Kesme örnek karıştırma: Gastrointestinal lezyon tespiti uygulamalarına yönelik alan-özgü bir veri artırma yöntemi

Bağırsak sağlığı için daha akıllı eğitim verisinin önemi

Doktorlar, sindirim sistemimizin içini küçük kameralarla inceleyerek bir gün kansere dönüşebilecek küçük anormal bölgeler gibi hastalığın erken işaretlerini ararlar. Ancak bu uyarı işaretleri son derece ince olabilir ve bunları bulmaya yardımcı olabilecek bilgisayarların neye bakacağını öğrenmesi için binlerce iyi etiketlenmiş görüntüye ihtiyaçları vardır. Bu makale, gerçekçi eğitim görüntülerini bilgisayar ortamında “büyütmenin” yeni bir yolunu sunuyor; böylece yapay zekâ sistemlerini bu zor görünen lezyonları erken tespit edecek şekilde eğitmek kolaylaşıyor.

Gizli uyarı noktalarının zorluğu

Mide ve bağırsaklardaki lezyonlar—intestinal metaplazi, erken displazi ve küçük polipler gibi—kanser için önemli erken uyarı işaretleridir, ancak genellikle sağlıklı dokudan sadece hafifçe farklı görünürler. İnsan uzmanlar bazen bunları kaçırır, bilgisayar modelleri de benzer şekilde zorlanır; bunun başlıca nedeni öğrenilecek yeterli sayıda yüksek kaliteli, dikkatle etiketlenmiş görüntünün olmamasıdır. Endoskopi görüntülerinin toplanması ve anotasyon yapılması pahalı, zaman alıcı ve özellikle nadir lezyon türlerinde etik açıdan hassastır. Görüntüleri artırmak için kullanılan geleneksel yöntemler—çevirme, döndürme veya tüm görüntüleri karıştırma gibi—günlük fotoğrafçılıkta işe yarasa da gastrointestinal incelemelerde en çok önemli olan ince ayrıntıları ve sınırları bulanıklaştırma veya yanlış yerleştirme eğilimindedir.

Kaba kes-yapıştır yönteminden anatomi-bilinçli karıştırmaya

Araştırmacılar, bir görüntüden görünen lezyonları kopyalayıp başka bir görüntüye yapıştıran veya tamamen yeni görüntüler oluşturmak için üretici modeller kullanan daha gelişmiş “kes-yapıştır” yöntemlerini denediler. Bu stratejiler çeşitliliği artırsa da sıklıkla çevreleyen anatomiyi göz ardı ederler. Yapıştırılan lezyon gerçekçi olmayan bir yere düşebilir veya yakın dokuyla renk ve doku açısından çelişebilir; bu da eğitim görüntülerini daha az inandırıcı kılar. GAN ve difüzyon ağları gibi üretici modeller etkileyici resimler üretebilse de çok büyük veri kümesi gerektirir, kontrolü zordur ve gerçek hastalarda mevcut olmayan uydurma yapılar icat etme riski taşır. Erken mide ve kolon hastalığında olduğu gibi ince renk değişimleri ve yüzey desenlerine dayanan görevler için bu eksiklikler mevcut artırma yöntemlerinin yardımını sınırlıyor.

Lezyonları gerçekçi sahnelere karıştırmanın yeni yolu

Yazarlar, gastrointestinal görüntüler için özel olarak tasarlanmış alan-özgü bir yaklaşım olan Cut Instance Mixing (CIM) yöntemini tanıtıyor. Lezyonları rastgele yerleştirmek yerine CIM önce gerçekçi mukozal desenlere benzeyen anlamlı bölgeleri bulmak için sağlıklı bir görüntüyü analiz ediyor. Bunu, pikselleri düzgün, biyolojik olarak makul yamalara kümeleyerek ve ardından bunları daha küçük, düzenli alt bölgeler hâline bölerek yapıyor. Sonra CIM, başka bir görüntüden gerçek bir lezyon seçiyor ve lezyonun çevresiyle renk ve doku açısından en çok örtüşen alt bölgeyi arıyor. Lezyon buraya yerleştiriliyor ve kenarları ve aydınlatmayı koruyan tekniklerle düzgünce harmanlanıyor; lezyonun ne kadar belirgin veya ince görüneceğini kontrol eden (α adlı) bir ayar düğmesi bulunuyor. Sonuç, lezyonun sanki o noktada doğal olarak oluşmuş gibi göründüğü sentetik bir görüntü; ayrıca orijinal lezyon etiketi bilindiği için yeni görüntü eğitim için otomatik olarak anotasyonlanıyor.

Yöntemi sınamaya koymak

CIM’in gerçekten yardımcı olup olmadığını görmek için ekip aynı derin öğrenme modelini üç farklı endoskopi koleksiyonunda eğitti: intestinal metaplazi, displazi ve kolon polipleri. Her veri kümesi için CIM’i MixUp, CutMix ve basit rastgele kopyala–yapıştır gibi standart tekniklerle karşılaştırdılar; polip vakası için sıkı çapraz doğrulama ve diğer hastanelerden alınan harici bir test seti kullandılar. Genel doğruluk, hastalıklı ile sağlıklı dokuyu ayırma yeteneği ve tekrarlı testler arasındaki kararlılık gibi performans ölçülerinin neredeyse tamamında—özellikle daha güçlü harmanlama (α yaklaşık 0,8) ile—CIM üstünlük gösterdi. Araştırmacılar ayrıca modelin karar verirken “nereye baktığını” gösteren ısı haritalarını incelediler. CIM ile eğitilmiş modeller, tıbbi anotasyonlarla daha iyi eşleşecek biçimde gerçek lezyon bölgelerine daha hassas odaklandı; bu da CIM’in ağın kestirme yollar veya gürültü yerine daha klinik olarak anlamlı özellikleri öğrenmesine yardımcı olduğunu gösteriyor.

Gelecekteki bağırsak kanseri taramaları açısından anlamı

Basitçe söylemek gerekirse, CIM doktorların bilgisayarlarına gerçek lezyonları anatomiyi gözeterek inandırıcı yeni konumlara yerleştirerek daha fazla ve daha iyi pratik görüntü sağlıyor. Bu yaklaşım, yaygın ve nadir durumlar arasındaki dengesizliği azaltıyor, erken ve ince hastalıkların tespitini güçlendiriyor ve ağır, kontrolü zor üretici modeller veya ek yardımcı ağlar olmadan çalışıyor. Mevcut çalışma ikili kararlar—lezyon veya lezyon yok—üzerine odaklansa da aynı strateji birden çok lezyon türüne genişletilebilir ve diğer organ sistemlerinde denenebilir. Yaygın olarak benimsendiği takdirde, CIM ve benzeri anatomi-bilinçli veri “karıştırma” araçları, bilgisayar destekli endoskopiyi daha güvenilir hâle getirerek uzmanların sindirim kanalındaki tehlikeli değişiklikleri daha erken ve daha tutarlı biçimde bulmasına yardımcı olabilir.

Atıf: Neto, A., Almeida, E., Libânio, D. et al. Cut instance mixing: A domain-specific data augmentation method applied to gastrointestinal lesion detection. Sci Rep 16, 11941 (2026). https://doi.org/10.1038/s41598-026-42138-2

Anahtar kelimeler: gastrointestinal lezyonlar, endoskopi görüntüleme, veri artırma, derin öğrenme, kanser taraması