Коэффициенты функций Миллера–Росс и метод повышения качества КТ-изображений на основе кернеля

Более четкие сканирования мозга для однозначных выводов

Компьютерная томография (КТ) является ключевым инструментом при диагностике заболеваний мозга, но исходные изображения часто содержат шум, размытость или низкую контрастность — особенно когда врачи стремятся снизить дозу облучения. В этой статье рассмотрен математически обоснованный способ повышения резкости КТ-изображений мозга перед их анализом радиологами или алгоритмами. Вместо опоры на большие нейросети авторы используют тщательно разработанный 3 × 3 фильтр изображения, построенный на основе специального семейства математических функций, с целью выявления более четкой структуры и улучшения видимости тонких деталей на медицинских снимках.

От абстрактной математики к фильтрам изображений

В основе работы лежит класс комплекснозначных функций, известных как функции Миллера–Росс, первоначально разработанных для решения дробных дифференциальных уравнений. Математики изучают эти функции за их геометрические свойства, например за то, как они отображают одну область комплексной плоскости в другую без наложений. Авторы используют эти свойства, чтобы контролировать преобразование интенсивностей пикселей в изображении. Анализируя и оценивая коэффициенты в рядовом разложении этих функций, они выводят явные численные значения, которые можно применять как веса в фильтре изображения. Эти веса затем собираются в 3 × 3 кернель — небольшую сетку, которая скользит по изображению, объединяя значения соседних пикселей для усиления локальной структуры.

Построение настраиваемого кернеля улучшения

Ключевая идея состоит в превращении нескольких абстрактных параметров, появляющихся в формализме Миллера–Росс, в «ручки», определяющие поведение фильтра. Разные параметры влияют на степень подчёркивания границ, подавление шума и обработку тонких деталей. Используя выведённые неравенства для коэффициентов функций, авторы генерируют девять чисел, заполняющих 3 × 3 кернель. Особое внимание уделено дробному параметру, который сильно влияет на то, как выявляются тонкие структуры мозга — такие как границы тканей и небольшие очаги. Подстраивая этот параметр и другие, можно переходить от более мягкого к более агрессивному улучшению, оставаясь в математически контролируемых пределах.

Проверка метода на реальных данных КТ

Для оценки подхода исследователи применили кернели на основе функций Миллера–Росс к 155 инфицированным КТ-изображениям головного мозга из публичного набора данных. Они разработали три основных экспериментальных сценария, в каждом из которых фиксировалось большинство параметров и изменялась одна ключевая величина: в первом настраивали параметр, подобный контрасту; во втором и третьем варьировали другой дробный параметр при двух различных настройках. Для каждого КТ-изображения выполнялся поиск значения параметра, которое давало наилучшее улучшение. Качество улучшенных изображений измеряли двумя стандартными метриками: отношение пик-сигнал/шум (PSNR), оценивающее отклонение изображения от эталона, и индекс структурного сходства (SSIM), отражающий сохранение важных паттернов и структур. В лучших случаях метод давал заметно высокие значения PSNR и SSIM, некоторые изображения достигали SSIM, близкого к 0,99, что свидетельствует о очень высокой структурной достоверности.

Сравнение с современными методами искусственного интеллекта

Затем авторы сопоставляют свои результаты с рядом существующих методов повышения качества и подавления шума КТ, включая популярные модели глубокого обучения — сверточные нейронные сети, генеративные состязательные сети и остаточные сети — а также классические подходы, такие как нефть «non-local means» и фильтрация BM3D. В среднем эти глубокие модели по-прежнему демонстрируют более высокие и более стабильные показатели PSNR и SSIM, что отражает их силу при обучении на больших наборах данных. Однако новый подход на основе функций Миллера–Росс показывает широкий разброс результатов: в то время как для некоторых изображений показатели менее впечатляющие, другие превосходят лучшие отчёты по традиционным фильтрам и соперничают с более сложными системами. Эта изменчивость подчёркивает чувствительность метода к выбору параметров, но также и его потенциал при хорошей настройке.

Перспективы и практические ограничения

Авторы приходят к выводу, что предложенная техника улучшения на основе кернеля пока не превосходит повсеместно лучшие методы глубокого обучения, но имеет важные преимущества. Поскольку фильтр строится непосредственно на прозрачных математических формулах, клиницисты и инженеры могут понимать и контролировать, как каждый параметр влияет на результат — то, чего часто не хватает у «чёрных ящиков» нейросетей. Метод особенно хорош в выделении тонкой структурной информации, способной помочь в диагностике, даже если глобальные оценочные метрики не всегда растут. Авторы отмечают ограничения, включая зависимость от небольшого набора данных, опору лишь на численные метрики и необходимость тщательной настройки параметров, и призывают к дальнейшей работе с клинической обратной связью и большими исследованиями. Тем не менее подход иллюстрирует, как идеи чистой математики можно превратить в практические инструменты, делающие жизненно важные изображения более чёткими и информативными.

Цитирование: 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

Ключевые слова: улучшение КТ-изображений, визуализация головного мозга, фильтрация изображений, дробное исчисление, обработка медицинских изображений