EfficientNet-B5 Based Breast Tumor Classification from CWT Morlet Scalogram Images of Microwave S-Parameters
यह शोध पत्र माइक्रोवेव स्तन इमेजिंग में डेटा की कमी को दूर करने के लिए एक ऊर्जा-निर्देशित सिग्नल-स्तरीय संवर्धन (augmentation) पद्धति का प्रस्ताव करता है, जो संवर्धित S-पैरामीटर प्रतिक्रियाओं को CWT मोरलैट स्केलोग्राम में परिवर्तित करके और एक EfficientNet-B5 क्लासिफायर को फाइन-ट्यून करके सौम्य और घातक ट्यूमर को वर्गीकृत करने में 94.7% सटीकता प्राप्त करता है।
मूल पेपर CC BY 4.0 (https://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
स्तन कैंसर दुनिया भर में महिलाओं के लिए सबसे महत्वपूर्ण स्वास्थ्य चुनौतियों में से एक बना हुआ है, और इसे जल्दी पहचान लेना अक्सर जीवन और मृत्यु के बीच का अंतर होता है। दशकों से, डॉक्टर मैमोग्राम (जो एक्स-रे का उपयोग करते हैं) या अल्ट्रासाउंड (जो ध्वनि तरंगों का उपयोग करते हैं) जैसे उपकरणों पर निर्भर रहे हैं ताकि स्तन के अंदर देखा जा सके। हालांकि ये विधियाँ प्रभावी हैं, लेकिन इनके कुछ नुकसान भी हैं: एक्स-रे में विकिरण (रेडिएशन) शामिल होता है और यह असुविधाजनक हो सकता है क्योंकि स्तन को दबाकर चपटा करना पड़ता है, जबकि अल्ट्रासाउंड के परिणाम तकनीशियन के कौशल पर निर्भर करते हैं। हाल के वर्षों में, वैज्ञानिकों ने एक अलग प्रकार की तरंग की ओर ध्यान केंद्रित किया है: माइक्रोवेव। एक्स-रे के विपरीत, माइक्रोवेव गैर-आयनीकरण विकिरण (non-ionizing radiation) का एक रूप हैं, जिसका अर्थ है कि वे डीएनए को नुकसान पहुँचाने वाले जोखिम नहीं उठाते हैं, और इनके लिए स्तन को दबाने की आवश्यकता नहीं होती है। यह तकनीक इसलिए काम करती है क्योंकि जब इन तरंगों से टकराया जाता है, तो कैंसरयुक्त ऊतक स्वस्थ ऊतकों की तुलना में अलग व्यवहार करते हैं; ट्यूमर ऊर्जा को एक अनूठे तरीके से अवशोषित और परावर्तित करता है। हालाँकि, कंप्यूटर को इन सूक्ष्म अंतरों को पहचानने के लिए प्रशिक्षित करना कठिन रहा है क्योंकि स्तन के ट्यूमर से प्राप्त माइक्रोवेव संकेतों के वास्तविक दुनिया के उदाहरण बहुत कम हैं।
भारत के नेशनल इंस्टीट्यूट ऑफ टेक्नोलॉजी सिलचर के शोधकर्ताओं की एक टीम ने इस डेटा की कमी को दूर करने का एक नया तरीका विकसित किया है, जिससे वे माइक्रोवेव संकेतों का उपयोग करके हानिरहित और खतरनाक स्तन ट्यूमर के बीच अंतर करने के लिए शक्तिशाली कंप्यूटर प्रोग्रामों को प्रशिक्षित कर सकते हैं। अधिक रोगियों को खोजने या अधिक महंगे उपकरण बनाने के बजाय, शोधकर्ताओं ने अपने पास मौजूद मौजूदा डेटा को बुद्धिमानी से बढ़ाने का एक तरीका बनाया। उन्होंने शुरुआत एक मानव स्तन के मॉडल, जिसे 'फैंटम' कहा जाता है, से माइक्रोवेव संकेतों के टकराने और उससे गुजरने को मापकर की, जिसे वास्तविक ऊतकों के विद्युत गुणों की नकल करने के लिए डिज़ाइन किया गया था। इस मॉडल में स्वस्थ ऊतक और कृत्रिम ट्यूमर, जिनमें से कुछ सौम्य (benign) और कुछ घातक (malignant) थे, शामिल थे। दो छोटे एंटेना का उपयोग करके, उन्होंने मॉडल के चारों ओर संकेतों के घूमने के दौरान उन्हें रिकॉर्ड किया, जिससे हजारों डेटा बिंदु प्राप्त हुए जो स्तन की आंतरिक संरचना के अनूठे "फिंगरप्रिंट" का प्रतिनिधित्व करते थे।
चुनौती यह थी कि ये कच्चे संकेत (raw signals) एक परिष्कृत कंप्यूटर प्रणाली को प्रभावी ढंग से सिखाने के लिए बहुत कम थे। यदि शोधकर्ता केवल डेटा की नकल करते या उसमें यादृच्छिक बदलाव करते, तो कंप्यूटर गलत पैटर्न सीख लेता या ट्यूमर के सूक्ष्म संकेतों को छोड़ देता। इसे ठीक करने के लिए, टीम ने संकेतों के भीतर मौजूद ऊर्जा पर आधारित एक रणनीति तैयार की। उन्होंने महसूस किया कि सिग्नल का हर हिस्सा समान रूप से महत्वपूर्ण नहीं था; कुछ हिस्सों में ट्यूमर के बारे में सबसे मजबूत जानकारी थी, जबकि अन्य केवल बैकग्राउंड शोर (noise) थे। उन्होंने संकेतों को समय के समान हिस्सों में काटने के बजाय, प्रत्येक हिस्से में मौजूद ऊर्जा के आधार पर टुकड़ों में विभाजित किया। फिर, उन्होंने एक ही प्रकार के विभिन्न संकेतों से सबसे सूचनात्मक टुकड़ों को सावधानीपूर्वक जोड़ा—एक ही प्रकार के सौम्य टुकड़ों को दूसरे सौम्य टुकड़ों के साथ, और घातक को घातक के साथ मिलाया। यह सुनिश्चित करने के लिए कि नए संकेत झटकेदार या कृत्रिम न लगें, उन्होंने टुकड़ों के बीच के जुड़ाव को सुचारू (smooth) बनाया। इस प्रक्रिया ने उनके छोटे मूल सेट से हजारों नए, वास्तविक प्रशिक्षण उदाहरण तैयार किए, जिससे कंप्यूटर को बिना फर्जी डेटा बनाए यह सिखाया जा सका कि उसे क्या खोजना है।
एक बार जब उनके पास संकेतों का यह विस्तारित पुस्तकालय (library) तैयार हो गया, तो शोधकर्ताओं ने उन्हें छवियों में बदल दिया जिन्हें कंप्यूटर आसानी से समझ सके। उन्होंने कच्चे तरंग डेटा को 'स्केलोग्राम' (scalograms) नामक दृश्य मानचित्रों में बदल दिया, जो दिखाते हैं कि समय के साथ आवृत्ति (frequency) और शक्ति कैसे बदलती है, ठीक वैसे ही जैसे एक संगीत स्कोर संगीत के नोट्स के समय के साथ बदलने को दर्शाता है। इन छवियों को फिर एक 'डीप लर्निंग मॉडल' में फीड किया गया, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जिसे चित्रों में पैटर्न पहचानने के लिए डिज़ाइन किया गया है। शोधकर्ताओं ने कई अलग-अलग मॉडलों का परीक्षण किया, लेकिन उन्होंने पाया कि 'एफिशिएंटनेट-बी5' (EfficientNet-B5) नामक एक विशिष्ट आर्किटेक्चर सबसे अच्छा प्रदर्शन करता है। यह मॉडल माइक्रोवेव छवियों में उन जटिल दृश्य पैटर्न को सीखने में सक्षम था जो एक सौम्य वृद्धि को घातक वृद्धि से अलग करते हैं।
इसके परिणाम प्रभावशाली थे। उस डेटा पर परीक्षण करने पर जिसे इसने पहले कभी नहीं देखा था, सिस्टम ने लगभग 95 प्रतिशत मामलों में ट्यूमर के प्रकार की सही पहचान की। यह सटीकता उसी अध्ययन में परीक्षण किए गए अन्य लोकप्रिय कंप्यूटर मॉडलों की तुलना में अधिक थी, और इसने अल्ट्रासाउंड या थर्मल कैमरों जैसी विभिन्न इमेजिंग विधियों का उपयोग करने वाले कई हालिया अध्ययनों को भी पीछे छोड़ दिया। शोधकर्ताओं ने डेटा के विभिन्न विभाजनों के साथ अपने सिस्टम का कई बार परीक्षण करके यह भी जांचा कि यह कितना स्थिर है, और परिणाम लगातार उच्च रहे, जिसमें बहुत कम भिन्नता देखी गई। उन्होंने पाया कि जितना अधिक उन्होंने डेटा को विस्तारित करने के लिए अपने ऊर्जा-आधारित तरीके का उपयोग किया, कंप्यूटर सही निर्णय लेने में उतना ही बेहतर होता गया, जब तक कि एक निश्चित बिंदु तक नहीं आया जहाँ अधिक डेटा जोड़ने से लाभ कम होने लगा।
यह कार्य सुझाव देता है कि माइक्रोवेव इमेजिंग, स्मार्ट डेटा तकनीकों के साथ मिलकर, स्तन कैंसर की स्क्रीनिंग के लिए एक व्यवहार्य, आरामदायक और सुरक्षित विकल्प बन सकती है। इस पद्धति के लिए रोगी को विकिरण के संपर्क में आने या शारीरिक दबाव का सामना करने की आवश्यकता नहीं है, जो इसे एक संभावित रूप से अधिक रोगी-अनुकूल विकल्प बनाता है। हालांकि यह अध्ययन वास्तविक रोगियों के बजाय स्तन के एक मॉडल पर किया गया था, लेकिन इन नियंत्रित प्रयोगों में प्राप्त उच्च स्तर की सटीकता भविष्य के विकास के लिए एक मजबूत आधार प्रदान करती है। शोधकर्ताओं ने प्रदर्शित किया कि संकेतों के भौतिक विज्ञान को समझकर और उस ज्ञान का उपयोग बेहतर प्रशिक्षण डेटा उत्पन्न करने के लिए करके, छोटे डेटासेट की सीमाओं को पार करना और प्रारंभिक कैंसर पहचान के लिए विश्वसनीय उपकरण बनाना संभव है।
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।