💻 computer science

Active Diffusion Matching: Score-based Iterative Alignment of Cross-Modal Retinal Images

यह शोध पत्र एक्टिव डिफ्यूजन मैचिंग (ADM) का प्रस्ताव करता है, जो एक नवीन स्कोर-आधारित पुनरावृत्ति विधि है जो वैश्विक और स्थानीय रूपांतरणों का संयुक्त रूप से अनुमान लगाकर स्टैंडर्ड फंडस और अल्ट्रा-वाइडफील्ड रेटिनल छवियों को प्रभावी ढंग से संरेखित करती है, जिससे अत्याधुनिक सटीकता प्राप्त होती है और बेहतर नैदानिक विश्लेषण सक्षम होता है।

मूल लेखक: Kanggeon Lee, Su Jeong Song, Soochahn Lee, Kyoung Mu Lee

प्रकाशित 2026-04-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kanggeon Lee, Su Jeong Song, Soochahn Lee, Kyoung Mu Lee

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

यहाँ "एक्टिव डिफ्यूजन मैचिंग" (Active Diffusion Matching) पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

बड़ी समस्या: "वाइड शॉट" बनाम "ज़ूम शॉट"

कल्पना कीजिए कि आप शहर का एक नक्शा देख रहे हैं।

अल्ट्रा-वाइडफील्ड इमेज (UWFI) अंतरिक्ष से ली गई एक सैटेलाइट फोटो की तरह है। आप पूरा शहर, सभी मोहल्ले और नदियाँ देख सकते हैं। हालाँकि, क्योंकि यह बहुत विस्तृत (wide) है, इमारतें छोटी और धुंधली दिखती हैं। आप सड़क के साइन बोर्ड नहीं पढ़ सकते।
स्टैंडर्ड फंडस इमेज (SFl) ज़ूम लेंस के साथ किसी विशिष्ट इमारत के ठीक सामने ली गई एक हाई-रिज़ॉल्यूशन फोटो की तरह है। विवरण बिल्कुल स्पष्ट हैं, लेकिन आप केवल उस एक इमारत को ही देख सकते हैं। आपको यह पता नहीं है कि वह शहर में कहाँ स्थित है।

लक्ष्य: डॉक्टरों को इन दोनों को मिलाने की आवश्यकता है। वे "ज़ूम शॉट" से स्पष्ट विवरण लेना चाहते हैं और उन्हें "सैटेलाइट फोटो" पर चिपकाना चाहते हैं ताकि वे देख सकें कि पूरी आँख में समस्या वास्तव में कहाँ है।

चुनौती: इसे मैन्युअल रूप से करना एक दुस्वप्न (nightmare) है। दोनों तस्वीरें अलग-अलग आकार और आकृति की हैं, और उनके "रास्ते" (रक्त वाहिकाएं/blood vessels) भी एक-दूसरे से अलग दिखते हैं। मौजूदा कंप्यूटर प्रोग्राम उन्हें मिलाने की कोशिश करते हैं, लेकिन अक्सर भ्रमित हो जाते हैं, जैसे किसी गोल छेद में चौकोर खूँटा फिट करने की कोशिश करना।

समाधान: "एक्टिव डिफ्यूजन मैचिंग" (ADM)

लेखकों ने एक नई AI विधि बनाई है जिसे एक्टिव डिफ्यूजन मैचिंग (ADM) कहा जाता है। यह कैसे काम करता है, इसे समझने के लिए आइए कुछ उपमाओं का उपयोग करें।

1. "अंधे मूर्तिकार" की उपमा (डिफ्यूजन कैसे काम करता है)

कल्पना कीजिए कि आपके पास मिट्टी का एक ढेला (इमेज) है और आप उसे एक विशिष्ट आकार (टारगेट) में ढालना चाहते हैं।

पुराने AI तरीके एक ही बड़ी छलांग में अंतिम आकार का अनुमान लगाने की कोशिश करते हैं। यदि उनका अनुमान गलत होता है, तो पूरी प्रक्रिया विफल हो जाती है।
ADM एक अंधे मूर्तिकार की तरह काम करता है जो मिट्टी के एक बेतरतीब ढेर से शुरुआत करता है।
- मूर्तिकार को अंतिम आकार का सटीक ज्ञान नहीं होता।
- इसके बजाय, वह एक बहुत छोटा, सूक्ष्म सुधार करता है।
- फिर वह पीछे हटता है, मिट्टी को फिर से महसूस करता है, और एक और छोटा सुधार करता है।
- वह इस प्रक्रिया को सैकड़ों बार दोहराता है। हर छोटे कदम के साथ, मिट्टी पूर्ण आकार के करीब पहुँचती जाती है।
- पेपर में, इस "चरण-दर-चरण" प्रक्रिया को डिफ्यूजन प्रोसेस कहा गया है। यह "नॉइज़" (भ्रम/अस्पष्टता) से शुरू होता है और धीरे-धीरे इसे एक स्पष्ट संरेखण (alignment) में बदल देता है।

2. "दो हाथों वाला नृत्य" (ग्लोबल बनाम लोकल)

इन आँखों की छवियों को संरेखित करने के लिए दो प्रकार के आंदोलनों की आवश्यकता होती है:

ग्लोबल मूवमेंट (Global Movement): पूरी इमेज को हिलाना (घुमाना, ज़ूम इन/आउट करना, बाएँ या दाएँ खिसकाना)।
लोकल मूवमेंट (Local Movement): विशिष्ट हिस्सों को मोड़ना (जैसे आँख पूरी तरह सपाट नहीं होती, इसलिए रक्त वाहिका को थोड़ा मोड़ना)।

अधिकांश पुराने तरीके इन्हें अलग-अलग करने की कोशिश करते हैं, जैसे एक हाथ पीछे बंधे होने के कारण नृत्य करने की कोशिश करना।

ADM दो नर्तकों (दो AI मॉडल) का उपयोग करता है जो मिलकर काम करते हैं।
- नर्तक A बड़े आंदोलनों (Global) को संभालता है।
- नर्तक B सूक्ष्म, विस्तृत आंदोलनों (Local) को संभालता है।
- वे एक-दूसरे का हाथ थामे रहते हैं। नर्तक A कहता है, "हम बाईं ओर मुड़े हैं, इसलिए तुम्हें अपने पैरों को एडजस्ट करने की ज़रूरत है।" फिर नर्तक B कहता है, "मेरे पैर एडजस्ट हो गए हैं, अब तुम्हें अपना शरीर थोड़ा और झुकाने की ज़रूरत है।"
- वे तब तक एक लूप में एक-दूसरे से बात करते रहते हैं जब तक कि वे पूरी तरह से तालमेल में न आ जाएँ।

3. "कम्पास के साथ GPS" (सक्रिय मार्गदर्शन)

कभी-कभी AI भटक जाता है या गलत दिशा में मुड़ जाता है।

पुराना AI: बस उसी दिशा में चलता रहता है जो उसे सही लगती है, भले ही वह रास्ता किसी खाई की ओर ले जा रहा हो।
ADM: इसके पास एक कम्पास है (जिसे "एक्टिव गाइडेंस" कहा जाता है)। हर बार जब यह कोई कदम उठाता है, तो यह जाँचता है: "क्या यह लक्षित इमेज जैसा दिख रहा है?" यदि उत्तर "नहीं" है, तो कम्पास तुरंत AI को सही रास्ते पर वापस धकेलता है। यह सुनिश्चित करता है कि AI प्रक्रिया के बीच में रास्ता न भटके।

यह एक बड़ी बात क्यों है?

यह अपने प्रकार का पहला है: इससे पहले, कोई भी कंप्यूटर प्रोग्राम स्वचालित रूप से और सटीक रूप से इन दो विशिष्ट प्रकार की आँखों की तस्वीरों को आपस में नहीं जोड़ सका। डॉक्टरों को इसे हाथ से करना पड़ता था, जो धीमा था और जिसमें गलती की संभावना अधिक थी।
यह अधिक स्मार्ट है: पेपर में ADM का परीक्षण अन्य शीर्ष AI विधियों के विरुद्ध किया गया। ADM ने हर बार जीत हासिल की, विशेष रूप से सबसे कठिन और धुंधली छवियों पर।
- परिणाम: इसने सटीकता स्कोर में महत्वपूर्ण अंतर (अगले सबसे अच्छे तरीके से लगभग 5 अंक अधिक) से सुधार किया।
यह जीवन बचाता है: इन छवियों को पूरी तरह से संरेखित करके, डॉक्टर इन धुंधली वाइड-एंगल फोटो को बेहतर बनाने के लिए AI का उपयोग कर सकते हैं। इसका मतलब है कि वे डायबिटिक रेटिनोपैथी जैसी बीमारियों का जल्दी और अधिक सटीक रूप से पता लगा सकते हैं, जिससे संभावित रूप से मरीज की दृष्टि बचाई जा सकती है।

समझौता (परफेक्शन की "कीमत")

इसका एक नुकसान है: गति (Speed)।
क्योंकि ADM संरेखण को सटीक बनाने के लिए सैकड़ों छोटे कदम लेता है (जैसे मूर्तिकार धीरे-धीरे मिट्टी को तराशता है), इसे एक इमेज को प्रोसेस करने में लगभग 47 सेकंड लगते हैं। अन्य तेज़ तरीके केवल 1 या 2 सेकंड लेते हैं लेकिन वे अधिक गलतियाँ करते हैं।

लेखक तर्क देते हैं कि चिकित्सा में, सटीकता गति से अधिक महत्वपूर्ण है। एक गलत निदान प्राप्त करने के बजाय, एक मिनट अतिरिक्त प्रतीक्षा करना बेहतर है ताकि 100% सही निदान मिल सके।

सारांश

एक्टिव डिफ्यूजन मैचिंग (Active Diffusion Matching) एक नया, अत्यंत स्मार्ट AI है जो एक धैर्यवान, चरण-दर-चरण मूर्तिकार की तरह काम करता है। यह आँख के एक धुंधले, व्यापक दृश्य और एक स्पष्ट, ज़ूम किए गए दृश्य को लेता है, और उन्हें धीरे-धीरे, सावधानीपूर्वक और सामंजस्यपूर्ण ढंग से तब तक मोड़ता है जब तक कि वे एक दूसरे में पूरी तरह फिट न हो जाएँ। यह डॉक्टरों को पूरी तस्वीर को क्रिस्टल-क्लियर विवरण के साथ देखने की अनुमति देता है, जिससे मरीजों के लिए बेहतर नेत्र देखभाल संभव होती है।

यहाँ "Active Diffusion Matching: Score-based Iterative Alignment of Cross-Modal Retinal Images" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र स्टैंडर्ड फंडस इमेजेस (SFIs) और अल्ट्रा-वाइडफील्ड फंडस इमेजेस (UWFIs) को संरेखित (align) करने की महत्वपूर्ण चुनौती को संबोधित करता है।

अंतराल (The Gap): SFIs एक केंद्रीय दृश्य क्षेत्र (30°–60°, <20% रेटिना) को उच्च रिज़ॉल्यूशन के साथ कैप्चर करते हैं, जबकि UWFIs 200° तक (~82% रेटिना) कैप्चर करते हैं लेकिन उनमें रिज़ॉल्यूशन और स्पष्टता कम होती है।
आवश्यकता: मशीन लर्निंग (जैसे, सुपर-रिज़ॉल्यूशन) के माध्यम से UWFIs को बेहतर बनाने या व्यापक निदान के लिए उन्हें एकीकृत करने हेतु, SFI-UWFI युग्मों (pairs) के बीच सटीक पिक्सेल-स्तरीय संरेखण की आवश्यकता है।
कठिनाई: मौजूदा संरेखण विधियाँ (जो SFI-SFI युग्मों के लिए डिज़ाइन की गई हैं) SFI-UWFI युग्मों पर विफल हो जाती हैं क्योंकि:
- अत्यधिक स्केल और FOV अंतर: दृश्य क्षेत्र (Field of View) में भारी अंतर।
- डोमेन शिफ्ट (Domain Shift): रंग विशेषताओं और छवि गुणवत्ता में महत्वपूर्ण अंतर।
- विशिष्ट विशेषताओं का अभाव: रेटिनल बनावट अक्सर अमूर्त (amorphous) होती है, जिससे कीपॉइंट-आधारित मिलान अविश्वसनीय हो जाता है।
- विशेषीकृत विधियों का अभाव: इस क्रॉस-मोडल कार्य के लिए पहले कोई स्वचालित विधि मौजूद नहीं थी; पिछले प्रयास मैन्युअल हस्तक्षेप पर निर्भर थे।

2. कार्यप्रणाली: एक्टिव डिफ्यूजन मैचिंग (Methodology: Active Diffusion Matching - ADM)

लेखक एक्टिव डिफ्यूजन मैचिंग (ADM) प्रस्तावित करते हैं, जो एक नया ढांचा है जो एक लैंग्विन मार्कोव चेन (Langevin Markov chain) के माध्यम से पुनरावृत्ति संरेखण (iterative alignment) करने के लिए दो परस्पर निर्भर स्कोर-आधारित डिफ्यूजन मॉडल्स को एकीकृत करता है।

मुख्य आर्किटेक्चर (Core Architecture)

ADM संरेखण को इष्टतम मापदंडों (optimal parameters) की एक स्टोकेस्टिक, प्रगतिशील खोज के रूप में मानता है, जिसमें दो जुड़े हुए पथ शामिल हैं:

ग्लोबल ट्रांसफॉर्मेशन पाथ ( $s_\theta$ ): यह वैश्विक स्केल, रोटेशन और पर्सपेक्टिव अंतरों को संभालने के लिए होमोग्राफी ( $H$ ) का अनुमान लगाता है।
- आर्किटेक्चर: यह होमोग्राफी के लिए एक विज़न ट्रांसफार्मर (DINO के साथ इनिशियलाइज़्ड) को एनकोडर ( $E_H$ ) के रूप में और स्कोर फंक्शन के लिए एक ट्रांसफार्मर-आधारित नेटवर्क का उपयोग करता है।
- भूमिका: यह वैश्विक संदर्भ (global context) को कैप्चर करता है, जो विशाल FOV अंतरों को देखते हुए अत्यंत महत्वपूर्ण है।
लोकल डिफॉर्मेशन पाथ ( $s_\phi$ ): यह गैर-रैखिक स्थानीय विकृतियों (non-linear local deformations) को संभालने के लिए पिक्सेल-वाइज डिस्प्लेसमेंट फील्ड ( $v$ ) का अनुमान लगाता है।
- आर्किटेक्चर: यह एक यू-नेट (U-Net) आधारित संरचना का उपयोग करता है जिसमें वेसल एन्हांसमेंट फ़िल्टर वाला एनकोडर ( $E_v$ ) होता है।
- भूमिका: यह स्थानीय विवरणों को परिष्कृत करता है, इस तथ्य का लाभ उठाते हुए कि CNN स्थानीय विशेषताओं को निकालने में उत्कृष्ट हैं।

पुनरावृत्ति प्रक्रिया (The Iterative Process)

यह विधि एक रिवर्स डिफ्यूजन प्रक्रिया में कार्य करती है जहाँ मॉडल शोर वाले प्रारंभिक अवस्थाओं ( $H_T, v_T$ ) से स्वच्छ मापदंडों ( $H_0, v_0$ ) तक अनुमानों को पुनरावृत्त रूप से परिष्कृत करता है:

कंडीशनल इंटरैक्शन (Conditional Interaction): ग्लोबल अनुमान $H_t$ , लोकल अनुमान $v_t$ का मार्गदर्शन करता है। इसके विपरीत, लोकल अनुमान पथ ग्लोबल अनुमान को सुधारने के लिए फीडबैक प्रदान करता है।
स्पेशियल ट्रांसफार्मर लेयर्स (STL): अनुमानित $H$ और $v$ को स्रोत छवि ( $I_s$ ) पर लागू किया जाता है ताकि डेस्टिनेशन ( $I_d$ ) के साथ तुलना के लिए एक वार्प्ड इमेज ( $\hat{I}_s$ ) बनाई जा सके।

प्रमुख तकनीकी नवाचार (Key Technical Innovations)

इनपुट-एडाप्टिव गाइडेड सैंपलिंग: इन्फरेंस के दौरान, ग्लोबल होमोग्राफी अनुमान को एक पिक्सेल-मैचिंग लॉस (नॉर्मलाइज्ड क्रॉस-कोरिलेशन) के ग्रेडिएंट का उपयोग करके समायोजित किया जाता है, जो वार्प्ड इमेज और डेस्टिनेशन के बीच कंप्यूट किया जाता है। यह मॉडल को केवल ट्रेनिंग वितरणों पर निर्भर रहने के बजाय विशिष्ट इनपुट युग्मों के प्रति गतिशील रूप से अनुकूल होने की अनुमति देता है।
डायनामिक शेड्यूलिंग ऑफ लॉसेस: ट्रेनिंग लॉस फंक्शन ( $L = L_s + \lambda_x L_x + \lambda_R L_R$ $L = L_{s} + λ_{x} L_{x} + λ_{R} L_{R}$ ) समय-निर्भर भार (time-dependent weights) का उपयोग करता है:
- $\delta_s$ : अस्थिर होमोग्राफी अनुमान को रोकने के लिए ट्रेनिंग के शुरुआती चरणों में लोकल लॉस के प्रभाव को दबा देता है।
- $\delta_x$ (पिक्सेल लॉस): जैसे-जैसे संरेखण में सुधार होता है, उपस्थिति निरंतरता (appearance consistency) को लागू करने के लिए समय के साथ बढ़ता है।
- $\delta_R$ (रेगुलराइजेशन): स्थिरता सुनिश्चित करने के लिए शुरुआत में आइडेंटिटी मैपिंग से बड़े विचलन को दंडित करते हुए समय के साथ घटता है।
पुनरावृत्ति इन्फरेंस (Iterative Inference): एक संरेखण पास के आउटपुट को अगले पास के इनपुट के रूप में फीड किया जाता है, जिससे गंभीर रूप से गलत संरेखित युग्मों का क्रमिक परिशोधन संभव होता है।

3. प्रमुख योगदान (Key Contributions)

प्रथम स्वचालित SFI-UWFI अलाइनर: ADM विशेष रूप से स्टैंडर्ड और अल्ट्रा-वाइडफील्ड रेटिनल इमेजेस को संरेखित करने के लिए डिज़ाइन किया गया पहला पूर्णतः स्वचालित, सटीक तरीका है।
संयुक्त ग्लोबल-लोकल डिफ्यूजन: उन डिफ्यूजन विधियों के विपरीत जो स्थानीय या वैश्विक विविधताओं को अलग-अलग अनुमानित करती हैं, ADM एक युग्त लैंग्विन डायनेमिक्स प्रक्रिया के माध्यम से दोनों को संयुक्त रूप से अनुकूलित करने के लिए ड्यूल-स्कोर मॉडल का उपयोग करता है।
एडाप्टिव सैंपलिंग स्ट्रैटेजी: एक मार्गदर्शन तंत्र (guidance mechanism) पेश करता है जो इन्फरेंस के दौरान ग्लोबल होमोग्राफी अनुमानों को ठीक करने के लिए पिक्सेल-मैचिंग लॉस के ग्रेडिएंट का उपयोग करता है, जो डोमेन शिफ्ट के प्रति मजबूती को काफी बढ़ाता है।
आर्किटेक्चर विशेषज्ञता: यह प्रदर्शित करता है कि इस विशिष्ट मेडिकल इमेजिंग संदर्भ में ग्लोबल होमोग्राफी अनुमान के लिए ट्रांसफार्मर-आधारित आर्किटेक्चर श्रेष्ठ है, जबकि स्थानीय डिस्प्लेसमेंट फील्ड के लिए CNN-आधारित आर्किटेक्चर बेहतर है।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन दो डेटासेट्स पर किया गया:

प्राइवेट डेटासेट (KBSMC): 374 SFI-UWFI युग्म (चुनौतीपूर्ण क्रॉस-मोडल संरेखण)।
पब्लिक डेटासेट (FIRE): 134 SFI-SFI युग्म (मानक संरेखण बेंचमार्क)।

प्रदर्शन मेट्रिक्स (Performance Metrics):

KBSMC (SFI-UWFI): ADM ने 29.3 का मीन AUC (mAUC) प्राप्त किया, जो दूसरे सर्वश्रेष्ठ मेथड (GeoFormer, 24.1) से 5.2 अंक अधिक था। "एक्सेप्टेबल रेट" (MAE < 50, MEE < 20) 41.98% था, जो बेसलाइन की तुलना में एक महत्वपूर्ण सुधार है।
FIRE (SFI-SFI): ADM ने 76.0 का mAUC प्राप्त किया, जो SuperRetina और GeoFormer जैसे स्टेट-ऑफ-द-आर्ट तरीकों के बराबर या उनसे थोड़ा बेहतर है, जो इसकी बहुमुखी प्रतिभा को सिद्ध करता है।
गुणात्मक परिणाम (Qualitative Results): विजुअल तुलनाओं ने दिखाया कि ADM उन क्षेत्रों में भी रक्त वाहिकाओं (vessel structures) को सफलतापूर्वक संरेखित करता है जहाँ अन्य विधियाँ (SIFT, SuperRetina, GeoFormer) पूरी तरह विफल रहीं या उच्च मैक्सिमम एलाइनमेंट एरर (MAE) उत्पन्न करती हैं।

एब्लेशन स्टडीज (Ablation Studies):

पुनरावृत्ति परिशोधन (Iterative refinement) या गाइडेड सैंपलिंग को हटाने से प्रदर्शन में महत्वपूर्ण गिरावट आई, जो ड्यूल-डिफ्यूजन और फीडबैक लूप की आवश्यकता को प्रमाणित करता है।
सैंपलिंग स्टेप्स: ग्लोबल एस्टिमेटर ( $s_\theta$ ) के लिए स्टेप्स बढ़ाने से प्रदर्शन में काफी सुधार हुआ, जबकि लोकल एस्टिमेटर ( $s_\phi$ ) के लिए अत्यधिक स्टेप्स के कारण ओवर-स्मूथिंग के कारण मिलने वाला लाभ कम हो गया।

5. महत्व और भविष्य का प्रभाव (Significance and Future Impact)

नैदानिक उपयोगिता (Clinical Utility): सटीक संरेखण को सक्षम करके, ADM उच्च-गुणवत्ता वाली SFIs को ग्राउंड ट्रुथ के रूप में उपयोग करके UWFIs के रिज़ॉल्यूशन को बेहतर बनाने के लिए मशीन लर्निंग के उपयोग को सुगम बनाता है। यह अंततः UWFIs को क्लिनिकल वर्कफ़्लो में SFIs को बदलने की अनुमति दे सकता है, जिससे वाइड-फील्ड कवरेज और उच्च-रिज़ॉल्यूशन विवरण दोनों प्राप्त होंगे।
निदान में सुधार: बेहतर संरेखण परिधीय रोगविज्ञान (peripheral pathologies - जैसे डायबिटिक रेटिनोपैथी, वैस्कुलर ऑक्लूजन) और केंद्रीय रोगों (जैसे मैकुलर डिजनरेशन) दोनों का एक साथ बेहतर पता लगाने में सहायता करता है।
सामान्यीकरण (Generalizability): एनाटॉमिकल स्ट्रक्चर (वेसल्स) पर इसका निर्भर होना, रेटिनल फंडस इमेजेस से परे अन्य क्रॉस-मोडल मेडिकल इमेजिंग कार्यों के लिए संभावित अनुप्रयोग का सुझाव देता है।
सीमाएँ और भविष्य का कार्य: वर्तमान इन्फरेंस टाइम (~47 सेकंड) फीडफॉरवर्ड मॉडल्स की तुलना में धीमा है। भविष्य के कार्य का लक्ष्य नॉलेज डिस्टिलेशन या वन-स्टेप डिफ्यूजन मॉडल्स के माध्यम से इन्फरेंस को तेज करना और गंभीर इमेज डिग्रेडेशन (धुंधलापन, कम रोशनी) के विरुद्ध मजबूती में सुधार करना है।

निष्कर्षतः, एक्टिव डिफ्यूजन मैचिंग मेडिकल इमेज रजिस्ट्रेशन में एक महत्वपूर्ण छलांग है, जो एक परिष्कृत, पुनरावृत्ति, स्कोर-आधारित डिफ्यूजन ढांचे के माध्यम से हाई-रिज़ॉल्यूशन और वाइड-फील्ड रेटिनल इमेजिंग के बीच के अंतर को सफलतापूर्वक पाटता है।