Convolutional Sparse Support Estimator Based Covid-19 Recognition from X-ray Images
यह लेख एक नवीन कनवल्शनल स्पार्स सपोर्ट एस्टिमेटर नेटवर्क (CSEN) का प्रस्ताव करता है ताकि मॉडल-आधारित स्पार्स रिप्रजेंटेशन और डीप लर्निंग के बीच के अंतर को पाटकर छोटे डेटासेट की सीमाओं को दूर किया जा सके और चेस्ट एक्स-रे छवियों से कोविड-19 का वास्तविक समय में और सटीक पता लगाया जा सके।
मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि दुनिया एक भीषण तूफान (महामारी) का सामना कर रही है, जहाँ डॉक्टर आग बुझाने वाले अग्निशमन कर्मियों (फायरफाइटर्स) की तरह काम कर रहे हैं। अपना काम करने के लिए, उन्हें सटीक रूप से यह जानना होगा कि कौन से घर जल रहे हैं। सामान्यतः, वे दो मुख्य उपकरणों का उपयोग करते हैं: एक धीमा, जटिल प्रयोगशाला परीक्षण (RT-PCR) जिसे परिणाम देने में कई दिन लगते हैं, और एक उच्च-तकनीकी, महंगा 3D स्कैनर (CT स्कैन) जो हर जगह उपलब्ध नहीं है।
इस शोध में वैज्ञानिकों ने एक तीसरा उपकरण पेश करने का प्रयास किया है: एक साधारण एक्स-रे इमेज। यह सस्ता, तेज़ और सभी के लिए सुलभ है। हालाँकि, इसमें एक पेंच है। एक्स-रे इमेज एक धुंधली खिड़की से देखने जैसी होती है; कभी-कभी यह बताना मुश्किल हो जाता है कि वह धुंध केवल एक सामान्य बादल है, किसी अन्य प्रकार का धुआं (बैक्टीरियल निमोनिया) है, या वह विशिष्ट आग है जिसे वे खोज रहे हैं (कोविड-19)।
उन्होंने इस समस्या को कैसे हल किया, इसे सरल शब्दों में यहाँ समझाया गया है:
1. समस्या: पर्याप्त "व्यावहारिक अग्निशमन कर्मी" नहीं हैं
मशीन लर्निंग (डीप लर्निंग) की दुनिया में, कंप्यूटर को कुछ पहचानने के लिए सीखने हेतु आमतौर पर हजारों उदाहरणों की आवश्यकता होती है। कल्पना कीजिए कि आप एक बच्चे को कुत्ता पहचानना सिखा रहे हैं; आप उसे कुत्तों की सैकड़ों तस्वीरें दिखाते हैं।
हालाँकि, 2020 की शुरुआत में, कोविड-19 के एक्स-रे चित्रों की संख्या इतनी कम थी कि एक मानक कंप्यूटर मस्तिष्क को प्रशिक्षित करने के लिए पर्याप्त न हो। उदाहरणों का "पुस्तकालय" बहुत छोटा था। यदि आप बहुत कम छवियों के साथ एक कंप्यूटर को सिखाने की कोशिश करते हैं, तो वह भ्रमित हो जाता है और गलतियाँ करता है।
2. समाधान: एक बुद्धिमान "पैटर्न मैचकर" (पैटर्न मिलाने वाला)
एक विशाल, भूखे कंप्यूटर को एक छोटे पुस्तकालय से सीखने के लिए मजबूर करने के बजाय, लेखकों ने एक चतुर, हल्का सिस्टम बनाया जिसे CSEN (कन्वोल्यूशनल सपोर्ट एस्टीमेशन नेटवर्क) कहा जाता है।
यहाँ उपमा दी गई है:
- शब्दकोश: कल्पना कीजिए कि एक विशाल फोटो एल्बम है जहाँ प्रत्येक पृष्ठ फेफड़ों के एक्स-रे के विभिन्न प्रकारों को दर्शाता है। आप उन्हें इस तरह व्यवस्थित करते हैं कि सभी "सामान्य" फेफड़े पृष्ठ 1-100 पर, "बैक्टीरियल" 101-200 पर, और "कोविड-19" 201-300 पर हों।
- परीक्षण: जब एक नई, अज्ञात एक्स-रे इमेज आती है, तो कंप्यूटर पूरी छवि को याद करने की कोशिश नहीं करता है। इसके बजाय, वह पूछता है: "मेरे एल्बम के कौन से पृष्ठ इस नई छवि के सबसे अधिक समान हैं?"
- जादू: CSEN एक शॉर्टकट है। एल्बम के प्रत्येक पृष्ठ के साथ एक-एक करके नई छवि की तुलना करने में समय बर्बाद करने के बजाय (जो कि धीमा है), इसमें एक विशेष "जादुई लेंस" है जो तुरंत एल्बम के सही अनुभाग की ओर इशारा करता है। इसे पूरी किताब पढ़ने की आवश्यकता नहीं है; इसे केवल सही अध्याय खोजने की आवश्यकता है।
3. सामग्री (Ingredients)
इसे काम करने योग्य बनाने के लिए, उन्होंने दो चीजों को मिलाया:
- एक पूर्व-प्रशिक्षित विशेषज्ञ (CheXNet): उन्होंने एक कंप्यूटर मस्तिष्क का उपयोग किया जिसे पहले से ही 100,000 से अधिक अन्य एक्स-रे छवियों पर प्रशिक्षित किया गया था ताकि वह फेफड़ों की सामान्य समस्याओं को पहचानने में विशेषज्ञ बन सके। उन्होंने इस विशेषज्ञ को शून्य से नहीं सिखाया; उन्होंने बस इसे नई छवि को कुछ प्रमुख शब्दों (विशेषताओं/फीचर्स) में वर्णित करने के लिए कहा।
- नया शॉर्टकट (CSEN): उन्होंने इन विवरणों को लिया और उन्हें अपने नए, हल्के सिस्टम में डाला। इस सिस्टम ने यह कहना सीखा: "आह, इन विशिष्ट शब्दों का अर्थ है कि यह कोविड-19 का मामला है," बिना लाखों उदाहरणों की आवश्यकता के।
4. परिणाम: तेज़ और सटीक
टीम ने अपने विचार का परीक्षण करने के लिए QaTa-Cov19 (विभिन्न देशों से 6,200 से अधिक चित्र) नामक एक विशाल नया एक्स-रे लाइब्रेरी बनाया।
जब उन्होंने परीक्षण किए:
- संवेदनशीलता (आग को खोजना): सिस्टम ने 98.5% बार कोविड-19 मामलों को सफलतापूर्वक खोजा। यह महत्वपूर्ण है क्योंकि आग को अनदेखा करना खतरनाक है।
- विशिष्टता (गलत अलार्म से बचना): इसने स्वस्थ फेफड़ों के लिए 95% बार सही ढंग से कहा कि "यहाँ कोई आग नहीं है।"
- गति: यह अविश्वसनीय रूप से तेज़ था। जहाँ अन्य तरीकों को छवियों के एक सेट को प्रोसेस करने में सेकंडों की आवश्यकता होती थी, इस विधि ने इसे एक सेकंड के भी छोटे हिस्से में कर दिया। यह बहुत छोटा और कुशल भी था, जिसका अर्थ है कि यह शक्तिशाली हार्डवेयर की आवश्यकता के बिना मानक कंप्यूटरों पर चल सकता था।
5. "गलत अलार्म"
यह कार्य स्वीकार करता है कि सिस्टम पूर्ण नहीं है। कुछ दुर्लभ मामलों में (लग लगभग 7 बनाम 462), सिस्टम ने स्वस्थ फेफड़े को कोविड-19 समझ लिया या बहुत शुरुआती मामले को मिस कर दिया।
- क्यों? यह कार्य बताता है कि कुछ शुरुआती कोविड-19 एक्स-रे इमेज मानव विशेषज्ञों के लिए भी बिल्कुल सामान्य फेफड़ों जैसी दिखती हैं। यह एक अंधेरे कमरे में छोटी सी चिंगारी को खोजने जैसा है; कभी-कभी बेहतरीन आँखें भी आग बढ़ने तक उसे नहीं देख पातीं।
सारांश
यह कार्य सरल एक्स-रे छवियों का उपयोग करके कोविड-19 का पता लगाने के लिए एक नई, तेज़ और अत्यधिक सटीक विधि प्रस्तावित करता है। एक भारी, डेटा-भूखे कंप्यूटर मॉडल के बजाय एक चतुर "शॉर्टकट विधि" (CSEN) का उपयोग करके, उन्होंने सीमित प्रशिक्षण छवियों के बावजूद उत्कृष्ट परिणाम प्राप्त किए। उन्होंने अपने विशाल एक्स-रे संग्रह को सार्वजनिक रूप से भी प्रकाशित किया ताकि अन्य वैज्ञानिक भविष्य में बेहतर उपकरण विकसित करने के लिए इसका उपयोग कर सकें।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।