Бул изилдөө, эки өлчөмдүү сүрөттөр үстүндө önceden үйрөтүлгөн DINOv2 görsel негиз модельinin үч өлчөмдүү мээ MR көлөмдөрүnin классификациялооnda kullanılıp kullanılamayacтармакını incelemiştir. Her MR көлөмү eksenel эки өлчөмдүү кесимдерге ayrılmış, кесимдерden DINOv2 менен белги жанаktörleri çıkarılmış жана bu белгиler үйрөнүлө турган bir жумшак көңүл буруу mekanizmasıyla бир bir көлөм temsiline айландырылган. Önerмененn алкак, Альцгеймер оорусу Nöroсүрөтleme Girişimi маалымат топтомуnde %89,3 тактык жана %95,6 AUROC; çok классlı баш оору когортаunda ise %78,6 тактык жана %89,2 AUROC bildirmiştir. Муну менен бирге изилдөө рецензиядан өткөн эмес; институционалдык маалымат kaynтармакı, сүрөтleme protokolleri жана тышкы валидация ayrıntıları жетишпегенtir. Мындан тышкары deneyler чыныгы anlamda белгисиз аномалияны аныктооnden çok, önceden tanımlanmış класстарыn көзөмөлдүү классификациялооnı ölçmektedir.

Modelin temel мамилеси, үч өлчөмдүү bir sinir тармакını нөлдөн eğitmek yerine her MR кесимini hazır bir эки өлчөмдүү негиз модельle temsil etmektir. Sistem daha sonra bütün кесимдерге eşit davranmak yerine, классификация açısından daha bilgмененndirici olduğunu öğrendiği кесимдерге daha yüksek салмак жанаrmektedir. Eğitim sırasında кайчылаш энтропия жоготуусуna көзөмөлдүү контрастивдүү үйрөнүү жана класс içi вариацияны жөнгө салуу eklenmiştir. Bu yapı, az sayıda этикалыкetli örnek жана dengesiz классlar шартында daha ayırt edici көлөм temsilleri üretmeyi amaçlamaktadır.

Түркия жагынан баалоо: Yaklaşım, Түркиядаki radyoloji изилдөөlarında sınırlı этикалыкetli маалыматlerle мээ MR классификация modelleri geliştirilmesi, farklı бейтапnelerden gelen үч өлчөмдүү сүрөттөрin daha düşük эсептөө maliyetiyle işlenmesi жана изилдөө amaçlı karar desбир sistemlerinin değerlendirilmesi жагынан маанилүү. Бирок Түркияда клиникалык kullanım düşünülmeden önce çok merkezli yerel маалыматyle тышкы валидация, farklı MR cihazları жана çekim protokolleri шартында dayanıklılık analizi, радиолог салыштырууsı, маалымат koruma жана этикалык kurul süreçleri, model kalibrasyonu жана мененriye dönük клиникалык değerlendirme yapılmalıdır. Бул изилдөөdan Түрк бейтапlarındaki tanısal başarı, Түркиядаki бейтапnelerde güжанаnli kullanım же клиникалык натыйжаларda iyмененşme çıkarılamaz.

Araştırmanın негизги сурооsu эмне?

Araştırmanın негизги сурооsu, табигый сүрөттөр үстүндө önceden үйрөтүлгөн эки өлчөмдүү bir негиз модельin үч өлчөмдүү tıbbi сүрөттөрdeki классификация görevlerine кантип aktarılabмененceğidir. Üç boyutlu MR маалыматleri көлөмдүк bir yapı taşırken DINOv2 gibi yaygın görsel негиз модельler эки өлчөмдүү сүрөттөр үстүндө изилдөөktadır. Bu эмне үчүнle yalnızca her кесимi ayrı ayrı классификацияk, komşu кесимдер арасындаki көлөмдүк bтармакlamın kaybolmasına эмне үчүн olabilir.

Изилдөө bu sorunu, her эки өлчөмдүү кесимden çıkarılan белгилери үйрөнүлө турган көңүл буруу салмактарыyla birleştirerek çözmeyi önermektedir. Amaç, tüm кесимдердин basit ortalamasını almak yerine оору же класс ayrımı açısından daha маанилүү olduğu öğrenмененn кесимдердин көлөм temsilindeki etkisini artırmaktır.

Изилдөө эмне үчүн маанилүү?

Üç boyutlu tıbbi сүрөт modelleri genellikle çok sayıda этикалыкetlenmiş inceleme, yüksek эсептөө kapasitesi жана kapsamlı эс gerektirir. Tıbbi сүрөттөрin uzmanlar tarafından этикалыкetlenmesi ise maliyetli жана zaman alıcıdır. Nadir абалların sayısı daha da az olduğundan класс dengesizliği ortaya çıkabilir.

Araştırma, büyük bir үч өлчөмдүү modeli baştan eğitmek yerine önceden үйрөтүлгөн DINOv2 modelini dondurulmuş белги çıkarıcı olarak kullanmıştır. Böylece yalnızca көңүл буруу modülü менен классификация başlığı görev маалыматleri үстүндө үйрөтүлгөнtir. Bu tercih, az маалыматli koşullarda aşırı uyum riskini жана eğitмененcek parametre sayısını azaltmayı hedeflemektedir.

Kullanılan DINOv2 modeli кантип изилдөөktadır?

DINOv2, этикалыкet gerektirmeyen өзүн-өзү көзөмөлдөгөн үйрөнүүyle önceden үйрөтүлгөн bir Vision Transformer modelidir. Изилдөөda 86 milyon parametreli ViT-Base sürümü колдонулган. Model, bir сүрөтyü küçük parçalara ayırarak bu parçalar арасындаki ilişkмененri öz-көңүл буруу mekanizması үстүндөn temsil etmektedir.

Her мээ MR көлөмү eksenel кесимдерге ayrılmıştır. Dilimler yeniden boyutlandırma, normalleştirme жана modelin beklediği сүрөт biçimine dönüştürme işlemlerinden sonra DINOv2’ye маалыматlmiştir. Her кесим үчүн modelin sondan bir önceki katmanından bir белги вектору чыгарылган. DINOv2 салмактары окутуу sırasında değiştirilmemiştir.

Dikkat tabanlı küresel birleştirme эмне?

Dikkat tabanlı küresel birleştirme, farklı MR кесимдердинin көлөм düzeyindeki классификацияya eşit katkı yapmak zorunda olmadığı varsayımına dayanır. Bazı кесимдер классlar арасындаki ayrımı sтармакlayan anatomik же patolojik белгилери taşırken bazıları daha az bilgi içerebilir.

Изилдөөdaki көңүл буруу modülü, her кесимin DINOv2 белги векторуnü бир katmanlı bir çok katmanlı algılayıcıya aktarır. Gizli boyutu 256 olan bu modül her кесим үчүн bir önem puanı üretir. Softmax işlemi puanları toplamı 1 olan салмакlara айландырат. Hacim temsili, кесим белгилериnin bu салмакlarla hesaplanan салмакlı toplamıdır.

1. Üç boyutlu MR көлөмү эки өлчөмдүү eksenel кесимдерге ayrılır.
2. Her кесим үчүн DINOv2 белги вектору чыгарылат.
3. Dikkat modülü her кесимe içerik temelli bir önem puanı маалыматr.
4. Softmax, puanları karşılaştırılabilir салмакlara айландырат.
5. Dilim белгилери салмакlı olarak toplanır жана бир bir көлөм жанаktörü elde eтилir.
6. Hacim жанаktörü классификация başlığına aktarılır.

Bu ыкма basit ortalamadan farklı olarak bilgi içermeyen кесимдердин etkisini azaltabilir. Maksimum havuzlamadan farklı olarak yalnızca бир bir кесим же белги değerine dayanmaz. Муну менен бирге кесимдердин sıralamasını koruyan tam bir үч өлчөмдүү uzamsal model değildir; komşu кесимдер арасындаki geometrik ilişkмененr açık biçimde modellenmemektedir.

Bмененşik окутуу hedefi neyi amaçlamaktadır?

Изилдөө üç жоготуу bмененşenini birlikte kullanmıştır:

• Çapraz entropi kaybı: Modelin tahmin ettiği класс olasılıkları менен чыныгы класс этикалыкetleri арасындаki uyuşmazlığı azaltır.
• Denetimli контрастивдүү үйрөнүү: Aynı классa ait көлөм temsillerini белги uzayında birbirine yaklaştırırken farklı класстары birbirinden uzaklaştırır.
• Sınıf içi вариацияны жөнгө салуу: Aynı классtaki örneklerin temsilleri арасында aşırı değişkenlik oluşmasını engellemeyi amaçlar.

Karşıt жоготуу үчүн 0,5, класс içi вариацияны жөнгө салуу үчүн 0,1 салмак колдонулган. Karşıt үйрөнүүnin sıcaklık parametresi 0,1 olarak belirlenmiştir. Изилдөөda toplam жоготуу fonksiyonunun açık matematiksel formülü берилген эмес; ошондуктан bмененşenlerin sөзгөчө tanımının ötesinde yeni bir formül üretmek doğru olmayacaktır.

Hangi маалымат setleri колдонулган?

Birinci маалымат топтому, Alzheimer бейтапlığı изилдөөlarında колдонулган Alzheimer’s Disease Neuroimaging Initiatiжана (ADNI) koleksiyonudur. Изилдөөda нормалдуу адамlerle Alzheimer бейтапlığı классı салыштырылган. Her iki класс үчүн 190’ar kişi olmak üzere toplam 380 inceleme билдирилген.

İkinci маалымат топтому, normal kontrol, migren, gerilim tipi баш оору жана küme баш оору класстарыndan oluşan институционалдык bir когортаtur. Toplam örnek sayısı 410’dur. Бирок маалымат топтомуnin toplandığı мекемеun adı, этикалыкetleme критерийлери, бейтапların demografik белгилери жана сүрөтleme protokolü изилдөөda түшүндүрүлгөн эмес.

Verмененr kişi düzeyinde окутуу, валидация жана тест kümelerine ayrılmıştır. Aynı kişiye ait кесимдердин farklı маалымат kümelerine dтармакılmasını önlemek үчүн bölmenin kişi düzeyinde yapıldığı belirtilmiştir. Bu мамиле кесим düzeyinde маалымат sızıntısını önlemek açısından маанилүү.

Ana натыйжалар ne көрсөтөт?

Önerмененn алкак her iki маалымат топтомуnde de изилдөөda колдонулган beş temel салыштыруу ыкмасыnden daha yüksek натыйжа жанаrmiştir. ADNI тестinde тактык %89,3, F1 skoru %89,3 жана AUROC %95,6 olarak билдирилген. Baş тармакrısı когортаunda тактык %78,6, F1 skoru %78,6 жана AUROC %89,2’dir.

ADNI маалымат топтомуnde сунушталган ыкма, ImageNet өткөрүүı temel çizgisine göre тактыкta 2,5 yüzde puan; нөлдөн eğitмененn 3B CNN’ye göre 3,7 yüzde puan daha yüksek натыйжа жанаrmiştir. Baş тармакrısı когортаunda ImageNet өткөрүүına göre fark 4,5 yüzde puan, 3B CNN’ye göre 5,8 yüzde puandır. Бирок bu farkların istatistiksel anlamlılığı үчүн ayrı bir салыштыруу тестi же p değeri sunulmamıştır.

Baş тармакrısı класстары арасында performans кантип değişmiştir?

Baş тармакrısı когортаunda en yüksek F1 skoru migren классında %81,0, en düşük F1 skoru ise küme баш оору классında %72,1 olarak билдирилген. Küme баш оору классı aynı zamanda en az окутуу жана тест örneğine sahip классtır. Bu натыйжа, daha küçük классlardaki performansın ayrıca değerlendirilmesi gerektiğini көрсөтөт; ancak изилдөө класс өлчөмү менен hata oranı арасында эмне үчүнsel bir analiz yapmamıştır.

Ablasyon deneyleri кайсы bмененşenin daha маанилүү olduğunu көрсөтөт?

Ablasyon deneylerinde en büyük düşüş көңүл буруу mekanizması kaldırıldığında görülmüştür. Dikkatin kaldırılması ADNI doğruluğunu %89,3’ten %86,8’e, баш оору doğruluğunu ise %78,6’dan %75,2’ye düşürmüştür. Başka bir ifadeyle көңүл буруу modülünün katkısı iki маалымат топтомуnde sırasıyla 2,5 жана 3,4 yüzde puan olarak hesaplanmaktadır.

Karşıt үйрөнүүnin çıkarılması doğruluğu ADNI’de 1,8, баш оору когортаunda 2,3 yüzde puan azaltmıştır. Sınıf içi вариацияны жөнгө салууnin etkisi daha sınırlıdır; düşüşler sırasıyla 1,2 жана 1,5 yüzde puandır. Bu салыштырууlar, bмененşenlerin model sonucuyla ilişkili olduğunu көрсөтөт. Муну менен бирге farklı окутуу çalıştırmaları, кокус başlangıçlar жана istatistiksel салыштырууlar ayrıntılı biçimde raporlanmadığı үчүн katkıların kesinliği sınırlıdır.

Изилдөөnın desбирlediği натыйжалар nelerdir?

• DINOv2’den çıkarılan эки өлчөмдүү кесим белгилери, үйрөнүлө турган көңүл буруу mekanizmasıyla көлөм düzeyinde birleştirмененbilir.
• Önerмененn yapı, изилдөөda колдонулган маалымат bölünmelerinde basit ortalama, maksimum havuzlama, 2B CNN, 3B CNN жана standart өткөрүү үйрөнүүsi temel çizgмененrinden daha yüksek натыйжа жанаrmiştir.
• Ablasyon натыйжаларında en büyük бир bмененşen katkısı көңүл буруу tabanlı кесим салмакlandırmasında görülmüştür.
• Karşıt үйрөнүү жана класс içi вариацияны жөнгө салуу tam modelin натыйжаларına ek katkı sтармакlamıştır.
• Modelin başarımı iki классlı ADNI görevinde, dört классlı баш оору görevine göre daha yüksektir.

Изилдөө neyi далилдебейт?

• Modelin клиникалык tanı koyabildiğini же radyoloğun yerini alabмененceğini далилдебейт.
• Modelin окутуу sırasında görülmeyen yeni ооруları же белгисиз anomalмененri yakalayabildiğini göstermemektedir.
• Baş тармакrısı классификацияsının farklı бейтапnelerde, cihazlarda же бейтап topluluklarında aynı sonucu жанаreceğini göstermemektedir.
• Yüksek AUROC değeri, modelin клиникалыкte güжанаnli, kalibre eтилmiş же бейтап натыйжаларını iyмененştiren bir sistem olduğu anlamına gelmemektedir.
• Dikkat салмактарыnın чыныгы bir оору mekanizmasını же эмне үчүнsel anatomik ilişkiyi gösterdiği kanıtlanmamıştır.
• Түркиядаki бейтап топтору же sтармакlık kuruluşları үчүн doğrudan натыйжа sunmamaktadır.

Görsel açıklamalarındaki жетишпегенlik эмне маанини билдирет?

Изилдөө, birinci şeklin ADNI örneklerindeki кесим көңүл буруу салмактарыnı, ikinci şeklin ise көлөм temsillerinin t-SNE izdüşümünü gösterdiğini belirtmektedir. Metne göre model Alzheimer бейтапlığında hipokampal atrofi жана жанаntrikül genişlemesiyle ilişkмененndirмененn orta мээ кесимдердинe daha yüksek салмак жанаrmiştir. t-SNE gösteriminin de normal жана Alzheimer класстары арасында ayrışma sunduğu мененri sürülmektedir.

Бирок yüklenen sürümde her iki şeklin yalnızca başlığı bulunmaktadır; көңүл буруу eğrмененri, MR кесимдерi жана t-SNE grafiği görünmemektedir. Bu эмне үчүнle metindeki görsel yorumlar bтармакımsız olarak incelenememiştir. Мындан тышкары көңүл буруу тармакırlığı бир başına modelin karar эмне үчүнini güжанаnilir biçimde açıklayan bir клиникалык kanıt olarak kabul eтилmemelidir.

Изилдөөnın күчтүү жактары nelerdir?

• İki farklı маалымат топтому жана iki farklı классификация zorluğu колдонулган.
• Veri bölünmesinin kişi düzeyinde yapıldığı belirtilmiştir.
• Basit bir temel çizgi yerine beş farklı салыштыруу ыкмасы sunulmuştur.
• Dikkat, контрастивдүү үйрөнүү жана вариацияны жөнгө салуу ayrı ayrı ablasyon deneyleriyle değerlendirilmiştir.
• Doğruluk dışında тактык, сезгичтик, F1 жана AUROC değerleri raporlanmıştır.
• Sonuçların değişkenliğini değerlendirmek amacıyla 1.000 yinelemeli bootstrap kullanıldığı belirtilmiştir.

Изилдөөnın чектөөлөрү nelerdir?

En маанилүү чектөө, маалыматlerin жана deneylerin tam olarak yeniden üretмененbilmesi үчүн gerekli ayrıntıların жетишпеген olmasıdır. Kurumsal когортаun kaynтармакı, бейтап seçimi, этикалыкetleme süreci, cihaz белгилери, MR sekansları жана маалымат erişimi түшүндүрүлгөн эмес. Kullanılan ön işleme adımları genel düzeyde маалыматlmiş; kafatası çıkarma, atlas kaydı, yeniden örnekleme жана тыгыздык normalleştirmesinde колдонулган yazılımlar менен parametreler belirtilmemiştir.

ADNI dışındaki маалымат бир bir институционалдык когортаa dayanmaktadır. Çok merkezli тышкы валидация bulunmamaktadır. Model kalibrasyonu, karar eşiği, yanlış pozitif жана yanlış negatif örneklerin sayısı, чаташуу матрицасы, özgüllük жана pozitif öngörü değeri gibi клиникалык yorum açısından маанилүү ayrıntılar sunulmamıştır.

Изилдөөda “аномалияны аныктоо” ifadesi kullanılmasına rтармакmen ыкма normal маалыматden sapmayı açık uçlu biçimde belirleyen бир классlı же denetimsiz bir sistem değildir. Model, окутуу sırasında tanımlanmış класстары birbirinden ayırmaktadır. Araştırmacı da bu абалu чектөөlar арасында kabul etmekte жана чыныгы аномалияны аныктоо үчүн yalnızca normal маалыматlerle eğitмененn бир классlı bir yapının gelecekte incelenmesini önermektedir.

Изилдөөnın Yöntemi жана Bulguları

Veri hazırlama жана model akışı

Kayıp fonksiyonu жана маалымат artırma

Toplam окутуу hedefinde çapraz entropi ana bмененşen olarak колдонулган. Denetimli karşıt жоготуу 0,5, класс içi вариацияны жөнгө салуу 0,1 салмакla eklenmiştir. Verмененre кокус döndürme, çevirme жана тыгыздык dönüşümleri uygulanmıştır. Бирок dönüşümlerin aralıkları жана olasılıkları raporlanmamıştır.

Değerlendirme критерийлери

• Doğruluk: Doğru классlandırılan тест örneklerinin bütün örneklere oranı.
• Kesinlik: Bir классa ait olduğu tahmin eтилen örneklerin ne kadarının чыныгыten o классa ait olduğunu gösterir.
• Duyarlılık: Gerçek класс örneklerinin ne kadarının model tarafından yakalandığını gösterir.
• F1 skoru: Kesinlik жана duyarlılığın harmonik ortalamasıdır.
• AUROC: Modelin farklı karar eşikleri boyunca класстары ayırabilme gücünü özetler.

Metriklerin класс bazında hesaplanarak ortalandığı belirtilmiştir. Belirsizlik tahmini үчүн 1.000 bootstrap yinelemesi колдонулган. Муну менен бирге tablolardaki “±” değerlerinin кайсы güжанаn düzeyini temsil ettiği açıkça yazılmamıştır.

Sonuçların бирnik yorumu

ADNI görevindeki %95,6 AUROC, modelin колдонулган тест kümesinde normal жана Alzheimer класстарыnı sıralama жагынан кубатlü bir ayrım ürettiğini көрсөтөт. Бирок тест kümesi yalnızca 80 kişiden oluşmaktadır. AUROC değeri бир başına belirli bir клиникалык karar eşiğindeki yanlış negatif жана yanlış pozitif sayılarını göstermemektedir.

Baş тармакrısı когортаundaki %89,2 AUROC жана %78,6 тактык, dört классlı görevin iki классlı ADNI görevinden daha zor olduğunu көрсөтөт. En düşük класс başarımı küme баш ооруnda görülmüştür. Bu классta тест kümesi yalnızca 15 kişiden oluştuğundan ölçümlerdeki анык эмесlik diğer классlardan daha yüksek olabilir.

Ablasyon analizleri көңүл буруу mekanizmasının modeldeki en etkili ek bмененşen olduğunu колдойт. Yine de изилдөө farklı көңүл буруу mimarмененri, 3B негиз модельler же tıbbi сүрөттөр үстүндө önceden үйрөтүлгөн негиз модельlerle kapsamlı bir салыштыруу yapmamıştır. Bu эмне үчүнle натыйжалар көңүл буруу мамилесиnın bütün alternatiflerden üstün olduğunu değil, yalnızca изилдөөda seçмененn temel çizgмененre göre daha yüksek натыйжа жанаrdiğini көрсөтөт.

Kaynak жана Yöntem Notu

Изилдөөnın tam özgün adı: Leжанаraging Foundation Models for 3D Image Anomaly Detection

Yazar: Michael Harris

Yazar sıralaması: Tek авторlı изилдөө

Eş birinci автор: Bulunmuyor.

Sorumlu автор: SSRN kaydında Michael Harris байланыш авторı olarak gösterilmektedir.

Kurum: The Uniжанаrsity of Texas at Austin, Texas, ABD

DOI:10.2139/ssrn.6979438

Dergi: Изилдөө bir dergide yayımlanmamıştır.

Yayınevi: Özgün bir dergi жарыялооevi bilgisi bulunmamaktadır.

Platform: SSRN

Yayın yılı: 2026

Kaynak türü: Deneysel makine үйрөнүүsi изилдөөsı niteliğinde preprint

Hakemlik абалu: Бул изилдөө hakem değerlendirmesinden geçmemiş bir preprinttir; натыйжаларı bu чектөө көңүл бурууe alınarak okunmalıdır.

Resmî шилтеме:SSRN изилдөө sayfası

Бул макала yüklenen 37 sayfalık изилдөө baştan sona incelenerek hazırlanmıştır. Bilimsel ыкма, маалымат sayıları жана performans натыйжаларı yalnızca изилдөөda bildirмененn bilgмененre dayanmaktadır. Изилдөөda bulunmayan клиникалык başarı, tanı güжанаnliği же Түркiye’ye özgü performans iddiası eklenmemiştir.

Kaynak kimliğinde açıklığa kavuşturulması gereken bir ыраатсыздык bulunmaktadır: görünür изилдөө kapтармакı жана SSRN kaydı Michael Harris’i автор gösterirken файлnın бирnik üstмаалыматsindeki автор alanında farklı bir ad yer almaktadır. Мындан тышкары институционалдык баш оору когортаunun kaynтармакı, сүрөтleme protokolleri, ayrıntılı этикалык süreç жана маалымат erişim koşulları түшүндүрүлгөн эмес.

Изилдөө клиникалык bir валидация изилдөөsı değildir. Model радиологlarla karşılaştırılmamış, мененriye dönük клиникалык ortamda denenmemiş, farklı бейтапnelerde тышкы валидацияdan geçirilmemiş жана бейтап натыйжаларı үстүндөki etkisi değerlendirilmemiştir. Sonuçlar yalnızca bildirмененn маалымат kümeleri, маалымат bölünmeleri жана deney koşulları үчүн geçerlidir.