मल्टी-ट्यूब-वोल्टेज vBMD मापन: डुअल-ब्रांच फ्रीक्वेंसी बैलेंसिंग और एसिमेट्रिक चैनल अटेंशन के माध्यम से

पृष्ठभूमि और अकादमिक वंश

इस पत्र में संबोधित समस्या की सटीक उत्पत्ति को समझने के लिए, हमें यह देखना होगा कि डॉक्टर ऑस्टियोपोरोसिस का निदान कैसे करते हैं। हड्डी की ताकत का मूल्यांकन करने के लिए गोल्ड स्टैंडर्ड वॉल्यूमेट्रिक बोन मिनरल डेंसिटी (vBMD) का मापन है। ऐतिहासिक रूप से, यह क्वांटिटेटिव कंप्यूटेड टोमोग्राफी (QCT) का उपयोग करके किया जाता था, जिसके लिए सीटी स्कैन के दौरान रोगी के नीचे एक भौतिक अंशांकन वस्तु—जिसे "फैंटम" के रूप में जाना जाता है—रखने की आवश्यकता होती थी। पत्र में उल्लेख है कि ये भौतिक फैंटम महंगे होते हैं, हालांकि ईमानदारी से कहूं तो, मैं केवल पाठ से सटीक नैदानिक मूल्य टैग के बारे में पूरी तरह से निश्चित नहीं हूं—लेकिन मेडिकल इमेजिंग में, विशेष अंशांकन हार्डवेयर आसानी से प्रति सत्र \$150 या उससे अधिक तक चल सकता है, बार-बार अंशांकन की परेशानी का उल्लेख न करें।

इससे बचने के लिए, चिकित्सा क्षेत्र ने "फैंटम-रहित" (PL) विधियों का विकास किया। एक बाहरी वस्तु के बजाय, ये विधियां हड्डी के घनत्व की गणना के लिए रोगी के अपने आंतरिक ऊतकों (जैसे वसा और मांसपेशी) को संदर्भ बिंदुओं के रूप में उपयोग करती हैं। हाल ही में, इस प्रक्रिया को स्वचालित करने के लिए डीप न्यूरल नेटवर्क (DNN) को तैनात किया गया है।

हालांकि, आधुनिक नैदानिक अभ्यास में बदलाव के कारण एक बड़ी "समस्या" उत्पन्न हुई। रोगियों को अत्यधिक विकिरण से बचाने के लिए, अस्पताल तेजी से सीटी स्कैनर के ट्यूब वोल्टेज को मानक 120 kVp से घटाकर 80 या 100 kVp कर रहे हैं। पिछले DNN मॉडल की मौलिक सीमा यह है कि उन्हें 120 kVp स्कैन के लिए कठोरता से अनुकूलित किया गया था। जब निम्न-वोल्टेज छवियों को फीड किया जाता है, तो समग्र चमक और कंट्रास्ट (सीटी क्षीणन) नाटकीय रूप से बदल जाते हैं। पिछले मॉडल, जो इन वैश्विक तीव्रता परिवर्तनों (निम्न-आवृत्ति जानकारी) पर बहुत अधिक निर्भर करते थे, प्रदर्शन में गंभीर गिरावट से पीड़ित होते हैं, जिससे $20 \text{ mg/cm}^3$ तक का अनुमान त्रुटि होता है। वे हड्डी की महीन, स्पंजी बनावट (उच्च-आवृत्ति जानकारी) को पूरी तरह से चूक जाते हैं, जो वास्तव में विकिरण खुराक की परवाह किए बिना स्थिर रहती है। इसके अलावा, इन आवृत्तियों को अलग करने के पारंपरिक तरीके 3D मेडिकल छवियों के लिए व्यावहारिक होने के लिए बहुत अधिक कम्प्यूटेशनल रूप से भारी हैं।

आपको विज्ञान को सहज रूप से समझने में मदद करने के लिए, यहां कुछ अत्यधिक विशिष्ट डोमेन शब्दों का रोजमर्रा की अवधारणाओं में अनुवाद दिया गया है:

• फैंटम-रहित (PL) vBMD मापन: एक तस्वीर में सेब के वजन का अनुमान लगाने की कोशिश करने की कल्पना करें। एक "फैंटम" विधि के लिए तुलना के लिए सेब के बगल में एक मानक 1-पाउंड धातु का वजन रखने की आवश्यकता होती है। एक "फैंटम-रहित" विधि तस्वीर में पहले से मौजूद चीज़ का उपयोग करके—बाहरी उपकरण लाए बिना—सेब के वजन का अनुमान लगाने के लिए प्लेट के आकार की तुलना करने जैसा है।
• ट्यूब वोल्टेज (kVp): इसे एक तस्वीर लेने के लिए उपयोग की जाने वाली टॉर्च की चमक के रूप में सोचें। उच्च वोल्टेज (120 kVp) एक चकाचौंध करने वाली तेज रोशनी है जो सब कुछ स्पष्ट रूप से दिखाती है लेकिन बहुत अधिक ऊर्जा (विकिरण) का उपयोग करती है। निम्न वोल्टेज (80 kVp) एक मंद रोशनी है जो विषय के लिए सुरक्षित है लेकिन परिणामी छवि को अलग दिखाती है, पुराने कंप्यूटर कार्यक्रमों को भ्रमित करती है।
• ट्रैबिकुलर आर्किटेक्चर: हड्डी की आंतरिक संरचना ठोस चट्टान नहीं है; यह एक कठोर स्पंज या मधुकोश जैसा दिखता है। यह शब्द हड्डी के अंदर उस जटिल, छिद्रपूर्ण नेटवर्क को संदर्भित करता है।
• आवृत्ति अपघटन: एक सिम्फनी सुनने की कल्पना करें। यह प्रक्रिया एक ऑडियो इक्वलाइज़र का उपयोग करके गहरी, गूंजने वाली बास (निम्न-आवृत्ति: हड्डी का समग्र आकार और स्थान) को वायलिन की तेज, कुरकुरी ध्वनियों (उच्च-आवृत्ति: हड्डी के अंदर की महीन, स्पंजी बनावट) से अलग करने जैसा है।

इसे हल करने के लिए, लेखकों ने एक हल्के, डुअल-ब्रांच न्यूरल नेटवर्क को डिजाइन किया जो इन आवृत्तियों को अलग और संतुलित करता है। गणितीय रूप से, वे भारी गणना के बिना उच्च-आवृत्ति विवरण निकालते हैं और प्रत्येक आवृत्ति बैंड के महत्व को तौलने के लिए एक एसिमेट्रिक चैनल अटेंशन मैकेनिज्म का उपयोग करते हैं।

यहां बताया गया है कि वे गणितीय रूप से आवृत्ति मॉड्यूलेशन और फीचर फ्यूजन की व्याख्या और समाधान कैसे करते हैं:

सबसे पहले, वे फूरियर ट्रांसफॉर्म और एक स्थानिक अटेंशन मैकेनिज्म का उपयोग करके आवृत्ति सुविधाओं को मॉडिफाई करते हैं:
$$ Y = \sum_{b \in B} \sigma(f(X_b; W_b)) \odot X_b $$
$$ X_b = \mathcal{F}^{-1}(M_b \odot \mathcal{F}(X)) $$

बाद में, वे अटेंशन वेट उत्पन्न करने के लिए निम्न- और उच्च-आवृत्ति सुविधाओं को फ्यूज करते हैं, यह सुनिश्चित करते हुए कि नेटवर्क सबसे महत्वपूर्ण जानकारी पर केंद्रित है:
$$ \widetilde{X} = upsample(X_L) + X_H $$
$$ A_H = \sigma(MLP(GMP(\widetilde{X}))) $$
$$ A_L = \sigma(MLP(GAP(\widetilde{X}))) $$

अंत में, वे इन अटेंशन वेट को सुविधाओं को उनके संबंधित डोमेन में वापस अलग करने के लिए लागू करते हैं:
$$ X = A_H \odot X_H + A_L \odot X_L $$

नीचे एक तालिका दी गई है जो उनके आर्किटेक्चर को समझने के लिए आवश्यक प्रमुख गणितीय नोटेशन को व्यवस्थित करती है:

नोटेशन	विवरण
$X$	इनपुट फीचर मैप, 3D स्पेस में परिभाषित $X \in \mathbb{R}^{C,D,H,W}$ के रूप में
$Y$	आवृत्ति मॉड्यूलेशन के बाद आउटपुट फीचर मैप
$\mathcal{F}, \mathcal{F}^{-1}$	फूरियर ट्रांसफॉर्म और इसका व्युत्क्रम
$M_b$	विशिष्ट आवृत्ति बैंड को अलग करने के लिए उपयोग किया जाने वाला बाइनरी आवृत्ति मास्क
$W$	कनवल्शनल पैरामीटर (वजन)
$X_L, X_H$	अलग किए गए निम्न-आवृत्ति और उच्च-आवृत्ति फीचर घटक
$Y_L, Y_H$	संसाधित निम्न-आवृत्ति और उच्च-आवृत्ति विशेषताएं
$A_L, A_H$	निम्न और उच्च आवृत्तियों के लिए चैनल अटेंशन मैप
$\widetilde{X}$	पुनः विभाजित करने से पहले फ्यूज्ड फीचर मैप
$AP(x)$	$2 \times 2 \times 2$ कर्नेल के साथ औसत पूलिंग ऑपरेशन
$upsample(x)$	निकटतम पड़ोसी अपसैंपलिंग ऑपरेशन
$\sigma$	सिग्मॉइड एक्टिवेशन फ़ंक्शन
$\odot$	हैडमार्ड उत्पाद (तत्व-वार गुणन)

समस्या परिभाषा और बाधाएं

कल्पना कीजिए कि आप एक स्पंज का वजन करने की कोशिश कर रहे हैं, लेकिन इसे पैमाने पर रखने के बजाय, आपको केवल इसकी तस्वीर देखकर इसके वजन का अनुमान लगाना है। अब, कल्पना करें कि कमरे की रोशनी लगातार बदल रही है—कभी यह तेज होती है, कभी यह मंद होती है। यह ठीक वही चुनौती है जिसका सामना डॉक्टरों को सीटी स्कैन से हड्डी के घनत्व को मापने में करना पड़ता है, बिना किसी भौतिक अंशांकन उपकरण ("फैंटम") का उपयोग किए।

प्रारंभिक बिंदु और वांछित अंतिम बिंदु

इनपुट (वर्तमान स्थिति): हम रोगी के कशेरुका निकायों की 3D कंप्यूटेड टोमोग्राफी (CT) छवियों से शुरू करते हैं। ये स्कैन विभिन्न विकिरण स्तरों पर लिए जाते हैं, जिन्हें ट्यूब वोल्टेज (आमतौर पर 80, 100, या 120 kVp) के रूप में जाना जाता है।

आउटपुट (लक्ष्य स्थिति): लक्ष्य $mg/cm^3$ में व्यक्त, एक अत्यधिक सटीक वॉल्यूमेट्रिक बोन मिनरल डेंसिटी (vBMD) माप आउटपुट करना है।

गणितीय अंतर:
परंपरागत रूप से, डॉक्टर हड्डी के घनत्व को हounsfield Unit (HU) को देखकर मापते हैं, जो एक्स-रे को ऊतक कितनी मात्रा में अवरुद्ध करता है, इसका एक गणितीय प्रतिनिधित्व है। यहां गायब कड़ी यह है कि HU मान विशेष रूप से एक्स-रे ट्यूब वोल्टेज पर निर्भर होते हैं। यदि कोई अस्पताल अतिरिक्त विकिरण बचाने के लिए वोल्टेज कम करता है, तो उसी हड्डी के HU मान काफी कम हो जाएंगे। लेखकों को एक गणितीय पुल बनाने की आवश्यकता थी जो एक अत्यधिक परिवर्तनशील, वोल्टेज-निर्भर 3D स्थानिक तीव्रता मैट्रिक्स $X \in \mathbb{R}^{C,D,H,W}$ को एक स्थिर, पूर्ण घनत्व मान में मैप करे, जो स्कैनर की सेटिंग्स से पूरी तरह स्वतंत्र हो।

दर्दनाक दुविधा

कंप्यूटर विजन की दुनिया में, एक पहलू में सुधार लगभग हमेशा दूसरे को तोड़ता है। इस विशिष्ट समस्या के लिए, पिछले शोधकर्ताओं को आवृत्ति निष्कर्षण और कम्प्यूटेशनल लागत के बीच एक क्रूर व्यापार-बंद में फंसा दिया गया है।

इसे समझने के लिए, हमें एक छवि को दो "आवृत्तियों" में विभाजित करना होगा:
1. निम्न-आवृत्ति विशेषताएं: व्यापक, मैक्रोस्कोपिक आकार (जैसे रीढ़ की समग्र रूपरेखा)। ये मानक न्यूरल नेटवर्क के लिए सीखना आसान हैं और मॉडल को हड्डी को जल्दी से खोजने में मदद करते हैं। हालांकि, वे ट्यूब वोल्टेज परिवर्तनों के प्रति अत्यधिक संवेदनशील हैं।
2. उच्च-आवृत्ति विशेषताएं: हड्डी की छोटी, महीन-दानेदार, स्पंज जैसी माइक्रो-आर्किटेक्चर (ट्रैबिकुलर संरचना)। ये विशेषताएं विभिन्न वोल्टेज में अविश्वसनीय रूप से स्थिर होती हैं और ऑस्टियोपोरोसिस के वास्तविक संकेतक होती हैं।

यहां दुविधा है: मानक डीप न्यूरल नेटवर्क (DNN) स्वाभाविक रूप से निम्न-आवृत्ति जानकारी को प्राथमिकता देते हैं। यदि आप किसी नेटवर्क को उच्च-आवृत्ति 3D बनावट पर ध्यान देने के लिए मजबूर करना चाहते हैं, तो आपको पारंपरिक रूप से गहरे, जटिल नेटवर्क या 3D वेवलेट ट्रांसफॉर्म जैसे भारी गणितीय संचालन का उपयोग करना पड़ता है। लेकिन 3D स्पेस में ऐसा करने से मेमोरी और प्रोसेसिंग आवश्यकताओं में घातीय विस्फोट होता है। या तो आपको एक हल्का मॉडल मिलता है जो तब विफल हो जाता है जब अस्पताल सीटी वोल्टेज बदलता है, या एक मजबूत मॉडल जो मानक नैदानिक हार्डवेयर पर चलाने के लिए बहुत बड़ा और धीमा होता है।

कठोर दीवारें और बाधाएं

लेखकों को कई कठोर, यथार्थवादी दीवारों का सामना करना पड़ा, जो इस समस्या को हल करना अविश्वसनीय रूप से कठिन बनाती हैं:

• नैदानिक विकिरण दीवार: रोगियों के लिए विकिरण जोखिम को कम करने के लिए एक बड़ा वैश्विक धक्का है, स्कैन 120 kVp से घटाकर 80 kVp कर दिया गया है। इन निम्न वोल्टेज पर, वैश्विक तीव्रता माप मौलिक रूप से अविश्वसनीय हो जाते हैं। मॉडल को सटीकता खोए बिना इन गहरे, निम्न-ऊर्जा स्कैन के अनुकूल होना चाहिए।
• रोग की भौतिक विरलता: ऑस्टियोपोरोसिस शाब्दिक रूप से हड्डी का गायब होना है। जैसे-जैसे बीमारी बढ़ती है, ट्रैबिकुलर हड्डी अत्यंत विरल हो जाती है। नेटवर्क को सूक्ष्म बनावट संबंधी विशेषताओं की तलाश करने के लिए मजबूर किया जाता है जो सक्रिय रूप से गायब हो रही हैं।
• 3D कम्प्यूटेशनल बाधा: मेडिकल छवियां सपाट 2D तस्वीरें नहीं हैं; वे विशाल 3D वॉल्यूम हैं। गहराई, ऊंचाई और चौड़ाई में पारंपरिक आवृत्ति अपघटन (जैसे दोहराए गए फूरियर ट्रांसफॉर्म) लागू करने के लिए भारी मेमोरी की आवश्यकता होती है। लेखकों को भारी गणित का सहारा लिए बिना आवृत्तियों को अलग करने का एक तरीका खोजना पड़ा, इसके बजाय औसत पूलिंग का उपयोग करके निम्न आवृत्तियों को निकालने और उच्च आवृत्तियों को खोजने के लिए मूल छवि से घटाने की एक चतुर चाल का विकल्प चुना।
• फीचर मिक्सिंग जाल: यदि आप समानांतर में निम्न और उच्च आवृत्तियों को संसाधित करने का प्रयास करते हैं (एक डुअल-ब्रांच नेटवर्क), तो मानक कनवल्शनल परतें गलती से जानकारी को वापस मिला देती हैं। लेखकों को एक सख्त गणितीय गेटकीपर—एक एसिमेट्रिक चैनल अटेंशन मैकेनिज्म—डिजाइन करना पड़ा ताकि यह सुनिश्चित हो सके कि उच्च-आवृत्ति शाखा केवल महीन विवरणों को देखे और निम्न-आवृत्ति शाखा केवल व्यापक आकृतियों को देखे। यह गणितीय रूप से फीचर मैप $X$ को उसके निम्न-आवृत्ति ($X_L$) और उच्च-आवृत्ति ($X_H$) घटकों में विभाजित करके परिभाषित किया गया है:
  $$X = upsample(X_L) + X_H$$

संक्षेप में, लेखकों को एक ऐसी प्रणाली बनानी पड़ी जो 3D में हड्डी की सूक्ष्म, गायब हो रही संरचना को देख सके, एक्स-रे मशीन की बदलती "रोशनी" को अनदेखा कर सके, और यह सब एक सख्त कम्प्यूटेशनल बजट पर कर सके।

Figure 1. Intuitive comparison of features in vBMD measurement. The first row shows vertebral bodies with varying bone densities at 120 kVp. The second row shows corresponding vertebral bodies at non-120 kVp, where vBMD texture remains similar, but HU values within the VOI differ significantly. Low vBMD vertebral bodies exhibit both reduced HU values and a sparser trabecular structure in the measurement area

यह दृष्टिकोण क्यों

ठीक उसी क्षण लेखकों को एहसास हुआ कि पारंपरिक अत्याधुनिक (SOTA) विधियां—जैसे मानक 3D कनवल्शनल न्यूरल नेटवर्क (CNN), विजन ट्रांसफॉर्मर, या डिफ्यूजन मॉडल—इस समस्या के लिए मौलिक रूप से अपर्याप्त थीं, जब उन्होंने विभिन्न ट्यूब वोल्टेज के तहत सीटी स्कैन के भौतिक व्यवहार का विश्लेषण किया। विकिरण जोखिम को कम करने के लिए, आधुनिक क्लीनिक अक्सर सीटी ट्यूब वोल्टेज को मानक $120$ kVp से घटाकर $100$ kVp या $80$ kVp कर देते हैं। हालांकि, वोल्टेज में यह गिरावट वैश्विक हounsfield Unit (HU) मानों (रेडियोडेंसिटी का मानक माप) को नाटकीय रूप से बदल देती है। मानक CNN स्वाभाविक रूप से निम्न-आवृत्ति जानकारी को प्राथमिकता देते हैं, जो छवि के समग्र आकार और वैश्विक तीव्रता के अनुरूप होती है। चूंकि ये निम्न-आवृत्ति वैश्विक तीव्रताएं वोल्टेज परिवर्तनों के प्रति अत्यधिक संवेदनशील होती हैं, इसलिए $120$ kVp डेटा पर प्रशिक्षित एक मानक मॉडल $80$ kVp डेटा पर परीक्षण किए जाने पर बड़े पैमाने पर प्रदर्शन गिरावट का अनुभव करता है, जिससे $20$ $mg/cm^3$ तक की त्रुटियां होती हैं।

लेखकों को एक महत्वपूर्ण अहसास हुआ: जबकि वैश्विक तीव्रता वोल्टेज के साथ बदलती है, उच्च-आवृत्ति विशेषताएं—विशेष रूप से, हड्डी की महीन, स्पंज जैसी ट्रैबिकुलर माइक्रो-आर्किटेक्चर—संरचनात्मक रूप से स्थिर रहती हैं। इसलिए, कोई भी मानक नेटवर्क जो मैक्रोस्कोपिक आकृतियों के पक्ष में उच्च-आवृत्ति बनावट विवरण को धुंधला करता है, वह विफल होने के लिए अभिशप्त था। उन्हें इन आवृत्ति डोमेन को अलग-अलग संसाधित करना पड़ा।

सरल प्रदर्शन मेट्रिक्स से परे, यह विधि गुणात्मक रूप से बेहतर है क्योंकि यह 3D मेडिकल इमेजिंग के भारी कम्प्यूटेशनल बोझ को कैसे संभालती है। पारंपरिक आवृत्ति-डोमेन विधियां आमतौर पर आवृत्तियों को अलग करने के लिए वेवलेट ट्रांसफॉर्म या मल्टी-स्केल कनवल्शनल कर्नेल जैसी कम्प्यूटेशनल रूप से गहन तकनीकों पर निर्भर करती हैं। यदि विशाल 3D वॉल्यूमेट्रिक सीटी डेटा पर लागू किया जाता है, तो मेमोरी जटिलता आसमान छू जाएगी, जिससे मॉडल नैदानिक सेटिंग्स में व्यावहारिक रूप से अनुपयोगी हो जाएंगे। लेखकों ने हर परत पर भारी गणितीय परिवर्तनों को छोड़कर एक विशाल संरचनात्मक लाभ प्राप्त किया। इसके बजाय, उन्होंने एक शानदार रूप से सरल डिकपलिंग विधि पेश की: वे फीचर मैप को छोटा करके निम्न-आवृत्ति घटकों ($X_L$) को निकालते हैं, और फिर मूल फीचर मैप और अपसैंपल्ड निम्न-आवृत्ति मैप के बीच अवशेष की गणना करके उच्च-आवृत्ति घटकों ($X_H$) को प्राप्त करते हैं। गणितीय रूप से, इसे इस प्रकार व्यक्त किया जाता है:

$$X_H = X - \text{upsample}(X_L)$$

यह सुरुचिपूर्ण ढंग से भारी सिग्नल प्रोसेसिंग की आवश्यकता को दरकिनार करता है। इसके अलावा, नेटवर्क के माध्यम से बार-बार फूरियर ट्रांसफॉर्म लागू करने के बजाय—जो भारी ओवरहेड बनाता है—वे आवृत्ति मॉड्यूलेशन को केवल उथली परतों तक सीमित करते हैं जहां स्थानीय फीचर निष्कर्षण सबसे महत्वपूर्ण होता है।

चुना हुआ आर्किटेक्चर समस्या की कठोर बाधाओं और समाधान के अद्वितीय गुणों के बीच एक आदर्श "विवाह" का प्रतिनिधित्व करता है। बाधाएं यह निर्धारित करती हैं कि मॉडल को बाहरी अंशांकन फैंटम पर भरोसा किए बिना विभिन्न सीटी ट्यूब वोल्टेज में सामान्यीकरण करना चाहिए, साथ ही भारी 3D डेटा को कुशलतापूर्वक संसाधित करना चाहिए। डुअल-ब्रांच आर्किटेक्चर पूरी तरह से इसके साथ संरेखित होता है। नेटवर्क को विभाजित करके, मॉडल मैक्रोस्कोपिक कशेरुका एनाटॉमी (निम्न आवृत्ति) को समझने के लिए एक गहरी पथ का उपयोग करता है और नाजुक ट्रैबिकुलर संरचनाओं (उच्च आवृत्ति) को पकड़ने के लिए एक उथली पथ का उपयोग करता है। उन्हें फ्यूज करने के लिए, वे एक एसिमेट्रिक चैनल अटेंशन मैकेनिज्म का उपयोग करते हैं। वे तेज, स्थिर उच्च-आवृत्ति विवरणों को उजागर करने के लिए ग्लोबल मैक्स पूलिंग (GMP) और चिकनी निम्न-आवृत्ति डेटा के लिए ग्लोबल एवरेज पूलिंग (GAP) लागू करते हैं:

$$A_H = \sigma(MLP(GMP(\tilde{X})))$$
$$A_L = \sigma(MLP(GAP(\tilde{X})))$$

यह सुनिश्चित करता है कि स्थिर ट्रैबिकुलर विशेषताएं अंतिम वॉल्यूमेट्रिक बोन मिनरल डेंसिटी (vBMD) माप को सक्रिय रूप से निर्देशित करती हैं, जिससे मॉडल वोल्टेज-प्रेरित तीव्रता बदलावों के प्रति अविश्वसनीय रूप से मजबूत हो जाता है।

अंत में, यह बताता है कि जनरेटिव एडवरसैरियल नेटवर्क (GAN) या डिफ्यूजन मॉडल जैसे अन्य लोकप्रिय दृष्टिकोण यहां विनाशकारी रूप से विफल क्यों हो जाते। जनरेटिव मॉडल को डेटा वितरण को संश्लेषित या मतिभ्रम करने के लिए डिज़ाइन किया गया है। मात्रात्मक मेडिकल इमेजिंग में, जहां ऑस्टियोपोरोसिस का निदान करने के लिए सटीक भौतिक माप आवश्यक हैं, संरचनात्मक डेटा का मतिभ्रम नैदानिक रूप से खतरनाक है। इसके अलावा, ये मॉडल कुख्यात रूप से भारी होते हैं। लेखकों ने स्पष्ट रूप से नोट किया है कि मानक 2D DNN को 3D तक विस्तारित करने के लिए भी "अत्यधिक कम्प्यूटेशनल संसाधनों" की आवश्यकता होती है। 3D वॉल्यूमेट्रिक सीटी स्कैन के लिए एक विशाल ट्रांसफॉर्मर या मल्टी-स्टेप डिफ्यूजन प्रक्रिया को तैनात करना कम्प्यूटेशनल रूप से पंगु बना देगा और एक रिग्रेशन कार्य के लिए पूरी तरह से अनावश्यक होगा जिसका उद्देश्य स्थिर संरचनात्मक बनावट निकालना है। हल्का, आवृत्ति-संतुलन डुअल-ब्रांच नेटवर्क ही एकमात्र व्यवहार्य मार्ग था जिसने पूर्ण सटीकता की नैदानिक मांग और दक्षता की इंजीनियरिंग मांग दोनों को संतुष्ट किया।

गणितीय और तार्किक तंत्र

इस पत्र के मूल को समझने के लिए, हमें पहले उस भौतिक समस्या को समझना होगा जिसे यह हल करता है। जब डॉक्टर सीटी स्कैन का उपयोग करके वॉल्यूमेट्रिक बोन मिनरल डेंसिटी (vBMD) मापते हैं, तो वे आमतौर पर एक विशिष्ट विकिरण ट्यूब वोल्टेज, आमतौर पर 120 kVp पर भरोसा करते हैं। हालांकि, आधुनिक क्लीनिक रोगी विकिरण जोखिम को कम करने के लिए कम वोल्टेज (जैसे 80 या 100 kVp) की ओर बढ़ रहे हैं। समस्या? वोल्टेज कम करने से सीटी छवि की समग्र चमक और कंट्रास्ट (हounsfield Units) नाटकीय रूप से बदल जाता है।

यदि कोई डीप लर्निंग मॉडल 120 kVp पर समग्र चमक (निम्न-आवृत्ति डेटा) को याद करता है, तो यह 80 kVp पर बुरी तरह विफल हो जाएगा। हालांकि, हड्डी की महीन, स्पंज जैसी ट्रैबिकुलर संरचना (उच्च-आवृत्ति डेटा) वोल्टेज की परवाह किए बिना भौतिक रूप से स्थिर रहती है। लेखकों ने एक शानदार डुअल-ब्रांच न्यूरल नेटवर्क डिजाइन किया जो छवि को निम्न और उच्च आवृत्तियों में विभाजित करता है, गतिशील रूप से उनके महत्व को तौलता है, और उन्हें फिर से फ्यूज करता है।

यह क्रॉस-वोल्टेज सामान्यीकरण को संभव बनाने वाला पूर्ण कोर गणितीय इंजन यहां दिया गया है।

$$ \widetilde{X}_{base} = upsample(X_L) + X_H $$
$$ A_H = \sigma(MLP(GMP(\widetilde{X}_{base}))) $$
$$ A_L = \sigma(MLP(GAP(\widetilde{X}_{base}))) $$
$$ \widetilde{X}_{coupled} = A_H \odot X_H + A_L \odot X_L $$
$$ Y_L = AP(\widetilde{X}_{coupled}) $$
$$ Y_H = \widetilde{X}_{coupled} - upsample(Y_L) $$

(नोट: लेखक $\widetilde{X}$ का उपयोग प्रारंभिक फ्यूज्ड स्थिति और अटेंशन-कपल्ड स्थिति दोनों का प्रतिनिधित्व करने के लिए करते हैं। मैंने कालानुक्रमिक परिवर्तन को स्पष्ट करने के लिए 'base' और 'coupled' उपनाम जोड़े हैं)।

आइए देखें कि यह कैसे काम करता है, इस इंजन को टुकड़े-टुकड़े करके फाड़ते हैं।

• $X_L$ और $X_H$: ये निम्न-आवृत्ति और उच्च-आवृत्ति शाखाओं के लिए इनपुट फीचर मैप हैं। $X_L$ हड्डी के मैक्रोस्कोपिक, धुंधले आकार का प्रतिनिधित्व करता है (वोल्टेज परिवर्तनों के प्रति अत्यधिक संवेदनशील)। $X_H$ तेज, महीन-दानेदार ट्रैबिकुलर मेश का प्रतिनिधित्व करता है (वोल्टेज में स्थिर)।
• $upsample()$: एक निकटतम पड़ोसी अपसैंपलिंग फ़ंक्शन। चूंकि निम्न-आवृत्ति सुविधाओं को अक्सर मेमोरी बचाने के लिए पूल और डाउनस्केल किया जाता है, इसलिए उन्हें इंटरैक्ट करने से पहले उच्च-आवृत्ति सुविधाओं के समान स्थानिक आयाम तक वापस फैलाया जाना चाहिए।
• $+$ (जोड़): संयोजन के बजाय जोड़ क्यों? संयोजन मेमोरी फुटप्रिंट को दोगुना कर देगा। जोड़ एक भौतिक सुपरपोजिशन के रूप में कार्य करता है—जैसे एक ही गणितीय स्थान में एक धुंधली रंगीन मानचित्र के ऊपर सीधे एक तेज बनावट मानचित्र जोड़ना।
• $GMP()$ और $GAP()$: ग्लोबल मैक्स पूलिंग और ग्लोबल एवरेज पूलिंग। यहीं पर हड्डी का भौतिकी खेल में आता है। $GMP$ पूर्ण सबसे तेज, उच्चतम-तीव्रता स्पाइक्स के लिए एक रडार के रूप में कार्य करता है (कठोर ट्रैबिकुलर हड्डी संरचना को अलग करने के लिए एकदम सही)। $GAP$ क्षेत्र की समग्र परिवेश ऊर्जा या औसत घनत्व की गणना करता है।
• $MLP()$: एक मल्टी-लेयर परसेप्ट्रॉन (एक छोटा न्यूरल नेटवर्क)। यह "मस्तिष्क" के रूप में कार्य करता है जो पूल किए गए आंकड़ों को देखता है और तय करता है कि हड्डी के घनत्व की भविष्यवाणी के लिए कौन से विशिष्ट फीचर चैनल वास्तव में उपयोगी हैं।
• $\sigma$ (सिग्मॉइड फ़ंक्शन): यह MLP के आउटपुट को 0 और 1 के बीच की सीमा में स्क्वैश करता है। यह डिमर स्विच के एक सेट के रूप में कार्य करता है।
• $A_H$ और $A_L$: उच्च और निम्न आवृत्तियों के लिए परिणामी अटेंशन वेट।
• $\odot$ (हैडमार्ड उत्पाद): तत्व-वार गुणन। यहां जोड़ के बजाय गुणन क्यों? क्योंकि यह एक गेटिंग मैकेनिज्म है। यदि किसी विशिष्ट निम्न-आवृत्ति चैनल को वोल्टेज परिवर्तन द्वारा बहुत अधिक दूषित माना जाता है, तो उसका संबंधित $A_L$ मान 0.1 हो सकता है, प्रभावी रूप से उस चैनल को म्यूट कर सकता है। यदि किसी उच्च-आवृत्ति चैनल में महत्वपूर्ण संरचनात्मक डेटा होता है, तो उसका $A_H$ 0.9 हो सकता है, जिससे यह प्रवर्धित हो जाता है।
• $AP()$: $2 \times 2 \times 2$ कर्नेल के साथ औसत पूलिंग। यह एक लो-पास फिल्टर के रूप में कार्य करता है, जो नव-युग्मित मास्टर फीचर मैप को चिकना करके परिष्कृत निम्न-आवृत्ति आउटपुट, $Y_L$ निकालता है।
• $-$ (घटाव): $Y_H$ प्राप्त करने के लिए घटाव क्यों? यह अवशिष्ट तर्क का एक सुंदर उपयोग है। उच्च आवृत्ति को गणितीय रूप से "वह सब कुछ जो निम्न आवृत्ति नहीं है" के रूप में परिभाषित किया गया है। चिकनी आधार ($upsample(Y_L)$) को मास्टर युग्मित मानचित्र ($\widetilde{X}_{coupled}$) से घटाकर, नेटवर्क जटिल, कम्प्यूटेशनल रूप से भारी फूरियर ट्रांसफॉर्म की आवश्यकता के बिना कुरकुरी, उच्च-आवृत्ति विवरणों को पूरी तरह से अलग करता है।

चरण-दर-चरण प्रवाह

कल्पना करें कि कच्चे सीटी डेटा का एक 3D ब्लॉक एक यांत्रिक असेंबली लाइन में प्रवेश कर रहा है।

सबसे पहले, डेटा को दो अलग-अलग कन्वेयर बेल्ट पर विभाजित किया जाता है: एक धुंधले, समग्र हड्डी के आकार ($X_L$) को ले जाता है और दूसरा तेज, स्पंज जैसी हड्डी की बनावट ($X_H$) को ले जाता है। धुंधले आकार को तेज बनावट के समान आकार से मेल खाने के लिए भौतिक रूप से फैलाया जाता है ($upsample$), और दोनों को एक समग्र ब्लॉक ($\widetilde{X}_{base}$) बनाने के लिए एक दूसरे के ऊपर स्टैक किया जाता है।

इसके बाद, यह समग्र ब्लॉक दो विशेष सेंसर के नीचे से गुजरता है। पहला सेंसर ($GMP$) सबसे तेज, सबसे चरम संरचनात्मक स्पाइक्स के लिए स्कैन करता है। दूसरा सेंसर ($GAP$) समग्र परिवेश घनत्व को मापता है। इन रीडिंग को एक केंद्रीय कंप्यूटर ($MLP$) में फीड किया जाता है, जो गणना करता है कि प्रत्येक फीचर चैनल वास्तव में कितना विश्वसनीय है।

कंप्यूटर दो सेटों के डायल ($A_H$ और $A_L$) आउटपुट करता है। इन डायलों को मूल कन्वेयर बेल्ट पर वापस लागू किया जाता है, अप्रासंगिक या शोर वाले चैनलों को मंद किया जाता है और अत्यधिक प्रासंगिक लोगों को बढ़ाया जाता है। अनुकूलित बेल्ट को फिर एक मास्टर, युग्मित ब्लॉक ($\widetilde{X}_{coupled}$) में मिला दिया जाता है।

अंत में, इस मास्टर ब्लॉक को एक नई परिष्कृत, स्थिर धुंधली आकृति ($Y_L$) बनाने के लिए एक स्मूथिंग मशीन ($AP$) के माध्यम से दबाया जाता है। परिष्कृत तेज बनावट ($Y_H$) प्राप्त करने के लिए, मशीन बस मास्टर ब्लॉक लेती है और धुंधली आकृति को काट देती है ($-$) । दो पूरी तरह से संतुलित, अद्यतन घटक फिर आर्किटेक्चर के अगले चरण में आगे बढ़ते हैं।

अनुकूलन गतिशीलता

यह तंत्र वास्तव में कैसे सीखता और अभिसरण करता है? नेटवर्क को सोने के मानक, फैंटम-आधारित मापों के खिलाफ रिग्रेशन लॉस (जैसे मीन एब्सोल्यूट एरर) का उपयोग करके एंड-टू-एंड प्रशिक्षित किया जाता है, जो 120 kVp पर लिया जाता है।

चूंकि आर्किटेक्चर जोड़ और घटाव पर बहुत अधिक निर्भर करता है, लॉस लैंडस्केप उल्लेखनीय रूप से चिकना होता है। कैलकुलस में, जोड़ या घटाव ऑपरेशन का स्थानीय व्युत्पन्न ठीक 1 (या -1) होता है। इसका मतलब है कि जब नेटवर्क एक त्रुटि करता है, तो ग्रेडिएंट सिग्नल $Y_H$ और $Y_L$ समीकरणों के माध्यम से खराब या गायब हुए बिना पीछे की ओर प्रवाहित होता है।

जैसे-जैसे प्रशिक्षण आगे बढ़ता है, $MLP$ को निरंतर प्रतिक्रिया मिलती है। यदि मॉडल एक निम्न-आवृत्ति चैनल पर बहुत अधिक निर्भर करने के कारण हड्डी के घनत्व का अधिक अनुमान लगाता है जो 80 kVp स्कैन द्वारा कृत्रिम रूप से गहरा हो गया था, तो ग्रेडिएंट $MLP$ को बताता है: "अगली बार जब आप इस विशिष्ट भिन्नता को देखें, तो $A_L$ डिमर स्विच को कम कर दें।" समय के साथ, नेटवर्क गतिशील रूप से अपना ध्यान स्थानांतरित करना सीखता है। जब यह निम्न-वोल्टेज स्कैन के भ्रामक वैश्विक तीव्रता बदलावों का पता लगाता है, तो यह स्वचालित रूप से स्थिर, उच्च-आवृत्ति ट्रैबिकुलर सुविधाओं पर अधिक निर्भर करता है।

ईमानदारी से कहूं तो, मुझे पूरी तरह से यकीन नहीं है कि लेखकों ने वास्तव में किस विशिष्ट ऑप्टिमाइज़र (जैसे, एडम, एसजीडी) या लर्निंग रेट शेड्यूल का उपयोग किया है, क्योंकि वे हाइपरपैरामीटर विवरण स्पष्ट रूप से प्रदान किए गए पाठ में सूचीबद्ध नहीं हैं। हालांकि, संरचनात्मक डिजाइन स्वयं—विशेष रूप से अवशिष्ट डिकपलिंग और एसिमेट्रिक अटेंशन—एक प्राकृतिक रेगुलराइज़र के रूप में कार्य करता है। यह मॉडल को किसी भी एकल ट्यूब वोल्टेज के पूर्ण हounsfield Units पर ओवरफिट होने से रोकता है, जिससे यह हड्डी की अंतर्निहित भौतिक वास्तविकता को सीखने के लिए मजबूर होता है।

Figure 2. The proposed network. The proposed network adopts a dual-branch ar- chitecture consisting of four distinct modules (a). The first module is responsible for spatial reallocation of feature maps in the frequency domain. The following modules incorporate convolutional layers designed to perform coupling and re-decoupling oper- ations, guided by a channel attention mechanism (b and c). This design facilitates the effective fusion of frequency features, thereby enhancing the model’s ability to dynam- ically process both low- and high-frequency information.CA, channel attention; FC, fully connected

परिणाम, सीमाएं और निष्कर्ष

कल्पना कीजिए कि आप एक इमारत की संरचनात्मक अखंडता का निर्धारण करने की कोशिश कर रहे हैं, लेकिन आपको केवल उसकी तस्वीरें देखने की अनुमति है। चीजों को और कठिन बनाने के लिए, कुछ तस्वीरें तेज दिन के उजाले में ली गई हैं, जबकि अन्य शाम को एक सस्ते कैमरे से ली गई हैं। इमारत का समग्र रंग और चमक प्रकाश व्यवस्था के आधार पर नाटकीय रूप से बदल जाती है, लेकिन कंक्रीट में महीन दरारें—उच्च-आवृत्ति विवरण—सुसंगत रहते हैं।

यह ठीक वही समस्या है जिसका सामना डॉक्टरों को ऑस्टियोपोरोसिस का निदान करने के लिए कंप्यूटेड टोमोग्राफी (CT) स्कैन का उपयोग करके वॉल्यूमेट्रिक बोन मिनरल डेंसिटी (vBMD) को मापने में करना पड़ता है।

ऐतिहासिक रूप से, अस्पतालों ने "फैंटम" नामक भौतिक अंशांकन वस्तुओं का उपयोग किया (जो काफी महंगी हो सकती हैं, कभी-कभी प्रक्रिया ओवरहेड में USD 150 या उससे अधिक के बराबर जोड़ती हैं) एक बेसलाइन घनत्व संदर्भ प्रदान करने के लिए स्कैन के दौरान रोगी के नीचे रखी जाती हैं। लागत में कटौती करने के लिए, "फैंटम-रहित" (PL) विधियों का विकास किया गया, जिसमें रोगी के अपने वसा और मांसपेशियों को संदर्भ बिंदुओं के रूप में उपयोग किया गया। हालांकि, एक बड़ी बाधा उत्पन्न हुई: आधुनिक क्लीनिक रोगियों की सुरक्षा के लिए सीटी स्कैन की विकिरण खुराक को कम कर रहे हैं (मानक 120 kVp से ट्यूब वोल्टेज को 80 या 100 kVp तक कम कर रहे हैं)। यह मौलिक बदलाव हounsfield Units (सीटी स्कैन में पिक्सेल तीव्रता मान) को बदल देता है। पारंपरिक AI मॉडल, जो "बड़ी तस्वीर" समग्र चमक (निम्न-आवृत्ति डेटा) पर बहुत अधिक निर्भर करते हैं, इस वोल्टेज ड्रॉप से पूरी तरह से भ्रमित हो जाते हैं, जिससे बड़े पैमाने पर माप त्रुटियां होती हैं।

इस पत्र के लेखकों ने कुछ शानदार महसूस किया: जबकि हड्डी की समग्र चमक कम विकिरण के साथ बदलती है, हड्डी की सूक्ष्म, स्पंज जैसी बनावट (ट्रैबिकुलर संरचना) नहीं बदलती है। उन्हें एक ऐसे AI की आवश्यकता थी जो बदलती रोशनी को अनदेखा कर सके और कंक्रीट में दरारों पर ध्यान केंद्रित कर सके।

गणितीय कोर: वास्तविकता को अलग करना और मॉडिफाई करना

इसे हल करने के लिए, लेखकों को एक गंभीर कम्प्यूटेशनल बाधा को दूर करना पड़ा। उच्च-आवृत्ति 3D बनावट निकालने के लिए आमतौर पर अविश्वसनीय रूप से भारी गणित की आवश्यकता होती है, जैसे मल्टी-स्केल वेवलेट ट्रांसफॉर्म, जो मानक अस्पताल कंप्यूटरों को क्रैश कर देगा।

इसके बजाय, उन्होंने एक हल्के, डुअल-ब्रांच नेटवर्क को डिजाइन किया जो छवि को अलग-अलग रास्तों में विभाजित करता है। सबसे पहले, वे एक साधारण औसत पूलिंग ऑपरेशन का उपयोग करके निम्न-आवृत्ति "धुंधला" डेटा ($X_L$) निकालते हैं। फिर, वे उच्च-आवृत्ति "तेज" विवरण ($X_H$) को अलग करने के लिए मूल से इस धुंधली छवि को घटाते हैं।

यह सुनिश्चित करने के लिए कि नेटवर्क सिस्टम को धीमा किए बिना शुरू में इन तेज विवरणों पर ध्यान देता है, वे फूरियर ट्रांसफॉर्म ($\mathcal{F}$) का उपयोग करके एक आवृत्ति डोमेन मॉड्यूलेशन लागू करते हैं। गणितीय रूप से, वे एक स्थानिक अटेंशन मैकेनिज्म का उपयोग करके उच्च-आवृत्ति सुविधाओं को चुनिंदा रूप से बढ़ाते हैं:

$$Y = \sum_{b \in B} \sigma(f(X_b; W_b)) \odot X_b$$

जहां आवृत्ति बैंड को इसके माध्यम से निकाला जाता है:

$$X_b = \mathcal{F}^{-1}(M_b \odot \mathcal{F}(X))$$

यहां, $M_b$ एक बाइनरी मास्क है जो आवृत्तियों को फ़िल्टर करता है, और $\odot$ हैडमार्ड (तत्व-वार) उत्पाद का प्रतिनिधित्व करता है।

एक बार जब सुविधाओं को मॉडिफाई कर दिया जाता है, तो उन्हें दो अलग-अलग कनवल्शनल शाखाओं में भेजा जाता है:

$$Y_L = f(X_L; W_L) + X_L$$
$$Y_H = f(X_H; W_H) + X_H$$

लेकिन असली प्रतिभा इस बात में निहित है कि वे इन शाखाओं को वापस कैसे फ्यूज करते हैं। वे उन्हें अंत में सिर्फ मैश नहीं करते हैं। वे एक एसिमेट्रिक चैनल अटेंशन मैकेनिज्म का उपयोग करते हैं। उच्च-आवृत्ति डेटा के लिए, वे ग्लोबल मैक्स पूलिंग (GMP) का उपयोग करते हैं क्योंकि मैक्स पूलिंग तेज, अलग-थलग स्पाइक्स (जैसे हड्डी के ट्रैबेकुला का किनारा) का पता लगाने में उत्कृष्ट है। निम्न-आवृत्ति डेटा के लिए, वे सामान्य, चिकनी शारीरिक लेआउट को पकड़ने के लिए ग्लोबल एवरेज पूलिंग (GAP) का उपयोग करते हैं।

वे गणना करते हैं कि प्रत्येक सुविधा कितनी महत्वपूर्ण है, यह तय करने के लिए अटेंशन वेट ($A_H$ और $A_L$) की गणना करते हैं:

$$\widetilde{X} = upsample(X_L) + X_H$$
$$A_H = \sigma(MLP(GMP(\widetilde{X})))$$
$$A_L = \sigma(MLP(GAP(\widetilde{X})))$$

अंत में, वे डेटा को फिर से विभाजित करते हैं, यह सुनिश्चित करने के लिए इन सीखे गए वेट को लागू करते हैं कि नेटवर्क मैक्रोस्कोपिक एनाटॉमी और माइक्रोस्कोपिक बनावट का एक आदर्श संतुलन बनाए रखे:

$$X = A_H \odot X_H + A_L \odot X_L$$

प्रयोगात्मक आर्किटेक्चर: एक क्रूर प्रमाण

लेखकों ने अपने मॉडल को एक साफ डेटासेट पर नहीं फेंका और 5% सटीकता वृद्धि का दावा नहीं किया। उन्होंने एक प्रयोग को आर्किटेक्ट किया जो नैदानिक वातावरण की अराजक वास्तविकता के खिलाफ उनके गणितीय दावों का क्रूरतापूर्वक परीक्षण करने के लिए डिज़ाइन किया गया था।

उन्होंने दो पूरी तरह से स्वतंत्र चिकित्सा केंद्रों से डेटा एकत्र किया। एक केंद्र के डेटा का उपयोग मॉडल को प्रशिक्षित करने और आंतरिक रूप से परीक्षण करने के लिए किया गया था (1,614 छवियां), जबकि दूसरे केंद्र के डेटा (2,245 छवियां) को "बाहरी परीक्षण सेट" के रूप में एक बंद तिजोरी में रखा गया था। यह सुनिश्चित करता है कि AI ने सिर्फ एक अस्पताल के सीटी स्कैनर की विशिष्ट विचित्रताओं को याद नहीं किया।

पीड़ित:
लेखकों ने अपने निर्माण को तीन बेसलाइन के खिलाफ खड़ा किया:
1. एक पारंपरिक फैंटम-रहित (PL) रैखिक प्रतिगमन विधि (बहु-वोल्टेज डेटा को संभालने का प्रयास करने के लिए एक गणितीय रूपांतरण सूत्र के साथ अनुकूलित)।
2. ResNet-10 (एक मानक, अत्यधिक सम्मानित डीप लर्निंग मॉडल)।
3. OctResNet-10 (स्थानिक अतिरेक को संभालने के लिए विशेष रूप से डिज़ाइन किया गया मॉडल)।

अकाट्य साक्ष्य:
यह निश्चित प्रमाण कि उनके मुख्य तंत्र ने काम किया, न केवल 120 kVp और 100 kVp डेटासेट पर पीड़ितों को पार करने में था (आंतरिक रूप से 5.990 $mg/cm^3$ और बाहरी रूप से 7.175 $mg/cm^3$ का अत्यधिक बेहतर मीन एब्सोल्यूट एरर प्राप्त करना)। असली स्मोकिंग गन उनका एब्लेशन स्टडी था।

उन्होंने व्यवस्थित रूप से अपने मॉडल को लोबोटॉमी कर दिया। उन्होंने आवृत्ति संतुलन बंद कर दिया। फिर उन्होंने चैनल अटेंशन बंद कर दिया। हर मामले में, त्रुटि दरें बढ़ गईं। यह केवल तब था जब दोनों उच्च/निम्न-आवृत्ति डिकपलिंग और एसिमेट्रिक GMP/GAP अटेंशन मैकेनिज्म एक साथ काम कर रहे थे कि मॉडल ने अपना चरम प्रदर्शन प्राप्त किया। इसने गणितीय और अनुभवजन्य रूप से साबित किया कि उनका परिकल्पना सही थी: ट्यूब वोल्टेज भिन्नताओं से बचने के लिए आपको आवश्यक है कि आप उच्च-आवृत्ति बनावट को अलग करें और विशिष्ट रूप से तौलें।

ईमानदारी से कहूं तो, मुझे बाहरी डेटासेट पर 80 kVp स्तर पर गंभीर छवि क्षरण के सटीक भौतिकी के बारे में पूरी तरह से यकीन नहीं है—लेखकों ने नोट किया कि उनके मॉडल ने वहां बेसलाइन से कम प्रदर्शन किया क्योंकि "केंद्रों के बीच महत्वपूर्ण छवि गुणवत्ता अंतर" थे, जिसका अर्थ है कि अत्यधिक कम विकिरण पर, उच्च-आवृत्ति ट्रैबिकुलर डेटा AI द्वारा देखे जाने से पहले ही क्वांटम शोर से नष्ट हो सकता है।

भविष्य के विकास के लिए चर्चा के विषय

इस पत्र के गहन निहितार्थों के आधार पर, भविष्य के अन्वेषण और महत्वपूर्ण विचार के लिए कई रास्ते यहां दिए गए हैं:

1. सूचना विनाश की सीमा:
   80 kVp पर, मॉडल बाहरी डेटा पर संघर्ष कर रहा था। यह एक आकर्षक भौतिकी-मीट्स-एआई प्रश्न उठाता है: किस सटीक विकिरण खुराक पर उच्च-आवृत्ति ट्रैबिकुलर संरचना "छिपी हुई लेकिन पुनर्प्राप्त करने योग्य" से "फोटॉन भुखमरी और क्वांटम शोर द्वारा भौतिक रूप से नष्ट" में संक्रमण करती है? क्या हम AI-संचालित हड्डी घनत्व विश्लेषण के लिए आवश्यक विकिरण की पूर्ण निचली सीमा को गणितीय रूप से परिभाषित कर सकते हैं?

2. क्रॉस-मोडेलिटी फ्रीक्वेंसी डिकपलिंग:
   यदि उच्च-आवृत्ति बनावट को निम्न-आवृत्ति वैश्विक रोशनी से अलग करना सीटी वोल्टेज समस्या को हल करता है, तो क्या इस सटीक गणितीय ढांचे को एमआरआई या अल्ट्रासाउंड में पोर्ट किया जा सकता है? उदाहरण के लिए, क्या यह डुअल-ब्रांच आर्किटेक्चर एमआरआई पर लिगामेंट्स में उच्च-आवृत्ति माइक्रो-आंसू को अलग कर सकता है, विभिन्न चुंबकीय क्षेत्र शक्तियों (1.5T बनाम 3T) के कारण निम्न-आवृत्ति भिन्नताओं को अनदेखा कर सकता है?

3. भौतिक फैंटम का अंत?
   आर्थिक निहितार्थ यहां बहुत बड़े हैं। यदि सॉफ्टवेयर आंतरिक ऊतक संदर्भों और आवृत्ति मॉड्यूलेशन का उपयोग करके किसी भी स्कैनर के वोल्टेज को मज़बूती से गतिशील रूप से समायोजित कर सकता है, तो क्या हमें कभी भौतिक सीटी फैंटम का निर्माण, शिपिंग और अंशांकन करने की आवश्यकता होगी? जीवन-घातक नैदानिक परिदृश्यों में संभाव्य तंत्रिका नेटवर्क के साथ भौतिक ग्राउंड-ट्रुथ ऑब्जेक्ट को बदलने के नियामक और कानूनी बाधाएं क्या हैं?

अन्य क्षेत्रों के साथ समरूपता

इस पत्र को समझने के लिए, हमें पहले यह देखना होगा कि डॉक्टर ऑस्टियोपोरोसिस का निदान कैसे करते हैं। वे सीटी स्कैन का उपयोग करके वॉल्यूमेट्रिक बोन मिनरल डेंसिटी (vBMD) मापते हैं। परंपरागत रूप से, इसके लिए एक "फैंटम" की आवश्यकता होती है—स्कैन के दौरान रोगी के नीचे रखा गया एक भौतिक अंशांकन वस्तु, जो महंगा और बोझिल होता है। फैंटम-रहित (PL) विधियां संदर्भ बिंदुओं के रूप में रोगी के अपने आंतरिक ऊतकों (जैसे वसा और मांसपेशी) का उपयोग करती हैं।

प्रेरणा आधुनिक अस्पतालों में एक महत्वपूर्ण बाधा से उत्पन्न होती है: विभिन्न विकिरण खुराक। रोगियों को अत्यधिक विकिरण से बचाने के लिए, क्लीनिक तेजी से मानक 120 kVp के बजाय 80 kVp या 100 kVp जैसे कम ट्यूब वोल्टेज का उपयोग करते हैं। समस्या यह है कि वोल्टेज कम करने से सीटी छवि की वैश्विक पिक्सेल तीव्रता (हounsfield Units, या HU) नाटकीय रूप से बदल जाती है। चूंकि मौजूदा डीप लर्निंग मॉडल इन निम्न-आवृत्ति वैश्विक तीव्रताओं पर बहुत अधिक निर्भर करते हैं, इसलिए वोल्टेज ड्रॉप होने पर उनकी सटीकता ध्वस्त हो जाती है। हालांकि, लेखकों ने एक महत्वपूर्ण जैविक खामी देखी: जबकि समग्र चमक बदल जाती है, स्पंजी ट्रैबिकुलर हड्डी की उच्च-आवृत्ति बनावट विभिन्न वोल्टेज में उल्लेखनीय रूप से स्थिर रहती है।

इसे हल करने के लिए, लेखकों को अस्थिर मैक्रोस्कोपिक डेटा को स्थिर माइक्रोस्कोपिक डेटा से गणितीय रूप से अलग करने की आवश्यकता थी। पूरे छवि को एक मानक न्यूरल नेटवर्क में फीड करने के बजाय, उन्होंने आवृत्तियों को अलग करने के लिए एक डुअल-ब्रांच आर्किटेक्चर बनाया।

सबसे पहले, वे अनावश्यक कम्प्यूटेशनल ओवरहेड से बचने के लिए स्थानिक अटेंशन के साथ युग्मित फूरियर ट्रांसफॉर्म का उपयोग करके आवृत्ति सुविधाओं को मॉडिफाई करते हैं। एक इनपुट फीचर मैप $X$ के लिए, मॉडिफाइड आउटपुट $Y$ को इस प्रकार परिभाषित किया गया है:

$$ Y = \sum_{b \in B} \sigma(f(X_b; W_b)) \odot X_b $$

जहां आवृत्ति बैंड को $X_b = \mathcal{F}^{-1}(M_b \odot \mathcal{F}(X))$ के माध्यम से निकाला जाता है, जिसमें $\mathcal{F}$ फूरियर ट्रांसफॉर्म का प्रतिनिधित्व करता है और $M_b$ एक बाइनरी आवृत्ति मास्क के रूप में कार्य करता है।

एक बार जब सिग्नल को निम्न-आवृत्ति ($X_L$) और उच्च-आवृत्ति ($X_H$) घटकों में विभाजित कर दिया जाता है, तो उन्हें समानांतर शाखाओं में संसाधित किया जाता है। पत्र की असली प्रतिभा इस बात में निहित है कि इन शाखाओं को वापस कैसे फ्यूज किया जाता है। लेखकों ने पहचाना कि उच्च-आवृत्ति डेटा (तेज हड्डी के किनारे) और निम्न-आवृत्ति डेटा (सामान्य हड्डी का आकार) के लिए अलग-अलग गणितीय लेंस की आवश्यकता होती है। उन्होंने एक एसिमेट्रिक चैनल अटेंशन मैकेनिज्म डिजाइन किया। वे उच्च-आवृत्ति सुविधाओं की तेज चोटियों को पकड़ने के लिए ग्लोबल मैक्स पूलिंग (GMP) का उपयोग करते हैं, और निम्न-आवृत्ति सुविधाओं को चिकना करने और पकड़ने के लिए ग्लोबल एवरेज पूलिंग (GAP) का उपयोग करते हैं:

$$ A_H = \sigma(MLP(GMP(\tilde{X}))) $$
$$ A_L = \sigma(MLP(GAP(\tilde{X}))) $$

इन अटेंशन वेट का उपयोग फिर डिकपल्ड सिग्नलों को गतिशील रूप से पुन: संयोजित करने के लिए किया जाता है:

$$ \tilde{X} = A_H \odot X_H + A_L \odot X_L $$

यह समीकरण नेटवर्क को अनुकूल रूप से स्थिर उच्च-आवृत्ति बनावट पर भरोसा करने की अनुमति देता है जब निम्न-आवृत्ति वैश्विक तीव्रता वोल्टेज परिवर्तनों के कारण अविश्वसनीय हो जाती है।

अपने मूल में, इस कार्य का संरचनात्मक कंकाल एक ऐसा तंत्र है जो एक जटिल सिग्नल को अस्थिर मैक्रोस्कोपिक बेसलाइन और स्थिर माइक्रोस्कोपिक उतार-चढ़ाव में अलग करता है, उन्हें समानांतर में संसाधित करता है, और विभिन्न पर्यावरणीय परिस्थितियों में एक अपरिवर्तनीय मीट्रिक निकालने के लिए एक एसिमेट्रिक वेटिंग फ़ंक्शन का उपयोग करके गतिशील रूप से उन्हें पुन: संयोजित करता है।

इस कंकाल के आधार पर, हम विज्ञान और इंजीनियरिंग के पूरी तरह से अलग-अलग क्षेत्रों में इस सटीक तर्क की "दर्पण छवियां" पा सकते हैं:

1) मात्रात्मक वित्त: एल्गोरिथम ट्रेडिंग में, परिसंपत्ति की कीमतों में मैक्रोइकॉनॉमिक रुझान (निम्न-आवृत्ति, ब्याज दर वृद्धि जैसे बाहरी "वोल्टेज" के प्रति अत्यधिक संवेदनशील) और माइक्रो-स्ट्रक्चरल ऑर्डर बुक डायनेमिक्स (उच्च-आवृत्ति, अंतर्निहित स्थिर ट्रेडिंग व्यवहार का प्रतिनिधित्व) शामिल होते हैं। माइक्रो-वोलैटिलिटी से बाजार-व्यापी शोर को अलग करके किसी संपत्ति के वास्तविक मौलिक मूल्य को निकालना सीटी वैश्विक तीव्रता को ट्रैबिकुलर बनावट से अलग करने का एक सीधा दर्पण है।
2) भूकंप विज्ञान: भूकंप की भयावहता का पता लगाते समय, सीस्मोग्राफ निम्न-आवृत्ति सतह तरंगों (जो स्थानीय मिट्टी के प्रकार से भारी विकृत होती हैं, विभिन्न सीटी ट्यूब वोल्टेज की तरह काम करती हैं) और उच्च-आवृत्ति बॉडी तरंगों (जो फॉल्ट लाइन के टूटने के वास्तविक, स्थिर हस्ताक्षर को ले जाती हैं) को रिकॉर्ड करते हैं। भूकंप विज्ञानी भूकंप की अपरिवर्तनीय सच्चाई को खोजने के लिए इन आवृत्तियों को संतुलित करने के लिए लगातार संघर्ष करते हैं।

क्या होगा यदि एक मात्रात्मक वित्त शोधकर्ता कल इस पत्र के सटीक एसिमेट्रिक अटेंशन समीकरण को "चोरी" कर ले? यदि वे $$ \tilde{X} = A_H \odot X_H + A_L \odot X_L $$ को एक उच्च-आवृत्ति ट्रेडिंग एल्गोरिथम पर लागू करते हैं, तो वे ऑर्डर-बुक विसंगतियों की पूर्ण चोटियों ( "ट्रैबिकुलर" ट्रेड) को आक्रामक रूप से पकड़ने के लिए ग्लोबल मैक्स पूलिंग का उपयोग कर सकते हैं, जबकि मैक्रोइकॉनॉमिक भावना को चिकना करने के लिए ग्लोबल एवरेज पूलिंग का उपयोग कर सकते हैं। सफलता एक क्रांतिकारी मजबूत ट्रेडिंग बॉट होगी जो व्यापक बाजार अचानक उच्च-वोलैटिलिटी या निम्न-वोलैटिलिटी शासन में स्थानांतरित हो जाए या नहीं, इसकी परवाह किए बिना अपनी भविष्य कहनेवाला सटीकता और लाभप्रदता बनाए रखेगी—प्रभावी रूप से एल्गोरिथम को बाजार "ट्यूब वोल्टेज" उतार-चढ़ाव से प्रतिरक्षा बना देगी।

अंततः, यह आर्किटेक्चर साबित करता है कि चाहे हम क्षयकारी हड्डी के घनत्व को माप रहे हों या अस्थिर वित्तीय संपत्ति के छिपे हुए मूल्य को, अपरिवर्तनीय सत्य की गणितीय खोज डिकपल्ड आवृत्तियों और अनुकूली ध्यान के ठीक उसी सिम्फनी पर निर्भर करती है, जो संरचनाओं की सार्वभौमिक लाइब्रेरी में एक शानदार नया खाका जोड़ती है।

---