Medical Image Analysis

Tıbbi görüntü analizi, akciğer nodülleri veya kırıklar gibi bulguları tespit etmek, organların ve tümörlerin sınırlarını belirlemek, bunları zaman içinde ölçmek ve hastalıkları sınıflandırmak gibi klinik açıdan yararlı bilgileri tıbbi görüntülerden çıkarmak için bilgisayarlı görü (CV) ve yapay zekâ (AI) kullanılmasıdır. X-ışını, BT, MRI, ultrason, PET, retina fotoğrafları, endoskopi videoları ve dijital patoloji preparatları üzerinde çalışır. Görüntüleri üreten tarayıcılar ve yeniden yapılandırma yöntemleri olan tıbbi görüntülemenin ardından gelen yorumlama adımıdır. Klinik analiz araçları tıbbi cihaz olarak düzenlenir ve FDA'nın kamuya açık AI destekli tıbbi cihazlar listesinde binden fazla onay bulunur; bunların çoğu radyoloji alanındadır.

Tıbbi Görüntü Analizi Nasıl Çalışır#

Tıbbi görüntüler; piksel verilerini hasta kimlikleri, tarayıcı ayarları ve kesit aralığı gibi meta verilerle birlikte saklayan DICOM biçiminde gelir. Ön işleme, görüntüleme türüne bağlıdır. BT piksel değerleri kalibre edilmiş Hounsfield birimleridir; bu nedenle akciğer veya kemik "penceresi", ilgili yoğunluk aralığını modelin girdisine eşler. MRI yoğunluklarının sabit bir ölçeği yoktur ve her tarama için ayrı ayrı normalleştirilir. BT ve MRI, modellerin kesit kesit veya hacimler hâlinde işlediği yüzlerce kesitten oluşan 3B hacimler üretir. Dijital patoloji preparatları milyarlarca piksele ulaşır; bu nedenle parçalara bölünür ve yalnızca preparat düzeyinde etiketler varsa çoklu örnek öğrenmesi kullanılarak işlenir.

Temel görevler, anatomiye uygulanan standart görü görevleridir:

• Görüntü sınıflandırma: Retina fotoğrafında sevk gerektiren diyabetik retinopati olup olmadığı gibi, görüntünün tamamına bir etiket atar.
• Nesne tespiti: Nodül, kırık veya kolon polipi gibi bulguların çevresine kutular çizerek klinisyenin dikkatini yönlendirir.
• Görüntü bölütleme: Hacim ölçümü ve radyoterapi planlaması için organların ve tümörlerin sınırlarını belirlemek üzere her pikseli veya vokseli etiketler.
• Görüntü eşleme: Değişikliklerin ölçülebilmesi için aynı hastanın farklı zamanlarda veya farklı görüntüleme türleriyle çekilmiş taramalarını hizalar.

U-Net mimarisi 2015'te biyomedikal bölütleme için tasarlandı; nnU-Net, U-Net işlem hatlarını yeni veri kümeleri için otomatik olarak yapılandırır ve MONAI gibi açık kaynaklı çerçeveler bu görevleri tıbbi veriye özel yükleyiciler ve dönüşümlerle bir araya getirir.

Etiketlenmiş taramalar üzerinde bir algılayıcıya ince ayar yapmak, diğer alanlardaki iş akışını izler: Ultralytics'in beyin tümörü veri kümesi, MRI kesitlerini tümör kutularıyla eşleştirir; bu veri kümesinde Ultralytics YOLO26 eğitmek, yeni kesitlerde tümör bölgelerini işaretleyen bir model üretir:

from ultralytics import YOLO

# Etiketlenmiş beyin MRI kesitlerinde COCO ile önceden eğitilmiş bir YOLO26 algılayıcısını ince ayarla
model = YOLO("yolo26n.pt")
model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

# Yeni bir MRI kesitindeki tümör bölgelerini tespit et
results = model("https://ultralytics.com/assets/brain-tumor-sample.jpg")
result = results[0]

# Tahmin edilen kutular ve güven puanlarıyla kesiti kaydet
result.save(filename="brain_tumor_result.jpg")

Sağlık Hizmetlerindeki Uygulamalar#

Yaygın olarak kullanılan bir yöntem triyajdır. BT'de şüpheli beyin kanaması veya büyük damar inmesi bulgularını işaretleyen yazılım, incelemeyi radyoloğun iş listesinde en üste taşır; radyoloğun nihai değerlendirmesi de model için bir kontrol işlevi görür:

Diğer yerleşik kullanım alanları tarama, tedavi planlaması ve işlemleri kapsar:

• Tarama: İsveç'te yürütülen randomize MASAI çalışmasında, AI destekli mamografi taraması standart çift okumaya kıyasla daha fazla yanlış pozitif üretmeden %29 daha fazla kanser buldu ve radyologların tarama görüntülerini okuma iş yükünü %44 azalttı. 2018'de IDx-DR, diyabetik retinopati için görüntüyü bir klinisyenin yorumlamasına gerek kalmadan tarama kararı veren FDA onaylı ilk cihaz oldu.
• Onkoloji: Bölütleme modelleri, radyoterapi planlaması için tümörlerin ve risk altındaki organların sınırlarını belirler ve takip taramalarında tümör boyutunu ölçer.
• Patoloji: Modeller, kanser aramak için tüm preparat görüntülerini tarar. 2021'de Paige Prostate, prostat biyopsisi preparatlarında kanser bulma amacıyla FDA'nın onayladığı ilk AI yazılımı oldu.
• Endoskopi: Gerçek zamanlı algılayıcılar kolonoskopi sırasında polipleri vurgular. GI Genius, 2021'de FDA'nın onayladığı bu tür ilk AI cihazı oldu.

Zorluklar ve Dikkat Edilmesi Gerekenler#

• Uzman etiketleri: Etiketleme için radyologlar veya patologlar gerekir ve uzmanlar zor vakalarda aynı fikirde olmayabilir; bu nedenle etiketli veri kümeleri küçük ve pahalıdır.
• Alan kayması ve kestirme öğrenme: Hastaneler arasında tarayıcılar, protokoller ve hasta grupları farklılık gösterir. 2018'de yapılan bir araştırma, göğüs X-ışınlarıyla eğitilen zatürre sınıflandırıcılarının görüntünün hangi hastaneden geldiğini belirleyebildiğini ve eğitim verilerinde yer almayan hastanelerin X-ışınlarında daha kötü performans gösterdiğini ortaya koydu.
• AI'da yanlılık: Temsil gücü düşük hasta gruplarıyla eğitilen modeller, yetersiz temsil edilen gruplarda daha düşük performans gösterir.
• Açıklanabilirlik: Isı haritaları ve diğer açıklamalar, klinisyenlerin modelin çıktısına güvenmeden önce modelin hangi bilgilere dayandığını kontrol etmesine yardımcı olur.
• Gizlilik ve federe öğrenme: ABD'de hasta verileri HIPAA, Avrupa'da GDPR kapsamındadır; DICOM başlıkları ve görüntülere işlenmiş metinler kimliksizleştirilmelidir. Federe öğrenme, hasta verilerini bir araya getirmeden hastaneler arasında model eğitir.
• Düzenlemeler ve güncellemeler: Onaylanmış bir modelde yapılan önemli değişiklikler normalde yeni bir düzenleyici kuruma başvurulmasını gerektirir. FDA'nın Aralık 2024'te yayımladığı önceden belirlenmiş değişiklik kontrol planlarına ilişkin nihai kılavuz, üreticilerin planlanan model güncellemelerini ve bunları nasıl doğrulayacaklarını ilk başvuruda belirtmesine olanak tanır.