İyileştirilmiş YOLOv11 Tabanlı Tespitle Pediatrik Suprakondiler Humerus Kırıkları için Bir Kıstas Röntgen Veri Kümesi

Çocukların kırık dirsekleri için bunun önemi

Bir çocuk düşüp dirseğini incittiğinde, doktorlar genellikle kemiğin kırılıp kırılmadığına ve yaralanmanın ne kadar ciddi olduğuna karar vermek için röntgen görüntülerine güvenir. Dirsek çevresindeki bazı kırıklar çok küçük, zor görülebilir ve deneyimli klinisyenler bile kolayca kaçırabilir. Bu çalışma, çocukların dirsek röntgenlerinden oluşan büyük ve titizlikle doğrulanmış bir koleksiyon ile bu zor kırıkları tespit etmek üzere tasarlanmış daha akıllı bir bilgisayarlı görme sistemini tanıtıyor; amaç, acil servislerde ve kliniklerde daha hızlı ve daha güvenilir bakım sağlanmasına destek olmaktır.

Yaygın bir çocukluk çağı yaralanmasına yakından bakış

Çocuklardaki tüm dirsek yaralanmaları arasında, eklem hizasının hemen üstündeki suprakondiler humerus kırıkları en sık görülenlerdir. Genellikle çocukların açık bir el üzerine düşmesiyle oluşurlar. Bu kırıklar erken dönemde tanınmaz ve tedavi edilmezse, sinir ve damar hasarı, dolaşımı tehdit eden kas şişliği ve kol fonksiyonunu etkileyen yanlış kaynama gibi ciddi komplikasyonlara yol açabilir. Günümüzde tanı, çocukların kemikleri hâlâ gelişim sürecinde olduğundan ve kırık çizgileri normal yapılar arasında silik veya gizli olabileceğinden, dirsek röntgenlerini yorumlayan insan uzmanlara dayanır ve bu zorlayıcı olabilir.

Yüksek kaliteli bir röntgen kütüphanesi oluşturmak

Bu zorluğu ele almak için araştırmacılar PediaSHF-DX adında yeni ve açık bir veri kümesi oluşturdu. Bu küme, 11 yıllık bir dönemde büyük bir çocuk hastanesinde görülen 5.163 pediatrik hastaya ait 10.325 dirsek röntgeni görüntüsü içeriyor. Görüntüler farklı yaşları, görüntüleme açılarının çeşitliliğini ve gerçek dünya görüntüleme koşullarını kapsayarak koleksiyonu gerçekçi ve çeşitli kılıyor. Çekirdek eğitim seti için iki kıdemli ortopedi cerrahı, 2.015 görüntü üzerinde kırık bölgelerini bağımsız olarak işaretledi, ardından farklılıkları çapraz kontrol edip uzlaştırdı. Bu çift-kör, iki aşamalı inceleme süreci, kişisel önyargıyı azaltmak ve bilgisayar modellerini eğitmede kullanılan “gerçek zemin”in klinik gerçeklikle yakından örtüşmesini sağlamak için tasarlandı. Kalan 8.310 görüntü ise etiketli alt küme üzerinde eğitilmiş algoritmaların yeni ve görülmemiş vakalarda nasıl performans gösterdiğini test etmek için ayrı tutuldu.

Bilgisayara küçük çatlakları görmeyi öğretmek

Bu veri kümesinin üzerine ekip, YOLOv11 olarak bilinen popüler bir nesne tespit sisteminin geliştirilmiş bir versiyonunu inşa etti. Çocukların dirsek kırıkları genellikle küçük, kenarları bulanık ve kemiğin normal iç desenleriyle aynı yönde olabileceğinden, standart bir algoritma bunları arka plandan ayırt etmekte zorlanabilir. Bunu aşmak için yazarlar modelin iç yapısının bazı bölümlerini yeniden tasarladı. Görüntünün daha zengin iç temsillerini daha düşük hesaplama maliyetiyle oluşturabilen yükseltilmiş bir özellik-çıkarım bloğu eklediler ve ağın dikkatini tüm görüntüye yaymak yerine küçük yamalara ve ince dokulara daha yakından odaklamasını sağlayan bir “lokal dikkat” mekanizması yerleştirdiler. Ayrıca farklı ölçeklerdeki ayrıntıların daha etkili şekilde birleştirilmesi amacıyla katmanlar arasındaki bilgi akışını da ayarladılar.

Sistem ne kadar iyi performans gösteriyor?

Derlenmiş eğitim görüntüleri kullanılarak geliştirilmiş model eğitildi ve sonra büyük bağımsız test kümesi üzerinde değerlendirildi. Eğitim sırasında tüm hata ölçümleri düzenli olarak düştü ve düzleşti; bu da sistemin aşırı öğrenme olmadan anlamlı desenleri öğrendiğini gösteriyor. Hızlandırılmış iki aşamalı bir tespitçi olan Faster R-CNN ve transformere dayalı bir sistem olan DETR gibi diğer bilinen tespit yöntemleriyle karşılaştırıldığında, geliştirilmiş YOLO modeli kırık bölgelerini tanımlamada en yüksek doğruluğa ulaştı. Bileşenlerin eklendiği veya çıkarıldığı dikkatli “ablasyon” testleri, özellikle lokal dikkat modülü ve ayarlanmış bilgi yolları olmak üzere her tasarım değişikliğinin ölçülebilir kazanç sağladığını gösterdi. Birlikte ele alındıklarında, bu değişiklikler tek başlarına sağladıklarından daha fazla performans artışı getirdi; bu da veri kümesinin ince mimari iyileştirmelerin avantajlarını ortaya çıkaracak kadar ayrıntılı olduğunu gösterir.

Daha geniş kullanım için veri ve araç paylaşımı

Modelin kendisinin ötesinde, yazarlar etik ve açıklık konularına titizce dikkat etti. Tüm görüntüler orijinal hastane formatlarından dönüştürüldü, kişisel tanımlayıcı bilgilerden arındırıldı ve dahil edilmeden önce görüntü kalitesi açısından tarandı. Veri kümesi ham eğitim görüntüleri, cerrah anotasyonları, doğrulama görüntüleri ve model çıktısı için açıkça etiketlenmiş klasörlere düzenlendi ve ön işleme, eğitim ve görselleştirme için kodla birlikte tüm materyal halka açık bir platformda ücretsiz olarak paylaşılmıştır. Bu yapı, diğer araştırmacıların çalışmayı tekrarlamasını veya pediatrik kırık tespiti ve ilgili görevler için kendi algoritmalarını geliştirmesini kolaylaştırmayı amaçlamaktadır.

Gerçek dünya bakımına etkisi

Uzman olmayanlar için ana mesaj, çalışmanın hem büyük, güvenilir bir pediatrik dirsek röntgenleri seti hem de küçük, kolayca kaçırılabilecek kırıkları yakalayacak şekilde ayarlanmış bir yapay zekâ sistemi sunduğudur. Bu tür araçlar doktorların yerini almak için tasarlanmamış olsa da, görüntü üzerinde şüpheli bölgeleri işaret ederek ikinci bir göz görevi görebilir ve yoğun kliniklerde veya daha az uzman bulunan hastanelerde atlanan yaralanmaları azaltmaya yardımcı olabilir. PediaSHF-DX veri kümesini ve ilişkili kodu açıkça paylaşarak yazarlar, daha güvenilir, çocuk odaklı görüntüleme yapay zekâsının geliştirilmesini hızlandırmayı ve dünya genelinde daha güvenli, tutarlı kırık tanısını desteklemeyi hedefliyorlar.

Atıf: Xiong, Z., Zheng, K., Chen, H. et al. A Benchmark X-ray Dataset for Pediatric Supracondylar Humerus Fractures with Improved YOLOv11-Based Detection. Sci Data 13, 641 (2026). https://doi.org/10.1038/s41597-026-07029-1

Anahtar kelimeler: pediatrik kırıklar, dirsek röntgeni, tıbbi görüntüleme yapay zekâsı, nesne tespiti, klinik veri kümesi