Deep Learning-Based Simultaneous Separation of Overlapping Projection Data and Attenuation and Scatter Correction for Multi-Pinhole SPECT

कल्पना कीजिए कि आप एक धुंधली, मोटी दीवारों वाली गुफा के भीतर छिपे एक गुप्त खजाने की एक आदर्श तस्वीर लेने की कोशिश कर रहे हैं। चिकित्सा इमेजिंग की दुनिया में, यह "खजाना" रोगी के शरीर के भीतर एक रेडियोधर्मी ट्रेसर का एक छोटा सा संकेत है, और "कैमरा" SPECT (सिंगल-फोटोन एमिशन कंप्यूटेड टोमोग्राफी) नामक एक मशीन है। सामान्यतः, एक स्पष्ट तस्वीर प्राप्त करने के लिए, डॉक्टर एक विशेष फिल्टर का उपयोग करते हैं जिसे कोलिमेटर (collimator) कहा जाता है, जो नन्हे सुरंगों के सेट की तरह कार्य करता है, जो केवल प्रकाश की किरणों (या इस मामले में गामा किरणों) को सीधी रेखाओं में गुजरने देता है। लेकिन यहाँ एक पेंच है: एक वास्तव में तीक्ष्ण (sharp) छवि प्राप्त करने के लिए, आपको इन सुरंगों की बहुत अधिक संख्या की आवश्यकता होती है। यदि आप बहुत अधिक सुरंगों को एक साथ पैक करते हैं, तो उनके दृश्य आपस में ओवरलैप होने लगते हैं, जैसे कि एक कैलीडोस्कोप (kaleidoscope) के माध्यम से देखना जहाँ पैटर्न आपस में मिलकर एक भ्रमित करने वाला ढेर बन जाते हैं। इसके अलावा, गुफा की दीवारें (रोगी का शरीर) किरणों को सोख लेती हैं और उन्हें इधर-उधर उछाल देती हैं, जिससे तस्वीर धुंधली और मंद हो जाती है। दशकों से, इस धुंधले, ओवरलैपिंग मलबे को ठीक करने के लिए एक दूसरा, खतरनाक एक्स-रे स्कैन करने की आवश्यकता होती थी ताकि गुफा की दीवारों का मानचित्र बनाया जा सके, जिससे अतिरिक्त विकिरण और लागत दोनों बढ़ जाती थी। वैज्ञानिक इस मलबे को सुलझाने और बिना उस अतिरिक्त एक्स-रे के धुंध को साफ करने का एक तरीका खोजने की तलाश में थे, ताकि कैमरे को सभी के लिए तेज़, सस्ता और सुरक्षित बनाया जा सके।

यह शोध पत्र एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करते हुए एक चतुर नए तरीके का परिचय देता है जिसे 'कन्वोल्यूशनल न्यूरल नेटवर्क' (CNN) कहा जाता है, जो एक सुपर-स्मार्ट डिजिटल जासूस की तरह है जिसे दृश्य पहेलियों को सुलझाने के लिए प्रशिक्षित किया गया है। शोधकर्ता, जो 44 पिनहोल्स (नन्ही सुरंगों) के विशाल समूह से लैस एक स्थिर SPECT सिस्टम के साथ काम कर रहे थे, उन्हें दोहरी समस्या का सामना करना पड़ा: 44 छेदों से मिलने वाले दृश्य ऊन के एक उलझे हुए गोले की तरह ओवरलैप हो रहे थे, और किरणें रोगी के शरीर द्वारा विकृत की जा रही थीं। इस ऊन को जटिल गणित के माध्यम से सुलझाने के बजाय, जो बहुत समय लेता है, उन्होंने अपने AI जासूस को एक नया खेल सिखाया। उन्होंने AI को एक "अव्यवस्थित" इनपुट दिया: ओवरलैपिंग, धुंधला और शोर युक्त डेटा जो मस्तिष्क के भीतर गामा किरणों के उछलने और अवशोषित होने के सिमुलेशन से उत्पन्न हुआ था: फिर, उन्होंने AI को "आदर्श" लक्ष्य दिखाया: वह छवि कैसी दिखनी चाहिए यदि कोई ओवरलैप, कोई धुंधलापन या शोर न होता। इन सिम्युलेटेड मस्तिष्क मामलों के हजारों अभ्यास करके, AI ने तुरंत उलझे हुए ऊन को अलग-अलग धागों में विभाजित करना और साथ ही धुंध और शोर को साफ करना सीख लिया।

इन सिमुलेशन के परिणाम काफी उत्साहजनक रहे। जब शोधकर्ताओं ने मस्तिष्क की छवियों पर अपने AI का परीक्षण किया, तो इसने 44 पिनहोल्स से ओवरलैप होने वाले प्रोजेक्शन को सफलतापूर्वक सुलझा लिया और बिना किसी अतिरिक्त एक्स-रे मैप के भौतिक विकृतियों को ठीक कर दिया। AI ने ऐसी छवियां बनाईं जो पुराने तरीकों की तुलना में काफी स्पष्ट और सटीक थीं। उदाहरण के लिए, इस नई विधि ने एक "पीक सिग्नल-टू-नॉइज़ रेशियो" (छवि स्पष्टता का एक माप) 18.38 ± 0.79 dB प्राप्त किया, जो कि केवल 11 पिनहोल्स वाले सिस्टम (जहाँ कोई ओवरलैप नहीं होता) द्वारा प्राप्त 15.54 ± 1.35 dB और एक मानक फैन-बीम कैमरे से प्राप्त 15.93 ± 1.12 dB से बेहतर था। अध्ययन ने एक पारंपरिक तकनीक जिसे 'मूर करेक्शन मेथड' (Moore correction method) कहा जाता है, के साथ भी तुलना की: AI दृष्टिकोण ने 11-पिनहोल सेटअप के 0.24 ± 0.06 के मुकाबले 0.18 ± 0.02 का बहुत कम 'नॉर्मलाइज्ड मीन स्क्वेर्ड एरर' (NMSE) प्राप्त करते हुए बहुत अधिक स्पष्ट छवियां बनाईं।

हालाँकि, यह याद रखना महत्वपूर्ण है कि ये निष्कर्ष कंप्यूटर सिमुलेशन से आए हैं, अभी तक वास्तविक रोगियों से नहीं। शोधकर्ताओं ने एक विशिष्ट मात्रा में रेडियोधर्मी ट्रेसर (370 MBq) वाले मस्तिष्क का सिमुलेशन किया और एक वर्चुअल कैमरे का उपयोग किया जिसमें 44 पिनहोल्स थे। उन्होंने पाया कि जबकि AI 44 पिनहोल्स के "अव्यवस्थित" डेटा को संभाल सकता था, यह तब सबसे अच्छा काम करता था जब कैमरा थोड़ा सा हिलता था (एक "क्वासी-स्टेशनरी" सेटअप जहाँ डिटेक्टर 60 डिग्री एक बार घूमते हैं), जिससे शेष आर्टिफैक्ट्स (artifacts) को और भी कम करने में मदद मिली। शोध पत्र स्पष्ट रूप से इस विचार को खारिज करता है कि छवि को ठीक करने के लिए आपको एक अलग CT स्कैन की आवश्यकता है; AI ने अपने आप "एटेन्यूएशन करेक्शन" (धुंध को ठीक करना) करना सीख लिया था। हालांकि इस पद्धति ने मस्तिष्क इमेजिंग के लिए बहुत क्षमता दिखाई, जहाँ "गुफा की दीवारें" काफी समान रहती हैं, लेखकों ने नोट किया कि इसे हृदय जैसे अन्य शरीर के अंगों पर लागू करना अधिक कठिन हो सकता है, जहाँ घनत्व बहुत अधिक भिन्न होता है। अंततः, यह अध्ययन सुझाव देता है कि एक स्मार्ट AI जल्द ही डॉक्टरों को उच्च-संवेदनशीलता वाले मल्टी-पिनहोल कैमरों का उपयोग करके उच्च-गुणवत्ता वाली, मात्रात्मक मस्तिष्क छवियां तेजी से और बिना अतिरिक्त रेडिएशन डोज के प्राप्त करने की अनुमति दे सकता है, लेकिन यह पुष्टि करने के लिए कि क्या यह जादू वास्तविक दुनिया में काम करता है, वास्तविक मानव डेटा के साथ और अधिक परीक्षण की आवश्यकता है।