BrainFusionNet: a deep learning and XAI model to understand local, global, and sequential features of MRI images for improved brain tumour detection

यहाँ "BrainFusionNet" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ हिंदी अनुवाद दिया गया है।

बड़ी तस्वीर: ब्रेन स्कैन के लिए एक जासूसी टीम

कल्पना कीजिए कि आप एक बहुत ही शोर-शराबे वाले, धुंधले कमरे (एक MRI स्कैन) के अंदर एक छोटे, छिपे हुए खजाने (ब्रेन ट्यूमर) को खोजने की कोशिश कर रहे हैं। कभी-कभी धुंध इतनी घनी होती है कि आप खजाने के किनारों को नहीं देख पाते। कभी-कभी खजाना आसपास के फर्नीचर जैसा ही दिखने लगता है।

लंबे समय से, कंप्यूटर (डीप लर्निंग) इस पहेली को सुलझाने की कोशिश कर रहे हैं। लेकिन वे अक्सर भ्रमित हो जाते हैं क्योंकि:

1. शोर (Noise): किनारों को छिपा देता है।
2. जटिलता (Complexity): स्वस्थ ऊतक (tissue) और बीमार ऊतक के बीच अंतर करना मुश्किल बना देती है।
3. "भूलने" की समस्या: जैसे-जैसे कंप्यूटर विवरण खोजने के लिए इमेज में गहराई तक जाता है, वह कभी बड़ी तस्वीर को भूल जाता है, या इसके विपरीत।

इस पेपर के लेखकों ने एक नया टूल बनाया है जिसे BrainFusionNet कहा जाता है। इसे केवल एक अकेले जासूस के रूप में नहीं, बल्कि एक विशेषज्ञ तीन-सदस्यीय जासूसी टीम के रूप में देखें जो केस सुलझाने के लिए मिलकर काम करती है।

तीन-सदस्यीय जासूसी टीम

केवल एक प्रकार के कंप्यूटर दिमाग का उपयोग करने के बजाय, यह मॉडल MRI को अलग-अलग कोणों से देखने के लिए तीन अलग-अलग "दिमागों" (एल्गोरिदम) को जोड़ता है:

1. "लोकल" (स्थानीय) जासूस (CNN):

   • यह क्या करता है: यह जासूस एक आवर्धक लेंस (magnifying glass) का उपयोग करता है। यह छोटे विवरणों, बनावट (textures) और किनारों को खोजने के लिए इमेज के छोटे, विशिष्ट स्थानों को देखता है।
   • उदाहरण: कल्पना कीजिए कि आप एक पेंटिंग को देख रहे हैं और यह देखने के लिए ध्यान केंद्रित कर रहे हैं कि पेंट में दरार तो नहीं है। मॉडल का यह हिस्सा ट्यूमर के "दानेदार" स्वरूप को पहचानने में माहिर है।

2. "ग्लोबल" (वैश्विक) जासूस (विज़न ट्रांसफार्मर या ViT):

   • यह क्या करता है: यह जासूस पीछे हट जाता है और एक बार में पूरे कमरे को देखता है। यह संदर्भ (context) को समझने के लिए इमेज के विभिन्न हिस्सों के बीच संबंध जोड़ता है।
   • उदाहरण: कल्पना कीजिए कि आप पूरी तस्वीर देखने के लिए पेंटिंग से पीछे हट जाते हैं। यह मॉडल को यह समझने में मदद करता है कि ट्यूमर बाकी मस्तिष्क से कैसे संबंधित है, जिससे यह सुनिश्चित होता है कि वह छोटे विवरणों में न खो जाए। यह एक "सेल्फ-अटेंशन" तंत्र की तरह काम करता है, जो यह तय करता है कि इमेज के किन हिस्सों पर ध्यान केंद्रित करना महत्वपूर्ण है।

3. "स्टोरीटेलर" (कहानी सुनाने वाला) (GRU):

   • यह क्या करता है: यह जासूस लोकल और ग्लोबल जासूसों के नोट्स लेता है और उन्हें क्रम में रखता है। भले ही एक MRI एक स्थिर (static) तस्वीर है, इसके भीतर के फीचर्स का एक क्रम (एक कहानी की तरह) होता है।
   • उदाहरण: कल्पना कीजिए कि एक जासूस पहले दो गवाहों को सुनता है और फिर कहता है, "ठीक है, उनके द्वारा बताए गए क्रम के आधार पर, यहाँ निष्कर्ष यह है।" यह हिस्सा अंतिम निर्णय लेने से पहले मॉडल को स्थानीय विवरणों और वैश्विक तस्वीर के बीच के संबंध को समझने में मदद करता है।

परिणाम: इन तीनों दृष्टिकोणों को जोड़कर, मॉडल छोटे विवरणों और बड़ी तस्वीर को एक साथ देख सकता है, जिससे बहुत अधिक सटीक निदान (diagnosis) होता है।

"ब्लैक बॉक्स" की समस्या: कंप्यूटर को खुद को समझाने के लिए प्रेरित करना

आमतौर पर, जब कोई कंप्यूटर कहता है, "यह एक ट्यूमर है," तो डॉक्टर पूछ नहीं सकते, "क्यों?" कंप्यूटर बस एक उत्तर दे देता है, जो एक "ब्लैक बॉक्स" की तरह है।

इसे ठीक करने के लिए, लेखकों ने एक्सप्लेनेबल एआई (XAI) टूल्स जोड़े हैं। उन्होंने तीन अलग-अलग "टॉर्च" (LIME, SHASH, और Grad-CAM) का उपयोग किया ताकि MRI इमेज पर रोशनी डाली जा सके और यह दिखाया जा सके कि निर्णय लेते समय कंप्यूटर वास्तव में कहाँ देख रहा था।

• हरे रंग की हाइलाइट: "इस हिस्से ने मुझे सोचने पर मजबूर किया कि यह ट्यूमर है।"
• लाल रंग की हाइलाइट: "इस हिस्से ने मुझे सोचने पर मजबूर किया कि यह ट्यूमर नहीं है।"

यह डॉक्टरों को सत्यापित करने की अनुमति देता है कि क्या कंप्यूटर वास्तविक ट्यूमर को देख रहा है या केवल किसी रैंडम छाया के आधार पर अनुमान लगा रहा है।

प्रयोग: यह कितना सफल रहा?

टीम ने अपने नए "तीन-सदस्यीय टीम" का परीक्षण छह अन्य प्रसिद्ध कंप्यूटर मॉडलों (जैसे VGG16 और ResNet) के खिलाफ दो अलग-अलग ब्रेन स्कैन डेटा सेट का उपयोग करके किया।

• स्कोर: BrainFusionNet ने 98% सटीकता प्राप्त की।
• प्रतियोगिता: अन्य मॉडलों में से सर्वश्रेष्ठ ने लगभग 96% प्राप्त किया।
• सीक्रेट सॉस (गुप्त मंत्र): पेपर में पाया गया कि नया मॉडल विशेष रूप से उन छोटे ट्यूमर को खोजने में बहुत अच्छा था जिन्हें अन्य मॉडल मिस कर देते थे। इसने इमेज के "शोर" (noise) को भी बेहतर तरीके से संभाला।

एक आश्चर्यजनक खोज: इमेज की चमक (Brightness)

शोधकर्ताओं ने कुछ अनूठा किया: उन्होंने पिक्सेल इंटेंसिटी (इमेज में पिक्सेल कितने चमकीले या गहरे हैं) का विश्लेषण किया।

• निष्कर्ष: उन्होंने पाया कि उच्च चमक (उच्च पिक्सेल इंटेंसिटी) वाली इमेज को कंप्यूटर द्वारा सही ढंग से वर्गीकृत करना बहुत आसान था।
• उदाहरण: यह एक किताब पढ़ने की कोशिश करने जैसा है। यदि रोशनी तेज़ (उच्च तीव्रता) है, तो आप शब्दों को आसानी से पढ़ सकते हैं। यदि रोशनी कम (कम तीव्रता) है, तो आप शब्द गलत पढ़ सकते हैं। जब MRI में "लाइटिंग" खराब या असंगत होती है, तो कंप्यूटर को संघर्ष करना पड़ता है।

वह जो यह पेपर नहीं कहता

यह महत्वपूर्ण है कि हम केवल वही कहें जो पेपर वास्तव में दावा करता है:

• यह कोई इलाज नहीं है: यह पेपर ट्यूमर का पता लगाने और वर्गीकरण करने के बारे में है, इलाज करने के बारे में नहीं।
• यह अभी अस्पताल का टूल नहीं है: हालांकि लेखक एक प्रोटोटाइप ऐप (एक वेब इंटरफेस और एक एंड्रॉइड ऐप) का उल्लेख करते हैं ताकि यह दिखाया जा सके कि यह कैसे काम कर सकता है, पेपर स्वयं मॉडल के अनुसंधान और परीक्षण पर केंद्रित है, न कि अस्पतालों में इसके उपयोग पर।
• यह केवल MRI तक सीमित है: मॉडल का परीक्षण केवल MRI स्कैन पर किया गया था। लेखक स्वीकार करते हैं कि उन्होंने अभी तक इसे CT स्कैन, एक्स-रे या अल्ट्रासाउंड इमेज पर टेस्ट नहीं किया है।
• ट्रांसफर लर्निंग विफल रही: पेपर नोट करता है कि जब उन्होंने "ट्रांसफर लर्निंग" (सामान्य फोटो पर प्रशिक्षित मॉडल को ब्रेन स्कैन पर लागू करना) का उपयोग करने की कोशिश की, तो यह शुरू से ट्रेनिंग देने की तुलना में वास्तव में खराब प्रदर्शन कर रहा था। यह सुझाव देता है कि ब्रेन स्कैन इतने अद्वितीय हैं कि सामान्य ज्ञान यहाँ ज्यादा काम नहीं आता।

सारांश

BrainFusionNet एक नया, हाइब्रिड कंप्यूटर मॉडल है जो ब्रेन स्कैन को देखने के तीन अलग-अलग तरीकों (छोटे विवरण, बड़ी तस्वीर, और फीचर्स का क्रम) को जोड़ता है ताकि ट्यूमर का पता लगाया जा सके। यह वर्तमान शीर्ष मॉडलों की तुलना में अधिक सटीक है, विशेष रूप से छोटे ट्यूमर के लिए, और इसमें एक "टॉर्च" फीचर शामिल है जो डॉक्टरों को दिखाता है कि इसने अपना निर्णय क्यों लिया। अध्ययन ने यह भी खुलासा किया कि MRI इमेज की चमक खुद यह तय करने में बड़ी भूमिका निभाती है कि कंप्यूटर ट्यूमर को कितनी अच्छी तरह देख पाएगा।