Aterosklerotik plak segmentasyonu için derin öğrenme tabanlı açık bir B-mod ultrason veritabanı

Gizli arter sorunlarını tespit etmenin önemi

Kalp krizi ve inme sıklıkla önceden belirti göstermeden ortaya çıkar, ancak tehlike, beyin ve kalbe kan sağlayan atardamarları daraltan yağlı birikintiler olan plaklar yavaşça birikerek gelişir. Doktorlar boyundaki ultrason taramalarıyla bu plakları görebilir, ancak her görüntüdeki şekli elle dikkatlice izlemek zaman alıcıdır ve insan hatasına açıktır. Bu makale, bilgisayarların bu plakları otomatik olarak bulmayı öğrenebilmesini sağlayan, uzman etiketli açık bir görüntü koleksiyonunu tanıtıyor; uzun vadeli amaç, inme ve kalp krizi risk değerlendirmesini daha hızlı, daha tutarlı ve daha yaygın hale getirmektir.

Arterdeki birikime daha yakından bakış

Ateroskleroz, yağlar ve inflamatuar hücreler damar duvarında biriktikçe orta ve büyük arterlerin yavaşça sertleşmesi ve kalınlaşmasıdır. Bu durum boyundaki karotis arterlerinde meydana geldiğinde, beyne giden kan akışını azaltabilir ve inme riskini artırabilir. Bir kişinin riskini tahmin etmenin güçlü yollarından biri, karotis boyunca plakların kapladığı toplam alanı ölçmektir. Ancak doktorlar veya bilgisayarlar plak alanını ölçmeden önce, her ultrason görüntüsünde plağı birinin çevrelemesi gerekir; bu görev, yoğun klinik ortamlarında sürdürülebilirliği zor olan eğitim, zaman ve tutarlılık gerektirir.

Bilgisayarların daha iyi örneklere neden ihtiyacı var

Modern yapay zeka, özellikle derin öğrenme, uzmanların doğru sınırları çizdiği yeterli sayıda örnek gösterildiğinde plakları otomatik olarak çevrelemeyi öğrenebilir. Geçmişteki birçok araştırma projesi bu yöntemleri başarıyla kullandı, ancak genellikle idealize edilmiş koşullar altında: tek, belirgin bir plaktan özenle kırpılmış görüntüler; hiç plak olmayan görüntülerin veya aynı anda birden fazla plak içeren örneklerin yer almadığı veri kümeleri. Bu özel veri kümeleri genellikle paylaşılmıyor, bu da diğer bilim insanlarının sonuçları yeniden üretmesini veya bir algoritmanın günlük, karmaşık klinik gerçeklikte işe yarayıp yaramayacağını bilmesini zorlaştırıyor.

Gerçekçi bir görüntü koleksiyonu oluşturmak

Bu boşluğu kapatmak için yazarlar, Arjantin’de yüksek riskli hasta grubundan alınmış 541 karotis ultrason görüntüsünden oluşan bir veritabanı derleyip temizlediler. Her görüntü için uzmanlar, plak bölgelerinin işaretlendiği eşleşen bir “maske” görüntüsü sağladı; böylece orijinal siyah‑beyaz tarama ile plağın basit siyah‑beyaz konturundan oluşan çiftler oluşturuldu. Ekip, artı işaretleri, sayılar ve cihaz işaretleri gibi görsel karışıklıkları dikkatle kaldırdı, tüm görüntüleri kare formata standartlaştırdı ve her çiftteki iki görüntünün mükemmel hizalanmasını sağladı. Nihai koleksiyon kasıtlı olarak plak olmayan taramaları, tek veya çoklu plak içeren taramaları ve görüntü merkezinden uzak konumlanmış plakları içeriyor; bu, doktorların gerçekte gördüklerini daha iyi yansıtıyor.

Sinir ağlarının konturları çizmesine izin vermek

Veritabanının gerçekten algoritma geliştirmeye uygun olup olmadığını test etmek için araştırmacılar, desenleri tespit etmek için farklı omurga (backbone) kullanan üç farklı sürümünü eğittikleri popüler bir görüntü‑segmentasyon ağı olan U‑Net’i kullandılar. Eğitim verilerini görüntüleri çevirip hafifçe kaydırarak genişlettiler, ardından üç modeli pikseller bazında plak olup olmadığına oy veren bir “ansambl” içinde birleştirdiler. Plağı içeren görüntülerde bu ansambl, uzman çizimleriyle makul düzeyde örtüşme sağladı; bu, farklı insan uzmanlarının birbirleriyle elde edebileceğine benzer bir seviyedir. Plak içermeyen görüntülerde birleşik sistem nispeten az yanlış alarm üretmiş; bu da sistemin sadece plağın neye benzediğini değil, ne zaman hiç plak olmadığını da öğrendiğini düşündürüyor.

Gelecekteki bakım için bunun anlamı

Uzman olmayanlar için ana mesaj şudur: bu açık veritabanı, dağınık ve erişilmesi zor klinik görüntüleri, herkesin plak bulma algoritmaları eğitmek ve test etmek için kullanabileceği paylaşılan bir kaynağa dönüştürüyor. Performans henüz kusursuz değil ve belirli hasta grubu ve görüntüleme ekipmanından etkileniyor olsa da, çalışma bilgisayarların daha gerçekçi ve değişken koşullar altında bile uzman düzeyine yaklaşabilecek izler çizebileceğini gösteriyor. Hem görüntüleri hem de değerlendirme kodunu ücretsiz erişime açarak, çalışma doktorların plak yükünü hızlı ve tutarlı şekilde ölçmelerine yardımcı olabilecek, daha sağlam araçların geliştirilmesi için zemin hazırlıyor; bu da kalp krizi ve inme için önleme stratejilerini iyileştirebilir.

Atıf: Rulloni, V.S., Perez, H.A., Dori, T. et al. An open B-mode ultrasound database for deep learning-based atherosclerotic plaque segmentation. Sci Data 13, 702 (2026). https://doi.org/10.1038/s41597-026-06952-7

Anahtar kelimeler: ateroskleroz, karotis ultrasonu, tıbbi görüntüleme yapay zeka, plak segmentasyonu, kardiyovasküler risk