Image transmission through a multimode fibre in reflection mode with physics-guided deep learning towards ultrathin endoscopy
यह शोध पत्र एक भौतिकी-निर्देशित (physics-guided) डीप लर्निंग फ्रेमवर्क प्रस्तुत करता है जो रिफ्लेक्शन मोड में मल्टीमोड फाइबर्स के माध्यम से सिंगल-शॉट, फेज-रिट्रीवल-मुक्त इमेज रिकवरी को सक्षम करने के लिए एक रिफ्लेक्टेड रियल-वैल्यूड इंटेंसिटी ट्रांसमिशन मैट्रिक्स को इमेज रेस्टोरेशन नेटवर्क्स के साथ जोड़ता है, जो अल्ट्राथिन एंडोस्कोपी के लिए इमेज की गुणवत्ता और सामान्यीकरण क्षमता में महत्वपूर्ण सुधार करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि बिना किसी बड़े चीरे के मानव शरीर के अंदर देखने की कोशिश की जा रही है। डॉक्टर लंबे समय से श्वसन मार्ग या रक्त वाहिकाओं जैसे संकीर्ण रास्तों में झांकने के लिए एंडोस्कोप—जो कैमरों वाले लचीले ट्यूब होते हैं—पर निर्भर रहे हैं। हालाँकि, एक ऐसे ट्यूब के माध्यम से स्पष्ट चित्र प्राप्त करना जो अविश्वसनीय रूप से पतला और लचीला दोनों हो, एक बड़ी इंजीनियरिंग चुनौती है। पारंपरिक पतले स्कोप अक्सर हजारों छोटे कांच के रेशों (फाइबर्स) के बंडलों का उपयोग करते हैं, लेकिन वे केवल हनीकॉम्ब (मधुमक्खी के छत्ते) जैसी बनावट और सीमित स्पष्टता वाले चित्र ही बना सकते हैं। एक अधिक आशाजनक विकल्प एक एकल, अत्यंत पतला कांच का धागा है जिसे मल्टीमोड फाइबर कहा जाता है। जबकि यह फाइबर शरीर के सबसे कठिन कोनों में मुड़ने और घूमने के लिए पर्याप्त लचीला है, यह प्रकाश को इतनी गहराई से बिखेर देता है कि यदि आप इसके माध्यम से एक चित्र भेजते हैं, तो दूसरी ओर से निकलने वाला प्रकाश डॉट्स के एक यादृच्छिक, चमकते हुए ढेर जैसा दिखता है। वर्षों से, वैज्ञानिक इस बिखराव को सुलझाने और मूल चित्र को पुनः प्राप्त करने के लिए संघर्ष कर रहे थे, विशेष रूप से जब फाइबर का उपयोग "रिफ्लेक्शन" मोड में किया जाता है, जहाँ वही धागा प्रकाश भेजता है और ऊतक (टिश्यू) से टकराकर वापस आने वाले प्रकाश को पकड़ता है।
किंग्स कॉलेज लंदन के शोधकर्ताओं की एक टीम ने अब इस पहेली को सुलझाने का एक नया तरीका विकसित किया है, जो प्रकाश के अराजक धब्बों को एक ही क्षण में एक स्पष्ट चित्र में बदल देता है। उनका दृष्टिकोण, जो हाल ही में प्रकाशित एक अध्ययन में विस्तृत है, एक चतुर भौतिकी-आधारित गणना और छवियों को साफ करने के लिए डिज़ाइन किए गए एक प्रकार के आर्टिफिशियल इंटेलिजेंस (AI) को जोड़ता है। प्रकाश के जटिल बिखराव को एक साथ उलटने की कोशिश करने के बजाय, वे पहले एक गणितीय मानचित्र का उपयोग करके वस्तु का एक मोटा, धुंधला स्केच बनाते हैं। फिर, एक विशेष कंप्यूटर नेटवर्क उस स्केच को लेता है और उसे परिष्कृत करता है, उसमें छूटे हुए विवरणों को भरता है और शोर (नॉइज़) को हटा देता है। यह दो-चरणीय प्रक्रिया उन्हें बिना किसी जटिल उपकरण के, जो प्रकाश तरंगों के 'फेज' (phase) को मापने की आवश्यकता होती है, फाइबर के माध्यम से देखने की अनुमति देती है, जो एक ऐसी आवश्यकता है जिसने पिछले तरीकों को वास्तविक चिकित्सा सेटिंग्स में उपयोग करना कठिन बना दिया था।
शोधकर्ताओं ने एक ऐसा सिस्टम बनाया जहाँ एक लेजर बीम को 600 माइक्रोमीटर के कोर व्यास वाले 2-मीटर लंबे मल्टीमोड फाइबर के माध्यम से भेजा जाता है। दूर छोर पर, प्रकाश एक वस्तु से टकराता है और उसी फाइबर के माध्यम से वापस ऊपर आता है। क्योंकि प्रकाश नीचे जाता है और वापस ऊपर आता है, इसलिए यह दो बार बिखर जाता है, जिससे पास के छोर पर स्थित कैमरे पर चमकीले और अंधेरे धब्बों का एक अत्यधिक जटिल पैटर्न बनता है। इसे समझने के लिए, टीम ने पहले एक कैलिब्रेशन प्रक्रिया की। उन्होंने फाइबर के सिरे पर स्थित एक डिजिटल दर्पण पर ज्ञात पैटर्न की एक श्रृंखला प्रोजेक्ट की और रिकॉर्ड किया कि प्रकाश वापस आने के दौरान कैसे बिखरा। इन मापों से, उन्होंने एक "रिफलेक्टेड रियल-वैल्यूड इंटेंसिटी ट्रांसमिशन मैट्रिक्स" बनाया। सरल शब्दों में, यह एक विशाल लुकअप टेबल है जो भविष्यवाणी करता है कि किसी भी दिए गए ऑब्जेक्ट के लिए धुंधला, बिखरा हुआ पैटर्न कैसा दिखना चाहिए, जो पूरी तरह से इस बात पर आधारित है कि प्रकाश कितना चमकीला है, बिना प्रकाश तरंगों के अदृश्य फेज को जाने।
इस लुकअप टेबल का उपयोग करके, सिस्टम एक बिखरे हुए प्रकाश के एकल स्नैपशॉट से तुरंत चित्र का पहला अनुमान उत्पन्न कर सकता है। यह प्रारंभिक चित्र पूर्ण नहीं होता है; यह अक्सर दानेदार और कम कंट्रास्ट वाला होता है, लेकिन यह वस्तु के बुनियादी आकार और लेआउट को पकड़ लेता है। शोधकर्ताओं ने इस मोटे चित्र को चार अलग-अलग प्रकार के डीप लर्निंग नेटवर्क में फीड किया, जो कंप्यूटर प्रोग्राम हैं जिन्हें दृश्य विवरणों को पहचानने और बहाल करने के लिए प्रशिक्षित किया गया है। ये नेटवर्क एक डिजिटल संपादक की तरह कार्य करते हैं, जो दानेदार शुरुआती बिंदु को लेते हैं और किनारों को तेज करते हैं, कंट्रास्ट बढ़ाते हैं और यादृच्छिक धब्बों को हटाकर एक स्पष्ट चित्र प्रकट करते हैं। टीम ने तीन अलग-अलग इमेज सेट पर इस पद्धति का परीक्षण किया: हस्तलिखित अंक, कपड़ों के चित्र और प्राकृतिक दृश्य। हर मामले में, भौतिकी-आधारित लुकअप टेबल और AI क्लीनर के संयोजन ने केवल कच्चे बिखरे हुए प्रकाश से चित्र का अनुमान लगाने वाले अकेले AI की तुलना में काफी बेहतर परिणाम दिए।
इस पद्धति की असली परीक्षा तब हुई जब शोधकर्ताओं ने पूछा कि क्या यह उन छवियों को संभाल सकता है जिन्हें इसने पहले कभी नहीं देखा है। उन्होंने अपने AI नेटवर्क को केवल कपड़ों की तस्वीरों का उपयोग करके प्रशिक्षित किया, लेकिन फिर उनसे जानवरों और परिदृश्यों जैसे प्राकृतिक दृश्यों को पुनर्गठित करने के लिए कहा, जो कपड़ों से बहुत अलग दिखते हैं। जब AI ने बिना भौतिकी-आधारकी लुकअप टेबल की मदद के, अकेले काम करने की कोशिश की, तो परिणाम खराब रहे; सिस्टम नए आकारों को पहचानने में विफल रहा और धुंधले, अपरिचित धब्बे बना दिए। हालाँकि, जब AI को लुकअप टेबल से प्राप्त मोटा स्केच दिया गया, तो इसने उल्लेखनीय रूप से अच्छा प्रदर्शन किया। इसने प्राकृतिक दृश्यों को सफलतापूर्वक पुनर्गठित किया, वस्तुओं की संरचना को बनाए रखा, भले ही उसे उन पर प्रशिक्षित नहीं किया गया था। यह सुझाव देता है कि भौतिकी-आधारित चरण एक ठोस आधार प्रदान करता है जो AI को नई स्थितियों में सामान्यीकरण करने में मदद करता है, न कि केवल विशिष्ट उदाहरणों को याद रखने में।
यह सिद्ध करने के लिए कि यह प्रणाली वास्तविक दुनिया में काम करती है, शोधकर्ताओं ने फाइबर के सिरे पर वास्तविक भौतिक वस्तुएं रखीं, जिनमें एक धातु की वेंटिलेशन ग्रिल, एक सिलाई वाली सुई और एक छपा हुआ अक्षर शामिल था। ये वस्तुएं किसी भी प्रशिक्षण डेटा का हिस्सा नहीं थीं। सिस्टम ने इन वस्तुओं से टकराकर वापस आए प्रकाश को कैप्चर किया और, उसी कैलिब्रेशन और AI प्रक्रिया का उपयोग करके, ग्रिल के छेदों, सुई के शाफ्ट और अक्षर के स्ट्रोक की स्पष्ट छवियां पुनर्गठित कीं। परिणाम बारीक विवरणों को पहचानने के लिए पर्याप्त स्पष्ट थे, जो प्रदर्शित करता है कि यह पद्धति कंप्यूटर सिमुलेशन से आगे बढ़ सकती है और वास्तविक दुनिया के प्रकाश प्रकीर्णन को संभाल सकती है। शोधकर्ताओं ने उल्लेख किया कि हालांकि वर्तमान में यह प्रणाली फाइबर के अधिक झुकने या तापमान परिवर्तन होने पर पुन: कैलिब्रेशन की आवश्यकता से सीमित है, लेकिन फेज माप के बिना एक एकल स्नैपशॉट से स्पष्ट चित्र बनाने की क्षमता एक बड़ा कदम है।
यह कार्य अल्ट्राथिन एंडोस्कोपी की दिशा में एक आशाजनक मार्ग प्रदान करता है, जहाँ शरीर के सबसे गहरे, संकीर्ण हिस्सों में वास्तविक समय में उच्च-रिज़ॉल्यूशन चित्र प्रदान करने के लिए बाल जितने पतले प्रोब को निर्देशित किया जा सकता है। भौतिकी-निर्देशित पहले चरण और डेटा-संचालित सफाई चरण को अलग करके, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो मजबूत और अनुकूलनीय है। इसके लिए जटिल इंटरफेरोमेट्री सेटअप की आवश्यकता नहीं है जिसने रिफ्लेक्शन-मोड इमेजिंग के पिछले प्रयासों को बाधित किया था, जिससे यह नैदानिक उपयोग के लिए अधिक व्यावहारिक हो जाता है। निष्कर्ष बताते हैं कि भौतिकी की पूर्वानुमेयता को आर्टिफिशियल इंटेलिजेंस की अनुकूलन क्षमता के साथ जोड़कर, वैज्ञानिक एकल-फाइबर एंडोस्कोप की क्षमता को अनलॉक कर सकते हैं, जिससे डॉक्टरों को शरीर के भीतर विवरण के एक ऐसे स्तर को देखने की अनुमति मिल सकती है जो पहले असंभव था।
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।