Diabetic Retinopathy Classification using Downscaling Algorithms and Deep Learning
यह शोध पत्र कागल (Kaggle) और भारतीय डेटासेट को संयोजित करके, इमेज आकार की परिवर्तनशीलता को संबोधित करने के लिए डाउनस्केलिंग एल्गोरिदम को लागू करके, और अत्याधुनिक सटीकता, विशिष्टता और संवेदनशीलता प्राप्त करने के लिए एक अद्वितीय प्रीप्रोसेसिंग के साथ एक कस्टम मल्टी-चैनल इनसेप्शन V3 (Multi-Channel Inception V3) आर्किटेक्चर का उपयोग करके डायबिटिक रेटिनोपैथी को पांच गंभीरता चरणों में वर्गीकृत करने के लिए एक नवीन दृष्टिकोण प्रस्तावित 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
यहाँ इस शोध पत्र का सरल अवधारणाओं और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।
बड़ी समस्या: बहुत अधिक विवरण, बहुत कम समय
कल्पना कीजिए कि आप किसी व्यक्ति की आँख की एक उच्च-परिभाषा वाली तस्वीर (जिसे "फंडस इमेज" कहा जाता है) को छाँटने की कोशिश कर रहे हैं ताकि यह देख सकें कि उन्हें डायबिटिक रेटिनोपैथी (Diabetic Retinopathy) नामक विशिष्ट नेत्र रोग है या नहीं।
समस्या यह है कि ये तस्वीरें बहुत बड़ी हैं। ये विशाल 4K मूवी पोस्टरों की तरह हैं। यदि आप इन विशाल पोस्टरों को सीधे एक कंप्यूटर मस्तिष्क (डीप लर्निंग नेटवर्क) में डालने की कोशिश करते हैं, तो कंप्यूटर अभिभूत हो जाएगा। यह ऐसा है जैसे बिना चश्मे के सूक्ष्म फ़ॉन्ट में लिखी गई किताब पढ़ने की कोशिश करना; कंप्यूटर थक जाएगा, इसमें बहुत समय लगेगा, और वह महत्वपूर्ण विवरणों को मिस कर सकता है।
डॉक्टरों को बीमारी की गंभीरता के आधार पर इन तस्वीरों को पाँच अलग-अलग श्रेणियों में छाँटना होता है:
- कोई बीमारी नहीं (क्लास 0)
- हल्की (क्लास 1)
- मध्यम (क्लास 2)
- गंभीर (क्लास 3)
- प्रोलिफेरेटिव (क्लास 4 - सबसे खराब चरण)
समाधान: सिकोड़ें, विभाजित करें और छाँटें
इस शोध पत्र के लेखकों ने कंप्यूटर को अपना काम बेहतर ढंग से करने में मदद करने के लिए तीन-चरणीय रेसिपी बनाई है।
चरण 1: "श्रिंक रे" (डाउनस्केलिंग/छोटा करना)
तस्वीरों को कंप्यूटर को दिखाने से पहले, उन्हें छोटा करना आवश्यक था। लेकिन आप फोटो को गुब्बारे की तरह बस दबा नहीं सकते; यदि आप इसे गलत तरीके से करते हैं, तो तस्वीर धुंधली हो जाती है और आप वे सुराग (जैसे रक्त वाहिकाओं के छोटे रिसाव) खो देते हैं जो बताते हैं कि रोगी बीमार है।
शोधकर्ताओं ने छवियों को छोटा करने के छह अलग-अलग तरीकों का परीक्षण किया, जैसे कि विभिन्न प्रकार के फोटो-एडिटिंग फिल्टर का उपयोग करना:
- पुराने तरीके: नियरस्ट नेबर (Nearest Neighbor), बाइलिनियर (Bilinear), बायक्यूबिक (Bicubic), और लैंज़ोस (Lanczos) (ये आकार बदलने के मानक गणितीय सूत्र हैं)।
- स्मार्ट तरीके: RDIP और LID (लर्न्ड इमेज डाउनसैंपलिंग)। ये "स्मार्ट" श्रिंक रे की तरह हैं जो खाली जगह को फेंकते समय महत्वपूर्ण विवरणों को बनाए रखना सीखते हैं।
प्रयोग: उन्होंने छवियों को छोटा किया, फिर यह देखने के लिए उन्हें उनके मूल आकार में वापस बड़ा किया कि कौन सा तरीका मूल चित्र जैसा दिखता है।
विजेता: LID विधि और बाइलिनियर विधि ने सबसे अधिक विवरण बनाए रखा। LID चैंपियन था, जो एक मास्टर फोटोग्राफर की तरह काम करता है जिसे पता होता है कि किन पिक्सेल को रखना है और किन्हें हटा देना है।
चरण 2: "फोर-विंडो" दृश्य (मल्टी-चैनल आर्किटेक्चर)
एक बार जब छवियां एक प्रबंधनीय आकार (600x600 पिक्सेल) में सिकुड़ गईं, तो शोधकर्ताओं के पास अभी भी एक समस्या थी। कंप्यूटर का मस्तिष्क (Inception V3 नेटवर्क) छोटी तस्वीरों (300x300 पिक्सेल) को देखने के लिए डिज़ाइन किया गया है।
पूरी 600x600 की छवि को एक छोटे विंडो में जबरदस्ती फिट करने के बजाय, उन्होंने छवि को चार समान वर्गों में काट दिया (ऊपर-बाएँ, ऊपर-दाएँ, नीचे-बाएँ, नीचे-दाएँ)।
एक दीवार पर चार अलग-अलग खिड़कियों के माध्यम से एक पेंटिंग को देखने की कल्पना करें।
- उन्होंने प्रत्येक के चार वर्गों को कंप्यूटर के एक अलग "नेत्र" (चैनल) में फीड किया।
- प्रत्येक "नेत्र" ने अपने विशिष्ट वर्ग को देखा और सीखा कि उसने क्या देखा।
- फिर, वे अंतिम निर्णय लेने के लिए आपस में नोट्स की तुलना करने के लिए चारों "नेत्रओं" को एक साथ लाए।
इसे मल्टी-चैनल आर्किटेक्चर कहा जाता है। यह चार जासूसों की एक टीम की तरह है, जिनमें से प्रत्येक अपराध स्थल के एक अलग कोने को देख रहा है, और फिर मामला सुलझाने के लिए मिलकर चर्चा कर रहे हैं। यह सुनिश्चित करता है कि कंप्यूटर एक ही नज़र में बहुत बड़ी तस्वीर होने के कारण कुछ भी मिस न करे।
चरण 3: "स्मार्ट टीचर" (ट्रांसफर लर्निंग)
जिस कंप्यूटर मस्तिष्क का उन्होंने उपयोग किया (Inception V3), उसे पहले से ही लाखों सामान्य तस्वीरों (जैसे बिल्लियाँ, कारें और पेड़) पर पैटर्न पहचानने के लिए प्रशिक्षित किया गया था। शोधकर्ता उसे शुरू से नहीं सिखाना चाहते थे।
इसके बजाय, उन्होंने ट्रांसफर लर्निंग का उपयोग किया। इसे एक ऐसे मास्टर शेफ को काम पर रखने की तरह समझें जो पहले से ही फ्रांसीसी व्यंजन बनाना जानता है। आप उन्हें चाकू पकड़ना नहीं सिखाते; आप बस उन्हें भारतीय खाना बनाना सिखाते हैं। वे अपने चाकू कौशल (प्री-ट्रेंड वेट्स) को बनाए रखते हैं लेकिन नई रेसिपी (डायबिटिक रेटिनोपैथी पैटर्न) जल्दी सीख लेते हैं।
परिणाम: कौन जीता?
शोधकर्ताओं ने अपने सिस्टम को प्रशिक्षित करने के लिए दो बड़े डेटासेट (एक Kaggle से और एक भारत से) को संयोजित किया। उन्होंने अपने "फोर-विंडो" सिस्टम का परीक्षण दो सर्वश्रेष्ठ संकुचन विधियों (बाइलिनियर और LID) का उपयोग करके किया।
- बाइलिनियर टीम: लगभग 83% सटीकता प्राप्त की।
- LID टीम: लगभग 85% सटीकता प्राप्त की।
LID टीम जीत गई। वे इन मामलों में बेहतर थे:
- सटीकता (Accuracy): कुल मिलाकर सही उत्तर देना।
- संवेदनशीलता (Sensitivity): बीमार रोगियों को पकड़ना (बीमारी को मिस न करना)।
- विशिष्टता (Specificity): स्वस्थ रोगियों की सही पहचान करना (गलत चेतावनी न देना)।
निष्कर्ष
यह शोध पत्र दावा करता है कि एक स्मार्ट संकुचन विधि (LID) और एक टीम-आधारित दृश्य प्रणाली (Multi-Channel) का उपयोग करके, उन्होंने एक ऐसा कंप्यूटर प्रोग्राम बनाया है जो मधुमेह संबंधी नेत्र रोग का पता लगाने में कई पिछले तरीकों की तुलना में बेहतर है।
उन्होंने यह दावा नहीं किया कि उन्होंने बीमारी का इलाज खोज लिया है या यह कल अस्पतालों में उपयोग के लिए तैयार है। उन्होंने केवल यह सिद्ध किया है कि आप फोटो को कैसे तैयार करते हैं (डाउनस्केलिंग) और आप इसे कंप्यूटर को कैसे खिलाते हैं (इसे चार भागों में विभाजित करना), यह इस बात में बहुत बड़ा अंतर पैदा करता है कि कंप्यूटर बीमारी का निदान करने में कितनी अच्छी तरह सीख सकता 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।