Optik koherans tomografi B‑kesitlerinde retina katmanı ve sıvı segmentasyonu için çok ölçekli uyarlanabilir füzyon ağı

Günlük Görme Bakımı İçin Daha Keskin Göz Taramaları

Diyabet ve yaşa bağlı makula dejenerasyonu gibi hastalıklar, görmede değişiklikleri fark etmeden çok önce gözün arkasındaki ışığa duyarlı doku olan retinayı sessizce zarar verebilir. Optik koherans tomografi (OCT) adı verilen modern tarayıcılar doktorlara retina hakkında ayrıntılı kesit görüntüler sağlıyor, ancak bu görüntüleri elle yorumlamak yavaş ve ince uyarı işaretlerini gözden kaçırmaya yatkın olabilir. Bu çalışma, AMDF‑Net adlı gelişmiş bir bilgisayar sistemi sunuyor; retina katmanlarını ve sıvı birikintilerini yüksek doğrulukla otomatik olarak izlemek üzere tasarlanmış olan bu sistem, kör edici göz hastalıklarının daha hızlı ve daha güvenilir tanı ve izlemesine olanak sağlayabilir.

Gözdeki Sıvının Neden Bu Kadar Önemli Olduğu

Diyabetik maküla ödemi, yaşa bağlı makula dejenerasyonu ve retinal ven veya sinir sorunları da dahil olmak üzere birkaç yaygın göz rahatsızlığında, retinanın içinde veya altında küçük sıvı birikintileri oluşur. Bu birikintilerin boyutu, şekli ve tam konumu doktorlara tedavinin işe yarayıp yaramadığı veya hastalığın kötüleşip kötüleşmediği konusunda bilgi verir. OCT görüntüleri bu özellikleri büyük ayrıntıyla yakalar, ancak retina, kâğıt inceliğinde birçok katmandan oluşur; bu katmanlar kıvrılır ve üst üste biner. Sıvı sınırları bulanıklaştırabilir ve düzensiz lekeler şeklinde görünebilir. Geleneksel bilgisayar programları ve hatta önceki derin öğrenme araçları, görüntüler gürültülü olduğunda, kontrast düşük olduğunda veya hastalık deseni alışılmadık olduğunda bu katmanları ve sıvıları doğru şekilde ayıramamakta zorlanır.

OCT Görüntüleri İçin Yeni Bir Dijital Asistan

Araştırmacılar bu zorlukları doğrudan ele almak için AMDF‑Net (Uyarlanabilir Çok‑Alan Füzyon Ağı) geliştirdiler. Sistem ham OCT göz taramalarını alır ve önce kenar belirginleştirme, gürültü azaltma ve parlaklık eşleştirme kullanarak görüntüleri temizler; böylece ince yapılar öne çıkar ve farklı tarayıcılardan gelen görüntüler birbirine daha çok benzer. Ardından veriyi iki tamamlayıcı yol üzerinden geçirir: biri katmanlar arasındaki ince sınırlar gibi küçük yerel ayrıntılara odaklanırken, diğeri tüm tarama boyunca katmanların nasıl eğildiğini ve sıvının nerede toplandığını yakalayarak daha geniş desenleri analiz eder. Özel bir füzyon bloğu bu iki görünümü birleştirir ve dikkat mekanizması—bilgilendirici bölgelere otomatik olarak "daha fazla dikkat verme" işi—kullanarak hastalıklı doku olma olasılığı yüksek özellikleri vurgular.

Anatomi ve Hastalığı Birlikte Görmek

AMDF‑Net yalnızca sağlıklı anatomiyi çizmekle kalmaz; aynı zamanda intraretinal ve subretinal sıvı cepleri veya destekleyici dokunun ayrıldığı alanlar gibi gerçek hastalarda görülen desenlere ayarlı bir hastalık‑içerikli modül içerir. Ağın bu kısmı, eğitim sürecinde sıklıkla hastalığı işaret eden görüntü desenlerini vurgulamayı öğrenirken normal katman yapısını da takip eder. Sistem, hem doğru bölge dolumunu hem de net sınırları ödüllendiren dikkatle tasarlanmış bir kayıp fonksiyonu—optimize etmeye çalıştığı matematiksel bir skor—ile yönlendirilir. Bölge‑temelli ve kenar‑odaklı geri bildirimleri öğrenme sırasında birleştirerek, modelin yalnızca uzman işaretlemeleriyle iyi örtüşmekle kalmayıp aynı zamanda düzgün, klinik açıdan anlamlı konturlara sahip segmentasyonlar üretmesi sağlanır.

Çok Sayıda Hasta ve Tarayıcıda Test Edildi

AMDF‑Net’in pratikte ne kadar iyi çalıştığını değerlendirmek için yazarlar sistemi üç iyi bilinen kamu OCT koleksiyonunda ve yoğun çalışan bir göz hastanesinden alınmış gerçek dünyaya ait bir klinik veri setinde test ettiler. Bu veri kümeleri farklı hastalıkları, tarayıcı markalarını ve özellikle optik sinir çevresi ile birçok algoritmanın kaçırdığı küçük sıvı cepleri gibi zorlu bölge ve görüntü kalitelerini kapsıyordu. Hepsi genelinde AMDF‑Net, önde gelen yöntemlerle tutarlı şekilde eşleşti veya onları geride bıraktı; yaygın doğruluk puanlarını yaklaşık üç ila beş puan artırdı ve kırık katman çizgileri veya yanlış tanımlanmış sıvı lekeleri gibi görünür hataları azalttı. Önemli olarak, sistem farklı üreticilerin görüntülerini yalnızca küçük performans düşüşleriyle işleyebildi; bu, günlük klinik kullanım için kritik bir gerekliliktir.

Hastalar ve Klinikler İçin Anlamı

Uzman olmayanlar için temel mesaj, AMDF‑Net’in OCT taramalarında retinanın yapısını ve sorunlu bölgelerini hızla ve güvenilir şekilde izleyebilen son derece eğitimli bir dijital asistan gibi çalıştığıdır. Bu işlemi çok sayıda görüntüde gerçekleştirebilmesi, göz doktorlarının hastalığı daha erken tespit etmesine, vizitler arasındaki ince değişiklikleri izlemesine ve tedavileri daha hassas şekilde uyarlamasına yardımcı olabilir; özellikle yoğun veya kaynakları kısıtlı ortamlarda bile. Yöntem şu anda daha basit modellerden daha fazla hesaplama gücü gerektirse de, yazarlar gelecekteki iyileştirmeler ve sıkıştırma tekniklerinin bunu rutin klinik kullanım için yeterince hızlı hale getirebileceğini belirtiyor. Uzun vadede AMDF‑Net gibi araçlar, karmaşık göz taramalarını retina sağlığının açık, uygulanabilir haritalarına dönüştürerek görmeyi korumaya yardımcı olabilir.

Atıf: Mani, P., Ramachandran, N., Sowmya, V. et al. Multi-scale adaptive fusion network for retinal layer and fluid segmentation in optical coherence tomography B-scans. Sci Rep 16, 10600 (2026). https://doi.org/10.1038/s41598-026-44006-5

Anahtar kelimeler: optik koherans tomografi, retina hastalığı, derin öğrenme segmentasyonu, tıbbi görüntüleme yapay zekâsı, maküla ödemi