Akciğer röntgenlerinde doğru COVID-19 tespiti için iki aşamalı önişleme ve sınıflandırma yaklaşımı

Neden daha akıllı röntgen okuması önemli?

COVID-19 salgını sırasında hekimler enfekte kişileri doğrulamak için öncelikle laboratuvar testlerine güvendiler. Ancak laboratuvar ekipmanı kıt olabilir ve sonuçlar zaman alabilir—özellikle sınırlı kaynakların bulunduğu yerlerde. Buna karşılık göğüs röntgenleri hızlıdır ve yaygın olarak mevcuttur, fakat uzman radyologlar bile COVID-19’un yol açtığı çoğu zaman ince akciğer değişikliklerini fark etmekte zorlanabilir. Bu makale, görüntüleri önce temizleyip ardından modern yapay zekâ uygulayarak bilgisayarlara röntgenleri daha güvenilir okumayı öğretmenin bir yolunu araştırıyor; amaç klinisyenlerin daha hızlı ve daha doğru kararlar almasına yardımcı olmak.

Gürültülü görüntülerde önemli ayrıntıları görmek

Bir göğüs röntgeni kemikler, yumuşak doku, gölgeler ve makine artefaktları gibi bir dizi bilgiyi üst üste taşır. Standart derin öğrenme sistemleri bu ham görüntülerden doğrudan öğrenmeye çalışır; bu da ağın hangi görüntü parçalarının önemli olduğunu kendi başına çözmesi gerektiği anlamına gelir. Görüntülerin parlaklık, kontrast ve kalitede değişiklik gösterdiği durumlarda bu zordur. Yazarlar bunu, röntgenler sinir ağına ulaşmadan önce özel bir önişleme adımı ekleyerek ele alıyor. Maksimum Stabil Ekstremal Bölgeler (MSER) adı verilen bir bilgisayarla görme tekniği kullanıyorlar; bu yöntem görüntüyü birçok parlaklık seviyesinde tarar ve eşik değişirken kararlı kalan bölgeleri seçer. Bu kararlı yamalar genellikle anormal akciğer dokusu gibi anlamlı yapılarla örtüşürken, daha rastgele karışıklıkları görmezden gelir.

Ayarları sanal bir kurt sürüsüne bırakarak ince ayar yapmak

MSER güçlü ama titizdir: performansı, bir bölgenin ne kadar büyük olabileceğini, parlaklığının ne kadar değişebileceğini ve kenarlarının ne kadar düzgün görünmesi gerektiğini kontrol eden birkaç sayısal ayara güçlü biçimde bağlıdır. Binlerce röntgen için tüm kombinasyonları elle test etmek sıkıcı ve yavaş olurdu. Bunu çözmek için araştırmacılar Gri Kurt Optimizatörü adlı doğadan ilham alan bir optimizasyon yöntemini devreye alıyor. Bu algoritmada sanal bir “kurt” sürüsü farklı parametre kombinasyonlarını keşfeder ve zamanla görüntülerde en temiz ve en bilgilendirici bölgeleri üreten ayarlara doğru ilerler. Her ayarın kalitesi, içsel olarak homojen ve çevresinden net şekilde ayrılmış bölgeleri ödüllendiren bir ölçüyle puanlanır. Görüntü başına birkaç düzine yineleme boyunca sürü, şüpheli akciğer alanlarını belirgin hale getiren bir parametre kümesinde yakınsar.

Daha temiz görüntülerle sinir ağlarını eğitmek

Röntgen görüntüleri bu şekilde iyileştirildikten sonra derin bir konvolüsyonel sinir ağına aktarılır—yüz tanıma ve otonom araçlarda yaygın olarak kullanılan model sınıfı. Yazarlar iki aşamalı boru hattını üç farklı ağ ailesiyle test ettiler: çok basit bir özel ağ, daha güçlü ve daha karmaşık bir mimari olan DenseNet ve mobil cihazlar için tasarlanmış daha hafif bir model olan MobileNet. Bunların her biri için iki kamuya açık göğüs röntgeni veri kümesi üzerinde önce ham görüntülerle, sonra MSER–Gri Kurt birleşimiyle önişlenmiş görüntülerle performans karşılaştırıldı. Genel olarak, önişlenmiş görüntüler daha yüksek doğruluk, daha az yanlış alarmla ve daha hızlı eğitimle sonuçlandı. Bir durumda doğruluk yaklaşık %90’dan neredeyse %99’a yükseldi ve eğitim süresi kabaca üçte bir oranında azaldı.

Bu yaklaşım gerçek dünyada ne kadar sağlam?

Yöntemin tek bir veri kümesinin tuhaflıklarını ezberleyip ezberlemediğini kontrol etmek için yazarlar daha zorlu bir test gerçekleştirdiler: modellerini bir X-ray koleksiyonu üzerinde eğitip daha önce görmedikleri farklı bir koleksiyon üzerinde değerlendirdiler. Performans doğal olarak düştü, ancak yeni önişleme adımını kullanan sistemler ham görüntülerle eğitilmiş olanlara kıyasla çok daha iyi dayanıklılık gösterdi. Çalışma ayrıca otomatik ayarlama olmadan MSER kullanımının çok yardımcı olmadığını gösteren bir ablation analizi ve daha geleneksel bir kontrast arttırma yöntemiyle karşılaştırma içeriyordu. Bu durumlarda kazanımlar büyük ölçüde ortadan kalktı. Bu, kilit bileşenin yalnızca görüntüleri “iyileştirmek” değil, algoritmayı kararlı ve hastalıkla ilgili bölgeleri ilkesel, veri odaklı bir şekilde izole etmeye yönlendirmek olduğunu işaret ediyor.

Bu hastalar ve hekimler için ne anlama geliyor?

Bu çalışma PCR testlerinin veya uzman radyologların yerini almaz ve yazarlar sınırlamalara dikkat çekiyor: veriler sınırlı sayıda hastaneden geliyor ve yöntemi her modern ağ mimarisi veya diğer akciğer hastalıkları üzerinde test etmediler. Yine de sonuçları, dikkatle tasarlanmış önişlemenin mevcut yapay zekâ sistemlerini çok daha doğru ve verimli hale getirebileceğini gösteriyor. Sinir ağlarının her göğüs röntgeninin en bilgilendirici kısımlarına odaklanmasına yardımcı olarak, iki aşamalı yaklaşım COVID-19 ve potansiyel olarak diğer solunum koşullarının tanısında güvenilir, otomatik destek araçlarına pratik bir yol sunuyor—özellikle hızlı kararların ve sınırlı hesaplama kaynaklarının günlük gerçeklik olduğu ortamlarda.

Atıf: González, A., Gutiérrez, V.G., Cuevas, E. et al. A two-stage preprocessing and classification approach for accurate COVID-19 detection in X-ray images. Sci Rep 16, 13514 (2026). https://doi.org/10.1038/s41598-026-41861-0

Anahtar kelimeler: COVID-19 göğüs röntgeni tanısı, tıbbi görüntü önişleme, radyolojide derin öğrenme, bilgisayar destekli tespit, göğüs görüntülemede yapay zeka