GI yolu organ segmentasyonu için EfficientNetB0 destekli çok katmanlı dikkat DeepLab V3+ ile MR taramalarında

Tümörlere Daha Keskin Hedefleme

Doktorlar sindirim sistemi kanserlerini radyasyonla tedavi ederken ince bir dengeyle karşılaşır: tümöre güçlü bir darbe indirmek, aynı zamanda mide ve bağırsaklar gibi yakınlardaki sağlıklı organları korumak. Bugün, bu organların manyetik rezonans görüntüleme (MR) taramalarında elle sınırlandırılması hastada günde bir saate kadar sürebilir. Bu çalışma, MR görüntülerinde bu organların otomatik olarak izlerini çıkaran bir bilgisayarlı görü sistemi sunuyor; bu da daha hızlı, daha hassas tedavi planlaması ve hastalar için daha az yan etki vaat ediyor.

Bağırsak Haritasının Önemi

Gastrointestinal kanserler yaygın ve sıklıkla ölümcül olup genel sağkalım oranları yaklaşık %30 düzeyindedir. Radyoterapi tedavinin temel taşlarından biridir, ancak sindirim kanalı karın içinde sıkışık durumdadır ve sağlıklı organlar günden güne hafifçe yer değiştirebilir. Mide, ince bağırsak ve kalın bağırsağı zarar görmekten korumak için uzmanların her tedavi oturumu öncesinde bu yapıların tam olarak nerede olduğunu görmesi gerekir. Elle sınır çizme yavaş ve uzmanlar arasında değişkenliğe açıktır. Bu sınırları otomatik ve güvenilir bir şekilde çizmenin yolu, randevuları kısaltabilir, doktorların daha fazla hastayı tedavi etmesine izin verebilir ve radyasyon dozlarının güvenliğini ile doğruluğunu artırabilir.

Bilgisayarlara MR Okumayı Öğretmek

Araştırmacılar, MR taramalarında üç ana sindirim organını tanımayı öğrenen bir yapay zeka modeli geliştirdiler: mide, ince bağırsak ve kalın bağırsak. Bunu, karın MR’larında ayrıntılı organ sınırlarına sahip tek kamuya açık koleksiyon olan UW–Madison GI Tract veri kümesi üzerinde eğittiler. Bu veri kümesi 85 hastadan alınmış 38.496 görüntü ve her organın nerede göründüğünü —ya da organın bulunmadığı yerleri— işaretleyen özenle hazırlanmış etiketleri içeriyor. Göreceli olarak küçük bir örneklemden en iyi şekilde yararlanmak için ekip veriyi hasta bazında böldü (böylece model aynı kişiyi hem eğitimde hem testte görmüyor) ve görüntüleri ters çevirme, döndürme, parlaklık artırma ve hafif biçimde çarpıtma yoluyla genişletti. Bu kontrollü değişiklikler, sistemin hasta pozisyonu, görüntü parlaklığı ve ince şekil farklılıkları gibi gerçek dünya değişkenlikleriyle başa çıkmasına yardımcı oluyor.

Yeni Yapay Zeka Modeli Desenleri Nasıl Görüyor

Modelin içinde, modern görüntü tanımadan birkaç fikir bir araya getirilerek anatomiyi “görme” yeteneği keskinleştiriliyor. Öncelikle, EfficientNet B0 adındaki kompakt bir ağ her görüntüyü tarar ve hesaplama gereksinimlerini makul tutarken basit kenarlardan karmaşık organ şekillerine kadar görsel özellik katmanları oluşturur. Ardından DeepLab V3+ olarak bilinen bir yapı görüntüyü birden çok ölçekte inceler; bu, hem ince ayrıntıları hem de genel bağlamı anlamak için yakınlaştırıp uzaklaştırmaya benzer. Bunun üzerine yazarlar birkaç ayrıntı düzeyinde bir “dikkat” mekanizması ekliyor. Basitçe söylemek gerekirse, dikkat sistemin görüntünün hangi kısımlarına ve hangi iç sinyallere daha fazla ağırlık vermesi gerektiğine karar vermesine yardım eder; böylece örneğin midenin ince bağırsak döngülerinden ayırt edilmesini sağlayan ince ama önemli ipuçlarına odaklanabilir. Son olarak, bir çözücü (decoder) aşaması bu ipuçlarını temiz, tam boyutlu üç organ maskesine dikiyor.

Doğruluk ve Verimliliği Test Etmek

Ekip sistemi nasıl eğittiklerini sistematik olarak ayarladı—farklı optimizasyon yöntemlerini, eğitim turu sayılarını ve doğrulama için veri bölme yollarını denediler. En iyi yapılandırmaları RMSprop adlı bir optimize edici, dört katlı çapraz doğrulama ve 30 eğitim turu kullandı. Ayrı tutulan test hastalarında model genel olarak piksellerin %99’undan fazlasını doğru etiketledi ve uzmanların çizdiği sınırlarla çok güçlü örtüşme gösterdi. Yaygın kullanılan bir örtüşme ölçüsü olan Dice skoru üç organın ortalaması alındığında yaklaşık %94’e ulaşırken, ilişkili bir ölçü olan Intersection over Union yaklaşık %92’ye ulaştı. Hastane kullanımı için aynı derecede önemli olan nokta, sistemin nispeten hafif olması: yaklaşık 8,3 milyon eğitilebilir parametreye sahip ve tipik bir 224×224 MR dilimini yaklaşık 31 milisaniyede işleyebiliyor; günlük tedavi planlaması sırasında neredeyse gerçek zamanlı desteğe yetecek hızda.

Bu Hastalar İçin Ne Anlama Gelebilir

Sıradan ifadeyle, bu çalışma dikkatle tasarlanmış bir yapay zekânın MR görüntülerinde midesi ve bağırsakları güvenilir biçimde izleyebildiğini, uzman performansına ulaşırken çok daha hızlı ve tutarlı çalıştığını gösteriyor. Bu yetenek, radyasyon onkologlarının hassas dokular etrafında ışınları daha kesin ayarlamasına yardımcı olabilir; böylece tedavi sırasında istenmeyen hasar ve yan etkiler azalır. Mevcut model tek bir merkezden alınan taramalar ve çoğunlukla sağlıklı anatomiler üzerinde eğitilmiş olsa da, hastalıklı organları ve birden fazla hastaneden verileri içeren gelecekteki sistemler için sağlam bir temel sunuyor. Daha fazla test ve iyileştirmeyle, bu tür araçlar radyoterapi planlama odasında rutin yardımcılar haline gelebilir; hayati ışınların tam olarak gerektiği yere gitmesini sessizce sağlayarak.

Atıf: Sharma, N., Gupta, S., Al-Yarimi, F.A.M. et al. Multi-level attention DeepLab V3+ with EfficientNetB0 for GI tract organ segmentation in MRI scans. Sci Rep 16, 7546 (2026). https://doi.org/10.1038/s41598-026-38247-7

Anahtar kelimeler: gastrointestinal kanser, MR segmentasyonu, radyoterapi planlaması, tıpta derin öğrenme, tıbbi görüntü analizi