניתוח והצבת גבולות על המקדמים בסדרת הטור של פונקציות אלה, הם גוזרים ערכים מספריים מפורשים שניתן להשתמש בהם כמשקלים במסנן תמונה. המשקלים הללו מורכבים לאחר מכן לגרעין 3 × 3 — רשת קטנה החולפת על פני התמונה ומשלבת ערכי פיקסלים סמוכים כדי לשפר את המבנה המקומי.

בניית גרעין שיפור מתכוונן

הרעיון המרכזי הוא להפוך מספר פרמטרים אבסטרקטיים המופיעים במסגרת מילר–רוס לכפתורי כיוון שקובעים כיצד המסנן מתנהג. פרמטרים שונים משפיעים על חוזק הדגשת הקצוות, על מידת דיכוי הרעש ועל האופן שבו מטופלים פרטים עדינים. באמצעות אי־שוויונות שהם מוכיחים למקדמי הפונקציה, המחברים מייצרים תשע מספרים שממלאים את גרעין ה־3 × 3. הם מתמקדים במיוחד בפרמטר שברי שמשפיע בעוצמה על האופן שבו מבנים דקים במוח — כגון גבולות רקמות וקטעים קטנים — מודגשים. בהתאמת פרמטר זה ולאחרים ניתן לנוע בין חיזוק עדין לאגרסיבי יותר תוך שמירה על גבולות מבוקרים מתמטית.

מבחן השיטה על נתוני CT אמיתיים

כדי להעריך את הגישה שלהם, החוקרים מיישמים את הגרעינים המבוססים על מילר–רוס על 155 תמונות CT של מוח מופעלות מתוך מאגר ציבורי. הם מעצבים שלושה תרחישים ניסיוניים עיקריים, כאשר בכל אחד מהם רוב הפרמטרים קבועים ואחד מהם משתנה: בראשון הם מכוונים פרמטר דמוי ניגוד; בשני ובשלישי הם משנים פרמטר שברי נוסף תחת שתי הגדרות שונות. עבור כל תמונת CT הם מחפשים את ערך הפרמטר שנותן את השיפור הטוב ביותר. איכות התמונות המשופרות נמדדת באמצעות שני מדדים סטנדרטיים: יחס השיא לארועי רעש (PSNR), שמודד עד כמה התמונה שונה מההתייחסות, ואינדקס דמיון מבני (SSIM), שמשקף עד כמה דפוסים ומבנים חשובים נשמרים. במקרים הטובים ביותר השיטה מניבה ערכי PSNR ו־SSIM מרשימים מאוד, כאשר חלק מהתמונות מגיעות ל־SSIM קרוב ל־0.99, מה שמעיד על נאמנות מבנית גבוהה מאוד.

כיצד היא מתמודדת מול שיטות בינה מודרניות

לאחר מכן המחברים משווים את תוצאותיהם למגוון טכניקות שיפור והפחתת רעש ב־CT המוכרות, כולל דגמי למידה עמוקה פופולריים כגון רשתות קונבולוציה, רשתות יריבות יצירתיות (GAN) ורשתות שאריות, וכן שיטות קלאסיות כמו non-local means וסינון BM3D. בממוצע, המודלים העמוקים הללו עדיין משיגים ציוני PSNR ו־SSIM גבוהים ויציבים יותר, מה שמצביע על חוזקם כאשר הם מאומנים על מערכי נתונים גדולים. עם זאת, הגישה החדשה המבוססת על מילר–רוס מציגה טווח ביצועים רחב: בעוד שחלק מהתמונות פחות מרשימות, אחרות עולות על הציונים הטובים ביותר המדווחים עבור מסננים מסורתיים ומתחרות באלו של מערכות מורכבות יותר. שונות זו מדגישה את הרגישות של השיטה לבחירת פרמטרים, אך גם את הפוטנציאל שלה כאשר הבחירות מכוונות היטב.

הבטחה ומגבלות מעשיות

המחקר מסכם שהטכניקה המוצעת המבוססת על גרעין עדיין אינה עוקפת באופן גורף את שיטות הלמידה העמוקה המשובחות, אך היא מציעה יתרונות חשובים. מאחר שהמסנן נבנה ישירות מנוסחאות מתמטיות שקופות, קל לצוותים קליניים ומהנדסים להבין ולשלוט כיצד כל פרמטר משפיע על התוצאה — דבר שלעתים קשה להשיג ברשתות עצביות תלויות־קופסה. השיטה טובה במיוחד בהדגשת פרטים מבניים עדינים שעשויים לסייע באבחון, גם כאשר מדדי איכות גלובליים לא תמיד משתפרים. המחברים מציינים מגבלות, ובהן תלות במאגר קטן, הסתמכות על מדדים נומריים בלבד, והצורך בכיוונון פרמטרים זהיר, וקוראים לעבודה עתידית שתכלול משוב קליני ומחקרים רחבים יותר. אף על פי כן, הגישה ממחישה כיצד רעיונות מתוך מתמטיקה טהורה יכולים להיות מתורגמים לכלים פרקטיים שמבהירים תמונות מצילות חיים ומעשירות את המידע שהן מספקות.

ציטוט: 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

מילות מפתח: שיפור תמונת CT, דימות מוחי, סינון תמונה, חשבון שברי, עיבוד תמונות רפואיות