Hız ve tanısal doğruluğu artırmak için dinamik hassasiyet optimizasyonlu optimize ResNet50 ile beyin tümörü sınıflandırması

Daha Akıllı Taramalar, Daha Hızlı Yanıtlar

Beyin tümörleri, bir kişinin karşılaşabileceği en korkutucu teşhislerden biridir ve bunların bulunup sınıflandırılmasında kurtarılan her saat önem taşıyabilir. Bu çalışma, daha az hesaplama gücü kullanırken neredeyse kusursuz doğrulukla beyin MRG görüntülerini okuyan yeni bir yapay zeka (YZ) sistemi sunuyor. Hız, kesinlik ve verimlilik kombinasyonu, gelişmiş tanısal desteği yalnızca büyük hastanelere değil, daha mütevazı donanıma sahip kliniklere de ulaştırmaya yardımcı olabilir.

Beyin Tümörü Tespitini Neden Zorlaştırıyor?

Beyin tümörleri birçok şekil, boyut ve lokasyonda ortaya çıkar ve uzmanlar bile MRG görüntülerindeki ince farklılıkları ayırt etmekte güçlük çekebilir. Kafatası kapalı ve sert bir alan olduğundan, herhangi bir anormal büyüme hayati beyin fonksiyonlarını bozabilir; bu yüzden erken ve doğru teşhis hayati önem taşır. MRG, zararlı radyasyon olmadan yumuşak doku hakkında ayrıntılı görüntüler sağladığı için tercih edilen görüntüleme aracıdır. Ancak veri kümeleri büyüdükçe ve tümör tipleri daha ince sınıflandırıldıkça, radyologlar inceleyecek çok sayıda görüntüyle karşı karşıya kalır. Bu durum, tümörleri otomatik olarak işaretleyip sınıflandırabilen bilgisayar sistemlerine olan ilgiyi artırdı; böylece doktorlar daha hızlı çalışabilir ve aksi takdirde kaçırılabilecek ayrıntıları yakalayabilir.

Kanıtlanmış Bir YZ İş Atının Üzerine İnşa Etmek

Araştırmacılar, günlük fotoğraflardaki desenleri tanımada başarılı olan yaygın bir derin öğrenme modeli olan ResNet50 ile başladılar. ResNet50, özel “kısayol” bağlantıları sayesinde çok derin olabilmesi ve eğitim sırasında kararsız hale gelmemesi nedeniyle popülerdir. Ancak standart versiyon üç renkli görüntüler ve büyük veri kümeleri için tasarlanmıştır ve çok fazla bellek tüketir—gri tonlamalı MRG görüntüleri ve tipik hastane donanımı için sorunlara yol açar. Ekip, ResNet50’nin ilk katmanını tek kanallı MRG görüntülerini doğrudan kabul edecek şekilde uyarladı ve hacimli, genel amaçlı çıkış katmanını glioma, meningioma, hipofiz tümörü ve tümör yok olmak üzere dört kategoriye uyarlanmış daha hafif, görev-özgü bir sınıflandırıcı ile değiştirdi.

Daha Az Hesaplama ile Daha Fazlasını Yapmak

Sistemi hem hızlı hem de doğru kılmak için yazarlar, ağın hangi bölümünün hesaplamalarını ne kadar dikkatle yapması gerektiğine anlık karar veren dinamik bir hassasiyet yöntemi tanıttılar. Ağır görüntü işleme katmanlarının çoğu, daha hızlı ve daha az bellek kullanan düşük hassasiyetli sayılarla çalışırken, normalizasyon ve son kararlar gibi hassas adımlar kararlılık için tam hassasiyette tutuluyor. Ayrıca transfer öğrenme kullanıyorlar; bu, modelin milyonlarca genel görüntüden öğrenilen bilgiyi yeniden kullanıp daha küçük bir beyin MRG veri kümesinde ince ayar yapması anlamına geliyor. Basit çeviriler, döndürmeler ve parlaklık değişiklikleri gibi veri artırma teknikleri, taramalar hafifçe değişse bile ağın tümörleri tanımasını daha iyi öğretiyor. Bu adımlar birlikte parametre sayısını yaklaşık %3,7 oranında azalttı, eğitim süresini %12’den fazla kısalttı ve grafik belleği kullanımını performanstan ödün vermeden %40’tan fazla düşürdü.

YZ Kararlarını Güvenilir Kılmayı Kolaylaştırmak

Tıpta yalnızca yüksek doğruluk yeterli değildir; doktorların bir YZ sisteminin belirli bir sonuca neden vardığını da anlaması gerekir. Bunu ele almak için araştırmacılar sistemlerinin ikinci, “karma” bir versiyonunu geliştirdiler. Bu düzenekte ResNet50 bir özellik çıkarıcı olarak görev yapıyor ve her MRG’yi ayrıntılı sayısal bir parmak izi haline getiriyor. Bu bilgiyi tipik bir derin öğrenme çıkış katmanına doğrudan göndermek yerine, birçok karar ağacından oluşan klasik bir makine öğrenimi yöntemi olan Random Forest’a veriyorlar. Bu yaklaşım, hangi özelliklerin her kararda etkili olduğunu sıralamayı ve ağın odaklandığı beyin bölgelerini gösteren görsel haritalar üretmeyi mümkün kılıyor. Testlerde bu karma sistem %99,31 doğruluk elde etti—tam derin öğrenme modelinin biraz altında kalmasına rağmen daha açık ve izlenebilir gerekçe sunma avantajına sahipti.

Daha Karmaşık Modellerle Yarışan Performans

Takım, yöntemlerini üç köklü veri kümesinden alınmış ve dört sınıfa ayrılmış 7.023 adet MRG görüntüsünden oluşan halka açık bir koleksiyon üzerinde değerlendirdi. Optimize edilmiş ResNet50 genel doğrulukta %99,69’a ulaştı ve neredeyse her tümör ve tümör olmayan vakayı doğru sınıflandırdı. Glioma, hipofiz ve sağlıklı taramalar için %100 kesinlik sağladı ve meningioma için neredeyse kusursuz puanlar elde etti. Ayrıntılı testler her sınıf için yüksek duyarlılık ve özgüllük gösterdi; bu da modelin gerçek tümörleri yakalamada ve yanlış alarmlardan kaçınmada başarılı olduğunu gösteriyor. Daha derin ağlar ve sofistike karma yaklaşımlar da dahil olmak üzere birçok güncel yöntemle karşılaştırıldığında, optimize edilmiş ResNet50 ya onlarla eşleşti ya da onları geride bıraktı; hem daha az parametre kullanıyor hem de standart grafik kartlarda verimli çalıştı.

Araştırmadan Radyoloji Bölümüne

Yazarlar sistemlerini radyologların yerine değil, hastane görüntüleme iş akışlarına entegre edilmiş bir karar destek aracı olarak hayal ediyor. Pratikte, MRG görüntüleri mevcut hastane sistemlerinden YZ modeline aktarılacak, model hızla bir tümör kategorisi önerecek ve önemli ilgi bölgelerini vurgulayacak. Radyologlar daha sonra bu önerileri ham görüntülerle birlikte gözden geçirerek insan muhakemesini ve makine hızını birleştirecek. Çalışma, özellikle daha büyük ve daha çeşitli, çok merkezli veri kümeleri üzerinde test edilmesi ve diğer görüntüleme yöntemlerinin de dahil edilmesi gerektiğini kabul ediyor. Yine de sonuçlar, dikkatle tasarlanmış ve kaynak farkındalığına sahip YZ’nin, hesaplama gücünün sınırlı olduğu ortamlarda bile beyin tümörlerinin tanısında hızlı, doğru ve yorumlanabilir yardımcı olabileceğini ve bakımın iyileşmesine potansiyel olarak katkıda bulunabileceğini gösteriyor.

Atıf: Mehrdad, V., Talebzadeh, R. & Fazaeli, N. Brain tumor classification using optimized ResNet50 with dynamic precision optimization for enhanced speed and diagnostic accuracy. Sci Rep 16, 9263 (2026). https://doi.org/10.1038/s41598-026-39926-1

Anahtar kelimeler: beyin tümörü MRI, derin öğrenme tanısı, ResNet50 optimizasyonu, tıbbi görüntü AI, tümör sınıflandırması