💻 computer science

A Multi-Stage Optimization Pipeline for Bethesda Cell Detection in Pap Smear Cytology

यह शोध पत्र Riva Cytology Challenge के Track B के लिए दूसरे स्थान पर प्राप्त समाधान प्रस्तुत करता है, जो एक बहु-चरणीय अनुकूलन पाइपलाइन पेश करता है जो Pap स्मीयर छवियों में Bethesda कोशिकाओं का पता लगाने के लिए 0.5909 का mAP50-95 स्कोर प्राप्त करने हेतु ओवरलैप हटाने और बाइनरी वर्गीकरण के साथ YOLO और U-Net आर्किटेक्चर के एक समूह (ensemble) को जोड़ता है।

मूल लेखक: Martin Amster, Camila María Polotto

प्रकाशित 2026-04-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Martin Amster, Camila María Polotto

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 रात के समय एक भीड़भाड़ वाली शहर की सड़क की एक विशाल, उच्च-रिज़ॉल्यूशन वाली तस्वीर देख रहे हैं। आपका काम हजारों अन्य लोगों, स्ट्रीटलाइट्स और छायाओं के बीच एक विशिष्ट लाल टोपी (बेथेस्डा सेल्स/Bethesda cells) पहने हुए हर एक व्यक्ति को ढूंढना है। यदि आप लाल टोपी वाले व्यक्ति को भूल जाते हैं, तो यह एक समस्या है। लेकिन यदि आप एक स्ट्रीटलाइट की ओर इशारा करते हैं और कहते हैं, "वह एक व्यक्ति है!", तो वह भी एक समस्या है।

यह शोध पत्र एक टीम के कंप्यूटर वैज्ञानिकों का वर्णन करता है जिन्होंने इस सटीक समस्या को हल करने के लिए एक सुपर-स्मार्ट "डिजिटल डिटेक्टिव स्क्वाड" बनाया है, लेकिन यह पैप स्मीयर इमेज (गर्भाशय ग्रीवा के कैंसर की जांच के लिए उपयोग किए जाने वाले माइक्रोस्कोप स्लाइड) के लिए है।

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

1. समस्या: "एक ही आकार सबके लिए" वाला जाल (The "One-Size-Fits-All" Trap)

अतीत में, कंप्यूटरों को एक कठोर, वर्गाकार "आवर्धक लेंस" (magnifying glass) का उपयोग करके कोशिकाओं को खोजने के लिए कहा जाता था जो हमेशा एक ही आकार (100x100 पिक्सेल) का होता था।

उपमा: कल्पना कीजिए कि आप एक ही आकार के फोटो फ्रेम का उपयोग करके एक नन्ही चींटी और एक विशाल हाथी दोनों को खोजने की कोशिश कर रहे हैं। फ्रेम या तो हाथी के कान काट देगा या चींटी के आसपास बहुत अधिक खाली जगह शामिल कर लेगा।
समाधान: टीम ने महसूस किया कि उन्हें लचीला होने की आवश्यकता है। उन्होंने अपने AI को कई अलग-अलग आकारों (छोटे 20x20 वर्ग से लेकर बड़े 120x120 वर्ग तक) में कोशिकाओं को खोजने के लिए प्रशिक्षित किया। इस तरह, AI छोटे सेल्स पर ज़ूम इन कर सकता है और बड़े सेल्स के लिए ज़ूम आउट कर सकता है, ठीक वैसे ही जैसे एक मानव फोटोग्राफर अपने लेंस को एडजस्ट करता है।

2. टीम: "YOLO" स्काउट्स और "U-Net" स्नाइपर

केवल एक AI पर निर्भर रहने के बजाय, उन्होंने अलग-अलग सुपरपावर्स वाली एक टीम बनाई।

YOLO स्काउट्स (You Only Look Once):
- भूमिका: ये तेज़, आक्रामक स्काउट्स हैं। वे पूरी इमेज को तेज़ी से स्कैन करते हैं और चिल्लाकर बताते हैं, "मुझे यहाँ एक सेल दिख रहा है!" और "मुझे वहाँ एक और दिख रहा है!"
- ताकत: वे चीजों को ढूंढने में अविश्वसनीय रूप से अच्छे हैं (उच्च "Recall")। वे शायद ही कभी किसी सेल को मिस करते हैं।
- कमजोरी: वे थोड़े शोर वाले हो सकते हैं। वे कभी-कभी बैकग्राउंड के रैंडम धब्बों को देखकर भी "सेल!" चिल्ला देते हैं (False Positives)।
- रणनीति: उन्होंने इस स्काउट के दो अलग-अलग संस्करणों का उपयोग किया—एक सूक्ष्म विवरणों के लिए और दूसरा व्यापक आकृतियों के लिए—और उनकी रिपोर्टों को मिला दिया।
U-Net स्नाइपर:
- भूमिका: यह AI धीमा है लेकिन बहुत अधिक सावधान है। केवल "सेल!" चिल्लाने के बजाय, यह एक "हीट मैप" (जैसे मौसम का नक्शा जो दिखाता है कि कहाँ सबसे अधिक गर्मी है) बनाता है। यह उच्च सटीकता के साथ एक सेल के सटीक केंद्र को हाइलाइट करता है।
- ताकत: यह बहुत सटीक है (उच्च "Precision")। यह धूल के कण को सेल समझने की गलती शायद ही कभी करता है।
- कमजोरी: यह थोड़ा शर्मीला है और उन कुछ सेल्स को मिस कर सकता है जिन्हें स्काउट्स ने ढूंढा था।

3. "रिफाइनमेंट पाइपलाइन": फिल्टर फैक्ट्री

एक बार जब स्काउट्स और स्नाइपर ने संदिग्धों की सूची भेज दी, तो टीम ने केवल उस सूची को स्वीकार नहीं किया। उन्होंने शोर को साफ करने के लिए सूची को तीन-चरणीय फिल्टर फैक्ट्री से गुजारा:

चरण 1: "दो बार न गिनें" नियम (NMS)
- यदि स्काउट और स्नाइपर दोनों एक ही स्थान की ओर इशारा करते हैं, तो सिस्टम उन्हें एक आत्मविश्वासी रिपोर्ट में मिला देता है। यदि दो रिपोर्ट बहुत करीब हैं, तो यह उच्च कॉन्फिडेंस स्कोर वाली रिपोर्ट को रखता है और डुप्लिकेट को हटा देता है।
- उपमा: यदि दो लोग आपको बताते हैं कि एक कार कोने पर है, तो आप उसे दो कारों के रूप में नहीं गिनते। आप उसे एक ही कार गिनते हैं।
चरण 2: "भीड़भाड़ वाला कमरा" फिल्टर (Spatial Density)
- इमेज को 16 छोटे वर्गों में विभाजित किया गया है।
- भीड़भाड़ वाले वर्गों में: यदि किसी वर्ग में 30+ "संदिग्ध" हैं, तो सिस्टम को संदेह होता है। वह मान लेता है कि AI केवल भ्रमित होकर कुछ भी देख रहा है क्योंकि वह बहुत व्यस्त है। वह मानक को ऊंचा कर देता है, और केवल सबसे आत्मविश्वासी संदिग्धों को ही रखता है।
- खाली वर्गों में: यदि किसी वर्ग में बहुत कम संदिग्ध हैं, तो सिस्टम मानक को कम कर देता है। वह सोचता है, "शायद यहाँ कोई दुर्लभ, अकेला सेल है," इसलिए वह किसी भी चीज़ को मिस करने से बचने के लिए कमजोर संकेतों को भी रखता है।
चरण 3: "अंतिम निर्णायक" (Binary Classifier)
- पहले दो चरणों से जीवित बचे कम-आत्मविश्वास वाले संदिग्धों के लिए, एक अंतिम विशेषज्ञ (एक AI जिसे EfficientNet कहा जाता है) उन्हें बारीकी से देखता है।
- यह एक सरल प्रश्न पूछता है: "क्या यह वास्तव में एक सेल है, या यह केवल एक अजीब छाया/धब्बा है?" यदि यह कचरा दिखता है, तो इसे बाहर फेंक दिया जाता है।

4. परिणाम: दूसरा स्थान!

टीम ने इस सिस्टम को एक वैश्विक प्रतियोगिता (Riva Cytology Challenge) में शामिल किया।

स्कोर: उन्हें 0.5909 के स्कोर के साथ दुनिया में दूसरा स्थान मिला।
समझौता (Trade-off): सिस्टम को जितने संभव हो उतने सेल्स खोजने के लिए ट्यून किया गया था (भले ही इसके लिए कुछ गलत अलार्म बजें), क्योंकि कैंसर स्क्रीनिंग में, कैंसर सेल को मिस करना एक गलत अलार्म से कहीं अधिक बुरा है।
अंतर्दृष्टि: लेखकों ने उल्लेख किया कि यदि वे अधिक "सटीक" (कम गलत अलार्म) होना चाहते हैं, तो वे बस कॉन्फिडेंस बार को थोड़ा बढ़ा सकते हैं। यह सिस्टम को डॉक्टरों के उपयोग के लिए अधिक सुरक्षित बना देगा, भले ही इससे प्रतियोगिता का स्कोर थोड़ा कम हो जाए।

सारांश

इस सिस्टम को जासूसों की एक टीम के रूप में समझें:

स् स्काउट्स उन सभी को ढूंढते हैं जो संदिग्ध हो सकते हैं।
एक स्नाइपर उच्च सटीकता के साथ सबसे संभावित संदिग्धों को चिन्हित करता है।
एक रिफाइनमेंट टीम सूची की जांच करती है, डुप्लिकेट को हटाती है, भीड़भाड़ वाले क्षेत्रों में शोर को फिल्टर करती है, और कठिन मामलों को सत्यापित करने के लिए एक अंतिम विशेषज्ञ का उपयोग करती है।

यह दृष्टिकोण डॉक्टरों को पैप स्मीयर को तेज़ी से और अधिक विश्वसनीयता के साथ स्क्रीन करने की अनुमति देता है, जिससे कैंसर का जल्दी पता लगाने और जीवन बचाने में मदद मिलती है।

यहाँ "A Multi-Stage Optimization Pipeline for Bethesda Cell Detection in Pap Smear Cytology" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र पैप स्मीयर छवियों में बेथस्डा कोशिकाओं (जो गर्भाशय ग्रीवा के कैंसर या पूर्व-कैंसर स्थितियों का संकेत देती हैं) का पता लगाने को स्वचालित करने की महत्वपूर्ण चुनौती को संबोधित करता है। हालाँकि पैप स्मीयर एक मानक स्क्रीनिंग उपकरण है, इसकी प्रभावकारिता काफी हद तक मैन्युअल व्याख्या पर निर्भर करती है, जो श्रम-साध्य है और मानवीय त्रुटियों (थकान, अंतर-अवलोकन परिवर्तनशीलता) के प्रति संवेदनशील है।

पहचाने गए मुख्य चुनौतियाँ शामिल हैं:

डेटा सीमाएँ: जैविक विविधता को दर्शाने वाले बड़े पैमाने के, उच्च गुणवत्ता वाले डेटासेट की कमी। लेखकों ने इस अंतर को पाटने के लिए एक नए मानकीकृत बेंचमार्क, RIVA डेटासेट का उपयोग किया है।
डिटेक्शन जटिलता: पैप स्मीयर छवियों में जटिल साइटोलॉजिकल वातावरण होता है जहाँ कोशिकाएं आकार और आकृति विज्ञान (morphology) में काफी भिन्न होती हैं।
मेट्रिक बाधाएँ: प्रतियोगिता (Riva Cytology Challenge, Track B) प्रदर्शन का मूल्यांकन mAP50-95 (IoU थ्रेशोल्ड 0.50 से 0.95 के बीच औसत औसत परिशुद्धता) का उपयोग करके करती है, जिसके लिए मॉडलों को विभिन्न स्तरों की स्थानीयकरण सटीकता (localization precision) के प्रति सुदृढ़ होना आवश्यक है।

2. कार्यप्रणाली (Methodology)

लेखक एक बहु-चरणीय अनुकूलन पाइपलाइन (multi-stage optimization pipeline) प्रस्तावित करते हैं जो एक रिफाइनमेंट चरण के साथ डिटेक्शन मॉडलों के एक एनसेंबल (ensemble) को जोड़ती है। यह आर्किटेक्चर तीन मुख्य चरणों में विभाजित है:

A. प्री-प्रोसेसिंग और मॉडल प्रशिक्षण (Pre-processing and Model Training)

एनोटेशन रीसाइज़िंग: मूल डेटासेट में एक समान $100\times100$ पिक्सेल बाउंडिंग बॉक्स का उपयोग किया गया था, जो अक्सर वास्तविक कोशिका आकृति विज्ञान से मेल खाने में विफल रहे। लेखकों ने केंद्र निर्देशांकों को सुरक्षित रखते हुए एनोटेशन को परिवर्तनीय आयामों ( $10\times10$ से $120\times120$ ) में रीसाइज किया ताकि केंद्र स्थानीयकरण को अनुकूलित किया जा सके। अनुभवजन्य परीक्षणों ने $20\times20$ और $50\times50$ को इष्टतम स्केल के रूप में पहचाना।
YOLO एनसेंबल: दो YOLOv8n (Nano) मॉडलों को अलग-अलग लक्ष्य बॉक्स आकारों ( $20\times20$ और $50\times50$ ) के साथ $1024\times1024$ इनपुट रिज़ॉल्यूशन पर प्रशिक्षित किया गया। इन मॉडलों को उच्च रिकॉल (recall) के लिए चुना गया, जिससे शुरुआत में परिशुद्धता (precision) के बजाय सभी संभावित कोशिकाओं का पता लगाने को प्राथमिकता दी गई।
U-Net हीटमैप रिग्रेशन: एक ResNet34 बैकबोन वाला एक U-Net मॉडल हीटमैप रिग्रेशर के रूप में प्रशिक्षित किया गया। बाउंडिंग बॉक्स के बजाय, इसने कोशिका नाभिक (nuclei) के केंद्रित 2D गौसियन कर्नेल (Gaussian kernels) की भविष्यवाणी की। इस दृष्टिकोण ने YOLO की तुलना में कम रिकॉल लेकिन काफी उच्च परिशुद्धता प्रदान की।

B. एनसेंबल रणनीति (Ensemble Strategy)

मॉडलों के आउटपुट को दूरी-आधारित तर्क (distance-based logic) का उपयोग करके मर्ज किया गया था:

प्रथम एनसेंबल: दो YOLO मॉडलों को संयोजित किया गया। 12-पिक्सेल यूक्लिडियन दूरी के भीतर डिटेक्शन का औसत (निर्देशांक और कॉन्फिडेंस) निकाला गया। एकल-मॉडल डिटेक्शन को केवल तभी रखा गया जब कॉन्फिडेंस $> 0.35$ हो।
द्वितीय एनसेंबल: YOLO एनसेंबल आउटपुट को U-Net भविष्यवाणियों के साथ मर्ज किया गया।
- सहवर्ती डिटेक्शन (12 पिक्सेल के भीतर) के स्कोर का औसत निकाला गया।
- महत्वपूर्ण चरण: बिना मेल वाले डिटेक्शन के लिए कॉन्फिडेंस थ्रेशोल्ड को 0 पर सेट किया गया, जिससे यह सुनिश्चित हुआ कि YOLO एनसेंबल या U-Net में से किसी भी मॉडल से प्राप्त सभी अद्वितीय भविष्यवाणियों को उच्च रिकॉल सुनिश्चित करने के लिए रखा जाए।

C. तीन-चरणीय अनुकूलन पाइपलाइन (Three-Stage Optimization Pipeline)

रॉ एनसेंबल आउटपुट को परिष्कृत करने और बैकग्राउंड शोर को हटाने के लिए एक पोस्ट-प्रोसेसिंग पाइपलाइन लागू की गई:

नॉन-मैक्सिमम सुप्रेसिव (NMS): 0.75 के उच्च IoU थ्रेशोल्ड के साथ लागू किया गया। इसे घनी रूप से पैक की गई विशिष्ट कोशिकाओं को संरक्षित करने के लिए उदार (permissive) रखा गया था, जबकि स्पष्ट डुप्लिकेट्स को हटाया गया, जिससे mAP50-95 मेट्रिक के लिए अनुकूलित किया गया जो व्यापक IoU रेंज में सटीक स्थानीयकरण को पुरस्कृत करता है।
स्थानिक घनत्व फ़िल्टरिंग (Spatial Density Filtering): छवियों को $4\times4$ $4 \times 4$ ग्रिड में विभाजित किया गया।
- उच्च-घनत्व वाले चतुर्थांश ( $\ge30$ डिटेक्शन): स्प्यूरियस शोर (spurious noise) को फ़िल्टर करने के लिए 0.1 का सख्त कॉन्फिडेंस थ्रेशोल्ड लागू किया गया।
- कम-घनत्व वाले चतुर्थांश ( $<30$ डिटेक्शन): अलग-थलग पड़ी असामान्य कोशिकाओं को मिस करने से बचने के लिए बहुत ही उदार 0.001 का थ्रेशोल्ड लागू किया गया।
बाइनरी क्लासिफिकेशन रिफाइनमेंट: वैध कोशिकाओं को बैकग्राउंड आर्टिफैक्ट्स से अलग करने के लिए एक बाइनरी क्लासिफायर (EfficientNet-B0) को प्रशिक्षित किया गया। इसे "हार्ड नेगेटिव्स" (ग्राउंड ट्रुथ के साथ IoU $<0.1$ वाली भविष्यवाणियाँ) पर प्रशिक्षित किया गया था। इन्फरेंस के दौरान, कम-कॉन्फिडेंस वाले एनसेंबल भविष्यवाणियों ( $<0.01$ ) को फ़िल्टर करने के लिए 0.05 का थ्रेशोल्ड लागू किया गया।

3. प्रमुख योगदान (Key Contributions)

नूतन एनसेंबल आर्किटेक्चर: उच्च रिकॉल और उच्च परिशुद्धता को संतुलित करने के लिए ऑब्जेक्ट डिटेक्शन (YOLO) को सेमेंटिक सेगमेंटेशन/हीटमैप रिग्रेशन (U-Net) के साथ सफलतापूर्वक एकीकृत किया गया।
अनुकूली एनोटेशन रणनीति (Adaptive Annotation Strategy): कोशिका आकृति विज्ञान के साथ बेहतर फिट होने के लिए प्रशिक्षण के दौरान बाउंडिंग बॉक्स को गतिशील रूप से रीसाइज करने की विधि विकसित की गई, जिससे केंद्र स्थानीयकरण में सुधार हुआ।
संदर्भ-जागरूक पोस्ट-प्रोसेसिंग (Context-Aware Post-Processing): एक स्थानिक घनत्व फ़िल्टरिंग तंत्र पेश किया गया जो स्थानीय सेल डेंसिटी के आधार पर कॉन्फिडेंस थ्रशहोल्ड को अनुकूलित करता है, जो शोर हटाने और दुर्लभ, अलग-थलग कोशिकाओं का पता लगाने के बीच के संतुलन को संबोधित करता है।
प्रतियोगिता प्रदर्शन: टेस्ट सेट पर 0.5909 के mAP50-95 स्कोर के साथ Riva Cytology Challenge (Track B) में द्वितीय स्थान प्राप्त किया।

4. परिणाम (Results)

मूल्यांकन RIVA वैलिडेशन सेट (131 छवियां) पर किया गया। मुख्य निष्कर्ष निम्नलिखित हैं:

व्यक्तिगत मॉडल प्रदर्शन:
- YOLOv8n ( $50\times50$ ): उच्चतम रिकॉल (0.9937) लेकिन बहुत कम परिशुद्धता (0.0665) के साथ, जिसका कारण उच्च फाल्स पॉजिटिव (37,398 FP) था।
- U-Net: कम रिकॉल (0.7983) लेकिन व्यक्तिगत मॉडलों में उच्चतम परिशुद्धता (0.694) और F1-स्कोर (0.7425) के साथ।
एनसेंबल प्रदर्शन:
- अंतिम भविष्यवाणी (पूर्ण पाइपलाइन के बाद) ने वैलिडेशन सेट पर 0.6232 का mAP50-95 प्राप्त किया।
- इसने स्टैंडअलोन YOLO (11,410 FP बनाम 37,398 FP) की तुलना में फाल्स पॉजिटिव को काफी कम करते हुए उच्च रिकॉल (0.9485) बनाए रखा।
ट्रेड-ऑफ विश्लेषण: शोध पत्र नोट करता है कि सख्ती से mAP50-95 के लिए अनुकूलित करने के लिए कम कॉन्फिडेंस थ्रेशोल्ड की आवश्यकता होती है, जिससे फाल्स पॉजिटिव बढ़ जाते हैं। हालांकि, एक मामूली कॉन्फिडेंस थ्रेशोल्ड वृद्धि mAP में केवल मामूली गिरावट के साथ F1-स्कोर (परिशुद्धता/रिकॉल संतुलन) को काफी बेहतर बना सकती है, जो यह सुझाव देता है कि मॉडल स्कोर नैदानिक उपयोगिता के लिए अच्छी तरह से कैलिब्रेटेड हैं जहाँ परिशुद्धता सर्वोपरि है।

5. महत्व (Significance)

यह कार्य प्रदर्शित करता है कि विविध डीप लर्निंग आर्किटेक्चर (डिटेक्शन + सेगमेंटेशन) को संदर्भ-जागरूक पोस्ट-प्रोसेसिंग के साथ जोड़ने वाली एक बहु-चरणीय पाइपलाइन पैप स्मीयर साइटोलॉजी की जटिलताओं से प्रभावी ढंग से निपट सकती है।

नैदानिक प्रासंगिकता: हालांकि प्रतियोगिता मेट्रिक (mAP) उच्च रिकॉल का पक्ष लेता है, लेखक इस बात पर जोर देते हैं कि नैदानिक स्क्रीनिंग में, उच्च परिशुद्धता वाला मॉडल (कम गलत अलार्म वाला) अधिक व्यावहारिक हो सकता है। उनका ढांचा इस विशिष्ट नैदानिक आवश्यकता के लिए ट्यून करने हेतु पर्याप्त लचीला है।
ओपन सोर्स: लेखकों ने अपना कार्यान्वयन और सोर्स कोड सार्वजनिक रूप से उपलब्ध कराया है, जिससे पुनरुत्पादकता (reproducibility) और आगे के अनुसंधान को बढ़ावा मिलता है।