Doğru Çok Sınıflı Göğüs Röntgeni Sınıflandırması için CLAHE Tabanlı Önişlemeli Optimizasyonlu EfficientNetB0 Çerçevesi

Göğüs Röntgenlerinden Daha Akıllı Yardım

Göğüs röntgenleri dünyadaki en yaygın tıbbi testler arasında yer alır, ancak bunları doğru okumak—özellikle aynı anda birden fazla akciğer veya kalp sorunu varsa—kolay değildir. Bu çalışma, hekimlerin tek bir röntgende birden fazla göğüs hastalığını daha doğru saptamasına yardımcı olan yeni bir bilgisayar sistemi tanımlıyor; sistem, özenle ayarlanmış bir yapay zeka (YZ) modeli ve ince ayrıntıları görünür kılan görüntü iyileştirme adımları kullanıyor.

Göğüs Görüntülerinin Zor Olmasının Nedenleri

Bir göğüs röntgeninde kaburgalar, akciğerler, kalp ve kan damarları gibi birçok organ ve doku aynı düzlemde üst üste biner. Deneyimli radyologlar bu görsel bulmacayı çözmeyi öğrenir, ancak akciğer çevresinde sıvı, enfeksiyon ve kalp büyümesi gibi birden çok durum aynı anda olduğunda bile zorlanabilirler. Önceki bilgisayar destekli araçlar genellikle bu gerçeği basitleştirdi; her görüntüyü sadece tek bir sorunu gösteriyormuş veya hiç göstermiyormuş gibi ele aldılar. Bu da bu araçları, hastaların sıklıkla birden fazla hastalığa sahip olduğu gerçek klinik ortamda daha az kullanışlı kılar.

Akciğerlerin Daha Temiz Bir Görünümünü Oluşturmak

Araştırmacılar, ABD Ulusal Sağlık Enstitüleri tarafından sağlanan 100.000'den fazla anonim göğüs röntgeninden oluşan büyük bir kamu veri kümesiyle başladılar. Günlük bakımda önemli beş bulguya odaklandılar: normal incelemeler, pnömoni, akciğer çökmüşlüğü (pnömotoraks), akciğer çevresinde sıvı (efüzyon) ve büyümüş kalp (kardiyomegali). YZ'ye öğretmeden önce her röntgeni standartlaştırılmış bir temizleme hattından geçirdiler. Görüntüler gri tonlamada tutuldu, akciğerlerdeki zayıf desenleri ortaya çıkarmak için CLAHE adı verilen bir yöntemle kontrast nazikçe artırıldı, parlaklık tutarlılık için ayarlandı ve tüm resimler aynı boyutlara yeniden ölçeklendi. Ekip ayrıca nadir ve yaygın bulguları, bazı örnekleri dikkatle tekrarlayarak ve diğerlerini budayarak dengeledi; böylece model nadir ama önemli hastalıkları görmezden gelmeyecek şekilde eğitildi.

Gerçek Dünya Karmaşıklığını Gözeten Bir YZ Eğitimi

Sistemin merkezinde, nispeten küçük ve hızlı modellerden güçlü performans çıkarma konusunda tanınan modern bir derin öğrenme tasarımı olan EfficientNetB0 ağı bulunuyor. Yazarlar bu ağı göğüs görüntülerinin karışık gerçekliğine uyarladı: tek bir evet‑hayır cevabı zorlamak yerine sistem, beş bulgunun her biri için ayrı bir olasılık çıktısı veriyor ve böylece bir görüntüde birden fazla sorunu işaretlemesine izin veriyor. Modelin en bilgilendirici desenleri vurgulamasına yardımcı olan dikkat benzeri bir bileşen eklediler ve öğrenmeyi en zor, kolayca kaçırılan vakalara odaklayan özel bir eğitim kuralı kullandılar. Eğitim iki aşamada gerçekleştirildi—ilk önce yalnızca son katmanlar ayarlandı, sonra tüm ağ ince ayarlandı—ve sonuçların veri içindeki rastgele bölünmelere bağlı olmadığından emin olmak için titiz çapraz doğrulama yapıldı.

Sistemin Performansı Nasıl?

Tasarımın gerçekten fayda sağlayıp sağlamadığını görmek için ekip, aynı koşullar altında EfficientNetB0'i iki popüler alternatif olan DenseNet121 ve MobileNetV2 ile karşılaştırdı. Üç model de benzer genel doğruluk elde etti, ancak optimize edilmiş EfficientNetB0 tıbbın en çok önem verdiği noktalarda öne çıktı: hasta ile sağlıklı vakaları ayırmada ve teşhis atlamalarını önlemede daha başarılıydı. Beş bulgunun tamamında hastalık‑olmama ayrımında yüksek ortalama skor elde etti ve özellikle pnömoni ile büyümüş kalp için güçlü performans sergiledi. X‑ray belirtilerinin ince olduğu ve diğer sorunlarla örtüşebildiği daha zor pnömotoraks ve efüzyon vakalarında bile model, tutarlılığı korurken sağlam saptama yeteneğini sürdürdü.

Hastalar ve Klinikler İçin Anlamı

Çalışma, göğüs röntgenlerinin nasıl temizlendiğinden ve dengelendiğinden YZ'nin nasıl eğitildiğine kadar tüm iş akışına dikkat etmenin, hastane görüntülemesinin dağınık gerçekliğini daha iyi yansıtan bir araç üretebileceğini gösteriyor. Önerilen sistem, radyologların yerini almayı hedeflemek yerine, tek bir göğüs röntgeninde birden fazla olası sorunu işaretleyen ve daha yakından incelenmesi gereken vakalara dikkat çeken ikinci bir göz olarak tasarlandı. Büyük bir kamu veri kümesi üzerinde elde edilen güçlü sonuçları ve diğer veri kümelerine uyarlanabilir tasarımıyla bu yaklaşım, bilgisayar destekli tanıyı günlük kullanıma bir adım daha yaklaştırıyor; böylece göğüs röntgenlerinin daha hızlı ve daha güvenilir okunması hastaların zamanında ve uygun bakımı almasına yardımcı olabilir.

Atıf: Hegazy, N.Y., Sawah, M.S. An optimized EfficientNetB0 framework with CLAHE-based preprocessing for accurate multi-class chest X-ray classification. Sci Rep 16, 10811 (2026). https://doi.org/10.1038/s41598-026-42492-1

Anahtar kelimeler: göğüs röntgeni yapay zeka, akciğer hastalığı tespiti, derin öğrenme radyoloji, tıbbi görüntü önişleme, çok etiketli sınıflandırma