Brain tumor classification: A comparative analysis of deep learning techniques and impact of augmentation approaches on T1-CE MRI scans

मानव मस्तिष्क शरीर का कमांड सेंटर है, जो कोशिकाओं का एक जटिल नेटवर्क है जो विचार, गति और संवेदनाओं का समन्वय करता है। जब इस नाजुक अंग के भीतर असामान्य कोशिकाएं अनियंत्रित रूप से बढ़ने लगती हैं, तो वे ट्यूमर का रूप ले लेती हैं जो महत्वपूर्ण कार्यों में बाधा डाल सकती हैं और यदि इन्हें अनियंत्रित छोड़ दिया गया, तो ये जीवन के लिए खतरा बन सकती हैं। डॉक्टर खोपड़ी के भीतर झांकने और इन असामान्य वृद्धियों को पहचानने के लिए मेडिकल इमेजिंग, विशेष रूप से मैग्नेटिक रेजोनेंस इमेजिंग (MRI) पर भरोसा करते हैं। ये स्कैन मस्तिष्क के ऊतकों की विस्तृत तस्वीरें बनाते हैं, लेकिन व्याख्या करने के लिए एक प्रशिक्षित दृष्टि की आवश्यकता होती है ताकि विभिन्न प्रकार के ट्यूमर, जैसे कि मेनिंजियोमा, ग्लियोमा और पिट्यूटरी ट्यूमर के बीच अंतर किया जा सके, जिनमें से प्रत्येक के लिए अलग उपचार रणनीति की आवश्यकता होती है। हाल के वर्षों में, वैज्ञानिकों ने इस महत्वपूर्ण कार्य में सहायता के लिए आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) की ओर रुख किया है। कंप्यूटर प्रोग्रामों को इन छवियों में पैटर्न पहचानने के लिए प्रशिक्षित करके, शोधकर्ता ऐसे उपकरण बनाने की आशा करते हैं जो पारंपरिक तरीकों की तुलना में अधिक तेज़ी और सटीकता से मस्तिष्क के ट्यूमर का निदान कर सकें।

भारत में अमृता विश्व विद्यापीठम के शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए हाथ आजमाया कि जब इन आर्टिफिशियल इंटेलिजेंस प्रणालियों को सीमित डेटा की चुनौती का सामना करना पड़ता है, तो वे कितनी अच्छी तरह प्रदर्शन करती हैं। मेडिकल इमेजिंग की दुनिया में, उच्च गुणवत्ता वाले स्कैन अक्सर दुर्लभ होते हैं, और किसी बीमारी को पहचानने के लिए कंप्यूटर को प्रशिक्षित करने के लिए आमतौर पर हजारों उदाहरणों की आवश्यकता होती है। इसे हल करने के लिए, टीम ने 'डेटा ऑग्मेंटेशन' नामक एक तकनीक का पता लगाया। इस प्रक्रिया में मौजूदा छवियों को लेना और उन्हें गणितीय रूप से बदलना शामिल है—जैसे उन्हें घुमाना (रोटेट करना), पलटना (फ्लिप करना), या उनकी चमक को समायोजित करना—ताकि उनके नए, सिंथेटिक संस्करण बनाए जा सकें। शोधकर्ता यह जानना चाहते थे कि इन अतिरिक्त छवियों को बनाने की कौन सी विधि सबसे अच्छी थी। उन्होंने मानक ज्यामितीय परिवर्तनों, दो छवियों को आपस में मिलाने वाली उन्नत मिश्रण तकनीकों, और 'जेनरेटिव एडवरसैरियल नेटवर्क्स' का उपयोग करने वाली एक परिष्कृत विधि का परीक्षण किया, जो शून्य से पूरी तरह से नई छवियां बनाने वाला एक प्रकार का आर्टिफिशियल इंटेलिजेंस है।

यह अध्ययन 3,064 मस्तिष्क स्कैन के एक विशिष्ट सेट पर केंद्रित था, जो सभी एक कंट्रास्ट एजेंट के साथ लिए गए थे ताकि ट्यूमर स्पष्ट रूप से उभर कर आ सकें। टीम ने इन छवियों को सात अलग-अलग प्री-ट्रेंड आर्टिफिशियल इंटेलिजेंस मॉडलों में डाला, जो डिजिटल मस्तिष्क की तरह हैं जिन्होंने पहले से ही अन्य विशाल डेटा से पैटर्न पहचानना सीख लिया है। उन्होंने इन मॉडलों का परीक्षण यह देखने के लिए किया कि कौन सा मॉडल तीन मुख्य प्रकार के मस्तिष्क ट्यूमर की सही पहचान कर सकता है। परिणामों ने दिखाया कि एक विशेष मॉडल, जिसे VGG-16 के रूप में जाना जाता है, अन्य मॉडलों से बेहतर प्रदर्शन करता है। इस सिस्टम ने 92.45% की सटीकता दर प्राप्त की, जिसका अर्थ है कि इसने दस में से नौ से अधिक मामलों में ट्यूमर के प्रकार की सही पहचान की। इसने ट्यूमर और स्वस्थ ऊतकों के बीच अंतर करने में उच्च विश्वसनीयता (96.22% विशिष्टता के साथ) भी प्रदर्शित की। शोधकर्ताओं ने पाया कि मॉडल को सिखाने के लिए उपयोग किए जाने वाले गणितीय उपकरण का चुनाव महत्वपूर्ण था; 'एडम' (Adam) नामक एक विधि सीखने की प्रक्रिया को निर्देशित करने के लिए सबसे प्रभावी साबित हुई, जिससे सिस्टम अन्य विकल्पों की तुलना में अधिक तेज़ी से और अधिक विश्वसनीय रूप से सही उत्तर तक पहुँच सका।

इन निष्कर्षों को केवल एक इत्तेफाक होने से बचाने के लिए, टीम ने अपने सर्वश्रेष्ठ मॉडल को कठोर परीक्षणों से गुजारा। उन्होंने 'क्रॉस-वैलिडेशन' नामक एक विधि का उपयोग किया, जिसमें डेटा को पांच अलग-अलग समूहों में विभाजित किया जाता है और मॉडल का प्रत्येक पर परीक्षण किया जाता है ताकि यह सुनिश्चित हो सके कि यह लगातार काम करता है। उन्होंने अतिरिक्त छवियां बनाने के विभिन्न तरीकों की तुलना भी की। अध्ययन में पाया गया कि जबकि जेनरेटिव एडवरसैरियल नेटवर्क्स का उपयोग करके शून्य से नई छवियां बनाना एक दिलचस्प दृष्टिकोण था, सबसे सुसंगत परिणाम मूल स्कैन को घुमाने और पलटने जैसे सरल, पारंपरिक तरीकों से आए। जब शोधकर्ताओं ने दो छवियों को मिलाया या उन्नत जेनेरेटिव दृष्टिकोण का उपयोग किया, तो प्रदर्शन में मानक तकनीकों की तुलना में कोई महत्वपूर्ण सुधार नहीं हुआ। वास्तव में, पारंपरिक दृष्टिकोण ने सभी परीक्षणों में सबसे स्थिर परिणाम दिए, जिसकी औसत सटीकता 91% से अधिक थी।

यह समझना कि एक आर्टिफिशियल इंटेलिजेंस निर्णय कैसे लेता है, निर्णय लेने जितना ही महत्वपूर्ण है, विशेष रूप से चिकित्सा में। एक डॉक्टर को यह जानने की आवश्यकता है कि क्या कंप्यूटर ट्यूमर को देख रहा है या केवल एक यादृच्छिक छाया के आधार पर अनुमान लगा रहा है। इसे संबोधित करने के लिए, शोधकर्ताओं ने 'ग्रैड-कैम' (Grad-CAM) नामक तकनीक का उपयोग किया, जो कंप्यूटर के ध्यान के लिए एक स्पॉटलाइट की तरह कार्य करती है। यह उपकरण एक 'हीट मैप' बनाता है जो मस्तिष्क स्कैन के उन विशिष्ट क्षेत्रों को उजागर करता है जिन्होंने मॉडल के पूर्वानुमान को प्रभावित किया। जब इसे VGG-16 मॉडल पर लागू किया गया, तो इन हीट मैप्स ने स्पष्ट रूप से दिखाया कि सिस्टम वास्तविक ट्यूमर क्षेत्रों पर ध्यान केंद्रित कर रहा था, जिससे पुष्टि हुई कि आर्टिफिशियल इंटेलिजेंस सही शारीरिक विशेषताओं को सीख रहा है न कि भ्रामक पैटर्नों पर निर्भर है। यह पारदर्शिता इन उपकरणों को वास्तविक नैदानिक उपयोग के लिए विश्वास बनाने की दिशा में एक महत्वपूर्ण कदम है।

इन आशाजनक परिणामों के बावजूद, शोधकर्ता स्वीकार करते हैं कि उनके कार्य की कुछ सीमाएँ हैं। अध्ययन एक एकल, सार्वजनिक रूप से उपलब्ध डेटासेट पर आधारित था, जिसका अर्थ है कि अन्य अस्पतालों के विभिन्न प्रकार के स्कैन या उपकरणों को संभालने की मॉडल की क्षमता अभी सिद्ध नहीं हुई है। इसके अलावा, सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल को महत्वपूर्ण कंप्यूटिंग शक्ति की आवश्यकता होती है, जो सीमित संसाधनों वाले अस्पतालों के लिए एक बाधा हो सकती है। लेखक सुझाव देते हैं कि भविष्य के कार्य में हल्के, अधिक कुशल मॉडलों की खोज की जानी चाहिए और उन्हें चुंबकीय अनुनाद छवियों (MRI) के विभिन्न प्रकारों सहित विभिन्न प्रकार के मस्तिष्क स्कैन पर परखा जाना चाहिए। वे इन प्रणालियों को डॉक्टरों की सहायता के लिए वास्तविक समय में अस्पताल के वर्कफ़्लो में एकीकृत करने का भी प्रस्ताव देते हैं। फिलहाल, यह शोध एक स्पष्ट मार्ग प्रदान करता है, जो यह दर्शाता है कि डेटा तैयारी और मॉडल चयन के सही संयोजन के साथ, आर्टिफिशियल इंटेलिजेंस मस्तिष्क के ट्यूमर के खिलाफ लड़ाई में एक शक्तिशाली, विश्वसनीय साथी के रूप में कार्य कर सकता है।