Tıbbi Görüntü İşleme

Yapay Zekâ ve Veri Dersleri Rehberi · Kısım III: Sinyal, Görüntü ve Ses
Görüntüleme türleriDICOM ve 3B hacimBölütlemeÇakıştırmaTanı desteğiKomşu dersler
Sercan KÜLCÜ · Giresun Üniversitesi · Bilgisayar Mühendisliği

Giriş

Ders Hangi Soruyu Sorar?

Röntgen, BT ve MR görüntüleri tanıya ve tedaviye nasıl yardım eder?

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

Yaklaşım

görüntü işleme ve klinik bilgi

Girdi

BT, MR, röntgen, ultrason

Çıktı

bölütleme, ölçüm, tanı önerisi

Başarı ölçütü

duyarlılık, özgüllük, Dice

Matematik yükü

orta-yüksek

Veri ihtiyacı

az; etiket pahalı

Giriş

Kısa Tarihçe

1895

Röntgen X ışınlarını keşfeder; ilk tıbbi görüntü, eşinin elinin röntgenidir.

1972

Hounsfield'in bilgisayarlı tomografi (BT) tarayıcısı tanıtılır: kesit görüntü hesapla elde edilir.

1973

Lauterbur manyetik rezonansla ilk görüntüleme makalesini yayımlar; MR'nin temeli atılır.

1993

DICOM 3.0 standardı yayımlanır; farklı üreticilerin cihazları aynı dosya biçimini konuşur.

2015

U-Net yayımlanır: az etiketli tıbbi görüntüde bölütleme için kodlayıcı-çözücü ağ.

2018

ABD'de FDA, diyabetik retinopatiyi hekimsiz tarayan IDx-DR sistemine izin verir.

Ders

Temel Kavramlar

Görüntüleme türleri

Röntgen, BT, MR, ultrason, PET: her biri farklı fizik.

DICOM

Görüntü ve hasta bilgisini birlikte taşıyan standart.

Voksel ve hacim

BT ve MR üç boyutludur; piksel yerine voksel.

Gürültü giderme

Düşük dozlu BT'de ve MR'de kaliteyi korumak.

Bölütleme

Organ, tümör ya da damarın sınırını çizmek.

Çakıştırma

İki görüntüyü (önce/sonra, BT/MR) üst üste getirmek.

Destekli tanı (CAD)

Bilgisayarın şüpheli bölgeyi hekime işaretlemesi.

Klinik değerlendirme

Duyarlılık, özgüllük, Dice; hekimle kıyas.

Ders

Tipik İş Akışı

GörüntüleBT, MR,röntgenÖn işlegürültü,normalleştirmeBölütleorgan,lezyonÖlç vesınıflahacim,riskHekimesunrapor,işaret
Örnek: Akciğer BT taramasındaki yüzlerce kesit DICOM olarak okunur, akciğer bölgesi bölütlenir ve bir ağ şüpheli nodülleri işaretler. Önceki taramayla çakıştırılınca nodülün hacmindeki büyüme ölçülür. Son kararı radyolog verir; sistem yalnız dikkat çeker.

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?

■ bulunan bölge   ▭ uzmanın çizdiği sınır. Piksel 3×3 mm. Dice 1’e ne kadar yakınsa bölütleme o kadar iyi.
Tıbbi görüntüde bölütleme bir sayıya dönüşür: hacim, büyüme, tedaviye yanıt. Ders, yöntemi uzman işaretine göre Dice ile ölçmeyi ve gürültüye karşı önişlemeyi öğretir.

Konum

Ön Koşullar

Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.

DersNeden gerekir
Görüntü İşlemegürültü giderme, bölütleme, çakıştırma
Bilgisayarlı Görülezyon bulma, sınıflandırma
ProgramlamaPython ile çok boyutlu dizilerle çalışma
FizikX ışını soğurması ve manyetik rezonansın temelleri
Anatomi ve fizyolojiye girişorganları ve görüntüdeki karşılıklarını tanımak

Konum

Dersin Komşuları

alt alantemel alıryöntem paylaşıruygulama

Örtüşme

Örtüştüğü Dersler

İlişkiDersOrtak konu
uygulamaBu ders Görüntü İşleme yöntemlerini uygulargürültü giderme, bölütleme, çakıştırma
uygulamaBu ders Bilgisayarlı Görü yöntemlerini uygularlezyon bulma, sınıflandırma
yöntem paylaşırAçıklanabilir Yapay Zekâ ve Yapay Zekâ Etiği ile yöntem paylaşırtanıda açıklanabilirlik ve sorumluluk

Ayrışma

Ayrıştığı Noktalar (1/2)

ÖlçütTıbbi Görüntü İşlemeGörüntü İşlemeBilgisayarlı Görü
Temel soruRöntgen, 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?
Yaklaşımgörüntü işleme ve klinik bilgipiksel düzeyinde dönüşümgörüntüden anlam çıkarma
GirdiBT, MR, röntgen, ultrasongörüntügörüntü ya da video
Çıktıbölütleme, ölçüm, tanı önerisiişlenmiş görüntü ya da bölgeleretiket, kutu, derinlik, 3B yapı
Başarı ölçütüduyarlılık, özgüllük, Dicegörsel kalite, PSNRdoğruluk, mAP, IoU
Matematik yüküorta-yüksekorta: evrişim, Fourieryüksek: geometri, doğrusal cebir
Veri ihtiyacıaz; etiket pahalıaz; öğrenme şart değilçok 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)

ÖlçütTıbbi Görüntü İşlemeAçıklanabilir YZ ve EtikBiyoenformatik
Temel soruRöntgen, 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?
Yaklaşımgörüntü işleme ve klinik bilgiinsan merkezli değerlendirmebiyoloji, algoritma ve istatistik
GirdiBT, MR, röntgen, ultrasonmodel, verisi ve kullanım bağlamıDNA, protein dizileri, ifade verisi
Çıktıbölütleme, ölçüm, tanı önerisiaçıklama, denetim raporu, ilkehizalama, yapı, işlev tahmini
Başarı ölçütüduyarlılık, özgüllük, Diceanlaşılırlık, adalet, hesap verebilirlikbiyolojik geçerlilik
Matematik yüküorta-yüksekdüşük-ortaorta-yüksek
Veri ihtiyacıaz; etiket pahalımodelin kendi verisiçok 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

Radyoloji

Akciğer nodülü ve kırık bulma.

Onkoloji

Tümör bölütleme, radyoterapi planı.

Göz hastalıkları

Retina görüntüsünde retinopati taraması.

Nöroloji

Beyin MR'ında lezyon ve hacim ölçümü.

Patoloji

Doku kesitlerinde hücre sayımı.

Cerrahi

Ameliyat öncesi 3B model ve gezinim.

Uygulama

Araçlar ve Örnek Veriler

Araçlar ve kütüphaneler

3D SlicerITK / SimpleITKMONAInnU-NetpydicomNiBabelITK-SNAP

Tanınmış veri setleri

BraTS (beyin tümörü)LIDC-IDRI (akciğer BT)ChestX-ray14CheXpertMedical Segmentation Decathlon
Tıbbi veri setleri kişisel sağlık verisidir: anonimleştirme, etik kurul izni ve kullanım sözleşmesi olmadan paylaşılamaz.

Uygulama

Sık Karıştırılanlar

Yaygın düşünceDoğrusu
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

Bu ders çoğunlukla uç noktadır; öteki dersleri temel alır.

İlgili meslekler

Tıbbi görüntüleme mühendisiBiyomedikal yazılım geliştiricisiKlinik YZ araştırmacısıMedikal cihaz düzenleme uzmanı
Tıbbi görüntü işleme, görüntü işleme ve bilgisayarlı görünün en sıkı denetlenen uygulama alanıdır. Buradan derin öğrenmeyle bölütlemeye, açıklanabilir yapay zekâyla klinik güvene, biyoenformatikle moleküler düzeye geçilebilir.

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.

Son

Bölüm 20: Tıbbi Görüntü İşleme
← Önceki bölüm · Alanın haritası · Sonraki bölüm →
1 / 1 Sercan KÜLCÜ, Tüm hakları saklıdır.