Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
164
ЎПКА СОҲАСИНИ АНИҚЛАШНИ ТАКОМИЛЛАШТИРИЛГАН НЕЙРОН
ТАРМОҚ МОДЕЛИ
Маматов Нарзулло Солиджонович
“TIQXMMI” Milliy tadqiqot universiteti professori
Жалелова Малика Моятдин қизи
“TIQXMMI” Milliy tadqiqot universiteti катта ўқитувчиси
Файзиев Вохид Орзумуродович
“TIQXMMI” Milliy tadqiqot universiteti ассистенти
Аннотация:
Мазкур тадқиқот иши ўпка рентген тасвирларини сегментациялаш
масаласига бағишланган бўлиб, унда анъанавий U-Net архитектурасини резидуал
боғланишлар ва адаптив ўқитиш механизмлари билан такомиллаштириш ғояси илгари
сурилган ҳамда ушбу моделни тажрибаларда синовлардан ўтказиш амалга оширилган.
Натижада модель юқори аниқлик, Dice коэффициенти ва IoU кўрсаткичларига эришганлиги
қайд этилган.
Калит сўзлар:
ўпка рентген тасвири, U-Net архитектураси, чуқур ўқитиш, резидуал
боғланишлар, адаптив ўқитиш механизми, Dice коэффициенти.
УСОВЕРШЕНСТВОВАННАЯ МОДЕЛЬ НЕЙРОННОЙ СЕТИ ДЛЯ
ОПРЕДЕЛЕНИЯ ОБЛАСТИ ЛЕГКИХ
Аннотация:
Данная исследовательская работа посвящена вопросу сегментации
рентгеновских снимков легких, в которой выдвигается идея усовершенствования
традиционной архитектуры U-Net с помощью остаточных связей и адаптивных механизмов
обучения, а также данная модель проверяется в экспериментах. В результате было
отмечено, что модель достигла высоких показателей точности, коэффициента Dice и IoU.
Ключевые слова:
рентгенограмма грудной клетки, архитектура U-Net, глубокое
обучение, остаточные связи, механизм адаптивного обучения, Dice коэффициент.
ADVANCED NEURAL NETWORK MODEL FOR LUNG REGION DETECTION
Abstract:
This research work is devoted to the segmentation of X-ray images of the lungs,
in which the idea of improving the traditional U-Net architecture with residual connections and
adaptive training mechanisms is put forward, and this model is tested in experiments. As a result,
it is noted that the model achieves high accuracy, Dice coefficient and IoU indicators.
Keywords:
chest X-ray image, U-Net architecture, deep learning, residual connections,
adaptive learning mechanism, Dice coefficient.
Пульмонологик патологияларни дифференциал ташхислаш тизимида замонавий
рентгенография кенг қўлланилганига қарамай, рентген тасвирларни морфометрик таҳлил
қилиш ҳамон етарли даражада автоматлаштирилмаган соҳа бўлиб қолмоқда [1].
Рентгенограммаларни кўрикдан ўтказиш ва интерпретация қилиш жараёни радиологлар
учун интеллектуал меҳнат талаб этадиган когнитив юкламани келтириб чиқаради ва энди
ривожланиб келаётган минтақаларда кадрлар потенциалини етишмовчилиги бу масалани
янада мураккаблаштиради [2]. Шунинг учун, тиббий визуализация жараёнларини
автоматлаштириш соҳасида амалга оширилаётган изланишлар алоҳида аҳамият касб
этмоқда. Бунда 2015 йилда яратилган U-Net архитектураси ҳали ҳамон тиббий тасвирларни
сегментациялашда кенг қўлланилиб келинмоқда [3]. Бироқ, сўнгги тадқиқотлар бу
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
165
архитектурани чуқур қатламлар учун градиент йўқолиши, мураккаб тасвирларни аниқ
таҳлил қила олмаслик каби камчиликларини аниқлаган [4]. Бу муаммоларни ҳал қилиш
мақсадида, ишда такомиллаштирилган U-Net архитектураси таклиф этилган. Бунда U-Net
тармоғига резидуал блоклар ва адаптив ўқитиш механизмлари қўшилган бўлиб, улар
градиент йўқолиши муаммосини самарали ҳал қилишга ҳамда юқори аниқликдаги
сегментацияни таъминлашга хизмат қилади. Тақдқиқот ишида нейрон тармоқ моделини
ўқитиш учун 704 та ўпка рентген тасвири ва уларни сегментация ниқобларидан иборат
маълумотлар тўпламидан фойдаланилган [5]. Ушбу маълумотлар тўплами 80/20 нисбатда
ўқитиш (563 та) ва тестлаш (141 та) қисмларига ажратилган.
Тақдим этилган тасвирни сегментациялаш модели тиббий тасвирларни
сегментациялаш учун махсус мослаштирилган бўлиб, у қуйидаги расмда кўрсатилган
архитектурага эга.
1-расм.
Таклиф этилган модель архитектураси
Таклиф этилган модель 1,950,721 та параметрдан ташкил топган (7.44 МБ) бўлиб,
ўқитиш учун Adam оптимизатори, Binary Cross-Entropy йўқотиш функцияси ва 32 ҳажмли
пакет ўлчами қўлланилган. Ўқитиш жараёни 20 эпох давом этган. Ушбу моделни ишлаш
самарадорлигини баҳолаш учун аниқлик, Dice коэффициенти ва IoU кўрсаткич қийматлари
ҳисобланган.
Натижада, модель ўқитиш жараёнида 98.29% аниқлик, 94.78% Dice коэффициенти ва
90.07% IoU қийматларини қайд этган. Тест жараёнида эса тармоқ барқарорлигини сақлаган
ҳолда 97.67% аниқлик, 93.37% Dice коэффициенти ва 87.57% IoU қийматларини натижа
сифатида акс эттирган.
Бунда ўқитиш ва тестлаш натижалари орасидаги кичик фарқ моделни кўрилмаган
маълумотлар устида ҳам ишончли ишлашини тасдиқлайди. Бу эса мураккаб клиник
шароитларда ҳам ушбу моделни самарали қўллаш мумкинлигини кўрсатади.
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
166
Сегментациялашни бошқа усуллари билан таққослаганда, таклиф этилган модель Dice
коэффициенти ва аниқлик бўйича стандарт U-Net (87.0%) ва FCN (84.0%) дан юқори
натижани кўрсатган (2-расм). Шунингдек, архитектурани параметрлар сони нисбатан
оптимал бўлиб, тез ва ресурс тежамкор ишлашни таъминлайди.
2-расм.
Таклиф этилган моделни сегментациялашни бошқа моделлари билан
таққослаш натижалари
Тадқиқотда таклиф этилган архитектура ўпка рентген тасвирларини юқори аниқликда
сегментациялаш имконини беради. Резидуал боғланишлар ва адаптив ўқитиш
механизмлари орқали модель градиент йўқолиши муаммосини ҳал қилган ва турли
сифатдаги тасвирларда ҳам барқарор ишлашни таъминлаган.
Модель натижалари ушбу архитектурани ўпка касалликларини автоматик ташхислаш
тизимларида самарали қўлланилиш истиқболини тасдиқлайди. Келгусидаги тадқиқотлар бу
архитектурани турли клиник шароитларда синаш, бошқа тиббий тасвирларга мослаштириш
ва самарадорлигини янада ошириш йўналишларида давом эттирилиши мумкин.
Aдабиётлар рўйхати
1.Маматов, Н., Рахмонов, Э., Самижонов, А., Жалелова, М., & Самижонов, Б. (2023).
Тасвирдаги микроскопик объектларни таниб олиш алгоритмлари.
Евразийский журнал
математической теории и компьютерных наук
,
3
(11), 7-13.
2.Mamatov, N., Dadaxanov, M., Jalelova, M., & Samijonov, B. (2024, May). X-ray image
contrast estimation and enhancement algorithms. In
AIP Conference Proceedings
(Vol. 3147, No.
1). AIP Publishing.
3.Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for
biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention.
4.Mamatov, N., Fayziyev, V., Jalelova, M., & Samijonov, B. (2025). Object segmentation
approach in image processing. In
ITM Web of Conferences
(Vol. 72, p. 03001). EDP Sciences.
5.Jaeger S., Karargyris A., Candemir S., Folio L., Siegelman J., Callaghan F., Xue Z.,
Palaniappan K., Singh R.K., Antani S., et al. Automatic tuberculosis screening using chest
radiographs. IEEE Trans. Med. Imaging. 2014;33:233–245. doi: 10.1109/TMI.2013.2284099.
