Hücre segmentasyonu: Nedir ve görüntüleme yapay zekası bunu nasıl geliştirir

İlaç keşfi, kanser araştırmaları veya kişiselleştirilmiş tıp alanındaki birçok çığır açıcı gelişme, temel bir zorlukla başlar: hücreleri net bir şekilde görmek. Bilim insanları, hücre davranışlarını takip etmek, ilaçları değerlendirmek ve yeni tedavileri keşfetmek için net görüntülere güvenir.

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 computer vision teknolojisini benimsiyor. Örneğin, örnek bölütlemeyi (instance segmentation) destekleyen Ultralytics YOLO11 gibi modeller, hücreleri ayırmak ve hatta hücre altı yapıları tespit etmek üzere eğitilebilir. Bu, araştırmacıların çalışmalarını verimli bir şekilde ölçeklendirmelerine yardımcı olarak saatler yerine saniyeler içinde hassas analizler yapılmasına olanak tanır.

Şekil 1. Çekirdek bölütlemesi için kullanılan, hücre çekirdeklerini (hücrelerin merkezlerini) tanımlayan ve çevreleyen YOLO. (Kaynak)

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

Hücre 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 vision AI models nesne tespiti ve örnek bölütleme gibi görevleri destekler ve hücreleri analiz etmek üzere özel veri kümelerinde eğitilebilir. Nesne tespiti, çok sayıda hücre bir arada göründüğünde bile görüntüdeki 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.

Hücre 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 microbiology ve mikroskopi çalışmalarına hız, doğruluk ve ölçeklenebilirlik kazandıran günümüzün bilgisayarlı görü modellerinin ortaya çıkmasını sağladı.

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

Eşikleme ve morfolojik yöntemlerle hücre segmentasyonu#

Bilgisayarlı görüdeki ilerlemelerden önce hücre bölütleme, geleneksel image processing tekniklerine dayanıyordu. Bu yöntemler; kenarları tespit etmek, ön planı arka plandan ayırmak veya şekilleri pürüzsüzleştirmek gibi manuel olarak tanımlanmış kurallara ve işlemlere dayanıyordu. Desenleri doğrudan verilerden öğrenebilen bilgisayarlı görü modellerinin aksine görüntü işleme, tüm görüntülere aynı şekilde uygulanan sabit algoritmalara bağlıdır.

En erken yaklaşımlardan biri, piksel parlaklık seviyelerini karşılaştırarak hücreleri arka plandan ayıran bir yöntem olan thresholding idi. Bu, hücreler ile çevreleri arasında güçlü bir kontrast olduğunda iyi sonuç verir.

Şekil 2. Eşikleme tabanlı hücre bölütlemesine bir örnek. (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.

Hücre 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.

Convolutional neural networks (CNNs), bilgisayarlı görüde 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, günlük nesneleri tanımaktan biyomedikal görüntüleri analiz etmeye kadar CNN'leri birçok görsel görev için etkili kılar.

Ultralytics YOLO11 gibi modeller bu derin öğrenme ilkeleri üzerine kurulmuştur. CNN tabanlı mimarileri gerçek zamanlı nesne tespiti ve örnek bölütleme teknikleriyle genişleterek hücrelerin hızlı bir şekilde konumlandırılmasını ve sınırlarının çizilmesini sağlarlar.

Hibrit 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 girdisi görüntüsünün (a) ve ön işlemenin çıkardığı desenlerin (b) örneği; bu, daha ileri analiz için hücre özelliklerini daha net hale getirir. (Kaynak)

Hücre 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, mikroskopi görüntülerinden kanserli hücreleri bölütlemek için Ultralytics YOLO11 gibi bir modeli eğitmek istersek her hücrenin nerede başlayıp bittiğini gösteren etiketli örneklere ihtiyaç duyarız. Bu etiketler, modele hücre morfolojisini ve sınırlarını nasıl tanıyacağını öğreten bir kılavuz görevi görür. Etiketlemeler 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.

Hücre 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 open-source datasets büyük bir fark yarattı. GitHub gibi platformlar aracılığıyla paylaşılan ortak koleksiyonlar, birçok hücre türü ve görüntüleme yöntemi genelinde binlerce etiketlenmiş görüntü sağlayarak modellerin gerçek dünya senaryolarına daha iyi uyum sağlamasına yardımcı olur.

Hücre 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.

Hücre 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 tiplerini ayırmasına ve bunları ayrı ayrı incelemesine olanak tanır; bu da tedavi yanıtlarını ve hastalık progresyonunu anlamak için çok önemlidir. Instance segmentation desteği sunan Ultralytics YOLO11 gibi modeller, kalabalık veya örtüşen görüntülerde bile her hücreyi algılayabilir ve tam şeklini çizebilir. Karmaşık mikroskopi görüntülerini yapılandırılmış verilere dönüştüren YOLO11, araştırmacıların binlerce hücreyi hızlı ve tutarlı bir şekilde analiz etmesini sağlar.

YOLO 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. Görüntü dizileri boyunca bireysel hücreleri tespit edip takip ederek YOLOv8, hücreler üst üste bindiğinde veya şekil değiştirdiğinde bile hücre hareketlerini, bölünmelerini ve etkileşimlerini otomatik olarak izleyebilir.

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

Görüntüleme yapay zekasını biyoinformatik ve çoklu omik ile entegre etme#

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

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.

Hücre 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.

Hücre 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:

• Data privacy: Model eğitimi için etiketlenmiş 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.

Hücre 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.

Son dönemde yapılan bir Geçirgen Elektron Mikroskobu (TEM) çalışmasında, performans metrikleri Ultralytics YOLOv8 modelinin U-Net'e kıyasla 43 kata kadar daha hızlı çalıştığını gösterdi. Bu düzeydeki bir performans, görüntüleme çalışmaları büyüdükçe giderek daha önemli hale gelen büyük veri setlerini gerçek zamanlı olarak analiz etmeyi mümkün kılar.

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

Bu iyileştirmeler şimdiden uygulamaya konuluyor. Theia Scientific’s Theiascope™ gibi platformlar, Ultralytics YOLO modellerini Geçirimli Elektron Mikroskopi (TEM) ile entegre ederek nanometre ölçeğindeki yapıların tutarlı ve ölçeklenebilir bir şekilde bölütlenmesini sağlar. Platform, gerçek zamanlı tespit ve bölütleme için Ultralytics YOLO modellerini kullanır; TEM görüntülerindeki yapıları yakalanır yakalanmaz otomatik olarak tanımlar ve bunları güvenilir, analize hazır verilere dönüştürür.

Öne çıkanlar#

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

community topluluğumuza katıl ve yapay zeka hakkında daha fazla bilgi edinmek için GitHub repository adresimizi ziyaret et. AI in agriculture ve computer vision in logistics gibi uygulamalar hakkında daha fazla bilgi edinmek için çözümler sayfalarımızı keşfet. licensing options seçeneklerimize göz at ve bugün bilgisayarlı görü ile geliştirmeye başla!