RVO-ME: Retina Ven Tıkanıklığında Maküler Lezyonların Segmentasyonu ve Tespiti İçin Çift Görevli OCT Veri Kümesi

Görme için neden önemli

Gözün arkasındaki büyük bir ven tıkandığında, görme aniden bulanıklaşabilir veya kaybolabilir; çoğu kez uyarı olmadan. Doktorlar artık retina üzerindeki şişlik ve hasarı görmek için optik koherens tomografi (OCT) adlı güçlü bir görüntüleme tekniğine güveniyor. Bu makale, bilgisayarların bu taramaları okumayı öğrenmesine yardımcı olan, titizlikle oluşturulmuş bir görüntü koleksiyonunu tanıtıyor; uzun vadeli hedef ise görme kaybı riski taşıyan kişiler için daha hızlı ve daha doğru tanı ile tedavi planlaması yapmak.

Aniden görme kaybının yaygın bir nedeni

Retinal ven tıkanıklığı, göze ilişkin en önde gelen damar hastalıklarından biridir ve dünya genelinde tahmini 28 milyon kişiyi etkiler. Bir retinal ven tıkandığında, sıvı retinanın merkezi bölgesi olan makulaya sızar; bu da maküler ödem ve bulanık görmeye yol açar. VEGF adlı bir sinyal molekülünü engelleyen ilaçlar tedavide büyük ilerleme sağladı, ancak tüm hastalar iyi yanıt vermiyor. Bu nedenle doktorlar, kimin en çok yarar sağlayacağını ve görmenin zaman içinde nasıl değişeceğini tahmin edebilecek ince işaretleri OCT taramalarında arar. Yapay zekanın bu taramaları okumasındaki ilerleme, şimdiye dek basit bir sorundan yavaşladı: bu hastalığa özgü, yüksek kaliteli ve uzman etiketi taşıyan yeterli sayıda görüntü yoktu.

Ayrıntılı bir görsel kütüphane oluşturmak

Araştırma ekibi, RVO‑ME adını verdikleri yeni bir veri kümesi oluşturdu; bu küme 2019–2024 yılları arasında Çin’de tek bir hastaneden toplanan 130 hastanın 146 gözüne ait makuladan alınmış 3.012 OCT kesit görüntüsünden oluşuyor. Her görüntü, düşük kaliteli taramaları veya diğer ciddi retinal durumları dışlamak için sıkı bir elemeden geçirildi. Tüm kişisel bilgiler kaldırıldı ve hastalar görüntülerinin araştırma ve halka açık bir veri kaynağında kullanılmasına yazılı onay verdi. Tarama görüntüleri tedavi öncesi ve sonrası dönemleri kapsıyor; bu da hastalığın ve komplikasyonlarının günlük klinik uygulamadaki görünümüne geniş bir bakış sağlıyor.

Her taramadaki küçük ipuçlarını işaretlemek

Bu görsel kütüphaneyi bilgisayarlar için bir eğitim alanına dönüştürmek üzere, yazarların görme için en çok önem taşıyan ana işaretleri elle izlemesi gerekiyordu. Üç genç oftalmolog, retinanın içindeki ve altındaki sıvı ceplerini çevrelemek, iki önemli ışık‑yansıtan bandı ince çizgilerle işaretlemek ve hiperreflektif odaklar olarak bilinen küçük parlak noktalar üzerine nokta koymak için özel yazılımlar kullandı. Bu işaretler daha sonra her etiket setini derecelendiren ve düşük kaliteli çalışmaları düzeltme için geri gönderen kıdemli bir retina uzmanı tarafından kontrol edildi ve düzeltildi. Ölçekli çalışmaya başlamadan önce ekip, stajyerlerin aynı görüntüleri farklı günlerde etiketlediği bir tutarlılık egzersizi yaptı; bu, özellikle daha büyük sıvı alanları için işaretlerin büyük ölçüde uyumlu olduğunu doğruladı. Daha ince, hastalıklı gözlerde kolayca bulanıklaşan ipliksi bantlara yönelik ek eğitim verildi.

Uzman işaretlerinden akıllı makinelere

Son veri kümesinde, her OCT görüntüsünün her pikselin ya arka plana ya da dört ana yapıdan birine ait olduğu eşleyen bir “maske” görüntüsü ve tespit görevleri için her küçük parlak noktanın saklandığı bir dosyası bulunuyor. Yazarlar, aynı hastanın hem eğitim hem test gruplarında yer almasını önleyerek bilgisayarların bireysel gözleri ezberlemesini engellemek için görüntüleri ayrı eğitim ve test gruplarına böldü. Ardından bu koleksiyon üzerinde birkaç popüler görüntü analiz algoritmasını test ettiler. Daha büyük sıvı bölgeleri için modern segmentasyon modelleri sağlam doğruluk gösterdi ve genel olarak U‑Net++ yaklaşımı en iyi performansı sergiledi. Nokta biçimindeki parlak noktalar için ise, daha karmaşık iki aşamalı bir tespit yöntemi (Faster‑RCNN), tek aşamalı daha hızlı bir modeli açık ara geride bıraktı; bu da gürültülü tıbbi görüntülerde dağınık haldeki minik özellikleri bulmanın ne kadar zor olduğunu yansıtıyor.

Bu kaynak gelecekteki göz bakımını nasıl şekillendirebilir

Bu veri kümesi tek başına hastaların nasıl tedavi edildiğini değiştirmiyor ve sınırlamaları var: tüm taramalar tek bir OCT cihazı tipinden ve tek bir etnik kökene ait hastalardan geliyor. Buna karşın önemli bir boşluğu dolduruyor: şimdiye dek hem sıvı ceplerini hem de ince retinal yapılarını küçük parlak noktalarla birlikte yakalayan, ven kaynaklı şişmeye adanmış kamuya açık bir maküler OCT koleksiyonu yoktu. Görüntüleri, uzman işaretlerini ve örnek bilgisayar analiz kodunu açıkça erişilebilir kılarak yazarlar dünya çapında araştırmacılar için ortak bir referans noktası sağlıyor. Bu tür verilerle eğitilmiş daha iyi algoritmalar, bir gün göz doktorlarının hastalığın şiddetini hızla ölçmesine, hangi hastaların enjeksiyonlardan en çok yarar sağlayacağını tahmin etmesine ve iyileşmeyi daha hassas takip etmesine yardımcı olabilir; nihayetinde retina ven tıkanıklığı nedeniyle görme kaybı riski taşıyan kişiler için daha kişiselleştirilmiş ve verimli bakım desteklenmiş olur.

Atıf: Xiong, F., Li, G., Gao, W. et al. RVO-ME: A Dual-Task OCT Dataset for Segmentation and Detection of Macular Lesions in Retinal Vein Occlusion. Sci Data 13, 349 (2026). https://doi.org/10.1038/s41597-026-06695-5

Anahtar kelimeler: retinal ven tıkanıklığı, maküler ödem, optik koherens tomografi, tıbbi görüntü veri kümesi, göz biliminde yapay zeka