Hibrit bir Transformer–U-Net mimarisi kullanılarak federatif akciğer nodülü segmentasyonu

Neden küçük akciğer lekelerini fark etmek önemli

Akciğer kanseri dünya genelinde en ölümcül kanserdir, ancak en erken uyarı işaretleri—BT taramalarında nodül olarak adlandırılan küçük lekeler—kolayca gözden kaçabilir. Radyologlar binlerce ayrıntılı görüntüyü incelemek zorunda kalır ve hastaneler arasındaki hasta verilerinin daha akıllı bilgisayarlar eğitmek için paylaşılması sıkı gizlilik kurallarıyla genellikle engellenir. Bu çalışma, hastanelerin ham hasta taramalarını asla değiştirmeden birlikte çalışarak bir yapay zekâyı (YZ) akciğer nodüllerini doğru şekilde bulacak biçimde eğitmelerine olanak tanıyan bir yöntemi tanıtıyor.

Tarama paylaşmadan bilgiyi paylaşmak

Günümüz BT tarayıcıları akciğer ayrıntılarını milimetrenin kesirlerine kadar yakalayabilir, ancak bu hassasiyet insanın tek başına inceleyemeyeceği bir görüntü seli oluşturur. Bilgisayar destekli araçlar yardımcı olabilir, ancak sıradışı nodülleri kaçırmamak için büyük, çeşitli veri kümelerine ihtiyaç duyarlar. HIPAA ve GDPR gibi yasalar, hastanelerin hasta verilerini tek bir yerde toplamasını engeller. Yazarlar bu ikilemi çözmek için federated learning adlı bir strateji kullanıyor. Her hastane aynı modelin bir kopyasını kendi BT taramalarında yerel olarak eğitiyor ve sadece görüntüler değil, yalnızca modelin öğrendiği parametreleri merkezi bir sunucuya gönderiyor. Sunucu bu parametreleri ortalayıp geliştirilmiş bir “küresel” modele dönüştürüyor ve geri gönderiyor; böylece tüm siteler hasta verilerini kurum içinde tutarken birbirlerinin deneyimlerinden faydalanıyor.

YZ’yi eğitmeden önce görüntüleri temizlemek

Araştırma, klinik olarak önemli olan ancak her BT diliminde yalnızca birkaç piksel kaplayan ve bu yüzden bilgisayarların gözünden kolayca kaçabilen 15–25 milimetre arasındaki “solid” akciğer nodüllerine odaklanıyor. Herhangi bir öğrenme başlamadan önce her BT dilimi iki aşamalı bir temizleme işleminden geçirilir. İlk olarak, CLAHE adı verilen bir kontrast artırma yöntemi zayıf nodülleri gürültüyü büyütmeden aydınlatır ve ince lekelerin daha belirgin olmasını sağlar. İkinci olarak, görüntüler yeniden ölçeklenir, böylece tüm piksel değerleri 0 ile 1 arasında olur ve farklı makineler ve hastanelerden gelen taramalar arasında modele tutarlı bir parlaklık ölçeği sağlanır. Bu standartlaştırılmış ön işleme, YZ’nin tarayıcı farklılıkları tarafından şaşırmak yerine küçük, düşük kontrastlı nodüllere odaklanmasına yardımcı olur.

İki görme biçimini harmanlamak: yakın ayrıntı ve geniş bağlam

Sistemin özünde modern YZ’den iki güçlü fikri harmanlayan hibrit bir ağ vardır: görüntülerde nesne işaretlemede üstün olan U-Net ve başlangıçta dil için geliştirilen ama şimdi görsel görevlerde yaygın olarak kullanılan Transformer. Modelin U şeklindeki kısmı ilk olarak küçük filtre katmanları aracılığıyla görüntüyü sıkıştırır; bunlar yerel dokuda—kenarlar, noktacıklar ve ince sınırlar—uzmandır; ardından nodüle ait pikselleri işaretleyen tam boyutlu bir maske yeniden oluşturulur. Residual bağlantılar ve atlama linkleri ince detayları ağ boyunca taşır, böylece yol boyunca kaybolmazlar. Bu U şeklinin ortasında, görüntü parçalarını bir cümledeki tokenlar gibi ele alan ve uzak bölgeler arasındaki ilişkileri kendine dikkat (self‑attention) ile kuran bir Transformer “boğazı” bulunur. Bu, modelin hem küçük nodülü hem de onun daha geniş anatomik çevresini görmesine olanak verir; bu, nodüller yakın damarlar veya göğüs yapılarıyla kaynaştığında hayati öneme sahiptir.

Nadir hedefler ve düzensiz verilerle başa çıkmak

Yazarlar ayrıca tıbbi görüntülemedeki önemli bir sorun olan sınıf dengesizliğiyle ilgileniyor. Akciğer BT’sinde neredeyse her piksel arka plandır; nodül pikselleri nadirdir. Standart eğitim, her şeyi arka plan olarak etiketleyen modelleri ödüllendirmeye meyillidir. Bunu dengelemek için ekip iki kayıp fonksiyonunu birleştirir—tahmin edilen ve gerçek nodüller arasındaki örtüşmeyi doğrudan ödüllendiren Dice kaybı ve sınıflandırması zor piksellere ekstra vurgu yapan Focal kaybı. Bu Dice–Focal karışımı, modelin küçük, zor nodüllere ve net sınırlara dikkat etmesini teşvik eder. LUNA16 açık veri kümesi üzerinde beş simüle edilmiş hastane “istemcisi” ile kurulan federatif düzeneklerinde sistem, solid nodüller için 0,93’e varan Dice skorları elde etti ve hem kaçırılan nodül hem de yanlış alarmlar oranlarında düşük değerler gösterdi. Görüntü kalitesi ve nodül görünümü farklılıklarına rağmen performans çoğu istemcide güçlü kaldı, ancak bulanık veya karışık yoğunluklu nodüller hâlâ zorlu olmaya devam etti.

Gelecekteki akciğer taramaları için bunun anlamı

Kısacası, bu çalışma hastanelerin hasta taramalarını ağ üzerinden göndermeden birlikte yüksek kaliteli bir nodül bulma YZ’si eğitebileceğini gösteriyor. Dikkatli görüntü temizliği, hem ayrıntıyı hem bağlamı gören bir model ve nadir hedeflere uyarlanmış bir eğitim stratejisinin birleşimiyle çerçeve, gerçekçi çok-hastaneli bir ortamda solid akciğer nodüllerini güvenilir şekilde sınırlıyor. Çok hafif veya kısmen solid nodüllerle başa çıkmak için daha fazla çalışma gerekse de, çalışma hem doğru hem de gizliliği koruyan akciğer kanseri tarama araçlarına işaret ediyor—büyük veri YZ’sinin faydalarını hasta görüntülerinin gizliliğini tehlikeye atmadan hastalara ulaştırıyor.

Atıf: Turjya, S.M., Fawakherji, M. Federated lung nodule segmentation using a hybrid transformer–U-Net architecture. Sci Rep 16, 5228 (2026). https://doi.org/10.1038/s41598-026-35243-9

Anahtar kelimeler: akciğer kanseri taraması, tıbbi görüntü segmentasyonu, federated learning, BT akciğer nodülleri, gizliliği koruyan yapay zeka