Diyabetik retinopati fundus görüntülerinde doğru fovea segmentasyonu için bağlamsal anatomi-kılavuzlu derin öğrenme

Diyabetik Gözlerdeki Tehlikeyi Görmek

Milyonlarca diyabet hastası için, gözün retinasının tam merkezindeki küçük bir nokta — fovea — net görme ile kalıcı görme kaybı arasındaki farkı belirleyebilir. Doktorlar diyabetik retinopatiyi taramak için zaten gözün arka kısmının renkli fotoğraflarını (fundus görüntüleri) kullanıyor; bu, önlenebilir körlüğün önde gelen nedenlerinden biridir. Ancak bugünkü otomatik araçlar foveayı çoğunlukla gerçek alanını çevreleyen bir sınır yerine tek bir nokta olarak işaretliyor; oysa doktorların kimin enjeksiyona, kimin lazer tedavisine ihtiyacı olduğunu ve kimin güvenle bekleyebileceğini belirlemek için gerçek alana ihtiyacı vardır. Bu çalışma, yeni bir veri odaklı yapay zeka (YZ) yönteminin foveayı, yalnızca foveaya değil tüm anatomik peyzaja dikkat ederek bir göz uzmanının gördüğü şekilde öğrenebileceğini gösteriyor.

Foveanın Neden Sınırlandırılmasının Zor Olduğu

Fovea, keskin merkezi görüş ve zengin renk algısı sağlayan küçük, sığ bir çöküntüdür. Fundus görüntülerinde sınırları belirsizdir, görünümü kameradan kameraya değişir ve hastalıklar onu daha da bulanıklaştırabilir. Geleneksel bilgisayar yöntemleri basit parlaklık ve geometrik kurallara dayandığından, lezyonlar veya düşük görüntü kalitesi durumunda hızla çökerler. Daha yeni derin öğrenme sistemleri fovea tespitini geliştirmiş olsa da, genellikle her bir göz yapısını ayrı ayrı ele alır veya giderek karmaşıklaşan ağ tasarımlarına güvenir. Her iki yaklaşım da temel bir klinik gerçeği sıklıkla göz ardı eder: göz doktorları foveayı izole olarak aramaz — foveanın nerede olması gerektiğini çıkarsamak için optik disk ve damar desenleri gibi işaretleri kullanırlar, hatta fovea zor görünse bile.

YZ’ya Gözün Yol Haritasını Okutmak

Yazarlar farklı bir strateji öneriyor: giderek daha karmaşık ağ mimarileri icat etmek yerine, standart ve verimli bir modeli eğitmek için kullanılan etiketleri zenginleştirmek. Fovea için olduğu kadar optik disk, damarlar, tüm retina ve arka plan için de piksel düzeyinde konturların özenle çizildiği yeni bir veri seti, IDRiD-RETA-FV oluşturdular. İki oftalmolog sıkı bir protokol izleyerek bu işaretlemelerde neredeyse kusursuz bir anlaşmaya vardı ve YZ sistemi için sağlam bir referans sağladı. Bu veri setine, yaygın kullanılan bir mimariye dayanan bir segmentasyon modeli olan MNv4Fovea’yı eklediler, ancak modeli tüm anatomik yapıların aynı anda segmentasyonunu yapacak şekilde eğittiler. Eğitim etiketlerine kademeli olarak daha fazla bağlam ekleyerek — önce yalnızca fovea ve arka plan, sonra optik disk eklenerek, ardından retina ve son olarak damarlar — her bir anatomik parçanın modelin foveayı bulmasına ne kadar yardımcı olduğunu doğrudan ölçebildiler.

Bağlam ve Akıllı Arttırmanın Doğruluğu Nasıl Artırdığı

Sonuçlar, bağlamın son derece önemli olduğunu gösteriyor. Model yalnızca fovea ve arka plan etiketlerinden öğrenince, foveal piksellerin biraz üzerini doğru tanımladı. Sadece optik diskin eklenmesi sınırlı kazanımlar sağladı. Ancak retina konturu dahil edilince performans keskin biçimde yükseldi ve damarların eklenmesi foveal geri çağırmayı yüzde 90’ın üzerine çıkardı. Başka bir deyişle, modele doktorların kullandığı aynı yol haritası — disk, damarlar ve retina sınırı — verildiğinde foveayı çevrelemede çok daha iyi oldu. Sistemin farklı kameralardan gelen görüntülerde de çalışabilmesi için ekip ayrıca görüntü rengini ve parlaklığını değiştirmek üzere yeni bir yöntem geliştirdi. Diğer kamuya açık göz veri setlerinin nasıl göründüğünü Genelleştirilmiş Aşırı Değer (GEV) dağılımı adı verilen istatistiksel bir dağılımla modelleyip, eğitim görüntülerini anatomi korunarak bu stilleri taklit edecek şekilde dönüştürdüler. Bu GEV tabanlı arttırma, yalnızca standart geometrik dönüşümlerle karşılaştırıldığında başarılı fovea tespit oranını neredeyse iki katına çıkardı.

Birçok Veri Setinde İşlediğini Kanıtlamak

MNv4Fovea, hem yeni uzman etiketli veri setinde hem de birkaç iyi bilinen kamu retinal görüntü koleksiyonunda test edildi. IDRiD-RETA-FV’nin ayrılmış test bölümünde, tahmin edilen ve gerçek foveal bölgeler arasında yüksek örtüşme sağladı ve foveal merkezi sadece birkaç piksel içinde buldu — mevcut olduğunda neredeyse her zaman foveayı tespit etti. MESSIDOR, REFUGE, ARIA ve MAPLES-DR gibi dış veri setlerinde model, foveal tahminlerinin referans noktalarına yakınlığı açısından en son yöntemlerle eşdeğer veya daha iyi sonuçlar verdi. İlginç bir şekilde, bazı durumlarda sayısal puanlar mütevazi görünse de bunun nedeni dış veri setlerinin “fovea”yı farklı tanımlamalarıydı — örneğin küçük klinik fovea yerine geniş bir maküler bölge işaretlemek gibi — ancak uzman incelemesi, modelin tahminlerinin anatomik olarak mantıklı olduğunu ve sıklıkla orijinal etiketlerden ziyade uzman görüşüne daha yakın olduğunu gösterdi.

Bu Hastalar ve Gelecek Araçlar İçin Ne Anlama Geliyor

Diyabetle yaşayan insanlar için çalışma, retinada bir nokta koymaktan fazlasını yapan, daha güvenilir ve geniş ölçekli kullanılabilir tarama araçlarına giden bir yolu ortaya koyuyor. Mimari hilelere yalnızca güvenmek yerine tüm anatomik bağlamdan — disk, damarlar ve retina konturu — öğrenerek MNv4Fovea foveal bölgeyi hassas biçimde haritalayabiliyor; bu, şişlik veya lezyonların merkezi görüşü tehdit edecek kadar yakın olup olmadığını belirlemede önemli bir adım. Yazarlar, bu veri-merkezli, anatomi-kılavuzlu yaklaşımın ağ tasarımındaki gelecekteki gelişmeleri tamamlayabileceğini ve benzer stratejilerin karmaşık, hastalıklı ortamlarda ince yapıların bulunmasının gerekli olduğu tıbbi görüntülemenin birçok başka alanına da fayda sağlayabileceğini savunuyor.

Atıf: Chankhachon, S., Kansomkeat, S., Bhurayanontachai, P. et al. Contextual anatomy-guided deep learning for accurate fovea segmentation in diabetic retinopathy fundus images. Sci Rep 16, 10388 (2026). https://doi.org/10.1038/s41598-026-40287-y

Anahtar kelimeler: diyabetik retinopati, retinal görüntüleme, fovea segmentasyonu, derin öğrenme, tıbbi görüntü analizi