Çok sınıflı beyin tümörü sınıflandırması: Çok ölçekli deformable dikkat modülü ve gelişmiş veri artırımlarıyla entegre ResNet101 omurgası

Neden beyin taraması ayırımı önemli

Hekimler tümör taramaları incelerken yalnızca tümörün varlığını saptamakla kalmaz, aynı zamanda hangi tür olduğu bilgisini de belirlemelidir. Farklı tümör türleri farklı tedaviler gerektirir, oysa Manyetik Rezonans Görüntüleme (MRI) üzerinde benzer görünümler sergileyebilirler. Bu çalışma, MRI taramalarından birçok farklı beyin tümörünü çok yüksek doğrulukla ayırabilen yeni bir yapay zekâ yaklaşımını inceliyor; bu da radyologlara hayatı etkileyen kararlar verirken daha hızlı ve daha tutarlı bir destek sağlayabilir.

Bilgisayarlara beyin taramalarını ‘okutmak’

Araştırmacılar, çok sınıflı sınıflandırmaya odaklanıyor; bu, yalnızca tümör var/yok ayrımının ötesinde aynı anda birçok tümör kategorisini ayırt etmek anlamına geliyor. Model olarak, doğal görüntü koleksiyonlarından genel görsel desenleri zaten öğrenmiş yaygın bir görüntü tanıma ağı olan ResNet101 üzerine kurulu bir derin öğrenme modeli kullanıyorlar. Ekip, bu ağı beyin MRI’sine uyarlıyor ve normal beyin dokusundan glioblastoma, menenjioma ve medulloblastoma gibi belirli tümörlere kadar 15 sınıfı içeren bir açık veri kümesine uyguluyor. Bu kadar çok kategoriyi ele almak, görevi radyologların gerçek kliniklerde karşılaştıkları duruma daha yakın hale getiriyor.

Gerçek dünya verisini temizleme ve dengeleme

Tıbbi görüntü koleksiyonları genellikle aynı hastanın yinelenen taramaları veya her tümör türünün görülme sıklığındaki büyük farklılıklar gibi gizli tuzaklar içerir. Yanıltıcı sonuçlardan kaçınmak için yazarlar önce tüm veri kümesini tarıyor, her görüntü için dijital bir parmak izi hesaplıyor ve tam kopyaları kaldırıyor. Ardından görüntüleri hasta kimliğine göre gruplayıp eğitim, doğrulama ve test setlerine hasta bazlı bölerler, böylece aynı kişinin taramaları birden fazla alt sette yer almaz. Bu hasta-bazlı bölme, bildirilen doğruluğun aynı beynin tekrarlı görüntülerine değil, gerçekten görülmemiş bireylere karşı performansı yansıtmasına yardımcı olur. Ekip ayrıca nadir tümör türlerinin eğitim sırasında daha iyi temsil edilmesi ve modelin yönelim, parlaklık ve gürültü değişimlerine dayanabilmesi için çok sayıda görüntü dönüşümü ve MixUp adı verilen bir tekniği kullanır.

Esnek dikkatle daha yakından bakmak

Çalışmadaki önemli yeniliklerden biri, yazarların çok ölçekli deformable dikkat modülü adını verdikleri bileşendir. Basitçe söylemek gerekirse, model MRI’yı beyin genelinin kaba yapılarından tümöre yakın daha ince dokulara kadar farklı ayrıntı düzeylerinde inceler. Her konumu katı, ızgara benzeri bir şekilde taramak yerine deformable dikkat, "bakılan" yerleri hafifçe kaydırmayı öğrenir ve böylece bilgi veren bölgelere odaklanır. Ardından görüntüdeki önemli noktaları vurgulayan bir dikkat ve ağ içindeki en faydalı özellik kanallarını güçlendiren diğer bir dikkat olmak üzere tamamlayıcı iki dikkat biçimi uygular. Bu birleşim, bir tümör türünü diğerinden ayıran ince şekil ve doku farklarını daha iyi yakalamayı sağlar.

Performans ve güveni teste sokmak

Çok sayıda döngüyle eğitmenin ardından model, doğrulama setinde yaklaşık %97 ve tüm 15 sınıf genelinde test setinde %99’un üzerinde bir doğruluk elde eder. Tutulmuş test setinde çoğu tümör türü mükemmel biçimde sınıflandırılır; yalnızca nadir ve görsel olarak benzer kategori kombinasyonlarında birkaç hata görülür. Araştırmacılar sonuçlarını deformable dikkat kullanan önceki bir yöntemle karşılaştırır ve karmaşık sınıf karışımına rağmen yaklaşımlarının neredeyse tüm değerlendirme ölçütlerinde ona eşit veya üstün olduğunu gösterirler. Ayrıca sisteme gürültü ekleyip görüntü çözünürlüğünü düşürerek zorlu testler uygularlar; tarama kalitesi bozulduğunda bile doğruluğun yüksek kaldığını bulurlar ki bu gerçek hastane koşulları için önemlidir.

Modelin neye baktığını görmek

Klinisyenlerin sisteme güvenmesini artırmak için yazarlar, ağın karar verirken nerelere odaklandığını açığa çıkaran görselleştirme araçları kullanır. Grad-CAM tarafından üretilen ısı haritaları, tahmini en çok etkileyen MRI üzerindeki alanları vurgular ve SHAP tabanlı analizler öğrenilmiş hangi özelliklerin modeli bir teşhise veya diğerine ittiğini gösterir. Bu görsel açıklamalar tutarlı biçimde arka plandan ziyade tümör bölgelerine ve sınırlarına işaret eder; bu da modelin mantığının radyolojik sezgiyle uyumlu olduğunu düşündürür. Çalışma daha fazla dış test gerektiğini vurgulasa da, dikkatle tasarlanmış bir derin öğrenme hattının yalnızca birçok beyin tümörü türünü yüksek güvenilirlikle sınıflandırmakla kalmayıp aynı zamanda bu kararların nasıl alındığına dair yorumlanabilir ipuçları da sunabileceğini gösterir.

Bu hastalar için ne anlama gelebilir

Günlük klinik uygulamada bu tür bir sistem radyologların yerini almak yerine ikinci bir okuyucu olarak hareket eder; muhtemel tümör türlerini hızla işaretler ve taramadaki şüpheli bölgelere dikkat çekebilir. Çok çeşitli tümörleri işleyip gürültülü veya düşük kaliteli görüntülerde bile kararlı kalabilen çerçeve, yapay zekânın daha tutarlı ve zamanında tanılara nasıl destek olabileceğini gösterir. Hastaneler ve tarayıcılar arasında ek doğrulama yapıldığında, bu tür araçlar rutin iş akışlarının bir parçası haline gelebilir; uzmanların tedavi planlamasına odaklanmasına yardımcı olurken bilgisayarlar tekrarlayan görüntü sınıflandırma işlerinin çoğunu üstlenebilir.

Atıf: Reddy, B.S., Jha, R.R., Dasore, A. et al. Multi-class classification of brain tumor using a ResNet101 backbone integrated with multi-scale deformable attention module and advanced data augmentations. Sci Rep 16, 15938 (2026). https://doi.org/10.1038/s41598-026-45675-y

Anahtar kelimeler: beyin tümörü MRI, derin öğrenme, tıbbi görüntüleme yapay zekâsı, tümör sınıflandırması, dikkat ağları