Evaluating Boundary-Aware Losses for U-KAN on BraTS 2023 Brain Tumor Segmentation

एक अस्पताल के इमेजिंग सुइट की शांत गूँज में, एक मैग्नेटिक रेजोनेंस स्कैनर मानव मस्तिष्क के जटिल परिदृश्य को कैद करता है। डॉक्टरों के लिए, ये चित्र जीवन और मृत्यु के मानचित्र हैं, जहाँ एक सफल सर्जरी और एक दुखद परिणाम के बीच का अंतर अक्सर इस बात पर निर्भर करता है कि ट्यूमर कहाँ शुरू होता है और कहाँ समाप्त होता है, इसे सटीक रूप से देखने की क्षमता पर। चुनौती यह है कि ब्रेन ट्यूमर, विशेष रूप से ग्लियोमा (gliomas) नामक प्रकार, कोई साफ-सुथरी, गोल वस्तु नहीं होते। वे अनियमित, आक्रामक होते हैं, और उनके किनारे अक्सर स्वस्थ ऊतकों में मिल जाते हैं, जिससे मानवीय आँख के लिए एक सटीक रेखा खींचना कठिन हो जाता है। मदद के लिए, वैज्ञानिकों ने आर्टिफिशियल इंटेलिजेंस का रुख किया है, कंप्यूटर को इन स्कैनों को देखना और बीमारी की सीमाओं को स्वचालित रूप से ट्रेस करना सिखाया है। यह प्रक्रिया, जिसे सेगमेंटेशन (segmentation) कहा जाता है, एक दृश्य चित्र को संख्याओं के एक सेट में बदल देती है जो उपचार योजनाओं का मार्गदर्शन कर सकते हैं। हालाँकि, एक बच्चे को वृत्त बनाना सिखाने जैसा कंप्यूटर को इन धुंधले किनारों को देखना सिखाना कठिन है; सामान्य आकार को सही रूप में लाना आसान है, लेकिन रेखा को पूरी तरह से चिकना और सटीक बनाना बहुत कठिन कार्य है।

मोरक्को के कदी अयाद विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक विशिष्ट विचार का परीक्षण करने का निर्णय लिया। वे जानना चाहते थे कि क्या वे कंप्यूटर को केवल समग्र आकार के बजाय ट्यूमर के किनारों पर ध्यान केंद्रित करने के लिए स्पष्ट रूप से सिखाकर उसके "ड्राइंग" को बेहतर बना सकते हैं। मशीन लर्निंग की दुनिया में, कंप्यूटर एक "लॉस" (loss) को कम करने का प्रयास करके सीखता है, जो अनिवार्य रूप से इस बात का स्कोर है कि उसका अनुमान कितना गलत है। आमतौर पर, कंप्यूटर को ट्यूमर के कुल क्षेत्र को सही करने के लिए पुरस्कृत किया जाता है। शोधकर्ताओं ने सोचा कि क्या किनारों को गलत होने के लिए एक विशेष दंड (penalty) जोड़ने से कंप्यूटर को अधिक सटीक रूपरेखा बनाने के लिए मजबूर किया जा सकेगा। उन्होंने इस विचार का परीक्षण U-KAN नामक एक आधुनिक न्यूरल नेटवर्क का उपयोग करके किया, जो चिकित्सा छवियों को संसाधित करने के लिए डिज़ाइन किया गया एक परिष्कृत आर्किटेक्चर है, और ब्रैट्स 2023 (BraTS 2023) नामक एक वैश्विक प्रतियोगिता से प्राप्त मस्तिष्क स्कैन के एक बड़े संग्रह पर किया।

शोधकर्ताओं ने केवल अनुमान नहीं लगाया; उन्होंने एक कठोर प्रयोग चलाया। उन्होंने अपने कंप्यूटर सिस्टम के दो अलग-अलग संस्करण बनाए: एक जिसने मस्तिष्क के स्कैन को स्लाइस-दर-स्लाइस देखा, जैसे किताब के पन्ने पलट रहे हों, और दूसरा जिसने पूरे मस्तिष्क वॉल्यूम को एक साथ देखा, जैसे हाथ में एक 3D मॉडल पकड़ा हो। प्रत्येक संस्करण के लिए, उन्होंने कंप्यूटर को पांच अलग-अलग तरीकों से प्रशिक्षित किया। एक तरीका मानक तरीका था, जो केवल कुल क्षेत्र पर ध्यान केंद्रित करता था। अन्य चार तरीकों ने विभिन्न तरीकों से किनारे-केंद्रित विचार को शामिल करने का प्रयास किया: कुछ ने किनारों के लिए एक निश्चित नियम का उपयोग किया, दूसरों ने जैसे-जैसे कंप्यूटर सीखता गया वैसे ही नियम को बदला, और एक ने सीमा (boundary) के लिए पूरी तरह से अलग गणितीय दृष्टिकोण अपनाया। यह सुनिश्चित करने के लिए कि उनके परिणाम केवल भाग्य नहीं हैं, उन्होंने प्रत्येक के पांच तरीकों को थोड़ी अलग शुरुआती स्थितियों के साथ तीन बार चलाया, जिससे कुल तीस अलग-अलग प्रशिक्षण सत्र बने।

जब धूल जम गई, तो परिणाम आश्चर्यजनक रूप से मिश्रित थे और इस दृष्टिकोण की सीमाओं के बारे में एक स्पष्ट सबक प्रदान करते थे। प्रयोग के स्लाइस-दर-स्लाइस संस्करण में, एक किनारे-केंद्रित विधि ने आशा दिखाई। इसने ट्यूमर की रूपरेखा की औसत सटीकता में सुधार किया और वास्तविक किनारे तथा कंप्यूटर के अनुमान के बीच की दूरी को काफी कम कर दिया, जिससे त्रुटि लगभग 35 मिलीमीटर के औसत से घटकर लगभग 22.5 मिलीमीटर रह गई। यह एक मूर्त सुधार था, जो बताता है कि इस विशिष्ट सेटअप के लिए, किनारों पर ध्यान देने से मदद मिली। हालाँकि, यह सफलता नाजुक थी। जब शोधकर्ताओं ने व्यक्तिगत प्रशिक्षण रन की बारीकी से जांच की, तो उन्होंने पाया कि सुधार सुसंगत नहीं था; तीन में से दो प्रयासों में, मानक विधि वास्तव में किनारे-केंद्रित विधि से बेहतर प्रदर्शन कर रही थी। सफलता काफी हद तक कंप्यूटर की विशिष्ट शुरुआती स्थितियों पर निर्भर करती थी, न कि एक गारंटीकृत अपग्रेड पर।

3D संस्करण के लिए कहानी और भी कम उत्साहजनक थी, जिसे आम तौर पर मेडिकल इमेजिंग के लिए अधिक शक्तिशाली माना जाता है। यहाँ, किनारे-केंद्रित विधियों ने लगभग कोई लाभ नहीं दिया। विशेष किनारे नियमों के साथ प्रशिक्षित कंप्यूटर ने मानक विधि के समान ही प्रदर्शन किया, जिसमें अंतर इतना छोटा था कि वे संभवतः केवल रैंडम नॉइज़ (random noise) थे। वास्तव में, एक किनारे-केंद्रित दृष्टिकोण ने, जब स्लाइस-दर-स्लाइस सिस्टम पर उपयोग किया गया, तो एक प्रशिक्षण रन में बड़ी विफलता का कारण बना, जहाँ कंप्यूटर भ्रमित हो गया और स्वस्थ ऊतकों के चारों ओर विशाल, गलत रूपरेखाएँ खींच दीं। इस अस्थिरता ने दिखाया कि केवल एक किनारे दंड जोड़ना स्वचालित रूप से सिस्टम को स्मार्ट नहीं बनाता है; कुछ मामलों में, यह कंप्यूटर की सीखने की प्रक्रिया को अस्थिर और त्रुटियों के प्रति संवेदनशील बना सकता है।

अध्ययन निष्कर्ष निकालता है कि हालांकि कंप्यूटर को ट्यूमर के किनारों पर ध्यान केंद्रित करना सिखाने का विचार तार्किक और आकर्षक लगता है, लेकिन यह व्यवहार में बेहतर परिणाम की ओर स्वतः नहीं ले जाता है। शोधकर्ताओं ने पाया कि मानक विधि, जो समग्र आकार को सही करने पर ध्यान केंद्रित करती है, इस विशिष्ट प्रकार के ब्रेन ट्यूमर सेगमेंटेशन के लिए एक बहुत ही मजबूत और विश्वसनीय दृष्टिकोण बनी हुई है। उनके द्वारा परीक्षण की गई किनारे-केंद्रित तकनीकों ने कोई निरंतर लाभ प्रदान नहीं किया जो मानक विधि को बदलने के औचित्य के लिए पर्याप्त हो। 2D परीक्षणों में एक विशिष्ट किनारे विधि की सफलता एक संकेत थी, लेकिन यह एक विश्वसनीय समाधान नहीं था जो हर बार काम करता। अंततः, अध्ययन सुझाव देता है कि फिलहाल, इन AI सिस्टम को प्रशिक्षित करने का सबसे प्रभावी तरीका सिद्ध तरीकों के साथ बने रहना है, जो समग्र सटीकता को मापने पर केंद्रित हैं, बजाय इसके कि यह मान लिया जाए कि सीमाओं के लिए एक विशेष नियम जोड़ने से हमेशा बेहतर परिणाम मिलेंगे। बेहतर मेडिकल AI का मार्ग एक नए नुस्खे में नहीं, बल्कि यह समझने में है कि विभिन्न उपकरण वास्तव में कब और कैसे मिलकर काम करते हैं।