ProSeg: yüksek doğruluklu prostat segmentasyonu için çok ölçekli bağlam birleştirme (MR görüntüleri)

Prostat kanseri bakımında neden önemli

Manyetik rezonans görüntüleme (MR), prostat kanserinin tespiti ve tedavisinde anahtar bir araç haline geldi; ancak hekimler hâlâ bezin ve iç bölgelerinin sınırlarını elle çizmek için çok zaman harcıyor. Bu konturlar biyopsi yapılacak yerin belirlenmesine, radyasyonun hedeflenmesine ve cerrahide ne kadar doku çıkarılacağına karar verilmesine yardımcı oluyor. Bu makale, farklı hastanelerden ve cihazlardan gelen MR taramalarında bile bu sınırları otomatik ve daha hassas şekilde çizmeyi amaçlayan ProSeg adlı yapay zeka sistemini tanıtıyor.

Prostatı iki çok farklı bölge olarak görmek

Prostat tek tip bir organ değil. Dış kabuk olan periferik zon ince, düzensizdir ve kanserlerin sıkça ilk ortaya çıktığı bölgedir. İç çekirdek olan santral gland ise MR üzerinde daha homojen görünür ve sınırları daha bulanıktır. Bu zıtlık iki katlı bir zorluk yaratır: dış katman son derece keskin sınır tespiti gerektirirken, iç bölge ince doku desenlerinin tutarlı biçimde tanınmasını gerektirir. Buna ek olarak, MR taramalar tarayıcı gücü, bobinler ve görüntüleme ayarlarına bağlı olarak geniş ölçüde değişir; bu, sınırları öngörülemez şekilde bulanıklaştırabilir veya keskinleştirebilir. Geleneksel bilgisayarla görü sistemleri tüm bu talepleri aynı anda karşılamakta zorlanır.

ProSeg dilimler ve tüm hacim üzerinden nasıl öğreniyor

ProSeg bu sorunu aynı anda iki ölçekte çalışan özel bir yapı taşıyla ele alır. Bir yol, her MR dilimindeki periferik zonun kıvrımlı, kağıt inceliğindeki konturunu takip eden yön-duyarlı filtreleri kullanarak yerel detaya odaklanır. Diğer yol ise birden çok dilim boyunca bakarak, santral glandı üç boyutta tanımlayan uzun menzilli desenleri ve ilişkileri tanımak için bir dikkat mekanizması kullanır. Daha sonra kapılı (gated) bir birleştirme adımı, her konumda yerel sınır sinyallerine karşı daha geniş bağlama ne kadar güvenileceğine karar verir ve ince kenarları ve organın genel şeklini birlikte koruyan birleşik bir özellik haritası üretir.

Ham görüntülerden temiz 3B konturlara

ProSeg, 3B MR verisini çok ölçekli özelliklere sıkıştırıp ardından tam çözünürlüklü bir segmentasyon maskesi yeniden inşa eden klasik bir kodlayıcı–kod çözücü (encoder–decoder) yapısına gömülüdür. Bu süreçte bir özellik piramidi ağı, erken aşamadaki ayrıntılı bilgileri daha derin, daha soyut ipuçlarıyla harmanlar. Özel normalizasyon katmanları modelin farklı MR protokolleriyle başa çıkmasına yardımcı olur ve uyarlanmış bir kayıp fonksiyonu, bölge örtüşme terimi (Dice kaybı) ile kenar pikselleri sınıflandırılması zor olan bölgelere ekstra ağırlık veren bir odak (focal) kaybını birleştirir. Bu tasarım, sistemi küçük yapıları yakalamaya teşvik ederken gürültü veya düzensiz kontrasttan yanıltılmasını önlemeye çalışır. Sonuç, arka planı, periferik zonu ve santral glandı üç boyutta ayıran voxel-voxel haritasıdır.

Gerçek klinik veri kümelerinde performansı ne kadar iyi

Yazarlar ProSeg’i, farklı satıcılar, alan güçleri ve çözünürlüklere sahip taramaları içeren yaygın kullanılan üç prostat MR veri kümesi—Promise12, Prostate158 ve ProstateX—üzerinde test ettiler. Bu karşılaştırma ölçütlerinde ProSeg, UNet, Swin UNETR ve SegMamba gibi güçlü temel yöntemleri tutarlı şekilde geride bıraktı. Hem ince dış zon hem de daha hacimli santral gland için daha yüksek Dice skorları elde etti ve daha iyi geri çağırma (recall) sağlayarak gerçek prostat piksellerini ve şüpheli bölgeleri daha az kaçırdı. Özellikle ProSeg, bezin apeksi (tepe bölgesi) ve milimetre düzeyindeki doğruluğun cerrahi sınırlar veya radyasyon hedeflemesini etkileyebileceği küçük şüpheli lezyonlar gibi zor bölgelerde belirgin kazanımlar gösterdi.

Kliniğe olası etkileri

Genel okuyucu için ana mesaj, ProSeg’in MR taramalarında prostatı ve önemli alt bölgelerini, görüntüler farklı kaynaklardan gelse bile bilgisayarların daha güvenilir şekilde "izlemesine" olanak sağlamasıdır. Keskin yerel kenar algısını dilimler arası geniş anatomik anlayışla birleştirerek sistem, önceki yöntemlere göre daha temiz, daha tutarlı konturlar üretir. Pratikte bu, radyologların otomatik konturları düzeltmeye harcadıkları süreyi kısaltabilir, gözlemciler arasındaki farkları azaltabilir ve daha hassas biyopsi, cerrahi ve radyasyon planlarını destekleyebilir. En belirsiz santral gland bölgelerinin ele alınması ve ek görüntüleme türlerinin entegrasyonu gibi konularda daha fazla çalışmaya ihtiyaç olsa da, çalışma ProSeg gibi özenle tasarlanmış yapay zeka araçlarının MR tabanlı prostat kanseri bakımını daha hızlı, daha standartlaştırılmış ve daha doğru kararlara taşıyabileceğini gösteriyor.

Atıf: Qin, J., Yang, Y. ProSeg: multi-scale context fusion for high-precision prostate segmentation in MRI. Sci Rep 16, 13620 (2026). https://doi.org/10.1038/s41598-026-43589-3

Anahtar kelimeler: prostat MR, tıbbi görüntü segmentasyonu, derin öğrenme, kanser tanısı, radyoterapi planlaması