E
Enhar Ormeci
Misafir
Misafir
Sağlıkta yapay zeka artık sadece görüntü sınıflandırma değil.
Birkaç yıl öncesine model, görüntü oluştuktan sonra devreye giren ve tek bir soruya cevap veren bir araçtı. Bugün ise yapay zeka görüntü oluşmadan önce, ham sensör sinyalinde başlıyor; görüntüyü oluşturuyor, içindeki anatomiyi ayırıyor, bulguları bir radyolog gibi gerekçelendiriyor, eğitim için sentetik veri üretiyor, o veriyle simülasyon kuruyor ve en sonunda bir cerrahi robotun kolunu hareket ettiriyor. Zincir şöyle uzuyor:
Ham sensör verisi → Rekonstrüksiyon → Medikal görüntü → Segmentasyon → Muhakeme → Sentetik veri → Simülasyon → Robot eylemi
NVIDIA’nın Mart 2026’da GTC ile birlikte
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
MedTech Open Models koleksiyonu tam olarak bu zincirin farklı halkalarına birer model yerleştiriyor. Koleksiyonda 15 öğe var; 13’ü model, 2’si demo Space. NVIDIA, ham medikal sensör verisinden görüntü rekonstrüksiyonuna, segmentasyondan klinik muhakemeye, sentetik veri üretiminden cerrahi robotların kontrolü ve simülasyonuna uzanan açık bir MedTech AI ekosistemi kuruyor.Koleksiyon
Ham veri ve rekonstrüksiyon
- Model:
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
Görev: Eksik k-space’ten MR görüntüsü
Lisans: NVIDIA Open Model (ticari) - Model:
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
Görev: Ham ultrason sinyalinden ses hızı haritası
Lisans: CC BY-NC 4.0 (araştırma)
Segmentasyon
- Model: NV-Segment-CT
Görev: BT’de 100+ yapı, etkileşimli
Lisans: NVIDIA Open Model (ticari) - Model: NV-Segment-CTMR
Görev: BT + MR’da 345+ yapı
Lisans: Ticari değil
Muhakeme
- Model: NV-Reason-CXR-3B
Görev: Göğüs röntgeni yorumlama ve raporlama
Lisans: OneWay Non-Commercial (araştırma)
Sentetik veri
- Model: NV-Generate-CT
Görev: Sentetik 3B BT + maske
Lisans: NVIDIA Open Model (ticari) - Model: NV-Generate-MR
Görev: Sentetik 3B MR
Lisans: OneWay Non-Commercial (araştırma) - Model: NV-Generate-MR-Brain
Görev: Sentetik beyin MR (T1 / T2 / FLAIR / SWI)
Lisans: NVIDIA Open Model (ticari); eğitim veri seti erişim izni istiyor
Cerrahi Physical AI
- Model: GR00T-H
Görev: Cerrahi robot politikası (N1.6 tabanlı)
Lisans: OneWay Non-Commercial (araştırma) - Model: GR00T-H-N1.7
Görev: Cerrahi robot politikası (N1.7 tabanlı)
Lisans: NVIDIA Open Model (ticari) - Model: Cosmos-H-Surgical
Görev: Cerrahi dünya modeli, sim-to-real
Lisans: OpenMDW-1.1 (ticari) - Model: Cosmos-H-Surgical-Simulator
Görev: Eylem koşullu simülasyon
Lisans: NVIDIA Open Model (ticari) - Model: Cosmos-Tokenizer-Surg
Görev: Telecerrahi için video tokenizer
Lisans: NVIDIA Open Model (ticari)
Kodların tamamı
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
altında bulunmaktadır.Bu modellerin hiçbiri klinik kullanım için onaylanmış bir tıbbi cihaz değil. Tanı, hasta bakımı veya tıbbi karar vermek için tasarlanmamıştır. Bunları birer ürün yerine, ürün geliştirmeye yardımcı modeller olarak tanımlamak daha doğru olur.
Bazıları ticari kullanıma tamamen açık, bazıları yalnızca araştırma amaçlı. Bir modelin omurgası erişim izni gerektirirken, başka bir modelin kendisi açık olmasına rağmen eğitim verisi aynı şekilde açık değil.
1. Görüntü Oluşmadan Önce: Raw2Insights
Normalde yapay zekanın MR ya da ultrason görüntüsünü aldığı düşünülür. Bu iki model ise görüntüyü almıyor; görüntünün kendisini oluşturuyor veya görüntü oluşmadan önceki fiziksel bilgiyi çıkarıyor.
NV-Raw2Insights-MRI: Daha Az Veriyle Aynı Görüntü
MR cihazı doğrudan resim çekmez. Sinyalleri k-space denen frekans uzayında toplar ve görüntü buradan ters Fourier dönüşümü ile elde edilir.
Tam k-space’i toplamak yavaştır. Normalde kardiyak MR’da hasta nefesini tutar; süre uzadıkça görüntü bulanabilir. Süreci hızlandırmak için verinin bir kısmı atlanırsa bu kez görüntüde katlanma artefaktları oluşabilir. Bunu, şeffaf bir kağıda çizim yapıp kağıdı ikiye katlamak gibi düşünebilirsiniz: soldaki çizgi sağdakinin üzerine biner.
Klasik akış:
Daha fazla k-space ölçümü → Görüntü oluşturma → MR görüntüsü
NV-Raw2Insights-MRI akışı:
Çok daha az k-space ölçümü → Yapay zeka ile görüntü oluşturma → Aynı kalitede MR görüntüsü
Model kartına göre hedef, taramada normalde toplanan verinin sekizde birinden yirmi dörtte birine kadar olan kısmıyla yetinmek. En uç noktada bu, görüntünün yaklaşık %96’sını modelin tamamlaması anlamına geliyor.
Bu yaklaşım, Johns Hopkins ve NVIDIA’nın SDUM çalışmasına dayanıyor. Temel fikir, klasik MRI görüntü oluşturma sürecindeki “tahmin et, ölçümle karşılaştır, düzelt” döngüsünü 18 öğrenilebilir aşamaya dönüştürmek.
Her aşamada fiziksel ölçümlerle uyum kontrol edildiği için modelin gerçek dışı detaylar üretme riski sınırlandırılıyor.
Görüntü iyileştirme tarafında Restormer tabanlı bir yapı kullanılıyor. Böylece görüntünün genel yapısı korunurken küçük ve ince detayların kaybolması azaltılıyor.
Bobin duyarlılık haritaları da yalnızca başlangıçta hesaplanmıyor; her aşamada yeniden tahmin ediliyor. Çalışmada performansa en büyük katkılardan biri bu bileşenden geliyor.
Modele ayrıca hızlandırma faktörü, tarama deseni ve çekim tipi gibi zaten bilinen bilgiler de veriliyor. Bu sayede tek bir model farklı MRI protokollerine uyum sağlayabiliyor.
- Base sürüm: 18 aşama, yaklaşık 760 milyon parametre
- Small sürüm: 6 aşama, yaklaşık 228 milyon parametre
Sonuçlar da dikkat çekici. Model, Şubat 2026’da düzenlenen CMRxRecon2025 yarışmasında dört farklı kategorinin tamamında, göreve özel ek bir ince ayar yapılmadan başarılı sonuçlar elde etti.
Pediatrik kategoride eğitim verisinde çocuk örnekleri bulunmamasına rağmen ikinci sıradaki yöntemin yaklaşık 1 dB önünde yer aldı.
Benzer şekilde, beyin MRI verileriyle eğitilen model daha önce görmediği CEST MRI verilerinde de zero-shot olarak 43,57 dB seviyesine ulaştı ve sayısal haritaların doğruluğunu korudu.
Burada birkaç noktayı doğru yorumlamak önemli. PSNR değeri görüntü kalitesi hakkında fikir verse de tek başına tanısal doğruluk anlamına gelmez. Modeldeki fizik tabanlı kontrol adımları halüsinasyon riskini azaltıyor, ancak bunu tamamen ortadan kaldırmıyor. Ayrıca eğitim verisinin büyük bölümü kardiyak MRI verilerinden oluşuyor.
NV-Raw2Insights-US: Ham Ultrason Verisinden Ses Hızı Haritasına
Ultrason tarafı daha da ilginç. Çünkü bu model doğrudan görüntü üretmek yerine görüntünün altında yatan fiziksel bir büyüklüğü tahmin ediyor.
Ultrason cihazları genellikle sesin vücutta yaklaşık 1540 m/s hızla ilerlediğini varsayar. Ancak bu değer her doku için aynı değildir. Yağ, kas ve kist gibi yapılarda sesin ilerleme hızı değişebilir.
Bu fark hesaba katılmadığında ekoların zamanlaması bozulabilir ve görüntüde bulanıklık oluşabilir.
Bu problemi fizik tabanlı yöntemlerle çözmek mümkün ancak bu yaklaşımlar oldukça yavaş çalışabiliyor. Örneğin DBUA ve devamı olan CMPE yöntemlerinde tek bir karenin işlenmesi RTX 3080 üzerinde birkaç dakika sürebiliyor.
NV-Raw2Insights-US’un temel amacı bu süreci çok daha hızlı hale getirmek.
Model, ham ultrason verisinden dokuların ses hızı dağılımını tahmin ediyor. Yaklaşık 2,3 milyon parametreli oldukça hafif bir yapıya sahip ve çıktı olarak 2B bir ses hızı haritası üretiyor.
Bu harita, ultrason görüntüsünün daha doğru oluşturulmasına yardımcı olabilecek ek bir fiziksel bilgi katmanı sağlıyor.
MR modeliyle arasındaki fark burada netleşiyor:
- NV-Raw2Insights-MRI: Ham k-space verisinden doğrudan MR görüntüsü oluşturuyor.
- NV-Raw2Insights-US: Ham akustik sinyalden doğrudan ses hızı haritası çıkarıyor.
Yani her iki model de yapay zekayı görüntü oluştuktan sonra devreye sokmak yerine, görüntüleme zincirinin çok daha erken bir aşamasına taşıyor.
NV-Raw2Insights-US araştırma amaçlı bir model ve belirli ultrason donanım yapılandırmalarına göre geliştirilmiş. Bu nedenle farklı cihazlarda doğrudan aynı performansın elde edileceği varsayılmamalı.
2. Görüntü Oluştu, Şimdi Anatomiyi Ayıralım: NV-Segment
Bir BT taraması, yüzlerce kesitten oluşan 3B bir hacimdir. Segmentasyon ise bu hacimdeki organ ve anatomik yapıların otomatik olarak ayrılması anlamına gelir. Elle yapıldığında oldukça zaman alan bu işlem, yapay zeka modelleriyle önemli ölçüde hızlandırılabilir.
NV-Segment-CT, NVIDIA’nın VISTA3D çalışmasını temel alan 3B medikal görüntü segmentasyon modelidir. 11 binden fazla BT görüntüsüyle eğitilen model, 100’den fazla anatomik yapıyı otomatik olarak ayırabiliyor. Ayrıca kullanıcı belirli bir organı seçebiliyor veya görüntü üzerinde bir noktayı işaretleyerek segmentasyonu yönlendirebiliyor. Bu etkileşimli yapı, özellikle hatalı bölgelerin hızlı şekilde düzeltilmesi açısından önemli.
Modelin dikkat çekici tarafı, her veri seti için ayrı ayrı eğitilmiş uzman modellerle benzer performansı tek bir genel model üzerinden sunabilmesi. Bu da farklı anatomik bölgeler için ayrı segmentasyon modelleri kullanma ihtiyacını azaltıyor.
NV-Segment-CTMR ise aynı yaklaşımı hem BT hem de MR görüntülerine genişletiyor. 30 binden fazla görüntüyle geliştirilen model, 345’ten fazla anatomik yapıyı destekliyor. Ancak CT sürümünden farklı olarak etkileşimli nokta tabanlı düzeltme özelliği bulunmuyor.
3. Pikselden Bulguya: NV-Reason-CXR-3B
Bir seviye yukarı çıktığımızda soru artık “Bu piksel hangi organa ait?” değil, “Bu röntgende ne görüyorum ve bunu nasıl açıklayabilirim?” oluyor.
NV-Reason-CXR-3B, göğüs röntgenlerini yorumlamak için geliştirilmiş bir görsel-dil modelidir. Model yalnızca bir bulgu etiketi vermek yerine görüntüyü sistematik biçimde değerlendiriyor, tespit ettiği bulguları açıklayabiliyor, takip sorularına yanıt verebiliyor ve yapılandırılmış bir rapor oluşturabiliyor.
Modelin temelinde Qwen2.5-VL-3B bulunuyor. Eğitim sürecinde radyologların gerçek vakaları nasıl değerlendirdiğini yansıtan örneklerden yararlanılmış. Böylece model yalnızca sonuca ulaşmayı değil, radyolojik değerlendirme sürecini daha düzenli biçimde takip etmeyi öğreniyor.
Yapılan testlerde model, bazı karşılaştırma modellerine göre daha yüksek doğruluk göstermiş ve küçük bir kullanıcı çalışmasında raporlama süresini azaltabildiği görülmüş. Ancak model hala yanlış veya gerçekte bulunmayan bulgular üretebiliyor. Bu nedenle klinik karar vermek için değil, araştırma ve geliştirme amacıyla değerlendirilmesi gerekiyor.
4. Analiz Etmek Yerine Üretmek: NV-Generate
Buraya kadar zincirin sensörden bilgiye uzanan kısmını izledik. Şimdi ise ikinci kola geçiyoruz: Sentetik veri.
Tıbbi yapay zekada en büyük sorunlardan biri yeterli ve çeşitli veriye ulaşmak. Hasta görüntülerinin kurumlar arasında paylaşılması zor, nadir hastalıklar için örnek sayısı sınırlı ve görüntülerin uzmanlar tarafından etiketlenmesi oldukça zaman alıyor. NV-Generate ailesi, bu ihtiyacı sentetik 3B BT ve MR görüntüleri üreterek karşılamayı amaçlıyor.
Ailedeki modeller NVIDIA’nın MAISI mimarisini temel alıyor. Bu yapı, 3B medikal görüntüleri üretmek için difüzyon tabanlı bir yaklaşım kullanıyor. Yeni sürümlerde üretim süresi azaltılırken küçük anatomik yapıların ve lezyonların verilen koşullara daha iyi uyması hedefleniyor.
NV-Generate-CT, sentetik BT görüntüleri üretmenin yanı sıra bunlarla eşleşen segmentasyon maskeleri de oluşturabiliyor. Böylece üretilen veriler doğrudan segmentasyon modellerinin eğitiminde kullanılabiliyor. Yapılan deneylerde sentetik verinin gerçek eğitim verisine eklenmesinin bazı organ ve tümör segmentasyonu görevlerinde performansı artırabildiği görülüyor.
NV-Generate-MR, aynı yaklaşımı MR görüntülerine taşıyor. Model farklı MR verileriyle geliştirilmiş olsa da eğitim verisinin önemli bir bölümü beyin görüntülerinden oluşuyor. Bu nedenle farklı anatomik bölgelerde kullanılırken ek uyarlama gerekebiliyor.
NV-Generate-MR-Brain ise özellikle beyin MR görüntülerine odaklanıyor ve T1, T2, FLAIR ve SWI gibi farklı modaliteleri destekliyor. Modelin geliştirilmesinde kullanılan geniş ölçekli
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
Türkiye’den İstanbul Medipol Üniversitesi de yer alıyor. Veri setinde hasta gizliliğini korumak amacıyla görüntüler anonimleştirilmiş ve yüz özelliklerinin yeniden oluşturulmasını önlemeye yönelik ek işlemler uygulanmış.Bu modellerin amacı gerçek medikal verinin yerini tamamen almak değil, mevcut veri setlerini desteklemek ve araştırma süreçlerinde daha fazla çeşitlilik sağlamak. Ayrıca sentetik bir görüntünün gerçekçi görünmesi, klinik olarak doğru olduğu anlamına gelmiyor. Bu nedenle üretilen verilerin özellikle tıbbi uygulamalarda dikkatli biçimde değerlendirilmesi gerekiyor.
5. Medikal Görüntülemeden Physical AI’a: Cerrahi Robotlar
Buraya kadar veri, görüntü, segmentasyon, muhakeme ve sentetik veri tarafını gördük. NVIDIA’nın MedTech koleksiyonu burada bitmiyor; yapay zeka fiziksel dünyaya, yani cerrahi robotlara ve simülasyon sistemlerine kadar uzanıyor.
GR00T-H Ailesi: “Ne Yapmalıyım?”
GR00T-H, NVIDIA’nın genel amaçlı robot modeli Isaac GR00T’un cerrahi uygulamalara uyarlanmış sürümüdür. Model, endoskop görüntüsünü, robotun mevcut durumunu ve verilen görev tanımını birlikte değerlendirerek robotun gerçekleştirmesi gereken hareketleri üretir.
Model,
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.
farklı cerrahi robot platformlarıyla eğitilmiştir. İlk GR00T-H sürümü araştırma odaklıyken, GR00T-H-N1.7 daha yeni temel model üzerine kurulmuş ve NVIDIA Open Model License altında sunulmuştur.Buradaki önemli nokta, modelin her cerrahi robotta doğrudan kullanılabilecek genel bir kontrol sistemi olmamasıdır. Eğitimde görmediği robot platformlarında ek uyarlama ve veri gerekebilir.
Cosmos-H-Surgical: “Bunu Yaparsam Ne Olur?”
GR00T-H robotun hangi hareketi yapması gerektiğini belirlerken, Cosmos-H-Surgical bu hareketlerin sonucunda sahnenin nasıl değişebileceğini modellemeye çalışıyor.
Cosmos-H-Surgical, cerrahi görüntüler üzerinde eğitilmiş bir dünya modelidir. Bir ameliyat sahnesi ve verilen koşullardan yola çıkarak sonraki görüntüleri tahmin edebilir. Ayrıca simülasyondan gelen derinlik, segmentasyon veya kenar bilgilerini daha gerçekçi cerrahi görüntülere dönüştürmek için kullanılabilir.
Bu yaklaşım özellikle cerrahi robotik için önemli. Çünkü robot hareketleriyle eşleştirilmiş cerrahi video verisi oldukça sınırlıyken, büyük miktarda etiketsiz ameliyat videosu bulunuyor. Dünya modelleri bu videoların robot eğitimi ve simülasyon çalışmalarında kullanılmasını mümkün hale getirmeyi amaçlıyor.
Cosmos-H-Surgical-Simulator: Robotu Gerçek Dünyaya Çıkarmadan Test Etmek
Cosmos-H-Surgical-Simulator, cerrahi robotun yaptığı hareketlerin görüntü üzerinde nasıl bir sonuç oluşturacağını tahmin ediyor. Böylece bir robot politikası, doğrudan gerçek bir cerrahi robot üzerinde denenmeden önce simülasyon ortamında değerlendirilebiliyor.
Burada GR00T-H ile Simulator birbirini tamamlıyor: GR00T-H bir hareket üretiyor, Simulator bu hareketin sonucunda sahnenin nasıl değişeceğini tahmin ediyor. Ortaya çıkan yeni görüntü tekrar GR00T-H tarafından değerlendirilebiliyor. Böylece kapalı döngü bir test ortamı oluşturmak mümkün hale geliyor.
Ancak bu sistem fiziksel dünyanın kusursuz bir kopyası değil. NVIDIA da modelin gerçek bir cerrahi robot kontrolcüsü olmadığını ve simülasyon sonuçlarının fiziksel ortamla birebir aynı kabul edilmemesi gerektiğini belirtiyor.
Cosmos-Tokenizer-Surg: Telecerrahi için Görüntü Aktarımı
Cosmos-Tokenizer-Surg ise diğer modellerden farklı olarak karar verme veya robot kontrolü için değil, cerrahi görüntülerin verimli biçimde aktarılması için geliştirilmiş.
Uzaktan cerrahide görüntünün düşük gecikmeyle ve yeterli kaliteyle iletilmesi kritik önem taşıyor. Model, cerrahi video karelerini daha kompakt bir temsile dönüştürerek veri miktarını azaltmayı ve görüntünün karşı tarafa hızlı biçimde aktarılmasını hedefliyor.
Bu nedenle Cosmos-Tokenizer-Surg, MedTech koleksiyonunda yapay zekanın yalnızca görüntüyü analiz etmek veya robotu kontrol etmek için değil, cerrahi sistemlerin iletişim altyapısını desteklemek için de kullanılabileceğini gösteren farklı bir örnek oluşturuyor.
Bütün Resim
Copy to ClipboardNVIDIA MEDTECH OPEN MODELS HAM MEDİKAL VERİ │ ├── MR k-space ─────────── NV-Raw2insights-MRI │ └── Ultrason IQ ────────── NV-Raw2Insights-US │ ▼ MEDİKAL GÖRÜNTÜ │ ┌──────────────────┴──────────────────┐ ▼ ▼ NV-Segment NV-Reason CT / CTMR CXR-3B │ │ └──────────────────┬──────────────────┘ ▼ KLİNİK BİLGİ SENTETİK VERİ │ └── NV-Generate-CT / MR / MR-Brain │ ▼ EĞİTİM & SİMÜLASYON PHYSICAL AI (taban: Cosmos 3) │ ├── GR00T-H / N1.7 ────────── robot eylemi │ │ │ ▼ ├── Cosmos-H-Surgical-Simulator ── "bu eylem yapılırsa ne olur" │ ├── Cosmos-H-Surgical ──────── video arşivi → eğitim verisi │ └── Cosmos-Tokenizer-Surg ──── telecerrahi görüntü aktarımı
Sonuç: Tek Model Değil, Bütün Zincir
Bu koleksiyonu dikkat çekici yapan yalnızca tek tek modellerin performansı değil, medikal yapay zekanın farklı aşamalarını aynı ekosistem içinde bir araya getirmesi. Bir tarafta ham sensör verisinden başlayıp klinik bilgiye uzanan bir zincir bulunuyor:
Sensör Verisi → Rekonstrüksiyon → Görüntü → Segmentasyon → Muhakeme
Diğer tarafta ise yapay zekayı fiziksel dünyaya taşıyan ikinci bir hat var:
Sentetik Veri → Simülasyon → VLA → Robot Eylemi
Bu yapı, NVIDIA’nın medikal yapay zekayı yalnızca radyoloji görüntüsünü analiz eden bir model olarak ele almadığını gösteriyor. Yaklaşım; görüntünün oluşturulmasından yorumlanmasına, sentetik veri üretiminden cerrahi robotların eğitilmesine kadar uzanan daha geniş bir MedTech ekosistemi oluşturmayı hedefliyor.
Bir hastane, araştırma merkezi veya medikal cihaz geliştiricisi açısından bakıldığında ise koleksiyonun en önemli avantajı, çalışılan probleme göre zincirin farklı noktalarında kullanılabilecek açık modeller sunması. Üstelik bu modeller birbirinden tamamen bağımsız araçlar olmak yerine, aynı uçtan uca yapının farklı parçaları olarak konumlanıyor.
Bu bağlantıyı görüntüleyebilmek için kayıt olmalı zaten üyeyseniz üye girişi yapmalısınız.