Hybrid Deep Learning–Based Computer Vision Framework for Brain Organoid and Embryoid Body Segmentation
यह शोध पत्र एक हाइब्रिड डीप लर्निंग-आधारित कंप्यूटर विजन फ्रेमवर्क प्रस्तुत करता है जो ब्रेन ऑर्गेनॉइड और एम्ब्रियोइड बॉडी छवियों के लिए बेहतर सेगमेंटेशन और फीचर एक्सट्रैक्शन प्राप्त करने के लिए मीडियन फिल्टरिंग, हिस्टोग्राम इक्वलाइज़ेशन और वॉडशेड एल्गोरिदम को संयोजित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
एक प्रयोगशाला के शांत और नियंत्रित वातावरण में, वैज्ञानिक कोशिकाओं के छोटे, त्रि-आयामी समूहों को उगाते हैं जिन्हें ऑर्गेनॉइड (organoids) कहा जाता है। ये पूर्ण अंग नहीं हैं, बल्कि सूक्ष्म, सरलीकृत संस्करण हैं जो मानव ऊतकों, जैसे कि मस्तिष्क की जटिल संरचना की नकल करते हैं। शोधकर्ता इनका उपयोग यह अध्ययन करने के लिए करते हैं कि मस्तिष्क कैसे विकसित होता है और अल्जाइमर जैसी बीमारियों की जांच करने के लिए करते हैं, जो अक्सर उन स्टेम कोशिकाओं से शुरू होता है जिनमें शरीर की किसी भी प्रकार की कोशिका बनने की क्षमता होती है। इन सूक्ष्म संरचनाओं से सीखने के लिए, वैज्ञानिकों को पहले उन्हें स्पष्ट रूप से देखने में सक्षम होना चाहिए। इसके लिए कच्चे चित्रों को, जो अक्सर दानेदार, धुंधले या दृश्य शोर (visual noise) से भरे होते हैं, स्पष्ट और सुस्पष्ट चित्रों में बदलने की आवश्यकता होती है जहाँ प्रत्येक कोशिका की सीमा दिखाई दे सके। चुनौती एक कोशिका को दूसरी कोशिका से अलग करने में निहित है जब वे एक-दूसरे के बहुत करीब पैक होती हैं, जो मानवीय आंखों और मानक कंप्यूटर प्रोग्रामों दोनों के लिए एक कठिन कार्य है।
भारत के एसआरएम आर्ट्स एंड साइंस कॉलेज के शोधकर्ताओं की एक टीम ने स्पष्टता और पृथक्करण की इस विशिष्ट समस्या को हल करने के उद्देश्य से काम किया। उन्होंने मस्तिष्क ऑर्गेनॉइड और एम्ब्रियोइड बॉडीज (जो कोशिकाओं के समान समूह हैं) के चित्रों के संग्रह के साथ काम किया ताकि उनका विश्लेषण करने के लिए एक नई प्रणाली बनाई जा सके। उनका लक्ष्य एक ऐसी विधि बनाना था जो छवियों को स्वचालित रूप से साफ कर सके और फिर उन्हें सटीक रूप से व्यक्तिगत टुकड़ों में काट सके, जिससे सटीक गिनती और माप संभव हो सके। उन्होंने इमेज प्रोसेसिंग में उपयोग किए जाने वाले विभिन्न मानक उपकरणों का परीक्षण किया, और यह तुलना की कि प्रत्येक उपकरण ने सूक्ष्म फोटोग्राफी की अव्यवस्थित वास्तविकता को कितनी अच्छी तरह से संभाला। कुछ उपकरण यादृच्छिक दानेदारपन (graininess) को चिकना करने के लिए डिज़ाइन किए गए थे, जबकि अन्य उन किनारों को तेज करने के लिए बनाए गए थे जहाँ एक वस्तु समाप्त होती है और दूसरी शुरू होती है।
शोधकर्ताओं ने पाया कि सभी उपकरण काम के हर हिस्से के लिए समान रूप से प्रभावी नहीं थे। जब बात सूक्ष्मदर्शी तस्वीरों में दिखने वाले चितकबरे शोर (speckled noise) को हटाने की आई, तो 'मीडियन फ़िल्टर' (median filter) नामक तकनीक सामान्य 'गौसियन फ़िल्टर' (Gaussian filter) की तुलना में श्रेष्ठ सिद्ध हुई। जहाँ गौसियन फ़िल्टर रंगों को औसत निकालकर छवि को चिकना करता था, जिससे कभी-कभी कोशिकाओं के नाजुक किनारे धुंधले हो जाते थे, वहीं मीडियन फ़िल्टर ने प्रत्येक पिक्सेल को उसके पड़ोस के सबसे सामान्य मान से बदल दिया। इस दृष्टिकोण ने पृष्ठभूमि को साफ करने के साथ-साथ कोशिकाओं की तीखी रूपरेखा को बरकरार रखा। गहरे बैकग्राउंड के मुकाबले धुंधली संरचनाओं को अधिक स्पष्ट रूप से उभारने के लिए, टीम ने एक प्रक्रिया लागू की जिसने छवि में प्रकाश और अंधेरे के रंगों की सीमा को फैला दिया, जिसे 'हिस्टोग्राम इक्वलाइजेशन' (histogram equalization) कहा जाता है। इस चरण ने कोशिकाओं और उनके परिवेश के बीच के अंतर को बहुत अधिक स्पष्ट बना दिया।
एक बार जब छवियां साफ और उच्च-कंट्रास्ट वाली हो गईं, तो टीम को छूती हुई कोशिकाओं को अलग करने की आवश्यकता थी। उन्होंने चमक में तीव्र परिवर्तनों को खोजकर किनारों को खोजने वाले एल्गोरिदम सहित कई विधियों का परीक्षण किया। हालाँकि, इन विधियों ने अक्सर कोशिकाओं को खंडित दिखाया या सीमाओं को पूरी तरह से पहचानने में विफल रहीं। सबसे सफल दृष्टिकोण 'वॉटरशेड सेगमेंटेशन' (watershed segmentation) नामक एक तकनीक थी। यह विधि छवि को एक परिदृश्य (landscape) की तरह मानती है, जहाँ चमकीले क्षेत्र शिखर (peaks) हैं और गहरे क्षेत्र घाटियाँ (valleys) हैं। सबसे निचले बिंदुओं से पानी के ऊपर उठने का अनुकरण करके, सिस्टम स्वाभाविक रूप से उन रेखाओं (ridges) को खोज सकता है जो एक कोशिका को उसकी पड़ोसी कोशिका से अलग करती हैं। शोर हटाने और कंट्रास्ट बढ़ाने के पिछले चरणों के साथ मिलकर, इस हाइब्रिड पाइपलाइन ने व्यक्तिगत ऑर्गेनॉइड कोशिकाओं का सबसे स्पष्ट पृथक्करण प्रदान किया, जिसने किसी भी एकल विधि की तुलना में उनके वास्तविक आकार को बेहतर ढंग से संरक्षित किया।
इस विश्लेषण को एक कदम आगे ले जाने के लिए, शोधकर्ताओं ने इन संरचनाओं को वर्गीकृत करने के लिए 'डीप लर्निंग' (deep learning) का उपयोग करते हुए एक प्रणाली भी बनाई, जो डेटा से सीधे पैटर्न सीखने वाला एक प्रकार का कृत्रिम बुद्धिमत्ता (AI) है। उन्होंने दो शक्तिशाली मॉडलों को मिलाया, जिनमें से एक बनावट (textures) को पहचानने के लिए जाना जाता है और दूसरा गहरे संरचनात्मक विवरणों को समझने के लिए। इन दोनों मॉडलों को अंतिम उत्तर पर मतदान करने की अनुमति देकर, उन्होंने एक ऐसी प्रणाली बनाई जो अकेले काम करने वाले किसी भी मॉडल की तुलना में अधिक सटीक और स्थिर थी। इस संयुक्त प्रणाली ने ऑर्गेनॉइड की पहचान करने में उच्च स्तर की सटीकता हासिल की, जिससे उन त्रुटियों को कम किया गया जो अक्सर कंप्यूटर द्वारा जटिल जैविक आकृतियों की व्याख्या करने के दौरान होती हैं। यह अध्ययन प्रदर्शित करता है कि इन विभिन्न तकनीकों को सावधानीपूर्वक परतों में लगाकर—शोर को साफ करना, कंट्रास्ट को बढ़ाना और फिर एक स्मार्ट सेगमेंटेशन टूल का उपयोग करना—वैज्ञानिक इन सूक्ष्म जैविक संरचनाओं का बहुत स्पष्ट दृश्य प्राप्त कर सकते हैं। यह स्पष्टता अगले शोध चरणों के लिए आवश्यक है, जहाँ कोशिकाओं के सटीक आकार और संख्या को समझना यह जानकारी दे सकता है कि मस्तिष्क कैसे बढ़ता है और बीमारी से कैसे प्रभावित हो सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।