🤖 machine learning

HamVision: Hamiltonian Dynamics as Inductive Bias for Medical Image Analysis

हैमविज़न (HamVision) एक मेडिकल इमेज विश्लेषण फ्रेमवर्क पेश करता है जो स्थिति (position), संवेग (momentum) और ऊर्जा (energy) के विशिष्ट निरूपण उत्पन्न करने के लिए डैम्प्ड हार्मोनिक ऑसिलेटर (damped harmonic oscillator) को एक संरचित इंडक्टिव बायस (inductive bias) के रूप में उपयोग करता है, जिससे दस बेंचमार्क में से सेगमेंटेशन और वर्गीकरण कार्यों में कोर डायनेमिक्स के लिए कार्य-विशिष्ट संशोधनों की आवश्यकता के बिना अत्याधुनिक प्रदर्शन प्राप्त होता है।

मूल लेखक: Mohamed A Mabrok

प्रकाशित 2026-03-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohamed A Mabrok

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 कंप्यूटर को चिकित्सा छवियों (जैसे एक्स-रे, स्किन स्कैन, या हार्ट एमआरआई) को देखना और दो काम करना सिखाने की कोशिश कर रहे हैं:

बुरी चीज़ों को ढूँढना: ट्यूमर या हृदय के कक्ष के चारों ओर एक सटीक रूपरेखा (आउटलाइन) बनाना (सेगमेंटेशन)।
बुरी चीज़ों को नाम देना: यह तय करना कि एक रक्त कोशिका स्वस्थ है या रोगग्रस्त (वर्गीकरण)।

आमतौर पर, हम कंप्यूटर को यह सिखाने के लिए उन्हें भारी मात्रा में डेटा देते हैं और उन्हें नियम अनुमान लगाने देते हैं। यह एक छात्र को लाखों अभ्यास टेस्ट देने जैसा है और इस उम्मीद में कि वह उत्तर याद कर लेगा।

HamVision एक अलग दृष्टिकोण अपनाता है। केवल याद करने के बजाय, यह कंप्यूटर को छवियों को देखना शुरू करने से पहले एक विशिष्ट "भौतिकी का पाठ" (फिजिक्स लेसन) देता है। यह कंप्यूटर को एक डैम्प्ड स्प्रिंग (एक भार जो स्प्रिंग पर उछलता है और धीरे-धीरे रुक जाता है) की तरह सोचना सिखाता है।

यह कैसे काम करता है, यहाँ सरल उपमाओं के साथ बताया गया है:

1. मूल विचार: "उछलते स्प्रिंग" वाला मस्तिष्क

कल्पना कीजिए कि आपके पास एक स्प्रिंग से जुड़ा एक भारी वजन है। यदि आप इसे धक्का देते हैं, तो यह ऊपर-नीचे उछलता है।

स्थिति ( $q$ ): वजन अभी कहाँ है। (छवि में, यह चित्र की सामग्री/कंटेंट है)।
संवेग ( $p$ ): वजन कितनी तेज़ी से और किस दिशा में चल रहा है। (छवि में, यह परिवर्तन है। यह तब स्पाइक करता है जब छवि अचानक त्वचा से ट्यूमर में, या चिकने ऊतक से खुरदरे किनारे में बदल जाती है)।
ऊर्जा ( $H$ ): सिस्टम की कुल "दमखम/ओम्फ"। (छवि में, यह एक हाइलाइट मैप है जो दिखाता है कि सबसे दिलचस्प गतिविधि कहाँ हो रही है)।

HamVision का जादू यह है कि यह इन तीनों चीज़ों को शून्य से नहीं सीखता है। ये भौतिकी के अंतर्निर्मित नियम हैं। जैसे कि एक वास्तविक स्प्रिंग का हिलने पर संवेग (मोमेंटम) होना ही चाहिए, कंप्यूटर का "स्प्रिंग मस्तिष्क" केवल छवि को प्रोसेस करके इन तीन उपयोगी मानचित्रों (मैप्स) को स्वचालित रूप से उत्पन्न कर देता है।

2. यह "रूपरेखा" की समस्या को कैसे हल करता है (सेगमेंटेशन)

जब एक डॉक्टर को ट्यूमर की रूपरेखा खींचनी होती है, तो उन्हें दो बातें जानने की ज़रूरत होती है: किनारा कहाँ है? और कौन से हिस्से महत्वपूर्ण हैं?

HamVision इस समस्या को हल करने के लिए स्प्रिंग की भौतिकी का उपयोग करता है:

संवेग मानचित्र (किनारा पहचानने वाला): क्योंकि संवेग परिवर्तन को मापता है, यह स्वाभाविक रूप से वहां चमकता है जहाँ छवि का एक तीखा किनारा (जैसे ट्यूमर की सीमा) होता है। यह ट्यूमर के बीच के चिकने, उबाऊ हिस्से या खाली बैकग्राउंड को अनदेखा कर देता है।
ऊर्जा मानचित्र (स्पॉटलाइट): यह मानचित्र एक डिमर स्विच की तरह काम करता है। यह कंप्यूटर को बताता है, "हे, यहाँ देखो! इस क्षेत्र में उच्च ऊर्जा (बहुत अधिक गतिविधि) है।" यह ध्यान केंद्रित करने के लिए इसका उपयोग केवल छवि के महत्वपूर्ण हिस्सों पर करता है, बैकग्राउंड के शोर (नॉइज़) को अनदेखा करता है।

परिणाम: कंप्यूटर रूपरेखा को पूरी तरह से खींचता है क्योंकि उसके पास एक अंतर्निर्मित "एज डिटेक्टर" और "स्पॉटलाइट" है जिसे उसे शून्य से सीखने की आवश्यकता नहीं थी। यह बस स्प्रिंग की भौतिकी के कारण स्वतः ही हो गया।

3. यह "नाम देने" की समस्या को कैसे हल करता है (वर्गीकरण)

जब एक डॉक्टर को केवल यह कहना होता है कि "यह एक बीमार कोशिका है" या "यह एक स्वस्थ कोशिका है," तो उन्हें पूर्ण रूपरेखा की आवश्यकता नहीं होती। उन्हें पूरी छवि का समग्र भाव (वाइब) जानने की आवश्यकता होती है।

HamVision पूरी छवि को देखता है और पूछता है:

कितनी "सामग्री" (कंटेंट) मौजूद है? (स्थिति)
बनावट (टेक्सचर) कितनी "उछाल भरी" या जटिल है? (संवेग: एक अस्त-व्यस्त, अनियमित कैंसर कोशिका का संवेग उच्च होगा; एक चिकनी स्वस्थ कोशिका का संवेग कम होगा)।
पूरी तस्वीर कितनी "सक्रिय" है? (ऊर्जा)।

यह इन तीनों संख्याओं को छवि के लिए एक एकल "आईडी कार्ड" में जोड़ देता है। क्योंकि कंप्यूटर स्प्रिंग की भौतिकी को समझता है, इसलिए वह केवल डेटा के "उछाल" को देखकर यह बता सकता है कि एक चिकनी, स्वस्थ कोशिका और एक टेढ़ी-मेढ़ी, रोगग्रस्त कोशिका के बीच क्या अंतर है।

4. यह बेहतर क्यों है?

अधिकांश AI मॉडल भारी, अनाड़ी दिग्गजों की तरह होते हैं। उनके पास लाखों पैरामीटर्स (मस्तिष्क कोशिकाएं) होते हैं और उन्हें यह समझने के लिए कि एक किनारा क्या है या बनावट कैसी दिखती है, भारी मात्रा में डेटा की आवश्यकता होती है।

HamVision एक हल्के, फुर्तीले कलाबाज़ की तरह है।

दक्षता: यह कठिन काम करने के लिए भौतिकी के नियमों का उपयोग करता है। इसे लगभग 8 मिलियन पैरामीटर्स की आवश्यकता होती है, जबकि अन्य शीर्ष मॉडलों को 100 मिलियन की आवश्यकता होती है। यह एक सेमी-ट्रक के बजाय एक साइकिल का उपयोग करके समान परिणाम प्राप्त करने जैसा है।
व्याख्यात्मकता (इंटरप्रिटेबिलिटी): सामान्य AI के साथ, यदि यह कोई गलती करता है, तो आप वास्तव में यह नहीं बता सकते कि क्यों। HamVision के साथ, आप "संवेग मानचित्र" को देख सकते हैं और कह सकते हैं, "आह, कंप्यूटर ने यहाँ किनारा देखा क्योंकि संवेग उच्च था।" यह पारदर्शी है।
बहुमुखी प्रतिभा: यह स्किन स्कैन, हार्ट एमआरआई, अल्ट्रासाउंड और रक्त कोशिकाओं पर काम करता है। क्यों? क्योंकि हृदय में ट्यूमर का किनारा त्वचा पर ट्यूमर के किनारे के गणितीय रूप से समान दिखता है: यह वह स्थान है जहाँ चीजें बदलती हैं। स्प्रिंग की भौतिकी उस बदलाव को पूरी तरह से संभाल लेती है, चाहे इमेज का प्रकार कुछ भी हो।

बड़ी तस्वीर

इस शोध पत्र के लेखकों ने महसूस किया कि मेडिकल इमेज किनारों, बनावट और पैटर्न से भरी होती हैं। कंप्यूटर को यह अनुमान लगाने के लिए सिखाने के बजाय कि एक किनारा क्या है, उन्होंने कंप्यूटर को एक स्प्रिंग दे दिया।

जिस तरह एक स्प्रिंग स्वाभाविक रूप से धक्का दिए जाने, खींचे जाने और रुकने पर प्रतिक्रिया करता है, उसी तरह यह "स्प्रिंग-आधारित" कंप्यूटर स्वाभाविक रूप से इमेज के किनारों और बनावट के प्रति प्रतिक्रिया करता है। यह मेडिकल इमेज विश्लेषण के बिखरे हुए काम को एक स्वच्छ, भौतिकी-आधारित गणना में बदल देता है, जिससे यह तेज़, छोटा और समझने में आसान हो जाता है।

यहाँ शोध पत्र "HamVision: Hamiltonian Dynamics as Inductive Bias for Medical Image Analysis" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मेडिकल इमेज विश्लेषण के लिए जटिल, शोर वाले डेटा से विभेदक विशेषताओं (discriminative features) को निकालने की आवश्यकता होती है, जहाँ महत्वपूर्ण जानकारी अक्सर सूक्ष्म ग्रेडिएंट्स (ऊतक सीमाएँ), बनावट के पैटर्न (textural patterns), या स्थानिक तीव्रता वितरण (spatial intensity distributions) में निहित होती है। वर्तमान प्रमुख प्रतिमान (paradigms) विशेष आर्किटेटेक्चर (जैसे, सेगमेंटेशन के लिए U-Nets, क्लासिफिकेशन के लिए Transformers/ResNets) पर निर्भर करते हैं जो शुद्ध रूप से डेटा से सामान्य फीचर रूपांतरण सीखते हैं। इन दृष्टिकोणों में अक्सर संरचनात्मक पूर्वाग्रह (structural priors) की कमी होती है, और वे डोमेन-विशिष्ट भौतिक या गणितीय इंडक्टिव बायस (inductive biases) को एम्बेड करने के बजाय मॉडल क्षमता (model capacity) पर बहुत अधिक निर्भर करते हैं। फलस्वरूप, वे भारी पैरामीटर गणना के बिना सीमा जानकारी (boundary information), आवृत्ति चयनात्मकता (frequency selectivity) और स्थानिक प्रमुखता (spatial saliency) को कुशलतापूर्वक कैप्चर करने में संघर्ष कर सकते हैं।

2. कार्यप्रणाली: HamVision फ्रेमवर्क (Methodology: The HamVision Framework)

लेखक HamVision का प्रस्ताव करते हैं, जो एक एकीकृत फ्रेमवर्क है जो न्यूरल नेटवर्क के मानक बॉटलनेक (bottleneck) को एक डैम्प्ड हार्मोनिक ऑसिलेटर (damped harmonic oscillator) से बदल देता है। यह एक संरचित इंडक्टिव बायस के रूप में कार्य करता है, जो फीचर मैप्स को तीन कार्यात्मक रूप से भिन्न, भौतिकी-व्युत्पन्न (physics-derived) निरूपणों में विभाजित करता है, जिसके लिए इन विशिष्ट गुणों के लिए स्पष्ट पर्यवेक्षण (explicit supervision) की आवश्यकता नहीं होती है।

A. हैमिल्टोनियन बॉटलनेक (The Hamiltonian Bottleneck)

मुख्य नवाचार एक डैम्प्ड हार्मोनिक ऑसिलेटर के डायनेमिक्स पर आधारित बॉटलनेक लेयर है। एक स्थानिक रूप से परिवर्तनशील सिग्नल (एक फीचर मैप की एक पंक्ति या कॉलम) के लिए, सिस्टम निम्नलिखित के विकास को मॉडल करता है:

स्थिति (Position - $q$ ): फ़िल्टर्ड सिग्नल सामग्री।
संवेग (Momentum - $p = \dot{q}$ ): स्थानिक परिवर्तन की दर, जो एक फ्रीक्वेंसी-सेलेक्टिव स्थानिक डेरिवेटिव के रूप में कार्य करती है।
ऊर्जा (Energy - $H = \frac{1}{2}(q^2 + p^2)$ ): स्थानीय उत्तेजना (local excitation) का एक स्केलर माप, जो सामग्री और ग्रेडिएंट दोनों को एकीकृत करता है।

गणितीय सूत्र (Mathematical Formulation):
सिस्टम अवस्था-स्थान समीकरण $\dot{x} = Ax + Bu$ द्वारा नियंत्रित है, जहाँ $x = [q, p]^\top$ है। मैट्रिक्स $A$ संरचनात्मक रूप से एक डैम्प्ड ऑसिलेटर के रूप में बाधित है जिसकी प्राकृतिक आवृत्ति $\omega$ और डैम्पिंग $\nu$ है।

कॉम्प्लेक्स डायगोनलाइजेशन (Complex Diagonalization): युग्मित प्रणाली को एक कॉम्प्लेक्स स्केलर $z = q + ip$ में विकर्णित (diagonalized) किया जाता है, जो $\dot{z} = (-\nu + i\omega)z + u$ को संतुष्ट करता है।
विवेकीकरण (Discretization): सिस्टम को एक एक्सपोनेंशियल इंटीग्रेटर (होमोजेनियस भाग के लिए सटीक) का उपयोग करके विवेकीकृत किया जाता है, जो BIBO (Bounded-Input Bounded-Output) स्थिरता सुनिश्चित करता है।
कार्यान्वयन (Implementation): 2D छवियों को संभालने के लिए, ऑसिलेटर बैंक चार दिशाओं (बाएं-दाएं, दाएं-बाएं, ऊपर-नीचे, नीचे-ऊपर) में पंक्तियों और स्तंभों को स्कैन करता है। आउटपुट को सीखे गए प्रोजेक्शन के माध्यम से मर्ज किया जाता है।

B. कार्य-विशिष्ट हेड्स (Task-Specific Heads)

फ्रेमवर्क एक साझा एन्कोडर और हैमिल्टोनियन बॉटलनेक का उपयोग करता है, जिसमें सेगमेंटेशन और क्लासिफिकेशन के लिए अलग-अलग हेड्स हैं:

1. HamSeg (सेगमेंटेशन हेड):

आर्किटेक्चर: स्किप कनेक्शन के साथ एक U-Net डिकोडर।
तंत्र (Mechanism):
- एनर्जी गेटिंग (Energy Gating): ऊर्जा मानचित्र ( $H_{map}$ ) को प्रत्येक डिकोडर स्तर पर इंटरपोलेट किया जाता है और स्किप कनेक्शन को गेट करने के लिए उपयोग किया जाता है, जो एनकोडर से आता है। यह प्रमुख क्षेत्रों (सीमाओं/संरचनाओं) को उजागर करता है और होमोजेनियस बैकग्राउंड को दबा देता है।
- मोमेंटम इंजेक्शन (Momentum Injection): मोमेंटम टेंसर ( $p$ ) को प्रोजेक्ट और प्रत्येक डिकोडर स्तर पर कॉन्कैटिनेट किया जाता है, जो स्थानिक विवरणों को परिष्कृत करने के लिए स्पष्ट सीमा और ग्रेडिएंट जानकारी इंजेक्ट करता है।
प्रमुख डिज़ाइन: गेटिंग के लिए एनर्जी मैप को सेंटर करना महत्वपूर्ण है ताकि सिग्मॉइड सैचुरेशन (sigmoid saturation) को रोका जा सके, जिससे गेट 0.5 के आसपास गतिशील रूप से कार्य कर सके।

2. HamCls (क्लासिफिकेशन हेड):

आर्किटेक्चर: ग्लोबल पूलिंग हेड के साथ U-Net डिकोडर को बदल देता है।
तंत्र (Mechanism):
- फेज़-स्पेस पूलिंग (Phase-Space Pooling): तीन निरूपणों को ग्लोबली औसत निकाला जाता है:
  - $\bar{f}$ (से $q$ ): सामग्री (content) को एनकोड करता है।
  - $\bar{p}$ (से $|p|$ ): बनावट की जटिलता और सीमा घनत्व (स्थानिक गतिविधि) को एनकोड करता है।
  - $\bar{h}$ (से $H$ ): समग्र उत्तेजना स्तरों को एनकोड करता है।
- इन्हें एक फेज़-स्पेस वेक्टर में कॉन्कैटिनेट किया जाता है और क्लासिफिकेशन के लिए एक MLP को पास किया जाता है।

3. मुख्य योगदान (Key Contributions)

संरचित इंडक्टिव बायस (Structured Inductive Bias): एक हैमिल्टोनियन बॉटलनेक पेश करता है जो स्वाभाविक रूप से स्थिति, संवेग और ऊर्जा को मध्यवर्ती निरूपणों के रूप में उत्पन्न करता है, जो सीखा गया ह्यूरिस्टिक्स (heuristics) होने के बजाय भौतिक नियमों पर आधारित है।
दोहरी-कार्य आर्किटेक्चर (Dual-Task Architecture): यह प्रदर्शित करता है कि एक एकल साझा ऑसिलेटर बॉटलनेक (बिना कोर डायनेमिक्स में संशोधन के) सेगमेंटेशन (स्थानिक गेटिंग और इंजेक्शन के माध्यम से) और क्लासिफिकेशन (सांख्यिकीय पूलिंग के माध्यम से) दोनों के लिए कार्य कर सकता है।
स्टेट-ऑफ-द-आर्ट दक्षता (State-of-the-Art Efficiency): केवल 7–9 मिलियन पैरामीटर के साथ शीर्ष प्रदर्शन प्राप्त करता है, जो प्रतिस्पर्धी तरीकों (जैसे, 16–105M पैरामीटर वाले U-Nets, Transformers, Mamba वेरिएंट) की तुलना में काफी कम है।
व्याख्यात्मकता (Interpretability): यह नैदानिक साक्ष्य प्रदान करता है कि ऑसिलेटर के आउटपुट आंतरिक भौतिक अर्थ (जैसे, मोमेंटम लगातार सीमाओं/आंतरिक ग्रेडिएंट्स को एनकोड करता है) ले जाते हैं, जिसके लिए पोस्ट-हॉक स्पष्टीकरण उपकरणों की आवश्यकता नहीं है।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन 5 इमेजिंग मोडैलिटीज (डर्मास्कोपी, अल्ट्रासाउंड, MRI, CT, माइक्रोस्कोपी) में 10 बेंचमार्क पर किया गया।

सेगमेंटेशन (HamSeg):
- ISIC 2018: 89.38% Dice (SOTA)।
- ISIC 2017: 88.40% Dice।
- TN3K (थायराइड): 87.05% Dice।
- ACDC (कार्डिएक MRI): 92.40% Dice (FreqConvMamba से +2.61% बेहतर)।
- नोट: मल्टी-स्केल मोमेंटम इंजेक्शन ACDC के लिए विशेष रूप से प्रभावी था, जहाँ कार्डिएक संरचनाओं का आकार बहुत भिन्न होता है।
क्लासिफिकेशन (HamCls):
- BloodMNIST: 98.85% Accuracy (SOTA, MedMamba-S से +0.45%)।
- PathMNIST: 96.65% Accuracy (SOTA, MedMamba-B से +0.25%)।
- DermaMNIST: 77.96% Accuracy (MedViT-S के साथ प्रतिस्पर्धी)।
- BreastMNIST: 89.60% Accuracy (गंभीर क्लास असंतुलन को संभालते हुए)।

5. महत्व और विश्लेषण (Significance and Analysis)

भौतिक व्याख्यात्मकता (Physical Interpretability): अटेंशन मैकेनिज्म के विपरीत जो अक्सर "ब्लैक बॉक्स" होते हैं, ऑसिलेटर के आउटपुट के पूर्व-निर्धारित भौतिक अर्थ होते हैं। डायग्नोस्टिक्स ने पुष्टि की कि मोमेंटम लगातार एक "इंटीरियर > बाउंड्री > एक्सटीरियर" ग्रेडिएंट (अनुनाद संचय के कारण) का पालन करता है, और ऊर्जा मानचित्र विभेदक क्षेत्रों (discriminative regions) के साथ सह-संबंध रखते हैं।
पैरामीटर दक्षता (Parameter Efficiency): एक ही प्रक्रिया से तीन अलग-अलग कार्यात्मक सिग्नल (सामग्री, ग्रेडिएंट, सैलिएंसी) उत्पन्न करने के लिए ऑसिलेटर के भौतिकी का लाभ उठाकर, HamVision एज डिटेक्शन या सैलिएंसी मैपिंग के लिए अलग, पैरामीटर-भारी मॉड्यूल की आवश्यकता को समाप्त करता है।
सामान्यीकरण (Generalization): विविध मोडैलिटीज (स्मूथ MRI से लेकर शोर वाले अल्ट्रासाउंड तक) में सफलता यह सुझाव देती है कि ऑसिलेटर विजुअल विश्लेषण के मौलिक गुणों (फ्रीक्वेंसी चयनात्मकता, बाउंड्री डिटेक्शन) को कैप्चर करता है, न कि मोडैलिटी-विशिष्ट आर्टिफैक्ट्स को।
सैद्धांतिक संबंध (Theoretical Connection): यह कार्य स्टेट-स्पेस मॉडल्स (जैसे Mamba) और भौतिक प्रणालियों के बीच के अंतर को पाटता है। जबकि Mamba-3 ने कॉम्प्लेक्स ट्रांजिशन की बीजगणितीय आवश्यकता को मान्य किया, HamVision विजन कार्यों के लिए फेज़-स्पेस डिकंपोजिशन (पोजीशन/मोमेंटम/एनर्जी) की व्यावहारिक उपयोगिता को प्रदर्शित करता है।

निष्कर्षतः, HamVision स्थापित करता है कि मेडिकल इमेज विश्लेषण के लिए एक इंडक्टिव बायस के रूप में हैमिल्टोनियन डायनेमिक्स को एम्बेड करना एक सिद्धांतित, व्याख्यात्मक और अत्यधिक कुशल आधार प्रदान करता है, जो सेगमेंटेशन और क्लासिफिकेशन कार्यों में बड़े, कम संरचित मॉडलों से बेहतर प्रदर्शन करता है।