ЎРАМЛИ НЕЙРОН ТАРМОҚЛАР АСОСИДА БУЙРАК ЎСИМТАЛАРИНИ ТАСНИФЛАШ АЛГОРИТМИ
Keywords:
рентген, компьютер томографияси, магнит-резонанс томографияси, рақамли тасвир, ўсимта, нейрон тармоқ, белги, чуқур ўқитиш, сунъий интеллект, компьютерли кўриш, тасвирларга ишлов беришAbstract
Буйрак ўсимталарини аниқлаш тиббий ташхислашнинг мураккаб ва долзарб масалаларидан бири бўлиб, уларни эрта аниқлаш ва тўғри ташхис қўйиш бемор ҳаётини сақлаб қолишда ўта муҳимдир. Буйракдаги ўсимталар кўп ҳолларда клиник белгиларсиз бўлади, бу эса уларни аниқлашни мураккаблаштиради. Одатда буйракдаги патологик ўзгаришлар рентген, компьютер томографияси ва магнит-резонанс томографияси каби тиббий тасвирлаш воситалари ёрдамида аниқланади бироқ, бу шифокорни субъектив бахолашига, юқори даражадаги диққат ва вақт талаб қилишига
боғлиқ. Шунинг учун, мазкур масалани самарали ва ишончли ҳал этиш ҳамда шифоркорларга кўмаклашувчи автоматлаштирилган тизимларни ишлаб чиқиш зарур.
Тадқиқотда буйрак ўсимталарини аниқлаш учун ўрамли нейрон тармоқларга асосланган моделлар асосида тасвирлардаги патологик ўзгаришлар, ўсимталарни аниқлаш ва уларни хусусиятларини белгилаш каби масалаларни ечиш йўллари келтирилган. Бу шифокорни субъектив аралашувини камайтириш ва тасвирларни тезкор, аниқ таҳлилини амалга оширишда самарали восита бўлиб, тадқиқотнинг мақсади рентген тасвирлари орқали буйрак ўсимталарини аниқлаш учун юқори аниқликка эга нейрон тармоқ моделини ишлаб чиқиш ва у асосида автоматлаштирилган ташхислаш тизимини яратишдан иборат.
Тадқиқотда 1016 та позитив ва 1013 та негатив ҳолатларни қамраб олган тиббий тасвирлар тўплами шакллантирилиб, тасвирлар рентген аппарати орқали олинган, буйрак ўсимталари бор ёки йўқлигини аниқлаш учун изоҳланган ва белгиланган. Бунда дастлаб тасвирлар қайта ишлаш босқичларидан ўтказилган, сўнгра улар асосида модел ўқитилган. CNN архитектураси асосида ишлаб чиқилган модел орқали олинган натижаларга кўра 1016 та позитив ҳолатни тўғри аниқлаган ва фақатгина 2 та ҳолатда хато таснифланган. Шунингдек, 1013 та негатив тасвир ҳам тўғри таснифланган, яъни ўсимта мавжуд эмас деган хулоса олинган.
Ушбу тадқиқотдаги натижалар, таклиф этилган модел самарадорлиги ва юқори аниқликка эга эканлигини, шунингдек, тиббий тасвирлар таҳлилида самарали ишлашини кўрсатди. Мазкур ишлар тиббий ташхислашда инсон аралашувини камайтириш, ташхис жараёнини тезлаштириш ва самарадорлигини оширишга ёрдам беради. Бунинг натижасида, буйрак ўсимталарини эрта аниқлаш ва даволаш учун янги, самарали ташхислаш тизимини яратиш мумкин бўлади.
References
Глобальные данные по раку: Международное агентство по изучению рака (IARC), ВОЗ. URL: https://gco.iarc.fr/
Дьяконов В.П., Медведев С.Г. Основы медицинской визуализации. - М.: ГЭОТАР - Медиа, 2019. - 432 с.
LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. - 2015. - Vol. 521. - P. 436 - 444.
Litjens G. et al. A survey on deep learning in medical image analysis // Medical Image Analysis. - 2017. - Vol. 42. - P. 60 - 88.
Mamatov, N.; Dadaxanov, M.; Jalelova, M.; Samijonov, B. X-Ray Image Contrast Estimation and Enhancement Algorithms. AIP Conference Proceedings 2024, 3147, 040014, https://doi:10.1063/5.0210104
Mamatov, N.; Erejepov, K.; Jalelova, M.; Narzullayev, I.; Samijonov, A. X-Ray Image Contrast Enhancement Approach. 2024 3rd International Conference on Applied Artificial Intelligence and Computing (ICAAIC) 2024, 1293–1297, https://doi:10.1109/icaaic60222.2024.10575386
Mamatov, N.; Samijonov, A.; Niyozmatova, N.; Samijonov, B.; Erejepov, K.; Jamalov, O. Algorithm for Selecting Optimal Features in Face Recognition Systems. Proceedings - 2023 19th International Asian School-Seminar on Optimization Problems of Complex Systems 2023, 59–64, https://doi:10.1109/opcs59592.2023.10275750
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., ... & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88. https://doi.org/10.1016/ j.media.2017.07.005
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115–118. https://doi.org/10.1038/ nature21056
Shen, D., Wu, G., & Suk, H. I. (2017). Deep learning in medical image analysis. Annual Review of Biomedical Engineering, 19, 221-248. https://doi.org/10.1146/annurev-bioeng-071516-044442
Çiçek, Ö., Abdulkadir, A., Lienkamp, S. S., Brox, T., & Ronneberger, O. (2016). 3D U-Net: Learning dense volumetric segmentation from sparse annotation. In International Conference on Medical Image Computing and Computer-Assisted Intervention (pp. 424-432). Springer, Cham.
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 770-778).
Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4700-4708).
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Маматов Нарзулло Солиджонович, Жўраев Исломжон Абдужалилович, Самижонов Абдурашид Нарзулло ўғли
This work is licensed under a Creative Commons Attribution 4.0 International License.
