Miller–Ross işlevleri katsayıları ve çekirdek tabanlı BT taraması iyileştirme tekniği

Daha Keskin Beyin Taramaları, Daha Net Yanıtlar

Bilgisayarlı tomografi (BT) taramaları beyin bozukluklarının teşhisinde merkezi öneme sahiptir, ancak ham görüntüler özellikle radyasyon dozu azaltılmaya çalışıldığında gürültülü, bulanık veya düşük kontrastlı olabilir. Bu makale, radyologlar veya bilgisayar algoritmaları tarafından analiz edilmeden önce beyin BT görüntülerini keskinleştirmeye yönelik matematiksel temelli bir yöntemi inceliyor. Büyük sinir ağlarına dayanmak yerine yazarlar, tıbbi taramalarda yapısal netliği ve ince detayların görünürlüğünü artırmayı amaçlayan özel bir matematiksel fonksiyon ailesinden türetilmiş dikkatle tasarlanmış 3 × 3 görüntü filtresi kullanıyorlar.

Soyut Matematikten Görüntü Filtrelerine

Çalışmanın merkezinde, başlangıçta fraksiyonel diferansiyel denklemleri çözmek için geliştirilen Miller–Ross adıyla bilinen kompleks değerli bir fonksiyon sınıfı yatıyor. Matematikçiler bu fonksiyonları, karmaşık düzlemde bir bölgeyi başka bir bölgeye çakışma olmadan nasıl eşlediklerine dair geometrik özellikleri açısından incelerler. Yazarlar bu özellikleri, bir görüntüdeki piksel yoğunluklarının nasıl dönüştürüleceğini kontrol etmek için kullanıyor. Bu fonksiyonların seri açılımındaki katsayıları analiz edip sınırlandırarak, görüntü filtresinde ağırlık olarak kullanılabilecek açık sayısal değerler türetiyorlar. Bu ağırlıklar daha sonra 3 × 3 çekirdeğe monte ediliyor — görüntü üzerinde kayan ve yakın piksel değerlerini birleştirerek yerel yapıyı iyileştiren küçük bir ızgara.

Ayarlanabilir Bir İyileştirme Çekirdeği Oluşturmak

Ana fikir, Miller–Ross çerçevesinde beliren birkaç soyut parametreyi filtrenin davranışını belirleyen düğmeler hâline getirmektir. Farklı parametreler kenarların ne kadar vurgulanacağını, gürültünün ne kadar bastırılacağını ve ince detayların nasıl işleneceğini etkiler. Fonksiyon katsayıları için ispatladıkları eşitsizlikleri kullanarak, yazarlar 3 × 3 çekirdeği dolduran dokuz sayı üretirler. Özellikle beyin dokusu sınırları ve küçük lezyonlar gibi ince yapıları güçlü şekilde etkileyen bir fraksiyonel parametreye odaklanırlar. Bu parametre ve diğerlerini ayarlayarak, matematiksel olarak kontrol edilen sınırlar içinde kalarak daha hafif veya daha agresif iyileştirme arasında geçiş yapabilirler.

Yöntemi Gerçek BT Verisi Üzerinde Test Etmek

Yaklaşımlarını değerlendirmek için araştırmacılar bu Miller–Ross tabanlı çekirdekleri herkese açık bir veri kümesinden alınmış 155 enfekte beyin BT görüntüsüne uygularlar. Üç ana deneysel senaryo tasarlarlar; her biri çoğu parametreyi sabit tutarken bir ana niceliği değiştirir: birincisinde kontrast benzeri bir parametre ayarlanır; ikincisinde ve üçüncüsünde başka bir fraksiyonel parametre iki farklı ayar altında değiştirilir. Her BT görüntüsü için en iyi iyileşmeyi veren parametre değeri aranır. İyileştirilmiş görüntülerin kalitesi iki standart ölçütle değerlendirilir: görüntünün bir referanstan ne kadar farklı olduğunu ölçen Tepe Sinyal-Gürültü Oranı (PSNR) ve önemli desenlerin ve yapıların ne kadar iyi korunduğunu yansıtan Yapısal Benzerlik İndeksi (SSIM). En iyi vakalarda yöntem olağanüstü yüksek PSNR ve SSIM değerleri üretir; bazı görüntüler SSIM değerinin 0.99’a yakın olduğu seviyelere ulaşır, bu da çok güçlü yapısal sadakati gösterir.

Güncel Yapay Zeka Yöntemleriyle Karşılaştırma

Daha sonra yazarlar sonuçlarını, konvolüsyonel sinir ağları, üreteçsel çekişmeli ağlar ve artık ağlar gibi popüler derin öğrenme modellerinin yanı sıra uzak olmayan ortalama (non-local means) ve BM3D filtreleme gibi klasik yaklaşımlar da dahil olmak üzere bir dizi yerleşik BT iyileştirme ve gürültü giderme tekniğiyle yan yana koyarlar. Ortalama olarak bu derin modeller hâlâ daha yüksek ve daha stabil PSNR ile SSIM skorlarına ulaşır; bu da büyük veri kümelerinde eğitildiklerinde gösterdikleri gücü yansıtır. Ancak yeni Miller–Ross tabanlı yaklaşım geniş bir performans aralığı sergiler: bazı görüntüler daha az etkileyici olurken, diğerleri geleneksel filtrelerin en iyi raporlanan skorlarını aşar ve daha karmaşık sistemlerin skorlarına rakip olur. Bu değişkenlik yöntemin parametre seçimlerine duyarlılığını vurgularken, iyi ayarlandığında sunduğu potansiyeli de gösterir.

Umut ve Pratik Sınırlılıklar

Çalışma, önerilen çekirdek tabanlı iyileştirme tekniğinin her açıdan en üst düzey derin öğrenme yöntemlerini henüz geride bırakmadığını, ancak önemli avantajlar sunduğunu sonucuna varır. Filtre doğrudan şeffaf matematiksel formüllerden türetildiği için klinisyenler ve mühendisler her bir parametrenin sonucu nasıl etkilediğini anlayabilir ve kontrol edebilir — bu, kara kutu sinir ağlarında genellikle zor olan bir şeydir. Yöntem özellikle küresel kalite skorları her zaman artmasa bile tanıya yardımcı olabilecek ince yapısal detayları vurgulamada iyidir. Yazarlar küçük bir veri kümesine bağımlılık, yalnızca sayısal metriklere dayanma ve dikkatli parametre ayarına olan gereksinim gibi sınırlamalara işaret eder ve klinik geri bildirim ile daha büyük çalışmalar eklenmesini önerirler. Yine de bu yaklaşım, saf matematikten gelen fikirlerin hayat kurtarıcı görüntüleri daha net ve bilgilendirici hâle getiren pratik araçlara nasıl dönüştürülebileceğini gösterir.

Atıf: 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

Anahtar kelimeler: BT görüntü iyileştirme, beyin görüntüleme, görüntü filtreleme, fraksiyonel kalkülüs, tıbbi görüntü işleme