ROI yönlendirmeli ilişkisel YOLO–SegNet dönüşümü, hafif kemik tümörü segmentasyonu ve X-ışını görüntülerinden sınıflandırma için

Daha Keskin X-ışınları, Daha Erken Yanıtlar

Kemik tümörleri nadir fakat ciddi olup birçok klinikte ilk ve bazen tek görüntüleme testi basit bir X-ışınıdır. Ne yazık ki tümörler sönük, düzensiz olabilir ve özellikle yoğun veya kaynak kısıtlı hastanelerde kolaylıkla gözden kaçabilir. Bu makale, gürültülü X-ışınlarını düzelten, şüpheli bölgelere yakınlaştıran ve olası tümörleri yüksek doğrulukla çizen hafif bir yapay zeka (YZ) sistemi sunar; amaç radyologları değiştirmek değil, onlara destek olmaktır.

Kemik Tümörlerini Neden Görmek Zor?

Bir X-ışınında kemik tümörü her zaman düzgün, yuvarlak bir leke şeklinde ortaya çıkmaz. Kenarları normal kemiğe karışabilir, parlaklığı sağlıklı dokuya benzeyebilir ve diğer yapılar kafa karıştırıcı örtüşmeler yaratabilir. Bu zorluklar, CT veya MR görüntülerine göre kontrastın daha düşük olduğu standart X-ışınlarında özellikle şiddetlidir. Mevcut birçok YZ aracı ya tüm resim için yalnızca “tümör” ya da “tümör yok” kararına odaklanır ya da küçük hastanelerin sahip olmayabileceği yoğun hesaplama gücü gerektirir. Cerrahi planlama ve hastalığın zaman içindeki takibi için kritik olan tümörün kesin sınırlandırılması ise verimli şekilde otomatikleştirilmesi hâlâ zor bir görev olmaya devam etmektedir.

X-ışınları için Üç Aşamalı Bir YZ Yardımcısı

Yazarlar bu zorluğa yönelik üç aşamalı bir boru hattı tasarlamıştır. Önce, ham X-ışınını temizleyen akıllı bir filtreleme adımı uygulanır. Ayrıntıları yıkayabilen sabit bir bulanıklaştırma yerine, ayarları bir optimizasyon rutini tarafından otomatik seçilen uyarlanabilir bir dijital filtre kullanılır. Bu, işaret-gürültü oranını yaklaşık 21 desibelden neredeyse 30 desibele çıkarır; yani görüntü belirgin şekilde daha az gürültülüdür ve kemiklerle tümörlerin kenarları keskin kalır. İkinci olarak, popüler YOLO model ailesinden türetilmiş kompakt bir algılama ağı, tümör içerebileceği olası bölgenin etrafına kaba bir kutu çizer. Üçüncü olarak, yalnızca bu daraltılmış bölge, tümörün pikselle düzeyde sınırlarını izleyen hafif bir segmentasyon ağına gönderilir ve nihai “normal” veya “tümör” kararı segmentasyondan elde edilen bilgiler kullanılarak verilir.

YZ’nin Dikkatini Önemli Yere Odaklamak

Ana yeniliklerden biri sistemin “ilişkisel” dikkat kullanım şeklidir. Birçok modern görüntü modeli, görüntünün her bölümünü diğer her bölümle karşılaştırmaya çalışan dönüştürücü (transformer) bloklarına güvenir. Güçlü olmakla birlikte, bu büyük tıbbi görüntülerde maliyetli hale gelir ve gerçek zamanlı kullanımı yavaşlatabilir. Burada ise dönüştürücü yalnızca algılayıcı tarafından bulunan tümör kutusunun içinde ve yakındaki kemik üzerinde uygulanır. Bu daha küçük alan içinde model, farklı noktaların birbirleriyle nasıl ilişkili olduğunu öğrenir; bu da bulanık tümör dokusunu normal kemikten ayırt etmesine yardımcı olur. Görüntünün geri kalanını görmezden geldiği için yaklaşım, klinik olarak ilişkili bölgede uzun menzilli bağlamı yakalarken hesaplama miktarını dramatik şekilde azaltır.

Doğadan Esinlenen Arama ile Ayarların Otomatikleştirilmesi

Boru hattı ayrıca önemli ayarları otomatik seçmek için iki doğadan esinlenen arama yöntemi kullanır. Bir algoritma filtrenin X-ışınını ne kadar güçlü şekilde düzleştireceğini ayarlar; bu, gürültü giderme ile kenar netliği arasında bir denge kurar. Diğer hibrit “fire hawk election” optimizatörü ise öğrenme hızı, batch boyutu ve dropout gibi iyi eğitim ayarlarını arar. Bu meta-sezgisel yöntemler, manuel deneme-yanılmayı azaltır ve nispeten küçük olan 809 uzman etiketli X-ışını veri setinde aşırı uyum olmadan modelin hızlıca yakınsamasına yardımcı olur; veri seti sağlıklı ve tümörlü vakaları içerir.

Hızlı, Doğru, Ama Henüz Klinik Hazır Değil

Beş katlı çapraz doğrulama ile test edildiğinde, sistem normal ile tümörlü X-ışınlarını yaklaşık %98,5 doğrulukla ayırt eder ve AI’nın tümör çizimleri ile uzman çizimleri arasındaki yakın uyumun göstergesi olarak %97 Dice skoruna ulaşır. Yaygın segmentasyon ağları olan UNet gibi modellere kıyasla yaklaşık üçte bir parametre kullanır ve modern bir grafik kartında görüntü başına yaklaşık 48 milisaniye çalışarak yakın gerçek zamanlı kullanımı destekler. Ancak yazarlar, sonuçlarının tek bir açık veri setinden geldiğini ve henüz gerçek dünya uygulamasındaki makineler, hastaneler ve hasta çeşitliliğinin tamamını yansıtmadığını vurgular. Çerçevelerini, çok merkezli ve çeşitli klinik koşullar altında doğrulandığında radyologların kemik tümörlerini daha tutarlı bir şekilde tespit edip ölçmelerine yardımcı olabilecek umut verici bir araştırma-destek aracı olarak konumlandırırlar.

Atıf: Natarajan, C., Rajendran, S., Vinmathi, M.S. et al. ROI-guided relational YOLO–SegNet transformer for lightweight bone tumor segmentation and classification from X-ray images. Sci Rep 16, 14603 (2026). https://doi.org/10.1038/s41598-026-44297-8

Anahtar kelimeler: kemik tümörleri, tıbbi X-ışınları, derin öğrenme, tümör segmentasyonu, bilgisayar destekli tanı