CalcSeg: Confidence-aware 3D Latent Context Curriculum Learning For Myocardial Scar Segmentation From Single-Stack LGE-CMRs

मानव हृदय की शांत, लयबद्ध धड़कन में, एक मूक इतिहास अक्सर स्वयं ऊतकों (tissue) में लिखा जाता है। जब हृदय की मांसपेशियों को दिल के दौरे या बीमारी से नुकसान पहुँचता है, तो यह पीछे निशान के ऊतकों (scar tissue) का एक पैच छोड़ देता है, ठीक वैसे ही जैसे त्वचा पर कोई भरा हुआ घाव। डॉक्टर इन निशानों को देखने के लिए लंबे समय से एक विशेष प्रकार के मैग्नेटिक रेजोनेंस इमेजिंग, जिसे LGE-CMR कहा जाता है, पर निर्भर रहे हैं। यह स्कैन एक सुरक्षित डाई का उपयोग करता है जो क्षतिग्रस्त क्षेत्रों को उभारता है, जिससे चिकित्सकों को यह मापने में मदद मिलती है कि हृदय का कितना हिस्सा घायल हुआ है। यह माप अत्यंत महत्वपूर्ण है; निशान का आकार और स्थान यह भविष्यवाणी कर सकता है कि क्या रोगी को भविष्य में गंभीर हृदय संबंधी समस्याओं का सामना करना पड़ सकता है। हालाँकि, इन छवियों को हाथों से पढ़ना एक धीमा और कठिन कार्य है। निशान धुंधले, बहुत पतले रूप में फैले हुए, या कम कंट्रास्ट वाले क्षेत्रों में छिपे हो सकते हैं, जिससे उन्हें पहचानना या गलत समझना आसान हो जाता है। यहाँ तक कि जब विशेषज्ञ एक ही स्कैन को देखते हैं, तो वे अक्सर इस बात पर असहमत होते हैं कि निशान वास्तव में कहाँ शुरू होता है और कहाँ समाप्त होता है।

इसे हल करने के लिए, वर्जीनिया विश्वविद्यालय के शोधकर्ताओं ने 'कैलकसेग' (CalcSeg) नामक एक नया कंप्यूटर सिस्टम विकसित किया है। यह उपकरण इन हृदय के निशानों को मानवीय विशेषज्ञों के समान सटीकता के साथ, लेकिन एक मशीन की निरंतरता के साथ स्वचालित रूप से खोजने और रेखांकित करने के लिए डिज़ाइन किया गया है। इस सिस्टम को सिंगल-स्टैक हार्ट स्कैन्स की विशिष्ट कठिनाइयों को संभालने के लिए बनाया गया था, जो क्लीनिकों में सामान्य हैं लेकिन जिनमें जटिल क्षति को देखने के लिए आवश्यक पूर्ण त्रि-आयामी (3D) विवरण की कमी होती है। कंप्यूटर को सब कुछ एक साथ सीखने के लिए मजबूर करने के बजाय, शोधकर्ताओं ने इसे एक पद्धति का उपयोग करके सिखाया जो एक छात्र द्वारा नया विषय सीखने के समान है: सबसे आसान उदाहरणों से शुरू करना और धीरे-धीरे कठिन उदाहरणों की ओर बढ़ना। 'करिकुलम लर्निंग' (curriculum learning) के रूप में जानी जाने वाली यह पद्धति कंप्यूटर को उन भ्रमित करने वाले, धुंधले या सूक्ष्म निशानों से निपटने से पहले एक ठोस आधार बनाने की अनुमति देती है जो आमतौर पर अन्य प्रणालियों को उलझा देते हैं।

इस नई पद्धति का मूल आधार यह है कि कंप्यूटर हृदय को कैसे समझता है। अधिकांश पिछले प्रयासों ने हृदय को एक समय में एक पतली स्लाइस (slice) के रूप में देखा, जैसे कि व्यक्तिगत पृष्ठों वाली एक किताब के पन्ने पलटना। इस कारण अक्सर कंप्यूटर बड़ी तस्वीर देखने में विफल रहता था, यह समझने में असफल रहता था कि एक स्लाइस से दूसरी स्लाइस में निशान कैसे जुड़ता है। कैलकसेग इन स्लाइस को आपस में जोड़कर एक "लेटेंट कॉन्टेक्स्ट" (latent context) बनाकर इस समस्या को हल करता है, जो समझ की एक छिपी हुई परत है। यह एक "सेल्फ-अटेंशन मैकेनिज्म" का उपयोग करता है, जो एक स्पॉटलाइट की तरह कार्य करता है जो कंप्यूटर को एक स्लाइस को देखने और यह पूछने में मदद करता है कि, "ऊपर और नीचे वाली स्लाइस मुझे क्या बताती है?" यह सिस्टम को हृदय का त्रि-आयामी दृश्य पुनर्गठित करने की अनुमति देता है, जिससे यह सुनिश्चित होता है कि पहचाना गया निशान शारीरिक रूप से तर्कसंगत हो और हृदय की मांसपेशियों के प्राकृतिक आकार का अनुसरण करे।

जो इस प्रणाली को वास्तव में अद्वितीय बनाता है, वह यह है कि यह तय कैसे करती है कि किन छवियों से सीखना है और कब सीखना है। प्रत्येक स्कैन को समान रूप से कठिन मानने के बजाय, कंप्यूटर लगातार अपने स्वयं के आत्मविश्वास का मूल्यांकन करता है। यह अपने अनुमानों को देखता है और दो प्रश्न पूछता है: "मेरा अनुमान ज्ञात सत्य से कितना भिन्न है?" और "मैं इस भविष्यवाणी के बारे में कितना अनिश्चित हूँ?" यदि कंप्यूटर आश्वस्त है और छवि स्पष्ट है, तो वह इसे आसान मामला मानता है। यदि छवि धुंधली है, निशान बहुत छोटा है, या कंप्यूटर अनिश्चित है, तो वह इसे कठिन मामला घोषित करता है। सिस्टम अपने प्रशिक्षण को पहले आसान मामलों पर केंद्रित करने के लिए व्यवस्थित करता है। जैसे-जैसे वह उनमें महारत हासिल करता है, वह धीरे-धीरे कठिन और अधिक भ्रमित करने वाले मामलों को अपने पाठों में शामिल करता है। यह गतिशील प्रक्रिया यह सुनिश्चित करती है कि कंप्यूटर शुरुआत में ही कठिन उदाहरणों से अभिभूत न हो जाए, बल्कि बाद में उन्हें संभालने के लिए आवश्यक कौशल विकसित करे।

शोधकर्ताओं ने चार अलग-अलग चिकित्सा केंद्रों से हृदय के स्कैन के एक बड़े संग्रह पर इस प्रणाली का परीक्षण किया, जिसमें विभिन्न हृदय स्थितियों वाले लगभग एक हजार रोगी शामिल थे। उन्होंने कैलकसेग की तुलना पांच अन्य अग्रणी कंप्यूटर मॉडलों से की जो वर्तमान में क्षेत्र में सर्वश्रेष्ठ माने जाते हैं। परिणामों ने दिखाया कि कैलकसेग लगातार अन्य मॉडलों से बेहतर प्रदर्शन करता है। यह सबसे चुनौतीपूर्ण परिदृश्यों में विशेष रूप से सफल रहा, जैसे कि जब निशान बहुत छोटा हो, व्यापक रूप से फैला हुआ हो, या स्वस्थ ऊतकों के बीच देखना कठिन हो। इन कठिन मामलों में, नए सिस्टम ने पिछले सर्वोत्तम तरीकों की तुलना में निशान के आयतन (volume) को मापने में त्रुटि को काफी हद तक कम कर दिया। इसने कम 'फॉल्स अलार्म' भी दिए, जिसका अर्थ है कि इसके द्वारा स्वस्थ ऊतकों को निशान समझने की संभावना कम थी।

यह अध्ययन पुष्टि करता है कि कंप्यूटर को चरणों में सिखाना, साथ ही उसे हृदय की त्रि-आयामी संरचना को समझने में मदद करना, एक साथ सब कुछ सीखने की तुलना में कहीं बेहतर परिणाम देता है। यह सिस्टम केवल अनुमान नहीं लगाता; यह हृदय की क्षति के सूक्ष्म पैटर्न को पहचानने के लिए सीखता है जो अक्सर छूट जाते हैं। जबकि शोधकर्ता नोट करते हैं कि भविष्य के कार्यों में विभिन्न प्रकार के हृदय स्कैन के साथ इस प्रणाली का परीक्षण करना और निशानों के किनारों पर अनिश्चितता को और बेहतर बनाना शामिल होगा, वर्तमान निष्कर्ष एक आशाजनक कदम पेश करते हैं। हृदय के निशानों को मापने के लिए अधिक विश्वसनीय और स्वचालित तरीका प्रदान करके, यह तकनीक अंततः डॉक्टरों को हृदय रोग वाले रोगियों के लिए तेजी से और अधिक सटीक निर्णय लेने में मदद कर सकती है, जिससे एक जटिल और परिवर्तनशील मैन्युअल कार्य को एक सटीक और पुनरुत्पादक मानक देखभाल में बदला जा सकता है।