CFG-MambaNet: Tıbbi görüntü segmentasyonu için Bağlamsal ve Frekans Yönlendirmeli Mamba Ağı

Daha net tıbbi görüntülerin önemi

Hekimler kalp taramalarını, kolonoskopileri, deri fotoğraflarını veya doku kesitlerini incelerken genellikle bir tümörün, organın veya şüpheli bir noktanın tam olarak nerede başlayıp bittiğini bilgisayar yardımıyla belirlemeye ihtiyaç duyarlar. Bu sınırlandırma adımı, segmentasyon olarak adlandırılır ve tanı, tedavi planlaması ve hatta cerrahi kararları için temel oluşturur. Makale, bu sınırları pek çok farklı tıbbi görüntü türünde daha doğru ve daha güvenilir biçimde çizebilen yeni bir yapay zeka (YZ) sistemi olan CFG‑MambaNet’i tanıtıyor.

Kesin sınırlar çizme zorluğu

Modern YZ araçları tıbbi görüntüleri zaten etiketleyebiliyor, fakat gerçek klinik ortamlarda sıkça karşılaşılan zorlu durumlarda tökezliyorlar. Bazı yöntemler aynı anda yalnızca küçük bir piksel komşuluğunu görür; bu nedenle daha büyük bağlamı kaçırırlar. Diğerleri ise görüntünün tamamını aynı anda görebilir ama bu, yüksek hesaplama gücü gerektirir ve büyük, ayrıntılı taramalarda kullanımı zorlaştırır. Pek çok yöntem ilgi bölgesi soluk, bulanık, çok küçük veya garip şekilli olduğunda başarısız olur. Sonuç olarak geleneksel sistemler kalp duvarının bir kısmını kesebilir, kolondaki bir polipin boyutunu yanlış değerlendirebilir veya bir deri lezyonunun ince kenarını gözden kaçırabilir—bu tür hatalar ölçümlerde yanlışlıklara veya tanının gecikmesine yol açabilir.

YZ’nin tüm resmi görmesi için yeni bir yaklaşım

CFG‑MambaNet, bir YZ ağının görüntüye “bakma” biçimini yeniden düşünerek bu sorunların üstesinden geliyor. Çekirdeğinde, son zamanlarda önerilmiş Mamba adlı bir mimariye dayanan görsel durum alanı bloğu bulunuyor. Birçok Transformer tabanlı modelde maliyetli olan her pikseli her diğer piksele karşı karşılaştırma adımı yerine, bu blok görüntüyü sıralı bir şekilde tarayarak uzun menzilli desenleri çok daha az hesaplamayla izliyor. Bu sayede ağ, kalp taramasındaki bir ventrikülün tüm şekli gibi görüntünün uzak parçalarının birbirleriyle nasıl ilişkili olduğunu yüksek çözünürlüklü verilerde hantallaşmadan anlayabiliyor.

Genel şekli ince ayrıntılardan ayırmak

CFG‑MambaNet’teki ikinci fikir, her görüntüyü biraz müzik parçası gibi ele almak: düşük notalar ve yüksek notalar. Frekans‑yönlendirmeli temsil modülünde YZ, görüntünün bilgisini yumuşak, yavaş değişen bileşenlere (genel organ şeklini yakalayan) ve hızlı değişen bileşenlere (kenarlar ve dokuları yakalayan) ayırır. Bu iki parçayı ayrı ayrı ayarlayıp sonra yeniden birleştirerek sistem, daha büyük yapıyı doğru tutarken bulanık sınırları keskinleştirebilir. Bu, kenarları arka plana doğru kaybolan bazı deri lekeleri veya patoloji kesitlerindeki ince doku değişiklikleri gibi lezyonlar için özellikle kullanışlıdır.

Çok küçük noktalar ve büyük yapılarla uyum sağlamak

Tıbbi görüntüler genellikle çok büyük ve çok küçük yapıları aynı anda barındırır: tam bir kalp ve ince bir kalp duvarı, geniş bir kolon görünümü ve minik bir polip. CFG‑MambaNet, her sahneyi aynı anda birkaç “büyütme düzeyi”nden inceleyen çok‑ölçekli uyarlanabilir bağlam toplama modülünü içerir. Bir dal geniş arka plan yapısına odaklanır, bir diğeri düzensiz şekilleri esnek biçimde izler ve üçüncüsü orta ölçekli desenleri yakalar. Ağ daha sonra farklı durumlarda hangi büyütme düzeyine ne kadar güvenileceğini öğrenir ve en önemli bölgeleri vurgular. Bölge doğruluğu ile kenar keskinliğini dengeleyen birleşik bir kayıp fonksiyonu ve ağın birden fazla derinliğinde denetim gibi ek eğitim taktikleri öğrenmeyi kararlı hale getirmeye ve sınırları daha da inceltmeye yardımcı olur.

Dört tıbbi görüntü türünde kanıtlanmış iyileşmeler

CFG‑MambaNet’i test etmek için yazarlar, kalp MR taramaları, kolonoskopi görüntüleri, deri lezyon fotoğrafları ve mikroskobik patoloji kesitlerini kapsayan dört halka açık veri kümesi üzerinde değerlendirme yaptılar. Dört ortamın tamamında yeni yöntem; klasik konvolüsyonel ağlar, Transformer‑tabanlı sistemler ve diğer Mamba‑stil tasarımlar dahil olmak üzere önde gelen geniş bir segmentasyon modelleri yelpazesini geride bıraktı. Tahmin edilen ve gerçek bölgeler arasındaki örtüşme daha yüksekti, tahmin edilen ve gerçek sınırlar arasındaki ortalama mesafe daha küçüktü ve zor görülen lezyonlara karşı duyarlılık daha iyiydi. Bu, kalp odacıklarının daha keskin sınırları, kolonda daha doğru polip maskeleri, düzensiz deri lezyonları için daha net sınırlar ve mikroskop altında kanserli dokunun daha sadık izlenmesi anlamına geliyor.

Gelecekteki bakım için anlamı

Hekim gözüyle bakıldığında, CFG‑MambaNet daha akıllı, daha verimli bir “sınır çizme asistanı”dır. Hem büyük resmi hem de ince ayrıntıları görebilmesi ve oldukça farklı birkaç görüntü türünde iyi çalışabilmesi sayesinde otomatik segmentasyonu daha rutin klinik kullanıma yaklaştırır. Daha büyük, gerçek dünya hasta gruplarında ek testler hâlâ gerekli olmakla birlikte, bu yaklaşım nihayetinde daha güvenilir ölçümler, hastalığın daha erken tespiti ve kardiyoloji, gastroenteroloji, dermatoloji ve onkoloji alanlarında tedavi planlamasının iyileştirilmesini destekleyebilir.

Atıf: Ren, G., Chen, Z., Su, P. et al. CFG-MambaNet: Contextual and Frequency-Guided Mamba Network for medical image segmentation. npj Digit. Med. 9, 202 (2026). https://doi.org/10.1038/s41746-026-02393-z

Anahtar kelimeler: tıbbi görüntü segmentasyonu, derin öğrenme, Mamba ağı, çok ölçekli görüntüleme, klinik tanı