YOLOv11n ve kontur modellerini kullanan karotis arter segmentasyonu için hibrit bir iş akışı

İnme önleme için neden önemli

İnmeler genellikle uyarı vermeden ortaya çıkar, ancak birçok durum boyunda—karotis arterlerinin beyne kan taşıdığı yerde—sessizce başlar. Doktorlar, hızlı ve ağrısız bir tarama olan ultrason ile bu arterlerdeki erken hasarı tespit edebilir, ancak her görüntü üzerindeki kan kanalını elle dikkatle çizmek yavaş ve öznel bir iştir. Bu çalışma, sıradan donanımda bile karotis arterini yaygın ultrason görünümlerinde hızla çevreleyebilen tam otomatik bir bilgisayar yöntemi sunuyor; amaç, erken inme riski değerlendirmesini daha hızlı, daha güvenilir ve günlük klinik uygulamalarda daha kolay uygulanabilir kılmak.

Boyun kan damarlarındaki gizli tehlikeler

Karotis arterleri, duvarlarında yağlı birikimler oluştuğunda daralabilir, beynin kan akışını kısıtlayarak inme riskini artırır. Belirtiler genellikle ciddi hasardan sonra ortaya çıktığı için, yaşlı yetişkinler, sigara içenler ve diyabet ya da kalp hastalığı olan hastalar gibi risk altındaki kişilerin düzenli taranması hayati önem taşır. Ultrason görüntüleme bu tür taramalar için idealdir: ucuz, güvenli ve geniş ölçüde erişilebilir. Ancak görüntüler gürültülü ve kontrastı düşük olabilir; yakındaki yapılar, örneğin juguler ven, arterle aldatıcı şekilde benzer görünebilir. Sonuç olarak, damar iç sınırını—“lümeni”—tam olarak çizmek hem insanlar hem de makineler için zor ve zaman alıcı bir görev olmaya devam eder.

Doktorlara yönelik üç aşamalı dijital asistan

Yazarlar, dikkatli bir teknisyenin ultrason görüntülerini nasıl analiz edeceğini taklit eden ancak bunu otomatik olarak yapan hibrit bir iş akışı tasarladı. İlk olarak, kompakt bir derin öğrenme dedektörü, YOLO ("You Only Look Once") nesne algılama ailesinin modern bir versiyonu, her görüntüyü tarar ve hem enine kesit (dairesel görünüm) hem de boyuna (uzun boru benzeri görünüm) olarak karotis arter lümenini sıkıca çevreleyen bir kutu çizer. Bu adım boynun doğru bölgesine odaklanır ve test verilerinde model neredeyse hiç damar kaçırmadığı için son derece güvenilir olduğu kanıtlandı.

Sonra, enine kesit görüntüler için sistem, o kutu içindeki ultrason kalitesini dikkatle ayarlanmış bir filtre dizisiyle iyileştirir. Taneli speckle desenini kenarları koruyarak yumuşatır, arter duvarının öne çıkması için yerel kontrastı artırır, parlaklığı ayarlar, daha geniş ölçekte tekrar gürültüyü giderir ve son olarak sınırı keskinleştirir. Bu işlemler, sonraki kontur izleme algoritmasının gördüğü “enerji peyzajını” yeniden şekillendirir; böylece gerçek lümen kenarı, eğrinin izlemesi için rastgele gürültüden ziyade en çekici yol haline gelir.

Doğru damara kilitlenen akıllı konturlar

Enine kesit görüntüler temizlendiğinde, klasik bir aktif kontur modeli—bazen "yılan" olarak adlandırılır—dedektörün kutusundan başlar ve kademeli olarak en yakın güçlü sınıra doğru kayar. Ön işlem gerçek damar kenarını güçlendirdiği ve dikkat dağıtan artefaktları azalttığı için yılan lümen etrafında düzgünce yerleşir. Boyuna görüntülerde zorluk farklıdır: dedektörün ilk kutusu hem karotis arterini hem de benzer şekilde koyu görünebilen juguler veni içerebilir; çünkü her ikisi de kanla doludur. Bu karışıklığı önlemek için yazarlar, ilk kutu içinde arter içini tipik olarak yansıtan en koyu, en homojen yaması tarayarak ve ardından bunu kontrollü bir şekilde genişleterek otomatik olarak daha hassas ikinci bir kutu oluştururlar. Bu rafine edilmiş bölge, piksellerin içte ve dışta nasıl farklılaştığına göre bir sınır büyüten Chan–Vese kontur modelini başlatır. Doğru yerde başlatıldığında, komşu venleri göz ardı ederek uzun, nazikçe eğimli lümeni izleyebilir.

Gerçekte ne kadar iyi çalışıyor?

Ekip sistemlerini iki halka açık veri seti üzerinde test etti: uzmanların çizdiği lümen konturlarıyla karşılaştırmak üzere binin üzerinde enine kesit görüntüsü ve onlarca boyuna görüntü. Aşırı öğrenmeyi önlemek ve görülmemiş hastalarda performansı taklit etmek için beş katlı çapraz doğrulama ve ayrılmış test setleri kullandılar. Enine kesitlerde yöntem, otomatik ve uzman çizimleri arasındaki örtüşmeyi ölçen Dice skoru açısından yaklaşık %91’e ve genel doğrulukta yaklaşık %99,6’ya ulaştı. Boyuna görüntülerde Dice skoru yaklaşık %95’e ve doğruluk yaklaşık %97,7’ye yükseldi. İş akışının parçalarının kasten çıkarıldığı bir boşturma (ablation) çalışması, hem başlangıç lokalizasyonunun hem de özel ön işlemenin veya rafine maske üretiminin zorunlu olduğunu; bunlar olmadan performansın keskin bir şekilde düştüğünü veya algoritmaların sayısal olarak kararsız hale geldiğini gösterdi.

Gelecekteki bakım için anlamı

Bir uzmanın dışında birine bu sayılar, düşük maliyetli bir bilgisayar sisteminin artık karotis ultrason taramalarındaki kan taşıyan kanalı neredeyse eğitimli bir uzmanın çizdiği kadar sadık biçimde çizebildiğini ve basit bir dizüstü bilgisayarda bile enine kesit görünümleri için bir saniyenin altında yapabildiğini gösterir. Modern bir tespit ağı ile iyi anlaşılan eğri izleme yöntemlerini birleştirerek yaklaşım hem hız hem de yorumlanabilirlik sunar. Geniş ölçüde benimsendiğinde ve plak analizine de genişletildiğinde, bu tür araçlar rutin boyun ultrasonunu inme için daha güçlü bir erken uyarı sistemine dönüştürmeye yardımcı olabilir; ultrason cihazlarının kullanıldığı her yerde klinisyenlere tutarlı, nesnel ölçümlerle destek sağlayabilir.

Atıf: Salama, G.M., Safy, M., Hassanin, D.A. et al. A hybrid pipeline for carotid artery segmentation using YOLOv11n and contour models. Sci Rep 16, 9808 (2026). https://doi.org/10.1038/s41598-026-41007-2

Anahtar kelimeler: karotis ultrasonu, inme taraması, tıbbi görüntü segmentasyonu, tıpta derin öğrenme, vasküler görüntüleme