Hücre segmentasyonu: Nedir ve görüntü yapay zekâsı bunu nasıl geliştirir?

İlaç keşfi, kanser araştırmaları veya kişiselleştirilmiş tıptaki pek çok çığır açıcı gelişme, temel bir zorlukla başlar: hücreleri net biçimde görebilmek. Bilim insanları hücre davranışını izlemek, ilaçları değerlendirmek ve yeni tedavileri araştırmak için net görüntülere ihtiyaç duyar.

Tek bir mikroskop görüntüsü, üst üste binmiş binlerce hücre içerebilir ve bu da sınırların görülmesini zorlaştırır. Hücre segmentasyonu, doğru analiz için her hücreyi net biçimde birbirinden 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 ayırıp incelemek için daha hızlı ve güvenilir yöntemlere ihtiyaç duyar.

Aslında birçok bilim insanı, makinelerin görsel bilgileri yorumlayıp analiz etmesini sağlayan bir yapay zekâ dalı olan bilgisayarlı görüyü benimsiyor. Örneğin Ultralytics YOLO11 gibi örnek segmentasyonunu destekleyen modeller, hücreleri birbirinden ayırmak ve hücre altı yapıları tespit etmek üzere eğitilebilir. Bu sayede hassas analiz saatler yerine saniyeler içinde yapılabilir ve araştırmacıların çalışmalarını verimli biçimde ölçeklendirmesine yardımcı olunur.

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

Bu yazıda hücre segmentasyonunun nasıl çalıştığını, bilgisayarlı görünün bu süreci nasıl geliştirdiğini ve gerçek dünyada nerelerde kullanıldığını inceleyeceğiz.

Hücre segmentasyonunda bilgisayarlı görü kullanımına bakış#

Geleneksel olarak bilim insanları, mikroskop görüntülerindeki hücrelerin dış hatlarını çizerek hücreleri elle segmentlere ayırıyordu. Bu yöntem küçük projelerde işe yarıyordu ancak yavaştı, tutarsız sonuçlar veriyordu ve hataya açıktı. Tek bir görüntüde üst üste binmiş binlerce hücre olduğunda manuel çizim kısa sürede bunaltıcı hâle geliyor ve önemli bir darboğaz oluşturuyordu.

Bilgisayarlı görü daha hızlı ve güvenilir bir seçenek sunar. Büyük görüntü kümelerinden makinelerin örüntüler öğrenmesini sağlayan derin öğrenmeyle desteklenen bir yapay zekâ dalıdır. Hücre araştırmalarında bu, makinelerin tek tek hücreleri yüksek doğrulukla tanıyıp ayırabileceği anlamına gelir.

Özellikle Ultralytics YOLO11 gibi görsel yapay zekâ modelleri, nesne algılama ve örnek segmentasyonu gibi görevleri destekler ve hücreleri analiz etmek için özel veri kümeleriyle eğitilebilir. Nesne algılama, bir görüntüdeki her hücrenin, çok sayıda hücre bir arada görünse bile bulunup etiketlenmesini mümkün kılar.

Örnek segmentasyonu, her hücrenin çevresine hassas sınırlar çizerek hücrelerin tam şeklini ortaya çıkarır. Bu görsel yapay zekâ yeteneklerinin hücre segmentasyonu işlem hatlarına entegre edilmesi, araştırmacıların karmaşık iş akışlarını otomatikleştirmesine ve yüksek çözünürlüklü mikroskop görüntülerini verimli biçimde işlemesine olanak tanır.

Hücre segmentasyonu algoritmalarının gelişimi#

Hücresel segmentasyon yöntemleri yıllar içinde büyük ölçüde değişti. İlk görüntü segmentasyonu teknikleri basit görüntülerde işe yarasa da veri kümeleri büyüdükçe ve hücreleri birbirinden ayırt etmek zorlaştıkça yetersiz kaldı.

Bu sınırlamaları aşmak için daha gelişmiş yaklaşımlar geliştirildi ve böylece mikrobiyoloji ile mikroskopi çalışmalarına hız, doğruluk ve ölçeklenebilirlik kazandıran günümüz bilgisayarlı görü modelleri ortaya çıktı.

Şimdi temel eşikleme yöntemlerinden modern derin öğrenme modellerine ve hibrit işlem hatlarına kadar segmentasyon algoritmalarının nasıl geliştiğini adım adım ele alalım.

Eşikleme ve morfolojik yöntemlerle hücreleri segmentlere ayırma#

Bilgisayarlı görü alanındaki gelişmelerden önce hücre segmentasyonu, geleneksel görüntü işleme tekniklerine dayanıyordu. Bu yöntemler; kenarları algılama, ön planı arka plandan ayırma veya şekilleri yumuşatma gibi elle tanımlanmış kurallara ve işlemlere dayanıyordu. Doğrudan verilerden örüntüler öğrenebilen bilgisayarlı görü modellerinin aksine görüntü işleme, tüm görüntülere aynı şekilde uygulanan sabit algoritmalara dayanır.

İlk yaklaşımlardan biri olan eşikleme, piksel parlaklık düzeylerini karşılaştırarak hücreleri arka plandan ayıran bir yöntemdir. Hücrelerle çevreleri arasında belirgin bir kontrast olduğunda bu yöntem iyi sonuç verir.

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

Sonuçları iyileştirmek için genişletme (şekilleri büyütme) ve aşındırma (şekilleri küçültme) gibi morfolojik işlemler; kenarları yumuşatmak, gürültüyü gidermek veya küçük boşlukları kapatmak amacıyla kullanılır. Birbirine değen veya üst üste binen hücreleri ayırmak için kullanılan watershed segmentasyonu adlı teknik, hücrelerin birleştiği yerlere sınırlar çizerek hücreleri birbirinden ayırmaya yardımcı olur.

Bu teknikler, üst üste binen hücreler veya gürültülü görüntüler gibi karmaşık durumlarda zorlanırken daha basit uygulamalarda yine de kullanışlıdır ve hücre segmentasyonunun geçmişinde önemli bir yere sahiptir. Ancak bu tekniklerin sınırlamaları, alanı daha zorlu görüntülerde çok daha yüksek doğruluk sunan derin öğrenme tabanlı modellere yöneltti.

Hücre segmentasyonu için derin öğrenme modelleri#

Görüntü işleme teknikleri sınırlarına ulaştıkça hücre segmentasyonu, öğrenme tabanlı yaklaşımlara yöneldi. Kural tabanlı yöntemlerden farklı olarak derin öğrenme modelleri, örüntüleri doğrudan verilerden belirleyerek üst üste binen hücrelere, değişken şekillere ve farklı görüntüleme yöntemlerine daha iyi uyum sağlar.

Evrişimli sinir ağları (CNNs), bilgisayarlı görüde yaygın olarak kullanılan bir derin öğrenme mimarisi sınıfıdır. Görüntüleri katmanlar hâlinde işlerler: İlk katmanlar kenarlar ve dokular gibi basit özellikleri algılarken daha derin katmanlar daha karmaşık şekilleri ve yapıları yakalar. Bu katmanlı yaklaşım, CNN'leri örüntü tanımayla gündelik nesneleri tanımaktan biyomedikal görüntüleri analiz etmeye kadar birçok görsel görevde etkili kılar.

Ultralytics YOLO11 gibi modeller bu derin öğrenme ilkeleri üzerine kuruludur. Bu modeller, gerçek zamanlı nesne algılama ve örnek segmentasyonu teknikleriyle CNN tabanlı mimarileri geliştirerek hücrelerin konumlarını hızla belirlemeyi ve sınırlarını çizerek göstermeyi mümkün kılar.

Hibrit işlem hatları hücre segmentasyonunu geliştirir#

Hibrit işlem hatları, birden fazla yöntemin güçlü yönlerini bir araya getirerek hücre segmentasyonunu iyileştirir. Bu yöntemler arasında klasik görüntü işleme ve derin öğrenme modelleri ya da birlikte çalışan farklı derin öğrenme tabanlı modeller bulunabilir.

Örneğin, bir yöntem gürültüyü azaltmak ve sınırları belirginleştirmek için mikroskopi görüntülerini iyileştirebilir veya ön işleme tabi tutabilir; ardından hücreleri algılamak ve segmentlere ayırmak için başka bir model kullanılabilir. Görevleri bu şekilde bölmek, hibrit yaklaşımların doğruluğu artırmasını, karmaşık görüntüleri daha etkili işlemesini ve büyük ölçekli çalışmaları daha güvenilir hâle getirmesini sağlar.

Şek. 3. Düşük kaliteli bir hücre girdi görüntüsü (a) ve ön işlemenin çıkardığı örüntüler (b) örneği; bu örüntüler, daha ileri analizler için hücre özelliklerini daha belirgin hâle getirir. (Kaynak)

Hücre segmentasyonunda veri kümelerinin önemi#

Bilgisayarlı görü odaklı hücre segmentasyonunda dikkate alınması gereken bir diğer önemli etken görüntü verileridir. Bilgisayarlı görü modelleri, hücreleri doğru şekilde tanımlamayı ve birbirinden ayırmayı öğrenmek için büyük ve yüksek kaliteli veri kümelerine büyük ölçüde bağlıdır.

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

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

Açıklama türü göreve de bağlıdır. Nesne algılama için her hücrenin çevresine sınırlayıcı kutular çizilir. Örnek segmentasyonunda ise etiketler, her hücrenin tam dış hatlarını izleyen ayrıntılı maskelere benzer. Doğru açıklama türünü ve eğitim verilerini seçmek, modelin görev için gerekenleri öğrenmesine yardımcı olur.

Hücre segmentasyonuyla ilgili verilerin karmaşıklığı#

Genel olarak bilgisayarlı görü veri kümeleri oluşturmak zor olabilir; özellikle de mevcut görüntü koleksiyonları yoksa veya alan çok özelleşmişse. Ancak hücresel araştırma alanında, veri toplamayı ve açıklama eklemeyi daha da karmaşık hâle getiren teknik zorluklar bulunur.

Mikroskopi görüntüleri, hücre görüntüleme yöntemine bağlı olarak çok farklı görünebilir. Örneğin floresan mikroskopisi, hücrenin bazı bölümlerinin parlamasını sağlayan boyalar kullanır. Bu floresan görüntüler, aksi hâlde görülmesi zor olan ayrıntıları vurgular.

Açıklama eklemek de önemli bir başka zorluktur. Binlerce hücreyi elle etiketlemek yavaştır ve alan uzmanlığı gerektirir. Hücreler sıklıkla üst üste biner, şekil değiştirir veya soluk görünür; bu da hataların ortaya çıkmasını kolaylaştırır. Yarı otomatik araçlar süreci hızlandırabilir, ancak kaliteyi güvence altına almak için genellikle insan denetimi gerekir.

İş yükünü azaltmak için araştırmacılar bazen tam dış hatlar çizmek yerine hücrelerin nerede olduğunu gösteren ilgi alanı konum işaretleri gibi daha basit açıklamalar kullanır. Daha az hassas olsalar da bu işaretler eğitim için yine de önemli bir rehber sağlar.

Bunlara ek olarak, biyolojide veri paylaşımı başka zorlukları da beraberinde getirir. Gizlilik kaygıları, hasta onamı ve laboratuvarlar arasındaki görüntüleme ekipmanı farklılıkları tutarlı, yüksek kaliteli veri kümeleri oluşturmayı zorlaştırabilir.

Bu engellere rağmen açık kaynaklı veri kümeleri büyük fark yarattı. GitHub'da ve Ultralytics Platform'da paylaşılan Blood Cell Segmentation gibi herkese açık koleksiyonlar, pek çok hücre türü ve görüntüleme yöntemi genelinde binlerce etiketli görüntü sunarak modellerin gerçek dünya senaryolarına daha iyi genelleme yapmasına yardımcı oluyor.

Hücre segmentasyonu modellerinin uygulamaları#

Bilgisayarlı görüyle hücre segmentasyonunda kullanılan veri ve yöntemleri artık daha iyi anladığımıza göre hücre segmentasyonu ve bilgisayarlı görünün gerçek dünyadaki bazı uygulamalarına göz atalım.

Hücre segmentasyonuyla tek hücre analizi#

Tek hücre analizi, tüm doku örnekleri yerine tek tek hücreleri incelemek, bilim insanlarının daha geniş ölçekte çoğu zaman gözden kaçan ayrıntıları görmesine yardımcı olur. Bu yaklaşım; hücrelerin nasıl çalıştığını 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 destek hücrelerinden (stromal hücrelerden) oluşan bir karışım içerir. Dokuya yalnızca 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 birbirinden ayırıp tek tek incelemesini sağlar; bu da tedavi yanıtlarını ve hastalığın ilerlemesini anlamak açısından kritik önemdedir. Örnek segmentasyonunu destekleyen Ultralytics YOLO11 gibi modeller, kalabalık veya üst üste binmiş görüntülerde bile her hücreyi algılayıp tam şeklini çizebilir. YOLO11, karmaşık mikroskopi görüntülerini yapılandırılmış verilere dönüştürerek araştırmacıların binlerce hücreyi hızlı ve tutarlı biçimde analiz etmesini sağlar.

YOLO ile hücre takibi ve canlı görüntüleme#

Hücreler farklı biçimlerde bölünür, hareket eder ve çevrelerine tepki verir. Canlı hücrelerin zaman içindeki değişimlerini analiz etmek, bilim insanlarının hücrelerin sağlıkta ve hastalıkta nasıl davrandığını anlamasına yardımcı olur.

Araştırmacılar, faz kontrastı veya yüksek çözünürlüklü mikroskopi gibi araçlarla boya ya da etiket eklemeden bu değişimleri takip edebilir. Böylece hücreler doğal durumlarını korur ve sonuçlar daha güvenilir olur.

Hücreleri zaman içinde takip etmek, aksi hâlde gözden kaçabilecek ayrıntıları da yakalamaya yardımcı olur. Bir hücre diğerlerinden daha hızlı hareket edebilir, alışılmadık biçimde bölünebilir veya bir uyarana güçlü tepki verebilir. Bu ince farklılıkları kaydetmek, hücrelerin gerçek koşullardaki davranışlarına ilişkin daha net bir tablo sunar.

Ultralytics YOLOv8 gibi bilgisayarlı görü modelleri bu süreci daha hızlı ve tutarlı hâle getirir. YOLOv8, görüntü dizilerindeki tek tek hücreleri algılayıp takip ederek hücre hareketlerini, bölünmelerini ve etkileşimlerini; hücreler üst üste bindiğinde veya şekil değiştirdiğinde bile otomatik olarak izleyebilir.

Şek. 4. Hücre algılama için kullanılan Ultralytics YOLOv8 segmentasyon sonuçları. (Kaynak: mdpi.com)

Görsel yapay zekâyı biyoinformatik ve çoklu omiklerle birleştirme#

Tüm hücre segmentasyonu için kullanılan Ultralytics YOLO11 gibi bilgisayarlı görü modellerinden elde edilen içgörüler, biyoinformatik (biyolojik verileri analiz etmek için hesaplamalı yöntemlerin kullanılması) ve çoklu omiklerle (DNA, RNA ve protein bilgilerinin birleştirilmesi) birlikte kullanıldığında daha büyük etki yaratabilir. Bu yöntemler birlikte, araştırmaları 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 etkinlikle 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 etkinliğiyle bağlantılı korelasyonlar bulabilir. Bu, durağan görüntüleri işe yarar içgörülere dönüştürür; tümörlerdeki gen etkinliğini izlemeye, protein davranışını gerçek zamanlı olarak haritalamaya ve yapı ile işlevi ilişkilendiren referans atlasları oluşturmaya yardımcı olur.

Hücre segmentasyonunun faydaları#

Hücre segmentasyonu için bilgisayarlı görü kullanmanın başlıca faydalarından bazıları şunlardır:

• Yüksek verimli tarama: Otomatik segmentasyon, milyonlarca hücreyi verimli biçimde işleyerek büyük ölçekli ilaç keşfini ve testlerini hızlandırabilir.
• Mekânsal düzen hakkında içgörüler: Hücrelerin dokularda nasıl düzenlendiğini göstererek tümör ortamları veya dokuların gelişimi hakkında önemli ipuçları sunar.
• Nicel veri üretimi: Segmentasyon, hücresel görüntülerden elde edilen görsel içgörülerin ötesinde hücre sayısı, alanı ve yoğunluk düzeyleri gibi ölçülebilir bilgiler sağlar ve deneyler arasında güvenilir karşılaştırmalar yapılmasına olanak tanır.

Hücre segmentasyonunda görsel yapay zekâ kullanmanın sınırlamaları#

Bilgisayarlı görü, hücre segmentasyonuna birçok fayda sağlasa da bazı sınırlamaları da vardır. Göz önünde bulundurman gereken birkaç etken şunlardır:

• Veri gizliliği: Model eğitimi için açıklama eklenmiş hücre veri kümelerini paylaşmak, özellikle görüntüler hasta bilgileriyle bağlantılıysa etik ve mevzuata ilişkin 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 kılmaya yardımcı oluyor.
• Model genellemesi: Bir laboratuvarın mikroskobuyla veya boyama protokolüyle eğitilen modeller başka yerlerde iyi performans göstermeyebilir. Farklı laboratuvarlardan gelen çeşitli verilerle eğitim yapmak dayanıklılığı artırır.

Hücre segmentasyonunun geleceği#

Hücre segmentasyonunun yeni nesli muhtemelen hızı, doğruluğu ve ölçeklenebilirliği bir araya getiren bilgisayarlı görü modelleriyle şekillenecek. U-Net gibi modeller büyük etki yarattı ancak yoğun işlem gücü gerektirebilir. Bilgisayarlı görüdeki gelişmelerle araştırmacılar hem yüksek doğruluk hem de gerçek zamanlı performans sunan modellere yöneliyor.

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

Yakın tarihli bir Geçirimli Elektron Mikroskobu (TEM) çalışmasında, performans ölçütleri Ultralytics YOLOv8'in U-Net'ten 43 kata kadar daha hızlı çalıştığını gösterdi. Bu performans, büyük veri kümelerini gerçek zamanlı olarak analiz etmeyi mümkün kılıyor; görüntüleme çalışmaları büyüdükçe bu özellik giderek daha önemli hâle geliyor.

Şek. 5. Segmentasyon için YOLOv8 (d) kullanmak, U-Net (c) gibi diğer modellerle karşılaştırıldığında mikroskopi görüntülerinde daha net ve doğru hatlar oluşturur. (Kaynak)

Bu gelişmeler şimdiden uygulamaya geçiriliyor. Theia Scientific'in Theiascope™ gibi platformlar, Ultralytics YOLO modellerini Geçirimli Elektron Mikroskobuyla (TEM) entegre ederek nano ölçekteki yapıların tutarlı biçimde ve büyük ölçekte segmentlere ayrılmasını sağlar. Platform, gerçek zamanlı algılama ve segmentasyon için Ultralytics YOLO modellerini kullanır; TEM görüntülerindeki yapıları görüntüler çekilirken otomatik olarak belirler ve analiz edilmeye hazır, güvenilir verilere dönüştürür.

Önemli çıkarımlar#

Hücre segmentasyonu, modern mikroskopi ve biyomedikal araştırmalarda önemli bir rol oynar. Bilim insanlarının tek tek hücreleri gözlemlemesine, hastalığın ilerleyişini izlemesine ve tedavilerin hücre davranışını nasıl etkilediğini takip etmesine olanak tanır. Ultralytics YOLO11 gibi görsel yapay zekâ modelleri bu süreci daha hızlı ve hassas hâle getirir. Büyük ve karmaşık görüntüleri verimli biçimde işleyerek deneylerin tekrarlanabilir ve ölçeklenebilir olmasına yardımcı olurlar.

Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu ziyaret et. Tarımda yapay zekâ ve lojistikte bilgisayarlı görü gibi uygulamalar hakkında daha fazla bilgi edinmek için çözümler sayfalarımızı incele. Lisanslama seçeneklerimize göz at ve bugün bilgisayarlı görüyle geliştirmeye başla!