Medikal görüntü işleme; röntgen, BT, MR, ultrason veya dijital patoloji görüntülerini bilgisayarda düzenleme, analiz etme ve ölçülebilir çıktılara dönüştürme işlerinin bütünüdür. Teknik olarak amaç, ham görüntüden güvenilir bir görüntü, bölge, ölçüm veya sınıflandırma sonucu üretmektir; ancak bu sonuç tek başına klinik tanı ya da tedavi kararı anlamına gelmez. Bir proje genellikle görüntüyü alma ve doğrulama, ön işleme, ilgili bölgeyi ayırma, özellik çıkarma, analiz, doğrulama ve sonuçları raporlama aşamalarından oluşur.
İlk görev görüntünün doğru biçimde okunmasıdır. Dosya biçimi, görüntü boyutu, piksel aralığı, kesit kalınlığı, yön bilgisi ve çekim parametreleri kontrol edilir. Tıbbi görüntülerde görüntü piksellerine ek olarak hasta, çekim ve anatomik bölgeyle ilişkili üstveriler bulunabildiğinden, işleme başlamadan önce bu bilgilerin hangi amaçla kullanılacağı belirlenmelidir. Eğitim veya araştırma verisinde kimlik bilgileri yetkisiz kişilere açılmamalı; anonimleştirme görüntü analizinin ayrı bir parçası olarak ele alınmalıdır.
Bu aşamada yapılan yaygın işler şunlardır:
Bölütleme veya segmentasyon, görüntüde incelenen organı, lezyonu, damarı ya da başka bir yapıyı çevresindeki dokudan ayırma işlemidir. Çıktı çoğunlukla her piksel veya voksel için “hedef bölge” ve “arka plan” etiketlerinden oluşan maske olur. Bu maske, daha sonra alan, hacim, çap, şekil veya yoğunluk hesabında kullanılır.
Bölütleme elle çizilebilir, eşikleme ve bölge büyütme gibi klasik yöntemlerle yapılabilir veya makine öğrenmesi modeliyle üretilebilir. Modelin maske vermesi, maskenin doğru olduğunu kanıtlamaz. Sınırların uzman işaretleriyle, farklı görüntülerle ve uygun doğrulama ölçütleriyle karşılaştırılması gerekir.
Kayıt veya hizalama, aynı hastaya ya da aynı bölgeye ait farklı zamanlardaki, farklı kesitlerdeki veya farklı görüntüleme yöntemlerindeki görüntüleri ortak koordinat sistemine taşır. Örneğin MR ile BT görüntülerini karşılaştırırken görüntülerden biri döndürülebilir, ötelenebilir, ölçeklenebilir veya kontrollü biçimde dönüştürülebilir.
Bu işlem; takip görüntülerindeki değişimi incelemek, farklı modaliteleri üst üste göstermek ve üç boyutlu model oluşturmak için kullanılır. Yanlış hizalama, gerçek bir anatomik değişim varmış gibi görünen yapay farklar oluşturabilir. Bu nedenle kayıt sonrasında referans noktaları, benzerlik ölçütü ve hizalama hatası ayrıca kontrol edilir.
İşleme hattı bir maske veya görüntü bölgesi ürettikten sonra bu bölgeden sayısal özellikler çıkarılabilir. Bunlar alan, hacim, çevre, çap, yoğunluk dağılımı, doku dokusu, şekil özellikleri veya zaman içindeki değişim gibi ölçümlerdir. Özellik çıkarma, görüntüyü modelin kullanabileceği sayısal girdilere dönüştürür.
Daha sonra görev türüne göre farklı analizler uygulanır:
Bu görevler birbirinin yerine geçmez. Bir sınıflandırma modeli “bu görüntü hangi sınıfa daha çok benziyor?” sorusuna yanıt üretirken, lezyonun görüntüde nerede olduğunu veya gerçek boyutunu ayrıca göstermeyebilir. Tespit modeli konumu bulabilir fakat sınırı kesin olarak çizmeyebilir.
Varsayımsal bir araştırma projesinde girdi olarak akciğer BT kesitleri ve her kesitte uzman tarafından çizilmiş nodül maskeleri bulunur. İlk aşamada görüntüler aynı voksel aralığına getirilir ve yoğunluk değerleri belirlenen aralıkta normalize edilir. Ardından model bir kesit için piksel maskesi üretir.
Örneğin beklenen çıktı; arka plan için 0, nodül bölgesi için 1 değerini taşıyan iki boyutlu bir maske olabilir. Bu iki boyutlu maskede hedef piksel sayısı, iki eksendeki fiziksel piksel aralıklarının çarpımıyla çarpılarak kesit alanına dönüştürülür:
Son aşamada algoritmanın yalnızca ortalama başarısı değil, hangi koşullarda hata yaptığı da incelenir. Farklı cihazlar, görüntü kaliteleri, anatomik bölgeler ve hasta grupları ayrı değerlendirilmelidir. Bölütlemede örtüşme ölçütleri ve sınır hataları; sınıflandırmada duyarlılık, özgüllük, yanlış pozitif ve yanlış negatif sonuçlar; ölçüm görevlerinde ise referans ölçüme uzaklık incelenebilir.
Görüntü işleme sonucu bir görsel üzerine bindirilebilir, tabloya aktarılabilir veya başka bir yazılıma gönderilebilir. Ancak renkli bir maske, yüksek bir olasılık skoru ya da başarılı bir örnek görüntü algoritmanın her durumda doğru çalıştığı anlamına gelmez. Kullanılacak modelin veri kümesi, etiketleme yöntemi, doğrulama ayrımı, hata türleri ve kullanım sınırları kayıt altına alınmadan sonuç üretim ortamına taşınmamalıdır.
Ham veriyi hazırlama ve güvenilir hâle getirme
İlk görev görüntünün doğru biçimde okunmasıdır. Dosya biçimi, görüntü boyutu, piksel aralığı, kesit kalınlığı, yön bilgisi ve çekim parametreleri kontrol edilir. Tıbbi görüntülerde görüntü piksellerine ek olarak hasta, çekim ve anatomik bölgeyle ilişkili üstveriler bulunabildiğinden, işleme başlamadan önce bu bilgilerin hangi amaçla kullanılacağı belirlenmelidir. Eğitim veya araştırma verisinde kimlik bilgileri yetkisiz kişilere açılmamalı; anonimleştirme görüntü analizinin ayrı bir parçası olarak ele alınmalıdır.
Bu aşamada yapılan yaygın işler şunlardır:
- Dosyayı okumak ve bozuk, eksik ya da uyumsuz görüntüleri ayıklamak.
- Piksel değerlerini fiziksel anlam taşıyan bir ölçeğe dönüştürmek veya uygun aralığa normalize etmek.
- Farklı cihazlardan gelen görüntülerin boyut, yön ve çözünürlük farklarını gidermek.
- Gerekliyse gürültüyü azaltmak, kontrastı düzenlemek ve ilgisiz kenar bölgelerini kırpmak.
- Araştırma verisinde kişisel bilgileri kaldırmak ve veri erişimini sınırlandırmak.
Anatomik bölgeyi bulma ve ayırma
Bölütleme veya segmentasyon, görüntüde incelenen organı, lezyonu, damarı ya da başka bir yapıyı çevresindeki dokudan ayırma işlemidir. Çıktı çoğunlukla her piksel veya voksel için “hedef bölge” ve “arka plan” etiketlerinden oluşan maske olur. Bu maske, daha sonra alan, hacim, çap, şekil veya yoğunluk hesabında kullanılır.
Bölütleme elle çizilebilir, eşikleme ve bölge büyütme gibi klasik yöntemlerle yapılabilir veya makine öğrenmesi modeliyle üretilebilir. Modelin maske vermesi, maskenin doğru olduğunu kanıtlamaz. Sınırların uzman işaretleriyle, farklı görüntülerle ve uygun doğrulama ölçütleriyle karşılaştırılması gerekir.
Görüntüleri hizalama ve birleştirme
Kayıt veya hizalama, aynı hastaya ya da aynı bölgeye ait farklı zamanlardaki, farklı kesitlerdeki veya farklı görüntüleme yöntemlerindeki görüntüleri ortak koordinat sistemine taşır. Örneğin MR ile BT görüntülerini karşılaştırırken görüntülerden biri döndürülebilir, ötelenebilir, ölçeklenebilir veya kontrollü biçimde dönüştürülebilir.
Bu işlem; takip görüntülerindeki değişimi incelemek, farklı modaliteleri üst üste göstermek ve üç boyutlu model oluşturmak için kullanılır. Yanlış hizalama, gerçek bir anatomik değişim varmış gibi görünen yapay farklar oluşturabilir. Bu nedenle kayıt sonrasında referans noktaları, benzerlik ölçütü ve hizalama hatası ayrıca kontrol edilir.
Ölçüm, özellik çıkarma ve yapay zekâ analizi
İşleme hattı bir maske veya görüntü bölgesi ürettikten sonra bu bölgeden sayısal özellikler çıkarılabilir. Bunlar alan, hacim, çevre, çap, yoğunluk dağılımı, doku dokusu, şekil özellikleri veya zaman içindeki değişim gibi ölçümlerdir. Özellik çıkarma, görüntüyü modelin kullanabileceği sayısal girdilere dönüştürür.
Daha sonra görev türüne göre farklı analizler uygulanır:
| Teknik görev | Tipik çıktı | Ne sağlar? |
|---|---|---|
| Tespit | Kutu, merkez noktası veya aday bölgeler | İlgilenilen yapıların yaklaşık konumunu gösterir |
| Bölütleme | Piksel veya voksel maskesi | Hedef yapının sınırını ve kapladığı alanı temsil eder |
| Sınıflandırma | Etiket veya olasılık skoru | Görüntüyü önceden tanımlı sınıflardan biriyle eşleştirir |
| Nicel analiz | Alan, hacim, yoğunluk veya şekil ölçümü | Görüntüdeki özellikleri sayısallaştırır |
| Kayıt ve füzyon | Hizalanmış veya üst üste bindirilmiş görüntü | Farklı görüntüleri ortak koordinatta karşılaştırır |
Somut bir teknik örnek
Varsayımsal bir araştırma projesinde girdi olarak akciğer BT kesitleri ve her kesitte uzman tarafından çizilmiş nodül maskeleri bulunur. İlk aşamada görüntüler aynı voksel aralığına getirilir ve yoğunluk değerleri belirlenen aralıkta normalize edilir. Ardından model bir kesit için piksel maskesi üretir.
Örneğin beklenen çıktı; arka plan için 0, nodül bölgesi için 1 değerini taşıyan iki boyutlu bir maske olabilir. Bu iki boyutlu maskede hedef piksel sayısı, iki eksendeki fiziksel piksel aralıklarının çarpımıyla çarpılarak kesit alanına dönüştürülür:
alan = hedef_piksel_sayısı × sx × sy. Yalnız tek kesit maskesiyle toplam nodül hacmi belirlenemez. Hacim için üç boyutlu bölütleme gerekir; düzenli bir voksel ızgarasında hacim = hedef_voksel_sayısı × sx × sy × sz kullanılır. Aralıklar mm cinsindeyse alan mm², hacim mm³ olur. Voksel sayısı ile voksel hacminin çarpımı 3D Slicer’ın resmî segment istatistikleri belgesinde açıklanır. Çıktı uzman maskesiyle büyük ölçüde örtüşüyorsa bölütleme performansı hakkında kanıt sağlar; fakat tek başına hastada nodül bulunduğunu, nodülün kötü huylu olduğunu veya tedavi gerektiğini kanıtlamaz. Bu yorumlar klinik değerlendirme ve doğrulanmış çalışma tasarımı gerektirir.Doğrulama, hata analizi ve sunum
Son aşamada algoritmanın yalnızca ortalama başarısı değil, hangi koşullarda hata yaptığı da incelenir. Farklı cihazlar, görüntü kaliteleri, anatomik bölgeler ve hasta grupları ayrı değerlendirilmelidir. Bölütlemede örtüşme ölçütleri ve sınır hataları; sınıflandırmada duyarlılık, özgüllük, yanlış pozitif ve yanlış negatif sonuçlar; ölçüm görevlerinde ise referans ölçüme uzaklık incelenebilir.
Görüntü işleme sonucu bir görsel üzerine bindirilebilir, tabloya aktarılabilir veya başka bir yazılıma gönderilebilir. Ancak renkli bir maske, yüksek bir olasılık skoru ya da başarılı bir örnek görüntü algoritmanın her durumda doğru çalıştığı anlamına gelmez. Kullanılacak modelin veri kümesi, etiketleme yöntemi, doğrulama ayrımı, hata türleri ve kullanım sınırları kayıt altına alınmadan sonuç üretim ortamına taşınmamalıdır.
Son düzenleme:
