Göğüs röntgeni görüntü segmentasyonunda çoklu eşik optimizasyonu için geliştirilmiş Afrika akbaba algoritması

Göğüsün içini daha keskin görmek

Göğüs röntgenleri en yaygın tıbbi testlerden biridir, ancak doktorlar hâlâ sağlıklı dokuyu hastalık belirtilerinden ayırmak için büyük ölçüde görsel değerlendirmeye dayanıyor. Bilgisayarlar, bir görüntüyü anlamlı bölgelere otomatik olarak ayırma işlemi olan segmentasyonla yardımcı olabilir. Bu makale, bir bilgisayarın göğüs röntgeni görüntülerini birkaç temiz katmana “dilimlemesine” olanak veren yeni bir yaklaşım sunuyor; böylece akciğerler, kemikler ve anormal gölgeler gibi alanların ölçülmesi ve zaman içinde izlenmesi kolaylaşıyor.

Görüntü dilimlemenin göründüğünden zor olmasının nedeni

İlk bakışta bir görüntüyü koyu ve açık parçalara ayırmak basit görünebilir: bir parlaklık eşiği seçin; bundan daha açık olanlar bir gruba, daha koyu olanlar diğerine gider. Otsu’nun yöntemi ve Kapur’ün entropisi gibi klasik teknikler tam da bunu yapar ve yalnızca iki grup gerektiğinde iyi çalışır. Ancak modern tıbbi görüntüler çok daha karmaşıktır. Bir göğüs röntgeni, akciğer dokusunu, kaburgaları, kalp gölgesini ve olası lezyonları ayırmak için birden çok kata bölünmeyi gerektirebilir. Birçok eşik kullanmaya çalışmak hızla hesaplama açısından ağır bir probleme dönüşür ve eski yöntemler yavaşlar veya görüntüyü en iyi şekilde bölmenin yolunu bulmada başarısız olur.

Çöpçül kuşlardan strateji ödünç almak

Bu zorluğa karşı koymak için yazarlar, bilgisayar biliminden gelen ve Afrika akbabalarından esinlenen yeni bir fikri temel alıyor. Doğada bu kuşlar, yiyecek kıt olduğunda geniş alanlarda dolaşır ve leşin yakınında dar odaklanma sergiler. Afrika Akbaba Optimizasyon Algoritması bu davranışı taklit eder: sanal “akbabalar” topluluğu, bir problemin en iyi çözümlerini temsil eden en yüksek zirveleri aramak için matematiksel bir manzarayı keşfeder. Görüntü segmentasyonu için her olası parlaklık eşiği seti bu manzarada bir nokta olur. Amaç, röntgen görüntüsünü net, bilgilendirici dilimlere ayıran eşiği setlerini bulmaktır.

Dijital sürüyü daha zeki hâle getirmek

Orijinal akbaba algoritması bazen yalnızca tek bir ümit vaat eden tepenin etrafında dolanıp diğer daha iyi zirveleri kaçırma eğilimindedir. Yazarlar, bu tuzaktan kaçınmak için İyileştirilmiş Çok Amaçlı Afrika Akbabaları Optimizasyon Algoritması (IMMOAVOA) öneriyor. Öncelikle, “ortalama kısmi zıt” öğrenme adımı ekliyorlar: sürü çok sıkı kümelenmeye başladığında, mevcut konumları kısmen tersine çevirip ortalamasını alarak yeni aday çözümler üretilir. Bu, yapılan ilerlemeyi elden çıkarmadan taze, çeşitli seçenekler oluşturur. İkinci olarak, özellikle ümit vaat eden adayları dikkatle kontrol edilen, daralan adımlarla iterek rafine eden derinlemesine bir keşif aşaması tanıtıyorlar; böylece algoritma amaçsızca gezinmek yerine en iyi zirvelere odaklanabilir.

Kaliteyi değerlendirmede iki yaklaşımı dengelemek

İyi bir segmentasyonun ne olduğuna tek bir kurala güvenmek yerine, yeni yöntem iki tamamlayıcı bakış açısını birleştiriyor. Bir hedef, Otsu’nun yöntemine ilişkili olarak parlak ve koyu bölgeleri net ayıran bölümlere ödül veriyor. Diğeri ise Kapur’ün entropisinin iki boyutlu bir biçimine ilişkin olarak, hem orijinal parlaklıktan hem de yerel komşuluktan alınan bilgiyi mümkün olduğunca yakalayan bölümlere ödül veriyor. IMMOAVOA, bu iki hedef arasında iyi bir denge kuran eşik setlerini arayarak yalnızca tek bir çözüm yerine en iyi sıralanmış çözümler koleksiyonunu üretiyor. Yazarlar sonra bu çözümleri COVID‑19 hastalarına ait göğüs röntgenlerine uyguluyor ve segmentasyon sonuçlarını orijinal görüntüyle karşılaştıran birkaç yaygın kalite ölçütüyle puanlıyorlar.

Yeni yaklaşım ne kadar iyi performans gösteriyor

Gerçek röntgenlere geçmeden önce yazarlar IMMOAVOA’yı arama algoritmalarını değerlendirmek için kullanılan standart bir matematiksel kıyas setinde test ediyor. Hem doğruluk hem de çözümlerin çeşitliliğini yansıtan ölçülerde, geliştirilmiş akbaba yöntemi yalnızca temel versiyonu değil, aynı zamanda birkaç yerleşik çok amaçlı algoritmayı da geride bırakıyor. Gerçek göğüs röntgenlerinde IMMOAVOA, üç yaygın kullanılan görüntü kalite göstergesinde tutarlı olarak daha net segmentasyonlar sağlarken; bölgeler arası örtüşmeye vurgu yapan dördüncü ölçüde rekabetçi kalıyor. Pratikte bu, yöntemin göğüs röntgenlerini ayrıntı ve yapıyı koruyan birden çok temiz katmana ayırabilmesi anlamına geliyor; bu da hasta akciğer alanlarını ayırt etmek veya daha ileri yapay zeka analizleri için veriyi hazırlamak gibi görevler açısından değerli.

Bu durum tıbbi görüntüleme için ne anlama geliyor

Uzman olmayan biri için çıkarım şudur: Yazarlar, bilgisayarların göğüs röntgenlerinin içini “görmesine” yönelik daha zeki ve esnek bir yöntem tasarlamış. Dijital bir arama sürüsünü koordine ederek ve her aday çözümü iki farklı açıdan değerlendirerek, yöntemleri hesaplama süresinde patlamaya yol açmadan görüntünün daha keskin, daha bilgilendirici dilimlerini üretebiliyor. Çalışma nispeten küçük bir göğüs röntgeni seti üzerinde gösterilmiş olup rutin klinik kullanım için hâlâ ayarlanması gerekiyor olsa da, radyologların akciğer hastalıklarını daha yüksek doğrulukla tespit ve izlemesine yardımcı olabilecek daha güvenilir otomatik araçlara işaret ediyor.

Atıf: Fu, Z., Liu, D., Gao, S. et al. An improved African vultures algorithm for multi-threshold optimization in chest X-ray image segmentation. Sci Rep 16, 10191 (2026). https://doi.org/10.1038/s41598-026-40174-6

Anahtar kelimeler: göğüs röntgeni segmentasyonu, tıbbi görüntü analizi, meta-sezgisel optimizasyon, çoklu eşikleme, sürü zekâsı