Kuantum denoising otoenkoderi, erken diyabetik retinopati taraması için retina fundus görüntü kalitesini artırıyor

Daha net göz taramalarıyla görmeyi korumak

Diyabetle yaşayan milyonlarca insan için gözün arkasının basit bir fotoğrafı, körlüğün en erken uyarı işaretlerini ortaya çıkarabilir. Ancak bu retina görüntüleri sıklıkla kamera gürültüsü nedeniyle grenli veya bulanıktır ve görmeyi kurtarabilecek çok küçük ayrıntılar görünmesi güç hale gelir. Bu makale, körlükle mücadelede alışılmadık bir müttefiki inceliyor: bugünün derin öğrenmesini yarının kuantum bilgisayarlarıyla harmanlayan ve erken diyabetik retinopati taramaları için daha net göz taramaları üreten yeni bir görüntü temizleme yöntemi.

Göz fotoğraflarındaki küçük ayrıntılar neden önemli

Diyabetik retinopati, yüksek kan şekerinin zaman içinde retinadaki ince kan damarlarına zarar verdiği bir hastalıktır. Hekimler, hastalığı görme kaybı oluşmadan yakalayabilmek için damarların küçük kabarcıklarına (mikroanevrizmalar), ince dallanan kılcal damarlara ve ince doku değişikliklerine bakar. Bu işaretler standart bir fundus fotoğrafında genellikle sadece birkaç piksel genişliğindedir. Ne yazık ki, tarama merkezlerinde elde edilen gerçek dünya görüntüleri sensör kusurları, düşük aydınlatma ve hareket bulanıklığı gibi birçok gürültü türünden etkilenir. Gauss yumuşatma veya medyan filtreler gibi geleneksel temizleme araçları bu gürültünün bir kısmını uzaklaştırabilir—ancak genellikle doktorların en çok önem verdiği hassas yapıları da yok etme eğilimindedirler.

Günümüzün akıllı filtrelerinin sınırları

Son yıllarda derin öğrenme yöntemleri tıbbi görüntü gürültü gideriminin iş atları haline geldi. Konvolüsyonel otoenkoderler, rezidüel ağlar (ResNetler) ve özelleşmiş gürültü giderme CNN’leri “temiz” bir görüntünün nasıl görünmesi gerektiğini öğrenip yeni taramalardan gürültüyü çıkarabilir. Bu modeller iyi çalışsa da dezavantajları vardır. Karmaşık görüntü desenlerini yakalayabilmek için çok katmanlı ve milyonlarca parametreli olmaları gerekir; bu da yoğun hesaplama ve bol miktarda eğitim verisi gerektirir. Etiketli veri kümelerinin nispeten küçük olduğu tıbbi görüntülemede, bu tür büyük modeller ezberleme (overfitting) yaparak eğitim görüntülerini ezberleyebilir ve genelleme yapamayabilir—ve hâlâ ince damarları veya küçük lezyonları bulanıklaştırabilirler.

Kuantum fikirlerini görüntüye dahil etmek

Yazarlar, Kuantum Denoising Otoenkoderi (QDAE) adını verdikleri hibrit bir yaklaşım öneriyor. İlk bakışta standart bir derin öğrenme hattına benziyor: klasik bir encoder her gürültülü göz fotoğrafını sıkıştırıp kompakt bir özellik setine dönüştürüyor ve klasik bir decoder daha sonra temizlenmiş bir görüntü yeniden oluşturuuyor. Ana fark ortada ortaya çıkıyor. Özellikler basit bir matematiksel dar boğazdan geçirilmek yerine QDAE onları kuantum tarzı durumlara çeviriyor ve küçük, parametrik bir kuantum devresiyle işliyor, sonra tekrar geri dönüştürüyor. Fiziksel kuantum makinelerinde süperpozisyon birçok özellik kombinasyonunun aynı anda değerlendirilmesine izin verebilir ve dolanıklık görüntünün uzak parçalarını birbirine bağlayabilir. Bu çalışma sıradan bir GPU üzerinde simüle edilmiş devreler kullansa da aynı yapı modelin nispeten az sayıda eğitilebilir parametreyle pikseller arasındaki zengin, non-lineer ilişkileri temsil etmesine olanak tanıyor.

Daha net görüntüler, korunmuş ince damarlar

QDAE’yi test etmek için araştırmacılar halka açık bir retina görüntü veri seti kullandılar, görüntüleri 224×224 piksele ölçeklediler ve gerçekçi Gauss ile speckle gürültüsü ile yapay olarak bozdular. Yöntemlerini üç güçlü temel modele karşı kıyasladılar: bir konvolüsyonel otoenkoder, ResNet tabanlı bir model ve popüler bir gürültü giderme CNN’si. Tüm modeller aynı veride standart görüntü kalitesi skorları kullanılarak eğitildi ve değerlendirildi. Kuantum destekli model her önemli ölçütte öne çıktı: 38.8 dB tepe sinyal‑gürültü oranı ve 0.96 yapısal benzerlik skoru elde etti; bu değerler klasik ağların çok üzerindeydi. Ayrıca optik disk, makula ve ince damar ağının parlaklığı ve kontrastı dahil olmak üzere görüntülerin orijinal yoğunluk ve doku desenlerini daha iyi korudu. Kuantum adımı görüntü başına yaklaşık yarım saniye gibi küçük bir gecikme eklese de, yalnızca dört kubit ve üç katmandan oluşan sığ devrelerin kullanımı sayesinde toplam hesaplama maliyeti derin CNN’lerle benzer düzeyde kaldı.

Bu hastalar ve klinikler için ne anlama gelebilir

Diyabetli bir kişi için teknik detaylar basit bir fayda etrafında toplanıyor: hem yazılımın hem de uzmanların hastalığı erken aşamada, tedaviyle görme kaybı önlenebilecekken tespit etmeyi kolaylaştıran daha net göz fotoğrafları. QDAE, lezyonları segmentleyen veya hastalık şiddetini derecelendiren mevcut tarama sistemlerine entegre edilebilecek akıllı bir ön‑temizleme aşaması olarak çalışıyor. Kuantum parçası şu anda simüle edildiği için hastanelerin bunu denemek için özel kuantum donanımına ihtiyacı yok, ancak tasarım gelecekteki kuantum aygıtları olgunlaştığında kullanıma hazır. Çalışma hâlâ birçok klinikten ve farklı kameralardan gelen görüntüler üzerinde daha geniş klinik testlere ihtiyaç duyuyor, ancak kuantum‑esinli hesaplamanın rutin göz muayenelerini sessizce iyileştirip nihayetinde görmeyi korumaya nasıl yardımcı olabileceğine dair ilgi çekici bir ipucu sunuyor.

Atıf: Chilukuri, R., P, P., Gatla, R.K. et al. Quantum denoising autoencoder improves retinal fundus image quality for early diabetic retinopathy screening. Sci Rep 16, 5970 (2026). https://doi.org/10.1038/s41598-026-35540-3

Anahtar kelimeler: diyabetik retinopati, retina görüntüleme, görüntü gürültü giderme, kuantum makine öğrenmesi, tıbbi yapay zekâ