🤖 machine learning

Soft Dice Confidence: A Near-Optimal Confidence Estimator for Selective Prediction in Semantic Segmentation

यह शोध पत्र सॉफ्ट डाइस कॉन्फिडेंस (SDC) को प्रस्तुत करता है, जो सिमेंटिक सेगमेंटेशन में चयनात्मक भविष्यवाणी के लिए एक निकट-इष्टतम और गणनात्मक रूप से कुशल इमेज-लेवल कॉन्फिडेंस एस्टिमेटर है, जो डाइस कोएफिशिएंट को मूल्यांकन मीट्रिक के रूप में उपयोग करके छह मेडिकल इमेजिंग कार्यों में मौजूदा विधियों से बेहतर प्रदर्शन करता है।

मूल लेखक: Bruno Laboissiere Camargos Borges, Bruno Machado Pacheco, Danilo Silva

प्रकाशित 2026-03-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Bruno Laboissiere Camargos Borges, Bruno Machado Pacheco, Danilo Silva

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया 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 आप एक अत्यधिक कुशल रेडियोलॉजिस्ट हैं जो एमआरआई (MRI) या एक्स-रे जैसी मेडिकल इमेज को स्कैन करने के लिए एक एआई (AI) सहायक का उपयोग करते हैं, ताकि ट्यूमर या लीजन (lesions) का पता लगाया जा सके। यह एआई अविश्वसनीय रूप से तेज़ है और आमतौर पर बहुत सटीक होता है। हालाँकि, किसी भी इंसान या मशीन की तरह, यह कभी-कभी भ्रमित हो सकता है, खासकर जब इमेज धुंधली हो, लाइटिंग अजीब हो, या स्थिति दुर्लभ हो।

यदि एआई हर इमेज पर आँख बंद करके अंदाज़ा लगाने लगे, तो वह खतरनाक गलतियाँ कर सकता है। लेकिन क्या होगा अगर एआई कह सके, "मैं इस बारे में पक्का नहीं हूँ; एक मानव विशेषज्ञ को इसे देखना चाहिए," जबकि वह आत्मविश्वास के साथ कह रहा हो, "मैं इस बारे में 100% निश्चित हूँ, आप मेरे उत्तर पर भरोसा कर सकते हैं।"

यही सिलेक्टिव प्रेडिक्शन (Selective Prediction) का मूल विचार है। लक्ष्य यह है कि एआई कठिन मामलों को "छोड़" (abstain) दे ताकि मानव विशेषज्ञ केवल पेचीदा मामलों पर अपना समय खर्च करें, जिससे प्रयास की बचत हो और सुरक्षा बढ़े।

समस्या: एआई को कैसे पता चलता है कि कब छोड़ना है?

ऐसा करने के लिए, एआई को एक कॉन्फिडेंस स्कोर (confidence score) की आवश्यकता होती है। उसे मापने का एक तरीका चाहिए कि, "अभी मेरा अंदाज़ा कितना अच्छा है?"

अतीत में, शोधकर्ताओं ने कॉन्फिडेंस को पिक्सेल-दर-पिक्सेल मापने की कोशिश की (जैसे समुद्र तट पर रेत के हर एक कण की जाँच करना)।

दोष: यदि एआई कहता है, "मैं इस ट्यूमर के 90% हिस्से के बारे में आश्वस्त हूँ, लेकिन किनारों के बारे में अनिश्चित हूँ," और आप किसी इंसान से केवल किनारों को ठीक करने के लिए कहते हैं, तो इंसान को संदर्भ समझने के लिए अभी भी पूरी इमेज को देखना ही पड़ेगा। इससे वास्तव में उनका समय बचता ही नहीं है।

इस पेपर का समाधान: पिक्सेल-दर-पिक्सेल जाँचने के बजाय, शोधकर्ताओं ने पूरी इमेज को एक साथ जाँचने का प्रस्ताव दिया। उन्होंने पूछा: "क्या यह पूरी इमेज एक अच्छा अंदाज़ा है, या हमें इसे छोड़ देना चाहिए और किसी इंसान को इसे देखने देना चाहिए?"

नया टूल: "सॉफ्ट डाइस कॉन्फिडेंस" (SDC)

लेखकों ने सॉफ्ट डाइस कॉन्फिडेंस (SDC) नामक एक नया गणितीय सूत्र बनाया है। यह इस प्रकार काम करता है:

उपमा: वेन डायग्राम गेम (Venn Diagram Game)

कल्पना कीजिए कि आप और एआई एक कागज़ पर एक आकृति (ट्यूमर) बना रहे हैं।

आपका चित्र "ग्राउंड ट्रुथ" (Ground Truth) है (जो आकृति वास्तव में है)।
एआई का चित्र "प्रेडिक्शन" (Prediction) है।

यह देखने के लिए कि एआई कितना अच्छा है, आप देखते हैं कि आपके चित्र कितने ओवरलैप (एक दूसरे के ऊपर आते) होते हैं।

परफेक्ट ओवरलैप: एआई ने बिल्कुल वही आकृति बनाई है जो आपने बनाई है। स्कोर: 100%।
कोई ओवरलैप नहीं: आपने एक वर्ग (square) बनाया, लेकिन एआई ने एक वृत्त (circle) बनाया। स्कोर: 0%।
आंशिक ओवरलैप: एआई ने बीच का हिस्सा सही बनाया लेकिन किनारों को मिस कर गया। स्कोर: 50%।

इस ओवरलैप माप को डाइस कोएफिशिएंट (Dice Coefficient) कहा जाता है। यह मानक तरीका है जिससे डॉक्टर और वैज्ञानिक यह मापते हैं कि एक एआई सेगमेंटेशन (segmentation) में कितना अच्छा प्रदर्शन कर रहा है।

SDC का जादू

समस्या यह है कि एआई प्रेडिक्शन करते समय "ग्राउंड ट्रुथ" (आपका चित्र) को नहीं जानता। वह केवल अपने स्वयं के "अनुमान" (उसने गणना की गई संभावनाओं) को जानता है।

शोधकर्ताओं ने महसूस किया कि एआई केवल अपने अनुमानों का उपयोग करके इस ओवरलैप स्कोर का एक "सॉफ्ट" (Soft) संस्करण निकाल सकता है।

यह पूछने के बजाय कि, "क्या मैंने इस पिक्सेल को सही पकड़ा?" (जिसके लिए उत्तर जानना आवश्यक है), यह पूछता है, "इस बात की कितनी संभावना थी कि मैं इस पिक्सेल को सही पकड़ पाता?"
यह पूरे इमेज में इन "संभावनाओं" को जोड़कर एक एकल कॉन्फिडेंस नंबर बनाता है।

इसे एक मौसम के पूर्वानुमान (weather forecast) की तरह समझें।

पुराना तरीका (पिक्सेल-लेवल): पूर्वानुमान कहता है, "इस विशिष्ट एक इंच के वर्ग में बारिश की 90% संभावना है, लेकिन अगले में 10%।" आपको छाता लेने का निर्णय लेने के लिए लाखों वर्गों के मानचित्र को देखना पड़ता है।
SDC तरीका: पूर्वानुमान पूरे शहर को देखता है और कहता है, "सभी डेटा के आधार पर, इस पूरे शहर में बारिश होने की 95% संभावना है।" आप तुरंत निर्णय ले सकते हैं।

यह एक बड़ी बात क्यों है?

यह सैद्धांतिक रूप से पूर्ण (लगभग) है: लेखकों ने गणितीय रूप से सिद्ध किया कि उनका नया सूत्र (SDC) उस "परफेक्ट" कॉन्फिडेंस स्कोर के लगभग समान है जो तब होता यदि हम ब्रह्मांड के बारे में सब कुछ जानते। लेकिन परफेक्ट स्कोर के विपरीत (जो वास्तविक इमेज के लिए गणना करना बहुत जटिल है), SDC तेज़ और सरल है। यह एक ऐसे GPS की तरह है जो सुपरकंप्यूटर जैसा ही सटीक मार्ग देता है, लेकिन यह एक सस्ते कैलकुलेटर पर भी चल सकता है।
इसे अतिरिक्त ट्रेनिंग की आवश्यकता नहीं है: कई अन्य तरीकों के लिए एआई को यह सीखने के लिए कि "मैं अनिश्चित हूँ" कैसे कहना है, अतिरिक्त डेटा के साथ फिर से प्रशिक्षित या ट्यून करने की आवश्यकता होती है। SDC किसी भी मौजूदा एआई मॉडल के साथ तुरंत काम करता है। आप इसे बस प्लग-इन करते हैं, और यह काम करने लगता है।
यह वास्तविक मेडिकल डेटा पर काम करता है: टीम ने छह अलग-अलग मेडिकल कार्यों (ब्रेन ट्यूमर, ब्रेस्ट कैंसर, स्किन कैंसर आदि) पर इसका परीक्षण किया।
- परिणाम: SDC पिछले सभी तरीकों से बेहतर था।
- "आउट-ऑफ-डिस्ट्रीब्यूशन" (Out-of-Distribution) टेस्ट: उन्होंने इसे ऐसे डेटा पर भी टेस्ट किया जो एआई ने पहले कभी नहीं देखा था (जैसे किसी दूसरे अस्पताल की एक्स-रे मशीन)। SDC अभी भी जानता था कि कब कहना है, "मुझे नहीं पता, इंसान, आप इसे देखें," जबकि अन्य तरीके आत्मविश्वास के साथ गलत उत्तर दे रहे थे।

मुख्य निष्कर्ष

यह पेपर हमें मेडिकल इमेजिंग में एआई के लिए एक नया, सुपर-एफिशिएंट "ब्रेक पेडल" देता है।

पहले: एआई तेज़ी से गाड़ी चलाता था, और खराब डेटा पर अत्यधिक आत्मविश्वासी होने के कारण कभी-कभी दुर्घटनाग्रस्त हो जाता था।
अब: एआई के पास एक नया सेंसर (SDC) है। जब यह एक कठिन इमेज देखता है, तो यह धीरे से ब्रेक लगाता है और कहता है, "इंसान, मैं इस मामले में इतना आश्वस्त नहीं हूँ कि अकेले गाड़ी चला सकूँ। कृपया नियंत्रण संभालें।"

यह अस्पतालों को मामलों के आसान 90% के लिए एआई का उपयोग करने (समय और पैसा बचाने के लिए) की अनुमति देता है, जबकि यह सुनिश्चित करता है कि खतरनाक 10% मामलों को मानवीय ध्यान मिले। यह दक्षता और रोगी सुरक्षा के लिए एक जीत है।

यहाँ शोध पत्र "Soft Dice Confidence: A Near-Optimal Confidence Estimator for Selective Prediction in Semantic Segmentation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र सिमेंटिक सेगमेंटेशन (semantic segmentation) में चयनात्मक भविष्यवाणी (selective prediction) की चुनौती को संबोधित करता है, विशेष रूप से मेडिकल इमेजिंग जैसे उच्च-जोखिम वाले डोमेन में।

संदर्भ: डीप लर्निंग मॉडल अक्सर उन महत्वपूर्ण अनुप्रयोगों (जैसे ट्यूमर का पता लगाना) के लिए आवश्यक मजबूती (robustness) की कमी रखते हैं। चयनात्मक भविष्यवाणी मॉडल को तब भविष्यवाणी करने से बचने (abstain) की अनुमति देती है जब उसका आत्मविश्वास (confidence) कम हो, जिससे वे मामले मानव विशेषज्ञों को सौंपे जा सकें।
अंतराल (The Gap): जबकि चयनात्मक भविष्यवाणी इमेज क्लासिफिकेशन में अच्छी तरह से अध्ययन की गई है, यह सिमेंटिक सेगमेंटेशन में कम खोजी गई है।
- पिक्सेल-स्तर बनाम इमेज-स्तर: मौजूदा विधियाँ अक्सर पिक्सेल-स्तरीय अनिश्चितता पर ध्यान केंद्रित करती हैं। हालाँकि, व्यक्तिगत पिक्सेल को अस्वीकार करने से आंशिक सेगमेंटेशन प्राप्त होता है, जिससे अभी भी पूरे चित्र की समीक्षा करने के लिए मानव की आवश्यकता होती है, जो कार्यभार को कम करने में विफल रहता है।
- मीट्रिक बेमेल (Metric Mismatch): अधिकांश मौजूदा इमेज-स्तरीय कॉन्फिडेंस एस्टिमेटर पिक्सेल-वार स्कोर (जैसे, सॉफ्टमैक्स प्रोबेबिलिटी का औसत) को एकत्रित करते हैं, जो सेगमेंटेशन के लिए उपयोग किए जाने वाले विशिष्ट मीट्रिक: डाइस कोएफिशिएंट (Dice coefficient) के साथ संरेखित नहीं होते हैं।
लक्ष्य: एक ऐसा कॉन्फिडेंस एस्टिमेटर विकसित करना जो इमेज-स्तर पर कार्य करे (पूरे इमेज को अस्वीकार करे) और जो बिना किसी अतिरिक्त प्रशिक्षण डेटा या सेगमेंटेशन मॉडल को पुन: प्रशिक्षित किए, डाइस कोएफिशिएंट (या डाइस लॉस) के लिए सैद्धांतिक रूप से अनुकूलित हो।

2. कार्यप्रणाली (Methodology)

2.1 सैद्धांतिक आधार: आइडियल डाइस कॉन्फिडेंस (Ideal Dice Confidence - IDC)

लेखक इस धारणा के साथ समस्या को औपचारिक रूप देते हैं कि मार्जिनल पोस्टीरियर प्रोबेबिलिटीज $p = (p_1, \dots, p_n)$ ज्ञात हैं। वे आइडियल डाइस कॉन्फिडेंस (IDC) को इनपुट के दिए गए होने पर डाइस कोएफिशिएंट के कंडीशनल एक्सपेक्टेशन के रूप में परिभाषित करते हैं:
$\text{IDC}(x) = \mathbb{E}_{y \sim P(\cdot|x)} [D(y, \hat{y})]$
जहाँ $D$ डाइस कोएफिशिएंट है और $\hat{y}$ प्रेडिक्टेड सेगमेंटेशन है।

असाध्यता (Intractability): सटीक IDC की गणना करने के लिए सभी $2^n$ संभावित सेगमेंटेशन मास्क को जोड़ने की आवश्यकता होती है, जो वास्तविक दुनिया के इमेज साइज के लिए ( $n$ बड़ा है) कम्प्यूटेशनल रूप से असंभव है।
धारणा: लेखक इनपुट के दिए गए होने पर पिक्सेल लेबल की कंडीशनल इंडिपेंडेंस (conditional independence) को मानते हैं (जो क्रॉस-एन्ट्रॉपी का उपयोग करने वाले सेगमेंटेशन ट्रेनिंग में एक मानक धारणा है)। इस धारणा के तहत, जटिलता $O(2^n)$ से घटकर $O(n)$ हो जाती है, लेकिन अभिव्यक्ति (expression) फिर भी जटिल रहती है।

2.2 प्रस्तावित समाधान: सॉफ्ट डाइस कॉन्फिडेंस (Soft Dice Confidence - SDC)

IDC की असाध्यता को दूर करने के लिए, लेखक सॉफ्ट डाइस कॉन्फिडेंस (SDC) का प्रस्ताव करते हैं, जो एक लीनियर-टाइम एप्रोक्सिमेशन है।

परिभाषा: SDC डाइस फॉर्मूला में ग्राउंड ट्रुथ बाइनरी मास्क $y$ को प्रेडिक्टेड प्रोबेबिलिटी वेक्टर $\hat{p}$ (या यदि ज्ञात हो तो मार्जिनल पोस्टीरियर्स $p$ ) से बदल देता है:
$\text{SDC}(\hat{p}, \hat{y}) = \frac{2 \sum_{j=1}^n \hat{p}_j \hat{y}_j}{\sum_{j=1}^n (\hat{p}_j + \hat{y}_j)}$
(नोट: यदि अंश और हर दोनों 0 हैं, तो इसे 0 के रूप में परिभाषित किया गया है)।
अंतर्ज्ञान (Intuition): MSP (Maximum Softmax Probability) या एंट्रॉपी जैसे मानक मीट्रिक्स के विपरीत, जो ट्रू नेगेटिव्स (बैकग्राउंड पिक्सेल) को एक आत्मविश्वासी भविष्यवाणी के रूप में देखते हैं, डाइस कोएफिशिएंट ट्रू नेगेटिव्स को अनदेखा करता है। SDC इस व्यवहार को दोहराता है, जिससे यह स्वाभाविक रूप से डाइस मीट्रिक के साथ संरेखित हो जाता है।
सैद्धांतिक गारंटी: शोध पत्र सिद्ध करता है कि SDC और IDC के बीच का अनुपात टाइटली बाउंडेड (tightly bounded) है।
- थ्योरम 2: दिखाता है कि $\text{SDC} \approx \text{IDC}$ है, जिसमें सापेक्ष त्रुटि (relative error) तेजी से घटती है जैसे-जैसे प्रेडिक्टेड फोरग्राउंड का आकार बढ़ता है। विशिष्ट मेडिकल इमेजेस के लिए, त्रुटि नगण्य (<1%) है।

2.3 व्यावहारिक कार्यान्वयन (प्लग-इन दृष्टिकोण)

व्यवहार में, वास्तविक मार्जिनल पोस्टीरियर्स $p$ अज्ञात होते हैं। लेखक एक प्लग-इन संस्करण का प्रस्ताव करते हैं जहाँ मॉडल के आउटपुट प्रोबेबिलिटीज $\hat{p}$ (जो सॉफ्टमैक्स के माध्यम से अनुमानित हैं) का उपयोग सीधे SDC फॉर्मूला में किया जाता है।

नॉन-ट्यूनेबल (Non-tunable): SDC के लिए कोई अतिरिक्त ट्यूनिंग डेटा या हाइपरपैंटर ट्यूनिंग की आवश्यकता नहीं होती है। इसे सीधे मॉडल के प्रोबेबिलिस्टिक आउटपुट से कंप्यूट किया जाता है।
दक्षता (Efficiency): गणना पिक्सेल की संख्या के साथ $O(n)$ के रूप में रैखिक रूप से स्केल करती है, जिसमें केवल सरल वेक्टर ऑपरेशन्स शामिल हैं।

3. मुख्य योगदान (Key Contributions)

औपचारिकीकरण (Formalization): डाइस मीट्रिक के तहत सिमेंटिक सेगमेंटेशन के लिए इमेज-लेवल चयनात्मक भविष्यवाणी की समस्या को परिभाषित किया, जो पिक्सेल-लेवल दृष्टिकोणों से भिन्न है।
SDC का व्युत्पन्न: इष्टतम कॉन्फिडेंस एस्टिमेटर (IDC) को व्युत्पन्न किया और सॉफ्ट डाइस कॉन्फिडेंस (SDC) को एक कम्प्यूटेशनल रूप से कुशल, लीनियर-टाइम एप्रोक्सिमेशन के रूप में प्रस्तावित किया।
सैद्धांतिक सीमाएँ (Theoretical Bounds): सिद्ध किया कि SDC, इष्टतम IDC के बहुत करीब (tightly bounded) है, जो निकट-इष्टतमता (near-optimality) की गणितीय गारंटी प्रदान करता है।
प्लग-इन रणनीति: प्रदर्शित किया कि SDC केवल अनुमानित प्रोबेबिलिटीज का उपयोग करके प्रभावी ढंग से काम करता है, जिसके लिए किसी पुन: प्रशिक्षण या अतिरिक्त होल्ड-आउट डेटा की आवश्यकता नहीं है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने छह मेडिकल इमेजिंग कार्यों (ब्रेन ट्यूमर, ब्रेस्ट कैंसर, स्किन कैंसर, MS लीजन, ऑप्टिक कप, पॉलिप्स) पर इन-डिस्ट्रीब्यूशन (ID) और आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डेटासेट का उपयोग करके SDC का मूल्यांकन किया।

बेसलाइन: नॉन-ट्यूनेबल विधियों (Average MSP, Average Entropy, Median-Min-Max) और ट्यूनेबल विधियों (Threshold-Level Aggregation, Patch-Level Aggregation, Aggregation with Extracted Features) के विरुद्ध तुलना की गई।
प्रदर्शन मीट्रिक: एरिया अंडर द रिस्क-कवरेज कर्व (AURC)। कम मान बेहतर होता है।
मुख्य निष्कर्ष:
- श्रेष्ठता: SDC ने सभी डेटासेट्स और परिदृश्यों में लगातार सबसे कम AURC प्राप्त किया, जो सभी बेसलाइनों से बेहतर रहा।
- ओरेकल (Oracle) के साथ तुलना: कई कार्यों (जैसे, MS Lesions, Breast Cancer) में, SDC का प्रदर्शन "ओरेकल" बाउंड (सैद्धांतिक रूप से सर्वोत्तम संभव कॉन्फिडेंस एस्टिमेटर) के लगभग समान था।
- OOD के प्रति मजबूती: SDC ने आउट-ऑफ-डिस्ट्रीब्यूशन डेटा पर भी श्रेष्ठ प्रदर्शन बनाए रखा, जबकि अन्य विधियों का प्रदर्शन काफी गिर गया।
- कोई ट्यूनिंग आवश्यक नहीं: यहाँ तक कि उन ट्यूनेबल विधियों की तुलना में, जिन्होंने हाइपरपैरामीटर ट्यूनिंग के लिए टेस्ट डेटा के 50% तक का उपयोग किया, SDC (जो शून्य ट्यूनिंग डेटा का उपयोग करता है) प्रतिस्पर्धी या बेहतर प्रदर्शन करता है।
- सिंथेटिक सत्यापन: ज्ञात ग्राउंड-ट्रुथ डिस्ट्रीब्यूशन वाले सिंथेटिक डेटा पर प्रयोगों ने पुष्टि की कि SDC सैद्धांतिक आइडियल डाइस कॉन्फिडेंस का बारीकी से अनुमान लगाता है।

5. महत्व और प्रभाव (Significance and Impact)

व्यावहारिक उपयोगिता: SDC मेडिकल सेगमेंटेशन मॉडल की विश्वसनीयता में सुधार के लिए एक "प्लग-एंड-प्ले" समाधान प्रदान करता है। यह चिकित्सकों को मॉडल के आउटपुट पर अधिक विश्वास करने या उन मामलों की पहचान करने की अनुमति देता है जिन्हें मानवीय समीक्षा की आवश्यकता है, बिना मॉडल को पुन: प्रशिक्षित किए।
दक्षता: एन्सेम्बल विधियों (जैसे, मोंटे कार्लो ड्रॉपआउट) या अतिरिक्त डेटा की आवश्यकता वाली ट्यूनेबल विधियों के विपरीत, SDC कम्प्यूटेशनल रूप से सस्ता है और इसके लिए किसी अतिरिक्त डेटा की आवश्यकता नहीं है।
सैद्धांतिक संरेखण: यह कॉन्फिडेंस एस्टिमेशन और मूल्यांकन मीट्रिक्स के बीच के बेमेल को हल करता है। कॉन्फिडेंस स्कोर को सीधे डाइस कोएफिशिएंट के साथ संरेखित करके, यह सुनिश्चित करता है कि "सबसे आत्मविश्वासी" भविष्यवाणियाँ वास्तव में उच्चतम डाइस स्कोर वाली भविष्यवाणियाँ हैं।
सामान्यीकरण (Generalizability): यह दृष्टिकोण किसी भी बाइनरी या मल्टीलेबल सेगमेंटेशन कार्य के लिए लागू किया जा सकता है जहाँ डाइस कोएफिशिएंट प्राथमिक मीट्रिक है, जो इसे वास्तविक नैदानिक वर्कफ़्लो में तैनाती के लिए एक मजबूत उम्मीदवार बनाता है।

संक्षेप में, यह शोध पत्र सॉफ्ट डाइस कॉन्फिडेंस को सिमेंटिक सेगमेंटेशन के लिए चयनात्मक भविष्यवाणी के लिए एक सैद्धांतिक रूप से आधारित, कम्प्यूटेशनल रूप से कुशल और अनुभवजन्य रूप से श्रेष्ठ विधि के रूप में स्थापित करता है, जो विशेष रूप से उच्च-जोखिम वाले मेडिकल इमेजिंग परिदृश्यों में अत्यंत मूल्यवान है।