Fetal karın standart düzlem tanıma ve ana anatomik yapı tespiti için karışık dikkat mekanizmalı çok görevli öğrenme

Doğumdan Önce Doktorların Görmesine Yardımcı Olmak

Prenatal ultrason, anne ve doktorların bebeğin sağlığına dair ilk pencerelerinden biridir. Ancak o grenli siyah‑beyaz görüntüleri okumak yıllar alan bir beceridir ve küçük ayrıntılar bir sorunu erken yakalamakla kaçırmak arasındaki farkı yaratabilir. Bu çalışma, yardımcı olmak üzere tasarlanmış bir bilgisayar sistemi sunuyor: bebeğin karın bölgesinin standart görünümlerini hızla tanıyabilen ve rutin gebelik taramalarında doktorların aradığı ana organları vurgulayabilen bir yapay zeka aracı.

Standart Görünümlerin Neden Önemli Olduğu

Anne adayının gebeliğin ortasında ultrason yaptırdığında klinisyen sadece “etrafa bakmaz.” Kasık belirli standart fetal görünümler aranır. Karın için bunlar, karın boyutunu ölçmekte kullanılan kesitler, mesaneye odaklanan görüntüler, göbek kordonu ve böbrekler ile omurga üzerine çeşitli açılar gibi görünümü içerir. Birlikte bu düzlemler doktorların büyümeyi tahmin etmelerine, yapısal sorunları kontrol etmelerine ve doğumla ilgili riskleri değerlendirmelerine olanak tanır. Her standart görünümün elde edilmesi hassas el hareketleri ve güçlü bir anatomi bilgisi gerektirir; benzer görünen kesitler kolaylıkla karıştırılabilir—özellikle deneyimsiz personel için veya görüntüler gürültülü olduğunda.

Ultrason Görüntülerini Veriye Dönüştürmek

Bilgisayarı bu göreve yardım edecek şekilde eğitmek için araştırmacılar önce gerçek dünya görüntülerinden oluşan geniş bir koleksiyon derlediler. Dört yıl boyunca, farklı makineler kullanan birkaç hastaneden 3.100’den fazla gebeden 6.700’den fazla karın ultrasonu görüntüsü topladılar. Deneyimli ultrason doktorları, her görüntüde mide, mesane, böbrekler, ana kan damarları, omurga, kaburgalar ve göbek kordonu gibi 14 ana anatomik yapıyı dikkatle çizdi ve her görüntünün yedi standart karın görünümünden hangisine karşılık geldiğini etiketledi. Bu emek yoğun etiketleme süreci, piksel desenlerini klinik olarak anlamlı yapılarla eşleyen zengin bir “harita” oluşturdu.

Odaklanmış Dikkat ile Çift Amaçlı Bir Yapay Zeka

Bu veri kümesi üzerine inşa ederek ekip, FAUSP‑NET adını verdikleri derin öğrenme modelini geliştirdi. Tek bir işi yapan sistemlerin aksine FAUSP‑NET çok görevli bir ağdır: tek geçişte hem ana organların etrafına kutular çizer hem de görüntünün hangi standart görünüme ait olduğunu belirler. İç yapıda, model modern bir nesne tespit omurgası kullanır ve en bilgilendirici bölgelere ve ölçeklere odaklanmasına yardımcı olan birkaç “dikkat” bileşeniyle güçlendirilmiştir. Bazı dikkat blokları benzer görünen yapılar arasındaki ince farkları vurgularken (örneğin sol ve sağ böbrek veya göbek kordonu ile yakın damarlar), diğerleri çok farklı boyutlardaki organlara uyum sağlar. Özellikle tasarlanmış bir kayıp fonksiyonu, sistemin nadir veya zor görülen yapılardan öğrenmesine yardımcı olarak bunları ne kadar hassas çizdiğini geliştirir.

Sistemin Başarı Düzeyi

Eğitildikten sonra FAUSP‑NET, ayrılmış görüntüler üzerinde test edildi ve popüler nesne tespit ediciler ve görüntü sınıflandırıcıları da dahil olmak üzere 24 mevcut bilgisayar görüşü modeliyle karşılaştırıldı. Hem organ tespitinde hem de standart görünüm tanımada hepsinden daha doğru olduğu kanıtlandı. Organ tespitinde, doktorların işaretlemeleriyle büyük çoğunlukla doğru eşleşti ve çoğu yapıyı neredeyse kusursuz güvenilirlikle ele aldı; yalnızca bazı ince, en küçük özellikler—örneğin belirli damarlar ve diyafram—zorlu olmaya devam etti. Görünüm tanımada ise sistem görüntüleri yedi karın düzleminden biri olarak %97’den fazla bir doğrulukla sınıflandırdı. Standart donanım üzerinde her görüntüyü yaklaşık 24 milisaniyede işledi—muayene sırasında gerçek zamanlı kullanım için yeterince hızlı.

İnsan Uzmanlarla Yapay Zekanın Karşılaştırması

Bu aracın gerçek klinisyenlerle nasıl kıyaslandığını görmek için araştırmacılar, tamamen ayrı bir hastaneden alınmış başka bir görüntü setinde değerlendirdiler ve performansını junior, orta düzey ve kıdemli ultrason doktorlarıyla karşılaştırdılar. FAUSP‑NET’in yapı tespitindeki ve standart görünümleri belirlemedeki doğruluğu deneyimli kıdemli hekimlerin seviyesine yaklaştı veya onlarla eşleşti ve daha az deneyimli doktorların açıkça üstündeydi. Kritik olarak, sistem aynı vakaları incelemek için bir kıdemli doktorun ihtiyaç duyduğu sürenin yüzde birinden daha kısa sürede analizini tamamladı. Görselleştirme teknikleri modelin insan uzmanların güvendiği aynı bölgelere eğilim gösterdiğini ortaya koydu; bu da yorumlanabilirliğini ve klinik uygulamada kabul görme potansiyelini destekliyor.

Bekleyen Aileler İçin Anlamı

Günlük ifadeyle, bu çalışma doğru şekilde eğitilmiş bir yapay zeka sisteminin bebeğin karın bölgesine yapılan prenatal taramalarda ikinci bir göz gibi hareket edebileceğini gösteriyor. FAUSP‑NET, doğru karın görünümünün yakalanıp yakalanmadığını ve kritik organların net görülüp görülmediğini hızla işaretleyerek daha az deneyimli sonografların hatalardan kaçınmasına yardımcı olabilir ve uzmanların karmaşık vakalara odaklanmasını sağlayabilir. Daha fazla hastane ve cihazda ek testler gerekli olsa da, bu teknoloji rutin gebelik ultrasonlarının daha tutarlı, daha hızlı ve probu tutanın kim olduğuna daha az bağımlı olacağı bir geleceğe işaret ediyor; bu da anne ve bebek bakımı için potansiyel olarak iyileşme anlamına gelir.

Atıf: Li, Y., Huang, Y., Liu, Z. et al. Mixed attention mechanism multi-task learning for fetal abdominal standard plane recognition and key anatomical structure detection. Sci Rep 16, 12324 (2026). https://doi.org/10.1038/s41598-026-40590-8

Anahtar kelimeler: prenatal ultrason, fetal karın, derin öğrenme, standart düzlem tespiti, tıbbi görüntü analizi