D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities

मस्तिष्क के ट्यूमर के खिलाफ लड़ाई में, डॉक्टर सर्जरी और उपचार की योजना बनाने के लिए मस्तिष्क के एक विस्तृत मानचित्र पर भरोसा करते हैं। यह मानचित्र एमआरआई (मैग्नेटिक रेजोनेंस इमेजिंग) का उपयोग करके बनाया जाता है, जो एक ऐसी तकनीक है जो विभिन्न प्रकार के चुंबकीय संकेतों का उपयोग करके मस्तिष्क की तस्वीरें लेती है। मानक चिकित्सा पद्धति में आमतौर पर चार अलग-अलग प्रकार की छवियों को कैप्चर करना शामिल होता है, जिनमें से प्रत्येक ऊतक (टिश्यू) के बारे में अलग-अलग विवरण प्रकट करता है, जैसे कि तरल स्तर या रक्त प्रवाह। ये मिलकर इस बात की पूरी तस्वीर प्रदान करते हैं कि ट्यूमर कहाँ है और यह कितना आक्रामक हो सकता है। हालाँकि, अस्पतालों की वास्तविक दुनिया में, छवियों का यह पूर्ण सेट हमेशा उपलब्ध नहीं होता है। मरीज पूर्ण स्कैनिंग प्रोटोकॉल कराने के लिए बहुत बीमार हो सकते हैं, या किसी विशिष्ट क्लिनिक में उपकरण सीमित हो सकते हैं। जब किसी डॉक्टर के पास इन महत्वपूर्ण छवि प्रकारों में से एक भी गायब होता है, तो ट्यूमर को स्वचालित रूप से रेखांकित करने वाले कंप्यूटर प्रोग्राम अक्सर संघर्ष करते हैं, और कभी-कभी बीमारी के सबसे खतरनाक हिस्सों को देखने में विफल रहते हैं।

द यूनिवर्सिटी ऑफ वेस्टर्न ऑस्ट्रेलिया और द यूनिवर्सिटी ऑफ मेलबर्न के शोधकर्ताओं ने इस समस्या को हल करने के लिए 'D3Seg' नामक एक नया कंप्यूटर सिस्टम विकसित किया है। उनका लक्ष्य एक ऐसा उपकरण बनाना था जो मस्तिष्क के ट्यूमर का सटीक मानचित्र बना सके, भले ही कुछ मानक एमआरआई चित्र गायब हों। केवल यह अनुमान लगाने के बजाय कि गायब तस्वीरें कैसी दिख सकती हैं या खाली जगहों को अनदेखा करने के बजाय, यह नया सिस्टम खाली स्थानों को बुद्धिमानी से भरने के लिए एक तीन-स्तरीय रणनीति का उपयोग करता है। सबसे पहले, यह अध्ययन करता है कि उपलब्ध चित्र एक-दूसरे से कैसे संबंधित हैं, यह समझते हुए कि विभिन्न एमआरआई प्रकार केवल अलग-अलग चित्र नहीं हैं बल्कि वे गहराई से जुड़े हुए हैं। दूसरा, यह उपलब्ध डेटा से सीधे गायब जानकारी उत्पन्न करने के लिए एक विशेष प्रक्रिया का उपयोग करता है, जो विशेष रूप से उन छवि प्रकारों पर ध्यान केंद्रित करती है जो ट्यूमर के सक्रिय हिस्सों को पहचानने के लिए सबसे महत्वपूर्ण हैं। अंत में, यह सुनिश्चित करने के लिए अपने स्वयं के कार्य की समीक्षा करता है कि वह ट्यूमर के बड़े, स्पष्ट हिस्सों के बारे में बहुत अधिक आत्मविश्वासी न हो जाए जबकि छोटे, कठिन-से-दिखने वाले हिस्सों को अनदेखा कर दे।

टीम ने अपने नए सिस्टम का परीक्षण ग्लियोमा (जो एक सामान्य प्रकार का ब्रेन ट्यूमर है) के रोगियों के मस्तिष्क स्कैन के एक बड़े संग्रह पर किया, और साथ ही मेंनजियोमा (meningioma) के रोगियों के एक अलग समूह पर भी, यह देखने के लिए कि क्या यह विधि विभिन्न रोगों में काम करती है। उन्होंने वास्तविक दुनिया के परिदृश्यों का अनुकरण करने के लिए जानबूझकर चार मानक एमआरआई प्रकारों में से एक या अधिक को कंप्यूटर से छिपा दिया। परिणामों ने दिखाया कि D3Seg लगातार वर्तमान सर्वोत्तम तरीकों से बेहतर प्रदर्शन करता है। जब सिस्टम उन कंट्रास्ट-एन्हांस्ड छवियों को गायब पाता है जो सक्रिय ट्यूमर वृद्धि को उजागर करती हैं, तो इसने सबसे महत्वपूर्ण ट्यूमर क्षेत्रों के लिए अपने रेखांकन की सटीकता में लगभग 1.5 से 2.0 प्रतिशत का सुधार किया। हालांकि यह संख्या छोटी लग सकती है, लेकिन मेडिकल इमेजिंग की सटीक दुनिया में, यह बीमारी को स्पष्ट रूप से देखने की क्षमता में एक महत्वपूर्ण सुधार का प्रतिनिधित्व करती है। इस प्रणाली ने मेंनजियोमा के मामलों पर भी अच्छा प्रदर्शन करके अपनी विश्वसनीयता साबित की, जिन्हें प्रशिक्षण के दौरान कभी नहीं देखा गया था, जिससे पता चलता है कि इसने विशिष्ट पैटर्न को केवल याद करने के बजाय मस्तिष्क के ट्यूमर को समझने का एक सामान्य तरीका सीख लिया है।

इस सफलता का मूल यह है कि सिस्टम गायब डेटा को कैसे संभालता है। पिछले तरीके अक्सर या तो उपलब्ध छवियों को जोड़ने का प्रयास करते थे या पूरी गायब तस्वीर को शून्य से फिर से बनाने का प्रयास करते थे, जिससे त्रुटियां उत्पन्न हो सकती थीं। D3Seg एक अलग दृष्टिकोण अपनाता है। यह पहले एक मानचित्र बनाता है कि विभिन्न एमआरआई प्रकार एक-दूसरे पर कैसे निर्भर हैं, जिससे कुछ अनुपस्थित होने पर भी उनके बीच सूचना का प्रवाह संभव हो सके। फिर, यह एक जेनेरेटिव प्रक्रिया का उपयोग करता है ताकि डेटा के अपने आंतरिक प्रतिनिधित्व के भीतर, सबसे महत्वपूर्ण छवि प्रकारों (विशेष रूप से कंट्रास्ट और तरल दिखाने वाले) के लिए गायब विशेषताओं को सीधे बनाया जा सके। यह एक कुशल कलाकार की तरह है जो, जब उसे परिदृश्य का एक स्केच दिया जाता है, तो वह पूरे दृश्य को याददाश्त से फिर से बनाने के बजाय, पहाड़ियों की शैली के आधार पर विश्वास के साथ आकाश और पेड़ों को भर सकता है। अंत में, सिस्टम अपने भविष्यवाणियों की जांच करता है और यदि उसे पता चलता है कि वह ट्यूमर के आसान हिस्सों के बारे में बहुत अधिक निश्चित हो रहा है जबकि वह कठिन किनारों को अनदेखा कर रहा है, तो वह उन्हें समायोजित करता है।

शोधकर्ताओं ने पाया कि यह विधि 'एन्हांसिंग ट्यूमर' (enhancing tumor) की पहचान करने में विशेष रूप से प्रभावी थी, जो विकास का वह हिस्सा है जो सबसे अधिक सक्रिय और खतरनाक है। उन परीक्षणों में जहाँ कंट्रास्ट-एन्हांस्ड एमआरआई गायब था, नया सिस्टम अभी भी मौजूदा उपकरणों की तुलना में इस सक्रिय क्षेत्र की सीमाओं को बहुत अधिक सटीकता से खींचने में सक्षम था। इसने उन तरल-संवेदनशील छवियों के गायब होने पर भी मजबूत प्रदर्शन बनाए रखा, जो ट्यूमर के आसपास की सूजन को देखने के लिए महत्वपूर्ण हैं। अध्ययन ने पुष्टि की कि ये सुधार केवल संयोग नहीं थे बल्कि सांख्यिकीय रूप से महत्वपूर्ण थे, जिसका अर्थ है कि परिणाम अत्यधिक विश्वसनीय थे। इसके अलावा, सिस्टम ने बिना कंप्यूटिंग शक्ति में भारी वृद्धि के यह लाभ प्राप्त किया, जिससे यह उन अस्पतालों के लिए एक व्यावहारिक विकल्प बन गया जिन्हें स्कैन को जल्दी प्रोसेस करने की आवश्यकता होती है।

यह प्रदर्शित करके कि एक कंप्यूटर अधूरा जानकारी होने पर भी अनुकूलित होना सीख सकता है, यह कार्य मेडिकल इमेजिंग के लिए एक आशाजनक मार्ग प्रदान करता है। यह सुझाव देता है कि स्वचालित निदान का भविष्य इस बात पर निर्भर नहीं है कि प्रत्येक रोगी के पास स्कैन का एक पूर्ण, संपूर्ण सेट हो। इसके बजाय, बुद्धिमान सिस्टम बनाए जा सकते हैं जो उपलब्ध डेटा के साथ काम कर सकें, जिससे यह सुनिश्चित हो सके कि रोगियों को उनके विशिष्ट चिकित्सा उपकरणों या स्थिति की सीमाओं के बावजूद सटीक ट्यूमर मानचित्र प्राप्त हों। शोधकर्ताओं ने अपने कोड और मॉडल को जनता के लिए उपलब्ध करा दिया है, जिससे अन्य वैज्ञानिकों को इस नींव पर निर्माण करने और उन उपकरणों को और अधिक परिष्कृत करने के लिए आमंत्रित किया गया है जो डॉक्टरों को मस्तिष्क के ट्यूमर के जटिल परिदृश्य में नेविगेट करने में मदद करते हैं।