💻 computer science

DMD-augmented Unpaired Neural Schrödinger Bridge for Ultra-Low Field MRI Enhancement

यह शोध पत्र एक DMD-संवर्धित अनपेयर्ड न्यूरल श्रोडिंगर ब्रिज फ्रेमवर्क प्रस्तावित करता है जो डिफ्यूजन-गाइडेड डिस्ट्रीब्यूशन मैचिंग और एनाटॉमिकल स्ट्रक्चर प्रिजर्वेशन का लाभ उठाकर अल्ट्रा-लो फील्ड (64 mT) एमआरआई इमेज की गुणवत्ता को बढ़ाता है ताकि अनपेयर्ड 64 mT स्कैन को 3 T गुणवत्ता में अनुवादित करने के लिए बेहतर यथार्थवाद और संरचनात्मक निष्ठा प्राप्त की जा सके।

मूल लेखक: Youngmin Kim, Jaeyun Shin, Jeongchan Kim, Taehoon Lee, Jaemin Kim, Peter Hsu, Jelle Veraart, Jong Chul Ye

प्रकाशित 2026-03-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Youngmin Kim, Jaeyun Shin, Jeongchan Kim, Taehoon Lee, Jaemin Kim, Peter Hsu, Jelle Veraart, Jong Chul Ye

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 आपके पास एक बहुत पुरानी, दानेदार (grainy), ब्लैक-एंड-व्हाइट तस्वीर है जो दूर से ली गई किसी शहर की है। आप इमारतों का सामान्य आकार देख सकते हैं, लेकिन विवरण धुंधले हैं, कंट्रास्ट फीका है, और यह बताना मुश्किल है कि कोई पार्क है या पार्किंग लॉट। अब, कल्पना कीजिए कि आप उस फोटो को एक स्पष्ट, हाई-डेफिनिशन, फुल-कलर 4K इमेज में बदलना चाहते हैं, लेकिन आपके पास उस उच्च-गुणवत्ता वाली फोटो का मूल स्रोत नहीं है जिससे आप तुलना कर सकें। आपके पास केवल विभिन्न शहरों की अन्य उच्च-गुणवत्ता वाली तस्वीरों का ढेर है।

यह बिल्कुल वही समस्या है जिसका सामना डॉक्टर अल्ट्रा-लो फील्ड (64 mT) एमआरआई स्कैनर के साथ करते हैं। ये मशीनें सस्ती, पोर्टेबल और उपयोग में आसान होती हैं (ग्रामीण क्षेत्रों या आपातकालीन कक्षों के लिए बेहतरीन), लेकिन इनके द्वारा बनाई गई छवियां उस दानेदार फोटो की तरह होती हैं: धुंधली और विवरणों से रहित। डॉक्टरों को सटीक निदान करने के लिए महंगे 3T एमआरआई स्कैनर जैसी स्पष्ट और विस्तृत छवियों की आवश्यकता होती है।

यह शोध पत्र एक नया "AI जादू" प्रस्तुत करता है जो धुंधली लो-फील्ड छवियों को स्पष्ट, उच्च-गुणवत्ता वाली छवियों में बदल देता है, भले ही AI ने कभी भी एक ही मरीज की "धुंधली बनाम स्पष्ट" जोड़ी को न देखा हो।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. समस्या: "अनपेयर्ड" (Unpaired) पहेली

आमतौर पर, कंप्यूटर को एक धुंधली छवि को ठीक करना सिखाने के लिए, आप उसे हजारों जोड़ियाँ दिखाते हैं: "यह धुंधला संस्करण है, और यह उसी चीज़ का स्पष्ट संस्करण है।"

वास्तविकता: चिकित्सा में, यह लगभग असंभव है कि किसी मरीज को एक सस्ते 64 mT स्कैनर में ले जाया जाए और फिर तुरंत एक विशाल 3T स्कैनर में ताकि एक सटीक मिलान प्राप्त हो सके। मरीज हिल जाते हैं, प्रोटोकॉल बदल जाते हैं, और डेटा मेल नहीं खाता।
चुनौती: AI को यह सीखना होगा कि एक "स्पष्ट मस्तिष्क" कैसा दिखता है, इसके लिए उसे स्पष्ट मस्तिष्क (3T स्कैनर से) के पुस्तकालय और धुंधले मस्तिष्क (64 mT स्कैनर से) के पुस्तकालय का अध्ययन करना होगा, बिना यह जाने कि कौन सा धुंधला मस्तिष्क किस स्पष्ट मस्तिष्क से संबंधित है।

2. समाधान: एक बहु-चरणीय यात्रा (द श्रोडिंगर ब्रिज)

एक ही छलांग में धुंधली छवि को स्पष्ट छवि में बदलने की कोशिश करने के बजाय (जिससे अक्सर अजीब विकृतियाँ पैदा होती हैं), लेखक एक विधि का उपयोग करते हैं जिसे न्यूरल श्रोडिंगर ब्रिज (Neural Schrödinger Bridge) कहा जाता है।

उपमा: कल्पना कीजिए कि आप एक धुंधले जंगल (धुंधली छवि) से एक धूप वाले मैदान (स्पष्ट छवि) तक जाने की कोशिश कर रहे हैं।
पुराना तरीका: आप तुरंत टेलीपोर्ट करने की कोशिश करते हैं। आप गलत मैदान में पहुँच सकते हैं या दलदल में फंस सकते हैं।
नया तरीका: आप छोटे, सावधानीपूर्ण कदम उठाते हैं। प्रत्येक चरण में, आप अपने परिवेश की जाँच करते हैं, अपना रास्ता समायोजित करते हैं, और थोड़ा और स्पष्ट होते जाते हैं। जब तक आप अंतिम कदम उठाते हैं, आप पूरी तरह से धूप वाले मैदान में होते हैं, और आपने अपना रास्ता नहीं खोया होता है। यह "बहु-चरणीय परिशोधन" (multi-step refinement) यह सुनिश्चित करता है कि मस्तिष्क की शारीरिक रचना (पहाड़ियों और घाटियों का आकार) बिल्कुल वहीं रहे जहाँ उसे होना चाहिए, भले ही छवि अधिक स्पष्ट हो रही हो।

3. गुप्त नुस्खा: "फ्रोजन टीचर" (DMD2)

इस चरण-दर-चरण दृष्टिकोण के बावजूद, AI छवि को बहुत अधिक "परफेक्ट" या अजीब तरह से चिकना बना सकता है, जिससे मानव ऊतकों (human tissue) की वास्तविक बनावट खो सकती है। इसे ठीक करने के लिए, उन्होंने एक डिफ्यूजन-गाइडेड टीचर (Diffusion-Guided Teacher) जोड़ा है।

उपमा: इस प्रक्रिया को एक छात्र कलाकार के रूप में सोचें जो एक पोर्ट्रेट पेंट करने की कोशिश कर रहा है।
- छात्र वह AI है जो धुंधली छवि को सुधारने की कोशिश कर रहा है।
- शिक्षक एक मास्टर पेंटर है जिसने हजारों वास्तविक, उच्च-गुणवत्ता वाले 3T मस्तिष्क स्कैन का अध्ययन किया है।
- महत्वपूर्ण बात यह है कि शिक्षक "फ्रोजन" (जमा हुआ/स्थिर) है। छात्र को शिक्षक को बदलने की अनुमति नहीं है; शिक्षक बस गलतियाँ बताता है।
यह कैसे काम करता है: यात्रा के हर चरण में, शिक्षक छात्र की वर्तमान पेंटिंग को देखता है और कहता है, "हे, इस त्वचा की बनावट असली त्वचा जैसी नहीं दिख रही है। यह बहुत चिकनी है। यहाँ कुछ दाने (grain) जोड़ो।" छात्र फिर छवि को वास्तविकता के शिक्षक के "वाइब" (vibe) से मेल खाने के लिए समायोजित करता है। यह सुनिश्चित करता है कि अंतिम छवि एक वास्तविक मानव मस्तिष्क की तरह दिखे, न कि एक प्लास्टिक के खिलौने की तरह।

4. सुरक्षा जाल: शरीर रचना को सुरक्षित रखना (ASP)

AI इमेज एन्हांसमेंट में एक बड़ा जोखिम है: हैलुसिनेशन (Hallucination)। AI यह तय कर सकता है कि वहां एक ट्यूमर है जो वास्तव में नहीं है, या वह एक रक्त वाहिका को हटा सकता है क्योंकि उसे लगता है कि वह केवल "शोर" (noise) है। चिकित्सा में, यह खतरनाक है।

उपमा: कल्पना कीजिए कि AI एक मूर्तिकार है। वह मिट्टी के एक खुरदरे ब्लॉक को एक मूर्ति में बदलना चाहता है।
समस्या: कभी-कभी मूर्तिकार बहुत अधिक रचनात्मक हो जाते हैं और मूर्ति का आकार ही बदल देते हैं।
समाधान: लेखकों ने एनाटॉमिकल स्ट्रक्चर प्रिजर्वेशन (ASP) नामक एक नियम जोड़ा है। यह एक सुरक्षा हार्नेस (safety harness) की तरह है। यह मूर्तिकार को बताता है: "आप सतह को चिकना कर सकते हैं और विवरण जोड़ सकते हैं, लेकिन आप नाक को नहीं हिला सकते, आप आँखें नहीं हटा सकते, और आप सिर को बड़ा नहीं कर सकते।"
यह विशेष रूप से मस्तिष्क के किनारों की जाँच करता है ताकि यह सुनिश्चित हो सके कि AI गलती से मस्तिष्क और खोपड़ी के बीच की सीमा को धुंधला न कर दे।

परिणाम

जब उन्होंने इस प्रणाली का परीक्षण किया:

यथार्थवाद (Realism): छवियां पिछले तरीकों की तुलना में वास्तविक 3T स्कैन (धूप वाला मैदान) की तरह बहुत अधिक दिखीं।
सटीकता (Accuracy): मस्तिष्क की संरचनाएं (मूर्ति का आकार) मूल धुंधले स्कैन में बिल्कुल वहीं रहीं। कोई नकली ट्यूमर नहीं, कोई गायब हिस्सा नहीं।
बहुमुखी प्रतिभा (Versatility): यह तब भी अच्छी तरह से काम किया जब AI को परीक्षण किए गए डेटा से पूरी तरह से अलग सेटों पर प्रशिक्षित किया गया था।

सारांश

लेखकों ने एक स्मार्ट AI बनाया है जो एक गाइडेड टूर गाइड की तरह कार्य करता है। यह एक मरीज के धुंधले, कम-गुणवत्ता वाले एमआरआई स्कैन को लेता है और धीरे-धीरे उसे सुधारों के दौर से गुजारता है। इस यात्रा के दौरान, यह सुनिश्चित करने के लिए कि बनावट वास्तविक दिखे, यह एक "फ्रोजन एक्सपर्ट" से परामर्श करता है, और यह सुनिश्चित करने के लिए कि मस्तिष्क का आकार कभी विकृत न हो, यह एक "सुरक्षा हार्नेस" पहनता है। यह उच्च गुणवत्ता वाली ब्रेन इमेजिंग को उन अस्पतालों के लिए सुलभ बना सकता है जो विशाल, महंगे एमआरआई मशीनों को वहन नहीं कर सकते।

यहाँ "DMD-augmented Unpaired Neural Schrödinger Bridge for Ultra-Low Field MRI Enhancement" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

संदर्भ: अल्ट्रा-लो फील्ड (ULF) MRI सिस्टम (जैसे 64 mT) मानक हाई-फील्ड (3 T) स्कैनर की तुलना में सुलभता और लागत के मामले में महत्वपूर्ण लाभ प्रदान करते हैं। हालाँकि, वे लो सिग्नल-टू-नॉइज़ रेशियो (SNR) से ग्रस्त होते हैं, जिसके परिणामस्वरूप शारीरिक संरचनाएं धुंधली हो जाती हैं और ऊतक कंट्रास्ट (tissue contrast) कमजोर हो जाता है, जो नैदानिक विश्वसनीयता में बाधा डालता है।
चुनौती: लक्ष्य 64 mT छवियों को उच्च गुणवत्ता वाली 3 T जैसी छवियों में परिवर्तित करना है।

पेयर्ड डेटा की कमी (Paired Data Scarcity): प्रोटोकॉल भिन्नता और हार्डवेयर अंतरों के कारण स्थानिक रूप से पंजीकृत (spatially registered) 64 mT–3 T स्कैन युग्मों को प्राप्त करना कठिन है।
अनपेयर्ड सीमाएँ (Unpaired Limitations): मौजूदा अनपेयर्ड ट्रांसलेशन विधियाँ (जैसे CycleGAN, CUT) अक्सर शारीरिक विरूपण (anatomical distortion) या संरचनात्मक मतिभ्रम (structural hallucination) (इनपुट में मौजूद न होने वाली विशेषताओं को उत्पन्न करना) से ग्रस्त होती हैं, जो चिकित्सा इमेजिंग में अस्वीकार्य है जहाँ संरचनात्मक निष्ठा (structural fidelity) सर्वोतम है।
वितरण संरेखण (Distribution Alignment): मानक अनपेयर्ड विधियाँ अक्सर 3 T इमेजिंग की पूरी जटिलता (सूक्ष्म ऊतक कंट्रास्ट, बारीक विवरण) को कैप्चर करने में विफल रहती हैं क्योंकि वे सिंगल-स्टेप एडवरसेरियल सिग्नल्स पर निर्भर करती हैं जो जटिल वितरण मिलान के लिए अपर्याप्त हैं।

2. कार्यप्रणाली (Methodology)

लेखक DMD2-शैली के डिफ्यूजन गाइडेंस और एक नवीन एनाटॉमिकल स्ट्रक्चर प्रिजर्वेशन (ASP) रेगुलराइज़र को एकीकृत करके Unpaired Neural Schrödinger Bridge (UNSB) को उन्नत करने वाला एक फ्रेमवर्क प्रस्तावित करते हैं।

A. मुख्य फ्रेमवर्क: मल्टी-स्टेप स्टोकेस्टिक ट्रांसपोर्ट

एक डायरेक्ट वन-स्टेप मैपिंग के बजाय, यह विधि $K$ रिफाइनमेंट स्टेप्स ( $t_0$ से $t_K$ ) के माध्यम से एक स्टोकेस्टिक ट्रांसपोर्ट प्रक्रिया (Schrödinger Bridge) के रूप में ट्रांसलेशन को मॉडल करती है।

प्रक्रिया: लो-फील्ड इनपुट $x$ से शुरू करते हुए, जनरेटर $G_\theta$ प्रत्येक चरण में एक लक्षित सैंपल का अनुमान लगाता है। वर्तमान अवस्था को वर्तमान स्थिति और भविष्यवाणी के बीच स्टोकेस्टिक इंटरपोलेशन के माध्यम से अपडेट किया जाता है, जिससे छवि धीरे-धीरे 3 T वितरण की ओर परिष्कृत होती है।
अनुमान (Inference): एनाटॉमिकल कंसिस्टेंसी सुनिश्चित करने के लिए इन्फरेंस के दौरान नियत (deterministic) रिफाइनमेंट का उपयोग किया जाता है (शोर को शून्य पर सेट किया जाता है)।

B. DMD2-ऑगमेंटेड एडवरसेरियल लॉस

बिना पेयर्ड डेटा के लक्षित 3 T वितरण के साथ संरेखण में सुधार के लिए, लेखक मानक एडवरसेरियल लॉस को डिफ्यूजन-गाइडेड डिस्ट्रीब्यूशन मैचिंग (DMD2) के साथ बढ़ाते हैं।

तंत्र: एक फ्रोज़न डिफ्यूजन टीचर ( $\mu_{real}$ ), जो वास्तविक 3 T स्कैन पर प्री-ट्रेन्ड है, सूचनात्मक स्कोर-आधारित ग्रेडिएंट प्रदान करता है।
उद्देश्य: प्रत्येक रिफाइनमेंट स्टेप पर, यह विधि डिफ्यूज्ड जेनरेटेड सैंपल्स और डिफ्यूज्ड रियल 3 T डिस्ट्रीब्यूशन के बीच कुलबैक-लीब्लर (KL) डाइवर्जेंस को कम करती है।
लाभ: यह एक मानक डिस्क्रिमिनेटर की तुलना में अधिक मजबूत, डिस्ट्रीब्यूशन-लेवल सिग्नल प्रदान करता है, जो जनरेटर को वास्तविक ऊतक कंट्रास्ट और बारीक विवरण बनाने के लिए निर्देशित करता है जो लक्षित मैनिफोल्ड से मेल खाते हैं।

C. एनाटॉमिकल स्ट्रक्चर प्रिजर्वेशन (ASP) रेगुलराइज़र

यह सुनिश्चित करने के लिए कि आउटपुट इनपुट की विशिष्ट एनाटॉमी को बनाए रखे और संरचनात्मक मतिभ्रम (hallucinations) को रोकने के लिए, लेखक PatchNCE को एक नए ASP लॉस के साथ जोड़ते हैं।

फोरग्राउंड-बैकग्राउंड कंसिस्टेंसी: ASP लॉस इनपुट के आधार पर कॉन्फिडेंट फोरग्राउंड और बैकग्राउंड क्षेत्रों (trimap) को परिभाषित करने के लिए एक सॉफ्ट मास्क फंक्शन का उपयोग करता है। यह लागू करता है कि जेनरेटेड आउटपुट उसी फोरग्राउंड-बैकग्राउंड सेपरेशन को बनाए रखे।
बाउंड्री-अवेयर कंस्ट्रेंट: एक नॉर्मलाइज्ड सरफेस डिस्टेंस (NSD) शैली के टर्म का उपयोग करते हुए, विधि उन किनारों (edges) को दंडित करती है जो इनपुट बाउंड्री से बहुत दूर चले जाते हैं।
फॉर्मूला: $L_{Reg} = L_{PatchNCE} + L_{ASP}$ , जहाँ $L_{ASP}$ कॉन्फिडेंट क्षेत्रों पर वेटेड बाइनरी क्रॉस एंट्रॉपी और एक बाउंड्री प्रिसिजन टर्म को जोड़ता है।

D. समग्र उद्देश्य (Overall Objective)

प्रत्येक चरण $k$ पर कुल लॉस निम्नलिखित को जोड़ता है:

DMD2-ऑगमेंटेड एडवरसेरियल लॉस ( $L_{DM}$ ): इसमें मानक एडवरसेरियल लॉस + DMD2 डिस्ट्रीब्यूशन मैचिंग शामिल है।
Schrödinger Bridge लॉस ( $L_{SB}$ ): एक वैध स्टोकेस्टिक ट्रजेक्टरी एलाइनमेंट सुनिश्चित करता है।
रेगुलराइजेशन ( $L_{Reg}$ ): PatchNCE और ASP के माध्यम से संरचनात्मक निष्ठा को लागू करता है।

3. प्रमुख योगदान (Key Contributions)

मेडिकल इमेजिंग के लिए DMD2 एकीकरण: बिना पेयर्ड डेटा के बेहतर डिस्ट्रीब्यूशन एलाइनमेंट प्रदान करने के लिए फ्रोजन टीचर मॉडल का उपयोग करते हुए, अनपेयर्ड मेडिकल इमेज ट्रांसलेशन के लिए DMD2-शैली के डिफ्यूजन-गाइडेड डिस्ट्रीब्यूशन मैचिंग का पहला अनुप्रयोग।
एनाटॉमिकल स्ट्रक्चर प्रिजर्वेशन (ASP): एक नवीन रेगुलराइज़र जो स्पष्ट रूप से ग्लोबल फोरग्राउंड-बैकग्राउंड कंसिस्टेंसी और बाउंड्री एलाइनमेंट को नियंत्रित करता है, जो अनपेयर्ड मॉडल्स के संरचनात्मक मतिभ्रम (hallucinating anatomy) वाले सामान्य फेलियर मोड को संबोधित करता है।
रोबस्ट अनपेयर्ड फ्रेमवर्क: एक एकीकृत फ्रेमवर्क जो उच्च यथार्थवाद (डिस्ट्रीब्यूशन मैचिंग) प्राप्त करता है जबकि विषय-विशिष्ट एनाटॉमी को सख्ती से संरक्षित करता है, जिसे अलग-अलग कोहॉर्ट्स पर सत्यापित किया गया है।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन दो स्वतंत्र कोहॉर्ट्स पर किया गया:

डेटासेट: 64 mT स्कैन (Zenodo, $n=86$ ) और 3 T स्कैन (IXI, $n=181$ )।
बेसलाइन्स: CycleGAN, CUT, RegGAN, SDEdit, SynDiff, INR-Based, और मूल UNSB के विरुद्ध तुलना की गई।

मात्रात्मक निष्कर्ष (Quantitative Findings):

अनपेयर्ड यथार्थवाद (Unpaired Realism): प्रस्तावित विधि ने सभी विधियों में सर्वश्रेष्ठ FID (18.99) और Rad-FID (0.2516) प्राप्त किया, जो लक्षित 3 T पूल की तुलना में श्रेष्ठ डिस्ट्रीब्यूशन-लेवल यथार्थवाद को दर्शाता है।
पेयर्ड फिडेलिटी (Paired Fidelity): एक होल्ड-आउट पेयर्ड टेस्ट सेट पर (जो ट्रेनिंग से अलग है), विधि ने उच्चतम PSNR (T1 के लिए 24.05 dB) और MS-SSIM (T1 के लिए 0.9345) प्राप्त किया, जो मूल UNSB सहित सभी बेसलाइन्स से बेहतर है।
एब्लेशन (Ablation): DMD2 जोड़ने से यथार्थवाद मेट्रिक्स में सुधार हुआ, जबकि ASP जोड़ने से संरचनात्मक निष्ठा में सुधार हुआ। पूर्ण मॉडल सर्वोत्तम संतुलन प्रदान करता है।

गुणात्मक निष्कर्ष (Qualitative Findings):

विजुअल तुलनाओं ने दिखाया कि प्रस्तावित विधि शार्प टिश्यू इंटरफेस और अधिक यथार्थवादी 3 T-जैसे टेक्सचर बनाती है।
बेसलाइन्स में ओवर-स्मूथिंग या बारीक सीमाओं के पास मतिभ्रम (hallucinated) किनारे दिखाई दिए, जबकि प्रस्तावित विधि इनपुट-कंसिस्टेंट एनाटॉमी को सुरक्षित रखती है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य ULF MRI अपनाने में एक महत्वपूर्ण बाधा को संबोधित करता है: उच्च-गुणवत्ता वाली छवियों की कमी। अनपेयर्ड ट्रांसलेशन के लिए यथार्थवाद (DMD2 डिफ्यूजन गाइडेंस के माध्यम से) को संरचनात्मक निष्ठा (ASP के माध्यम से) से सफलतापूर्वक अलग करके, लेखक प्रदर्शित करते हैं कि पेयर्ड ट्रेनिंग डेटा की आवश्यकता के बिना 64 mT स्कैन से उच्च-गुणवत्ता वाली 3 T-जैसी छवियां बनाई जा सकती हैं।

प्रभाव:

यह संसाधन-सीमित सेटिंग्स में नैदानिक गुणवत्ता बनाए रखते हुए पोर्टेबल, कम लागत वाले ULF MRI स्कैनर के उपयोग को सक्षम बनाता है।
यह अनपेयर्ड मेडिकल इमेज ट्रांसलेशन के लिए एक नया प्रतिमान प्रदान करता है जो एनाटॉमिकल अखंडता को प्राथमिकता देता है, जिससे AI मतिभ्रम के कारण होने वाली नैदानिक त्रुटियों का जोखिम कम होता है।

सीमाएं और भविष्य का कार्य:
वर्तमान कार्यान्वयन एक 2D स्लाइस-बेस्ड है, जो स्पष्ट रूप से वॉल्यूमेट्रिक संदर्भ को मॉडल नहीं करता है, जिससे इंटर-स्लाइस असंगतता (inconsistencies) हो सकती है। भविष्य के कार्यों का लक्ष्य वॉल्यूमेट्रिक कंसिस्टेंसी बाधाओं को शामिल करने के लिए फ्रेमवर्क को 3D तक विस्तारित करना है।