Yapay Öğrenme ile Bir MR Taramasından Birden Çok Anlamlı Görüntü Elde Etmek Artık Mümkün

Tıbbi görüntüleme, yapay zekâ ve yapay öğrenme tekniklerinin yaygınlaşması ile birlikte köklü değişimlerin yaşandığı aktif alanlardan bir tanesi. Tıp uzmanları, bu teknolojilerin yardımıyla bilgisayarlı tomografi (CT), manyetik rezonans (MR ve X-ray görüntülerini analiz ederken çok daha az zamana ihtiyaç duyuyorlar. Bölümümüzdeki araştırma laboratuvarlarından Hacettepe Üniversitesi Bilgisayarla Görme Laboratuvarı (HUCVL) ve Bilkent Üniversitesi Görüntüleme ve Hesaplamalı Sinirbilim Laboratuvarı (ICON Lab)’ndan araştırmacıların ortaklaşa geliştirdikleri bir yaklaşım bu tarz tıbbi zekâ uygulamalarının güzel bir örneğini oluşturuyor.

Daha doğru bir teşhis için hastalardan farklı kontrastlarda MR görüntüleri elde edilmesi yaygın olarak izlenen bir yöntem. Farklı kontrastlardaki bu MR görüntüleri, teşhise yönelik olarak kullanılabilecek bilgi çeşitliliğini arttırıyor ama bunun yanında görüntüleme süresinin artmasına yol açıyor. Üstelik çoğu zaman kaliteli görüntüler yakalanması için çok kısıtlı bir zaman oluyor. Araştırma ekibinin geliştirdiği derin üretici ağlara (deep generative networks) dayalı yaklaşım tam da bu bahsi geçen problemi çözmeyi amaçlıyor. Kaliteden ve yapısal bozukluklara yol açmadan, T1 ağırlıklı bir MR görüntüsünden T2 ağırlıklı bir başkası veya tam tersi şekilde T2 ağırlıklı bir görüntüden T1 ağırlıklı bir MR görüntüsü üretilmesinin yolu bu yaklaşım ile açılmış durumda.

Sağlanan bir T1 ağırlıklı kaynak MR görüntüsünden (en sağda) sentezlenen T2 ağırlıklı görüntüler (en soldaki üç sütun). Geliştirilen yöntem ile elde edilen sentezleme sonuçları T2 ağırlıklı referans MR görüntüsüne (sağdan ikinci sütun) oldukça benzer.

IEEE Transactions on Medical Imaging dergisinde basım aşamasında olan makalelerinde araştırmacılar “[Mevcut] yöntemler, sentezlenmiş görüntülerde yapısal detaylardaki kayıpların sıkıntısını çekebiliyorlar. Burada, koşullu çekişmeli üretici ağlara (conditional generative adversarial networks) dayanan yeni bir çok kontrastlı MR görüntü sentezi yaklaşımı öneriyoruz. Sağlıklı deneklerden ve hastalardan elde edilmiş T1 ve T2 ağırlıklı görüntüler üzerinde gerçekleştirdiğimiz denemeler, önerilen yaklaşımın önceki gelişmiş yöntemlere kıyasla daha üstün performans yakaladığını açıkça gösteriyor.” şeklinde ifade ediyorlar.

İlgili yayın:
Image Synthesis in Multi-Contrast MRI with Conditional Generative Adversarial Networks,
Salman Ul Hassan Dar, Mahmut Yurt, Levent Karacan, Aykut Erdem, Erkut Erdem, Tolga Cukur. IEEE Transactions on Medical Imaging, basım aşamasında.