Gelişmiş cilt kanseri tespiti için dermoskopik görüntülerde saç ve eser kaldırma: Derin öğrenme

Hayat kurtarmak için daha net cilt görüntüleri

Tehlikeli cilt kanserlerini erken dönemde fark etmek, basit bir poliklinik işlem ile hayati tehdide sahip bir hastalık arasındaki farkı yaratabilir. Doktorlar, benlerdeki ince renk desenlerini ve sınırları görmek için giderek daha fazla yakın çekim cilt fotoğraflarına, yani dermoskopik görüntülere güveniyor. Ancak gerçek hayatta bu fotoğraflar sıklıkla saç, ışık parlaması ve gölgelerle karışmış oluyor. Bu çalışma, modern bir yapay zeka sisteminin bu görüntüleri otomatik olarak "temizleyebileceğini", görsel karışıklıkları giderirken doktorların ve tanı yazılımlarının melanomu daha erken yakalamak için ihtiyaç duyduğu ince ayrıntıları koruduğunu gösteriyor.

Dağınık cilt fotoğraflarının sorunu

Melanom diğer cilt kanserlerinden daha nadir olsa da çok daha öldürücüdür; bu nedenle erken ve doğru teşhis hayati önem taşır. Dermoskopi, klinisyenlerin cilt yüzeyinin altındaki yapıları görmesini sağlar, ancak görüntüler nadiren kusursuz olur. Görüş alanını kesen saçlar, düzensiz aydınlatma ve cilt ya da kamera lensinden gelen yansımalar lezyon sınırlarını bulanıklaştırabilir ve pigment desenlerini gizleyebilir. Geleneksel temizleme yöntemleri el yapımı kurallar ve filtrelere dayanır; genellikle sadece belirli tür saçlar veya aydınlatma koşullarında işe yarar ve lezyonun kendisini kazara silebilir. Aynı zamanda birçok bilgisayar destekli cilt kanseri sistemi, girdi görüntülerinin zaten temiz olduğunu varsayar ki yoğun kliniklerde bu nadiren doğrudur.

Ağın neyi kaldıracağını ve neyi koruyacağını öğretmek

Araştırmacılar bu sorunu, U‑Net olarak bilinen bir derin öğrenme modelini istenmeyen eserleri gerçek cilt lezyonundan piksel düzeyinde ayıracak şekilde eğiterek çözdü. Benler ve diğer cilt lekelerine ait iki büyük, herkese açık görüntü koleksiyonu kullandılar; bunlar iyi huylu ve kanserli lezyonları kapsayan 20.000’den fazla dermoskopik görüntüyü içeriyordu. Her görüntü dikkatle ön işleme tabi tutuldu: farklı kameralar veya ışıklandırma ile çekilmiş fotoğrafların karşılaştırılabilir olması için renkler normalize edildi ve gerçek uygulamada görülen çeşitliliği taklit etmek amacıyla görüntü seti çevrilmiş, döndürülmüş ve hafifçe yeniden renklendirilmiş versiyonlarla genişletildi.

Karışıklık için hassas “gerçek veri” oluşturmak

Ana adımlardan biri, ağa hangi piksellerin saç ya da diğer karışıklık, hangi piksellerin lezyon veya çevreleyen cilde ait olduğunu tam olarak söylemekti. Dermatoloji uzmanları, ince saçları, cetvel işaretlerini, parlama noktalarını ve gölgeleri izleyerek temsili görüntüler üzerinde ayrıntılı maskeler elle çizdiler; önemli lezyon yapılarını korumaya özen gösterdiler. Klasik görüntü işleme araçları daha fazla görüntü için taslak maskeler oluşturmakta kullanıldı; uzmanlar bunları gözden geçirip düzeltti. Ağın tutarlı desenleri öğrenebilmesi için tüm görüntüler ve maskeler standart bir formata yeniden boyutlandırıldı. Eğitim sırasında özelleştirilmiş bir kayıp fonksiyonu, modele hem eserleri doğru şekilde sınırladığı için hem de özellikle çok ince veya küçük yapıları kazara yok etmemek için ödül verdi.

Daha net görüntüler ve daha iyi kanser tespiti

Eğitildikten sonra sistem görülmemiş görüntüler üzerinde test edildi. Görüntü kalitesi ölçümleri belirgin şekilde iyileşti: temizlenmiş görüntüler ideal referans görüntülere daha çok benzedi ve yapıları daha iyi korundu. Ağ, yoğun veya düzensiz olduğunda bile saçları ve diğer eserleri yüksek doğrulukla işaretlemeyi öğrendi. Bu durumun klinik olarak önemini görmek için yazarlar hem orijinal hem de temizlenmiş görüntüleri mevcut bir melanom tespit yapay zekasına verdiler. Temizlenmiş girdilerle o sınıflandırıcının doğruluğu yaklaşık %84’ten %90–92 civarına yükseldi ve performansın önemli bir denge ölçütü (F1 skoru) neredeyse 10 puan arttı. Modelin kararlarına olan güveni de arttı; özellikle daha önce karışıklığın lezyon sınırlarını gizlediği zor vakalarda güven artışı gözlendi.

Gelecekteki cilt kontrolleri için ne anlama geliyor

Bu çalışma, saç ve diğer görsel karışıklıkları gidermenin sadece kozmetik bir düzenleme olmadığını, güvenilir bilgisayar destekli cilt kanseri teşhisi için kritik bir ilk adım olduğunu gösteriyor. Mevcut sınıflandırıcıların önüne bir eser giderme ağı yerleştirilerek klinikler ve teletıp hizmetleri, doktorların ek iş yükü olmadan gerçek zamanlı olarak daha net ve daha standartlaştırılmış dermoskopik görüntüler elde edebilir. Yaklaşımın daha farklı cilt tonlarında, kameralar ve klinik ortamlarında daha fazla test edilmesi gerekiyor, ancak daha güvenilir yapay zeka destekli melanom taraması ve nihayetinde hastalar için daha erken tedaviye yönelik pratik bir yol sunuyor.

Atıf: Hammouda, N.G., Shalaby, M., Alfilh, R.H.C. et al. Hair and artifact removal in dermoscopic images using deep learning for enhanced skin cancer detection. Sci Rep 16, 14452 (2026). https://doi.org/10.1038/s41598-026-44545-x

Anahtar kelimeler: melanom, dermoskopi, derin öğrenme, görüntü ön işleme, cilt kanseri tespiti