Multi-classification of Brain Tumor MRI images using Convoluted Neural Network (CNN) based approach

मानव मस्तिष्क एक जटिल अंग है, और जब इसके भीतर असामान्य ऊतक बढ़ने लगते हैं, तो इसके परिणाम गंभीर हो सकते हैं। डॉक्टर बिना सर्जरी के खोपड़ी के अंदर देखने के लिए मैग्नेटिक रेजोनेंस इमेजिंग, या एमआरआई (MRI) पर बहुत अधिक निर्भर करते हैं। ये स्कैन विस्तृत चित्र बनाते हैं जो ट्यूमर के आकार और स्थान को प्रकट करते हैं। हालांकि, इन छवियों को पढ़ना एक कठिन कार्य है। एक मरीज का एकल स्कैन दर्जनों स्लाइस (slices) से भरा हो सकता है, और एक रेडियोलॉजिस्ट को स्वस्थ ऊतक और विभिन्न प्रकार के कैंसर के बीच सूक्ष्म अंतरों को पहचानने के लिए प्रत्येक एक की जांच करनी पड़ती है। इस प्रक्रिया में समय लगता है, और हजारों छवियों का सामना करते समय सबसे कुशल विशेषज्ञ भी किसी विवरण को मिस कर सकते हैं या ट्यूमर के प्रकार को गलत पहचान सकते हैं। मदद के लिए, वैज्ञानिकों ने कंप्यूटर की ओर रुख किया है, उन्हें इन चित्रों में पैटर्न पहचानना सिखाया है, ठीक वैसे ही जैसे मानव आंख करती है। यह क्षेत्र, जिसे डीप लर्निंग (deep learning) कहा जाता है, उन कृत्रिम प्रणालियों का उपयोग करता है जो नियमों के एक निश्चित सेट का पालन करने के बजाय उदाहरणों से सीखती हैं। इसका लक्ष्य एक ऐसा उपकरण बनाना है जो डॉक्टरों को मस्तिष्क के ट्यूमर का तेजी से और अधिक सटीकता से निदान करने में सहायता कर सके, जिससे बीमारियों को जल्दी पकड़कर संभावित रूप से जीवन बचाया जा सके।

हाल ही में एक अध्ययन में, दिल्ली विश्वविद्यालय के शोधकर्ताओं ने इस चुनौती से निपटने के लिए एक विशेष कंप्यूटर प्रोग्राम बनाने के साथ इस कार्य को पूरा किया, जिसे मस्तिष्क के एमआरआई स्कैन को चार अलग-अलग श्रेणियों में वर्गीकृत करने के लिए डिज़ाइन किया गया था। वे जानना चाहते थे कि क्या उनका सिस्टम एक स्वस्थ मस्तिष्क और तीन विशिष्ट प्रकार के ट्यूमर: ग्लियोमा (gliomas), मेनिंजियोमा (meningiomas) और पिट्यूटरी ट्यूमर (pituitary tumors) के बीच अंतर कर सकता है। ग्लियोमा वे ट्यूमर हैं जो मस्तिष्क को सहारा देने वाले गोंद जैसे ऊतकों में शुरू होते हैं, मेनिंजियोमा मस्तिष्क को ढकने वाली झिल्लियों पर बढ़ते हैं, और पिट्यूटरी ट्यूमर खोपड़ी के आधार पर स्थित पिट्यूटरी ग्रंथि के पास बनते हैं। टीम ने पहले से मौजूद किसी विशाल कंप्यूटर मॉडल का उपयोग नहीं किया था जिसे पहले से ही लाखों छवियों पर प्रशिक्षित किया गया हो। इसके बजाय, उन्होंने शून्य से एक कस्टम, हल्का (lightweight) सिस्टम बनाया। यह दृष्टिकोण तकनीक को सरल और कुशल बनाए रखने के लिए चुना गया था, जिसके लिए अन्य अध्ययनों में उपयोग किए जाने वाले भारी, जटिल मॉडलों की तुलना में कम कंप्यूटिंग शक्ति और मेमोरी की आवश्यकता होती है।

शोधकर्ताओं ने मस्तिष्क की छवियों का एक बड़ा संग्रह एक सार्वजनिक डेटाबेस से एकत्र करके शुरुआत की। उन्होंने कुल 7,023 चित्र चुने, जिनमें 1,621 ग्लियोमा, 1,645 मेनिंजियोमा, 1,757 पिट्यूटरी ट्यूमर और बिना ट्यूमर वाले 2,000 स्वस्थ मस्तिष्क के चित्र शामिल थे। ये चित्र विभिन्न कोणों से आए थे—कुछ ऊपर से नीचे की ओर देखते हुए, अन्य बगल से या सामने से—जो कंप्यूटर को मस्तिष्क की शारीरिक रचना का विविध दृश्य प्रदान करते थे। कंप्यूटर को सिखाने से पहले, टीम ने छवियों को आकार में एक समान करने और चमक के स्तर को समायोजित करने के लिए उन्हें तैयार किया ताकि कंप्यूटर उन्हें अधिक आसानी से प्रोसेस कर सके। फिर उन्होंने डेटा को विभाजित किया, जिसमें अधिकांश छवियों का उपयोग सिस्टम को सिखाने के लिए किया गया और एक छोटे समूह को यह परीक्षण करने के लिए रोक लिया गया कि सिस्टम ने कितनी अच्छी तरह सीखा।

उनके द्वारा बनाया गया कंप्यूटर मॉडल सूचना की परतों को हटाकर काम करता है, ठीक वैसे ही जैसे बढ़ती हुई विशिष्ट लेंसों की एक श्रृंखला के माध्यम से एक तस्वीर को देखना। सिस्टम में सात परतें हैं जो बुनियादी आकृतियों और बनावटों को खोजने के लिए छवि को स्कैन करती हैं, इसके बाद ऐसी परतें आती हैं जो इन सरल विवरणों को अधिक जटिल पैटर्न, जैसे कि ट्यूमर की सीमाओं में जोड़ती हैं। शोधकर्ताओं ने एक विशिष्ट गणितीय पद्धति का उपयोग किया ताकि सिस्टम तेजी से सीख सके और फंसने से बच सके, और उन्होंने एक तंत्र भी शामिल किया जो सिस्टम को प्रशिक्षण छवियों को बहुत अधिक सटीकता से याद करने से रोकता है, जिससे वह नए डेटा पर विफल हो जाए। मॉडल को 25 राउंड तक प्रशिक्षित करने के बाद, जहाँ इसने छवियों को बार-बार देखा और अपने अनुमानों में सुधार के लिए अपनी आंतरिक सेटिंग्स को समायोजित किया, परिणाम आश्चर्यजनक थे।

जब शोधकर्ताओं ने मॉडल का परीक्षण उन छवियों पर किया जिन्हें उसने पहले कभी नहीं देखा था, तो इसने 96.1 प्रतिशत मामलों में मस्तिष्क की स्थिति के प्रकार को सही ढंग से पहचाना। सिस्टम स्वस्थ मस्तिष्क और पिट्यूटरी ट्यूमर को पहचानने में विशेष रूप से अच्छा था, जिसने उन श्रेणियों के लिए लगभग पूर्ण स्कोर प्राप्त किया। इसने अधिक कठिन ग्लियोमा और मेनिंजियोमा प्रकारों पर भी मजबूती से प्रदर्शन किया, और अधिकांश समय सही वर्गीकरण किया। अध्ययन ने इसी समस्या को हल करने के अन्य हालिया प्रयासों के साथ इन परिणामों की तुलना की, जिनमें से कई बहुत बड़े और अधिक जटिल कंप्यूटर आर्किटेक्चर पर निर्भर थे। उन पिछले मॉडलों ने लगभग 89 प्रतिशत से 95 प्रतिशत तक की सटीकता दर हासिल की थी। नए, सरल मॉडल ने कम संसाधनों का उपयोग करते हुए 96.1 प्रतिशत सटीकता के साथ उन सभी को पछाड़ दिया।

शोधकर्ताओं ने नोट किया कि सिस्टम कभी-कभी ग्लियोमा को मेनिंजियोमा के साथ भ्रमित कर देता है, जो समझ में आता है क्योंकि ये दोनों प्रकार के ट्यूमर एमआरआई स्कैन पर बहुत समान दिख सकते हैं। हालांकि, समग्र प्रदर्शन इतना मजबूत था कि यह सुझाव देता है कि यह हल्का दृष्टिकोण चिकित्सा उपयोग के लिए एक व्यवहार्य उपकरण है। लेखक इस बात पर जोर देते हैं कि हालांकि कंप्यूटर मॉडल बहुत आशाजनक है, लेकिन यह अभी तक डॉक्टर का विकल्प नहीं है। अगले चरणों में सिस्टम का परीक्षण कई अस्पतालों के डेटा पर करना शामिल है ताकि यह सुनिश्चित किया जा सके कि यह विभिन्न प्रकार की एमआरआई मशीनों और रोगी आबादी पर विश्वसनीय रूप से काम करता है। यदि भविष्य का सत्यापन इन निष्कर्षों की पुष्टि करता है, तो ऐसा उपकरण नैदानिक प्रक्रिया का एक मानक हिस्सा बन सकता है, जो चिकित्सा टीमों को मस्तिष्क के ट्यूमर वाले रोगियों के उपचार के बारे में तेजी से और अधिक आत्मविश्वासपूर्ण निर्णय लेने में मदद करेगा।