Hücre segmentasyonu: Nedir ve görü yapay zekâsı onu nasıl geliştirir?

İlaç keşfi, kanser araştırmaları veya kişiselleştirilmiş tıptaki birçok ilerleme, tek bir temel zorlukla başlar: hücreleri net bir şekilde görebilmek. Bilim insanları hücre davranışını izlemek, ilaçları değerlendirmek ve yeni tedavileri araştırmak için net görüntülere güvenir.

Tek bir mikroskopi görüntüsü, üst üste binen binlerce hücre içerebilir ve bu da sınırların görülmesini zorlaştırır. Hücre segmentasyonu, doğru analiz için her 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 insanları hücreleri ayırmak ve incelemek için daha hızlı ve güvenilir yöntemlere ihtiyaç duyar.

Aslında birçok bilim insanı, makinelerin görsel bilgileri yorumlamasını ve analiz etmesini sağlayan bir yapay zekâ dalı olan bilgisayarlı görmeyi benimsiyor. Örneğin, örnek segmentasyonunu destekleyen Ultralytics YOLO11 gibi modeller, hücreleri ayırmak ve hatta hücre içi yapıları tespit etmek üzere eğitilebilir. Bu sayede araştırmacılar, çalışmalarını verimli bir şekilde ölçeklendirirken saatler yerine saniyeler içinde hassas analiz yapabilir.

Şekil 1. Hücre çekirdeklerini (hücrelerin merkezlerini) tanımlamak ve sınırlarını çizmek için kullanılan YOLO. (Kaynak)

Bu makalede hücre segmentasyonunun nasıl çalıştığını, bilgisayarlı görmenin bunu nasıl geliştirdiğini ve gerçek dünyada nerelerde uygulandığını inceleyeceğiz. Haydi başlayalım!

Hücre segmentasyonu için bilgisayarlı görme kullanımına bakış#

Geleneksel olarak bilim insanları, mikroskop görüntülerinde hücrelerin sınırlarını çizerek onları elle segmentlere ayırıyordu. Bu yöntem küçük projelerde iyi çalışsa da yavaştı, tutarsızdı ve hataya açıktı. Tek bir görüntüde binlerce hücrenin üst üste binmesi, elle sınır çizme işlemini hızla bunaltıcı ve büyük bir darboğaz hâline getirir.

Bilgisayarlı görme daha hızlı ve güvenilir bir seçenek sunar. Büyük görüntü kümelerinden örüntüleri öğrenen makinelerin kullanıldığı, derin öğrenmeyle güçlendirilmiş bir yapay zekâ dalıdır. Hücre araştırmalarında bu, makinelerin tek tek hücreleri yüksek doğrulukla tanıyıp ayırabilmesi anlamına gelir.

Özellikle Ultralytics YOLO11 gibi yapay görme modelleri, nesne tespiti ve örnek segmentasyonu gibi görevleri destekler ve hücreleri analiz etmek üzere özel veri kümeleriyle eğitilebilir. Nesne tespiti, birçok hücre bir arada görünse bile görüntüdeki her hücrenin bulunup etiketlenmesini mümkün kılar.

Örnek segmentasyonu, her hücrenin etrafına kesin sınırlar çizerek ve tam şeklini yakalayarak bir adım daha ileri gider. Bu yapay görme yeteneklerinin hücre segmentasyonu işlem hatlarına entegre edilmesi, araştırmacıların karmaşık iş akışlarını otomatikleştirmesine ve yüksek çözünürlüklü mikroskop görüntülerini verimli bir şekilde işlemesine olanak tanır.

Hücre segmentasyonu algoritmalarının gelişimi#

Hücresel segmentasyon yöntemleri yıllar içinde büyük ölçüde değişti. İlk görüntü segmentasyonu teknikleri basit görüntülerde işe yarıyordu, ancak veri kümeleri büyüdükçe ve hücreleri birbirinden ayırt etmek zorlaştıkça yetersiz kalıyordu.

Bu sınırlamaların üstesinden gelmek için daha gelişmiş yaklaşımlar geliştirildi. Böylece mikrobiyoloji ve mikroskopi çalışmalarına hız, doğruluk ve ölçeklenebilirlik kazandıran günümüz bilgisayarlı görme modelleri ortaya çıktı.

Şimdi segmentasyon algoritmalarının temel eşikleme yöntemlerinden son teknoloji derin öğrenme modellerine ve hibrit işlem hatlarına kadar nasıl geliştiğine adım adım bakalım.

Eşikleme ve morfolojik yöntemlerle hücre segmentasyonu#

Bilgisayarlı görmedeki ilerlemelerden önce hücre segmentasyonu, geleneksel görüntü işleme tekniklerine dayanıyordu. Bu yöntemlerde kenarları tespit etme, ön planı arka plandan ayırma veya şekilleri yumuşatma gibi elle tanımlanan kurallar ve işlemler kullanılıyordu. Örüntüleri doğrudan verilerden öğrenebilen bilgisayarlı görme modellerinin aksine görüntü işleme, tüm görüntülere aynı şekilde uygulanan sabit algoritmalara bağlıdır.

İlk yaklaşımlardan biri, piksel parlaklık düzeylerini karşılaştırarak hücreleri arka plandan ayıran bir yöntem olan eşiklemeydi. Bu yöntem, hücrelerle çevreleri arasında güçlü bir kontrast olduğunda iyi çalışır.

Şekil 2. Eşikleme tabanlı hücre segmentasyonuna bir örnek. (Kaynak)

Sonuçları iyileştirmek için genişleme (şekilleri büyütme) ve aşınma (şekilleri küçültme) gibi morfolojik işlemler; kenarları yumuşatmak, gürültüyü gidermek veya küçük boşlukları kapatmak amacıyla kullanılır. Birbirine değen veya üst üste binen hücrelerde, watershed segmentasyonu adı verilen bir teknik, hücrelerin birleştiği yerlere sınırlar çizerek onları ayırmaya yardımcı olur.

Bu teknikler üst üste binen hücreler veya gürültülü görüntüler gibi karmaşık durumlarda zorlanırken, daha basit uygulamalarda hâlâ kullanışlıdır ve hücre segmentasyonu tarihinin önemli bir parçasıdır. Ancak sınırlamaları, alanı daha zorlu görüntülerde çok daha yüksek doğruluk sağlayan derin öğrenme tabanlı modellere yöneltti.

Hücre segmentasyonu için derin öğrenme modelleri#

Görüntü işleme teknikleri sınırlarına ulaştıkça hücre segmentasyonu öğrenme tabanlı yaklaşımlara yöneldi. Kural tabanlı yöntemlerin aksine derin öğrenme modelleri örüntüleri doğrudan verilerden belirler; bu da onları üst üste binen hücrelere, değişken şekillere ve farklı görüntüleme yöntemlerine daha uyarlanabilir hâle getirir.

Evrişimsel sinir ağları (CNNs), bilgisayarlı görmede yaygın olarak kullanılan bir derin öğrenme mimarileri sınıfıdır. Görüntüleri katmanlar hâlinde işlerler: ilk katmanlar kenarlar ve dokular gibi basit özellikleri tespit ederken daha derin katmanlar daha karmaşık şekilleri ve yapıları yakalar. Bu katmanlı yaklaşım, CNNs'leri örüntü tanımayla gündelik nesneleri tanımaktan biyomedikal görüntüleri analiz etmeye kadar pek çok görsel görev için etkili kılar.

Ultralytics YOLO11 gibi modeller bu derin öğrenme ilkeleri üzerine kuruludur. Gerçek zamanlı nesne tespiti ve örnek segmentasyonu teknikleriyle CNN tabanlı mimarileri geliştirerek hücrelerin hızla konumlandırılmasını ve sınırlarının çizilmesini mümkün kılarlar.

Hibrit işlem hatları hücre segmentasyonunu geliştiriyor#

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

Örneğin bir yöntem, gürültüyü azaltmak ve sınırları keskinleştirmek için mikroskopi görüntülerini iyileştirebilir veya ön işleyebilirken başka bir model hücreleri tespit edip segmentlere ayırabilir. Görevleri bu şekilde bölmek, hibrit yaklaşımların doğruluğu artırmasına, karmaşık görüntüleri daha etkili işlemesine ve büyük ölçekli çalışmaları daha güvenilir hâle getirmesine yardımcı olur.

Şekil 3. Düşük kaliteli bir hücre giriş görüntüsü (a) ve ön işlemenin çıkardığı örüntülere (b) bir örnek; bu işlem, daha ileri analiz için hücre özelliklerini daha net hâle getirir. (Kaynak)

Hücre segmentasyonunda veri kümelerinin önemi#

Bilgisayarlı görme odaklı hücre segmentasyonunda dikkate alınması gereken bir diğer temel faktör görüntü verileridir. Bilgisayarlı görme modelleri, hücreleri doğru şekilde tanımlayıp ayırmayı öğrenmek için büyük ve yüksek kaliteli veri kümelerine büyük ölçüde ihtiyaç duyar.

Bu veri kümeleri genellikle açıklamalarla eşleştirilmiş mikroskopi görüntülerinden oluşur. Ham görüntüler kadar önemli olan veri açıklama veya etiketleme, modele temel bilgileri aktardığı için etkili veri kümeleri oluşturmada kritik bir rol oynar.

Örneğin Ultralytics YOLO11 gibi bir modeli mikroskopi görüntülerindeki kanserli hücreleri segmentlere ayırmak üzere eğitmek istiyorsak her hücrenin nerede başlayıp nerede bittiğini gösteren etiketli örneklere ihtiyacımız vardır. Bu etiketler, modele hücre morfolojisini ve sınırlarını nasıl tanıyacağını öğreten bir rehber görevi görür. Zaman kazanmak için açıklamalar elle çizilebilir veya yarı otomatik araçlarla oluşturulabilir.

Açıklamanın türü de göreve bağlıdır. Nesne tespiti için her hücrenin etrafına sınırlayıcı kutular çizilir. Örnek segmentasyonunda ise etiketler, her hücrenin tam dış hatlarını izleyen ayrıntılı maskelere daha çok benzer. Doğru açıklama ve eğitim verisi türünü seçmek, modelin görev için gerekenleri öğrenmesine yardımcı olur.

Hücre segmentasyonuyla ilgili verilerin karmaşıklığı#

Genel olarak bilgisayarlı görme veri kümeleri oluşturmak, özellikle mevcut görüntü koleksiyonları olmadığında veya alan çok özgün ve uzmanlaşmış olduğunda zor olabilir. Ancak hücresel araştırma alanında veri toplama ve açıklama işlemlerini daha da karmaşıklaştıran teknik zorluklar vardır.

Mikroskopi görüntüleri, hücre görüntüleme yöntemine bağlı olarak çok farklı görünebilir. Örneğin floresan mikroskopisi, hücrenin bazı kısımlarının parlamasını sağlayan boyalar kullanır. Bu floresan görüntüler, normalde görülmesi zor olan ayrıntıları öne çıkarır.

Açıklama oluşturma da başka bir önemli zorluktur. Binlerce hücreyi elle etiketlemek yavaştır ve alan uzmanlığı gerektirir. Hücreler çoğu zaman üst üste biner, şekil değiştirir veya soluk görünür; bu da hataların fark edilmeden sürece karışmasını kolaylaştırır. Yarı otomatik araçlar süreci hızlandırabilir, ancak kaliteyi güvence altına almak için genellikle insan denetimi gerekir.

İş yükünü azaltmak için araştırmacılar bazen tam dış hatları çizmek yerine hücrelerin nerede olduğunu gösteren ilgi konumu işaretleri gibi daha basit açıklamalar kullanır. Daha az hassas olsalar da bu işaretler eğitim için önemli bir rehberlik sağlar.

Bunun ötesinde biyolojide veri paylaşımı ek zorluklar getirir. Gizlilik kaygıları, hasta onamı ve laboratuvarlar arasındaki görüntüleme ekipmanı farklılıkları, tutarlı ve yüksek kaliteli veri kümeleri oluşturmayı zorlaştırabilir.

Bu engellere rağmen açık kaynaklı veri kümeleri büyük bir fark yarattı. GitHub gibi platformlar üzerinden paylaşılan herkese açık koleksiyonlar, çok sayıda hücre türü ve görüntüleme yöntemi genelinde binlerce etiketli görüntü sunarak modellerin gerçek dünya senaryolarına daha iyi genelleme yapmasına yardımcı olur.

Hücre segmentasyonu modellerinin uygulamaları#

Artık bilgisayarlı görmeyle hücre segmentasyonunda kullanılan veri ve yöntemleri daha iyi anladığımıza göre hücre segmentasyonu ile bilgisayarlı görmenin gerçek dünyadaki bazı uygulamalarına bakalım.

Hücre segmentasyonuyla tek hücre analizi#

Tek hücre analizi, tüm doku örnekleri yerine tek tek hücreleri incelemektir ve bilim insanlarının daha genel ölçekte çoğu zaman gözden kaçan ayrıntıları görmesine yardımcı olur. Bu yaklaşım hücrelerin nasıl işlediğini ve farklı koşullara nasıl tepki verdiğini anlamak için hücre biyolojisi, ilaç keşfi ve tanı alanlarında yaygın olarak kullanılır.

Örneğin kanser araştırmalarında bir doku örneği genellikle kanserli hücreler, bağışıklık hücreleri ve destekleyici (stromal) hücrelerin bir karışımını içerir. Dokuya yalnızca bir bütün olarak 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 ayırıp ayrı ayrı incelemesine olanak tanır; bu da tedavi yanıtlarını ve hastalığın ilerlemesini anlamak için kritik öneme sahiptir. Örnek segmentasyonunu destekleyen Ultralytics YOLO11 gibi modeller, kalabalık veya üst üste binen görüntülerde bile her hücreyi tespit edip tam şeklini belirleyebilir. YOLO11, karmaşık mikroskopi görüntülerini yapılandırılmış verilere dönüştürerek araştırmacıların binlerce hücreyi hızlı ve tutarlı bir şekilde analiz etmesini sağlar.

YOLO ile hücre izleme ve canlı görüntüleme#

Hücreler farklı şekillerde bölünür, hareket eder ve çevrelerine tepki verir. Canlı hücrelerin zaman içinde nasıl değiştiğini analiz etmek, bilim insanlarının hücrelerin sağlık ve hastalık durumunda nasıl davrandığını anlamasına yardımcı olur.

Araştırmacılar faz kontrastı veya yüksek çözünürlüklü mikroskopi gibi araçlarla boya ya da etiket eklemeden bu değişimleri takip edebilir. Bu, hücreleri doğal hâllerinde tutar ve sonuçları daha güvenilir kılar.

Hücreleri zaman içinde izlemek, aksi takdirde gözden kaçabilecek ayrıntıların yakalanmasına da yardımcı olur. Bir hücre diğerlerinden daha hızlı hareket edebilir, alışılmadık bir şekilde bölünebilir veya bir uyarana güçlü tepki verebilir. Bu ince farklılıkları kaydetmek, hücrelerin gerçek koşullarda nasıl davrandığına dair daha net bir tablo sunar.

Ultralytics YOLOv8 gibi bilgisayarlı görme modelleri bu süreci daha hızlı ve tutarlı hâle getirir. YOLOv8, görüntü dizileri boyunca tek tek hücreleri tespit edip izleyerek hücrelerin üst üste bindiği veya şekil değiştirdiği durumlarda bile hücre hareketlerini, bölünmelerini ve etkileşimlerini otomatik olarak izleyebilir.

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

Yapay görmenin biyoinformatik ve çoklu-omik bilimle entegrasyonu#

Tüm hücre segmentasyonu için kullanılan Ultralytics YOLO11 gibi bilgisayarlı görme modellerinden elde edilen içgörüler, biyoinformatikle (biyolojik verileri analiz etmek için hesaplama yöntemlerinin kullanımı) ve çoklu-omik bilimle (DNA, RNA ve protein bilgilerinin entegrasyonu) birleştirildiğinde daha büyük bir etki yaratabilir. Bu yöntemler birlikte, araştırmayı hücre sınırlarını çizmenin ötesine taşıyarak bu sınırların ne anlama geldiğini anlamaya yöneltir.

Bilim insanları yalnızca hücrelerin nerede olduğunu belirlemek yerine hücrelerin nasıl etkileşime girdiğini, hastalıkta doku yapısının nasıl değiştiğini ve hücre şeklindeki küçük değişimlerin moleküler aktiviteyle nasıl bağlantılı olduğunu inceleyebilir.

Bir tümör örneğini ele alalım: araştırmacılar kanser hücrelerinin boyutunu, şeklini veya konumunu moleküler profilleriyle ilişkilendirerek gen mutasyonları, gen ifadesi veya anormal protein aktivitesiyle bağlantılı korelasyonlar bulabilir. Bu, statik görüntüleri pratik içgörülere dönüştürerek tümörler genelinde gen aktivitesinin izlenmesine, protein davranışının gerçek zamanlı olarak haritalanmasına ve yapıyı işlevle ilişkilendiren referans atlaslarının oluşturulmasına yardımcı olur.

Hücre segmentasyonunun faydaları#

Hücre segmentasyonu için bilgisayarlı görme kullanmanın temel faydalarından bazıları şunlardır:

• Yüksek verimli tarama: Otomatik segmentasyon milyonlarca hücreyi verimli bir şekilde işleyerek büyük ölçekli ilaç keşfi ve testlerini hızlandırabilir.
• Mekânsal organizasyon içgörüleri: Hücrelerin dokular içinde nasıl düzenlendiğini göstererek tümör ortamları veya dokuların nasıl geliştiği hakkında kritik ipuçları sağlar.
• Nicel veri üretimi: Hücresel görüntülerden elde edilen görsel içgörülerin ötesinde segmentasyon; hücre sayıları, alanları ve yoğunluk düzeyleri gibi ölçülebilir bilgiler sunarak deneyler arasında güvenilir karşılaştırmalar yapılmasını sağlar.

Hücre segmentasyonu için yapay görme kullanımının sınırlamaları#

Bilgisayarlı görme hücre segmentasyonuna birçok fayda sağlasa da bazı sınırlamaları da vardır. Akılda tutulması gereken birkaç faktör şunlardır:

• Veri gizliliği: Model eğitimi için açıklamalı hücre veri kümelerinin paylaşılması, özellikle hasta bilgilerinin görüntülerle ilişkilendirildiği durumlarda etik ve düzenleyici kaygılara yol açabilir.
• Donanım ve hesaplama gereksinimleri: Yüksek çözünürlüklü biyogörüntü analizi güçlü GPU'lar ve depolama alanı gerektirir. Bulut bilişim ve optimize edilmiş algoritmalar, bu teknolojiyi daha erişilebilir hâle getirmeye yardımcı oluyor.
• Model genellemesi: Bir laboratuvarın mikroskobu veya boyama protokolüyle eğitilen modeller başka yerlerde iyi performans göstermeyebilir. Çeşitli ve birden fazla laboratuvarı kapsayan veri kümeleriyle eğitim, dayanıklılığı artırır.

Hücre segmentasyonunun geleceği#

Hücre segmentasyonunun yeni nesli muhtemelen hız, doğruluk ve ölçeklenebilirliği bir araya getiren bilgisayarlı görme modelleriyle şekillenecek. U-Net gibi modeller son derece etkili olmuştur, ancak hesaplama açısından maliyetli olabilir. Bilgisayarlı görmedeki ilerlemelerle araştırmacılar hem yüksek doğruluk hem de gerçek zamanlı performans sunan modellere yöneliyor.

Örneğin Ultralytics YOLOv8 gibi son teknoloji modeller, keskin ve doğru sınırlar üretmeye devam ederken mikroskopi görüntülerini geleneksel yaklaşımlardan çok daha hızlı segmentlere ayırabilir.

Yakın tarihli bir Geçirimli Elektron Mikroskopisi (TEM) çalışmasında performans ölçümleri, Ultralytics YOLOv8'in U-Net'ten 43 kata kadar daha hızlı çalıştığını gösterdi. Bu performans, görüntüleme çalışmalarının boyutu büyüdükçe giderek daha önemli hâle gelen büyük veri kümelerinin gerçek zamanlı analizini mümkün kılar.

Şekil 5. U-Net (c) gibi diğer modellerle karşılaştırıldığında segmentasyon için YOLOv8 (d) kullanılması, mikroskopi görüntülerinde daha keskin ve doğru hatlar oluşturur. (Kaynak)

Bu iyileştirmeler hâlihazırda uygulamaya geçiriliyor. Theia Scientific'in Theiascope™ gibi platformlar, Ultralytics YOLO modellerini Geçirimli Elektron Mikroskopisi (TEM) ile entegre ederek nanometre ölçeğindeki yapıların tutarlı ve büyük ölçekte segmentlere ayrılmasını sağlar. Platform, gerçek zamanlı tespit ve segmentasyon için Ultralytics YOLO modellerini kullanır; TEM görüntüleri yakalanırken yapıları otomatik olarak tanımlar ve bunları güvenilir, analize hazır verilere dönüştürür.

Önemli çıkarımlar#

Hücre segmentasyonu, modern mikroskopi ve biyomedikal araştırmalarda önemli bir rol oynar. Bilim insanlarının tek tek hücreleri gözlemlemesine, hastalığın ilerlemesini izlemesine ve tedavilerin hücre davranışını nasıl etkilediğini takip etmesine olanak tanır. Ultralytics YOLO11 gibi yapay görme modelleri bu süreci daha hızlı ve hassas hâle getirir. Büyük ve karmaşık görüntüleri kolayca işleyerek deneylerin tekrarlanabilir ve ölçeklenebilir olmasını sağlarlar.

Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu ziyaret et. Tarımda yapay zekâ ve lojistikte bilgisayarlı görme gibi uygulamalar hakkında daha fazla bilgi edinmek için çözüm sayfalarımızı incele. Lisans seçeneklerimize göz at ve bugün bilgisayarlı görmeyle geliştirmeye başla!