Fizik tabanlı derin öğrenme ile meme mrg analizi

Abstract

Meme kanseri, dünya genelinde kadınlarda en sık tanı konulan kanser türü olmaya devam etmekte olup GLOBOCAN 2022 verilerine göre tek bir yılda yaklaşık 2,3 milyon yeni vaka raporlanmıştır. Bu yükün yakın gelecekte azalmasına dair herhangi bir gösterge bulunmamaktadır; aksine, mevcut eğilimlerin sürmesi halinde 2050 yılında yıllık yeni vaka sayısının 3,2 milyona ulaşacağı öngörülmektedir. Hastalığın bu denli yaygın ve giderek artan görülme sıklığı, erken tanıya yönelik görüntüleme yöntemlerinin güvenilirliğini stratejik bir öncelik haline getirmektedir. Manyetik Rezonans Görüntüleme (MRG), yüksek yumuşak doku kontrastı ve iyonizan radyasyon içermeyen yapısıyla meme kanserinin saptanmasında en duyarlı modalite konumundadır. Dinamik kontrastlı MRG (DCE-MRI) bu alanda altın standart kabul edilse de gadolinyum bazlı kontrast maddelerin intravenöz kullanımına bağımlılığı, nefrojenik sistemik fibrozis riski ve beyinde gadolinyum birikimi gibi güvenlik kaygılarını beraberinde getirmektedir. Böbrek yetmezliği, gebelik ve kontrast alerjisi gibi klinik senaryolarda kontrast madde kullanımının mümkün olmaması, kontrastsız görüntüleme tekniklerine duyulan ihtiyacı belirgin biçimde artırmıştır. Bu bağlamda İntravoksel Tutarsız Hareket (Intravoxel Incoherent Motion, IVIM) modeli, difüzyon ağırlıklı görüntüleme (DWI) sinyal azalmasını gerçek doku difüzyonu (D) ve kapiller ağdaki psödo-difüzyon (D*) bileşenlerine ayrıştıran bi-eksponansiyel bir formülasyon sunarak kontrast madde kullanmaksızın doku perfüzyonu hakkında nicel bilgi elde edilmesine olanak tanımaktadır. Modelin üçüncü parametresi olan perfüzyon fraksiyonu (f) ise mikrovasküler bileşenin hacimsel katkısını temsil etmektedir. IVIM parametrelerinin meme kanserinde tanısal değeri meta-analizlerle doğrulanmış olsa da parametrelerin güvenilir biçimde tahmin edilmesi, ters problemin kötü koşullanmış yapısı, düşük sinyal-gürültü oranı (SNR) ve özellikle D* parametresinin yüksek gürültü duyarlılığı nedeniyle ciddi bir zorluk oluşturmaktadır. Standart Doğrusal Olmayan En Küçük Kareler (NLLS) yöntemi başlangıç değerlerine aşırı duyarlılık, yerel minimumlara takılma ve yüksek hesaplama maliyeti gibi sınırlılıklar sergilemektedir. Bu tez çalışmasında, söz konusu sorunlara eşzamanlı bir çözüm sunmak amacıyla Fiziksel Bilgi Destekli Otokodlayıcı (Physics-Informed Autoencoder, PIA) çerçevesinin meme MRG'de IVIM parametre tahminine uyarlanması (PIA-IVIM) ele alınmıştır. PIA-IVIM, IVIM sinyal denklemini deterministik bir kod çözücü olarak doğrudan ağ mimarisine entegre eden öz-yönetimli bir derin öğrenme modelidir. Eğitilebilir kodlayıcı gürültülü DWI sinyallerinden IVIM parametrelerini tahmin ederken, fizik tabanlı kod çözücü bu tahminleri IVIM denklemine yerleştirerek sinyali yeniden yapılandırmaktadır. Model, yeniden yapılandırılan sinyal ile gürültüsüz referans arasındaki ortalama karesel hatayı minimize ederek eğitilmekte ve etiketli veriye ihtiyaç duymamaktadır. Müfredat öğrenimi (curriculum learning) stratejisiyle üç kademeli gürültü seviyesinde eğitim gerçekleştirilmiş ve modelin kademeli gürültü dayanıklılığı kazanması sağlanmıştır. Modelin performansı birbirini tamamlayan üç bağımsız doğrulama katmanında değerlendirilmiştir. İn-siliko simülasyonlarda klinik SNR aralığında (sigma ≈ 0,02-0,05) PIA-IVIM, NLLS'ye kıyasla tüm parametrelerde daha düşük ortalama mutlak hata (MAE) ve daha yüksek Spearman korelasyonu sağlamıştır. 1.000 vakalık VICTRE dijital meme fantomu üzerinde gerçekleştirilen analizlerde PIA-IVIM tutarlı biçimde üstün performans sergilemiş; D parametresinde MAE'yi 0,27'den 0,11'e, D* parametresinde ise 40,02'den 13,38'e düşürmüştür. Hesaplama verimliliği açısından PIA-IVIM, 20.000 vokseli NVIDIA A100 GPU üzerinde 0,012 saniyede işleyerek NLLS'ye kıyasla yaklaşık 10.000 katlık bir hız kazanımı sağlamıştır. İn-vivo klinik doğrulamada ise doğrulanmış meme kanseri tanısına sahip bir hastanın DWI verileri üzerinde PIA-IVIM, NLLS'nin ayırt edemediği lezyon bölgesini perfüzyon fraksiyonu haritasında görsel olarak delineasyon edebilmiştir. Elde edilen sonuçlar, fiziksel sinyal modelinin ağ mimarisine deterministik olarak entegre edilmesinin etiketli veriye ihtiyaç duymaksızın gürültüye dayanıklı parametre tahmini sağlayabildiğini sistematik biçimde göstermektedir. PIA-IVIM, kontrastsız meme MRG'de hızlı, tekrarlanabilir ve biyofiziksel olarak anlamlı nicel analiz için güçlü bir teknolojik altyapı sunmaktadır.