U-ResNet ve şekil farkındalıklı dikkat entegre eden omurga hastalığı görüntü segmentasyon teknolojisi

Neden Omurga Taramalarına Daha Akıllı Araçlar Gerekli?

Sırt ağrısı, insanların doktora başvurma sebepleri arasında en yaygın olanlardan biridir ve MRI ile CT gibi modern tarayıcılar omurgayı oluşturan küçük kemikler ve diskleri dikkat çekici bir ayrıntıyla gösterebilir. Ancak bu gri görüntüleri hangi bölümün kemik, hangi bölümün disk olduğu ve hastalığın nerede saklandığı konusunda net konturlara dönüştürmek hâlâ genellikle dilim dilim elle yapılıyor. Bu makale, omurga yapılarını ve sık görülen sorunları otomatik olarak daha yüksek doğruluk ve hızla izleyebilen yeni bir yapay zeka sistemi sunuyor; bu sayede radyologlar ve cerrahlar daha iyi kararlar alırken iş yükü azalıyor.

Omurgayı Okuma Zorluğu

Omurga, üst üste dizilmiş vertebralar, aralarındaki yumuşak diskler ve boyundan bel bölgesine kadar değişen hassas eğrilerden oluşan karmaşık bir sütundur. Fıtık diskler, kompresyon kırıkları ve skolyoz gibi hastalıklar bu yapıyı dramatik biçimde bozabilir. Geleneksel bilgisayar yöntemleri bu varyasyonlarla başa çıkmakta zorlanır ve son dönemdeki birçok derin öğrenme modeli bile kemik ile disk arasındaki sınırlarda hatalar yapabilir veya anatomik yapı çok anormal göründüğünde başarısız olabilir. Uzmanlar tarafından elle yapılan konturlama yavaş, tutarsız ve yoğun hastanelerde ölçeklendirmesi zordur; özellikle daha fazla genç ofis çalışanı ve öğrencinin sırt sorunları geliştirmesiyle birlikte iş yükü artmaktadır.

Omurga Görüntüleri için Özelleştirilmiş Bir Ağ

Bu sorunları ele almak için yazarlar, U-Net adlı popüler tıbbi görüntüleme ağının geliştirilmiş bir versiyonuna dayanan omurga-özgü bir derin öğrenme modeli tasarlıyor. U-ResNet adını verdikleri özelleştirilmiş omurga, U şeklindedir: bir taraf görüntüyü kademeli olarak sıkıştırarak genel bağlamı yakalar, diğer taraf ise yeniden genişleterek her yapının ayrıntılı bir haritasını üretir. Yeni tasarım derinlik ve verimlilik arasında bir denge sağlayarak yüksek çözünürlüklü taramalarda süperbilgisayarlara ihtiyaç duymadan çalışabilmesini mümkün kılar. Ayrıca çoklu ölçeklerde özellikleri birleştirir; bu sayede model hem büyük vertebral cisimlere hem de daha küçük, ince disklerlere aynı anda dikkat edebilir ve MRI ile CT görüntülerini aynı ağın işleyebilmesi için bilgiyi normalleştirir.

Modele Şekli Gözönünde Bulundurmayı Öğretmek

Bunun temel yeniliği, ağa sağlıklı bir omurganın genellikle nasıl göründüğünü ve hastalığın bu desenleri nasıl büküp bozabileceğini açıkça öğreten "şekil-farkındalıklı dikkat" modülüdür. Görüntüler bu modüle ulaşmadan önce bir ön işleme adımı taramalardan kontur bilgisi—temelde kemiklerin ve disklerin dış hatları—çıkarır. Modül içinde ağ, bu şekil ipuçlarını görüntüden öğrenilenlerle karşılaştırır; iki bilgi kaynağı örtüştüğünde sinyalleri güçlendirir ve hastalık deformasyonları olduğunda uyum sağlar. Bu, sistemin sıkışmış, taşmış veya kıvrılmış olsa bile gerçek omurga yapılarına odaklanmasını sağlar ve kas ve yağ gibi dikkat dağıtıcı arka plan dokularını baskılar.

Bütün Bölgeler ile Keskin Kenarlar Arasında Denge Kurmak

Bir diğer temel katkı ise iki yarışan hedefi dengeleyen bir eğitim stratejisidir: her yapının tam kapsamını yakalamak ve kenarlarını keskin çizmek. Yazarlar, modelin nasıl gelişeceğini bildiren birleşik bir kayıp fonksiyonu—özünde bir eğitim kuralı—tasarlar. Bir bölüm vertebra veya diskin tüm bölgesini doğru yakalamaya vurgu yapar; bu, hacimleri ve dejenerasyonu ölçmek için hayati öneme sahiptir. Diğer bölüm ise sınırların doğruluğuna odaklanır; bu, ameliyat planlaması veya hastalık ilerleyişinin takibinde önem taşır. Model, yapının boyutu ve netliğine bağlı olarak hangi kısma ne kadar önem vereceğini otomatik olarak ayarlar ve sayısal ölçümlerin pratikte doktorların bekleyeceği değerlerle uyumlu olması için bir hacim kısıtı ekler.

Sistemi Teste Sokmak

Araştırmacılar yaklaşımlarını iki geniş veri kümesi üzerinde değerlendirir: yumuşak doku ayrıntısı açısından zengin lomber omurga MRI taramaları ve boyun, göğüs ve bel dahil olmak üzere tüm omurgayı kapsayan, skolyoz ve kompresyon kırıkları gibi çeşitli durumları içeren bir tam-omurga CT koleksiyonu. Dokuz gelişmiş metoda kıyasla, modelleri neredeyse her kategoride—genel segmentasyon kalitesi ve sınır hassasiyetinden intervertebral diskin ne kadar aşındığını derecelendirmeye kadar—en yüksek skorları elde eder. Bunu, birçok rakibine göre daha az hesaplama ve parametre kullanarak yapar; bu da standart hastane donanımında veya daha düşük güçlü cihazlarda çalışmaya daha uygun hale getirir.

Hastalar ve Klinikler için Anlamı

Basitçe söylemek gerekirse, bu çalışma yapay zekaya hem omurga yapılarını hem de bunların sınırlarını anlamayı öğretmenin omurga taramalarının otomatik değerlendirmelerini daha güvenilir ve klinik olarak daha faydalı hale getirebileceğini gösteriyor. Model, küçük veya ciddi biçimde deforme olmuş olanlar da dahil olmak üzere vertebraları ve diskleri daha doğru izlemekle kalmıyor, aynı zamanda gerçek dünya iş akışlarına sığacak kadar hızlı çalışıyor. Hâlâ daha nadir omurga hastalıklarında ve daha fazla hastanede test edilmesi gerekse de, bu yaklaşım sırt problemlerinin tanısında, ameliyat planlamasında ve iyileşmenin izlenmesinde rutin, yüksek hassasiyetli bilgisayar destekli yardıma doğru umut verici bir adım sunuyor.

Atıf: Zhao, D., Qin, R., Chai, Z. et al. Spinal disease image segmentation technology integrating U-ResNet and shape-aware attention. Sci Rep 16, 12465 (2026). https://doi.org/10.1038/s41598-026-42870-9

Anahtar kelimeler: omurga görüntülemesi, tıbbi görüntü segmentasyonu, derin öğrenme, MRI ve CT omurga, sırt ağrısı tanısı