Sağlık Alanında Görüntü İşleme

Görüntü işleme, günümüzde savunma sanayisinden sağlık sektörüne kadar pek çok alanda yaygın olarak kullanılmaktadır. Özellikle sağlık alanında görüntü işleme, hastalıkların erken teşhisi, tedavi planlaması ve cerrahi müdahalelerin hassasiyetini artırmak için kullanılmaktadır.

Bu yazıda, görüntü işlemenin temel prensiplerini ele alacaktır. Ayrıca, tamamladığımız bir proje çerçevesinde tıp alanında nasıl uygulandığına odaklanacağız. Kullanılan yöntemler, elde edilen sonuçlar ve görüntü işlemenin sağlık sektörüne sunduğu katkıları detaylı şekilde inceleyeceğiz.

Görüntü işleme, bir görüntü üzerinde çeşitli düzenlemeler yaparak görüntüyü değiştirmek veya kalitesini artırmaktır. Bir görüntüyü işlemek için ölçekleme, kırpma, renklendirme, kontrast düzenlemesi öge silme vb. yöntemler kullanılabilir.

Bu fotoğraf görüntü işlemeye güzel bir örnektir. Burada hareketli kamera taşıyıcısına takılmış bir kamera ile uçak bir yörünge boyunca izlenmiş ve 8 tane görüntü alınmıştır. Sonrasında, bu 8 görüntü içinden 4 tanesi seçilip üst üste bindirme tekniğiyle işlenmiştir (2 numaralı görsel). 3.adımda ise 8 görüntünün tamamı birleştirilmiştir. Sonrasında nesnenin hızının ölçülebilmesi amacıyla görüntüler arka planla birleştirilmiştir (görsel 4). 5.adımda ise uçağın silah taşıyıp taşımadığının anlaşılabilmesi için bilinen uçak fotoğraflarıyla eldeki fotoğraf karşılaştırılmıştır. Böylece havadaki bir uçağın silah taşıyıp taşımadığının tespit edilebilmesi mümkün hale getirilmiştir.

Görüntü işleme, insansız hava araçları, uydu ve su altı görüntülerinin analiz edilmesi gibi uygulamalarla insan gücüne olan ihtiyacı azaltmıştır. Silahlı araçların tespiti ve hedef belirleme gibi görevler makineler tarafından gerçekleştirilebilir hale gelmiştir. Böylece, asker kayıpları azalırken orduların gücü artmıştır.

Güvenlik sektöründe görüntü işleme yüz tanıma teknolojilerinde öne çıkmaktadır. Bunun yanında görüntü işleme nesne tespiti, izleme ve erişim kontrol sistemlerinde önemli bir rol oynamaktadır. Görüntü işlemenin güvenlikteki rolü, geniş bir çerçeve sunmaktadır. İzleme sistemleri, toplumsal güvenlik, özel mülk koruma ve suç önleme konularında oldukça etkin kullanılmaktadır. Kesin ve hızlı analiz yapabilme yeteneği, bu teknolojilerin önemli bir avantajını oluşturmaktadır.

Görüntü işleme, yalnızca görsel verileri analiz etmekle kalmaz; aynı zamanda insan davranışlarını da anlamaya çalışır. Bu noktada, yalnızca nesne tespiti değil, aynı zamanda insan yüzlerini analiz etme yeteneği de ortaya çıkar. Örneğin, bir otoparkta veya kalabalık bir festivalde görüntü işlemenin sunduğu hızlı tepki süresi, olaylara anında müdahaleyi kolaylaştırır. Ek olarak, güvenlik kameralarının kayıtları, olay sonrası analiz için de kullanılmaktadır. Bu sayede, suçluların tespiti ve adaletin sağlanması amaçlanmaktadır. Bütün bu unsurlar, görüntü işlemenin güvenlik alanında ne denli kritik bir rol oynadığını göstermektedir[1].

Görüntü işleme, insan gözünün sınırlı olduğu noktalarda daha hızlı, hassas ve otomatik analizler yapabilmek için gereklidir. Günümüzde sağlık, savunma, endüstri, tarım ve ulaşım gibi birçok alanda yaygın olarak kullanılmaktadır.

Sağlık sektöründe tıbbi görüntüleme (MR, röntgen, tomografi) sayesinde hastalıkların erken teşhisi sağlamaktadır. Ayrıca, savunma sanayinde hedef tespiti, sınır güvenliği ve istihbarat gibi kritik görevler otomatik sistemlerle gerçekleştirilmektedir. Endüstride kalite kontrol ve otomasyon, tarımda ise hastalık tespiti ve verim analizi konusunda sonuç üretir. Ulaşımda ise plaka tanıma ve otonom araç sistemleri gibi birçok alanda görüntü işleme teknolojilerinden faydalanılmaktadır.

Tıbbi görüntü işleme, hastalıkların erken teşhisi, tedavi planlaması ve takip süreçlerinde büyük bir rol oynamaktadır. Manyetik rezonans (MR), bilgisayarlı tomografi (BT) ve röntgen gibi görüntüleme yöntemleriyle elde edilen veriler, yapay zeka destekli algoritmalarla analiz edilerek doktorlara daha hızlı ve doğru teşhis koyma imkanı sunmaktadır. Özellikle kanser taramalarında tümörlerin tespiti, organların üç boyutlu modellenmesi ve cerrahi planlamalar görüntü işleme teknikleri sayesinde daha güvenilir hale gelmiştir.

Ayrıca, medikal robotik sistemlerde ve tele-tıp uygulamalarında da görüntü işleme teknolojisi yaygın olarak kullanılmaktadır. Örneğin, cerrahi robotlar operasyon sırasında gerçek zamanlı görüntü analizi yaparak cerrahların daha hassas müdahalelerde bulunmasına yardımcı olur. Aynı zamanda hasta takibi ve medikal verilerin işlenmesi süreçlerinde yapay zeka destekli görüntü analizi, sağlık sektöründe verimliliği artırarak insan hatalarını minimize etmektedir.

Çene arter damarı tespiti projemizde, tıbbi görüntü işleme tekniklerini kullanarak, damarların daha doğru ve net bir şekilde tespit edilmesini sağladık. Görüntü işleme yöntemleri, tıbbi görsellerin kalitesini artırarak, damarın daha belirgin hale gelmesini sağladı. Yüksek çözünürlüklü görüntüler üzerinde yapılan filtreleme, iyileştirme ve restore etme işlemleri yaptık. Bu sayede, damar yapısının doğru bir şekilde izlenmesi mümkün oldu. Bununla birlikte, hekimlerin çene arter damarının tespitinin daha hızlı ve güvenilir bir şekilde olmasını sağladık.

Bu proje, karmaşık bir süreçti ve ilk olarak Veri Hazırlığı aşamasıyla başladık. Farklı hastalardan alınan tıbbi görüntüler üzerinde arter damarlarını işaretledik. Yüksek doğruluk oranlarına ulaşabilmek için görüntü sayısını artırmamız gerekti. Bunun için yatay çevirme, parlaklık ve kontrast ayarları, renk tonlarını değiştirme ve görüntüyü hafif döndürme gibi augmentation (genişletme) yöntemleri kullandık. Bu sayede, yapay zeka modelimizin farklı açılarda ve ışık koşullarında da başarılı sonuçlar vermesini sağladık. Ardından model eğitimine geçtik.

Model eğitimi, bir yapay zeka modeline görsel verileri tanıtma ve bu verilere dayalı tahmin yapmasını sağlama sürecidir[2]. Bu projede görsellerin temel özelliklerini tanıma konusunda oldukça iyi sonuçlar veren Resnet18 modelini tercih ettik.

ResNet18, genellikle görüntü sınıflandırma için kullanılan bir modeldir. Ancak biz, çene arter damarının konumunu belirlemek için bounding box tahmini yapacak şekilde düzenledik. Bunun için modelin son katmanlarını değiştirdik. Yaptığımız düzenlemeler şu şeklidedir:

 Özellik Çıkarımı: ResNet18’in erken katmanları, görüntüdeki kenarları, renk geçişlerini ve dokuları algılar. Bu katmanları aynen kullandık

• Yeni Katmanlar Ekleme: ResNet18’in sınıflandırma yapan son katmanını çıkarıp yerine bir regresyon katmanı ekledik. Bu katman, damarın konumunu belirlemek için dört değer (x, y, genişlik, yükseklik) üretir.
• Kayıp Fonksiyonu: Modeli eğitirken, tahmin edilen bounding box ile gerçek bounding box arasındaki farkı ölçmek için Smooth L1 Loss yöntemini kullandık. Bu yöntem, modelin daha hassas tahminler yapmasına yardımcı olur.

Bu değişiklikler sayesinde modeli görüntüdeki çene arter damarının yerini tam olarak belirleyecek şekilde düzenledik ve özelleştirdik. Sonrasında Modelimizin performansını ölçme adımına geçtik

Modelin öğrenip öğrenmediğini test etmek için daha önce görmediği tıbbi görüntüler üzerinde tahminler yaptırdık. Bu tahminleri gerçek işaretlemelerle karşılaştırarak modelin başarısını değerlendirdik. Başarıyı ölçmek için, tahmin ve gerçek işaretlemeler arasındaki örtüşmeyi inceledik. Ayrıca, R² skoru gibi metriklerle modelin doğruluğunu belirledik. Son olarak, modelin öğrenme istatistiklerini görselleştirerek daha sağlıklı yorumlar yapmamızı sağladık.

Bu adımda, görsellerde:

• Gerçek damar konumu yeşil işaretlemeyle belirtilir.
• Modelin tahmini kırmızı işaretlemeyle gösterilir.

Bu iki işaretlemenin örtüşme oranı, modelin başarısını görsel olarak değerlendirmemizi sağlar.

Bu grafikler, eğitim sırasında bir makine öğrenimi modelinin performans ölçümlerini göstermektedir.

Eğitim Kaybı (sol): Erken dönemlerde hızla düşer, sonra düşük bir değerde sabitlenir ve bu da başarılı öğrenmeyi gösterir.

Doğrulama Kaybı (orta): Eğitim kaybına benzer bir örüntü, modelin önemli bir aşırı uyum olmadan iyi bir şekilde genelleştirildiğini gösterir.

R2 Puanı İlerlemesi (sağ): Hızla 1’e yakın bir değere yükselir ve bu da modelin verilerdeki varyansın çoğunu açıkladığını gösterir.

Son R2 Puanı 0,9463, modelin yüksek tahmin doğruluğuna sahip olduğunu gösterir. Grafikler, yaklaşık 100 dönem boyunca etkili model eğitimini gösterir.

Görüldüğü üzere iki kutucuk o kadar üst üste gelmiştir iki kutucuk fark edilmemektedir. Bu sonuç makine tahminimizin gerçek değere yaklaştığını göstermektedir.

Görüntü işleme teknolojisinin yapay zekanın gelişmesiyle daha da ilerleyecektir. Sağlık alanında hastalık tespitlerinde görüntü işlemenin kullanılması doktorlarımıza büyük kolaylık sağlayacaktır. Ayrıca, hastalık tespit süreçlerini hızlandıracaktır.

Bu projenin detaylarını Yapay Zeka Destekli Arter Damarı Tespit sayfamızdan görebilrsiniz

Bu çalışma, tıp alanında görüntü işleme teknolojilerinin kritik önemini ortaya koymuştur. Modelin yüksek doğruluk oranı, tıbbi görüntü tanımlamada yapay zekanın gücünü kanıtlamaktadır.

Çene arter damarı tespiti projesi, görüntü işleme tekniklerinin tıbbi tanı süreçlerine nasıl katkı sağlayabileceğini göstermiştir. ResNet18 modelinin başarılı performansı, bu teknolojinin gelecekte sağlık hizmetlerine daha fazla katkı sağlayabileceği potansiyelini göstermektedir.

---

[1]https://teknolojivehayat.com/tr-goruntu-isleme-teknolojileri/goruntu-isleme-ile-guvenlik-teknolojilerinin-gelisimi/187958

[2]https://docs.ultralytics.com/tr/guides/model-training-tips/#:~:text=Peki%2C%20model%20e%C4%9Fitimi%20nedir%3F,dayanarak%20tahminler%20yapmay%C4%B1%20%C3%B6%C4%9Fretme%20s%C3%BCrecidir.