Hücre segmentasyonu: Nedir ve görüntüleme yapay zekası bunu nasıl geliştirir

İlaç keşfi, kanser araştırmaları veya kişiselleştirilmiş tıp alanındaki birçok atılım, tek bir temel zorlukla başlar: hücreleri net bir şekilde görebilmek. Bilim insanları, hücre davranışlarını takip etmek, ilaçları değerlendirmek ve yeni tedaviler keşfetmek için net görüntülere ihtiyaç duyar.

Tek bir mikroskopi görüntüsü binlerce çakışan hücre içerebilir, bu da sınırların görülmesini zorlaştırır. Hücre segmentasyonu, doğru analiz için her bir hücreyi net bir şekilde ayırarak bu sorunu çözmeyi amaçlar.

Ancak hücre segmentasyonu her zaman basit değildir. Tek bir çalışma, elle incelenemeyecek kadar çok, binlerce ayrıntılı mikroskop görüntüsü üretebilir. Veri kümeleri büyüdükçe, bilim insanlarının hücreleri ayırmak ve incelemek için daha hızlı ve daha güvenilir yollara ihtiyacı vardır.

Aslında birçok bilim insanı, makinelerin görsel bilgileri yorumlamasını ve analiz etmesini sağlayan bir yapay zeka dalı olan bilgisayarlı görü teknolojisini benimsiyor. Örneğin, örnek segmentasyonunu destekleyen Ultralytics YOLO11 gibi modeller, hücreleri ayırmak ve hatta hücre altı yapıları tespit etmek için eğitilebilir. Bu, araştırmacıların çalışmalarını verimli bir şekilde ölçeklendirmelerine yardımcı olarak analizlerin saatler yerine saniyeler içinde yapılmasını sağlar.

Şekil 1. Çekirdek segmentasyonu için kullanılan, hücre çekirdeklerini (hücrelerin merkezlerini) tanımlayan ve ana hatlarını belirleyen YOLO. (Kaynak)

Bu makalede hücre segmentasyonunun nasıl çalıştığını, bilgisayarlı görünün bunu nasıl iyileştirdiğini ve gerçek dünyada nerelerde uygulandığını inceleyeceğiz. Hadi başlayalım!

Link to this sectionHücre segmentasyonu için bilgisayarlı görü kullanımına bir bakış#

Geleneksel olarak bilim insanları hücreleri mikroskopi görüntülerinde elle takip ederek segmentlere ayırırlardı. Bu yöntem küçük projeler için işe yarasa da yavaştı, tutarsızdı ve hataya açıktı. Tek bir görüntüde binlerce çakışan hücre varken, manuel takip hızla bunaltıcı hale gelir ve büyük bir darboğaz oluşturur.

Bilgisayarlı görü, daha hızlı ve daha güvenilir bir seçenek sunar. Derin öğrenme ile desteklenen bu yapay zeka dalında makineler, büyük görüntü kümelerinden desenleri öğrenirler. Hücre araştırmalarında bu, bireysel hücreleri yüksek doğrulukla tanıyıp ayırabilecekleri anlamına gelir.

Özellikle, Ultralytics YOLO11 gibi görüntüleme yapay zekası modelleri, nesne tespiti ve örnek segmentasyonu gibi görevleri destekler ve hücreleri analiz etmek için özel veri kümeleri üzerinde eğitilebilirler. Nesne tespiti, birçok hücre bir arada göründüğünde bile her bir hücreyi bulmayı ve etiketlemeyi mümkün kılar.

Örnek segmentasyonu, her hücrenin etrafına hassas sınırlar çizerek tam şekillerini yakalamak suretiyle bir adım daha ileri gider. Bu görüntüleme yapay zekası yeteneklerini hücre segmentasyon boru hatlarına entegre etmek, araştırmacıların karmaşık iş akışlarını otomatikleştirmelerine ve yüksek çözünürlüklü mikroskopi görüntülerini verimli bir şekilde işlemelerine olanak tanır.

Link to this sectionHücre segmentasyon algoritmalarının evrimi#

Hücresel segmentasyon yöntemleri yıllar içinde büyük ölçüde değişti. İlk görüntü segmentasyon teknikleri basit görüntüler için işe yarıyordu ancak veri kümeleri büyüdükçe ve hücreleri ayırt etmek zorlaştıkça yetersiz kaldılar.

Bu sınırları aşmak için daha gelişmiş yaklaşımlar geliştirildi ve bu da mikrobiyoloji ve mikroskopi çalışmalarına hız, doğruluk ve ölçeklenebilirlik getiren günümüz bilgisayarlı görü modellerine yol açtı.

Şimdi, temel eşikleme yöntemlerinden en son teknoloji derin öğrenme modellerine ve hibrit boru hatlarına kadar segmentasyon algoritmalarının nasıl evrildiğine bakalım.

Link to this sectionEşikleme ve morfolojik yöntemlerle hücre segmentasyonu#

Bilgisayarlı görudeki ilerlemelerden önce hücre segmentasyonu, geleneksel görüntü işleme tekniklerine dayanıyordu. Bu yöntemler, kenarları tespit etmek, ön planı arka plandan ayırmak veya şekilleri düzeltmek gibi manuel olarak tanımlanmış kurallara ve işlemlere güveniyordu. Doğrudan veriden desenleri öğrenebilen bilgisayarlı görü modellerinin aksine görüntü işleme, tüm görüntülere aynı şekilde uygulanan sabit algoritmalara bağlıdır.

En eski yaklaşımlardan biri olan eşikleme, piksel parlaklık seviyelerini karşılaştırarak hücreleri arka plandan ayıran bir yöntemdir. Bu, hücreler ile çevreleri arasında güçlü bir kontrast olduğunda iyi çalışır.

Şekil 2. Eşikleme tabanlı hücre segmentasyonu örneği. (Kaynak)

Sonuçları iyileştirmek için, kenarları düzeltmek, gürültüyü gidermek veya küçük boşlukları kapatmak amacıyla genişletme (şekilleri büyütme) ve aşındırma (şekilleri küçültme) gibi morfolojik işlemler kullanılır. Birbirine değen veya çakışan hücreler için, watershed segmentasyonu adı verilen bir teknik, hücrelerin birleştiği yerlere sınırlar çizerek onları ayırmaya yardımcı olur.

Bu teknikler, çakışan hücreler veya gürültülü görüntüler gibi karmaşık vakalarda zorlansa da daha basit uygulamalar için hala yararlıdır ve hücre segmentasyon tarihinin önemli bir parçasıdır. Ancak kısıtlamaları, alanı daha zorlu görüntüler için çok daha yüksek doğruluk sunan derin öğrenme tabanlı modellere yönlendirdi.

Link to this sectionHücre segmentasyonu için derin öğrenme modelleri#

Görüntü işleme teknikleri sınırlarına ulaştığında, hücre segmentasyonu öğrenme tabanlı yaklaşımlara kaydı. Kural tabanlı yöntemlerin aksine, derin öğrenme modelleri desenleri doğrudan veriden tanımlar, bu da onları çakışan hücrelere, değişken şekillere ve farklı görüntüleme yöntemlerine daha uyumlu hale getirir.

Konvolüsyonel sinir ağları (CNN'ler), bilgisayarlı göruda yaygın olarak kullanılan bir derin öğrenme mimarisi sınıfıdır. Görüntüleri katmanlar halinde işlerler: ilk katmanlar kenarlar ve dokular gibi basit özellikleri tespit ederken, daha derin katmanlar daha karmaşık şekilleri ve yapıları yakalar. Bu katmanlı yaklaşım, CNN'leri, günlük nesneleri tanımaktan biyomedikal görüntüleri analiz etmeye kadar birçok görsel görev için etkili kılar.

YOLO11 gibi modeller bu derin öğrenme ilkeleri üzerine inşa edilmiştir. CNN tabanlı mimarileri gerçek zamanlı nesne tespiti ve örnek segmentasyonu teknikleriyle genişleterek, hücrelerin yerini hızla tespit etmeyi ve sınırlarını çizmeyi mümkün kılarlar.

Link to this sectionHibrit boru hatları hücre segmentasyonunu geliştirir#

Hibrit boru hatları, birden fazla yöntemin güçlü yönlerini birleştirerek hücre segmentasyonunu iyileştirir. Bunlar, klasik görüntü işleme ve derin öğrenme modellerini veya hatta birlikte çalışan farklı derin öğrenme tabanlı modelleri içerebilir.

Örneğin, bir yöntem gürültüyü azaltmak ve sınırları netleştirmek için mikroskopi görüntülerini geliştirebilir veya ön işleme tabi tutabilirken, diğer bir model hücreleri tespit etmek ve segmentlere ayırmak için kullanılır. Görevleri bu şekilde bölerek, hibrit yaklaşımlar doğruluğu artırır, karmaşık görüntüleri daha etkili bir şekilde ele alır ve büyük ölçekli çalışmaları daha güvenilir hale getirir.

Şekil 3. Düşük kaliteli bir hücre giriş görüntüsü (a) ve ön işlemenin çıkardığı, hücre özelliklerini ileri analiz için daha net hale getiren desenler (b). (Kaynak)

Link to this sectionHücre segmentasyonunda veri kümelerinin önemi#

Bilgisayarlı görü odaklı hücre segmentasyonunda dikkate alınması gereken bir diğer ana faktör görüntü verileridir. Bilgisayarlı görü modelleri, hücreleri nasıl doğru bir şekilde tanımlayıp ayıracaklarını öğrenmek için büyük, yüksek kaliteli veri kümelerine büyük ölçüde bağımlıdır.

Bu veri kümeleri genellikle açıklamalarla eşleştirilmiş mikroskopi görüntülerinden oluşur. Ham görüntüler kadar önemli olan veri açıklaması veya etiketleme, modele temel bilgiler verdiği için etkili veri kümeleri oluşturmada çok önemli bir rol oynar.

Örneğin, YOLO11 gibi bir modeli mikroskopi görüntülerinden kanserli hücreleri segmentlere ayırmak için eğitmek istiyorsak, her hücrenin nerede başlayıp nerede bittiğini gösteren etiketli örneklere ihtiyacımız vardır. Bu etiketler bir rehber görevi görerek modele hücre morfolojisini ve sınırlarını nasıl tanıyacağını öğretir. Açıklamalar elle çizilebilir veya zamandan tasarruf etmek için yarı otomatik araçlarla oluşturulabilir.

Açıklama türü de göreve bağlıdır. Nesne tespiti için her hücrenin etrafına sınırlayıcı kutular çizilir. Örnek segmentasyonu için etiketler, her hücrenin tam taslağını çizen ayrıntılı maskeler gibidir. Doğru açıklama türünü ve eğitim verisini seçmek, modelin iş için ihtiyaç duyduğu şeyi öğrenmesine yardımcı olur.

Link to this sectionHücre segmentasyonu ile ilgili verilerin karmaşıklığı#

Genel olarak, bilgisayarlı görü veri kümeleri oluşturmak, özellikle mevcut görüntü koleksiyonları yoksa veya alan çok benzersiz ve özelse zor olabilir. Ancak hücresel araştırma alanında, veri toplama ve açıklamayı daha da karmaşık hale getiren teknik zorluklar vardır.

Mikroskopi görüntüleri, hücre görüntüleme yöntemine bağlı olarak çok farklı görünebilir. Örneğin, floresan mikroskopisi, bir hücrenin kısımlarının parlamasını sağlayan boyalar kullanır. Bu floresan görüntüler, aksi takdirde görülmesi zor olan detayları vurgular.

Açıklama bir diğer büyük zorluktur. Binlerce hücreyi elle etiketlemek yavaştır ve alan uzmanlığı gerektirir. Hücreler genellikle çakışır, şekil değiştirir veya silik görünür, bu da hataların kolayca sızmasına neden olur. Yarı otomatik araçlar süreci hızlandırabilir, ancak kaliteyi sağlamak için genellikle insan gözetimi gerekir.

İş yükünü hafifletmek için araştırmacılar bazen tam taslaklar çizmek yerine, hücrelerin nerede olduğunu belirten ilgi alanı işaretleyicileri gibi daha basit açıklamalar kullanırlar. Daha az hassas olsalar da, bu işaretleyiciler eğitim için hala hayati bir rehberlik sağlarlar.

Bunun ötesinde, biyolojide veri paylaşımı daha fazla komplikasyon ekler. Gizlilik endişeleri, hasta onayı ve laboratuvarlar arasındaki görüntüleme ekipmanı farklılıkları, tutarlı, yüksek kaliteli veri kümeleri oluşturmayı zorlaştırabilir.

Bu engellere rağmen, açık kaynaklı veri kümeleri büyük bir fark yarattı. GitHub gibi platformlar aracılığıyla paylaşılan halka açık koleksiyonlar, birçok hücre tipi ve görüntüleme yöntemi genelinde binlerce etiketli görüntü sağlayarak modellerin gerçek dünya senaryolarına daha iyi uyum sağlamasına yardımcı oluyor.

Link to this sectionHücre segmentasyon modellerinin uygulamaları#

Artık hücreleri bilgisayarlı görü ile segmentlere ayırmak için kullanılan veriler ve yöntemler hakkında daha iyi bir anlayışa sahip olduğumuza göre, hücre segmentasyonunun ve bilgisayarlı görunun gerçek dünya uygulamalarından bazılarına bakalım.

Link to this sectionHücre segmentasyonu kullanılarak tek hücre analizi#

Tüm doku örnekleri yerine bireysel hücrelerin incelenmesi olan tek hücre analizi, bilim insanlarının daha geniş düzeyde sıklıkla gözden kaçan ayrıntıları görmelerine yardımcı olur. Bu yaklaşım, hücre biyolojisi, ilaç keşfi ve teşhiste hücrelerin nasıl çalıştığını ve farklı koşullar altında nasıl tepki verdiğini anlamak için yaygın olarak kullanılır.

Örneğin, kanser araştırmalarında bir doku örneği genellikle kanserli hücreler, bağışıklık hücreleri ve destekleyici (stromal) hücrelerin bir karışımını içerir. Sadece bütünüyle dokuya bakmak, bağışıklık hücrelerinin tümörlerle nasıl etkileşime girdiği veya kan damarlarının yakınındaki kanser hücrelerinin nasıl davrandığı gibi önemli farklılıkları gizleyebilir.

Tek hücre analizi, araştırmacıların bu hücre türlerini ayırmasına ve bireysel olarak incelemesine olanak tanır; bu da tedavi yanıtlarını ve hastalık ilerlemesini anlamak için çok önemlidir. Örnek segmentasyonunu destekleyen YOLO11 gibi modeller, kalabalık veya çakışan görüntülerde bile her hücreyi tespit edebilir ve tam şeklini çizebilir. Karmaşık mikroskopi görüntülerini yapılandırılmış verilere dönüştürerek, YOLO11 araştırmacıların binlerce hücreyi hızlı ve tutarlı bir şekilde analiz etmesini sağlar.

Link to this sectionYOLO ile hücre takibi ve canlı görüntüleme#

Hücreler bölünür, hareket eder ve çevrelerine farklı şekillerde tepki verirler. Canlı hücrelerin zaman içinde nasıl değiştiğini analiz etmek, bilim insanlarının sağlık ve hastalıkta nasıl davrandıklarını anlamalarına yardımcı olur.

Faz kontrastı veya yüksek çözünürlüklü mikroskopi gibi araçlarla araştırmacılar, boyalar veya etiketler eklemeden bu değişiklikleri takip edebilirler. Bu, hücreleri doğal durumlarında tutar ve sonuçları daha güvenilir kılar.

Hücreleri zaman içinde takip etmek, aksi takdirde gözden kaçabilecek ayrıntıları yakalamaya da yardımcı olur. Bir hücre diğerlerinden daha hızlı hareket edebilir, sıra dışı bir şekilde bölünebilir veya bir uyarana güçlü bir tepki verebilir. Bu ince farklılıkları kaydetmek, hücrelerin gerçek koşullarda nasıl davrandığına dair daha net bir resim sunar.

Ultralytics YOLOv8 gibi bilgisayarlı görü modelleri bu süreci daha hızlı ve daha tutarlı hale getirir. Bireysel hücreleri görüntü dizileri boyunca tespit edip takip ederek YOLOv8, hücreler çakışsa veya şekil değiştirse bile hücre hareketlerini, bölünmelerini ve etkileşimlerini otomatik olarak izleyebilir.

Şekil 4. Hücre tespiti için kullanılan YOLOv8'in segmentasyon sonuçları. (Kaynak: mdpi.com)

Link to this sectionGörüntüleme yapay zekasını biyoinformatik ve çoklu omik ile entegre etme#

Tüm hücre segmentasyonu için kullanılan YOLO11 gibi bilgisayarlı görü modellerinden elde edilen içgörüler, biyoinformatik (biyolojik verileri analiz etmek için hesaplamalı yöntemlerin kullanımı) ve çoklu omik (DNA, RNA ve protein bilgilerinin entegrasyonu) ile birleştirildiğinde daha büyük bir etki yaratabilir. Bu yöntemler birlikte araştırmayı sadece hücre sınırlarını çizmenin ötesine taşıyarak bu sınırların ne anlama geldiğini anlamaya yöneltir.

Bilim insanları sadece hücrelerin nerede olduğunu belirlemek yerine, nasıl etkileşime girdiklerini, doku yapısının hastalıkta nasıl değiştiğini ve hücre şeklindeki küçük değişimlerin moleküler aktiviteyle nasıl bağlantılı olduğunu inceleyebilirler.

Bir tümör örneğini ele alalım: araştırmacılar kanser hücrelerinin boyutunu, şeklini veya konumunu moleküler profilleriyle ilişkilendirerek gen mutasyonları, gen ifadesi veya anormal protein aktivitesi ile korelasyonlar bulabilirler. Bu, statik görüntüleri pratik içgörülere dönüştürerek tümörlerdeki gen aktivitesini takip etmeye, protein davranışını gerçek zamanlı olarak haritalamaya ve yapı ile işlevi birbirine bağlayan referans atlasları oluşturmaya yardımcı olur.

Link to this sectionHücre segmentasyonunun faydaları#

İşte hücre segmentasyonu için bilgisayarlı görü kullanmanın temel faydalarından bazıları:

• Yüksek verimli tarama: Otomatik segmentasyon, milyonlarca hücreyi verimli bir şekilde işleyerek büyük ölçekli ilaç keşfini ve test edilmesini hızlandırabilir.
• Uzamsal organizasyon içgörüleri: Hücrelerin dokular içinde nasıl düzenlendiğini gösterir, tümör ortamları veya dokuların nasıl geliştiği hakkında kritik ipuçları sağlar.
• Nicel veri üretimi: Hücresel görüntülerin görsel içgörülerinin ötesinde, segmentasyon; hücre sayıları, alanlar ve yoğunluk seviyeleri gibi ölçülebilir bilgiler sağlayarak deneyler arasında güvenilir karşılaştırmalar yapılmasını sağlar.

Link to this sectionHücre segmentasyonu için görüntüleme yapay zekası kullanmanın sınırlamaları#

Bilgisayarlı görü, hücre segmentasyonuna birçok fayda getirse de bazı sınırlamaları da vardır. İşte aklınızda bulundurmanız gereken birkaç faktör:

• Veri gizliliği: Model eğitimi için etiketli hücre veri kümelerini paylaşmak, özellikle hasta bilgileri görüntülerle bağlantılı olduğunda etik ve yasal endişeleri artırabilir.
• Donanım ve hesaplama talepleri: Yüksek çözünürlüklü biyogörüntü analizi, güçlü GPU'lar ve depolama gerektirir. Bulut bilişim ve optimize edilmiş algoritmalar bunu daha erişilebilir hale getirmeye yardımcı olmaktadır.
• Model genellemesi: Bir laboratuvarın mikroskobu veya boyama protokolü üzerinde eğitilen modeller başka yerlerde iyi performans göstermeyebilir. Çeşitli, çok laboratuvarlı veri kümeleriyle eğitim, sağlamlığı artırır.

Link to this sectionHücre segmentasyonunun geleceği#

Yeni nesil hücre segmentasyonu, büyük olasılıkla hız, doğruluk ve ölçeklenebilirliği birleştiren bilgisayarlı görü modelleriyle tanımlanacaktır. U-Net gibi modeller oldukça etkili olmuştur ancak hesaplama açısından zorlayıcı olabilirler. Bilgisayarlı görudeki ilerlemelerle birlikte araştırmacılar, hem yüksek doğruluk hem de gerçek zamanlı performans sunan modellere yöneliyor.

Örneğin, Ultralytics YOLOv8 gibi son teknoloji modeller, mikroskopi görüntülerini geleneksel yaklaşımlardan çok daha hızlı segmentlere ayırabilirken aynı zamanda keskin ve doğru sınırlar üretebilir.

Yakın tarihli bir Geçirimli Elektron Mikroskobu (TEM) çalışmasında, performans metrikleri YOLOv8'in U-Net'ten 43 kata kadar daha hızlı çalıştığını gösterdi. Bu tür bir performans, görüntüleme çalışmaları büyüdükçe giderek daha önemli hale gelen büyük veri kümelerinin gerçek zamanlı analizini mümkün kılar.

Şekil 5. U-Net (c) gibi diğer modellerle karşılaştırıldığında, segmentasyon için YOLOv8 (d) kullanmak, mikroskopi görüntülerinde daha keskin, daha doğru taslaklar üretir. (Kaynak)

Bu iyileştirmeler halihazırda uygulamaya konuluyor. Theia Scientific’s Theiascope™ gibi platformlar, Ultralytics YOLO modellerini Geçirimli Elektron Mikroskobu (TEM) ile entegre ederek nanoskalalı yapıların tutarlı ve ölçeklenebilir bir şekilde segmentlere ayrılmasını sağlıyor. Platform, Ultralytics YOLO modellerini gerçek zamanlı tespit ve segmentasyon için kullanarak, TEM görüntülerindeki yapıları yakalandıkları anda otomatik olarak tanımlıyor ve onları güvenilir, analize hazır verilere dönüştürüyor.

Link to this sectionÖne çıkanlar#

Hücre segmentasyonu modern mikroskopi ve biyomedikal araştırmalarda kilit bir rol oynar. Bilim insanlarının bireysel hücreleri gözlemlemesine, hastalık ilerlemesini takip etmesine ve tedavilerin hücre davranışını nasıl etkilediğini izlemesine olanak tanır. YOLO11 gibi görüntüleme yapay zekası modelleri bu süreci daha hızlı ve daha hassas hale getirir. Büyük, karmaşık görüntüleri kolaylıkla işleyerek deneylerin tekrarlanabilir ve ölçeklenebilir olmasını sağlarlar.

Yapay zeka hakkında daha fazla bilgi edinmek için topluluğumuza katılın ve GitHub depomuzu ziyaret edin. Tarımda yapay zeka ve lojistikte bilgisayarlı görü gibi uygulamalar hakkında daha fazla bilgi edinmek için çözüm sayfalarımızı keşfedin. Lisanslama seçeneklerimize göz atın ve bilgisayarlı görü ile hemen geliştirmeye başlayın!