Dinamik veri arttırma ve geliştirilmiş Manta Ray Foraging Optimization ile hibrit çift-akışlı CNN çerçevesi: sağlam glokom tespiti için

Bu araştırma görüşünüz için neden önemli

Glokom, sessiz bir görme hırsızıdır: genellikle belirgin belirtiler göstermeden optik sinire yavaşça zarar verir ve görme kaybı çoğunlukla kalıcı hale gelir. Düzenli göz muayeneleri erken teşhisi sağlayabilir, ancak retina görüntülerini doğru okumak zaman, pahalı ekipman ve uzman klinisyenler gerektirir. Bu makale, doktorlara hızlı ve güvenilir bir yardımcı olarak hizmet etmek üzere tasarlanmış bir yapay zeka (YZ) sistemi sunuyor; yaygın göz fotoğraflarında glokomu tespit etmek için mevcut yöntemlerle boy ölçüşen, bazı testlerde ise onları geçen doğruluk seviyelerine ulaşıyor.

Sessiz bir göz hastalığının sorunu

Glokom dünya genelinde on milyonlarca insanı etkiler ve geri döndürülemez körlüğün önde gelen nedenlerinden biridir. Hastalık, optik sinir başının—sinir liflerinin gözden çıktığı noktanın—görünümünü kademeli olarak değiştirir; optik disk içindeki merkezi “kupanın” ve çevresindeki sinir dokusunun göreli boyut ve şekli değişir. Günümüzde klinisyenler retina fotoğrafları, görme alanı testleri ve göz içi basınç ölçümleri gibi bir dizi teste dayanıyor. Bu yöntemler işe yarar, ancak emek yoğundur, uzman yorumu büyük ölçüde belirleyicidir ve klinikler veya gözlemciler arasında tutarsızlık gösterebilir. Öte yandan rutin bakımda çok sayıda göz görüntüsü yakalanıyor; bu da erken dönemde riskli vakaları işaretleyebilecek otomatik araçlar için doğal bir fırsat yaratıyor.

Bir bilgisayara göz fotoğraflarını okutmaktan

Böyle bir araç oluşturmak için yazarlar dört kamuya açık glokom veri kümesinden alınmış renkli fundus fotoğrafları—gözün arka kısmının standart görüntüleri—ile başlıyor. Her görüntü önce dikkatli bir temizleme hattından geçirilir: gürültü azaltılır, parlaklık ve kontrast standartlaştırılır ve dikkat dağıtan siyah kenarlar kaldırılır. Bir kümeleme yöntemi daha sonra optik disk ve kupanın çevresindeki bölgeyi izole eder; bu bölge kırpılıp yeniden boyutlandırılarak her görüntüde en bilgilendirici alanın tutarlı bir biçimde sunulması sağlanır. Bu adım, YZ’nin glokomu değerlendirmek için göz doktorlarının kullandığı yapılara odaklanmasını; alakasız arka plan ayrıntılarına kaymamasını temin eder.

Sınırlı ve dağınık veriden en iyi şekilde yararlanmak

Tıbbi görüntülemede büyük bir zorluk, gerçekten hastalıklı vakaların normal olanlara kıyasla nadir olması ve gerçek dünya görüntülerinin keskinlik, aydınlatma ve hatta kamera türü açısından değişkenlik göstermesidir. Bunu ele almak için yazarlar “hibrit veri arttırma” stratejisi tasarlıyor. Her görüntünün gerçekçi varyasyonlarını döndürme, kaydırma, yakınlaştırma ve tersine çevirme gibi işlemlerle oluşturuyorlar; bu, aynı göz fotoğrafını biraz farklı konumlardan çekmeye benzer. Buna ek olarak, günlük klinik görüntülemenin kusurlarını taklit etmek için her görüntünün parlaklık ve kontrastından hesaplanan uygun miktarda hafif görsel gürültü ekliyorlar. Bu kontrollü çeşitlilik, YZ’nin dar, idealize bir veri kümesine fazla uyum sağlamak yerine geniş bir koşul yelpazesinde glokomu tanımayı öğrenmesine yardımcı olur.

İki uzman bakış açısı ve odaklanmış bir görüş

Sistemin merkezinde aynı gözü inceleyen iki tamamlayıcı uzman gibi davranan çift‑akışlı bir derin öğrenme tasarımı var. DenseNet121 adlı ağa dayanan bir akış, optik diskin dış hatları, kupanın şekil ve büyüklüğü ve dokunun genel deformasyonu gibi büyük ölçekli yapıya odaklanıyor. Diğer akış ise ResNet50 tabanlı olup ince dokuya bakıyor: sinir lifi tabakasındaki hafif desenler ve erken hasarı işaretleyebilecek küçük düzensizlikler gibi ayrıntılar üzerinde duruyor. Ardından hafif bir “dikkat” mekanizması, glokom için en bilgilendirici olma eğilimindeki görüntü özelliklerini otomatik olarak öne çıkarıyor ve tekrarlayan ya da alakasız olanları kısıyor. İki zenginleştirilmiş bakış açısı son olarak birleştirilip basit bir sınıflandırıcıya gönderiliyor; çıktı olarak görüntünün glokomatöz mü yoksa sağlıklı mı olduğu veriliyor.

İnce ayara doğadan ilham vererek izin vermek

Böyle bir sistem için en iyi ayarları seçmek—görüntülerin ne kadar döndürüleceği, hangi öğrenme hızının kullanılacağı, kaç katmanın yeniden eğitileceği—genellikle yorucu bir deneme‑yanılma işidir. Burada yazarlar bu işi manta vatozlarının okyanusta yiyecek arama davranışından esinlenen bir optimizasyon yöntemine bırakıyor. Bu algoritma farklı eğitim ayarı kombinasyonlarını keşfediyor, verimsiz bölgelerden kaçmak için ara sıra “zıt” çözümlere sıçrıyor ve giderek en doğru glokom tahminlerini üreten kombinasyonlara yakınsıyor. Bu aramayı doğrulama performansıyla sıkı şekilde ilişkilendirerek, sistem doğruluk, sağlamlık ve hesaplama süresi arasında elle ayar yapmaya gerek kalmadan bir denge noktası buluyor.

Gerçekte ne kadar iyi çalışıyor?

Çerçeve ACRIMA, Drishti‑Gs, ORIGA ve RIM‑ONE‑DL gibi yaygın olarak kullanılan dört veri kümesi üzerinde test ediliyor; bu veri kümeleri uzmanlar tarafından açıklanmış yüzlerce retinal görüntü içeriyor. Bu koleksiyonlarda model çarpıcı derecede yüksek puanlara ulaşıyor: bazı durumlarda tüm test görüntülerinde glokomatöz gözleri normal gözlerden doğru şekilde ayırıyor, neredeyse hiç yanlış alarm veya kaçırma olmadan ve hata düzeyleri sıfıra yakın. Dikkatle yapılmış ablation çalışmaları her bileşenin katkısını gösteriyor: hibrit arttırma genelleştirmeyi geliştiriyor, dikkat kritik bölgelere odaklanmayı keskinleştiriyor ve manta‑vatoz temelli optimizatör neredeyse mükemmele yakın performans için son itkiyi sağlıyor.

Geleceğin göz bakımına etkisi

Bir okuyucu için ana mesaj, bu araştırmanın rutin göz fotoğraflarını arka planda sessizce tarayabilecek ve hastalar herhangi bir belirti hissetmeden önce acil dikkat gerektirebilecek kişileri işaretleyebilecek YZ araçlarına bizi daha da yaklaştırdığıdır. Önerilen sistem göz doktorlarının yerini almaz, ancak özellikle uzman erişiminin sınırlı olduğu kliniklerde yorulmak bilmeyen bir asistan olarak hareket edebilir. Daha geniş hasta grupları üzerinde ek testler ve hafif yazılımlara veya taşınabilir cihazlara entegrasyon ile böyle çift‑akışlı, dikkat‑yönlendirmeli YZ, daha erken ve daha tutarlı glokom taramasını destekleyerek dünya çapında milyonlarca insanın görmesini korumaya yardımcı olabilir.

Atıf: Atia, A., Abdel-kader, H., Abo-Seida, O.M. et al. A hybrid dual-stream CNN framework with dynamic data augmentation and improved Manta Ray Foraging Optimization for robust glaucoma detection. Sci Rep 16, 12701 (2026). https://doi.org/10.1038/s41598-026-45384-6

Anahtar kelimeler: glokom taraması, retinal görüntüleme, derin öğrenme, tıbbi yapay zeka, optik sinir