Radyolojide Yapay Zeka: nnU-Net Segmentasyon

Neden nnU-Net hâlâ en güçlü referans

2018'de Heidelberg ekibinin (Fabian Isensee) yayınladığı nnU-Net, "kendi kendini yapılandıran" U-Net türü bir çatıdır. Veri setinin spacing değerlerini, voxel yoğunluklarını, anatomik yapıyı ve örnek sayısını analiz eder ve en uygun mimari konfigürasyonu otomatik tasarlar. Kullanıcı elle hiperparametre ayarı yapmaz.

2018'den 2026'ya kadar Medical Segmentation Decathlon'da ve KiTS, BraTS, AMOS, FLARE gibi büyük yarışmalarda nnU-Net hep ilk üç içinde yer aldı. 2024'ün nnU-Net v2 sürümü PyTorch tabanlı geldi; ResEncoder L (büyük residual encoder model) opsiyonu ve daha hızlı veri yükleme sundu. 2026 itibarıyla medikal segmentasyon için referans temel model olmayı sürdürüyor.

Bu yazıda nnU-Net'in nerede güçlü, nerede zayıf olduğunu; modern alternatiflerle (MONAI, SwinUNETR, TotalSegmentator) karşılaştırmasını ve klinik validasyon için TRIPOD-AI uyumlu veri hattı tasarımını açıklıyorum.

nnU-Net'in dört konfigürasyonu

nnU-Net v2'de dört temel konfigürasyon var:

2d: Kesit kesit çalışan 2D U-Net. Hızlıdır ve az GPU gerektirir; ancak 3D bağlam kaybedilir. İnce yapıları (örneğin damar, sinir) kaçırabilir.

3d_fullres: Tam çözünürlüklü 3D U-Net. Orijinal voxel spacing kullanılır. En yüksek doğruluğu sağlar ama GPU belleği açısından pahalıdır. Tipik olarak 12-24 GB VRAM gerekir.

3d_lowres: Düşük çözünürlüklü 3D U-Net. Büyük yapıların kabaca lokalize edilmesi içindir. Tek başına kullanılmaz; cascade'in birinci aşamasıdır.

3d_cascade_fullres: İki aşamalıdır. Önce 3d_lowres bölgeyi bulur, sonra 3d_fullres ayrıntılı segmentasyon yapar. Büyük volümlerde (örneğin tüm vücut CT) en doğru sonucu verir. Eğitim süresi iki katıdır.

Pratik öneri: Önce 2d ile temel model kurun (1-2 saatte sonuç görürsünüz), sonra 3d_fullres'a geçin. Cascade'i yalnızca veri büyükse (voxel başına >10 GB) ve 3d_fullres bellek bütçesini aşıyorsa kullanın.

Veri hazırlığı: en sık atlanan adım

nnU-Net çalıştırmak basittir ama veri hazırlığı yanlışsa model boşa öğrenir. Üç kritik adım vardır:

1. Format dönüşümü. nnU-Net, NIfTI (.nii.gz) formatı bekler. DICOM'dan dönüşüm için dcm2niix kullanılır. Dönüşüm sırasında orientation (LPS / RAS / RAI) korunmalıdır. Yanlış orientation, modelin sol ile sağı karıştırmasına neden olur.

2. Etiket numaralandırma. Etiketler 0'dan başlamalı ve ardışık olmalıdır (0=arka plan, 1=organ1, 2=organ2). Boş etiket numarası olmamalıdır. Yanlış: 0, 1, 2, 5. Doğru: 0, 1, 2, 3.

3. dataset.json. nnU-Net, veri seti metadata'sı için JSON ister. Kanal kimlikleri, etiket adları ve eğitim vaka sayısı yazılır. Bu dosya doğru yazılmadan eğitim başlayamaz.

Tipik hatalar:

• Tutarsız voxel spacing (1mm ve 0.5mm karışık): nnU-Net yeniden örnekleme yapar ama bilgi kaybı olur
• Kırpma yapmamak (tüm vücut CT'den yalnızca pelvis gerekiyorsa)
• Etiket dengesizliği (örneğin %0.1 oranında tümör segmentasyonu): loss fonksiyonu ayarı gerekir

2D vs 3D karar matrisi

Hangi konfigürasyon ne zaman?

2D'nin yanılgısı şudur: "2D hızlıdır, ben de 2D yaparım." Anatomik yapı 3D'de bağlantılıysa (örneğin damar ağacı, organ konturu), 2D kullanmak segmentasyon devamlılığını bozar. Kesitler arası tutarlılık kaybolur.

3D'nin yanılgısı ise şudur: "3D her zaman daha iyidir." GPU bütçeniz darsa (8 GB VRAM) veya veri 2D bir modalite ise (örneğin X-ray, retina fundus fotoğrafı), 3D abartılı bir maliyettir.

Transfer learning ve foundation modeller

2024'ten itibaren medikal görüntüleme için transfer learning paradigması değişti. Üç katman var:

Eski yaklaşım: ImageNet ön eğitimli modeller. Doğal görüntü üzerinde eğitilmiş ResNet ve EfficientNet. Tıbbi görüntüye transfer eder ama alan farkı (domain gap) büyüktür.

Modern: Medikal foundation model. MedSAM, RadImageNet ve MONAI Bundle'ları. Tıbbi görüntü üzerinde milyonlarca örnekle ön eğitilmiştir. Az veriyle (50-200 vaka) iyi sonuç verir.

Son teknoloji: SAM tabanlı etkileşimli segmentasyon. SAM (Segment Anything Model) ve SAM-Med2D / SAM-Med3D. Tıklama veya sınırlayıcı kutu ile yarı otomatik segmentasyon. Referans standart (ground truth) oluşturma sürecini hızlandırır.

nnU-Net, 2024 itibarıyla ResEnc-L (büyük residual encoder) varyantını ekledi. Ön eğitim opsiyonu da var (MAE tabanlı). Küçük veri setlerinde (n=50-100) bu varyantlar standart nnU-Net'ten %2-5 daha iyi Dice skoru verebiliyor.

MONAI ve alternatif çatılar

nnU-Net'in alternatifi MONAI'dir (Medical Open Network for AI). NVIDIA ve King's College ortaklığıdır. Avantajları:

• Modülerdir (kendi loss fonksiyonunuzu, metriğinizi ve dönüşümünüzü eklersiniz)
• MONAI Bundle: önceden eğitilmiş model paketleri
• MONAI Label: etkin bir etiketleme aracıdır (3D Slicer entegrasyonu)
• Dağıtım için MONAI Deploy SDK

Karşılaştırma:

Pratik öneri: Araştırma ve temel model için nnU-Net, üretim dağıtımı ve özel veri hattı için MONAI tercih edilir. İkisi birlikte de kullanılabilir (nnU-Net ile eğit, MONAI ile dağıt).

TotalSegmentator (Wasserthal 2023) ise CT için 117 anatomik yapıyı tanıyan hazır bir modeldir. Genel anatomi segmentasyonu için yeniden eğitime gerek yoktur; doğrudan kullanılır.

Detection ve sınıflandırma

Segmentasyon dışı görevler için:

Tespit (lezyon tespiti):

• nnDetection (Baumgartner 2021): nnU-Net'in tespit sürümü, RetinaNet tabanlı
• MONAI Detection: 3D RetinaNet, deformable DETR
• Yolo3D varyantları: hızlı ama medikal doğruluğu düşük

Sınıflandırma (örneğin malign ve benign ayrımı):

• 3D ResNet, 3D DenseNet
• MedMNIST ön eğitimli modeller
• ViT (Vision Transformer) varyantları
• SwinUNETR-Cls

Sınıflandırmada en sık hata, küçük veri setiyle (n=500 altı) 3D ViT kullanmaktır. ViT'ler veriye açtır; 1000+ örnek olmadan ResNet'i geçemez.

TRIPOD-AI uyumlu validasyon

Bir model geliştirdiniz ve Dice 0.92 çıktı. Yayınlanabilir mi? Cevap: validasyon olmadan hayır.

TRIPOD-AI (Collins 2024, BMJ), klinik tahmin modelleri için bir raporlama standardıdır. Yapay zeka modeli makalesi için 27 madde içerir:

• Geliştirme kohortu ile validasyon kohortu ayrımı
• İç doğrulama (çapraz doğrulama veya bootstrap)
• Zamansal doğrulama (eğitim sonrası bir tarihten itibaren toplanmış veri)
• Dış doğrulama (farklı merkez, farklı tarayıcı, farklı popülasyon)
• Kalibrasyon analizi (modelin olasılık tahmini güvenilir mi)
• Alt grup analizi (yaş, cinsiyet, etnik köken bazlı performans)
• Başarısızlık modu analizi (model nerede ve neden yanlış yapıyor)

Tipik nnU-Net makaleleri yalnızca iç çapraz doğrulama raporlar. TRIPOD-AI bunu yetersiz bulur. Klinik kullanım için asgari gereklilik:

1. Keşif kohortu: eğitim ve 5 katlı çapraz doğrulama
2. Zamansal doğrulama: aynı merkez, 6 ay sonraki veri
3. Dış doğrulama: en az 1 farklı merkez, farklı tarayıcı

Dış doğrulama atlanırsa, model "iç başarı ve dış başarısızlık" tuzağına düşer. Aetherly 2024 sistematik derlemesi, medikal segmentasyon modellerinin %43'ünün dış doğrulamada Dice değerinin 0.15+ düştüğünü gösterdi. Bu validasyon adımlarının regülasyon kanıtı olarak nasıl bir araya getirildiğini görmek için SaMD klinik-kanıt çalışmasının nasıl kurgulandığını ayrıca inceleyebilirsiniz.

DECIDE-AI: klinik deployment için ek standard

TRIPOD-AI raporlamayı standardize eder. DECIDE-AI ise (Vasey 2022, BMJ) klinik dağıtım değerlendirmesi için 27 madde önerir. Erken aşama yapay zekanın klinikte gerçek hekim üzerinde test edilmesini kapsar.

• Hekim yapay zeka önerisini ne sıklıkla kabul ediyor veya değiştiriyor
• Yapay zeka olmadan ve yapay zeka ile karar verme süresi
• Yapay zeka hata yaptığında hekim bunu yakalıyor mu
• Nihai klinik kararı yapay zeka mı yoksa hekim mi etkilemiş

Bir nnU-Net modeli "iyi" çıkabilir; ancak hekim onu kullanmıyorsa veya yanlış karar verdiriyorsa klinik fayda yoktur. DECIDE-AI bu boşluğu doldurur.

Veri seti ve KVKK

Türkiye'de medikal yapay zeka veri seti küratörlüğü iki taraflı:

Teknik: DICOM anonimleştirme (PHI kaldırma, defacing), hasta kimliği hashleme, study UID yeniden üretimi. pydicom ve dicom-anonymizer kütüphaneleri standarttır.

Hukuki: Hastanın açık rızası veya etik kurul izni. KVKK kapsamında sağlık verisi "özel nitelikli kişisel veri" sınıfındadır. Veri sorumlusu (hastane) ile veri işleyen (model geliştiren ekip) arasında veri işleme sözleşmesi (DPA) zorunludur.

Federated learning alternatifi: Veri taşınmaz, model her merkezde yerelde eğitilir, yalnızca ağırlıklar birleştirilir. NVIDIA Clara ve OpenFL çatıları vardır. Çok merkezli çalışma için KVKK dostu bir seçenektir.

Pratik çekirdek kontrol listesi

Bir medikal yapay zeka projesinin sağlıklı yürümesi için:

• DICOM → NIfTI dönüşümünde orientation korundu mu
• Etiket numaralandırma 0'dan ardışık mı
• Eğitim/doğrulama/test bölmesi vaka düzeyinde mi (kesit düzeyinde değil)
• Çapraz doğrulama 5 katlı yapıldı mı
• Zamansal doğrulama var mı
• Dış doğrulama en az 1 merkezde yapıldı mı
• Kalibrasyon analizi yapıldı mı
• Alt grup analizi (yaş, cinsiyet) yapıldı mı
• TRIPOD-AI raporlama kontrol listesi uygulandı mı
• DICOM anonimleştirme protokolü doğrulandı mı
• KVKK uyumlu DPA imzalandı mı
• Model kartı hazırlandı mı (kullanım amacı, sınırlamalar)

Sık yapılan üç hata

Hata 1: Veri sızıntısı. Aynı hastanın farklı kesitleri hem eğitime hem doğrulamaya düşerse, model "bu hastayı tanıyorum" diye yüksek skor verir ve dış doğrulama çöker. Bölme her zaman hasta düzeyinde yapılmalıdır.

Hata 2: Aşırı veri artırımı. nnU-Net'in varsayılan veri artırımları (döndürme, ölçekleme, aynalama) çoğu alan için yeterlidir. Daha fazla artırım eklemek sıklıkla aşırı düzenlileştirme üretir.

Hata 3: Tek metriğe odaklanma. Yalnızca Dice skoru raporlamak yetmez. Hausdorff mesafesi (sınır doğruluğu), yüzey Dice'ı (klinik anlamlı sınır) ve sensitivite/spesifisite ayrı raporlanmalıdır. Tümör segmentasyonunda Dice 0.88 olabilir; ancak sınır kayması 5mm ise klinikte kullanılamaz.

Medikal yapay zeka için Serteser Danışmanlık desteği

Tıbbi yapay zeka modeli geliştirmek teknik ve metodolojik iki kanat üzerinde durur. Serteser Danışmanlık her iki kanatta destek sunar:

• nnU-Net veri hattı kurulumu ve hiperparametre rehberliği
• MONAI Bundle entegrasyonu
• DICOM anonimleştirme protokolü ve veri seti küratörlüğü
• TRIPOD-AI ve DECIDE-AI uyumlu validasyon tasarımı
• Çok merkezli dış validasyon çalışması yönetimi
• Etik kurul başvurusu için yöntem bölümü
• TÜBİTAK 1001/1002 başvurusu için yapay zeka yöntemi

Uluslararası hakemli bir dergide yayınlanmış klinik araştırma deneyimi ve etkin sistematik derleme yönetimiyle, teknik ve yöntemsel iki disiplini birlikte kuran bir araştırma altyapısıyla medikal yapay zeka projelerinde uçtan uca destek sağlıyoruz.

Kurumunuzda benzer bir yapay zeka veya veri mühendisliği ihtiyacı varsa, profesyonel danışmanlık kapsamında birlikte değerlendirebiliriz.