🤖 AI

Probabilistic Modeling of Multi-rater Medical Image Segmentation for Diversity and Personalization

यह शोध पत्र ProSeg का प्रस्ताव करता है, जो एक संभाव्य मॉडलिंग ढांचा (probabilistic modeling framework) है जो विविध और विशेषज्ञ-व्यक्तिगत घाव विभाजन (lesion segmentation) को एक साथ प्राप्त करने के लिए दो गुप्त चरों (latent variables) के साथ वेरिएशनल इन्फरेंस का उपयोग करता है, जिससे इमेजिंग अनिश्चितता और अंतर-पर्यवेक्षक परिवर्तनशीलता को संबोधित किया जाता है और नैसोफैरिंगल कार्सिनोमा और लंग नोड्यूल डेटासेट पर मौजूदा अत्याधुनिक तरीकों से बेहतर प्रदर्शन किया जाता है।

मूल लेखक: Ke Liu, Shangde Gao, Yichao Fu, Shuaike Shen, Shangqi Gao, Chunhua Shen

प्रकाशित 2026-05-06

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ke Liu, Shangde Gao, Yichao Fu, Shuaike Shen, Shangqi Gao, Chunhua Shen

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 चार अलग-अलग खोजकर्ताओं (डॉक्टरों) के विवरण के आधार पर एक रहस्यमय, धुंधले द्वीप (एक मेडिकल लीजन/घाव) का मानचित्र बनाने की कोशिश कर रहे हैं। समस्या यह है कि कोहरा घना है, तटरेखा धुंधली है, और खोजकर्ता अक्सर एक-दूसरे से सहमत नहीं होते हैं। कोई कह सकता है कि द्वीप बड़े पत्थर पर समाप्त होता है; दूसरा कह सकता है कि यह पेड़ के आगे तक जाता है।

यह मेडिकल लीजन सेगमेंटेशन (medical lesion segmentation) की दैनिक वास्तविकता है। डॉक्टर अक्सर इस बात पर असहमत होते हैं कि एक ट्यूमर या असामान्यता वास्तव में कहाँ शुरू होती है और कहाँ समाप्त होती है क्योंकि छवियां स्पष्ट नहीं होती हैं।

वर्तमान मानचित्रों के साथ समस्या

इस शोध पत्र से पहले, कंप्यूटर प्रोग्राम जो इस समस्या को हल करने की कोशिश कर रहे थे, उनमें दो मुख्य कमियां थीं:

"रैंडम आर्टिस्ट" (यादृच्छिक कलाकार) दृष्टिकोण: कुछ प्रोग्राम सभी संभावनाओं को दिखाने के लिए कई अलग-अलग मानचित्र बनाने की कोशिश करते थे। लेकिन वे मानचित्र एक रैंडम कलाकार के अनुमान की तरह थे; वे विविधता तो दिखाते थे, लेकिन वे किसी वास्तविक डॉक्टर की विशिष्ट शैली या राय से मेल नहीं खाते थे। उनमें "वैयक्तिकरण" (personalization) की कमी थी।
"कॉपीकैट" (नकलची) दृष्टिकोण: अन्य प्रोग्राम किसी विशिष्ट डॉक्टर की पूरी तरह से नकल करने की कोशिश करते थे। यदि आप "डॉक्टर A का मानचित्र" मांगते थे, तो वह आपको डॉक्टर A के काम की एक प्रति देता था। लेकिन वह अन्य वैध संभावनाओं की कल्पना नहीं कर पाता था, और वह इस तथ्य को नहीं संभाल पाता था कि एक ही डॉक्टर भी अलग-अलग दिनों में चीजों को थोड़ा अलग देख सकता है। इसमें "विविधता" (diversity) की कमी थी।

यह शोध पत्र तर्क देता है कि हमें एक ऐसे सिस्टम की आवश्यकता है जो दोनों कर सके: कई तरह के संभावित मानचित्र उत्पन्न कर सके और उन मानचित्रों को किसी चुने हुए विशेषज्ञ की शैली से मेल खाने के लिए अनुकूलित कर सके।

समाधान: ProSeg (एक "डबल-ब्रेन" सिस्टम)

लेखक ProSeg नामक एक नया सिस्टम प्रस्तावित करते हैं। ProSeg को एक सुपर-स्मार्ट कार्टोग्राफर (मानचित्रकार) के रूप में सोचें जिसके पास दो अलग-अलग "दिमाग" (लेटेंट वेरिएबल्स) हैं जो मिलकर काम करते हैं:

दिमाग 1: "फॉग डिटेक्टर" (Variable Z - कोहरा पहचानने वाला)
- यह क्या करता है: यह दिमाग मेडिकल इमेज को देखता है। यह समझता है कि छवि धुंधली और अस्पष्ट है। यह पूछता है, "इस धुंधली तस्वीर को देखते हुए, द्वीप के आकार की कितनी संभावित आकृतियाँ हो सकती हैं?"
- उपमा: कल्पना कीजिए कि आप एक बादल को देख रहे हैं और उसमें एक खरगोश, एक ड्रैगन या एक नाव देख रहे हैं। यह दिमाग छवि में निहित उन सभी विभिन्न संभावनाओं को पकड़ता है। यह विविधता (diversity) पैदा करता है।
दिमाग 2: "डॉक्टर का व्यक्तित्व" (Variable τ - डॉक्टर का स्वभाव)
- यह क्या करता है: यह दिमाग उस विशिष्ट डॉक्टर (विशेषज्ञ) को देखता है जिसकी आप नकल करना चाहते हैं। यह उनकी "शैली" को सीखता है। क्या डॉक्टर A बड़े बॉर्डर बनाना पसंद करते हैं? क्या डॉक्टर B छोटी, तंग रेखाएं पसंद करते हैं?
- उपमा: कल्पना कीजिए कि आपके मन में एक विशिष्ट कलाकार है। यह दिमाग जानता है कि कलाकार A हमेशा मोटी रेखाओं का उपयोग करता है, जबकि कलाकार B पतली रेखाओं का। यह वैयक्तिकरण (personalization) को पकड़ता है।

यह मिलकर कैसे काम करता है

जब आप ProSeg से एक सेगमेंटेशन बनाने के लिए कहते हैं:

यह विभिन्न, संभावित आकृतियों का एक पूल बनाने के लिए दिमाग 1 का उपयोग करता है (विविधता)।
यह विशिष्ट डॉक्टर की प्राथमिकताओं से मेल खाने के लिए उन विकल्पों को फिल्टर करने या आकार देने के लिए दिमाग 2 का उपयोग करता है (वैयक्तिकरण)।

यदि आप एक ऐसा मानचित्र चाहते हैं जो डॉक्टर A द्वारा बनाया गया लगे, तो ProSeg सभी वैध आकृतियों को खोजने के लिए "फॉग डिटेक्टर" का उपयोग करता है, फिर डॉक्टर A द्वारा चुनी जाने वाली आकृतियों को चुनने के लिए "डॉक्टर के व्यक्तित्व" वाले फिल्टर का उपयोग करता है।
यदि आप किसी विशिष्ट डॉक्टर को चुने बिना सभी संभावनाओं को देखना चाहते हैं, तो यह "फॉग डिटेक्टर" और एक सामान्य "पर्सनैलिटी पूल" से नमूने लेता है ताकि वैध व्याख्याओं की एक विस्तृत श्रृंखला दिखाई जा सके।

परिणाम

लेखकों ने इस सिस्टम का परीक्षण दो वास्तविक-दुनिया के डेटासेट्स पर किया:

लंग नोड्यूल्स (LIDC-IDRI): एक ऐसा डेटासेट जहाँ डॉक्टरों की राय कुछ हद तक सुसंगत थी (जैसे वास्तविक डेटा से बनाए गए चार आभासी विशेषज्ञ)।
नेसोफेरिंजियल कार्सिनोमा (NPC): चार वास्तविक डॉक्टर जिनका बहुत अलग और विविध दृष्टिकोण था।

निष्कर्ष स्पष्ट थे:

ProSeg ने सभी पिछले तरीकों को पछाड़ दिया।
इसने ऐसे मानचित्र बनाए जो "रैंडम आर्टिस्ट" मॉडल की तुलना में अधिक विविध (वैध संभावनाओं की एक विस्तृत श्रृंखला दिखाकर) थे।
इसने "कॉपीकैट" मॉडल की तुलना में विशिष्ट डॉक्टरों के प्रति अधिक सटीक मानचित्र बनाए।
कठिन NPC डेटासेट में, जहाँ डॉक्टर सबसे अधिक असहमत थे, ProSeg उन अनूठे अंतरों को पकड़ने में विशेष रूप से अच्छा था और साथ ही धुंधली छवियों के अनुरूप भी था।

संक्षेप में

पिछले उपकरण या तो बहुत यादृच्छिक (random) थे या बहुत कठोर। ProSeg एक मास्टर कार्टोग्राफर की तरह है जो समझता है कि मानचित्र धुंधला है (अस्पष्टता) और वह बिल्कुल जानता है कि प्रत्येक विशिष्ट खोजकर्ता को इसे कैसे खींचना पसंद है (वरीयता)। यह आपको दोनों दुनियाओं का सर्वश्रेष्ठ देता है: वैध विकल्पों का एक संग्रह जिसे किसी भी विशेषज्ञ की शैली के अनुसार ढाला जा सकता है।

तकनीकी सारांश: नियंत्रणीय मेडिकल लीजन सेगमेंटेशन के लिए प्राथमिकता और अस्पष्टता का पृथक्करण

समस्या विवरण
मेडिकल लीजन सेगमेंटेशन स्वाभाविक रूप से इमेजिंग अनिश्चितता से चुनौतीपूर्ण है, जो चिकित्सा लक्ष्यों की अस्पष्ट सीमाओं, आर्टिफ़ेक्ट्स और अनियमित आकृतियों से उत्पन्न होती है। इस अनिश्चितता की एक महत्वपूर्ण अभिव्यक्ति इंटर-ऑब्जर्वर वेरिएबिलिटी (inter-observer variability) है, जहाँ विभिन्न विशेषज्ञ एक ही छवि के लिए अलग-अलग एनोटेशन प्रदान करते हैं। मल्टी-रेटर मेडिकल इमेज सेगमेंटेशन के मौजूदा दृष्टिकोण आम तौर पर दो सीमित श्रेणियों में आते हैं:

जेनरेशन विधियाँ (Generation methods): ये विविध सेगमेंटेशन परिणाम उत्पन्न करती हैं लेकिन विशेषज्ञ-विशिष्ट वैयक्तिकरण (expert-specific personalization) को कैप्चर करने में विफल रहती हैं, जिससे अक्सर ऐसे बदलाव उत्पन्न होते हैं जो वास्तविक विशेषज्ञ व्यवहार के समान नहीं होते।
वैयक्तिकरण विधियाँ (Personalization methods): ये व्यक्तिगत एनोटेटरों के आउटपुट की नकल करती हैं लेकिन विविध सेगमेंटेशन उत्पन्न करने की क्षमता में कमी रहती है, क्योंकि ये विशेषज्ञ की प्राथमिकताओं को हार्ड-कोड कर देती हैं और अंतर्निहित छवि अस्पष्टता (image ambiguity) को अनदेखा करती हैं।
क्राउडसोर्सिंग विधियाँ (Crowdsourcing methods): ये कई एनोटेशन को एक एकल मेटा-सेगमेंटेशन में एकत्रित करती हैं, जो एक एकल ग्राउंड ट्रुथ मानती हैं और विशेषज्ञ परिवर्तनशीलता के वितरण को मॉडल करने में विफल रहती हैं।

यह शोध पत्र साहित्य में एक अंतराल की पहचान करता है: कोई भी प्रभावी दृष्टिकोण नहीं है जो एक एकीकृत ढांचे के भीतर ऐसे सेगमेंटेशन परिणाम उत्पन्न करने में सक्षम हो जो विविध (diverse) (विशेषज्ञों की असहमति की सीमा को कैप्चर करना) और वैयक्तिकृत (personalized) (विशिष्ट विशेषज्ञ एनोटेशन के साथ संरेखित) दोनों हों।

कार्यप्रणाली: ProSeg
लेखक ProSeg (प्रोबेबिलिस्टिक मॉडलिंग ऑफ मल्टी-रेटर सेगमेंटेशन) प्रस्तावित करते हैं, जो विविधता और वैयक्तिकरण को एकीकृत करने के लिए डिज़ाइन किया गया एक प्रोबेबिलिस्टिक ग्राफिकल मॉडल (PGM) है। मुख्य नवाचार अनिश्चितता के स्रोतों को अलग करने के लिए दो निरंतर लेटेंट वेरिएबल्स (continuous latent variables) का परिचय करना है:

$\tau$ (टाऊ): यह विशेषज्ञ एनोटेटरों के बीच व्यक्तिपरक विविधताओं (inter-observer variability) को मॉडल करता है। इसे विशिष्ट विशेषज्ञ एनोटेटर $R$ से इनफर्ड (infer) किया जाता है।
$Z$ : यह मेडिकल स्कैन्स में अस्पष्टता (intra-image uncertainty) को मॉडल करता है। इसे देखे गए इमेज डेटा $X$ से इनफर्ड किया जाता है।

प्रोबेबिलिस्टिक फॉर्मूलेशन
ProSeg एनोटेशन ( $Y$ ), छवियों ( $x$ ), और विशेषज्ञों ( $R$ ) के संयुक्त वितरण $p(Y, x, R)$ को मॉडल करता है। मॉडल यह मानता है कि एनोटेशन लेटेंट वेरिएबल्स $\tau$ और $Z$ के आधार पर सशर्त रूप से उत्पन्न होते हैं।

जेनरेटिव प्रोसेस (Generative Process): मॉडल कंडीशनल डिस्ट्रीब्यूशन $p(y_{ri} | \tau_i, z_i)$ , $p(x | z_i)$ , और $p(r_i | \tau_i)$ को परिभाषित करता है।
वेरिएशनल इन्फरेंस (Variational Inference): चूंकि लेटेंट वेरिएबल्स के पोस्टीरियर डिस्ट्रीब्यूशन जटिल (intractable) होते हैं, इसलिए मॉडल $q(z_i | x)$ और $q(\tau | R)$ का उपयोग करके उन्हें अनुमानित करने के लिए वेरिएशनल इन्फरेंस का उपयोग करता है।
ट्रेनिंग ऑब्जेक्टिव (Training Objective): मॉडल को ELBO को मैक्सिमाइज करके प्रशिक्षित किया जाता है, जो देखे गए डेटा के नेगेटिव लॉग-लाइक्लीहुड (इमेज का पुनर्निर्माण, विशेषज्ञ का वर्गीकरण और सेगमेंटेशन सटीकता) को कम करता है और $\tau$ एवं $Z$ के पोस्टीरियर को उनके प्रायर ( $\tau$ के लिए डिरिचलेट और $Z$ के लिए गौसियन) से मिलाने के लिए रेगुलराइज करता है।

मॉडल आर्किटेक्चर
आर्किटेक्चर में पांच न्यूरल नेटवर्क मॉड्यूल शामिल हैं:

इमेज एनकोडर: इमेज $x$ से अस्पष्टता लेटेंट वेरिएबल $z$ को इनफर करता है।
इमेज डिकोडर: $z$ से इमेज को पुनर्गठित (reconstruct) करता है।
क्लास एम्बेडिंग: विशेषज्ञ प्राथमिकता लेटेंट वेरिएबल $\tau$ को विशेषज्ञ एनोटेटर $R$ से इनफर करता है।
क्लासिफायर: $\tau$ से विशेषज्ञ एनोटेटर की भविष्यवाणी करता है।
सेगमेंटेशन प्रेडिक्टर: $\tau_i$ और $z_i$ दोनों पर आधारित होकर सेगमेंटेशन $y_{ri}$ उत्पन्न करता है।

नियंत्रण तंत्र (Control Mechanisms)

वैयक्तिकरण (Personalization): एक विशेष विशेषज्ञ $r$ को निर्दिष्ट करके, मॉडल $q(\tau | r)$ से $\tau$ को सैंपल करता है, जिससे उस विशिष्ट विशेषज्ञ की शैली के अनुरूप सेगमेंटेशन उत्पन्न होता है, जबकि $z$ की सैंपलिंग के माध्यम से विविधता बनी रहती है।
विविधता (Diversity): विशिष्ट विशेषज्ञ के पोस्टीरियर के बजाय प्रायर डिस्ट्रीब्यूशन $p(\tau)$ (डिरिचलेट) से $\tau$ को सैंपल करके, मॉडल विशेषज्ञ परिवर्तनशीलता के पूरे स्पेक्ट्रम का प्रतिनिधित्व करने वाले विविध सेगमेंटेशन परिणाम उत्पन्न करता है।

प्रायोगिक परिणाम
लेखकों ने दो बेंचमार्क डेटासेट पर ProSeg का मूल्यांकन किया:

LIDC-IDRI: एक लंग नोड्यूल डेटासेट जिसमें प्रति इमेज चार विशेषज्ञ एनोटेशन हैं।
NPC: एक नैसोफेरिंगी कैंसर (nasopharyngeal carcinoma) डेटासेट, जिसमें चार वास्तविक रेडियोलॉजिस्ट हैं, जो प्राथमिकताओं में उच्च परिवर्तनशीलता प्रदर्शित करते हैं।

मुख्य मेट्रिक्स:

विविधता (Diversity): जेनरालाइज्ड एनर्जी डिस्टेंस (GED) और सॉफ्ट डाइस ( $D_{soft}$ ) द्वारा मापा गया।
वैयक्तिकरण (Personalization): मैच डाइस ( $D_{match}$ ), मैक्सिमम डाइस ( $D_{max}$ ), और विशिष्ट विशेषज्ञों के विरुद्ध औसत डाइस स्कोर ( $D_{mean}$ ) द्वारा मापा गया।

निष्कर्ष:

ProSeg ने दोनों डेटासेट पर स्टेट-ऑफ-द-आर्ट (SOTA) प्रदर्शन हासिल किया।
LIDC-IDRI पर, ProSeg ने सबसे कम GED (0.1152) और उच्चतम $D_{soft}$ (91.53%) प्राप्त किया, जो जेनरेशन मेथड्स (जैसे प्रोबेबिलिस्टिक U-Net) और पर्सनलाइजेशन मेथड्स (जैसे TAB, Pionono) से बेहतर है।
अधिक चुनौतीपूर्ण NPC डेटासेट पर, ProSeg ने GED के मामले में पिछले SOTA पर्सनलाइजेशन मेथड्स की तुलना में विविधता प्रदर्शन में 20.71% का सुधार किया, जबकि उच्च पर्सनलाइजेशन सटीकता ( $D_{mean} = 82.07\%$ ) बनाए रखी।
एब्लेशन स्टडीज (Ablation studies) ने पुष्टि की कि दोनों लेटेंट वेरिएबल्स महत्वपूर्ण हैं; $\tau$ या $Z$ में से किसी एक को हटाने से प्रदर्शन में महत्वपूर्ण गिरावट आई।
विजुअल विश्लेषण ने प्रदर्शित किया कि ProSeg ऐसे सेगमेंटेशन उत्पन्न करता है जो विविध होने के साथ-साथ विशेषज्ञ एनोटेशन के "गोल्ड स्टैंडर्ड" वितरण के साथ निकटता से संरेखित हैं, जबकि अन्य विधियाँ या तो विविधता की कमी रखती हैं या विशिष्ट विशेषज्ञ प्राथमिकताओं को बनाए रखने में विफल रहती हैं।

महत्व और दावे
यह शोध पत्र दावा करता है कि ProSeg मल्टी-रेटर लीजन सेगमेंटेशन के लिए विविधता और वैयक्तिकरण मॉडलिंग को एकीकृत करने वाला पहला प्रोबेबिलिस्टिक मॉडलिंग फ्रेमवर्क है। इन पहलुओं को एक ही प्रोबेबिलिस्टिक फ्रेमवर्क के भीतर संयुक्त रूप से सीखकर, ProSeg उन सीमाओं को संबोधित करता है जहाँ मौजूदा विधियाँ विविधता और वैयक्तिकरण को परस्पर अनन्य (mutually exclusive) मानती हैं या मल्टी-स्टेज ट्रेनिंग की आवश्यकता होती है। लेखक का तर्क है कि ProSeg एक सामान्यीकरण योग्य ढांचा प्रदान करता है जिसे अन्य मल्टी-रेटर मेडिकल इमेज सेगमेंटेशन कार्यों के लिए विस्तारित किया जा सकता है, जो क्लिनिकल डायग्नोसिस में अंतर्निहित अनिश्चितता और परिवर्तनशीलता को संभालने के लिए एक मजबूत समाधान प्रदान करता है। यह कार्य इस बात पर प्रकाश डालता है कि विश्वसनीय और क्लिनिकली प्रासंगिक सेगमेंटेशन आउटपुट उत्पन्न करने के लिए इमेज की अस्पष्टता और एनोटेटर की व्यक्तिपरकता दोनों को कैप्चर करना आवश्यक है।

वर्तमान मानचित्रों के साथ समस्या

समाधान: ProSeg (एक "डबल-ब्रेन" सिस्टम)

यह मिलकर कैसे काम करता है

परिणाम

संक्षेप में

इसी तरह के और पेपर