Intensity and Landmark Based Registration Under Stain Normalization: A Comparative Study on Differently Stained Histopathology Images

एक पैथोलॉजी लैब के शांत, अच्छी रोशनी वाले कमरों में, कैंसर का निदान अक्सर एक सरल कार्य से शुरू होता है: मानव ऊतक (टिश्यू) के एक टुकड़े को कांच की स्लाइड पर रखा जाता है, उसे रासायनिक रंगों से उपचारित किया जाता है, और सूक्ष्मदर्शी (माइक्रोस्कोप) के नीचे जांचा जाता है। ये रंग, जिन्हें स्टेन (stains) कहा जाता है, आवश्यक उपकरण हैं जो अदृश्य कोशिकीय संरचनाओं को दृश्य रंगों में बदल देते हैं, जिससे डॉक्टरों को स्वस्थ कोशिकाओं और रोगग्रस्त कोशिकाओं के बीच अंतर देखने में मदद मिलती है। हालाँकि, इन स्लाइड्स को तैयार करने की प्रक्रिया पूरी तरह से एकसमान नहीं होती है। जिस प्रकार एक चित्रकार नीले रंग का एक बैच बना सकता है जो पिछले बैच की तुलना में थोड़ा गहरा या हल्का होता है, उसी प्रकार ऊतक की स्लाइड्स का रासायनिक रंग एक नमूने से दूसरे नमूने में भिन्न होता है। एक स्लाइड में गहरे बैंगनी केंद्रक (न्यूक्लिआई) हो सकते हैं जबकि दूसरी में हल्का रंग हो सकता है, भले ही उसके नीचे का ऊतक बिल्कुल समान हो। यह भिन्नता उन कंप्यूटरों के लिए एक महत्वपूर्ण बाधा उत्पन्न करती है जो इन छवियों का विश्लेषण करने का प्रयास करते हैं। जब शोधकर्ता एक ही रोगी की कई स्लाइड्स की तुलना करना चाहते हैं जो अलग-अलग समय पर ली गई हों, या पूर्ण चित्र प्राप्त करने के लिए विभिन्न प्रकार के रंगों को मिलाना चाहते हैं, तो उन्हें छवियों को पूरी तरह से संरेखित (align) करना पड़ता है। यह प्रक्रिया, जिसे पंजीकरण (registration) कहा जाता है, दो पारदर्शी मानचित्रों को एक के ऊपर एक रखने जैसा है जो एक ही शहर के हों लेकिन उन्हें अलग-अलग स्याही के रंगों और थोड़े अलग पैमानों के साथ बनाया गया हो। यदि रंग बहुत अधिक भिन्न हैं, तो कंप्यूटर भ्रमित हो जाता है और सड़कों को सही ढंग से मिलाने में असमर्थ रहता है।

ओउलू विश्वविद्यालय और हेलसिंकी विश्वविद्यालय के शोधकर्ताओं की एक टीम ने अलग-अलग तरीकों से रंजित (स्टेंड) हिस्टोपैथोलॉजी छवियों को संरेखित करने की इस विशिष्ट समस्या को हल करने के लिए हाथ बढ़ाया। उन्होंने होल-स्लाइड इमेजेस (whole-slide images) पर ध्यान केंद्रित किया, जो ऊतक के नमूनों के अविश्वसनीय रूप से उच्च-रिज़ॉल्यूशन वाले डिजिटल स्कैन हैं, जिनमें अक्सर अरबों पिक्सेल होते हैं। शोधकर्ताओं ने यह देखने के लिए तीन अलग-अलग विधियों का परीक्षण किया कि कौन सी विधि इन बेमेल छवियों को सर्वोत्तम रूप से संरेखित कर सकती है। दो विधियाँ प्रत्येक एकल पिक्सेल की चमक और रंग पर निर्भर करती थीं, जो अनिवार्य रूप से छवियों को गुलाबी और बैंगनी रंगों के शेड्स को एक जैसा बनाकर मिलाने का प्रयास करती थीं। तीसरी विधि ने एक अलग दृष्टिकोण अपनाया: इसने रंगों को पूरी तरह से अनदेखा कर दिया और इसके बजाय संरेखण के मार्गदर्शन के लिए विशिष्ट, पहचानने योग्य शारीरिक स्थलों (anatomical landmarks), जैसे कि कोशिका समूह या रक्त वाहिका के विशिष्ट आकार को देखा। परीक्षण को निष्पक्ष और कठोर बनाने के लिए, टीम ने पहले एक विशेष कंप्यूटर मॉडल का उपयोग करके छवियों के रंगों को कृत्रिम रूप से बदला, जिससे प्रयोगशालाओं में होने वाली प्राकृतिक विविधताओं का अनुकरण किया जा सके। फिर उन्होंने अपनी संरेखण तकनीकों को यह देखने के लिए लागू किया कि कौन सी विधि ऊतक के संरचनात्मक विवरणों को खोए बिना इस रंग के बिखराव को संभाल सकती है।

अध्ययन के परिणामों ने रंजकता (स्टेनिंग) की भिन्नता के सामने एक स्पष्ट विजेता का खुलासा किया। विशिष्ट शारीरिक स्थलों (anatomical landmarks) को मिलाने पर आधारित विधि सबसे मजबूत और सटीक सिद्ध हुई। रंगों के बजाय ऊतक के भीतर भौतिक आकृतियों और स्थितियों पर ध्यान केंद्रित करके, इस दृष्टिकोण ने छवियों को सफलतापूर्वक संरेखित किया, भले ही रंग बहुत अधिक भिन्न क्यों न थे। शोधकर्ताओं ने पाया कि यह लैंडमार्क-आधारित तकनीक मूल, विविध रंगों या अधिक एकसमान दिखने के लिए संसाधित किए गए रंगों के बावजूद उच्च स्तर की सटीकता बनाए रखती है। इसके विपरीत, पिक्सेल तीव्रता (pixel intensity) पर निर्भर करने वाली विधियाँ रंग बदलने पर काफी संघर्ष करती हैं। एक तीव्रता-आधारित उपकरण, जिसने मूल छवियों पर काफी अच्छा प्रदर्शन किया था, रंगों को सामान्य (normalize) करने के बाद उसकी सटीकता नाटकीय रूप से गिर गई, जिससे वह ऊतक संरचनाओं को सही ढंग से संरेखित करने में विफल रहा। दूसरी तीव्रता-आधारित विधि ने रंगों को समायोजित करने के बाद कुछ सुधार दिखाया, जिससे उसकी शक्ति में वृद्धि प्रदर्शित हुई, लेकिन वह लैंडमार्क-आधारित दृष्टिकोण की निरंतरता और विश्वसनीयता का मुकाबला नहीं कर सकी।

अध्ययन ने 'स्टेननेट' (StainNet) नामक एक डीप लर्निंग मॉडल की प्रभावशीलता पर भी प्रकाश डाला, जिसका उपयोग परीक्षण से पहले छवियों के रंगों को मानकीकृत करने के लिए किया गया था। इस मॉडल ने विविध रंगों को एक सुसंगत स्वरूप में सफलतापूर्वक बदल दिया, ठीक वैसे ही जैसे एक फोटो एडिटर व्हाइट बैलेंस को समायोजित करके फोटो श्रृंखला को ऐसा बनाता है जैसे कि वे एक ही लाइटिंग के तहत ली गई हों। हालांकि इस रंग सुधार ने तीव्रता-आधारित विधियों को थोड़ा बेहतर प्रदर्शन करने में मदद की, लेकिन यह उन्हें उनकी मौलिक कमजोरी से बचाने में सक्षम नहीं था: वे सही ढंग से कार्य करने के लिए विशिष्ट रंगों के शेड्स पर बहुत अधिक निर्भर रहे। हालाँकि, लैंडमार्क-आधारित विधि पूरी प्रक्रिया के दौरान स्थिर और सटीक बनी रही। शोधकर्ताओं ने प्रत्येक विधि की सटीकता को एक विशिष्ट बिंदु जहाँ उसे होना चाहिए और जहाँ कंप्यूटर ने संरेखण के बाद उसे रखा है, उनके बीच की दूरी की गणना करके मापा। लैंडमार्क-आधारित दृष्टिकोण ने लगातार सबसे कम त्रुटियां उत्पन्न कीं, अक्सर मिसअलाइनमेंट को पांच पिक्सेल से नीचे रखा, जबकि तीव्रता-आधारित विधियों ने दर्ज की जाने वाली त्रुटियां कभी-कभी दर्जनों गुना अधिक बड़ी थीं, विशेष रूप से तब जब छवियों को रंग-सुधारित किया गया था।

लैंडमार्क-आधारित विधि की स्पष्ट सफलता के बावजूद, शोधकर्ताओं ने एक व्यावहारिक चुनौती का उल्लेख किया जो अभी भी बनी हुई है। जबकि कंप्यूटर लैंडमार्क की पहचान करने के बाद छवियों को पूरी तरह से संरेखित कर सकता है, उन विशिष्ट बिंदुओं को ऊतक पर खोजने और चिह्नित करने के लिए एक मानव विशेषज्ञ द्वारा छवि को देखना और उन पर संकेत देना आवश्यक है। यह मैनुअल चरण समय लेने वाला है और इसके लिए महत्वपूर्ण कौशल की आवश्यकता होती है। अध्ययन सुझाव देता है कि इस क्षेत्र का भविष्य कंप्यूटर को इन लैंडमार्क्स को स्वचालित रूप से पहचानने के लिए सिखाने में निहित है, जो लैंडमार्क-आधारित दृष्टिकोण की विश्वसनीयता को स्वचालन (automation) की गति के साथ जोड़ देगा। तब तक, निष्कर्ष पुष्टि करते हैं कि अलग-अलग रंजित ऊतक नमूनों को संरेखित करने के जटिल कार्य के लिए, ऊतक की भौतिक संरचना पर भरोसा करना रंगों को मिलाने की तुलना में कहीं अधिक प्रभावी है। यह अंतर डिजिटल पैथोलॉजी के भविष्य के लिए अत्यंत महत्वपूर्ण है, जहाँ सटीक संरेखण रोगी के डेटा की तुलना करने और कैंसर के निदान में सहायता करने के लिए स्वचालित उपकरण विकसित करने के लिए आवश्यक है।