Otomatik kaydı esas alan eşleştirilmemişten sözde-eşleştirilmiş eğitim verisi çevirisi ile göğüs anomalisi yerelleştirmesi için üretken ağları geliştirmek

Akciğer sorunlarını erken tespit etmenin önemi

Göğüs röntgenleri, göğsün içini görmek için en hızlı ve en ucuz yöntemlerden biridir ve dünya çapında her gün milyonlarca çekilmektedir. Yine de küçük veya soluk hastalık odakları, uzmanlar için bile, kaburgalar, kalp veya diğer normal yapılarla karıştıklarında görmek zor olabilir. Bu çalışma, radyologların piksel piksel zahmetli elle etiketleme yapmasına gerek kalmadan yapay zekânın (YZ) göğüs röntgenlerinde şüpheli bölgeleri daha güvenilir şekilde vurgulayabilmesini araştırıyor. Bu da yaklaşımı, uzman zamanı sınırlı ve hasta yoğunluğu yüksek hastaneler ve klinikler için özellikle çekici kılıyor.

Bugünkü YZ röntgenlerinin vaatleri ve sorunları

Mevcut birçok göğüs röntgeni YZ sistemi ‘‘pnömoni var mı?’’ gibi evet-hayır sorularına iyi yanıt verebiliyor, ancak hastalığın tam olarak nerede olduğunu göstermede çok daha zayıf kalıyor. Üretken çekişmeli ağlar (GAN'lar) olarak adlandırılan yaygın bir yöntem ailesi, hastalıklı bir görüntüyü normal görünen bir versiyona dönüştürmeyi öğrenir. İkisi arasındaki fark çıkarıldığında algoritma şüpheli bölgeleri açığa çıkarabilir. Bu çekici çünkü eğitim sırasında her lezyonun ayrıntılı işaretlenmesini gerektirmez. Ancak eğitim verisi genellikle farklı hastalardan alınmış ayrı normal ve anormal görüntü kümelerinden oluşur. Vücut boyu, duruş ve akciğer şekli çok farklı olduğundan, YZ bir görüntüdeki farkın hastalıktan mı yoksa basit anatomiden mi kaynaklandığını ayırt etmekte zorlanır. Sonuç, kararsız performans ve kaburgaların veya normal dokunun bozulması ya da silinmesi gibi garip artefaktlar olabilir.

Eşleştirilmemiş görüntülerden sanal çiftler oluşturmak

Yazarlar bu temel zaafı, öğrenme ve analiz için kullanmadan önce röntgen görüntülerini daha yakın anatomik hizaya zorlayarak ele alıyor. IT-PR adını verdikleri iki aşamalı bir süreç ve bunun derin öğrenme uzantısı IT-DPR ile eşleştirilmemiş normal ve anormal röntgenleri etkin bir şekilde “söylemsel çiftlere” (pseudo-pairs) dönüştürüyorlar. İlk, eğitim gerektirmeyen adımda yöntem yalnızca akciğer konturlarını kullanarak akciğer içindeki her noktayı ortak bir koordinat sistemine haritalıyor. Her hastanın sol ve sağ akciğeri segmentleniyor, geriliyor ve kaydırılıyor; böylece eşdeğer iç noktalar referans bir akciğere göre insanlar arasında hizalanıyor. Bu, hastalık bilgisine veya sinir ağı eğitimine dayanılmadan boyut ve şekildeki birçok kaba eşleşmezliği şimdiden azaltıyor.

Daha ince hizalamayı derin öğrenme ile öğrenmek

Basit geometrik çarpıtma akciğer anatomisinin inceliklerini mükemmel şekilde eşleştiremediğinden, ikinci adım öğrenilmiş, deformabl bir kayıt ekliyor. Burada bir sinir ağı, ilgisiz hasta çiftleri üzerinde değil, ilk adımdan elde edilen ön-hizalanmış versiyon ve orijinal akciğer görüntüsünden oluşan aynı hastaya ait çiftler üzerinde eğitiliyor. Bu sayede ağ yalnızca koordinat farklılıklarını düzeltmeyi öğreniyor, hastalığı icat etmiyor veya kaldırmıyor. Bu rafine kayıt daha düzgün, daha doğal deformasyonlar üretiyor ve geleneksel kayıt yöntemlerinde görülen iki büyük başarısızlık modunu önlüyor: ‘‘sabit’’ görüntü sağlıklı olduğunda gerçek lezyonları yıkayıp yok etme ve kaba maskeler kullanıldığında akciğer sınırları boyunca gerçekçi olmayan gölgeleme veya kıvrımlar oluşturma.

Verem ve akciğer opasitelerinde daha keskin YZ tespiti

Yaklaşımı test etmek için araştırmacılar kayıt güçlendirilmiş boru hattını iki iyi bilinen göğüs röntgeni problemine uyguladı: verem tespiti ve konsolidasyonun tespiti; konsolidasyon pnömoni ve diğer durumlarda görülen bir akciğer opasitesidir. IT-PR ve IT-DPR’yi iki standart GAN tabanlı çeviri modeline, CycleGAN ve CUT’a entegre ettiler ve bunu modellerin olağan biçimde çalıştırılmasıyla, ayrıca Reg-GAN adında önde gelen bir kayıt-bilinçli üretken modelle ve VoxelMorph ve SynthMorph gibi popüler kayıt araçlarıyla karşılaştırdılar. Bir röntgenin YZ tarafından üretilen normal karşıtından ne kadar güçlü farklılaştığını özetleyen hasta düzeyinde bir “anomali skoru” kullanarak yeni yöntem performansı büyük ölçüde artırdı. Verem için en iyi düzenleme ROC eğrisinin altındaki alanı 0.755’ten 0.928’e yükseltti; konsolidasyon için zaten yüksek olan 0.964’ü 0.991’e taşıdı. Yöntem ayrıca karar eşiklerinde daha stabil davranış sağladı ve radyologlar tarafından sağlanan sınırlayıcı kutularla karşılaştırıldığında göze çarpan şekilde daha temiz, daha iyi yerelleştirilmiş vurgu haritaları sundu.

Hastalar ve klinikler için anlamı

Pratik olarak bu çalışma, göğüs röntgenlerini YZ analizinden önce dikkatle hizalamanın sistemin hastalık odaklarını ne kadar güvenilir bulduğunda büyük fark yaratabileceğini gösteriyor. Piksel düzeyinde herhangi bir etiket olmadan sanal normal–anormal çiftler oluşturarak yöntem, anotasyon maliyetlerini düşük tutarken hem doğruluğu hem de yorumlanabilirliği artırıyor. Ek kayıt adımları görüntü başına hesaplama süresini onlarla saniyeye çıkarsa da bu yine de radyologların tipik okuma süreleri içinde kalıyor. Çalışmanın çerçevesi bir prototip ve iyi akciğer segmentasyonuna bağımlı, ancak güçlü bir fikre işaret ediyor: YZ tıbbi görüntülere paylaşılan bir anatomik harita aracılığıyla baktığında, normal varyasyonu gerçek patolojiden ayırmada daha başarılı oluyor ve göğüs görüntülemede daha güvenilir, yaygın olarak kullanılabilir araçlara giden yolu açıyor.

Atıf: Oh, S.J., Kim, K., Lim, C.Y. et al. Enhancing generative networks for chest anomaly localization through automatic registration-based unpaired-to-pseudo-paired training data translation. Sci Rep 16, 11125 (2026). https://doi.org/10.1038/s41598-026-39979-2

Anahtar kelimeler: göğüs röntgeni yapay zekâsı, anomali yerelleştirme, tıbbi görüntü kaydı, üretken çekişmeli ağlar, verem tespiti