मस्तिष्क एमआरआई शिशुओं में गंभीर स्वास्थ्य स्थितियों का निदान करने में एक महत्वपूर्ण भूमिका निभाती है, ट्यूमर से न्यूरोडेग्रेरेटिव बीमारियों तक। शिशुओं के दौरान असामान्य मस्तिष्क विकास का पता लगाना प्रारंभिक हस्तक्षेपों को मार्गदर्शन कर सकता है जो मस्तिष्क क्षय जैसे स्थितियों के प्रभाव को रोक सकता है या कम कर सकता है। हालांकि, ऐसे युवा रोगियों को स्कैन करने में जोखिम होता है, क्योंकि प्रक्रिया में सामान्य संज्ञाना की आवश्यकता होती है। यही कारण है कि डॉक्टरों को निदान को तेज करने, जोखिम को कम करने और समय पर, सूचित निर्णय लेने के लिए उपकरणों की आवश्यकता होती है। सेंट पीटर्सबर्ग स्टेट पीडियाट्रिक मेडिकल यूनिवर्सिटी के शोधकर्ताओं ने डेटा विश्लेषण के येंडेक्स स्कूल (एसडीए) और प्रौद्योगिकी और समाज के लिए येंडेक्स क्लाउड सेंटर के साथ साझेदारी में शिशु मस्तिष्क के विकास को एमआरआई स्कैन से मूल्यांकन करने के लिए एआई समाधान विकसित करने के लिए। मेरा नाम यूलिया Busygina है, और मैं Yandex क्लाउड में प्रोजेक्ट लीडर हूं. प्रोफेसर अलेक्जेंडर पॉज़्नीकोव के साथ, मैं आपको मंच के पीछे ले जाऊंगा - और साझा करूंगा कि हमने एआई समाधान कैसे डिजाइन किया, मॉडल को प्रशिक्षित किया, और इसे वास्तविक दुनिया के परिदृश्यों में कैसे प्रदर्शन किया। . गीता क्यों एमआरआई स्कैन बच्चों के लिए महत्वपूर्ण हैं एक शिशु का मस्तिष्क अविश्वसनीय गति से विकसित होता है, जीवन के पहले वर्ष के दौरान लगभग सप्ताह में बदलता है. लेकिन यह सिर्फ बड़ा होने के बारे में नहीं है - मस्तिष्क भी महत्वपूर्ण प्रक्रियाओं के माध्यम से जा रहा है, जिसे समेकित रूप से मस्तिष्क विकास के रूप में जाना जाता है. इनमें से सबसे महत्वपूर्ण में से एक myelination है. Myelination एक lipid-rich shell के गठन है जो तंत्रिका फाइबर के आसपास है, जो lipid सामग्री को बढ़ाता है और पानी को कम करता है. यह प्रक्रिया भ्रूण के विकास के पांचवें महीने में शुरू होती है और लगभग दो वर्ष की उम्र तक पूर्ण गति से जारी होती है. केंद्रीय तंत्रिका तंत्र में, myelin मुख्य रूप से सफेद पदार्थ में पाया जाता है, जहां यह एक इलेक्ट्रिक इन्सुलेटर के रूप में कार्य करता है. यदि मस्तिष्क अपेक्षा की तुलना में धीरे-धीरे विकसित होता है, तो यह विकास में देरी का कारण बन सकता है. मानव मस्तिष्क एक जटिल प्रणाली है जिसे जीवन के पहले दिनों से सावधानीपूर्वक ध्यान देने की आवश्यकता होती है. विकार हो सकते हैं यदि मस्तिष्क की वृद्धि या तो बहुत धीमी या बहुत तेजी से होती है. इसके अलावा, जटिलता विकास दर से परे जाती है. कुछ स्थितियों में, मस्तिष्क की मात्रा बदलती है जबकि इसकी ऊतक घनत्व बदलती है. चाहे मस्तिष्क की वृद्धि असामान्य रूप से धीमी या अत्यधिक तेजी से होती है (हाइपरमाइलेनिंग), यह ऐसी स्थिति पैदा कर सकती है जो न्यूरोलॉजिकल विकारों को जन्म देती है. - अलेक्जेंडर पॉज़्नीकोव, एमडी, प्रोफेसर और सेंट पीटर्सबर्ग स्टेट पीटर्सबर्ग स्टेट मेडिकल यूनिवर्सिटी के चिकित्सा बायोफिसिक्स विभाग के प्रमुख। यह तंत्रिका फाइबर के चारों ओर एक लिपिड-अमीर छाल का गठन है, जो लिपिड सामग्री को बढ़ाता है और पानी को कम करता है. यह प्रक्रिया भ्रूण के विकास के पांचवें महीने में शुरू होती है और लगभग दो वर्ष की उम्र तक पूर्ण गति से जारी होती है. केंद्रीय तंत्रिका तंत्र में, माइलाईन मुख्य रूप से सफेद पदार्थ में पाया जाता है, जहां यह एक विद्युत इन्सुलेटर के रूप में कार्य करता है. Myelination यदि मस्तिष्क अपेक्षा की तुलना में धीरे-धीरे विकसित होता है, तो यह विकास में देरी हो सकती है. मानव मस्तिष्क एक जटिल प्रणाली है जो जीवन के पहले दिनों से सावधानीपूर्वक ध्यान की आवश्यकता होती है. विकार हो सकते हैं यदि मस्तिष्क विकास या तो बहुत धीरे या बहुत तेजी से होता है. इसके अलावा, जटिलता विकास दर से परे जाती है. कुछ स्थितियों में, मस्तिष्क की मात्रा बदलती है जबकि इसकी ऊतकों की घनत्व बदलती है. चाहे माइलेनेशन असामान्य रूप से धीमी हो या अत्यधिक तेजी से हो (हाइपरमाइलेनेशन), यह स्थितियों का निर्माण कर सकता है जो न्यूरोलॉजिकल विकारों का कारण बन सकता है। - अलेक्जेंडर पॉज़्नीकोव, एमडी, प्रोफेसर और सेंट पीटर्सबर्ग स्टेट पीटर्सबर्ग स्टेट मेडिकल यूनिवर्सिटी के चिकित्सा बायोफिसिक्स विभाग के प्रमुख। असामान्य रूप से धीमी माइलाईनेशन वाले शिशुओं में मस्तिष्क की धड़कन विकसित करने का अधिक जोखिम होता है। मस्तिष्क की धड़कन बचपन में विकलांगता का एक प्रमुख कारण है जो हर 1,000 नवजात शिशुओं में से 2-3 को प्रभावित करता है। जीवन के पहले छह महीने में मस्तिष्क की परिपक्वता की निगरानी समय पर हस्तक्षेप के लिए महत्वपूर्ण हो सकती है। जोखिम वाले रोगियों के लिए, सही चिकित्सा और पुनर्वास के साथ जल्दी से कार्य करना क्षति को रोक सकता है और कोशिकाओं की मृत्यु को रोक सकता है। कुछ रोगी उन स्थितियों के साथ मौजूद होते हैं जो बुरी तरह से समझी जाती हैं और उन्हें वर्गीकृत करना मुश्किल होता है. लेकिन इन मामलों में भी, हम जोखिमों का अनुमान लगा सकते हैं और मस्तिष्क के विकास में सुरक्षित रूप से हस्तक्षेप कर सकते हैं. ऐसी हस्तक्षेपों में दवा या मस्तिष्क उत्तेजना तकनीक शामिल हो सकती है ताकि जब आवश्यक हो तो परिपक्वता को तेज किया जा सके, या जब यह असामान्य रूप से तेजी से होता है तो इसे सामान्य स्तर तक धीमा किया जा सके। - अलेक्जेंडर पॉज़्नीकोव, एमडी, प्रोफेसर और सेंट पीटर्सबर्ग स्टेट पीटर्सबर्ग स्टेट मेडिकल यूनिवर्सिटी के चिकित्सा बायोफिसिक्स विभाग के प्रमुख। कुछ रोगी उन स्थितियों के साथ मौजूद होते हैं जो बुरी तरह से समझी जाती हैं और उन्हें वर्गीकृत करना मुश्किल होता है. लेकिन इन मामलों में भी, हम जोखिमों का अनुमान लगा सकते हैं और मस्तिष्क के विकास में सुरक्षित रूप से हस्तक्षेप कर सकते हैं. ऐसी हस्तक्षेपों में दवा या मस्तिष्क उत्तेजना तकनीक शामिल हो सकती है ताकि जब आवश्यक हो तो परिपक्वता को तेज किया जा सके, या जब यह असामान्य रूप से तेजी से होता है तो इसे सामान्य स्तर तक धीमा किया जा सके। - अलेक्जेंडर पॉज़्नीकोव, एमडी, प्रोफेसर और सेंट पीटर्सबर्ग स्टेट पीटर्सबर्ग स्टेट मेडिकल यूनिवर्सिटी के चिकित्सा बायोफिसिक्स विभाग के प्रमुख। एमआरआई स्कैन पर, myelinated सफेद पदार्थ स्पष्ट रूप से उन क्षेत्रों से बाहर निकलता है जहां myelination अपूर्ण है. 12 महीने से कम उम्र के रोगियों में, हालांकि, सफेद पदार्थ को ग्रे पदार्थ से अलग करना अक्सर मुश्किल होता है. यह महत्वपूर्ण है क्योंकि ग्रे पदार्थ मस्तिष्क कोरल, संज्ञानात्मक प्रक्रियाओं के लिए मस्तिष्क का केंद्र बनाता है. जब रेडियोलॉजिस्ट मस्तिष्क के विकास के इस चरण के दौरान एमआरआई स्कैन का विश्लेषण करते हैं, तो वे दो मुख्य चुनौतियों का सामना करते हैं: Differentiating between white matter and gray matter. Determining the volume of gray matter and white matter. रेडियोलॉजिस्ट के विश्लेषण के माध्यम से, चिकित्सक यह अध्ययन कर सकते हैं कि तंत्रिका कोशिकाएं सफेद पदार्थ के माध्यम से कोरल की ओर कैसे चलती हैं, मस्तिष्क के तंत्रिका मार्गों को बनाने के लिए। शिशुओं के लिए, एक एमआरआई केवल तब आदेश दिया जाता है जब गंभीर नैदानिक संकेत होते हैं. इनमें जन्म से संबंधित तंत्रिका तंत्र की चोट, मस्तिष्क की चोट, दौरे, या संदिग्ध एपिलेप्सिया शामिल हो सकती है. चूंकि छह साल से कम उम्र के रोगियों को प्रक्रिया के दौरान अस्थिर रहने के लिए सामान्य नाजुकता की आवश्यकता होती है, इसलिए छोटे बच्चों पर एमआरआई केवल तब किया जाता है जब वास्तव में आवश्यक हो। इस तरह प्रक्रिया आमतौर पर चलती है: The medical team places the patient under general anesthesia, positions them in the MRI scanner, and captures the images. The procedure typically takes about 30 minutes but can last up to 40–50 minutes. These images are then processed. A specialist can calculate the volumes of white matter and gray matter using a three-axis formula. Clinical guidelines define the timeframe for this analysis, which can take up to 72 hours in complex cases. यदि यह एक अनुसरण स्कैन है, तो विश्लेषण को और भी अधिक समय लगता है क्योंकि डेटा को विभिन्न समय बिंदुओं से पिछले परिणामों के खिलाफ मूल्यांकन किया जाना चाहिए। कैसे मदद कर सकते हैं एक साल से कम उम्र के बच्चों में मस्तिष्क माइलिनेशन का मूल्यांकन करने के मौजूदा तरीके अक्सर व्यक्तिगत कारकों को शामिल करते हैं. अनुभवी रेडियोलॉजिस्ट आमतौर पर छवियों से यह निर्धारित कर सकते हैं कि सफेद पदार्थ की मात्रा पर्याप्त है. सरल मामलों में, एमआरआई कंसोल पर सीधे 30 मिनट से 2 घंटे की समीक्षा पर्याप्त है, और एआई की आवश्यकता नहीं है। यह कार्य बहुत अधिक चुनौतीपूर्ण हो जाता है जब रेडियोलॉजिस्टों को समय के साथ कई अध्ययनों की तुलना करने की आवश्यकता होती है. यहां तक कि एक एकल मस्तिष्क एमआरआई में कई छवियों (कम से कम 22 टुकड़े) की समीक्षा शामिल है. जटिल मामलों में, एक हजार से अधिक छवियों का विश्लेषण करना आवश्यक हो सकता है, जिससे सब कुछ जल्दी से समीक्षा करना असंभव हो सकता है. कंप्यूटर दृष्टि उन क्षेत्रों को चिह्नित करके रेडियोलॉजिस्टों की मदद कर सकती है जहां सफेद पदार्थ और ग्रे पदार्थ के परिदृश्य में बदलाव सबसे अधिक संभावना है. यह युवा डॉक्टरों और निवासियों के लिए एक मूल्यवान प्रशिक्षण सहायता के रूप में भी काम कर सकता है. यह समाधान शुरुआती उम्र के स्कैन के लिए कई लाभ प्रदान करता है: Speed up the analysis process. Optimize follow-up schedules to ensure scans are performed only as often as needed, avoiding unnecessary anesthesia. Enhance radiologists’ capacity to examine more patients. पहली नज़र में, ऐसा लग सकता है कि हम इस उद्देश्य के लिए उपलब्ध खुले स्रोत डेटा सेट और पूर्व प्रशिक्षित मॉडल का उपयोग कर सकते हैं। आखिरकार, मशीन सीखने प्रतियोगिताओं में एआई का उपयोग करके पहले से ही समान समस्याओं को हल किया गया है. उदाहरण के लिए, 2019 MICCAI Grand Challenge छह महीने से कम उम्र के शिशु मस्तिष्क की एमआरआई छवियों को विभाजित करने पर ध्यान केंद्रित किया गया था. दुनिया भर के डेवलपर्स ने iSeg-2019 डेटासेट का उपयोग करके चुनौती को हल करने की कोशिश की। आखिरकार, मशीन लर्निंग प्रतियोगिताओं में एआई का उपयोग करके इसी तरह की समस्याओं को पहले से ही हल किया गया है. उदाहरण के लिए, 2019 में छह महीने से कम उम्र के शिशुओं के मस्तिष्क की एमआरआई छवियों को विभाजित करने पर ध्यान केंद्रित किया. दुनिया भर के डेवलपर्स ने iSeg-2019 डेटासेट का उपयोग करके चुनौती को हल करने की कोशिश की। MICCAI ग्रैंड चुनौती MICCAI ग्रैंड चुनौती हालांकि, मौजूदा डेटासेट में आवश्यक निशानों की कमी थी - विभाजन मास्क जो पहचानते हैं कि एक छवि के कौन से क्षेत्र ग्रे या सफेद पदार्थ के अनुरूप हैं. iSeg-2019 डेटासेट में केवल 15 निशान शामिल थे, जबकि विश्वविद्यालय के छह साल के संग्रह में 1500 रोगियों से एमआरआई स्कैन शामिल थे जिनके पास कोई निशान नहीं था। इसका मतलब था कि हमारा पहला कदम डेटा तैयार करना था। मशीन सीखने के लिए एक डेटासेट में एमआरआई स्कैन कैसे बदलें Yandex क्लाउड टीम ने एक क्लाउड-आधारित एप्लिकेशन आर्किटेक्चर का आविष्कार किया, सही उपकरणों का चयन करने में मदद की, और अंतिम वेब सेवा को कॉन्फ़िगर करने और परीक्षण करने में मदद की। मैनेजर Arseniy Zemerov द्वारा निर्देशित, Yandex School of Data Analysis के छात्रों ने मुख्य एमएल कार्यों को संभाल लिया: न्यूरोलॉजिकल नेटवर्क आर्किटेक्चर का चयन, प्रयोग चलाएं, और नोट किए गए डेटा पर मॉडल को प्रशिक्षित करें। यहां डेटा पाइपलाइन की एक उच्च स्तर की समीक्षा है। चलो पहला चरण देखते हैं। . एमआरआई स्कैन एक छवि संग्रहण और संचार प्रणाली (पीएसीएस) में संग्रहीत किए जाते हैं जो डीआईसीओएम प्रारूप में चिकित्सा छवियों को प्रबंधित करने के लिए डिज़ाइन किए गए हैं. यह सिस्टम रिकॉर्ड करता है और एनामी स्कैन को संसाधित करता है, जो मॉडल के प्रशिक्षण डेटासेट का कोर बनाता है. इस सिस्टम को तैनात करने के लिए, हमने Yandex Compute Cloud में एक आभासी मशीन सेट की है. हमने 12 महीने से कम उम्र के बच्चों के एनामी एमआरआई अध्ययनों को विश्वविद्यालय के आर्केड से अपलोड किया, आईएसईजी-2019 डेटा के साथ। Loading the raw data प्रत्येक अध्ययन अलग-अलग मोडों में कैप्चर किए गए एमआरआई छवियों का एक संग्रह है: T1, T2, FLAIR, और DWI. ये मोड अलग-अलग ऊतक विशेषताओं को उजागर करते हैं, क्लिनिक को विभिन्न स्थितियों के बीच बेहतर अंतर करने में मदद करते हैं (विशेषता के लिए, देखें) ) इन आवश्यकताओं को पूरा करने के लिए, यह सिस्टम अतिरिक्त मेटाडेटा को संग्रहीत करता है और एकल, एकीकृत अध्ययन के रूप में कई एमआरआई स्लाइस का इलाज करता है. यह सुनिश्चित करता है कि कोई व्यक्तिगत डेटा सर्वर पर संग्रहीत नहीं होता है क्योंकि हम केवल एक अनन्य डेटासेट के साथ काम करते हैं. इस लेख इस लेख . एक साल से अधिक उम्र के रोगियों के लिए, रेडियोलॉजिकल मस्तिष्क छवियों को ओपन-सॉर्ड 3D स्लाइसर जैसे स्वचालित उपकरणों का उपयोग करके नोटिस किया जा सकता है, जो सफेद पदार्थ और ग्रे पदार्थ की मात्रा की गणना करता है. हालांकि, ये तरीके युवा रोगियों के लिए प्रभावी नहीं हैं. नवजात शिशुओं के एमआरआई स्कैन पर, यहां तक कि अनुभवी रेडियोलॉजिकल को सफेद पदार्थ को ग्रे पदार्थ से अलग करना मुश्किल हो सकता है, जो नोटिस को एक विस्तृत, पिक्सेल प्रति पिक्सेल कार्य बनाता है. Annotating the collected data शुरुआत में, हमने विशेषज्ञ रेडियोलॉजिस्टों को कच्चे डेटा को शून्य से नोटिस करने की योजना बनाई, लेकिन प्रक्रिया बहुत समय लेने वाली साबित हुई: केवल कुछ टुकड़ों के साथ एक एकल अध्ययन में आठ घंटे या उससे अधिक समय लग सकता है। इस प्रक्रिया को तेज करने के लिए, हमारे एमएल विशेषज्ञों ने एक ओपन-सॉर्ड मॉडल, Baby Intensity-Based Segmentation Network ( ) नेटवर्क nnU-Net फ्रेमवर्क पर आधारित है और सफेद पदार्थ और ग्रे पदार्थ की पहचान करने के लिए डिज़ाइन किया गया है। बाइबिन बाइबिन प्री-नोटेशन परिणामों की समीक्षा करने के बाद, हमने पाया कि कई मीट्रिक को बेहतर बनाने के लिए अभी भी पर्याप्त जगह थी. एकल मात्रा के लिए निष्कर्षण का समय लगभग 2.5 मिनट था. प्रक्रिया को तेज करने के लिए, टीम ने गणनाओं को बढ़ाया: The BIBSNet Docker container was adapted for parallel execution. The container was deployed on 20 virtual machines, each processing data independently. यह पूरे डेटासेट के लिए प्री-नोटेशन समय को कम करता है, जिससे एल्गोरिदम के प्रदर्शन का मूल्यांकन करना संभव हो जाता है. हमारे विशेषज्ञ रेडियोलॉजिस्टों के अनुसार, प्री-नोटेशन 40% मामलों में उपयोगी थे, और यह अकेले मैन्युअल कार्य भार को कम करने में मदद करता है. हमारे एमएल विशेषज्ञों ने टी 1 वजन वाले (सैगइटल) और टी 2 वजन वाले (एक्सियल) एमआरआई स्कैन पर ग्रे पदार्थ (जीएम) और सफेद पदार्थ (डब्ल्यूएम) के विभाजन में BIBSNet के प्रदर्शन का संदर्भ भी किया। नतीजतन, प्री-नोटेशन ने हमें लगभग 750 टुकड़ों के एक निहित डेटासेट का निर्माण करने में मदद की। यह विभाजन और निगरानी के लिए मशीन सीखने के मॉडल को प्रशिक्षित और मूल्यांकन करने के लिए पर्याप्त था. प्रयोगों को चलाने से पहले, हमने डेटासेट को प्रशिक्षण और सत्यापन सेट में विभाजित किया, बाद में हमारे मीट्रिक की जांच करने के लिए उपयोग किया। हमारे मॉडल प्रशिक्षण प्रयोगों के भीतर शुरुआत में, हमने एक और उन्नत वास्तुकला की कोशिश करने की योजना बनाई थी, Vision Transformer. हालांकि, हमने जल्द ही महसूस किया कि यह वास्तुकला स्वास्थ्य देखभाल के उद्देश्यों के लिए अच्छी तरह से उपयुक्त थी. मॉडल भूखों के लिए संवेदनशील था, जो लाभ की तुलना में अधिक नुकसान कर सकता था. इसलिए, हमने दो प्रकार के तंत्रिका नेटवर्क से बनाया एक सेगमेंटर चुना: Convolutional न्यूरोलॉजिकल नेटवर्क फ़ीचर एक्सट्रैक्टर (backbones) के रूप में कार्य करते हैं, जो वर्गीकरण से परे कार्यों (जैसे विभाजन) के लिए अच्छी तरह से अनुकूलित होते हैं। आर्किटेक्चर स्पष्ट रूप से चिकित्सा छवियां के लिए विकसित किए गए थे, जिसमें U-Net प्राथमिक विकल्प था। डेटा विश्लेषण के Yandex स्कूल टीम का लक्ष्य एक विभाजन मॉडल विकसित करना था जो BIBSNet की तरह सटीक हो सकता है लेकिन बहुत तेजी से निष्कर्षण समय प्रदान करता है। इसे प्राप्त करने के लिए, छात्रों ने iSeg-2019 डेटासेट पर एक श्रृंखला के प्रयोगों को चलाया। न्यूरोनेट नेटवर्क वास्तुकलाओं के लिए, उन्होंने U-Net, U-Net++, और DeepLabV3 की जांच की। प्रयोगों के दौरान, टीम ने कई दृष्टिकोणों का प्रयास किया: Training purely on target slices (2D): We trained a 2D segmentation model exclusively on manually annotated slices (the initial 30 studies). However, the small amount of training data limited the model's capacity to generalize. Training on combined iSeg-2019 and target data (3D): The model was trained on a combined dataset that included the fully annotated iSeg-2019 data and our target data. For slices in the target studies without annotations, we applied a mask that zeroed out their contribution to the loss function. This ensured that only annotated slices from the target data were used, preventing errors during training. हमने क्या खोजा यहां अलग-अलग विशेषता निकासी रीढ़ों के साथ हमारे प्रयोगों ने क्या दिखाया: नेटवर्क वास्तुकला के साथ प्रयोग: सबसे अच्छा प्रदर्शन करने वाला प्रयोग DiceLoss फ़ंक्शन का उपयोग करके एक ResNeXt50 रीढ़ के साथ एक यू-नेट को प्रशिक्षित करना था। आइये देखते हैं कैसे मॉडल सत्यापन सेट पर काम करता है. सत्यापन सेट से मूल अध्ययन: एल्गोरिदम से आउटपुट का उदाहरण अंतिम मीटर: iou void iou GM iou WM iou mean unet_resnext50_32x4d_dice_1 0.981 0.629 0.501 0.703 यूनिवर्सिटी-एक्सएनयूएमएक्स-एक्सएनयूएमएक्स-एक्सएनयूएमएक्स-एक्सएनयूएमएक्स-एक्सएनयूएमएक्स-एक्सएनयूएमएक्स-एक्सएनयूएमएक्स-एक्सएनयूएमएक्स-एक्सएनयूएमएक्स 0.981 0.629 0.501 0.703 सीपीयू पर चलने वाले प्रशिक्षित तंत्रिका नेटवर्क की निष्कर्षण गति लगभग 3 सेकंड है। वर्तमान में कैसे काम करता है हमारे समाधान, , बच्चों पर एमआरआई स्कैन करने वाले रेडियोलॉजिस्टों के लिए एक वेब सेवा के रूप में डिज़ाइन किया गया था. वे प्रक्रिया के तुरंत बाद प्राप्त फ़ाइलों को सेवा में अपलोड कर सकते हैं. सिस्टम अपलोड किए गए डेटा को अनन्य बनाता है, रिकॉर्ड से सभी व्यक्तिगत रूप से पहचान योग्य जानकारी, जैसे रोगी का नाम, हटा देता है. अब GitHub पर उपलब्ध है समाधान स्वचालित रूप से प्रत्येक एमआरआई स्लाइस पर ग्रे पदार्थ और सफेद पदार्थ क्षेत्रों की पहचान करता है, जो आत्मविश्वास स्कोर के साथ पूर्वानुमान प्रदान करता है। सेवा मुख्य रूप से मॉर्फोमेट्रिक है, जिसका अर्थ है कि यह ऊतकों की मात्रा को मापता है. एक बार प्रसंस्करण पूरा हो गया है, उपयोगकर्ता ग्रे पदार्थ, सफेद पदार्थ, और मस्तिष्क पीठ तरल पदार्थ के मॉडल के अनुमानित मात्रा को देखते हैं, साथ ही सबसे बड़े संरचनाओं के विवरण। संक्षेप तालिका से, आप सफेद पदार्थ और ग्रे पदार्थ मास्क के साथ स्कैन को देखने के लिए एक विशिष्ट अध्ययन का चयन कर सकते हैं। हमारे प्रयोगों में 90 प्रतिशत से अधिक की सटीकता दिखाई देती है। हम इस आंकड़े को सुधारने की उम्मीद करते हैं क्योंकि हम डेटासेट का विस्तार करते हैं और मॉडल को अच्छी तरह से समायोजित करना जारी रखते हैं, जो शुरुआत में सीमित डेटा पर प्रशिक्षित किया गया था। भविष्य को देखते हुए, परियोजना का मार्गदर्शिका बुनियादी विभाजन से परे है. हमारा अगला कदम जीएम-डब्ल्यूएम अनुपात की गणना करना है, जो चिकित्सकों को गहराई से अंतर्दृष्टि प्रदान कर सकता है। तंत्रिका नेटवर्क को सेंट पीटर्सबर्ग स्टेट पीडियाट्रिक मेडिकल यूनिवर्सिटी में परीक्षण किया गया है, और शोधकर्ता अपने निष्कर्षों को अन्य चिकित्सा संस्थानों के साथ साझा करने के लिए तैयार हैं. समाधान रेडियोलॉजिस्टों के लिए एमआरआई व्याख्या समय को कुछ दिनों से केवल कुछ मिनट तक कम करता है. एक बार परीक्षण पूरा हो जाने के बाद, हम दुनिया भर में चिकित्सा संस्थानों और अनुसंधान परियोजनाओं में उपयोग के लिए खुले स्रोत के रूप में समाधान जारी करने की योजना बनाते हैं. समाधान के पास महत्वपूर्ण वैज्ञानिक क्षमता भी है. चूंकि शिशु मस्तिष्क की मात्रा को पहले पैमाने पर माप नहीं किया गया था, इसलिए कोई भी बुनियादी अध्ययन अभी तक बड़े समूहों में मस्तिष्क की मात्रा में परिवर्तनों की जांच नहीं कर चुका है. विभिन्न स्थितियों और रोगों के लिए, यह अनुसंधान चिकित्सा देखभाल मानकों को परिष्कृत करने में मदद कर सकता है.
