Sabit eşik Dice 0,67
ArtısıEn basit; anında çalışır, eğitim gerekmez.
EksisiTek sayı her hastaya ve her çekime uymaz. Son işleme olmadan 0,44.
Ne zaman?Hedef çevresinden belirgin koyu ya da açıksa: BT'de kemik veya hava.
Göğüs röntgeninde akciğer: eşikleme, Otsu, bölge büyütme ve U-Net
Hamdi Eren Kuşcalı
Medikal Görüntü İşleme, vize sunumu
27 Ekim 2026
Bu röntgen 512 × 512 = 262.144 küçük kareden, yani pikselden oluşuyor.
Yaklaşınca kareler görünür. Her karenin tek bir gri tonu var.
Bölütleme kareleri tek tek gezer ve sorar: akciğer mi, değil mi?
Bütün cevaplar birleşince maske çıkar: yeşil akciğer, gerisi değil.
Uzman sınırı: radyoloğun elle çizdiği çizgi. Bizim cevap anahtarımız.
Organ ya da lezyon: hedef hastalıklı bir bölge (ör. tümör) de olabilir. Yöntemler aynı, zorluk farklı.
Gri şekil bir yöntemin cevabı; uzman çizgisiyle örtüşen kısmı beyaz. Şekli sürükleyin.
Hiçbir şey boyamasak bile piksellerin %75'i “doğru” çıkar, çünkü görüntünün çoğu akciğer değil. Dice ve IoU ise 0 olur. Bu yüzden onları kullanıyoruz.
Montgomery veri seti (ABD Ulusal Tıp Kütüphanesi). Her röntgende akciğeri bir radyolog gözetiminde elle çizilmiş.
80'i sağlıklı, 58'inde tüberküloz (TB) var. TB akciğerde beyaz lekeler bırakır; işi zorlaştırır.
28'i sınav için ayrıldı. Ayar ve eğitim yalnızca kalan 110 ile yapıldı; bütün sonuçlar bu 28'den.
Her piksel 0 (siyah) ile 255 (beyaz) arası bir sayıdır.
Yaklaşınca sayılar görünür. Akciğer koyu, yani sayısı küçük.
Histogram her sayıdan kaç piksel olduğunu sayar.
Yeşil: uzmanın akciğer dediği pikseller, röntgende ve histogramda. Diğerleriyle iç içe.
Her eşiği dener: pikselleri koyu ve açık iki gruba ayırır. İki grup en iyi ayrıştığında durur.
Ama bu eşik akciğeri dışarıdaki havaya bağlıyor: kenar temizliği akciğeri de siliyor.
Röntgende aslında üç grup var. Üç gruplu Otsu iki eşik bulur; alttaki yalnızca havayı alır.
Tohum: her akciğere bir tıklama. Referans: tohumun çevresindeki 7×7 karenin ortalaması.
Dalga, gri tonu bantta kalan komşulara yayılır. Bandın dışına çıkamaz.
Yoğun TB: tohum beyazlaşmış hastalıklı bölgeye düşüyor. Dalga kalbe ve karna taşıyor.
U-Net bir röntgen alır, aynı boyda bir maske verir. Arada iki yol var: aşağı ve yukarı.
Aşağı inerken resim küçülür, kanal sayısı artar. Her kanal bir özellik arar (kenar, doku, şekil): burada ne var?
Yukarı çıkarken resim yeniden büyür. Köprüler aşağıdaki ayrıntıyı taşır: tam olarak nerede?
Çıktı: her piksel için 0 ile 1 arası bir olasılık. 0,5'ten büyükse akciğer.
Kartlar gerçek: bu röntgen eğitilmiş modelden geçerken her katmanda oluşan haritalardan üçü.
94 röntgen ve uzman maskeleriyle eğitildi. 16 röntgen kontrol için ayrıldı; her turdan sonra onlarda Dice ölçüldü.
Her turda model bütün örnekleri bir kez görür, hatasına göre parametrelerini biraz düzeltir.
En iyi tur 21 (kontrol Dice'ı 0,982). O turun modeli test edildi. Bütün eğitim 1,8 dakika.
Her nokta bir test röntgeni (28). Büyük sayı ortalama Dice. Klasik yöntemler son işlemli, U-Net doğrudan çıktı. Bir noktanın üstüne gelince aynı röntgen bütün yöntemlerde işaretlenir.
Üç vaka, beş yöntem. Yeşil çizgi uzmanın sınırı; altındaki sayı Dice.
| Çalışma | Veri | Yöntem | Sonuç | Sınırlılık |
|---|---|---|---|---|
| Candemir ve ark., 2014Organ: akciğer, röntgen | Montgomery (138, bizim veri), JSRT (247), India (200) | Atlas tabanlı: en benzer eğitim röntgenleri hastaya uyarlanır, sınır sonra iyileştirilir. Derin öğrenme yok. | Dice 0,96IoU 0,94 · 20–25 sn/görüntü | Sıvı ya da yoğunluk akciğeri gizleyince başarısız (yazarlar) |
| Ronneberger ve ark., 2015U-Net'in ilk makalesi | Mikroskopi: 30, 35 ve 20 eğitim görüntüsü | U-Net: aşağı ve yukarı kol, köprüler; görüntüleri esneterek veri çoğaltma | IoU 0,92 ve 0,78ikinci en iyi: 0,83 ve 0,46 | Radyoloji değil; yine de piksel piksel etiket ister (değerlendirme) |
| Buda ve ark., 2019Lezyon: beyin tümörü, MR | 110 hasta, 5 kurum, FLAIR MR | 2B U-Net, kesit kesit; en büyük parçayı tutan son işlem | Dice 0,82medyan 0,85 · 22 katlı çapraz doğrulama | Küçük örneklem, ayrı doğrulama seti yok (yazarlar) |
ArtısıEn basit; anında çalışır, eğitim gerekmez.
EksisiTek sayı her hastaya ve her çekime uymaz. Son işleme olmadan 0,44.
Ne zaman?Hedef çevresinden belirgin koyu ya da açıksa: BT'de kemik veya hava.
ArtısıEşiği kendisi bulur; ayarlanacak bir şey yok.
EksisiHistogramda kaç grup olduğunu varsayar. Varsayım tutmazsa çöker.
Ne zaman?Histogramda belirgin tepeler varsa: zemin üstünde hücre.
ArtısıTek parça ve bağlantılı bir bölge verir; tohumu bir uzman seçebilir.
EksisiTohum ister (yarı otomatik); tek bir gri tona bakar, hastalıklı dokuya sızar.
Ne zaman?Hedefin içi düzgünse ve bir kullanıcı tıklayabiliyorsa: BT'de karaciğer.
ArtısıŞekli ve çevreyi öğrenir; zor vakada bile 0,88 üstü.
EksisiPiksel piksel etiketli veri ve ekran kartı ister; kararının nedeni görünmez; başka cihazda yeniden denenmeli.
Ne zaman?Etiketli örnek varsa. Bugün standart yöntem.
Klasik yöntemler yalnızca gri tona bakıyor; akciğerin şeklini bilmiyor. U-Net şekli örneklerden öğrendiği için hastalık rengi bozduğunda da sınırı buluyor.
VeriMontgomery County göğüs röntgeni seti. National Library of Medicine, National Institutes of Health, Bethesda, MD, USA.
YazılımPython: scikit-image, OpenCV, PyTorch, segmentation_models_pytorch. Sunum: reveal.js, GSAP.
Teşekkürler. Sorular?
28 test röntgeni; ortalama ± standart sapma. Son işleme: kenara değenleri ve kırıntıları at, en büyük iki parçayı tut, delikleri doldur. Eşiklemeye çok yarıyor; Otsu'da ve U-Net'te akciğeri silebiliyor.
Ortalama Dice. Klasik yöntemler son işlemli, U-Net doğrudan çıktı. 16 sağlıklı, 12 TB test röntgeni.
Test röntgenleri seçime hiç katılmadı. Otsu'nun ayarlanacak parametresi yok.