Sınır duyarlı ağ tabanlı lomber vertebra segmentasyonu ve spondilolistezis ölçümü

Sırt Taramalarının Daha Akıllı Bir Göze İhtiyacı Var

Bel ağrısı dünya çapında yüz milyonlarca insanı etkiliyor, ancak tıbbi görüntülerde kesin nedeni saptamak genellikle yavaş ve belirsiz olabiliyor. Yaygın bir sorun olan spondilolistezis, alt sırt omurlarından birinin yerinden kayması halinde ortaya çıkar; bu durum sinirlere baskı yaparak şiddetli ağrıya neden olabilir. Hekimler bu kaymayı tespit etmek için BT veya MR görüntülerine güvenir, ancak mevcut araçlar her küçük kemiği doğru şekilde çevreleyemiyor ve kaymanın ne kadar olduğunu hassas biçimde ölçmekte zorlanıyor. Bu çalışma, omur kemiklerini ve sınırlarını daha net “gören” yeni bir yapay zeka sistemi sunuyor; böylece vertebra kaymasının ölçümleri hızlı, otomatik ve güvenilir hale gelebilir.

Günlük Hayatta Omurga Sorunları

Omurganın alt kısmı vücut ağırlığının büyük bölümünü taşır ve her adımda bükülür; bu da onu yıpranmaya özellikle açık kılar. Zamanla diskler incelir, eklemler sertleşir ve kemiksi vertebralar öne veya arkaya kayabilir. Bu kayma—spondilolistezis—belirgin hale geldiğinde sinirlere baskı yaparak ayağa yayılan şiddetli ağrı, güçsüzlük ya da mesane ve bağırsak kontrolü sorunlarına yol açabilir. Hekimler kemikleri net gösterdiği ve çevresindeki yumuşak dokuları ayırt edebildiği için BT taramalarını kullanır. Ancak pratikte uzmanlar hâlâ vertebraları elle izlemek ve açılar ile mesafeleri tahmin etmek zorundadır; bu süreç hem zaman alıcıdır hem de gözlemciler arası değişkenliğe açıktır.

Geleneksel Ölçümler Neden Yetersiz Kalıyor

Standart omurga ölçümleri basit iki boyutlu röntgenler için geliştirildi ve bugünkü daha zengin BT görüntülerine her zaman iyi uymaz. Cobb açısı gibi yöntemler omurga eğriliklerini tanımlamak için tasarlanmış, tek tek vertebraların öne kaymasını ayrıntılı biçimde ifade etmek için değil. Öte yandan otomatik bilgisayar programları genellikle işleri ayrı adımlarda yapar: önce vertebraları segmentler, sonra bu konturları ayrı bir modüle ölçüm için gönderir. Her adım küçük hatalar ekleyebilir; bu hatalar özellikle vertebra kenarları yaşa bağlı değişiklikler nedeniyle düzensiz göründüğünde veya tarama nedeniyle bulanıksa birikir. Sonuç olarak, hem her vertebrayı doğru biçimde çevreleyen hem de klinik açıdan anlamlı kayma ölçümlerini hesaplayan tek, güvenilir bir sistem oluşturmak zor olmuştur.

Kenarları Önemseyen Bir Ağ

Yazarlar, her vertebranın sınırlarına özellikle dikkat eden yeni bir derin öğrenme modeli olan BS‑Net (Boundary Sensitive‑Net) önermektedir. Popüler bir görüntü analiz omurgası üzerine kurulan sistem iki temel bileşen ekler. Birincisi, aynı anda hem her kemiğin içini hem de konturunu tanımayı öğrenen çok görevli bir kenar işleme modülüdür; bu modül, şekil ve kenar kalitesi hakkındaki bilgilerin birbirini güçlendirmesine izin veren bir dikkat mekanizması kullanır. İkincisi ise bağlamsal iki yönlü füzyon modülüdür; bu modül ağın erken katmanlarındaki ince ayrıntılı kenar ipuçlarını derin katmanlardaki daha geniş, yüksek düzey bilgiyiyle birleştirir. Sınır hatalarını açıkça cezalandıran özel bir kayıp fonksiyonuyla birlikte bu modüller, kenarlar düzensiz veya zayıf kontrastlı olduğunda bile BS‑Net’e kemik kenarlarını keskinçe izlemesini öğretir.

Temiz Konturlardan Somut Sayılara

BS‑Net bir BT görüntüsünde her vertebrayı ayırdıktan sonra sistem görüntülerden ölçümlere geçer. Konturları olasılıksal bir düzeltme adımıyla rafine eder, ardından her vertebranın merkezini ve önden-arkaya kenarlarını belirlemek için geometrik teknikler uygular. Merkezleri bulmada en doğru olanın minimum sınırlayıcı dikdörtgen yöntemi olduğu gösterilmiştir. Bu yer işaretleriyle sistem komşu vertebralar arasındaki açıları ve bir kemiğin hemen altındaki kemiğe göre ne kadar kaydığına ilişkin mesafeyi—derinliğinin yüzdesi olarak ifade ederek kliniklerde kullanılan Meyerding derecelendirme ölçeğini yansıtarak—hesaplar. 379 hastadan alınan 783 BT görüntüsü ve dışsal bir MR veri seti üzerinde test edilen BS‑Net, on yerleşik segmentasyon modelinden daha iyi performans gösterdi ve otomatik maskeleri ile uzmanların çizdiği maskeler arasında çok yüksek örtüşme skorları elde etti. Önemli olarak, kayma ölçümleri manuel değerlendirmelerle güçlü bir uyum gösterdi; korelasyon değerleri 0,9’un üzerinde ve rakip yöntemlere göre daha küçük uzaklık hataları vardı.

Hastalar ve Klinikler İçin Anlamı

Basitçe ifade etmek gerekirse çalışma, omurgaya odaklanan bir yapay zekânın alt sırt kemiklerinin daha kesin konturlarını çizebildiğini ve bu konturları vertebranın ne ölçüde kaydığını güvenilir ölçümlere dönüştürebildiğini gösteriyor. Bu, radyologların ve cerrahların problemli kaymaları daha tutarlı biçimde saptamasına, hastalığın ilerlemesini izlemesine ve tedavileri daha büyük güvenle planlamasına yardımcı olabilir; ayrıca zaman tasarrufu sağlayabilir. Yazarlar yöntemin metal implantlı hastalar veya aşırı deformiteleri olanlar gibi çok sıra dışı vakalarla hâlâ zorlandığını ve daha çeşitli veriler üzerinde ek eğitimin gerekli olacağını belirtiyor. Buna rağmen BS‑Net, rutin BT ve MR taramalarından lomber spondilolistezisin tam otomatik, nicel değerlendirilmesine doğru önemli bir adımı temsil ediyor.

Atıf: Ji, D., Qian, F. & Zong, Y. Boundary sensitive-net-based lumbar vertebra segmentation and spondylolisthesis measurement. Sci Rep 16, 13612 (2026). https://doi.org/10.1038/s41598-026-38522-7

Anahtar kelimeler: lomber omurga, spondilolistezis, tıbbi görüntü segmentasyonu, derin öğrenme, vertebra BT analizi