Biyomedikal veriler için manifold topolojik derin öğrenme

Tıbbi Görüntülerin Altındaki Desenleri Görmek

Modern hastaneler, röntgenden 3B MR taramalarına kadar büyük miktarda tarama toplar ve bu görüntüleri okumada hekimlere yardımcı olmaları için bilgisayarlara güveniyoruz. Bu çalışma, yapay zekânın tıbbi görüntülere yalnızca piksel değerlerine değil, aynı zamanda her görüntünün içindeki gizli şekillere ve akışlara da dikkat eden yeni bir bakış açısını tanıtıyor. Amaç, bilgisayar destekli teşhisleri daha doğru, güvenilir ve anlaşılır hâle getirmek.

Resimlerden Düzgün Yüzeylere

Çoğu görüntü analiz sistemi bir taramayı renkli noktaların düz bir ızgarası olarak ele alır. Yazarlar, birçok tıbbi görüntünün bir davul yüzeyi veya balon kabuğu gibi uzayda kıvrılan ve bükülen düzgün yüzeyler olarak görülmesinin daha uygun olduğunu savunuyor. Matematikte bu düzgün şekillere manifold denir. Bir görüntüyü basit bir ızgara yerine bir manifold olarak ele alarak model, yapılar nasıl bağlıdır, nerede döngü oluştururlar ve farklı bölgeler birbirleriyle sürekli bir şekilde nasıl ilişkilidir gibi bilgileri yakalayabilir.

Akışların Gizli Yapıyı Açığa Çıkarması

Bu manifold bakışını derinleştirmek için yöntem önce her görüntü üzerinde yoğunluğun yerden yere nasıl değiştiğini gösteren küçük oklarla tanımlanan bir tür akış alanı inşa eder. Hodge teorisi olarak bilinen bir matematik dalı kullanılarak bu akış daha sonra birbirine karışmayan üç temiz parçaya ayrılır. Bir parça kaynakları ve çukurları yakalar, bir diğeri dönen desenleri yakalar ve üçüncüsü daha geniş ölçekli, küresel yapıyı yansıtır. Bu üçlü bakış, ham bir taramayı anatomi ve doku desenlerinin farklı yönlerini vurgulayan daha zengin bir katman setine dönüştürür.

Daha Akıllı Girdilerin Kompakt Bir Ağı Beslemesi

Bu matematiksel yeniden şekillendirmenin ardından üç akış bileşeni üst üste konulur ve küçük, özenle tasarlanmış bir konvolüsyonel sinir ağına verilir. On milyonlarca ayarlanabilir ağırlığa sahip popüler birçok tıbbi yapay zekâ modelinin aksine, bu ağ bir milyonun çok altında ağırlık kullanır. Küçük boyutuna rağmen, şekil ve bağlantı bilgilerine göre önceden düzenlenmiş girdilerle beslendiği için bu desenleri ağın baştan keşfetmesine gerek kalmaz. Yazarlar sistemlerini 2B ve 3B taramalar ile çok çeşitli organları, görüntüleme cihazlarını ve görev türlerini kapsayan 700.000’den fazla biyomedikal görüntüyü içeren büyük bir kıyaslama seti olan MedMNIST v2 üzerinde test ettiler.

Birçok Veri Türünde Daha Güçlü Sonuçlar

Yeni yaklaşım, 2B dilimler ve 3B hacimler dahil olmak üzere 17 MedMNIST veri kümesinin neredeyse tamamında önde gelen derin öğrenme modellerinden daha iyi performans gösterdi. Özellikle cilt görüntüleri, göz taramaları, kan hücresi lamları ve 3B organ ile nöron verilerinde iyi sonuç verdi; sıklıkla hasta ile sağlıklı vakaların sıralamasında ve doğrulukta kayda değer artışlar sağladı. Görüntü boyutları değiştiğinde, eğitim örnek sayısı az veya çok olduğunda ve teşhis kategorisi sayısı farklılaştığında model güçlü kaldı. Farklı çözünürlüklerde gerçek bir cilt lezyonu koleksiyonunda yapılan testler, daha fazla ayrıntı mevcut olduğunda performansın iyileştiğini, ancak düşük çözünürlüklü görüntülerin bile rakip yöntemlere göre daha iyi işlendiğini gösterdi.

Neden Ayrıştırma Önemli

Matematiksel ayırmanın gerçekten yardımcı olup olmadığını kontrol etmek için yazarlar, manifold ve akış ayrıştırmasını atlayıp orijinal görüntüleri doğrudan kullanan neredeyse aynı bir ağ ile deneyleri tekrarladı. Her durumda, ayrıştırma içeren versiyon daha iyi performans gösterdi; bazen fark belirgindi. Bu, üç akış temelli görünümün sıradan piksellerin sunmadığı yerel doku ve küresel şekil hakkında tamamlayıcı bilgiler yakaladığını ve bu ekstra yapının ağın kararlı desenleri öğrenmesini kolaylaştırdığını düşündürüyor.

Tıbbi Görüntüleri Okumanın Yeni Bir Yolu

Basitçe söylemek gerekirse, bu çalışma yapay zekâyı tıbbi görüntülerdeki temel şekillere ve akışlara saygı duymaya öğretmenin görüntüye dayalı tanı için daha doğru ve verimli araçlara yol açabileceğini gösteriyor. Geometri ve topolojiden gelen fikirleri modern sinir ağlarıyla birleştirerek yazarlar, taramalarda zaten bulunan bilgiden daha iyi yararlanan ve modelin nispeten küçük kalmasını sağlayan bir çerçeve sunuyor. Bu manifold topolojik derin öğrenme yaklaşımı, gelecekteki sistemlerin karmaşık biyomedikal görüntüleri daha güvenilir şekilde okumasına yardımcı olabilir; özellikle veriler çeşitli, sınırlı veya gürültülü olduğunda bile.

Atıf: Liu, X., Su, Z., Shi, Y. et al. Manifold topological deep learning for biomedical data. Nat Commun 17, 4710 (2026). https://doi.org/10.1038/s41467-026-71392-1

Anahtar kelimeler: tıbbi görüntüleme yapay zekâsı, derin öğrenme, topolojik veri analizi, görüntü sınıflandırma, biyomedikal veri