इन्जिनियरिङ्ग अध्ययन संस्थान (इ.अ.सं.), थापाथली क्याम्पसमा M.Sc. in Informatics and Intelligent Systems Engineering कार्यक्रमका विद्मार्थी बिबत थोकर लगायत इ.अ.सं. थापाथली क्याम्पस, इलेक्ट्रोनिक्स तथा कम्प्युटर विभागका उप–प्राध्यापक विनोद सापकोटाको प्रमुख सुपरीभेक्षण तथा इ.अ.सं. पुल्चोक क्याम्पस, इलेक्ट्रोनिक्स तथा कम्प्युटर इ. विभागका उप–प्राध्यापक डा. बाबुराम दवाडी र प्राध्यापक डा. शशीधर राम जोशीको सुपरीभेक्षणमा र संयोजकत्वमा गरिएको अनुसन्धानात्मक लेख –“Medical Image Segmentation for Anomaly Detection using Deep Learning Techniques” विश्व प्रतिष्ठित अमेरिकन प्रकाशन संस्था IEEE Access (Journal Impact Factor 3.4) मा प्रकाशित भएको छ ।

इ.अ.सं. थापाथली क्याम्पसका उप–प्राध्यापक विनोद सापकोटा र इ. अ. सं. पुल्चोक क्याम्पसका उप–प्राध्यापक तथा नेट्वर्क, साइवर सेकुरिटी र डिजिटल फरेन्सिक युनिटका निर्देशक डा. बाबुराम दवाडीले विश्वविद्यालय अनुदान आयोगबाट प्राप्त अनुसन्धान ग्रान्टको सहयोगमा उक्त अनुसन्धान भएको थियो । अनुसन्धानको मुख्य उदेश्य चिकित्सा उपचार प्रक्रियामा प्रयोग हुने चिकित्सा इमेजहरुको गहिरो अध्ययन गर्नु हो। Deep Learning Segmentation Technique  मा आधारित अल्गोरिदमको प्रयोग गरि यो अनुसन्धान गरिएको हो ।

चिकित्सा इमेज सेग्मेन्टेसन (Medical Image Segmentation)

चिकित्सा इमेज सेग्मेन्टेसन (Medical Image Segmentation) भनेको चिकित्सा इमेजलाई विभिन्न भागहरूमा विभाजन गर्ने प्रक्रिया हो। यो प्रविधिले विशिष्ट अंगहरू, कोषहरू, वा रोगग्रस्त भागलाई चित्रबाट छुट्याउन मद्दत गर्दछ। यसको प्रयोगले चिकित्सकहरूलाई रोगको संरचना र अवस्थालाई राम्ररी बुझ्न सजिलो बनाउँछ ।

चिकित्सा क्षेत्रमा इमेजिङ प्रविधिहरू, जस्तै MRI, CT स्क्यान, र X-ray, रोग पहिचान र उपचार प्रक्रियामा अभूतपूर्व योगदान गर्दै आएका छन्। यसमा चिकित्सा इमेज सेग्मेन्टेसन (Medical Image Segmentation) एक महत्वपूर्ण प्रविधि हो, जसले रोगको सटिक पहिचान, उपचार योजना, र रोगको निगरानीमा ठूलो भूमिका खेल्छ। चिकित्सा विज्ञानमा X-ray, Computerized Tomography (CT)-Scan, Magnetic Resonance Imaging (MRI), Positron Emission Tomography(PET)-Scan तथा Ultrasound जस्ता Biomedical दृश्यचित्रहरु चिकित्सा उपचार प्रक्रियामा महत्वपूर्ण आधारहरु हुन् । यी दृश्यचित्रहरुको गहिरो अध्ययन, अनुसन्धानपछि नै उपचार प्रक्रिया सफल हुन सक्दछ । यस्ता दृश्यचित्रहरु विभिन्न Biomedical उपकरणहरु जस्तैः X-Ray Machine, MRI Machine को माध्यमबाट लिने गरिन्छ । यसरी विभिन्न माध्यमबाट सङ्कलन गरी तयार पारिएको Biomedical दृश्यचित्रहरुको गहिरो अध्ययन, अनुसन्धान भएर मात्रै उपचार प्रक्रिया अगाडि  बढाउन सकिन्छ । अन्यथा गम्भिर त्रुटी भई उपचारको  क्रममा ज्यान समेत जान सक्दछ ।

चिकित्सा इमेज सेग्मेन्टेसनको महत्व

सेग्मेन्टेसन प्रविधिले ट्यूमर, क्यान्सर, र अन्य रोगहरूको स्थान, आकार, र गहिराइलाई सटिक रूपमा पत्ता लगाउन मद्दत गर्दछ। यसले चिकित्सकलाई रोगको गम्भीरता बुझ्न र सही निदान गर्न सहयोग पुर्‍याउँछ। रोगको स्थान र संरचनाको जानकारीले शल्यक्रिया, रेडियोथेरापी, र औषधि उपचारको सही योजना बनाउन सहज बनाउँछ। उपचार प्रक्रियामा रोगको अवस्थालाई समय समयमा मूल्यांकन गर्न सेग्मेन्टेसन उपयोगी छ। यसले उपचार प्रभावकारी छ कि छैन भनेर बुझ्न मद्दत गर्दछ। परम्परागत रूपमा इमेज विश्लेषण म्यानुअल रूपमा गरिन्थ्यो, जसले समय र प्रयास धेरै लाग्थ्यो। स्वचालित सेग्मेन्टेसनले यो प्रक्रिया छिटो र सटीक बनाउँछ। हाल कृत्रिम बुद्धिमत्ता (AI) मा आधारित सेग्मेन्टेसन प्रणालीहरूले थप सटीकता र प्रभावकारिता सुनिश्चित गरेका छन् । यसले Deep Learning प्रविधिहरू प्रयोग गरी रोग पहिचानलाई नयाँ उचाइमा पु-याएको छ।

चिकित्सा क्षेत्रमा Deep Learning प्रविधिको उपयोगिता

Deep Learning भनेको कृत्रिम न्यूरल नेटवर्कको आधारित मेसिन लर्निङको एउटा उपविधि हो। यसले ठूलो परिमाणका डाटाबाट ज्ञान आर्जन गरी जटिल समस्याहरू समाधान गर्न मद्दत गर्दछ। चिकित्सा क्षेत्रमा, यो प्रविधि इमेजिङ डाटाको विश्लेषण देखि उपकरणहरूको स्मार्ट अनुकूलनमा प्रयोग भइरहेको छ । Deep Learning प्रविधि हालका वर्षहरूमा चिकित्सा क्षेत्रमा क्रान्तिकारी परिवर्तन ल्याउने उपकरणका रूपमा उभिएको छ। यो प्रविधिले विशेष गरी चिकित्सा इमेज सेग्मेन्टेसन र जैव चिकित्सा उपकरणहरूको कार्यक्षमतामा उल्लेखनीय सुधार ल्याएको छ । Deep Learning प्रविधि, जस्तै Convolutional Neural Networks (CNNs) ले चिकित्सा इमेजबाट अंग, ट्यूमर, वा रोगग्रस्त क्षेत्रलाई सटीक रूपमा अलग गर्न मद्दत गर्छ। यसले परम्परागत म्यानुअल प्रक्रियाको तुलनामा समय बचत गर्दै उच्च सटीकता सुनिश्चित गर्दछ। MRI, CT स्क्यान, र X-ray जस्ता विभिन्न इमेजिङ मोडलहरूबाट आउने डाटामा गहिरो सिकाइ प्रविधि प्रभावकारी रूपमा कार्य गर्न सक्षम छ। यसले विभिन्न रोगहरूको पहिचान र उपचारमा मद्दत पुर्‍याउँछ। Deep Learning ले प्रशिक्षण प्रक्रियाबाट नयाँ रोगका ढाँचाहरू सिक्न र भविष्यमा तिनलाई पहिचान गर्न सक्ने क्षमता प्रदान गर्दछ। उपचार प्रक्रियामा रोगको अवस्थालाई समय-समयमा मूल्यांकन गर्न इमेज सेग्मेन्टेसनको भूमिका महत्त्वपूर्ण हुन्छ। गहिरो सिकाइका मोडलहरूले यसलाई छिटो र प्रभावकारी बनाउँछन् । यसको माध्यमबाट चिकित्सा उपकरणहरूमा स्मार्ट फिचरहरू थपिएका छन्, जस्तै स्वचालित निदान प्रणाली, जीवन रक्षक प्रणाली, र हृदय अनुगमन उपकरण आदि। Bio medical instruments, जस्तै EEG, ECG, र अल्ट्रासाउन्ड, को उत्पादन गरिने डाटाको विश्लेषण गर्न यसले तीव्रता र सटीकता बढाएको छ। रियल टाइम डाटालाई प्रोसेस गरी तुरुन्त नतिजा उपलब्ध गराउन सक्छ। यो हृदयघात, स्ट्रोक, जस्ता आकस्मिक अवस्थाहरूमा अत्यन्त उपयोगी छ। स्मार्ट उपकरणहरूले म्यानुअल प्रक्रियाको समय र लागत घटाउँछन्। यसले न्यून स्रोत भएको क्षेत्रमा पनि प्रभावकारी चिकित्सा सेवा प्रदान गर्न सहयोग पु-याएको] छ।

चुनौतीहरू र भविष्य

हाल, गहिरो सिकाइ आधारित प्रणालीहरूलाई ठूलो परिमाणको प्रशिक्षण डाटा र उच्च कम्प्युटेसन स्रोतहरुको] आवश्यकता पर्छ । तर, प्रविधिमा भइरहेको प्रगतिले यी चुनौतीहरूलाई समाधान गर्ने अपेक्षा गरिएको छ। चिकित्सा इमेज सेग्मेन्टेसन र bio-medical उपकरणहरूमा Deep Learning प्रविधिको योगदानले चिकित्सा सेवामा अभूतपूर्व सुधार ल्याएको छ। रोगको सटीक निदान, स्वचालित उपचार योजना, र रोगको निगरानी जस्ता कार्यहरूमा यसले दक्षता र सटीकता बढाएको छ। नेपाल जस्ता देशहरूमा पनि यी प्रविधिहरूको उपयोग बढ्दै जानु सुखद संकेत हो, जसले देशको स्वास्थ्य सेवाको स्तर उचाल्न मद्दत गर्दछ।

Paper Link available at: https://doi.org/10.1109/ACCESS.2024.3512664