💻 computer science

Intracranial Aneurysm Classification and Segmentation via Tri-Axial ROI and Multi-Task Learning

यह शोध पत्र एक मल्टी-टास्क लर्निंग फ्रेमवर्क प्रस्तुत करता है जो 13 शारीरिक स्थलों और चार इमेजिंग मोडैलिटीज में इंट्राक्रैनील एन्यूरिज्म को एक साथ वर्गीकृत करने, सेगमेंट करने और स्थानीयकृत करने के लिए 2D ट्राइएक्सियल ROI निष्कर्षण को 3D nnU-Net बैकबोन के साथ जोड़ता है, जिसने RSNA 2025 चुनौती में दूसरा स्थान प्राप्त किया है।

मूल लेखक: Pengcheng Shi, Kaiyuan Yang, Houjing Huang, Jiawei Chen, Yan Lu, Jiaqi Liu, Murong Xu, Bjoern Menze, Xinglin Zhang

प्रकाशित 2026-06-26

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pengcheng Shi, Kaiyuan Yang, Houjing Huang, Jiawei Chen, Yan Lu, Jiaqi Liu, Murong Xu, Bjoern Menze, Xinglin Zhang

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 आपके मस्तिष्क की रक्त वाहिकाएं एक जटिल राजमार्ग नेटवर्क की तरह हैं। कभी-कभी, राजमार्ग की दीवार पर एक कमजोर हिस्सा बाहर की ओर फूल जाता है, जिससे एक खतरनाक बुलबुला बन जाता है जिसे एन्यूरिज्म (aneurysm) कहते हैं। यदि यह बुलबुला फट जाए, तो यह एक मेडिकल इमरजेंसी है। डॉक्टरों को यह तय करने के लिए कि इसे कैसे ठीक किया जाए, दो चीजें जानने की आवश्यकता होती है: बुलबुला बिल्कुल कहाँ है, और उसका आकार क्या है।

अब तक, कंप्यूटर प्रोग्राम ज्यादातर केवल यह बता सकते थे कि, "हाँ, यहाँ एक बुलबुला है," या "नहीं, यहाँ कोई बुलबुला नहीं है।" वे आपको यह नहीं बता सकते थे कि वह बुलबुला किस विशिष्ट राजमार्ग पर था, या आसपास की सड़क के मुकाबले बुलबुले का एक विस्तृत नक्शा कैसे बनाया जाए।

यह शोध पत्र एक नया कंप्यूटर सिस्टम पेश करता है जो एक सुपर-स्मार्ट, मल्टी-टास्किंग जासूस की तरह काम करता है। यह इस प्रकार काम करता है, जिसे सरल चरणों में विभाजित किया गया है:

1. "त्वरित नज़र" रणनीति (चरण 1)

कल्पना कीजिए कि आपके पास पनीर का एक विशाल, 3D ब्लॉक (ब्रेन स्कैन) है और आपको उसके अंदर एक छोटा सा टुकड़ा खोजना है। पुराना तरीका पूरे ब्लॉक को पतली परतों में काटने और हर एक परत को देखने का था। इसमें बहुत समय लगता है।

लेखकों की नई विधि केवल तीन विशिष्ट स्लाइस (परतों) पर एक त्वरित नज़र डालने की तरह है: एक ऊपर से, एक बगल से, और एक सामने से।

ट्रिक: वे इन तीन स्लाइसों को देखने के लिए एक 2D कैमरे का उपयोग करते हैं।
परिणाम: इन तीन कोणों से जो दिखता है उसे मिलाकर, कंप्यूटर तुरंत उस क्षेत्र के चारों ओर एक 3D बॉक्स बना सकता है जहाँ बुलबुला हो सकता है।
लाभ: यह पूरे ब्लॉक को स्लाइस-दर-स्लाइस देखने की तुलना में 12.7 गुना तेज़ है। यह मस्तिष्क के खाली हिस्सों पर समय बर्बाद किए बिना सीधे उस "पड़ोस" पर ज़ूम करता है जहाँ बुलबुला मौजूद हो सकता है।

2. "दो-सिर वाला" मस्तिष्क (चरण 2)

एक बार जब कंप्यूटर उस विशिष्ट पड़ोस पर ज़ूम कर लेता है, तो यह तीन काम एक साथ करने के लिए एक शक्तिशाली 3D मस्तिष्क (जो nnU-Net नामक एक प्रसिद्ध AI मॉडल पर आधारित है) का उपयोग करता है:

वर्गीकरण (Classify): क्या वहाँ कोई बुलबुला है?
स्थान निर्धारण (Locate): यह 13 विशिष्ट राजमार्ग खंडों में से किस पर है? (जैसे, "बायां हिस्सा, सामने की धमनी")।
मैपिंग (Map): बुलबुले और उस राजमार्ग की सटीक रूपरेखा खींचना जिससे वह जुड़ा हुआ है।

"ट्विन डिकोडर" (Twin Decoder) की समस्या:
इस काम में एक बड़ी समस्या है: रक्त वाहिकाएं बड़ी होती हैं, लेकिन एन्यूरिज्म का बुलबुला बहुत छोटा होता है। यदि आप कंप्यूटर को एक ही समय में दोनों को सीखने के लिए कहते हैं, तो वह आलसी हो जाता है और छोटे बुलबुले को अनदेखा कर देता है क्योंकि बड़ी वाहिकाएं देखना बहुत आसान होता है।

समाधान: लेखकों ने एक "ट्विन डिकोडर" प्रणाली बनाई।

डिकोडर A बड़ी वाहिकाओं और एक "ब्लब" (blob) को खोजने पर ध्यान केंद्रित करता है जो किसी भी बुलबुले का प्रतिनिधित्व करता है।
डिकोडर B विशिष्ट वाहिकाओं को उनके विशिष्ट बुलबुला स्थानों के साथ मिलाने पर ध्यान केंद्रित करता है।
जादू: काम को विभाजित करके, कंप्यूटर अभिभूत (overwhelmed) नहीं होता है। यह छोटे बुलबुले को एक वीआईपी (VIP) मेहमान की तरह मानता है, उसे विशेष ध्यान देता है ताकि वह बड़ी वाहिकाओं की भीड़ में खो न जाए।

3. विभिन्न "कैमरों" को संभालना

इस सिस्टम को चार अलग-अलग प्रकार के मेडिकल स्कैन (CTA, MRA, T2, T1-post) के साथ काम करना होता है। इन्हें ऐसे समझें जैसे चार अलग-अलग कैमरा लेंस जो एक ही दृश्य की तस्वीरें लेते हैं लेकिन अलग-अलग लाइटिंग और रंगों के साथ।

सिस्टम में एक विशेष "अनुवादक" (translator) शामिल है जो यह पहचानना सीखता है कि किस कैमरे का उपयोग किया गया था और उसके अनुसार अपनी समझ को समायोजित करता है, ताकि यह चाहे जो भी स्कैन देखे, यह पूरी तरह से काम करे।

4. परिणाम

गति: "त्वरित नज़र" रणनीति के कारण, यह सिस्टम अविश्वसनीय रूप से तेज़ है।
सटीकता: एक प्रमुख प्रतियोगिता (RSNA 2025) में, यह सिस्टम दूसरे स्थान पर आया।
विस्तार: यह पहला सिस्टम है जो सफलतापूर्वक एक साथ तीनों काम कर सकता है: "हाँ/नहीं" कहना, सटीक स्थान बताना, और वाहिका एवं बुलबुले दोनों का विस्तृत नक्शा बनाना।

उन्होंने क्या दावा नहीं किया

लेखक इस बारे में बहुत ईमानदार हैं कि उन्होंने क्या नहीं किया:

उन्होंने अभी तक यह परीक्षण नहीं किया है कि क्या यह अस्पताल में वास्तविक रोगियों पर जीवन बचाता है।
उन्होंने बुलबुलों के लिए पूर्ण "ग्राउंड ट्रुथ" (वास्तविक सटीक) नक्शे नहीं बनाए। चूंकि प्रतियोगिता का डेटा उन्हें केवल बुलबुले का केंद्र बिंदु (जैसे मानचित्र पर एक पिन) दे रहा था, इसलिए उन्हें पूरा आकार बनाने के लिए एक स्मार्ट अनुमान लगाने वाले खेल (जिसे "एक्टिव लर्निंग" कहा जाता है) का उपयोग करना पड़ा। उन्होंने इन अनुमानों की मैन्युअल रूप से जांच और सुधार की, लेकिन वे स्वीकार करते हैं कि बुलबुले के आकार अभी भी एक अनुमान हैं, न कि पूर्ण चिकित्सा तथ्य।

निष्कर्ष (The Bottom Line)

लेखकों ने एक तेज़, स्मार्ट टूल बनाया है जो ब्रेन स्कैन को ज़ूम कर सकता है, सूक्ष्म एन्यूरिज्मम खोज सकता है, आपको बता सकता है कि वे मस्तिष्क के "राजमार्ग मानचित्र" पर वास्तव में कहाँ हैं, और उन्हें चित्रित कर सकता है, और यह सब करते हुए विभिन्न प्रकार की मेडिकल छवियों को भी संभाल सकता है। उन्होंने कोड और टूल को दूसरों के उपयोग और सुधार के लिए उपलब्ध करा दिया है।

तकनीकी सारांश: ट्राइ-एक्सियल ROI और मल्टी-टास्क लर्निंग के माध्यम से इंट्राक्रैनील एन्यूरिज्म वर्गीकरण और विभाजन

समस्या विवरण
इंट्राक्रैनील एन्यूरिज्म अक्सर फटने तक लक्षणहीन रहते हैं, एक ऐसी घटना जिसमें मृत्यु दर बहुत अधिक होती है। प्रभावी जोखिम मूल्यांकन और उपचार योजना के लिए एन्यूरिज्म की आकृति विज्ञान (morphology) और शारीरिक स्थान दोनों का सटीक ज्ञान आवश्यक है। हालाँकि, मौजूदा स्वचालित विधियाँ बाइनरी आउटपुट (उपस्थिति/अनुपस्थिति, बाइनरी मास्क) तक सीमित हैं और सूक्ष्म शारीरिक वर्गीकरण या मल्टी-क्लास विभाजन प्रदान करने में विफल रहती हैं। इसके अलावा, विभिन्न इमेजिंग मोडैलिटीज (CTA, MRA, T2, T1-post) की विषमता कंट्रास्ट तंत्र, वोक्सेल स्पेसिंग और फील्ड ऑफ व्यू के संबंध में चुनौतियाँ पेश करती है। वर्तमान रीजन ऑफ इंटरेस्ट (ROI) निष्कर्षण विधियाँ अक्सर मोडैलिटी-विशिष्ट प्रीप्रोसेसिंग या कम्प्यूटेशनल रूप से महंगे 3D स्लाइडिंग-विंडो इन्फरेंस पर निर्भर करती हैं, जो स्केलेबिलिटी को सीमित करती हैं।

कार्यप्रणाली
लेखक एक दो-चरणीय फ्रेमवर्क प्रस्तावित करते हैं जिसे 13 शारीरिक स्थानों और चार इमेजिंग मोडैलिटीज में मल्टी-लेबल वर्गीकरण, मल्टी-क्लास एन्यूरिज्म सेगमेंटेशन और मल्टी-क्लास वेसल सेगमेंटेशन करने के लिए डिज़ाइन किया गया है।

चरण 1: 2D ट्राइ-एक्सियल ROI निष्कर्षण
पूर्ण 3D इन्फरेंस की कम्प्यूटेशनल लागत से बचने के लिए, लेखक एक तेज़ 2D ट्राइ-एक्सियल दृष्टिकोण पेश करते हैं। एक इनपुट वॉल्यूम के लिए, सिस्टम तीन ऑर्थोगोनल अक्षों (एक्सियल, सैजिटाल, कोरोनल) पर {1/4, 1/2, 3/4} स्थितियों पर तीन स्लाइस निकालता है, जिससे कुल नौ स्लाइस प्राप्त होते हैं। इन स्लाइस को एक मानक 2D nnU-Net बाइनरी सेगमेंटेशन मॉडल द्वारा प्रोसेस किया जाता है। परिणामी 2D मास्क स्थानिक आयामों को सीमित करते हैं (जैसे, एक्सियल स्लाइस $y$ और $x$ को सीमित करते हैं)। 3D बाउंडिंग बॉक्स को तीनों अक्षों पर गैर-खाली भविष्यवाणियों के निर्देशांकों के औसत द्वारा प्राप्त किया जाता है। यह विधि इन्फरेंस को प्रति वॉल्यूम नौ स्लाइस भविष्यवाणियों तक कम कर देती है, जिससे 3D स्लाइडिंग-विंडो इन्फरेंस की तुलना में 12.7× की गति वृद्धि प्राप्त होती है और यह निरंतर सर्कल ऑफ विलिस (Circle of Willis) और प्रॉक्सिमल आर्टेरियल सेगमेंट को समाहित करती है।
चरण 2: ड्यूल-डिकोडर के साथ 3D मल्टी-टास्क लर्निंग
क्रॉप किए गए ROI वॉल्यूम को $224 \times 224 \times 224$ के आकार में रीसाइज किया जाता है और nnU-Net पर आधारित एक 3D मल्टी-टास्क नेटवर्क द्वारा प्रोसेस किया जाता है।

ड्यूल-डिकोडर डिज़ाइन: अत्यधिक वॉल्यूम असंतुलन को संबोधित करने के लिए जहाँ एन्यूरिज्म वोक्सेल्स, वेसल वोक्सेल्स की तुलना में 2-3 ऑर्डर कम होते हैं, नेटवर्क एक एकल 26-क्लास डिकोडर के बजाय दो डिकोडर्स का उपयोग करता है।
- डिकोडर 1: 14 चैनल आउटपुट करता है, जो 13 वैस्कुलर एनाटॉमी क्लासेस को एक मर्ज किए गए एन्यूरिज्म क्लास से अलग करता है।
- डिकोडर 2: 13 चैनल आउटपुट करता है, जो प्रत्येक वेसल एनाटॉमी क्लास को उसके संबंधित एन्यूरिज्म लोकेशन क्लास के साथ जोड़ता है।
- पुनर्निर्माण (Reconstruction): ट्रेनिंग के बाद, डिकोडर के आउटपुट को फ्यूज करके पूर्ण 26-क्लास सेगमेंटेशन प्राप्त किया जाता है: यदि डिकोडर 1 मर्ज किए गए एन्यूरिज्म क्लास की भविष्यवाणी करता है और डिकोडर 2 वेसल एनाटॉमी क्लास $k$ की भविष्यवाणी करता है, तो अंतिम लेबल $k+13$ एन्यूरिज्म लोकेशन क्लास होगा।
वर्गीकरण हेड्स (Classification Heads): तीन वर्गीकरण हेड्स एनकोडर बॉटलनेक पर क्रॉस-अटेंशन पूलिंग का उपयोग करके निम्नलिखित की भविष्यवाणी करते हैं: (1) इनपुट मोडैलिटी (4 क्लासेस), (2) एन्यूरिज्म उपस्थिति (बाइनरी), और (3) मल्टी-लेबल एन्यूरिज्म लोकेशन (13 क्लासेस)।
लॉस फंक्शन: कुल लॉस सेगमेंटेशन लॉस (Dice + वेटेड क्रॉस-एन्ट्रॉपी) और वर्गीकरण लॉस (BCE/CE) का एक वेटेड सम है। क्लास असंतुलन से निपटने के लिए एन्यूरिज्म-संबंधित क्लासेस को काफी अधिक वेटेज दिया जाता है (डिकोडर 1 में 10× और डिकोडर 2 में 5×)।

डेटा तैयारी और ऑग्मेंटेशन
चूंकि RSNA-2025 चैलेंज ने केवल एन्यूरिज्म के सेंटर-पॉइंट कोऑर्डिनेट्स प्रदान किए थे न कि वोक्सेल-लेवल मास्क, इसलिए लेखकों ने एक एक्टिव-लर्निंग रणनीति का उपयोग किया। उन्होंने प्रारंभिक मॉडल्स का उपयोग करके वेसल एनाटॉमी और एन्यूरिज्म मास्क के लिए स्यूडो-लेबल्स जेनरेट किए, जिनकी मैन्युअल समीक्षा की गई, सुधारा गया और पुनरावृत्ति (iteratively) के माध्यम से वापस फीड किया गया। इस प्रक्रिया में सभी 4,348 ट्रेनिंग सीरीज़ शामिल थीं। इसके अतिरिक्त, लेटरलाइज्ड लेबल्स वाले मामलों के लिए डेटासेट के आकार को दोगुना करने हेतु लेफ्ट-राइट लेबल-स्वैप ऑग्मेंटेशन लागू किया गया था।

प्रमुख योगदान

2D ट्राइ-एक्सियल ROI निष्कर्षण: एक रणनीति जो पूर्ण 3D सेगमेंटेशन के बिना मल्टी-मोडल न्यूरोवैस्कुलर डेटा को हैंडल करती है, जिससे प्रति वॉल्यूम नौ स्लाइस भविष्यवाणियों तक इन्फरेंस कम हो जाता है।
एकीकृत मल्टी-टास्क फ्रेमवर्क: चार मोडैलिटीज में मल्टी-क्लास ग्रैन्युलैरिटी के साथ मल्टी-लेबल एन्यूरिज्म वर्गीकरण, मल्टी-क्लास एन्यूरिज्म सेगमेंटेशन और मल्टी-क्लास वेसल सेगमेंटेशन को एकीकृत करने वाला पहला तरीका।
ड्यूल-डिकोडर आर्किटेक्चर: एक डिज़ाइन जो विशेष रूप से एन्यूरिज्म और वेसल क्लासेस के बीच अत्यधिक क्लास असंतुलन को संबोधित करता है, जिससे स्पार्स एन्यूरिज्म टारगेट्स के लिए प्रभावी ग्रेडिएंट फ्लो संभव होता है।
पब्लिक रिलीज़: लेखकों ने आगे के शोध के समर्थन के लिए कोड, मॉडल वेट्स और एक 3D Slicer प्लगइन जारी किया है।

परिणाम
फ्रेमवर्क ने RSNA 2025 इंट्राक्रैनील एन्यूरिज्म डिटेक्शन चैलेंज में दूसरा स्थान प्राप्त किया।

प्रदर्शन: फाइनल एन्सेम्बल (दो फोल्ड) ने पब्लिक AUC 0.90035 और प्राइवेट AUC 0.86727 प्राप्त किया।
एब्लेशन अंतर्दृष्टि (Ablation Insights):
- एक्टिव लर्निंग के माध्यम से सेगमेंटेशन एनोटेशन को रिफाइन करने और वेसल एनाटॉमी लेबल्स को विस्तारित करने से प्राइवेट लीडरबोर्ड पर +0.032 की वृद्धि हुई।
- 8× कॉम्बिनेशन के साथ टेस्ट-टाइम ऑग्मेंटेशन (TTA) ने +0.010 की वृद्धि प्रदान की।
- दो फोल्ड के एन्सेम्बल ने मामूली लेकिन निरंतर +0.005 की वृद्धि प्रदान की।
दक्षता: 2D ट्राइ-एक्सियल दृष्टिकोण ने RTX 3090 पर प्रति वॉल्यूम 0.51 सेकंड की औसत इन्फरेंस स्पीड हासिल की, जबकि 3D स्लाइडिंग-विंडो बेसलाइन के लिए यह 6.44 सेकंड थी।

महत्व और दावे
पेपर का दावा है कि इसका प्राथमिक महत्व बाइनरी डिटेक्शन से आगे बढ़कर विषम इमेजिंग मोडैलिटीज में सूक्ष्म, मल्टी-क्लास एनाटॉमिकल आउटपुट प्रदान करने में निहित है। लेखक बताते हैं कि उनका ड्यूल-डिकोडर डिज़ाइन उन मेडिकल सेगमेंटेशन कार्यों में अत्यधिक क्लास असंतुलन को संभालने के लिए एक व्यवहार्य रणनीति प्रदान करता है जहाँ लक्षित संरचनाएं (एन्यूरिज्म) बैकग्राउंड (वेसल्स) की तुलना में बहुत सूक्ष्म होती हैं। वे यह भी उल्लेख करते हैं कि हालांकि सेगमेंटेशन मूल्यांकन ग्राउंड-ट्रुथ वोक्सेल मास्क की कमी के कारण गुणात्मक (qualitative) बना हुआ है, फिर भी फ्रेमवर्क सफलतापूर्वक सघन एनाटॉमिकल आउटपुट उत्पन्न करता है, भले ही इसे मुख्य रूप से वर्गीकरण के लिए प्रशिक्षित किया गया हो। वे सक्रिय रूप से सीखने (active learning) के माध्यम से जेनरेट किए गए स्यूडो-लेबल्स और दो डिकोडर्स के पोस्ट-प्रोसेसिंग फ्यूजन की आवश्यकता वाले गैर-एंड-टू-एंड मल्टी-क्लास रिकवरी सहित सीमाओं को स्वीकार करते हैं।