米勒–罗斯函数系数与基于核的CT扫描增强技术

更清晰的脑部扫描以获得更明确的答案

计算机断层扫描（CT）在诊断脑部疾病中至关重要，但原始图像常常存在噪声、模糊或对比度低的问题——尤其是在医生设法降低辐射剂量时。本文探讨了一种以数学为驱动的方法，在放射科医生或计算机算法分析之前对脑部CT图像进行锐化。作者并未依赖大型神经网络，而是使用由一类特殊数学函数构建的精心设计的3 × 3图像滤波器，旨在提升医学扫描中的结构清晰度并增强细节可见性。

从抽象数学到图像滤波器

这项工作的核心是一类复值函数，称为米勒–罗斯函数，最初用于求解分数阶微分方程。数学家研究这些函数的几何性质，例如它们如何将复平面的一一区域映射到另一区域而不发生重叠。作者利用这些性质来控制图像中像素强度的变换。通过分析并界定这些函数幂级数展开中的系数，他们导出可作为图像滤波权重的明确数值。这些权重随后被组装成一个3 × 3的核——一个在图像上滑动的小网格，将邻近像素值组合以增强局部结构。

构建可调的增强核

关键思想是将米勒–罗斯框架中出现的若干抽象参数变为可调旋钮，以决定滤波器的行为。不同参数会影响边缘的强调程度、噪声抑制的强弱以及细微结构的处理方式。利用他们对函数系数证明的不等式，作者生成九个数值来填充3 × 3核。他们特别关注一个分数阶参数，该参数强烈影响诸如组织边界和小病灶等脑部微妙结构的呈现。通过调整该参数及其他参数，可以在更温和与更激进的增强之间切换，同时保持在数学可控的界限内。

在真实CT数据上检验该方法

为了评估其方法，研究人员将这些基于米勒–罗斯的核应用于来自公开数据集中155幅感染性脑部CT图像。他们设计了三种主要实验场景，每种场景固定大多数参数但变化一个关键量：在第一种场景中，他们调整类似对比度的参数；在第二和第三种场景中，他们在两种不同设置下改变另一个分数阶参数。对每幅CT图像，他们搜索能带来最佳提升的参数取值。增强图像的质量使用两个标准度量来评估：峰值信噪比（PSNR），用于衡量图像与参考图像的差异；结构相似性指数（SSIM），用于反映重要模式和结构的保真度。在最佳情况下，该方法产生了显著高的PSNR和SSIM值，部分图像的SSIM接近0.99，表明结构保真度非常高。

与现代人工智能方法的比较

然后，作者将他们的结果与一系列已建立的CT增强和去噪技术并列比较，包括常见的深度学习模型，如卷积神经网络、生成对抗网络和残差网络，以及非局域均值和BM3D滤波等经典方法。总体来看，这些深度模型在经过大规模数据训练后仍能取得更高且更稳定的PSNR和SSIM分数，反映了它们的优势。然而，新的基于米勒–罗斯的方法显示出较大的性能波动：虽然某些图像的表现不如人意，但也有一些图像超过了传统滤波器报告的最佳分数，并可与更复杂系统的结果相媲美。这种差异突出了方法对参数选择的敏感性，但也显示出在参数调优良好的情况下其潜力。

前景与实际局限

研究结论认为，所提出的基于核的增强技术尚未在各方面全面超越顶级深度学习方法，但它提供了重要的优势。由于该滤波器直接由透明的数学公式构建，临床医生和工程师可以理解并控制每个参数如何影响结果——这是黑箱神经网络常常难以做到的。该方法在突出辅助诊断的细微结构方面尤其有效，即便全局质量评分并不总是提升。作者指出了若干限制，包括依赖小规模数据集、仅依靠数值指标以及需要仔细的参数调优，并呼吁未来工作加入临床反馈和更大规模的研究。尽管如此，这一方法说明了从纯数学到实际工具的思想如何被转化为使救生影像更清晰、更具信息性的手段。

引用: 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

关键词: CT 图像增强, 脑部成像, 图像滤波, 分数阶微积分, 医学图像处理