گردے اور چھاتی کی ہسٹوپیتھولوجی امیجز کے نیوکلی سیگمنٹیشن کے لیے ایک نئے نقصان کے فنکشن کے ساتھ گہرا ساختی بقایا انکوڈر-ڈیکوڈر نیٹ ورک

خلاصہ

کینسر کی بیماری کی تشخیص اور علاج کے عمل کو بہتر بنانے کے لیے، ہسٹوپیتھولوجی امیجز سے ہیماتوکسیلین اور eosin (H&E) داغدار سیل نیوکلی کی خودکار تقسیم ڈیجیٹل پیتھالوجی کا پہلا قدم ہے۔ مجوزہ ڈیپ اسٹرکچرڈ ریزیڈیوئل انکوڈر-ڈیکوڈر نیٹ ورک (DSREDN) دو پہلوؤں پر فوکس کرتا ہے: پہلا، اس نے پورے نیٹ ورک میں بقایا کنکشنز کو مؤثر طریقے سے استعمال کیا اور ایک وسیع اور گہرا انکوڈر-ڈیکوڈر راستہ فراہم کیا، جس کے نتیجے میں متعلقہ سیاق و سباق اور زیادہ مقامی خصوصیات کو حاصل کیا جاتا ہے۔ دوسرا، کھوئے گئے نیوکللی کی گمشدہ حد کو ایک مؤثر نقصان کے فنکشن کی تجویز دے کر حل کیا جاتا ہے جو ہمارے مجوزہ ماڈل کو بہتر طریقے سے تربیت دیتا ہے اور غلط پیشین گوئی کو کم کرتا ہے جو کہ ناپسندیدہ ہے، خاص طور پر صحت کی دیکھ بھال کی ایپلی کیشنز میں۔ مجوزہ فن تعمیر نے تین مختلف عوامی طور پر دستیاب H&E اسٹینڈ ہسٹوپیتھولوجیکل ڈیٹاسیٹس پر تجربہ کیا، یعنی: (I) گردے (RCC) (II) ٹرپل نیگیٹو بریسٹ کینسر (TNBC) (III) MoNuSeg-2018۔ ہم نے F1-اسکور، مجموعی جیکارڈ انڈیکس (AJI)، پیرامیٹرز کی کل تعداد، اور FLOPs (فلوٹنگ پوائنٹ آپریشنز) پر غور کیا ہے، جو نیوکلی سیگمنٹیشن کے مقابلے کے لیے زیادہ تر ترجیحی کارکردگی کی پیمائش کے میٹرکس ہیں۔ نیوکلی سیگمنٹیشن کے جانچے گئے اسکور نے اشارہ کیا کہ مجوزہ فن تعمیر نے تین مختلف ہسٹوپیتھولوجی ڈیٹاسیٹس پر پانچ جدید ترین ڈیپ لرننگ ماڈلز کے مقابلے میں کافی مارجن حاصل کیا ہے۔ بصری تقسیم کے نتائج سے پتہ چلتا ہے کہ مجوزہ DSREDN ماڈل جدید ترین طریقوں سے زیادہ جوہری علاقوں کو درست طریقے سے تقسیم کرتا ہے۔

مطلوبہ الفاظ

گردے کے کینسر کی تشخیص اور تشخیص · نیوکلی سیگمنٹیشن · بقایا سیکھنے · ہسٹوپیتھولوجی کی تصاویر۔

Cistanche کے اثرات جاننے کے لیے یہاں کلک کریں۔

تعارف

حالیہ تحقیقی رجحانات سے پتہ چلتا ہے کہ گہرے سیکھنے کے فریم ورک نے سیگمنٹیشن، پتہ لگانے، اور کمپیوٹر ویژن کے دیگر کاموں کے لیے بہت اچھی کارکردگی کا مظاہرہ کیا۔ پچھلی دہائی میں، نئے قسم کے کمپیوٹیشن سسٹمز کی ترقی کے ساتھ، بہت گہرے نیٹ ورکس کو تربیت دینے کے لیے اوور فٹنگ کے مسائل سے نمٹنے کے لیے مناسب حکمت عملی، اور بہت سی تبدیلیاں جو گہری سیکھنے والے نیٹ ورکس کے لیے موزوں ہیں۔ داغدار ہسٹوپیتھولوجی امیجز سے ہیماتوکسیلین اور eosin (H&E) کی تقسیم مصنوعی پیتھالوجی میں بنیادی شرط ہے۔ ہسٹوپیتھولوجی سلائیڈ کی تیاریوں پر سلاؤئی ایم ایٹ ال نے تبادلہ خیال کیا ہے۔ [27] میں، درج ذیل مراحل سے: (I) ٹشو جمع کرنا (II) فکسیشن (III) ایمبیڈنگ (IV) سیکشننگ (V) ڈی پیرافیننگ (VI) سٹیننگ (VII) پوری سلائیڈ امیجنگ (WSI) کے ذریعے سلائیڈ کو ڈیجیٹائز کرنا . ٹشو اکٹھا کرنے کے کئی طریقے ہیں جو کہ ٹھیک سوئی کی خواہش، بائیوپسی سوئی، ایکسائزل بایپسی وغیرہ ہیں۔ ایک بڑی بایپسی میں چھوٹی سوئی کے بائیوپسی سے زیادہ معلومات ہوتی ہیں کیونکہ یہ ہسٹوپیتھولوجی سلائیڈز کے بڑے سیلولر سیاق و سباق کو محفوظ رکھتی ہے۔ کیمیائی اور جسمانی استحکام کے لیے بافتوں کی درستگی کی ضرورت ہے۔ ٹشو کو ایک خاص شکل دینے کے لیے ایمبیڈنگ کی ضرورت ہوتی ہے تاکہ اسے مشینیں آسانی سے کاٹ سکیں۔ بہت سی پتلی سلائیڈوں اور دو جہتی معلومات کی شکل میں تمام تین جہتی ٹشو کی معلومات حاصل کرنے کے لیے سیکشننگ کی ضرورت ہوتی ہے۔ سیکشن والے ٹشو سے پیرافین کو ہٹانا ضروری ہے، بغیر پیرافین کیے ٹشو کچھ حصوں میں تھوڑا سا دھندلا نظر آتا ہے۔ ٹشو سلائیڈوں پر داغ لگانے کی ضرورت ہے کیونکہ یہ روشن فیلڈ مائکروسکوپی کے تحت نظر نہیں آتی یا شفاف نہیں ہوتی۔ ہسٹوپیتھولوجی امیجز کے لیے سب سے زیادہ استعمال ہونے والے داغ ہیماتوکسیلین اور ای اوسین ہیں۔ تقسیم کے کاموں کو روایتی یا دستکاری سے تیار کردہ خصوصیت نکالنے کی تکنیکوں اور CNN پر مبنی گہری سیکھنے کے طریقوں میں درجہ بندی کیا جا سکتا ہے۔ تقسیم کرنے کے روایتی طریقے زیادہ تر مماثلت پر مبنی نقطہ نظر، وقفے پر مبنی اپروچ، واٹرشیڈ تکنیک، فعال کنٹور کے طریقے اور ان کی مختلف حالتوں، سپر پکسل، اور کلسٹرنگ پر مبنی طریقے وغیرہ پر مبنی ہوتے ہیں۔ گونزالیز RC et al کی طرف سے زیر بحث مماثلت پر مبنی نقطہ نظر۔ [8] میں، مقامی حد، عالمی حد، موافقت کی حد، اوٹسو کی دہلیز، خطے کی نشوونما، خطے کی تقسیم، اور انضمام پر مبنی ہے، جہاں یہ طریقے ایک جیسے پکسلز کو گروپ اور سیگمنٹ کرنے کی کوشش کرتے ہیں۔ فلیٹ وادیوں والے امیج ہسٹوگرامس کے لیے، مماثلت پر مبنی نقطہ نظر اچھی طرح سے کام نہیں کرتا اور حد کی قیمت کے غلط انتخاب کے نتیجے میں اس معاملے میں زیادہ سیگمنٹیشن اور انڈر سیگمنٹیشن ہو سکتی ہے۔ وقفے پر مبنی نقطہ نظر ان پکسلز کو الگ کرنے کی کوشش کرتا ہے جو پوائنٹس، لائنز اور کناروں کی طرح الگ تھلگ ہوتے ہیں، اور یہ ماسک پروسیسنگ پر مبنی نقطہ نظر ہے۔ اس طریقہ کار کو مختلف مراحل میں مختلف آپریٹرز کی ضرورت ہوتی ہے۔ Cousty J et al. تقسیم، انضمام، اور مارکر کے زیر کنٹرول واٹرشیڈ کی بنیاد پر، [4] میں واٹرشیڈ سیگمنٹیشن کا طریقہ تجویز کیا۔ واٹرشیڈ کے طریقہ کار میں معلوم شدہ حدود سیل کی پیچیدگی پر منحصر ہیں۔ گانا T et al. [28] میں فعال سموچ کی تقسیم کی تجویز پیش کی، جہاں وہ آبجیکٹ کی حدود کا پتہ لگانے کے لیے شدت کی معلومات اور مقامی کنارے کی معلومات پر غور کرتے ہیں۔ Albayrak A et al کے ذریعہ استعمال کردہ سپر پکسل سیگمنٹیشن کا طریقہ۔ [1] میں، ایک جیسی خصوصیات والے منسلک پکسلز کے جھرمٹ پر مبنی ہے۔ یہ پڑوسی پکسلز کے رنگ اور معلومات کو مربوط کرتا ہے۔ یہ تکنیک بہتر علاقائی معلومات فراہم کرتی ہے لیکن سیل سیگمنٹیشن کے معاملے میں زیادہ موثر نہیں ہے۔ Win KY et al کے ذریعہ تجویز کردہ کلسٹرنگ پر مبنی سیگمنٹیشن۔ [37] میں، ان کی مماثلت کی بنیاد پر گروپ بندی کرتا ہے۔ حالیہ تحقیقی کام میں، زیادہ تر مصنفین نے اطلاع دی ہے کہ ایک گہرے convolutional عصبی نیٹ ورک پر مبنی Segmentation کی تکنیک روایتی Segmentation اپروچ سے کہیں بہتر کارکردگی کا مظاہرہ کرتی ہے۔ سی این این پر مبنی نقطہ نظر کا ایک اجمالی جائزہ سیکشن 2 میں پیش کیا گیا ہے۔ گہری سیکھنے کے سیگمنٹیشن کے طریقے بھی بہت سے چیلنجوں کا شکار ہیں۔ اگر ہم ان چیلنجوں کی درجہ بندی کریں تو یہ درج ذیل پہلوؤں کے تحت آئے گا۔

1. بافتوں کی ظاہری شکل کے بڑے تغیرات اور ٹشوز کے کلاس اور ذیلی طبقے کے متنوع سپیکٹرم کی وجہ سے، اسے پہچاننا مشکل ہے۔

2. پیچیدہ حدود، اوورلیپ شدہ حدود، اور ختم ہونے والی حدود کی تقسیم کوئی آسان کام نہیں ہے۔

3. زیر نگرانی سیکھنے کے معاملے میں زمینی سچائی کی تیاری بھی ایک بڑا چیلنج ہے۔ تجربہ کار پیتھالوجسٹ کی نگرانی ضروری ہے کیونکہ پیشین گوئی کی درستگی تشریح شدہ زمینی سچائی پر منحصر ہے۔

پیچیدہ ہسٹوپیتھولوجی امیجز کے معاملے میں، روایتی طریقے یا تو زیادہ سیگمنٹیشن یا کم سیگمنٹیشن کا شکار ہوتے ہیں۔ مجوزہ نقطہ نظر ہسٹوپیتھولوجی امیجز سے اوورلیپ شدہ اور غائب جوہری علاقوں کو الگ کرنے پر مرکوز ہے۔ ہسٹوپیتھولوجی امیجز سے نیوکلی کی تقسیم میں چیلنجوں سے نمٹنے کے لیے اس مقالے میں ہماری شراکتیں درج ذیل ہیں۔

1. کثیر سطحی انٹرمیڈیٹ خصوصیات کو مضبوط کرنے کے لیے، ہمارے مجوزہ DSREDN ماڈل نے بقایا سیکھنے کی طاقت کو مؤثر طریقے سے استعمال کیا۔

2. تجرباتی ثبوت اور محتاط تجربہ اور تجزیہ کے ذریعے، ہم نے ایک نیا نقصان کا فنکشن تجویز کیا۔ بصری نتائج اور کارکردگی کے میٹرکس بتاتے ہیں کہ ہمارا نقصان کا فنکشن ماڈل کو بہتر طریقے سے تربیت دیتا ہے اور جدید ترین طریقوں کے مقابلے جوہری علاقوں کو درست طریقے سے تقسیم کرتا ہے۔

Cistanche tubulosa

متعلقہ کام

سیل سیگمنٹیشن ٹاسک کے لیے زیادہ تر CNN فن تعمیر فیچر نکالنے کے لیے ایک انکوڈر-ڈیکوڈر پاتھ پر مشتمل ہوتا ہے۔ زیادہ تر حالیہ تحقیق بہت سے ممکنہ مواقع کا استعمال کرتی ہے جیسے تربیت کی حکمت عملیوں کو بہتر بنانا، اوور فٹنگ کے مسائل سے نمٹنا، بہتر اصلاح کے طریقے، اور بہتر پیشین گوئی کی درستگی حاصل کرنے کے لیے بہت سی دیگر حکمت عملی۔ تاہم، بہت سے مصنفین نے اپنے نتائج کی اطلاع دی جو کہ بہت موثر ہے لیکن ایک درست اور موثر سیگمنٹیشن الگورتھم ہسٹوپیتھولوجی امیجز کی پیچیدگی کی وجہ سے اب بھی کھلی تحقیق ہے۔ Ronneberger et al کی اہم شراکت میں سے ایک۔ [26] میں، جسے UNet کہا جاتا ہے، بائیو میڈیکل امیج سیگمنٹیشن کے میدان میں ایک بہت اچھی سمت اور ایک ڈرامائی پیش رفت فراہم کرتا ہے۔ UNet ایک ہم آہنگ انکوڈر-ڈیکوڈر convolutional نیٹ ورک ہے اور اس میں فیچر چینلز کی ایک بڑی تعداد ہے جو ایک گہرے نیٹ ورک میں اونچی پرت میں خصوصیات کو نکالنے کی اجازت دیتی ہے۔ (3 x 3) کنولوشن کرنل کا بار بار اطلاق جس کے بعد ReLU ایکٹیویشن، (2 x 2) میکس پولنگ اور (2 x 2) 2 کے اسٹرائیڈ سائز کے ساتھ اپ سیمپلنگ، اور (1 x 1) کنوولوشن کے بعد سگمائیڈ ایکٹیویشن آخری پرت، نیٹ ورک میں کل 23 پرتیں۔ میں [36]، Veit A et al. اپنے تجربے سے محسوس ہوا کہ اگر نیٹ ورک میں راستوں کا مجموعہ ہے تو تربیت کے دوران ایک چھوٹا راستہ کافی ہے، یا تربیت کے دوران بہت گہرے راستے کی ضرورت نہیں ہے۔ یہ متعدد راستے ایک دوسرے پر مضبوطی سے انحصار نہیں کرتے ہیں اور متعدد درست راستوں کے ساتھ ان کا ہموار باہمی تعلق نیٹ ورک کی کارکردگی کو بڑھاتا ہے۔ [22] میں، Milletari F et al. ڈائس نقصان کو نقصان کے فنکشن کے طور پر استعمال کرتے ہوئے تین جہتی ڈیٹا کے لیے ایک انکوڈر-ڈیکوڈر کنوولیشنل نیٹ ورک کی تجویز پیش کی۔ ان کی تجرباتی تشخیص مضبوط عدم توازن ڈیٹاسیٹ پر بہتر کارکردگی حاصل کرتی ہے۔ [24] میں، Nogues I et al. لمف نوڈس کی کھوج کے لیے دو مکمل طور پر نیسٹڈ زیر نگرانی کنوولیشنل نیٹ ورکس اور ایک ساختی مشروط بے ترتیب فیلڈ آپٹیمائزیشن کی حکمت عملی کی تجویز پیش کی۔ ایک گہرے نیٹ ورک میں معلومات کے انحطاط کا ازالہ Kaiming He et al نے کیا۔ [9] میں، ایک گہرا بقایا نیٹ ورک متعارف کروا کر جس کی تربیت اور اصلاح کرنا آسان ہے۔ ایک گہرے نیٹ ورک میں معلومات کے بہاؤ کو بحال کرنے کے لیے ایک یا زیادہ تہوں کو چھوڑ کر بقایا کنکشن کا احساس ہوتا ہے۔ ہسٹولوجیکل اشیاء کی تقسیم اور پتہ لگانے کے لیے، چن ایچ ایٹ ال۔ [5] میں، ایک سموچ سے آگاہی والا ماڈل متعارف کرایا جو معاون نگرانی میں کثیر سطحی معلومات نکالتا ہے۔ [10] میں، ہوانگ جی وغیرہ۔ ایک کنوولیشنل نیٹ ورک کی تجویز پیش کی، جو ان پٹ فیچر میپ کے مجموعی بہاؤ کو پچھلی پرت کے ان پٹ کے ساتھ ساتھ اصل ان پٹ کو فیڈ کرکے مضبوط کرتا ہے۔ ان کا تجربہ یہ بھی بتاتا ہے کہ شناختی نقشہ سازی کے انضمام کی وجہ سے، ماڈل زیادہ کمپیکٹ خصوصیات سیکھتا ہے اور غائب ہونے والے گریڈینٹ کے مسئلے کو کم کرتا ہے۔ غیر متوازن ڈیٹا سیٹ کی صورت میں، پیشین گوئیاں زیادہ درستگی اور کم یاد کی طرف متعصب ہوتی ہیں جو قابل برداشت نہیں ہے، خاص طور پر طبی میدان میں۔ اس مسئلے کو صالحی ایس ایم وغیرہ نے حل کیا ہے۔ [29] میں، جس نے گہرے نیٹ ورک کو تربیت دی، یہاں تک کہ انتہائی غیر متوازن ڈیٹاسیٹ کے ساتھ، اور مؤثر طریقے سے ہینڈل کیا جہاں غلط منفی پیشین گوئی غلط مثبت سے کہیں زیادہ خطرناک ہے۔ نقصان کے افعال کا برتاؤ جیسا کہ ویٹڈ کراس اینٹروپی اور ڈائس کا نقصان مختلف سیکھنے کی شرحوں کے ساتھ جس کی جانچ Sudre CH et al. [30] میں، طبی امیجز اور ہاؤس ڈیٹاسیٹس پر۔ ان کے تجربے سے پتا چلا کہ عدم توازن کی سطح بڑھنے سے اوورلیپ پیمائش پر مبنی نقصان کا فنکشن زیادہ موثر ہوتا ہے۔ سڑک اور اندرونی مناظر کے سیمنٹک سیمنٹیشن کے لیے میموری اور وقت کے لحاظ سے بہت موثر، ایک انکوڈر-ڈیکوڈر فن تعمیر جسے SegNet کہتے ہیں بذریعہ بدری نارائنن V et al۔ میں [3]. SegNet ایک اسپارس فیچر ڈیکوڈر تیار کرتا ہے جو منتقل شدہ پول اور اس کے انکوڈر سے اس کے کم ریزولوشن ان پٹ کے ساتھ نمونہ کرتا ہے۔ باؤنڈری ریجنز کے قریب درست طریقے سے سیگمنٹ کرنے کے لیے Zhou S et al. [38]، ایک بقیہ نیٹ ورک کا استعمال کیا جس میں ایک خستہ حال کنولوشن بلاک ہے۔ وہ بامعنی معنوی معلومات کو بازیافت کرنے کے لیے متوازی طور پر بہت سے درجہ بندی کے بلاکس کا استعمال کرتے ہیں۔ طبقاتی عدم توازن کے مسائل کو سنبھالنے یا صحت کی دیکھ بھال میں غلط منفی پیشین گوئیوں کو کم کرنے کے لیے، ہاشمی ایس آر نے [11] میں Tversky انڈیکس پر مبنی غیر متناسب مماثلت کے نقصان کے ساتھ 3D-گھنے CNN کی تجویز پیش کی ہے جو نیٹ ورک کو سب سے کم سطح کے فاصلے کے ساتھ تربیت دیتا ہے۔ Naylor P et al کے ذریعہ پیچیدہ حد سے متعلق تقسیم کا مسئلہ۔ [25] میں، انٹرا نیوکلیئر فاصلے کی بنیاد پر نقصان کا فنکشن تشکیل دے کر۔ ان کا انکوڈر-ڈیکوڈر ماڈل FCN، FCN پلس PP، Mask R-CNN، U-Net، اور U-Net plus PP کو TNBC اور MoNuSeg ڈیٹاسیٹس کے ساتھ تجربہ کرتا ہے۔ اسٹینڈرڈ انکوڈر-ڈیکوڈر میں ایک اضافی ماڈیول کو شامل کر کے معنی خیز ایکسٹینشنز جسے توجہ گیٹ کہتے ہیں بذریعہ Schlemper J et al۔ [31] میں، اور توجہ کے ساتھ ساتھ لال ایس ایٹ ال کے ذریعہ بقایا طریقہ کار۔ [20] میں، جہاں نیٹ ورک کو اس طرح تربیت دی جاتی ہے کہ یہ بامعنی خصوصیت کو اجاگر کرتے ہوئے غیر متعلقہ خصوصیات کو دباتا ہے۔ سڑک کے منظر کی تقسیم کے لیے Malekijoo A et al. [23] میں، آٹو اینکوڈر پر مبنی ماڈل کا استعمال کیا جہاں مقامی خصوصیت کو تقویت دینے کے لیے convolution، deconvolution، اور پرامڈ پولنگ کا اطلاق کیا گیا تھا۔ خوردبین، MR، اور CT امیجز کی تقسیم کے لیے Zhou S et al کے ذریعے ایک انکوڈر-ڈیکوڈر فن تعمیر۔ [39] میں، پیچیدہ حدود کو درست طریقے سے تلاش کرنے کے لیے بامعنی کنکشن کو جوڑا۔ پیتھالوجی امیجز میں نیوکللی کی تقسیم کے لیے، لال ایس ایٹ ال۔ ماڈل [21]، انکولی کلر ڈیکونولوشن، ملٹی اسکیل تھریشولڈنگ جس کے بعد مورفولوجیکل آپریشنز، اور دیگر پوسٹ پروسیسنگ اقدامات پر مشتمل ہے۔ طبی امیجز کی تقسیم کے لیے، کریمی ڈی ایٹ ال کی طرف سے ایک نیا نقصان کا فنکشن۔ [16] میں، مورفولوجیکل آپریشن کے طریقہ کار، فاصلاتی تبدیلی کے طریقہ کار، اور مختلف ریڈیائی کے دائرہ دار دانا کا استعمال کرتے ہوئے Hausdorff فاصلے کا تخمینہ لگایا گیا۔ Hausdorff فاصلے کو کم کرنے کے طریقوں کو استعمال کرتے ہوئے، وہ CNN کو مختلف مائیکروسکوپی امیجز کے لیے تربیت دیتے ہیں اور اپنے نتائج کا عام طور پر استعمال ہونے والے نقصان کے فنکشن سے موازنہ کرتے ہیں۔ حنیف ایم ایس وغیرہ۔ [12] میں، متعدد بقایا اکائیوں کو اسٹیک کرکے ایک مسابقتی بقایا نیٹ ورک کی تجویز پیش کی جسے وسیع نیٹ ورک کہا جاتا ہے۔ ان کے مطالعے سے یہ نتیجہ اخذ کیا گیا کہ اتنے وسیع نیٹ ورک کی کارکردگی گہرے اور پتلے نیٹ ورک سے بہتر ہے۔ چنچل اے کے وغیرہ۔ اور Aatresh AA et al. [2، 6] میں، نیوکلی سیگمنٹیشن کے کاموں کے لیے الگ کرنے والا کنولوشن اہرام پولنگ اور طول و عرض کے لحاظ سے پرامڈ پولنگ کا استعمال کیا گیا۔

Cistanche کیپسول

مجوزہ فن تعمیر

مائیکروسکوپی امیجز کے سیگمنٹیشن کے لیے، ایک انکوڈر-ڈیکوڈر فن تعمیر سب سے موزوں ہے کیونکہ اگر ایک انکوڈر میں باقاعدہ کنولیشن لیئرز اور میکس پولنگ لیئرز ہوں، تو یہ تصویر میں سیاق و سباق کو بہت مؤثر طریقے سے گرفت میں لے لیتا ہے۔ ڈیکوڈر کا راستہ بتدریج اپ سیمپلنگ کا اطلاق کرکے، انکوڈر سے متعلقہ خصوصیات کو جمع کرکے، اور درست لوکلائزیشن کو فعال کرکے آؤٹ پٹ پیش کرتا ہے۔ تصویر 1 میں دکھائے گئے DSREDN نیٹ ورک کے انکوڈر سائیڈ میں موجود ہر فلٹر لچکدار سائز کے ان پٹ کو قبول کرتا ہے۔ ہم نے باقاعدہ (3 x 3) 2D معیاری کنوولوشن، بیچ نارملائزیشن، اور زیادہ سے زیادہ پولنگ کا اطلاق کیا ہے۔ نیٹ ورک میں گہرائی میں جانے کے دوران سنترپتی کے مسائل اور معلومات کے ضائع ہونے سے بچنے کے لیے، ہم نے نیٹ ورک کے مرکزی راستے کے متوازی ایک اضافی راستہ بنا کر نچلی سطح والی معلومات کو بحال کیا۔ یہ دونوں راستے ایک دوسرے سے مضبوطی سے منسلک نہیں ہیں اور یہ تدریجی مسائل کو ختم ہونے سے بچاتا ہے۔ فلٹر سائز میں سے ہر ایک کے لیے، DSREDN نیٹ ورک کا پورا انکوڈر سائیڈ تین کنولوشن لیئرز پر مشتمل ہوتا ہے جس کے متوازی طور پر ایک واحد کنولوٹڈ پاتھ ہوتا ہے جو نیٹ ورک میں زیادہ سیاق و سباق کی خصوصیت کو بہانے پر مرکوز ہوتی ہے۔ چونکہ حتمی آؤٹ پٹ پیدا کرنے کے لیے ڈیکوڈر پاتھ کی تاثیر کا انحصار انکوڈر سائیڈ سے سیاق و سباق کی خصوصیات کے جمع کرنے پر ہے، اس لیے جمع کردہ فیچر کی بہترین پروسیسنگ کے لیے ہمارے پاس ڈیکوڈر سائیڈ پر تھوڑا سا مختلف راستہ ہے۔ اس طریقہ کار سے، ہمارا DSREDN نیٹ ورک پتلا اور گہرا ہونے کی بجائے چوڑا اور گہرا ہو جاتا ہے۔ DSREDN نیٹ ورک سائز کی RGB تصاویر کے ساتھ تربیت یافتہ ہے (512 x 512 x 3)۔ انکوڈر پاتھ کے پانچ مراحل جن میں پانچ مختلف فلٹر سائز ہوتے ہیں اور متعلقہ ڈیکوڈر پاتھ پر مشتمل ہوتا ہے (a) ریل یو ایکٹیویشن کے ساتھ کرنل سائز (3 x 3) کا 2D کنولوشن (b) ایک ہائی ریزولوشن لیئر (c) (2 x 2) زیادہ سے زیادہ تصویر کے مقامی سائز کو کم کرنے کے لیے انکوڈر پاتھ میں پولنگ پرت اور ڈیکوڈر سائیڈ میں متعلقہ (2 x 2) اپ سیمپلنگ پرت کو کنکٹیشن آپریشن کے ذریعے انکوڈر سائیڈ سے سیاق و سباق کی خصوصیت اکٹھا کرنا (d) آخری مرحلے پر a (1 x 1) ) convolution کا استعمال سگمائڈ ایکٹیویشن کے ساتھ سائز (512 x 512 x 16) سے (512 x 512 x 1) کے نقشے کے لیے کیا جاتا ہے۔

نتیجہ

اس مقالے نے CNN پر مبنی فن تعمیر کی تجویز پیش کی جسے ڈیپ اسٹرکچرڈ ریزیڈیوئل انکوڈر-ڈیکوڈر نیٹ ورک (DSREDN) کہا جاتا ہے، جس نے خودکار نیوکلی سیگمنٹیشن میں دو بڑے خدشات کو دور کیا۔ پہلی بڑی تشویش ہسٹوپیتھولوجی امیجز سے نیوکلی کی شناخت کرنا تھی جس میں وسیع پیمانے پر متنوع سپیکٹرم موجود تھے جس میں بڑی تعداد میں نمونے تھے۔ اس مسئلے کو ایک طاقتور انکوڈر-ڈیکوڈر متعارف کروا کر حل کیا گیا جس میں دو راستے ہیں جن میں زیادہ امتیازی صلاحیت ہے اور متعلقہ اور کمپیکٹ ٹیکسچرل معلومات کو بازیافت کرنے کے قابل ہیں۔ نافذ کردہ نیٹ ورکس وسیع اور گہرے نیٹ ورک کے راستوں کو شامل کرکے بقایا سیکھنے کے ساتھ ساتھ انکوڈر-ڈیکوڈر فن تعمیر کا مؤثر طریقے سے فائدہ اٹھاتے ہیں جو درمیانی خصوصیات کو مضبوط بناتے ہیں۔ ہم نے محتاط تجربہ اور تجزیہ کے ذریعے ایک مؤثر نقصان کے فنکشن کی تجویز پیش کی تاکہ نیوکلی کو پیچیدہ یا ختم ہونے والی حدود کو تقسیم کیا جا سکے جو کہ تقسیم کاری کے کام میں دوسرا بڑا مسئلہ تھا۔ ہم نے تین مختلف عوامی طور پر دستیاب H&E اسٹینڈ ہسٹوپیتھولوجیکل ڈیٹاسیٹس پر تجربات کرکے سب سے زیادہ ترجیحی کارکردگی میٹرکس F1-اسکور اور AJI سکور کا استعمال کیا ہے۔ حاصل کردہ کوالٹی میٹرکس اور مجوزہ فریم ورک کے پیش گوئی شدہ جوہری علاقے جدید ترین ماڈلز کے مقابلے میں بہتر تھے۔

Cistanche گولیاں

اگرچہ مجوزہ ماڈل نے بہترین نتائج دیے ہیں، لیکن فیچر کی جگہ کو ایک اعلی کارکردگی والے فیچر نکالنے والے ماڈیول کو شامل کرکے مزید افزودہ کیا جا سکتا ہے۔ نیز، مجوزہ طریقہ کو مزید تصویری طریقوں پر کام کرنے کے لیے عام کیا جا سکتا ہے۔ یہ مطالعہ ہسٹوپیتھولوجی امیجز کا بائنری سیگمنٹیشن ہے، یہاں ہم صرف نیوکلیئر ریجنز کو الگ کر سکتے ہیں۔ مستقبل میں، ہم ان جوہری علاقوں کو ان کی ذیلی اقسام میں درجہ بندی کر سکتے ہیں۔ شوبی اے ایٹ ال کے ذریعہ مختلف تصویری طریقوں کی کچھ جدید ایپلی کیشنز کی اطلاع دی گئی۔ [32، 33] میں، جس میں جنریٹو ایڈورسریل نیٹ ورکس (GANs)، ریکرنٹ نیورل نیٹ ورکس (RNNs)، آٹو اینکوڈرز (AEs)، convolutional neural networks (CNNs)، ڈیپ نیورل نیٹ ورکس (DNNs)، اور دیگر ہائبرڈ نیٹ ورکس تیار کیے گئے ہیں۔ COVID-19 اور ایک سے زیادہ سکلیروسیس کا خودکار پتہ لگانا۔ [18، 34] میں، Khodatars M et al. اور صدیقی ڈی وغیرہ۔ آٹزم اسپیکٹرم ڈس آرڈر اور شیزوفرینیا کی بیماری کا پتہ لگانے کے لیے گہری سیکھنے کے قابل عمل ہونے کی وضاحت کی۔ یہ مثالیں اس بات پر روشنی ڈالتی ہیں کہ کس طرح کمپیوٹر کی مدد سے تشخیصی نظام کا شعبہ تیزی سے تبدیل ہو رہا ہے، اور یہ کہ اب بھی متعدد ایپلی کیشنز ہو سکتی ہیں جن پر ابھی تک توجہ نہیں دی گئی ہے۔

کس طرح Cistanchis گردے کے کام کو بڑھاتا ہے۔

Cistanche ایک دواؤں کی جڑی بوٹی ہے جو طویل عرصے سے روایتی چینی ادویات میں گردوں کے کام کو بڑھانے کے لیے استعمال ہوتی رہی ہے۔ خیال کیا جاتا ہے کہ اس کے فعال اجزا کی وجہ سے اس کے مختلف فوائد ہیں، جیسے کہ فینی لیتھانائیڈ گلائکوسائیڈز اور ایریڈائڈز۔

مطالعات سے پتہ چلتا ہے کہ Cistanche گردوں کے خون کے بہاؤ کو بہتر بنا کر، آکسیڈیٹیو تناؤ کو کم کر کے، اور گردے کی صحت کو سہارا دینے والے نمو کے عوامل کی پیداوار کو بڑھا کر گردے کے افعال کو فروغ دے سکتا ہے۔ مزید برآں، یہ بلڈ پریشر کو کنٹرول کرنے اور سوزش کو کم کرنے میں مدد کر سکتا ہے، جو گردے کی صحت کے لیے اہم عوامل ہیں۔

مزید برآں، Cistanche نے بعض دواؤں یا زہریلے مادوں کی وجہ سے گردے کو پہنچنے والے نقصان سے بچانے کی صلاحیت ظاہر کی ہے۔ یہ سوزش کے ردعمل کو روک کر اور خلیوں کی موت کو کم کرکے گردوں پر حفاظتی اثر ڈال سکتا ہے۔

تاہم، یہ نوٹ کرنا ضروری ہے کہ گردے کے افعال کو بڑھانے میں Cistanche کے طریقہ کار اور تاثیر کو مکمل طور پر سمجھنے کے لیے مزید تحقیق کی ضرورت ہے۔ کسی بھی جڑی بوٹیوں کے علاج کی طرح، یہ مشورہ دیا جاتا ہے کہ اسے دواؤں کے مقاصد کے لیے استعمال کرنے سے پہلے کسی مستند ہیلتھ کیئر پروفیشنل سے مشورہ کریں۔

حوالہ جات

1. Albayrak A، Bilgin G (2019) ہسٹوپیتھولوجیکل امیجز میں دو مراحل والے سپر پکسل پر مبنی الگورتھم کے ذریعے سیل کی خودکار تقسیم۔ Med Biol Eng Comput 57(3):653–665

2. اتریش اے اے، یاتگیری آر پی، چنچل اے کے، کمار اے، روی اے، داس ڈی، راگھویندر بی ایس، لال ایس، کنی جے (2021) ہسٹوپیتھولوجی امیجز کے نیوکلی سیگمنٹیشن کے لیے ڈائمینشن وار اہرام پولنگ کے ساتھ موثر گہری سیکھنے کا فن تعمیر۔ کمپیوٹ میڈ امیجنگ گراف 93:101975۔ https://doi.org/10.1016/j.compmedimag.2021.101975

3. بدری نارائنن وی، کینڈل اے، سیپولا آر (2017) سیگنیٹ: امیج سیگمنٹیشن کے لیے ایک گہرا کنولوشنل انکوڈر-ڈیکوڈر فن تعمیر۔ IEEE ٹرانس پیٹرن اینل مچ انٹیل 39(12):2481–2495

4. Cousty J، Bertrand G، Najman L، Couprie M (2010) واٹرشیڈ کٹس: پتلا پن، مختصر ترین راستے والے جنگلات، اور ٹاپولوجیکل واٹرشیڈز۔ IEEE ٹرانس پیٹرن اینل مچ انٹیل 32(5):925–939

5. Chen H, Qi X, Yu L, Heng PA (2016) DCAN: درست غدود کی تقسیم کے لیے گہرے سموچ سے آگاہ نیٹ ورک۔ کمپیوٹر ویژن اور پیٹرن کی شناخت۔ arXiv:1604.02677v1 [cs.CV]

6. چنچل اے کے، کمار اے، لال ایس، کنی جے (2021) کڈنی اور بریسٹ ہسٹوپیتھولوجی امیجز کو الگ کرنے کے لیے موثر اور مضبوط ڈیپ لرننگ آرکیٹیکچر۔ Comput Electr Eng 92:107177۔ https://doi.org/10.1016/j.compeleceng.2021.107177

7. چنچل اے کے، لال ایس، کنی جے (2021) ہسٹوپیتھولوجی امیجز کے نیوکلی سیگمنٹیشن کے لیے ہائی ریزولوشن ڈیپ ٹرانسفرڈ ASPPU-Net۔ Int J Comput Assist Radiol Surg. https://doi.org/10.1007/s11548-021-02497-9

8. گونزالیز آر سی، ووڈس آر ای (2006) ڈیجیٹل امیج پروسیسنگ، تیسرا ایڈیشن۔ پرینٹس ہال، نیویارک، امریکہ۔ ISBN-013168728X

9. He K, Zhang X, Ren S, Sun J (2016) تصویر کی شناخت کے لیے گہری بقایا تعلیم۔ 2016 IEEE کانفرنس آن کمپیوٹر ویژن اینڈ پیٹرن ریکگنیشن (CVPR)، لاس ویگاس، NV۔ صفحہ 770–778۔ https://doi.org/10.1109/CVPR.2016.90

10. Huang G, Liu Z, Maaten L, Weinberger KQ (2017) گھنے جڑے کنوولوشنل نیٹ ورکس۔ IEEE کانفرنس آن کمپیوٹر ویژن اینڈ پیٹرن ریکگنیشن (CVPR)، ہونولولو۔ صفحہ 2261–2269۔ https://doi.org/10.1109/CVPR.2017.243

11. ہاشمی SR، صالحی SM، Erdogmus D، Prabhu SP، Warfield SK، Gholipour A (2019) انتہائی غیر متوازن طبی امیج سیگمنٹیشن کے لیے غیر متناسب نقصان کے افعال اور گہرے گھنے جڑے نیٹ ورکس: ایک سے زیادہ سکلیروسیس گھاووں کا پتہ لگانے کے لیے درخواست۔ میں: IEEE رسائی، والیم 7، پی پی 1721–1735۔ https://doi.org/10.1109/ACCESS.2018.2886371

12. حنیف ایم ایس، بلال ایم (2020) امیج کی درجہ بندی کے لیے مسابقتی بقایا نیورل نیٹ ورک۔ آئی سی ٹی ایکسپریس 6(1):28–37۔ https://doi.org/10.1016/j.icte.2019.06.001

13. Ioffe S, Szegedy C (2015) بیچ نارملائزیشن: اندرونی کوویریٹ شفٹ کو کم کرکے گہری نیٹ ورک کی تربیت کو تیز کرنا۔ مشین لرننگ۔ arXiv:1502.03167

14. ارشاد H، Kouhsari LM، Waltz G، Bucur O، Nowak JA، Dong F، Knoblauch NW، Beck AH (2015) کراؤڈ سورسنگ امیج تشریح برائے نیوکلئس کا پتہ لگانے اور کمپیوٹیشنل پیتھالوجی میں سیگمنٹیشن: ماہرین کا جائزہ لینے والے، خودکار طریقے، اور بھیڑ۔ میں: بائیو کمپیوٹنگ پر پیسیفک سمپوزیم (PSB)، پی پی 294–305۔ https://doi.org/10.13140/2.1.4067.0721

15. جدون ایس (2020) سیمنٹک سیگمنٹیشن کے لیے نقصان کے افعال کا ایک سروے۔ [آن لائن]۔ دستیاب: arXiv:2006.14822

16. کریمی ڈی، سالکوڈین SE (2020) طبی تصویروں کی تقسیم میں ہاؤزڈورف کی دوری کو کنوولوشنل نیورل نیٹ ورکس کے ساتھ کم کرنا۔ IEEE ٹرانس میڈ امیجنگ 39(2):499–513

17. کمار این، ورما آر، شرما ایس، بھارگوا ایس، وہادنے اے، سیٹھی اے (2017) ایک ڈیٹاسیٹ اور کمپیوٹیشنل پیتھالوجی کے لیے جنرلائزڈ نیوکلیئر سیگمنٹیشن کی تکنیک۔ IEEE ٹرانس میڈ امیجنگ 36(7):1550–1560

18. Khodatars M, Shoeibi A, Sadeghi D, Ghaasem N, Jafari M, Meridian P, Khadem A, Alizadehsani R, Zare A, Kong Y, Khosravi A, Nahavandi S, Hussain S, Acharya UR, Berk M (2021) Deep آٹزم سپیکٹرم ڈس آرڈر کی نیورو امیجنگ پر مبنی تشخیص اور بحالی کے لیے سیکھنا: ایک جائزہ۔ Comput Biol Med 139:104949۔ https://doi.org/10.1016/j.compbiomed.2021.104949

19. کنگما ڈی پی، بی اے جے (2015) ایڈم: اسٹاکسٹک آپٹیمائزیشن کا طریقہ۔ میں: سیکھنے کی نمائندگی پر بین الاقوامی کانفرنس، والیوم 9. arXiv:1412.6980v9 [cs.LG]

20. Lal S, Das D, Alabhya K, Kanfade A, Kumar A, Kini J (2021) NucleiSegNet: جگر کے کینسر کی ہسٹوپیتھولوجی امیجز کے نیوکلی سیگمنٹیشن کے لیے مضبوط ڈیپ لرننگ آرکیٹیکچر۔ Comput Biol Med 128:104075

21. Lal S, Kanfade A, Alabhya K, Dsouza R, Kumar A, Chanchal AK, Maneesh M, Peryail G, Kini J (2020) H&E داغدار ہسٹوپیتھولوجی امیجز کے نیوکلی سیگمنٹیشن کے لیے ایک مضبوط طریقہ۔ سگنل پروسیسنگ اور مربوط نیٹ ورکس پر 7ویں IEEE بین الاقوامی کانفرنس (SPIN2020)، ایمیٹی یونیورسٹی دہلی این سی آر، نوئیڈا، یوپی

22. Milletari F, Navab N, Ahmadi SA (2016) V-Net: والیومیٹرک میڈیکل امیج سیگمنٹیشن کے لیے مکمل طور پر convolutional neural networks, 3D وژن (3DV) پر چوتھی بین الاقوامی کانفرنس۔ سٹینفورڈ، CA. صفحہ 565–571۔ https://doi.org/10.1109/3DV.2016.79

23. Malekijoo A، Fadaeislam MJ (2019) Convolution-deconvolution architecture with the pyramid pooling module for semantic segmentation۔ ملٹی میڈ ٹولز ایپل 78:32379–32392۔ https://doi.org/10.1007/s11042-019-07990-7

24. Nogues I et al (2016) مکمل طور پر نیسٹڈ نیورل نیٹ ورکس اور CT امیجز میں سٹرکچرڈ آپٹیمائزیشن کا استعمال کرتے ہوئے خودکار لمف نوڈ کلسٹر سیگمنٹیشن۔ میں: میڈیکل امیج کمپیوٹنگ اور کمپیوٹر کی مدد سے مداخلت - MICCAI 2016. کمپیوٹر سائنس میں لیکچر نوٹس، والیم 9901. Springer, Cham. https://doi.org/10.1007/978-3-319-46723-845

25. Naylor P, Lae M, Reyal F, Walter T (2019) فاصلے کے نقشے کے گہرے رجعت کے ذریعے ہسٹوپیتھولوجی امیجز میں نیوکلی کی تقسیم۔ IEEE ٹرانس میڈ امیجنگ 38(2):448–459

26. Ronneberger O, Fischer P, Brox T (2015) U-Net: بایومیڈیکل امیج سیگمنٹیشن کے لیے Convolutional Networks. میں: Proc. MICCAI اسپرنگر، میونخ، جرمنی، پی پی 234–241

27. Slaoui M, Fiette L (2011) ہسٹوپیتھولوجی طریقہ کار: ٹشو کے نمونے لینے سے لے کر ہسٹوپیتھولوجیکل تشخیص تک۔ طریقے Mol Biol (طریقہ پروٹوک) 691:69–82

28. سونگ ٹی، سانچیز وی، ای آئی ڈیلی ایچ، راجپوت این ایم (2017) بون میرو ٹریفائن ہسٹولوجی امیجز میں میگاکاریوسائٹک سیل سیگمنٹیشن کے لیے ڈوئل چینل ایکٹو کنٹور ماڈل۔ IEEE Trans Biomed Eng 64(12):2913–2923

29. صالحی SM، Erdogmus D، Gholipour A (2017) 3D مکمل طور پر convolutional گہری نیٹ ورکس کا استعمال کرتے ہوئے تصویر کی تقسیم کے لیے Tversky نقصان کا فنکشن۔ In: Proc, Int Workshop Mach Learn Med Imag. اسپرنگر، چام، سوئٹزرلینڈ، پی پی 379–387

30. Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ (2017) انتہائی غیر متوازن حصوں کے لیے ایک گہری سیکھنے کے نقصان کے فنکشن کے طور پر عمومی ڈائس اوورلیپ۔ میں: طبی تصویری تجزیہ میں گہری تعلیم اور کلینیکل فیصلے کی حمایت کے لیے ملٹی موڈل لرننگ۔ اسپرنگر، صفحہ 240-248

31. Schlemper J, Oktay O, Schaap M, Heinrich M, Kainz B, Glocker B, Rueckert D (2019) توجہ مرکوز کرنے والے نیٹ ورکس: طبی امیجز میں نمایاں علاقوں کا فائدہ اٹھانا سیکھنا۔ میڈ امیج اینل 53(ISSN 1361- 8415):197–207

32. شوئیبی اے، خداترس ایم، علی زادہسانی آر، غسیمی این، جعفری ایم، میریڈیئن پی، خادم اے، صدیقی ڈی، حسین ایس، زرے اے، ثانی زیڈ اے، بازلی جے، خوزیمہ ایف، خسروی اے، نہاوندی ایس، آچاریہ یو آر، شی پی (2020) گہری سیکھنے کی تکنیک کا استعمال کرتے ہوئے کوویڈ-19 کا خودکار پتہ لگانا اور پیشن گوئی: ایک جائزہ۔ مشین لرننگ۔ arXiv:2007.10785 [cs.LG]

33. Shoeibi A, Khodatars M, Jafari M, Meridian P, Rezaei M, Alizadehsani R, Khozeimeh F, Gorriz JM, Heras J, Panahiaazar M (2021) مقناطیسی گونج امیجنگ کا استعمال کرتے ہوئے خودکار ایک سے زیادہ سکلیروسیس کا پتہ لگانے کے لئے گہری سیکھنے کی تکنیکوں کی ایپلی کیشنز: A جائزہ، تصویر، اور ویڈیو پروسیسنگ۔ arXiv:2105.04881

34. Sadeghi D, Shoeibi A, Ghassemi N, Meridian P, Khadem A, Alizadehsani R, Teshnehlab M, Gorriz JM, Nahavandi S (2021) شیزوفرینیا کی تشخیص کے لیے مصنوعی ذہانت کی تکنیکوں پر ایک جائزہ: امیجنگ طریقہ کار پر مبنی مقناطیسیت ، چیلنجز، اور مستقبل کے کام۔ مشین لرننگ۔ arXiv:2103.03081

35. Sugino T, Kawase T et al (2021) مکمل طور پر کنوولوشنل نیٹ ورکس، صحت کی دیکھ بھال کا استعمال کرتے ہوئے دماغ کی غیر متوازن ساخت کی تقسیم کو بہتر بنانے کے لیے وزن میں کمی۔ MDPI 9(8):938

36. Veit A, Wilber M, Belongie S (2016) بقایا نیٹ ورک نسبتاً کم نیٹ ورکس کے جوڑ کی طرح برتاؤ کرتے ہیں۔ نیورل انف پروسیس سسٹم پی پی 550–558۔ arXiv:1605.06431

37. Win KY، Choomchuay S، Hamamoto K (2017) K کا مطلب ہے کہ کلسٹرنگ پر مبنی خودکار سیگمنٹیشن آف اوورلیپنگ سیل نیوکلی ان پلورل فیوژن سائٹولوجی امیجز میں۔ مواصلات کے لیے جدید ٹیکنالوجیز (ATC) پر بین الاقوامی کانفرنس۔ صفحہ 265–269۔ https://doi.org/10.1109/ATC.2017.8167630

38. Zhou S, Nie D, Adeli E, Gao Y, Wang L, Yin J, Shen D (2018) Hierarchical dilated neural نیٹ ورکس کا استعمال کرتے ہوئے فائن گرینڈ سیگمنٹیشن۔ میں: میڈیکل امیج کمپیوٹنگ اور کمپیوٹر اسسٹڈ انٹروینشن، والیوم 11073۔ اسپرنگر، چام، پی پی 488-496

39. Zhou S, Nie D, Adeli E, Yin J, Lian J, Shen D (2020)۔ میں: آئی ای ای ای ٹرانزیکشنز آن امیج پروسیسنگ، والیم 29، پی پی 461–475۔ https://doi.org/10.1109/TIP.2019.2919937

امیت کمار چنچل 1 · شیام لال 1 · جیوتی کنی 2

1 شعبہ الیکٹرانکس اور کمیونیکیشن انجینئرنگ، نیشنل انسٹی ٹیوٹ آف ٹیکنالوجی کرناٹک، سورتھکل، منگلورو-575025، کرناٹک، انڈیا

2 شعبہ پیتھالوجی، کستوربا میڈیکل کالج مینگلور، منی پال اکیڈمی آف ہائر ایجوکیشن، منی پال، انڈیا