PatchMorph kullanarak 3B beyin görüntü kaydı ağları için bellek açısından verimli eğitim

Çok Sayıda Beyin Tarayıcısını Anlamlandırmak

Modern beyin araştırmaları, birçok insan ve hayvandan alınan 3B taramaların karşılaştırılmasına dayanıyor; ancak her beyin görüntüsü boyut, şekil ve çözünürlük açısından biraz farklı. Bunları devasa bilgisayarlara ihtiyaç duymadan doğru şekilde hizalamak büyük bir zorluktur. Bu makale, bellek kullanımını dramatik şekilde azaltırken doğruluğu koruyan ya da iyileştiren ve daha büyük, daha zengin beyin veri kümelerini incelemenin önünü açan yeni bir hizalama yöntemi olan PatchMorph’u tanıtıyor.

Beyinleri Hizalamanın Neden Bu Kadar Zor Olduğu

Beyinleri karşılaştırmak için araştırmacılar önce bir 3B görüntüyü diğerine “kayıt” eder; eşleşen yapılar örtüşecek şekilde bir hacmi çarpıtırlar. Klasik araçlar bunu, görüntüler arasındaki benzerlik skoru en üst düzeye ulaşana kadar bir deformasyon alanını yavaşça ayarlayarak yapar. VoxelMorph gibi yeni derin öğrenme yöntemleri ise bu çarpıtmayı tek adımda tahmin etmeyi öğrenir ve kaydı çok daha hızlı hale getirir. Ancak bu ağların çoğu girdi görüntülerinin aynı ızgara boyutuna ve çözünürlüğe sahip olmasını bekler ve genellikle tam 3B hacimleri bir kerede işlemeleri gerekir. Görüntü boyutları ve model karmaşıklığı arttıkça gereken grafik belleği hızla patlar; bu da araştırmacıları verilerini küçültmeye, kırpmaya veya yoğun ön işlemeye zorlar.

Beyinlere Parça Parça Bakmak

PatchMorph bu darboğazı, tam 3B hacimleri ağda bir kerede yüklemeyerek aşar. Bunun yerine, sabit görüntüyü kapsayan ortak bir referans alanı boyunca örneklenen küçük 3B “yama”larla çalışır. İlk düzeyde yöntem, tüm beyin üzerine nispeten büyük yamalar yerleştirir, hareketli görüntüden hassas koordinat dönüşümleri kullanarak karşılık gelen yamaları çıkarır ve bunları kompakt bir kayıt ağına besler. Ağ, her yamanın yerel içeriği eşleşecek şekilde nasıl kaydırılması ve çarpıtılması gerektiğini tahmin eder. Bu çok sayıda yerel tahmin daha sonra tüm beyin çarpıtmasının sürekliliğini koruyacak şekilde düzgün enterpolasyon kullanılarak küresel bir deformasyon alanına dağıtılır.

Büyük Yamalar’dan İnce Ayrıntılara

PatchMorph, kaba düzeyden ince düzeye birkaç ölçekte ilerler. İlk ölçekte bir yama, düşük çözünürlükte geniş bir beyin bölgesini kapsar ve genel boyut veya konum gibi geniş uyumsuzlukları yakalar. Sonraki ölçeklerde yeni yamalar, önceki örneklenen yamaların alt bölgelerine “yakınlaşır” ancak her zaman bellek içinde aynı sayıda voksel tutar. Bu, daha ince ölçeklerin bellek talebini artırmadan fiziksel ayrıntıyı yükselttiği anlamına gelir. Daha ince seviyelerdeki yama pozisyonları ebeveyn yamaları içinde stokastik olarak seçildiği için yöntem yalnızca yama merkezlerine odaklanmaz; zamanla çevresel yapıları hizalamayı da öğrenir. Ölçekler boyunca tahmin edilen deformasyonlar tek bir küresel alana biriktirilir, adım adım rafine edilir ve her zaman mekansal olarak tutarlı kalır.

Gerçek Dünya Beyin Verileriyle Çalışmak

Yazarlar PatchMorph’u iki zorlu veri kümesinde test ettiler: MindBoggle projesinden insan T1 MRI taramaları ve seri iki-foton mikroskopisiyle elde edilmiş yüksek çözünürlüklü marmoset beyin görüntüleri. Bu görüntüler dizi boyutu, yönelim ve bazen voksel aralığında farklılık gösterir—klasik ağları zorlayan koşullar. PatchMorph, etiketlenmiş beyin bölgeleri arasındaki örtüşme açısından son derece gelişmiş derin öğrenme kayıt yöntemleriyle eşleşti veya onları geçti ve deformasyon alanındaki topolojik hataların (gerçekçi olmayan kıvrılmalar) oranlarını çok düşük tuttu. Kritik olarak, dönüştürücü (transformer) tabanlı omurga ağlarıyla eğitim yapıldığında, PatchMorph 256^3 voksel görüntüler için gereken belleği doğruluktan ödün vermeden yaklaşık 40 GB’tan 10 GB’ın altına düşürdü.

Hız, Takaslar ve Gelecekteki Kullanımlar

PatchMorph birçok yama çıkarmak ve yeniden birleştirmek zorunda olduğundan, çıkarım sırasında tek seferlik tam hacim ağlarından biraz daha yavaştır; ancak geleneksel yinelemeli araçlardan hâlâ çok daha hızlıdır. Karşılığında büyük, yüksek çözünürlüklü ve düzensiz örneklenmiş görüntüleri yerel uzaylarında doğrudan işleyebilir ve basit konvolüsyonel ağlardan gelişmiş dönüştürücülere kadar çeşitli omurga mimarilerini yeniden kullanabilir. Bu, daha önce belleğe sığmayan güçlü derin öğrenme modellerini gerçek dünya beyin görüntüleme çalışmalarına getirmenin önünü açar. Pratikte PatchMorph, tüm hacimler yerine yamalar üzerinde düşünerek araştırmacıların karmaşık 3B beyin verilerini doğru, verimli ve daha önce erişilemeyen ölçeklerde hizalayabileceğini gösteriyor.

Atıf: Skibbe, H., Byra, M., Watakabe, A. et al. Memory efficient training for 3D brain image registration networks using PatchMorph. Sci Rep 16, 14386 (2026). https://doi.org/10.1038/s41598-026-44858-x

Anahtar kelimeler: beyin görüntü kaydı, derin öğrenme, tıbbi görüntüleme, 3B MRI, PatchMorph