Shape-supervised network for cross-domain nuclei instance segmentation

मानव शरीर की शांत, सूक्ष्म दुनिया में, स्वास्थ्य और रोग की कहानी अक्सर कोशिकाओं के आकार और व्यवस्था में लिखी जाती है। पैथोलॉजिस्ट, वे डॉक्टर जो सूक्ष्मदर्शी (माइक्रोस्कोप) के नीचे ऊतक के नमूनों की जांच करते हैं, कोशिका नाभिक (सेल न्यूक्लियस)—जो लगभग हर कोशिका में पाए जाने वाले गहरे, केंद्रीय नियंत्रण केंद्र होते हैं—को गिनने और विश्लेषण करने पर बहुत अधिक निर्भर करते हैं। जब ये नाभिक एक साथ कसकर पैक होते हैं, या जब कैंसर या संक्रमण के कारण वे असामान्य आकारों में दिखाई देते हैं, तो प्रत्येक व्यक्तिगत नाभिक की पहचान करना अविश्वसनीय रूप से कठिन हो जाता है। दशकों से, वैज्ञानिकों ने कंप्यूटर को यह काम स्वचालित रूप से करने के लिए सिखाने की कोशिश की है, इस उम्मीद में कि इससे निदान की गति बढ़ सकेगी और मैन्युअल श्रम का बोझ कम हो सकेगा। हालाँकि, मानक कंप्यूटर प्रोग्राम अक्सर संघर्ष करते हैं जब वे एक प्रकार के ऊतक नमूने से दूसरे प्रकार के नमूने में जाते हैं, या जब कोशिकाएं इतनी करीब से भरी होती हैं कि उनकी सीमाएं एक अस्पष्ट द्रव्यमान में विलीन हो जाती हैं। चुनौती केवल कोशिकाओं को देखने में नहीं है, बल्कि यह समझने में है कि प्रत्येक कोशिका एक अलग, विशिष्ट वस्तु है जिसका एक अनुमानित रूप है, भले ही छवि अव्यवस्थित हो या किसी अलग प्रयोगशाला से आई हो।

शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, एक ऐसा सिस्टम बनाया है जो कंप्यूटर को कोशिकाओं को उनके अपेक्षित आकार द्वारा पहचानने के लिए सिखाता है। केवल कंप्यूटर से हर गहरे धब्बे के चारों ओर रेखा खींचने के लिए कहने के बजाय, नई विधि, जिसे SSNet कहा जाता है, एक मार्गदर्शक की तरह कार्य करती है जो लगातार इस बात की जांच करती है कि काम एक मानसिक मॉडल के अनुरूप है या नहीं कि एक स्वस्थ कोशिका नाभिक कैसा दिखना चाहिए। शोधकर्ताओं ने महसूस किया कि हालांकि व्यक्तिगत कोशिकाएं भिन्न हो सकती हैं, लेकिन वे आम तौर पर एक सामान्य, अंडाकार जैसी संरचना साझा करती हैं। इस ज्ञान को एक नियम के रूप में उपयोग करने वाला सिस्टम बनाने से, वे एक कंप्यूटर को पिछले तरीकों की तुलना में भीड़भाड़ वाली कोशिकाओं को अधिक सटीकता से अलग करने के लिए प्रशिक्षित करने में सक्षम हुए, भले ही वे विभिन्न अस्पतालों के चित्र देख रहे हों या अलग-अलग तरीकों से तैयार किए गए हों।

इस नए सिस्टम का मूल एक तीन-चरणीय प्रक्रिया है जो एक एकल, सुसंगत इकाई की तरह मिलकर काम करती है। सबसे पहले, एक कंप्यूटर नेटवर्क एक छवि को स्कैन करता है ताकि उन सभी क्षेत्रों को पाया जा सके जहाँ कोशिका नाभिक मौजूद हैं, जिससे अग्रभूमि (फोरग्राउंड) का एक मोटा नक्शा तैयार होता है। इसके बाद, एक गणितीय उपकरण इन क्षेत्रों को व्यक्तिगत उम्मीदवारों (कैंडिडेट्स) में समूहित करता है, यह पता लगाने की कोशिश करता है कि एक कोशिका कहाँ समाप्त होती है और दूसरी कहाँ शुरू होती है। अंत में, सिस्टम प्रत्येक उम्मीदवार के आकार की जांच करता है। यदि कोई उम्मीदवार एक चिकने अंडाकार जैसा दिखता है, तो उसे स्वीकार कर लिया जाता है। यदि वह टेढ़ा-मेढ़ा, खिंचा हुआ या अजीब आकार का दिखता है, तो सिस्टम जान जाता है कि कुछ गलत है। यह "आकार की जांच" केवल एक अंतिम समीक्षा नहीं है; इसे एक शिक्षण संकेत (टीचिंग सिग्नल) के रूप में उपयोग किया जाता है। सिस्टम इस जानकारी को पहले चरण में वापस भेजता है, कंप्यूटर को बताता है, "आपने यहाँ सीमा छोड़ दी है," या "आपने दो कोशिकाओं को एक में मिला दिया है," और अपने भविष्य के अनुमानों को तदनुसार समायोजित करता है। यह एक फीडबैक लूप बनाता है जहाँ कंप्यूटर अधिक साफ और सटीक सीमाएं खींचना सीखता है क्योंकि उसे लगातार उन कोशिकाओं के प्राकृतिक, अंडाकार आकार की याद दिलाई जाती है जिन्हें वह खोजने की कोशिश कर रहा है।

यह परीक्षण करने के लिए कि क्या यह विचार काम करता है, शोधकर्ताओं ने सार्वजनिक डेटाबेस से छवियों के एक बड़े संग्रह पर अपने सिस्टम को प्रशिक्षित किया और फिर इसे नए, अनदेखे डेटा के साथ चुनौती दी। उन्होंने नौ अलग-अलग प्रकार के अंगों की छवियों के साथ-साथ चीन के अस्पतालों के निजी नमूनों का उपयोग किया जिनमें हजारों घनी बसी हुई गर्भाशय ग्रीवा (सर्वाइकल) कोशिकाएं थीं। परिणाम आश्चर्यजनक थे। जब सिस्टम का परीक्षण उन छवियों पर किया गया जिन्हें उसने पहले कभी नहीं देखा था, तो इसने उच्च स्तर की सटीकता के साथ व्यक्तिगत नाभिकों की पहचान और उन्हें अलग करने में सफलता प्राप्त की। हजारों कोशिकाओं वाले पूरे ऊतक स्लाइडों के एक परीक्षण सेट में, नई विधि ने लगभग 99 प्रतिशत कोशिकाओं की सही पहचान की और लेबलिंग में 97 प्रतिशत बार सटीक थी। इसने कई अन्य अग्रणी कंप्यूटर प्रोग्रामों को पीछे छोड़ दिया, जो या तो भीड़भाड़ वाले समूहों में छिपी छोटी कोशिकाओं को मिस कर देते थे या गलती से दो अलग कोशिकाओं को एक ही पिंड (ब्लॉब) में मिला देते थे।

इस दृष्टिकोण की वास्तविक ताकत तब सामने आई जब शोधकर्ताओं ने विभिन्न प्रकार की छवियों को संभालने की इसकी क्षमता का परीक्षण किया। वास्तविक दुनिया में, ऊतक के नमूने बहुत अलग दिख सकते हैं, यह इस पर निर्भर करता है कि उन्हें कैसे रंगा गया है या किस सूक्ष्मदर्शी का उपयोग किया गया है। एक प्रकार की छवि पर प्रशिक्षित कंप्यूटर अक्सर दूसरी छवि दिखने पर विफल हो जाता है। हालाँकि, क्योंकि नया सिस्टम केवल छवि के विशिष्ट रंगों या बनावट के बजाय कोशिका के मौलिक आकार पर निर्भर करता है, इसलिए यह मजबूत बना रहा। जब शोधकर्ताओं ने एक अस्पताल के डेटा पर सिस्टम को प्रशिक्षित किया और फिर पूरी तरह से अलग इमेज स्टाइल वाले तीन अन्य अस्पतालों के डेटा पर इसका परीक्षण किया, तो प्रदर्शन लगभग समान रहा। व्यक्तिगत कोशिकाओं की पहचान करने में त्रुटि दर दो प्रतिशत से नीचे रही, जो यह दर्शाता है कि सिस्टम ने कोशिकाओं के विशिष्ट चित्रों को याद करने के बजाय एक सार्वभौमिक नियम सीखा था।

शोधकर्ताओं ने यह भी पता लगाया कि यह विधि इतनी अच्छी तरह से क्यों काम करती है, इसकी तुलना उन प्रणालियों से की जिन्होंने आकार मार्गदर्शन (शेप गाइडेंस) का उपयोग नहीं किया था। आकार की जांच के बिना, कंप्यूटर अक्सर अनियमित रूपरेखा बनाता था जिससे यह बताना मुश्किल हो जाता था कि एक कोशिका कहाँ समाप्त होती है और दूसरी कहाँ शुरू होती है। इन अव्यवized सीमाओं के कारण ऐसी त्रुटियां हुईं जहाँ कंप्यूटर एक ही कोशिका को दो में विभाजित कर देता था या दो अलग कोशिकाओं को आपस में जोड़ देता था। यह नियम लागू करके कि कोशिकाओं को आम तौर पर अंडाकार होना चाहिए, सिस्टम ने इन त्रुटियों को सुधारा, जिससे साफ और स्पष्ट आकार बने जो 'ग्राउंड ट्रुथ' के बहुत करीब थे। अध्ययन बताता है कि हालांकि कोशिकाएं रोग के कारण विकृत हो सकती हैं, लेकिन वे शायद ही कभी अपनी बुनियादी अंडाकार संरचना को पूरी तरह से खोती हैं, और इस सरल ज्यामितीय सत्य को एक मार्गदर्शक के रूप में उपयोग करना कंप्यूटर विजन को बेहतर बनाने का एक शक्तिशाली तरीका है।

यह कार्य इस दावे के साथ नहीं आता है कि यह कोशिका विश्लेषण की हर समस्या को हल कर देगा। शोधकर्ता स्वीकार करते हैं कि उनका तरीका उन कोशिकाओं के साथ संघर्ष कर सकता है जो अत्यंत अनियमित या पहचान से परे क्षतिग्रस्त हैं, क्योंकि सिस्टम इस धारणा पर बना है कि कोशिकाएं मोटे तौर पर अंडाकार हैं। वे यह भी नोट करते हैं कि वर्तमान नेटवर्क आर्किटेक्चर अपेक्षाकृत सरल है और इसे और अधिक परिष्कृत किया जा सकता है। हालाँकि, निष्कर्ष एक स्पष्ट मार्ग प्रदान करते हैं: देखने की क्षमता को यह जानने के ज्ञान के साथ जोड़कर कि क्या अपेक्षा करनी है, कंप्यूटर डॉक्टरों के लिए बहुत अधिक विश्वसनीय साथी बन सकते हैं। इस अध्ययन में विकसित कोड और मॉडल अब दूसरों के उपयोग के लिए उपलब्ध हैं, जो संभावित रूप से विभिन्न प्रयोगशालाओं और क्षेत्रों में कैंसर के निदान और अन्य रोगविज्ञानी आकलन की सटीकता को मानकीकृत करने और सुधारने में मदद कर सकते हैं।