Tıbbi Görüntü İşleme
Giriş
Ders Hangi Soruyu Sorar?
Tıbbi görüntü işleme, röntgen, BT, MR ve ultrason görüntülerini tanı ve tedaviye yardım edecek biçimde iyileştirir, bölütler, ölçer ve karşılaştırır. Görüntü işleme ve bilgisayarlı görü yöntemlerini, az veri, pahalı etiket ve hasta güvenliği kısıtları altında uygular.
Bir bakışta
görüntü işleme ve klinik bilgi
BT, MR, röntgen, ultrason
bölütleme, ölçüm, tanı önerisi
duyarlılık, özgüllük, Dice
orta-yüksek
az; etiket pahalı
Giriş
Kısa Tarihçe
Röntgen X ışınlarını keşfeder; ilk tıbbi görüntü, eşinin elinin röntgenidir.
Hounsfield'in bilgisayarlı tomografi (BT) tarayıcısı tanıtılır: kesit görüntü hesapla elde edilir.
Lauterbur manyetik rezonansla ilk görüntüleme makalesini yayımlar; MR'nin temeli atılır.
DICOM 3.0 standardı yayımlanır; farklı üreticilerin cihazları aynı dosya biçimini konuşur.
U-Net yayımlanır: az etiketli tıbbi görüntüde bölütleme için kodlayıcı-çözücü ağ.
ABD'de FDA, diyabetik retinopatiyi hekimsiz tarayan IDx-DR sistemine izin verir.
Ders
Temel Kavramlar
Röntgen, BT, MR, ultrason, PET: her biri farklı fizik.
Görüntü ve hasta bilgisini birlikte taşıyan standart.
BT ve MR üç boyutludur; piksel yerine voksel.
Düşük dozlu BT'de ve MR'de kaliteyi korumak.
Organ, tümör ya da damarın sınırını çizmek.
İki görüntüyü (önce/sonra, BT/MR) üst üste getirmek.
Bilgisayarın şüpheli bölgeyi hekime işaretlemesi.
Duyarlılık, özgüllük, Dice; hekimle kıyas.
Ders
Tipik İş Akışı
Dene
MR Kesitinde Tümörü Ayır
Kontrastlı beyin MR kesitinde tümör parlak görünüyor; radyolog hacmini ölçmek istiyor. Tümörün içine tıklayıp tohum koyun, toleransı değiştirin: bölge büyüyerek tümörü sarar mı, sağlıklı dokuya taşar mı?
Konum
Ön Koşullar
Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.
| Ders | Neden gerekir |
|---|---|
| Görüntü İşleme | gürültü giderme, bölütleme, çakıştırma |
| Bilgisayarlı Görü | lezyon bulma, sınıflandırma |
| Programlama | Python ile çok boyutlu dizilerle çalışma |
| Fizik | X ışını soğurması ve manyetik rezonansın temelleri |
| Anatomi ve fizyolojiye giriş | organları ve görüntüdeki karşılıklarını tanımak |
Konum
Dersin Komşuları
Örtüşme
Örtüştüğü Dersler
| İlişki | Ders | Ortak konu |
|---|---|---|
| uygulama | Bu ders Görüntü İşleme yöntemlerini uygular | gürültü giderme, bölütleme, çakıştırma |
| uygulama | Bu ders Bilgisayarlı Görü yöntemlerini uygular | lezyon bulma, sınıflandırma |
| yöntem paylaşır | Açıklanabilir Yapay Zekâ ve Yapay Zekâ Etiği ile yöntem paylaşır | tanıda açıklanabilirlik ve sorumluluk |
Ayrışma
Ayrıştığı Noktalar (1/2)
| Ölçüt | Tıbbi Görüntü İşleme | Görüntü İşleme | Bilgisayarlı Görü |
|---|---|---|---|
| Temel soru | Röntgen, BT ve MR görüntüleri tanıya ve tedaviye nasıl yardım eder? | Bir görüntü nasıl iyileştirilir, dönüştürülür ve parçalara ayrılır? | Bilgisayar bir görüntüde ya da videoda ne olduğunu nasıl anlar? |
| Yaklaşım | görüntü işleme ve klinik bilgi | piksel düzeyinde dönüşüm | görüntüden anlam çıkarma |
| Girdi | BT, MR, röntgen, ultrason | görüntü | görüntü ya da video |
| Çıktı | bölütleme, ölçüm, tanı önerisi | işlenmiş görüntü ya da bölgeler | etiket, kutu, derinlik, 3B yapı |
| Başarı ölçütü | duyarlılık, özgüllük, Dice | görsel kalite, PSNR | doğruluk, mAP, IoU |
| Matematik yükü | orta-yüksek | orta: evrişim, Fourier | yüksek: geometri, doğrusal cebir |
| Veri ihtiyacı | az; etiket pahalı | az; öğrenme şart değil | çok etiketli görüntü |
- Görüntü İşleme: Görüntü işleme genel yöntemleri verir; bu ders onları 3B tıbbi hacimlere, cihaz fiziği ve klinik kısıtlarla uygular.
- Bilgisayarlı Görü: Görü milyonlarca etiketli fotoğrafla çalışır; tıbbi görüntüde etiket azdır, uzman ister ve hatanın bedeli yüksektir.
Ayrışma
Ayrıştığı Noktalar (2/2)
| Ölçüt | Tıbbi Görüntü İşleme | Açıklanabilir YZ ve Etik | Biyoenformatik |
|---|---|---|---|
| Temel soru | Röntgen, BT ve MR görüntüleri tanıya ve tedaviye nasıl yardım eder? | Bir yapay zekâ sisteminin kararına nasıl güvenilir ve sonucundan kim sorumludur? | Biyolojik diziler ve moleküler veriler hesaplamayla nasıl çözümlenir? |
| Yaklaşım | görüntü işleme ve klinik bilgi | insan merkezli değerlendirme | biyoloji, algoritma ve istatistik |
| Girdi | BT, MR, röntgen, ultrason | model, verisi ve kullanım bağlamı | DNA, protein dizileri, ifade verisi |
| Çıktı | bölütleme, ölçüm, tanı önerisi | açıklama, denetim raporu, ilke | hizalama, yapı, işlev tahmini |
| Başarı ölçütü | duyarlılık, özgüllük, Dice | anlaşılırlık, adalet, hesap verebilirlik | biyolojik geçerlilik |
| Matematik yükü | orta-yüksek | düşük-orta | orta-yüksek |
| Veri ihtiyacı | az; etiket pahalı | modelin kendi verisi | çok büyük dizi verisi |
- Açıklanabilir YZ ve Etik: Etik dersi açıklanabilirliği genel olarak ele alır; bu ders onu hekimin karara güvenmesi ve sorumluluk için kullanır.
- Biyoenformatik: Biyoenformatik dizi ve molekül verisine, tıbbi görüntü işleme organ ve doku görüntüsüne bakar.
Uygulama
Uygulama Alanları
Akciğer nodülü ve kırık bulma.
Tümör bölütleme, radyoterapi planı.
Retina görüntüsünde retinopati taraması.
Beyin MR'ında lezyon ve hacim ölçümü.
Doku kesitlerinde hücre sayımı.
Ameliyat öncesi 3B model ve gezinim.
Uygulama
Araçlar ve Örnek Veriler
Araçlar ve kütüphaneler
Tanınmış veri setleri
Uygulama
Sık Karıştırılanlar
| Yaygın düşünce | Doğrusu |
|---|---|
| YZ yakında radyoloğun yerini alacak. | Sistemler dar görevlerde destek verir; tanı, bağlam ve sorumluluk hekimde kalır. |
| Yüksek doğruluk klinikte başarı demektir. | Az görülen hastalıkta duyarlılık ve özgüllük önemlidir; başka hastanede başarım düşebilir. |
| Tıbbi görüntü sıradan bir fotoğraftır. | BT ve MR çoğu zaman 3B'dir, piksel değerleri fiziksel anlam taşır (Hounsfield birimi). |
| Çok veri toplamak kolaydır. | Etiket uzman zamanı ister ve veri gizlilik yasalarıyla korunur. |
Sonrası
Bu Dersten Sonra
Bu dersi temel alan ya da genişleten dersler
İlgili meslekler
Sonrası
Kaynaklar
- Suetens, Fundamentals of Medical Imaging, 3. baskı, Cambridge University Press, 2017.
- Bankman (ed.), Handbook of Medical Image Processing and Analysis, 2. baskı, Academic Press, 2008.
- Ronneberger, Fischer ve Brox, "U-Net: Convolutional Networks for Biomedical Image Segmentation", MICCAI, 2015.
- Litjens ve diğerleri, "A Survey on Deep Learning in Medical Image Analysis", Medical Image Analysis 42, 2017.