Deep Feature Pyramid Convolutional Networks with In-Place Activated Batch Normalization for Automated Skin Lesion Boundary Segmentation

त्वचा का कैंसर, विशेष रूप से घातक मेलानोमा (malignant melanoma) के रूप में जाना जाने वाला आक्रामक रूप, दुनिया भर में त्वचा के ट्यूमर से होने वाली मृत्यु का एक प्रमुख कारण है। हालांकि डॉक्टर इन स्थितियों का निदान करने के लिए दृश्य निरीक्षण (visual inspection) पर भरोसा करते हैं, लेकिन यह प्रक्रिया पूर्णतः सटीक नहीं है। मानवीय आँखें सूक्ष्म विवरणों को मिस कर सकती हैं, और यहाँ तक कि विशेषज्ञ त्वचा रोग विशेषज्ञ भी अक्सर इस बात पर असहमत होते हैं कि एक खतरनाक घाव कहाँ शुरू होता है और कहाँ समाप्त होता है। यह अनिश्चितता उच्च-मात्रा वाले क्लीनिकों में एक बाधा उत्पन्न करती है, जहाँ अनियमित सीमाओं का मैन्युअल ट्रेसिंग करना धीमा, उबाऊ और त्रुटिपूर्ण होता है। मदद के लिए, वैज्ञानिकों ने ऐसे कंप्यूटर सिस्टम विकसित किए हैं जो संदिग्ध वृद्धि के चारों ओर सटीक रूपरेखा खींचने के लिए त्वचा की डिजिटल छवियों का उपयोग करके इस कार्य को स्वचालित करने के लिए डिज़ाइन किए गए हैं। हालाँकि, इन छवियों को कंप्यूटर के लिए पढ़ना बेहद कठिन होता है। इनमें अक्सर धुंधले किनारे, कम कंट्रास्ट, और बाल, रक्त वाहिकाएं या हवा के बुलबुले जैसे भटकाने वाले अवरोध होते हैं जो घाव के वास्तविक आकार को छिपा देते हैं। चुनौती एक मशीन को इन विकर्षणों को अनदेखा करना सिखाने में निहित है और त्वचा के ऊतकों की सटीक सीमा खोजने में है, ठीक उसी सावधानी के साथ जैसा कि एक मानव विशेषज्ञ करता है।

त्वचा के घाव विश्लेषण के लिए एक प्रमुख अंतर्राष्ट्रीय प्रतियोगिता पर केंद्रित एक हालिया अध्ययन में, ग्लिब केचिन (Glib Kechyen) नामक एक शोधकर्ता ने इस समस्या को हल करने के लिए एक विशेष कंप्यूटर प्रोग्राम बनाने पर काम किया, जिसे घाव को आसपास की त्वचा से अलग करने या 'सेगमेंट' करने के लिए डिज़ाइन किया गया है। लक्ष्य अनिवार्य रूप से अब तक का सबसे शक्तिशाली सिस्टम बनाना नहीं था, बल्कि एक विशिष्ट व्यावहारिक समस्या को हल करना था: जब उपलब्ध कंप्यूटर मेमोरी सीमित हो तो एक बहुत ही जटिल और सटीक कंप्यूटर मॉडल को कैसे प्रशिक्षित किया जाए। डीप लर्निंग मॉडल, जो आधुनिक इमेज विश्लेषण के पीछे के इंजन हैं, सीखने के लिए विशाल मात्रा में मेमोरी की आवश्यकता रखते हैं। वे कई गणितीय ऑपरेशनों के कई स्तरों के माध्यम से एक छवि को प्रोसेस करके काम करते हैं, और अपनी गलतियों से सीखने के लिए, उन्हें अपने द्वारा किए गए प्रत्येक मध्यवर्ती चरण का रिकॉर्ड रखना होता है। यह रिकॉर्ड डिजिटल स्टोरेज की एक बड़ी मात्रा का उपभोग करता है, जो अक्सर शोधकर्ताओं को या तो छोटी, कम विस्तृत छवियों का उपयोग करने या सरल, कम सटीक मॉडल को प्रशिक्षित करने के लिए मजबूर करता है। केचिन का कार्य इस सीमा को दरकिनार करने का एक तरीका प्रदर्शित करता है, जिससे महंगे, सुपर-कंप्यूटिंग हार्डवेयर की आवश्यकता के बिना एक अधिक शक्तिशाली दृष्टिकोण संभव हो पाता है।

शोधकर्ता ने एक लोकप्रिय कंप्यूटर विज़न आर्किटेक्चर पर आधारित एक प्रणाली विकसित की जिसे U-Net के रूप में जाना जाता है, जो इमेज डेटा के लिए एक दो-तरफा सड़क की तरह कार्य करता है। सड़क का एक पक्ष, एनकोडर (encoder), छवि को उसके समग्र गुणों को समझने के लिए देखता है, जबकि दूसरा पक्ष, डिकोडर (decoder), उस समझ का उपयोग घाव के सटीक मानचित्र को पुनर्गणना करने के लिए करता है। इस प्रणाली को और अधिक स्मार्ट बनाने के लिए, शोधकर्ता ने इसे दो अलग-अलग प्रकार के प्री-ट्रेन्ड "मस्तिष्क" या बैकबोन (backbones) से सुसज्जित किया, जिन्हें वाइड रेसनेट38 (Wide ResNet38) और डुअल पाथ नेटवर्क (Dual Path Network) कहा जाता है। इन बैकबोन ने लाखों तस्वीरों से सामान्य वस्तुओं को पहचानना पहले से ही सीख लिया था, जिससे उन्हें त्वचा की छवियों में पाए जाने वाले आकार और बनावट को समझने में बढ़त मिली। इन दो अलग-अलग दृष्टिकोणों को एक फीचर पिरामिड नेटवर्क (feature pyramid network) का उपयोग करके संयोजित किया गया था, जो एक व्यापक, उच्च-स्तरीय अवधारणाओं को सूक्ष्म, विस्तृत स्थानीय विशेषताओं के साथ जोड़कर घाव की एक पूर्ण तस्वीर बनाता है।

इस कार्य में महत्वपूर्ण नवाचार 'इन-प्लेस एक्टिवेटेड बैच नॉर्मलाइजेशन' (In-Place Activated Batch Normalization) नामक एक तकनीक थी। मानक कंप्यूटर प्रशिक्षण में, सिस्टम मेमोरी में डेटा के दो अलग-अलग सेट संग्रहीत करता है: एक नॉर्मलाइजेशन स्टेप के परिणाम और दूसरे एक्टिवेशन स्टेप के परिणाम, जिन्हें एक के बाद एक निष्पादित किया जाता है। यह दोहराव इन विशिष्ट ऑपरेशनों के लिए आवश्यक मेमोरी को दोगुना कर देता है। नई तकनीक इन दोनों चरणों को एक ही क्रिया में मिला देती है जो पुराने डेटा को उसी मेमोरी स्पेस में नए डेटा के साथ ओवरराइट (overwrite) कर देती है। यह एक चतुर गणितीय युक्ति है जो कंप्यूटर को बिना दूसरा कॉपी सेव किए बाद में आवश्यक जानकारी प्राप्त करने की अनुमति देती है। इस बदलाव ने प्रशिक्षण प्रक्रिया की मेमोरी खपत को लगभग पच्चीस प्रतिशत कम कर दिया। यह बचत इतनी महत्वपूर्ण थी कि इसने शोधकर्ता को एक साथ कई मॉडलों के एक बड़े 'एन्सेम्बल' (ensemble) को प्रशिक्षित करने की अनुमति दी। केवल एक कंप्यूटर प्रोग्राम पर अंतिम निर्णय लेने के लिए निर्भर रहने के बजाय, सिस्टम ने पांच-गुना क्रॉस-वैलिडेशन (five-fold cross-validation) और स्नैपशॉट एन्सेम्बलिंग (snapshot ensembling) का उपयोग करके कई मॉडलों के भविष्यवाणियों को मिलाकर एक एकल, अत्यधिक विश्वसनीय परिणाम तैयार किया।

इस दृष्टिकोण के परिणामों को क्षेत्र में उपयोग किए जाने वाले एक मानक बेंचमार्क के विरुद्ध मापा गया। सर्वश्रेष्ठ प्रदर्शन करने वाले एन्सेबल मॉडल ने एक विशिष्ट मीट्रिक पर 0.752 का स्कोर प्राप्त किया, जिसे यह मूल्यांकन करने के लिए डिज़ाइन किया गया है कि कंप्यूटर का रेखाचित्र घाव की वास्तविक सीमा से कितनी अच्छी तरह मेल खाता है। हालांकि यह स्कोर प्रभावशाली है, शोधकर्ता ने इसे संदर्भ में रखने में सावधानी बरती। यह दिखाने के लिए कि सफलता का कितना हिस्सा मेमोरी-बचत तकनीक से आया बनाम कई मॉडलों को संयोजित करने की शक्ति से, शोधकर्ता ने 2026 में आधुनिक, मानक उपकरणों का उपयोग करके एक एकल, सरल मॉडल को फिर से प्रशिक्षित किया। इस सरल मॉडल ने, जिसमें मेमोरी-बचटिंग ट्रिक का उपयोग नहीं किया गया था, न ही कई मॉडलों को संयोजित किया गया था, और न ही उन्नत प्री-ट्रेनिंग का उपयोग किया गया था, 0.668 का निचला स्कोर प्राप्त किया। यह तुलना बताती है कि जबकि मेमोरी-कुशल तकनीक बड़े सिस्टम को संभव बनाने के लिए आवश्यक थी, सबसे बड़ी सटीकता का उछाल केवल नॉर्मलाइजेशन ट्रिक के बजाय कई मॉडलों को संयमित करने की रणनीति और प्री-ट्रेन्ड ज्ञान के उपयोग से आया।

अध्ययन इस निष्कर्ष पर पहुँचता है कि यह मेमोरी-कुशल दृष्टिकोण सीमित कंप्यूटिंग संसाधनों के साथ काम करने वाले शोधकर्ताओं के लिए एक व्यावहारिक समाधान है। मेमोरी फुटप्रिंट को कम करके, ऐसे उच्च-क्षमता वाले, जटिल सिस्टम को प्रशिक्षित करना संभव हो जाता है जो अन्यथा मानक ग्राफिक्स कार्ड पर चलाना असंभव होता। यह कार्य यह दावा नहीं करता है कि इसने त्वचा कैंसर के निदान की समस्या को हल कर दिया है, न ही यह डॉक्टरों के उपयोग के लिए एक स्टैंडअलोन टूल प्रस्तुत करता है। इसके बजाय, यह एक विशिष्ट इंजीनियरिंग उपलब्धि को प्रलेखित करता है जो सख्त बाधाओं के तहत त्वचा के घावों के बेहतर विभाजन (segmentation) की अनुमति देता है। ये निष्कर्ष इस बात पर प्रकाश डालते हैं कि मेडिकल इमेजिंग को बेहतर बनाने की दौड़ में, कभी-कभी सबसे महत्वपूर्ण सफलता केवल एल्गोरिदम को स्मार्ट बनाना नहीं है, बल्कि इसे इतना कुशल बनाना है कि यह वास्तव में चल सके। यह दक्षता मानव त्वचा की अव्यवस्थित और परिवर्तनशील वास्तविकता को संभालने वाले अधिक मजबूत सिस्टम के लिए द्वार खोलती है, जिससे स्वचालित निदान क्लिनिकल वास्तविकता के एक कदम करीब आ जाता है।