Opportunistic Promptable Segmentation: Leveraging Routine Radiological Annotations to Guide 3D CT Lesion Segmentation
यह शोध पत्र SAM2CT प्रस्तुत करता है, जो एक नवीन प्रॉम्प्टेबल सेगमेंटेशन मॉडल है जो PACS में संग्रहीत नियमित रेडियोलॉजिकल एनोटेशन (जैसे कि तीर और रेखाएं) का लाभ उठाकर स्वचालित रूप से उच्च-गुणवत्ता वाले 3D CT लीजन सेगमेंटेशन उत्पन्न करता है, जो व्यापक मैनुअल प्रयास के बिना बड़े पैमाने पर एनोटेटेड मेडिकल डेटासेट बनाने के लिए एक स्केलेबल समाधान प्रदान करता है।
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
एक विशाल मेडिकल सीटी स्कैन लाइब्रेरी की कल्पना करें, जैसे कि मानव शरीर की 3D फिल्मों से भरा एक विशाल गोदाम। इस गोदाम (जिसे PACS कहा जाता है) के अंदर, रेडियोलॉजिस्ट वर्षों से काम कर रहे हैं। जब उन्हें कुछ दिलचस्प मिलता है, जैसे कि कोई ट्यूमर या सिस्ट, तो वे केवल उसे लिख नहीं देते; वे अक्सर उस पर इशारा करने के लिए छोटे तीर (arrows) बनाते हैं या उसका आकार मापने के लिए रेखाएं खींचते हैं। ये चित्र डिजिटल रूपनों के रूप में "GSPS" ऑब्जेक्ट्स के रूप में संग्रहीत किए जाते हैं।
लंबे समय तक, ये चित्र केवल नोट्स मात्र थे। वे 3D मूवी से अलग थे। एक 2D तीर या रेखा को पूर्ण 3D "मास्क" (पूरी वस्तु का डिजिटल आउटलाइन) में बदलने के लिए, एक रेडियोलॉजिस्ट को आमतौर पर एक स्लाइस-दर-स्लाइस पूरी चीज़ को मैन्युअल रूप से ट्रेस करने के लिए बैठना पड़ता था। यह एक केक की तस्वीर वाली रेसिपी होने जैसा है, लेकिन हर बार जब आप अंतिम उत्पाद देखना चाहते हैं, तो आपको केक को शुरू से बनाना पड़ता है। यह धीमा, महंगा और उबाऊ है।
बड़ा विचार: "ऑपर्चुनिस्टिक प्रॉम्प्टेबल सेगमेंटेशन" (Opportunistic Promptable Segmentation)
इस शोध के लेखकों ने एक चतुर तरकीब निकाली। उन्होंने पूछा: क्या होगा यदि हम उन पुराने तीरों और रेखाओं को "प्रॉम्प्ट" के रूप में उपयोग कर सकें ताकि स्वचालित रूप से पूर्ण 3D आकार बनाया जा सके?
वे इसे "ऑपर्चुनिस्टिक प्रॉम्प्टेबल सेगमेंटेशन" कहते हैं। इसे एक खजाने के नक्शे के रूप में सोचें जहाँ किसी ने पहले ही एक "X" और एक रेखा खींची है। बजाय इसके कि आप हर जगह खुदाई करें, आप बस उस "X" का उपयोग करते हैं ताकि आप एक रोबोट को ठीक से बता सकें कि कहाँ खुदाई करनी है, और रोबोट तुरंत पूरा खजाना बाहर निकाल देता है।
नया टूल: SAM2CT
इस काम को करने के लिए, शोधकर्ताओं ने SAM2CT नामक एक नया AI मॉडल बनाया है। आप SAM2CT को एक बहुत ही स्मार्ट रोबोट शेफ के रूप में देख सकते हैं।
- पुराना तरीका: यदि आप चाहते थे कि शेफ टर्की (turkey) को काटे, तो आपको उन्हें पूरा पक्षी दिखाना पड़ता और उन्हें बताना पड़ता कि हर कट कहाँ लगाना है।
- SAM2CT का तरीका: आप बस अपनी उंगली (तीर) से टर्की की ओर इशारा करते हैं या रूलर से ब्रेस्ट की चौड़ाई मापते हैं (रेखा)। शेफ उस सरल निर्देश को देखता है और आपके लिए तुरंत पूरी 3D टर्की काट देता है।
यह कैसे काम करता है (सीक्रेट सॉस)
यह मॉडल एक प्रसिद्ध AI जिसे SAM2 कहा जाता है, पर आधारित है, लेकिन शोधकर्ताओं ने मेडिकल स्कैन को संभालने के लिए इसे दो विशेष अपग्रेड दिए हैं:
- तीरों और रेखाओं को समझना: मानक AI मॉडल केवल डॉट्स या बॉक्स समझते हैं। SAM2CT को उन विशिष्ट तीरों और माप रेखाओं को समझने के लिए सिखाया गया था जिनका रेडियोलॉजिस्ट रोज़ाना उपयोग करते हैं।
- "मेमोरी" ट्रिक (MCM): कल्पना करें कि आप एक 3D वस्तु को स्लाइस-दर-स्लाइस देख रहे हैं। यदि आप केवल वर्तमान स्लाइस को देखते हैं, तो आप यह ट्रैक खो सकते हैं कि वस्तु कुछ स्लाइस बाद कैसी दिखेगी। SAM2CT एक "मेमोरी-कंडीशन्ड मेमोरी" सिस्टम का उपयोग करता है। यह एक शेफ की तरह है जो अभी-अभी देखी गई आकृति का मानसिक नोट रखता है, ताकि जब वह अगले स्लाइस पर जाए, तो उसे याद रहे, "ओह, टर्की यहाँ चौड़ी हो रही है," जिससे 3D आकार चिकना और सटीक बना रहे।
जब उन्होंने इसे आज़माया तो क्या हुआ?
शोधकर्ताओं ने इस नए रोबोट शेफ का दो तरीकों से परीक्षण किया:
- मानक परीक्षणों पर: उन्होंने इसे ज्ञात डेटासेट्स में डाला जहाँ "सही" 3D आकार पहले से ही ज्ञात थे। SAM2CT इस खेल में सर्वश्रेष्ठ था, जिसने अन्य AI मॉडलों को पीछे छोड़ दिया। इसने तीरों के साथ लगभग 65% बार और रेखाओं के साथ 76% बार सही आकार बनाए।
- वास्तविक अस्पताल डेटा पर: वे एक वास्तविक अस्पताल के डिजिटल गोदाम में गए और रेडियोलॉजिस्ट द्वारा खींची गई तीरों और रेखाओं वाले 60 पुराने CT स्कैन लिए। उन्होंने SAM2CT को उन रेखाओं से 3D मास्क बनाने दिया।
- परिणाम: 87% मामलों में, रेडियोलॉजिस्टों ने कहा, "यह उपयोग करने के लिए पर्याप्त अच्छा है," या "इसमें बस एक मामूली सुधार की आवश्यकता है।" केवल 13% में बड़े बदलाव की आवश्यकता थी।
- इमरजेंसी रूम का सरप्राइज: उन्होंने इमरजेंसी रूम के स्कैन पर भी परीक्षण किया (जिसे मॉडल ने पहले कभी नहीं देखा था)। इसने पित्त की पथरी (gallstones) और सिस्ट जैसी चीजों को खोजने में आश्चर्यजनक रूप से अच्छा काम किया, भले ही इसे विशेष रूप से इनके लिए प्रशिक्षित नहीं किया गया था।
यह क्यों मायने रखता है
यह पेपर दावा करता है कि यह विधि एक "उम्मीद जगाने वाला और स्केलेबल दृष्टिकोण" है। इसका अर्थ है कि अस्पताल अब अपने आर्काइव्स में रखे हजारों CT स्कैन, जिनमें रेडियोलॉजिस्ट द्वारा पहले से ही खींचे गए छोटे तीर और रेखाएं मौजूद हैं, उन्हें स्वचालित रूप से विशाल 3D ट्रेनिंग डेटा लाइब्रेरी में बदल सकते हैं।
निष्कर्ष
रेडियोलॉजिस्ट को 3D आकृतियों को मैन्युअल रूप से ट्रेस करने में घंटों बिताने के लिए भुगतान करने के बजाय, यह नया AI उनके द्वारा पहले से बनाए गए त्वरित नोट्स और माप को देख सकता है, और तुरंत उनके लिए 3D मॉडल बना सकता है। यह "अपशिष्ट" डेटा (पुराने नोट्स) को मूल्यवान सोने (3D ट्रेनिंग सेट्स) में बदल देता है, जिससे समय और पैसा बचता है और बेहतर मेडिकल AI बनाने में मदद मिलती है।
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।