Prostat MR görüntülerinden üretilen segmentasyon maskelerinin güvenilirliğini belirlemek için belirsizlik modellerinin geliştirilmesi

Prostat kanseri, dünya genelinde erkeklerde en sık görülen ikinci kanser türü olup, tüm kanser vakalarının yaklaşık %26'sını oluşturmaktadır. Prostat bezi, erkek üreme ve boşaltım sisteminde önemli bir rol oynamakta olup, içerisindeki hücrelerin kontrolsüz şekilde çoğalması sonucu prostat kanseri ortaya çıkmaktadır. Prostat kanseri yavaş ilerleyebildiği gibi, agresif bir yayılım göstererek kemikler ve diğer organlara metastaz yapabilmektedir. Bu nedenle, erken teşhis ve doğru tedavi yöntemleri hastaların yaşam süresi ve kalitesi açısından kritik bir öneme sahiptir. Manyetik Rezonans Görüntüleme (MRI), prostat kanseri teşhisinde yaygın olarak kullanılan ve yüksek çözünürlüklü anatomik detaylar sunan bir görüntüleme yöntemidir. MRI sayesinde prostat bölgesinin detaylı incelenmesi mümkün olmakta, kanserli dokuların sağlıklı dokulardan ayrıştırılması sağlanmaktadır. Ancak, prostat MRI görüntülerinin manuel olarak bölütlenmesi tıp uzmanları için zaman alıcı, yorucu ve hata riski yüksek bir süreçtir. Prostatın yapısal farklılıkları ve doku sınırlarındaki belirsizlikler, görüntülerin otomatik olarak analiz edilmesini zorlaştırmaktadır. Bu nedenle, tıbbi görüntü işleme alanında derin öğrenme tabanlı otomatik bölütleme yöntemlerine olan ilgi artmaktadır. Son yıllarda, derin öğrenme modelleri tıbbi görüntü işleme alanında önemli ilerlemeler kaydetmiş ve prostat MRI görüntülerinin bölütlenmesi için sıklıkla kullanılmaya başlanmıştır. Özellikle U-Net gibi derin sinir ağı mimarileri, prostat görüntülerinin anatomik yapısını doğru bir şekilde belirleyebilme kapasitesine sahiptir. Ancak, mevcut modellerin belirsizlik yönetimi konusundaki eksiklikleri ve farklı veri kümeleri üzerinde gösterdiği değişken performanslar, klinik uygulamalarda güvenilir bir kullanım için önemli bir sınırlamadır. Derin öğrenme modellerinin tahmin ettiği bölütleme maskelerindeki belirsizliklerin doğru bir şekilde ölçülmesi, modellerin güvenilirliğini artırarak klinik karar destek sistemlerinde daha sağlıklı değerlendirmeler yapılmasını sağlayabilir. Bu çalışmada, prostat MRI görüntülerinde bölütleme belirsizliklerini tahmin etmek ve belirsizliklerin dağılım dışı veriler üzerindeki etkilerini incelemek amaçlanmıştır. Monte Carlo Dropout (MCDO), Test Zamanı Veri Artırımı (TTA), Topluluk (Ensemble), Topluluk ve Diklik (Ensemble and Orthogonality), Anlık Topluluk (Snapshot Ensemble) ve Anlık Topluluk ve Diklik (Snapshot Ensemble and Orthogonality) gibi yöntemler kullanılarak model belirsizliklerinin ölçümü gerçekleştirilmiştir. Bu yöntemlerin dayanıklılığı ve genelleme kapasitesi analiz edilerek, özellikle dağılım dışı veriler ile model performansları karşılaştırılmıştır. Literatürde, prostat MRI görüntülerinde belirsizlik tahmini genellikle dağılım içi veriler ile araştırılmış olup, dağılım dışı veriler üzerindeki etkileri yeterince incelenmemiştir. Bu çalışma ile farklı belirsizlik tahmini yöntemlerinin, dağılım dışı veriler üzerindeki başarı performansları analiz edilerek, model güvenilirliği açısından avantaj ve dezavantajları ortaya konulmuştur. Çalışmada elde edilen bulgular, kullanılan yöntemlerin farklı veri kümeleri üzerinde farklı performans sergilediğini göstermektedir. Promise 12 ve UCL veri kümeleri genel olarak yüksek performans gösterirken, HK veri kümesi üzerinde elde edilen sonuçlar daha düşük bir performansa işaret etmektedir. Bu durum, model performansının kullanılan veri setinin özellikleri ve dağılımı ile doğrudan ilişkili olduğunu göstermektedir. Özellikle, Topluluk ve Diklik (T+D) ve Anlık Topluluk ve Diklik (AT+D) yöntemleri, belirsizlik tahmini açısından diğer yöntemlere kıyasla daha başarılı sonuçlar vermiştir. Bu yöntemlerin belirsizlik yönetiminde daha etkili olduğu ve klinik karar destek sistemlerinde daha güvenilir sonuçlar üretebileceği gözlemlenmiştir. Sonuç olarak, prostat MRI görüntülerinde belirsizlik tahmini yöntemlerinin dağılım içi ve dağılım dışı veriler üzerindeki etkileri detaylı bir şekilde incelenmiştir. Çalışmanın bulguları, belirsizlik tahmininin model güvenilirliğini artırarak klinik süreçlere katkı sağlayabileceğini ve prostat kanseri teşhisinde daha doğru sonuçlar elde edilmesine yardımcı olabileceğini ortaya koymaktadır. Özellikle dağılım dışı verilerde belirsizliğin artması, modelin eğitim sürecinde karşılaşmadığı veri yapılarından ve sınırlı veri çeşitliliğinden kaynaklanmaktadır. Bu durum, belirsizlik tahmini yöntemlerinin doğru uygulanması gerektiğini ve klinik karar destek sistemlerinde kullanılmasının model güvenilirliğini artırabileceğini göstermektedir.