Boosting Generalizable Depth Estimation in Endoscopy by Mixture of Lightweight Experts and Intrinsic Image Alignment

कल्पना कीजिए कि आप केवल एक टॉर्च की मदद से एक अंधेरी, गीली गुफा में रास्ता खोजने की कोशिश कर रहे हैं। यदि प्रकाश गीली दीवारों से अजीब तरीके से टकराकर वापस आता है, या यदि हर बार कोना मुड़ने पर गुफा अलग दिखती है, तो यह समझना अविश्वसनीय रूप से कठिन हो जाता है कि दीवारें कितनी दूर हैं। यह बिल्कुल वही चुनौती है जिसका सामना डॉक्टर न्यूनतम आक्रामक सर्जरी (minimally invasive surgeries) के दौरान करते हैं, जहाँ सूक्ष्म कैमरों (एंडोस्कोप) का उपयोग शरीर के भीतर किया जाता है। शरीर के भीतर का वातावरण एक पेचीदा परिवेश है: ऊतक चमकदार होते हैं, रोशनी बेतहाशा परावर्तित हो सकती है, और हर मरीज की शारीरिक रचना थोड़ी अलग होती है। रोबोट और सर्जनों को 3D में "देखने" में मदद करने के लिए, वैज्ञानिक डेप्थ एस्टीमेशन (depth estimation) नामक तकनीक का उपयोग करते हैं, जो मूल रूप से एक सपाट तस्वीर को देखकर कंप्यूटर द्वारा यह अनुमान लगाने जैसा है कि चीजें कितनी दूर हैं। हालांकि कंप्यूटर बाहरी दुनिया में (जैसे कि सेल्फ-ड्राइविंग कारों के लिए) इसमें कुशल हो रहे हैं, लेकिन वे शरीर के भीतर भ्रमित हो जाते हैं क्योंकि वहां रोशनी बहुत असंगत होती है और बनावट (textures) बहुत अनूठी होती है।

यह शोध पत्र EndoMINI नामक एक नया, चतुर सिस्टम पेश करता है जिसे इन कैमरों को गहराई को बेहतर ढंग से समझने में मदद करने के लिए डिज़ाइन किया गया है, भले ही लाइटिंग अव्यवस्थित हो या दृश्य बदल रहा हो। शोधकर्ताओं ने इस सिस्टम को दो मुख्य तरकीबों का उपयोग करके बनाया है। पहली बात, उन्होंने एक सामान्य मस्तिष्क के बजाय एक "विशेषज्ञों की टीम" बनाई है। इसे एक स्कूल की तरह समझें जहाँ, एक ही शिक्षक द्वारा हर विषय को हर छात्र को पढ़ाने के बजाय, आपके पास एक स्मार्ट स्विच है जो विशिष्ट पाठ के लिए सबसे अच्छे शिक्षक को चुनता है—चाहे वह गणित हो, कला हो, या इतिहास। कंप्यूटर के मस्तिष्क में, इसका अर्थ है कि यह देख रहा है कि क्या चमकदार लिवर है या सुस्त आंत, और इसके आधार पर तुरंत सही "विशेषज्ञ" मोड में बदल सकता है। दूसरा, उन्होंने कंप्यूटर को चमक (glare) को अनदेखा करना सिखाया। जैसे कि आप खिड़की पर पड़ने वाले प्रतिबिंब को देखने के लिए अपनी आँखें सिकोड़ सकते हैं, यह सिस्टम ऊतक के "रंग" को प्रकाश की "चमक" से अलग करना सीखता है, जिससे यह रोशनी के इधर-उधर टकराने के बावजूद सटीक दूरी मापने में सक्षम होता है।

टीम ने अपने नए EndoMINI सिस्टम का परीक्षण कई डेटासेट्स पर किया, जिसमें SCARED नामक एक डेटासेट भी शामिल है, और पाया कि यह पिछले तरीकों की तुलना में दूरियों का अनुमान लगाने में बेहतर था, चाहे इसे समान छवियों पर प्रशिक्षित किया गया हो या पूरी तरह से नए, अनदेखे वीडियो (जिसे "जीरो-शॉट" परीक्षण कहा जाता है) पर अनुमान लगाना हो। उन्होंने यह भी दिखाया कि यह कैमरा कैसे हिल रहा था और कैमरा की अपनी सेटिंग्स का भी अनुमान लगा सकता था, बिना पहले से बताए। परिणाम बताते हैं कि विशेषज्ञों के इस मिश्रण और चमक को अनदेखा करने की क्षमता का उपयोग करके, सिस्टम एक अधिक स्पष्ट 3D दृश्य प्रदान कर सकता है, जिससे रोबोटिक सर्जरी संभावित रूप से सुरक्षित और अधिक सटीक हो सकती है।

समस्या: एंडोस्कोपिक डेप्थ (गहराई) मुश्किल क्यों है?

डेप्थ एस्टीमेशन यह पता लगाने की कला है कि चीजें कैमरे से कितनी दूर हैं। बाहरी दुनिया में, कंप्यूटर इसमें काफी कुशल हो गए हैं, लेकिन मानव शरीर के भीतर, यह एक दुःस्वप्न है। शोध पत्र दो मुख्य खलनायकों की ओर इशारा करता है:

1. "चमकदार" समस्या: शरीर के भीतर के ऊतक गीले और परावर्तक होते हैं। प्रकाश उनसे अप्रत्याशित तरीकों से टकराता है, जिससे एक सपाट सतह भी उभार या गड्ढे जैसी दिखने लगती है।
2. "हर बार अलग" समस्या: हर मरीज अलग होता है, और यहाँ तक कि एक ही मरीज के अलग-अलग हिस्से भी अद्वितीय दिखते हैं। एक मॉडल जिसे एक प्रकार के ऊतक को पहचानने के लिए प्रशिक्षित किया गया है, वह दूसरे प्रकार के ऊतक को देखकर पूरी तरह से भ्रमित हो सकता है।

मौजूदा तरीकों ने इसे ठीक करने की कोशिश की, लेकिन वे अक्सर इन नए दृश्यों के अनुकूल होने या रोशनी की चकाचौंध को अनदेखा करने में संघर्ष करते रहे।

समाधान: विशेषज्ञों की एक टीम और एक ग्लेयर फ़िल्टर

लेखकों ने EndoMINI का प्रस्ताव दिया है, जो दो अभिनव दृष्टिकोणों के साथ इन समस्याओं से निपटता है।

1. मिश्रण ऑफ लो-रैंक एक्सपर्ट्स (MiLoRE)
एक ऐसी लाइब्रेरी की कल्पना करें जहाँ आमतौर पर आपको मदद के लिए एक लाइब्रेरियन से पूछना पड़ता है। यदि आप किसी दुर्लभ पुस्तक के बारे में पूछते हैं, तो हो सकता है कि उन्हें उत्तर न पता हो। अब, एक ऐसी लाइब्रेरी की कल्पना करें जिसमें एक स्मार्ट रोबोट है जो जानता है कि किस विशेषज्ञ को बुलाना है। यदि आप इतिहास के बारे में पूछते हैं, तो वह इतिहास विशेषज्ञ को बुलाता है; यदि आप विज्ञान के बारे में पूछते हैं, तो वह विज्ञान विशेषज्ञ को बुलाता है।

EndoMINI में, कंप्यूटर "मिक्सचर ऑफ लो-रैंक एक्सपर्ट्स" (MiLoRE) का उपयोग करता है। एक विशाल, कठोर मस्तिष्क रखने के बजाय जो सब कुछ सीखने की कोशिश करता है, सिस्टम में एक "राउटर" होता है जो छवि को देखता है और निर्णय लेता है कि किन छोटे, विशिष्ट "विशेषज्ञ" मॉड्यूल को सक्रिय करना है।

• यह कैसे काम करता है: सिस्टम LoRA (लो-रैंक अडैप्टेशन) नामक तकनीक का उपयोग करता है, जो एक पूर्व-मौजूदा स्मार्ट मस्तिष्क में एक छोटे, समायोज्य "ट्रेनिंग व्हील्स" की परत जोड़ने जैसा है। MiLoRE सिस्टम में ऐसे कई छोटे विशेषज्ञ हैं। जब कैमरा एक विशिष्ट प्रकार का ऊतक देखता है, तो राउटर उस विशिष्ट दृश्य को संभालने के लिए सबसे अच्छा विशेषज्ञ (या विशेषज्ञों का मिश्रण) चुनता है।
• परिणाम: यह मॉडल को बिना शुरू से पूरी तरह से पुन: प्रशिक्षित किए विभिन्न एंडोस्कोपिक दृश्यों के अनुकूल होने की अनुमति देता है। यह कुशल और लचीला है।

2. इंट्रिन्सिक इमेज अलाइनमेंट (IIA)
अब, चमक (glare) की बात करते हैं। जब आप किसी चमकदार वस्तु की फोटो लेते हैं, तो वह चमकीला बिंदु वस्तु के वास्तविक आकार को देखना कठिन बना देता है। शोध पत्र एक तरीका पेश करता है जिससे वस्तु के "वास्तविक रंग" को प्रकाश की "चमक" से अलग किया जा सके।

• उपमा: एक पेंटिंग के बारे में सोचें। पेंट खुद "रिफ्लेक्टेंस" (ऊतक का वास्तविक रंग) है, और उस पर पड़ने वाला प्रकाश "शेडिंग" है। शोध पत्र का सिस्टम इन दोनों को अलग करना सीखता है। यह एक विशेष नेटवर्क का उपयोग करके छवि को "रिफ्लेक्टेंस मैप" (ऊतक वास्तव में कैसा दिखता है) और "शेडिंग मैप" (प्रकाश कहाँ पड़ रहा है) में विभाजित करता है।
• जादू: विभिन्न वीडियो फ्रेमों के बीच "रिफ्लेक्टेंस" मैप को संरेखित (align) करके, सिस्टम बदलते प्रकाश से भ्रमित हुए बिना गहराई की गणना कर सकता है। यह अनिवार्य रूप से कहता है, "चमकदार धब्बे को अनदेखा करें; उसके नीचे के वास्तविक रंग को देखें।"

उन्होंने क्या पाया

शोधकर्ताओं ने तीन डेटासेट्स: SCARED, Hamlyn, और SERV-CT पर EndoMINI का परीक्षण किया। इन डेटासेट्स में रोबोटिक सर्जरी के वास्तविक वीडियो शामिल हैं।

• सुपरवाइज्ड प्रदर्शन: SCARED डेटासेट पर, जहाँ मॉडल को ज्ञात उत्तरों के साथ प्रशिक्षित किया गया था, EndoMINi ने सभी अन्य अत्याधुनिक (state-of-the-art) तरीकों को पछाड़ दिया। उदाहरण के लिए, इसने 0.047 का एब्सोल्यूट रिलेटिव एरर (RelAbs) प्राप्त किया, जो कि अगले सबसे अच्छे तरीके, EndoDAC (0.052) से कम (बेहतर) है।
• जीरो-शॉट प्रदर्शन: यह असली परीक्षा है। मॉडल को SCARED पर प्रशिक्षित किया गया था और फिर बिना किसी अतिरिक्त प्रशिक्षण के Hamlyn और SERV-CT डेटासेट्स पर गहराई का अनुमान लगाने के लिए कहा गया। EndoMINI अभी भी शीर्ष पर रहा, जो दर्शाता है कि यह नए वातावरण में अच्छी तरह से सामान्यीकरण (generalize) करता है। Hamlyn डेटासेट पर, इसने 0.140 का RelAbs प्राप्त किया, जो पिछले सर्वश्रेष्ठ 0.143 (DVSMono) से बेहतर है।
• एगो-मोशन और कैमरा सेटिंग्स: सिस्टम ने केवल गहराई का अनुमान नहीं लगाया; इसने यह भी पता लगाया कि कैमरा कैसे हिल रहा था (एगो-मोशन) और यहाँ तक कि इसकी आंतरिक सेटिंग्स (इंट्रिंसिक्स) का भी सटीक अनुमान लगाया, जो उन तरीकों से बेहतर था जो पहले से दिए गए सेटिंग्स पर निर्भर थे।

यह क्यों महत्वपूर्ण है

शोध पत्र निष्कर्ष निकालता है कि विशेषज्ञों की एक लचीली टीम (MiLoRE) को चमक को अनदेखा करने के स्मार्ट तरीके (इंट्रिन्सिक इमेज अलाइनमेंट) के साथ जोड़कर, EndoMINI एंडोस्कोपिक सर्जरी के लिए बहुत अधिक विश्वसनीय 3D दृश्य बनाता है। यह केवल एक छोटा सा सुधार नहीं है; यह रोबोटिक सर्जरी को सुरक्षित और अधिक सटीक बनाने की दिशा में एक महत्वपूर्ण कदम है, क्योंकि रोबोट अंततः शरीर के भीतर की दुनिया को उतनी ही स्पष्टता से "देख" सकता है जितनी एक मानव सर्जन उम्मीद करता है। लेखक सुझाव देते हैं कि यह उच्च-गुणवत्ता वाला 3D बोध, न्यूनतम आक्रामक प्रक्रियाओं के लिए गेम-चेंजर हो सकता है, जिससे सर्जनों को जटिल शारीरिक संरचनाओं के बीच आत्मविश्वास के साथ नेविगेट करने में मदद मिल सकती है।