Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
204
хусусиятлари билан бирлаштирилди, бу нутқ ва шовқинни фарқлаш сифатини оширди.
Тадқиқотда ўказилган натижалар асосида қуйидаги хулосалар шаклланди:
Паст шовқин даражасида (1%) Кохонен харитасини натижаси шовқинли сигналга
нисбатан 1.484 дан 2.412 га ошди, бу уни шовқинни самарали камайтирганини кўрсатади.
Шовқин даражаси ошгани сари (5% дан 25% гача) Кохонен харитасини PESQ
қийматлари 1.588 дан 1.078 гача пасайди, лекин ҳар бир ҳолатда шовқинли сигналга
нисбатан сезиларли яхшиланиш кузатилди.
Юқори шовқин даражаларида (15% дан 25% гача) Кохонен харитаси бошқа
усулларга нисбатан барқарор натижалар кўрсатди (масалан, 25% шовқин учун 1.078).
Aдабиётлар рўйхати
1. Niyozmatova, N. A., Mamatov, N. S., Dusonov, X. T., Samijonov, B. N., & Samijonov,
A. N. MFCC-GMM Method for Speaker Identification by Voice.
2. Niyozmatova, N. A., Mamatov, N. S., Samijonov, A. N., & Samijonov, B. N. (2025).
Language and acoustic modeling in Uzbek speech recognition. In
Artificial Intelligence and
Information Technologies
(pp. 558-564). CRC Press.
3. Shambhu Shankar Bharti & others “A New Spectral Subtraction Method for Speech
Enhancement using Adaptive Noise Estimation” 3rd Int’l Conf. on Recent Advances in
Information Technology, 2016.
4. Hilman Pardede, Kalamullah Ramliand others “Speech Enhancement for Secure
Communication Using Coupled Spectral Subtraction and Wiener Filter”, University of Indonesia,
Jawa Barat -14-August, 2019.
5. M. Kolbak, Z.-H. Tan, and J. Jensen, “Speech intelligibility potential of general and
specialized deep neural network-based speech enhancement systems” IEEE/ACM Transactions on
Audio, Speech, and Language Processing, vol. 25, no. 1, pp. 153–167, 2017.
6. Y. Xu, J. Du, L.-R. Dai, and C.-H. Lee, “A regression approach to speech enhancement
based on deep neural networks,” IEEE/ACM Transactions on Audio, Speech and Language
Processing (TASLP), vol. 23, no. 1, pp. 7–19, 2015.
7. K. Kinoshita, M. Delcroix, H. Kwon, T. Mori, and T. Nakatani, “Neural network-based
spectrum estimation for online WPE dereverberation,” in Interspeech, 2017, pp. 384–388.
8. J. C. Wiemer, “The Time-Organized Map algorithm: Extending the Self-Organizing Map
to spatiotemporal signals”, Neural Computation, vol. 15, no. 5, 2003, pp. 1143-1171.
9. G. de A. Barreto and A. F. R. Araújo, “Time in self-organizing maps: An overview of
models”, International Journal of Computer Research, vol. 10, n 02, 2001, pp. 139-179.
DERMOSKOPIK TASVIRLARNI QAYTA ISHLASHDA KATTA
MA’LUMOTLAR TAHLILINING MUAMMOLARI VA YECHIMLARI
Gulmirzaeva Go‘zal Alisher qizi
Toshkent axborot texnologiyalari universiteti tayanch doktoranti
gozzalgulmirzayeva55@gmail.com
Rajabov Jamshid Akbarali o‘g‘li
Berdaq nomidagi Qoraqalpoq davlat universiteti magistranti
Annotatsiya:
Sog‘liqni saqlashda raqamlashtirish jarayoni dermoskopik tasvirlarni
avtomatlashtirilgan tahlil qilishni talab etmoqda. Bunday tasvirlar teri shishlarini, xususan
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
205
melanomani erta aniqlashda muhim hisoblanadi. Ushbu maqolada tasvirlarni qayta ishlashda
uchraydigan asosiy muammolar – standartlashmaganlik, tanlama muvozanatsizligi va belgilar
noaniqligi tahlil etiladi va shu asosda avtomatlashtirilgan tizim uchun ketma-ketlik diagrammasi
loyihalashtirilgan.
Kalit so‘zlar:
dermoskopik tasvirlar, tasvirni qayta ishlash, tanlama muvozanatsizligi,
augmentatsiya, tashxis avtomatizatsiyasi.
ПРОБЛЕМЫ И РЕШЕНИЯ АНАЛИЗА БОЛЬШИХ ДАННЫХ ПРИ
ОБРАБОТКЕ ДЕРМАТОСКОПИЧЕСКИХ ИЗОБРАЖЕНИЙ
Аннотация
:
Цифровизация здравоохранения требует автоматизированного анализа
дермоскопических изображений. Такие изображения играют важную роль в раннем
выявлении кожных новообразований, особенно меланомы. В данной статье
рассматриваются ключевые проблемы обработки изображений нестандартизированный
формат, дисбаланс выборки и неопределенность визуальных признаков. На основе этого
был разработан диаграмма последовательности для автоматизированной системы анализа.
Ключевые слова:
дермоскопические изображения, обработка изображений,
дисбаланс данных, аугментация, автоматизация диагностики.
PROBLEMS AND SOLUTIONS OF BIG DATA ANALYSIS IN
DERMATOSCOPIC IMAGE PROCESSING
Annotation:
The digitalization of healthcare demands automated analysis of dermoscopic
images. These images are crucial for the early detection of skin lesions, particularly melanoma.
This paper discusses the main challenges in image processing non-standard formats, dataset
imbalance, and feature ambiguity and presents a sequence diagram designed for an automated
analysis system based on these challenges.
Keywords:
dermoscopic images, image processing, dataset imbalance, augmentation,
diagnostic automation.
Bugungi kunda sog‘liqni saqlash tizimi dunyo miqyosida jadal raqamlashmoqda. Elektron
tibbiy ma’lumotlar [1], biometrik monitoring qurilmalari [2], tibbiyot sohasi mobil ilovalari [3] va
Internet ashyolar (IoT) orqali yaratilayotgan ma’lumotlar [4,5] hajmi keskin ortib bormoqda. 2020
yil holatiga ko‘ra, dunyodagi tibbiy ma’lumotlarning 30% dan ortig‘i raqamli shaklda
saqlanmoqda va har yili ular 36% tezlikda o‘sib bormoqda [6]. Bu tendentsiya sog‘liqni saqlash
sohasida katta ma’lumotlar (Big Data) tahlilining dolzarbligini yanada oshirmoqda.
Zamonaviy sog‘liqni saqlash tizimida raqamlashtirish jarayoni jadal sur’atlarda rivojlanishi,
xususan, tasvirlarga
asoslangan tibbiy diagnostika sohalarida, shifokor qarorlarini
avtomatlashtirish va standartlashtirish imkoniyatlarini yaratib bermoqda. Ana shunday sohalardan
biri – dermoskopik tasvirlar asosida teri shishlarini aniqlash va baholash jarayonlaridir.
Dermoskopik tasvirlar orqali melanoma kabi yuqori xavfli kasalliklarning erta tashxisiga erishish
mumkin va bu tasvirlar komp’yuter ko‘rishi (Computer Vision) usullari orqali tahlil qilinishi
mumkin bo‘lgan to‘liq vizual ma’lumotlar manbai hisoblanadi.
So‘nggi yillarda ISIC Archive, HAM10000, PH2 kabi dermoskopik tasvirlar arxivlari yuz
minglab belgilangan va tasniflangan tasvirlarni o‘z ichiga olmoqda. Bu ma’lumotlar tasvir
tuzilmasi, piksel darajasidagi xususiyatlar, shifokor diagnozi, vizual belgilangan chegaralar va
metama’lumotlar (bemor yoshi, jinsi, lokalizatsiyasi) bilan birga shakllanadi. Bunday ma’lumotlar
tuzilishi, hajmi, har xil manbalardan kelib tushishi va tezkorligi bilan katta ma’lumotlar (Big Data)
tamoyillariga to‘liq mos keladi [7].
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
206
Zamonaviy klinik amaliyotda tasvirlar bir vaqtning o‘zida yuzlab bemorlardan real vaqtda
to‘planadi, har biriga tegishli bo‘lgan metama’lumotlar (kasallik turi, diagramma, diagnostika
tarixi) bilan birga saqlanadi. Bu tasvirlar tuzilmasi, teri rangi, shish formasi va yuza teksturasi
bo‘yicha juda xilma-xil bo‘lib, ularning tahlili katta hisoblash resurslari va intellektual
algoritmlarni talab etadi.
Dermoskopik tasvirlarni tahlil qilishda qator texnik va metodologik muammolar mavjud.
Birinchi navbatda, tasvirlar turli qurilmalar va yorug‘lik sharoitida olingan bo‘lgani sababli,
standartlashmagan formatlar va sifatlar tahlil jarayonini qiyinlashtiradi. Tasvirlar orasidagi rang,
yorug‘lik, kontrast farqlari sinflashtirish modellari aniqligiga salbiy ta’sir ko‘rsatadi.
Ikkinchi muammo – tanlamalar (dataset) muvozanatsizligi. Masalan, HAM10000 bazasida
benign (bezarar) nevuslar tasvirlari ko‘p, lekin melanoma tasvirlari kamroq uchraydi. Bu holat
neyron tarmoqlar uchun o‘qitish jarayonida muayyan sinflarni ortiqcha o‘rganishga, kam
uchraydigan xavfli holatlarni esa etarli darajada aniqlay olmaslikka olib keladi.
Uchinchi muammo – vizual belgilarni aniqlash va saralashda aniq tartibli ma’lumotlar
etishmasligi bo‘lib, ko‘p hollarda tasvirdagi shish chegaralari, pigmentatsiya nuqtalari, simmetriya
yoki tekstura kabi muhim diagnostik xususiyatlar inson tomonidan belgilanmagan bo‘ladi. Bu esa
avtomatlashtirish jarayonida tasvirni tahlil qilishni qiyinlashtiradi.
Yuqorida keltirilgan texnik va metodologik muammolarni inobatga olgan holda,
dermoskopik tasvirlar bilan ishlovchi avtomatlashtirilgan tahlil tizimini loyihalashtirish uchun
jarayon modeli loyihalashtirildi. Bunda, tasvir sifatining turliligi, tanlamalar muvozanatsizligi va
belgilar etishmasligi kabi muammolarni bartaraf etishga qaratilgan bosqichlar inobatga olindi:
1-rasm. Dermoskopik tasvirlarni qayta ishlash jarayonining ketma-ketlik
diagrammasi
Yuqoridagi ketma-ketlik diagrammasida dermoskopik tasvirlarni qayta ishlashdagi asosiy
muammolarga mos ravishda tashkil etilgan jarayon to‘liq aks ettirilgan. Tasvirlarni
standartlashtirish orqali sifatning bir xilda bo‘lishi ta’minlanadi, muvozanatni tiklash
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
207
mexanizmlari orqali kam uchraydigan holatlar (masalan, melanoma) ham etarli darajada
o‘rganiladi.
Tasvir sifatini yaxshilash uchun tasvirni normallashtirish va fonni tozalash orqali
standartlashtirish amalga oshiriladi. Tanlama muvozanatsizligini bartaraf etish maqsadida data
augmentation va GAN texnologiyalaridan foydalaniladi. Katta hajmdagi tasvirlarni tahlil qilishda
Apache Hadoop va Spark kabi tarqoq platformalar samarali echim hisoblanadi. Klassifikatsiya
jarayonida esa CNN, ResNet va EfficientNet kabi chuqur o‘qitish modellari qo‘llanilib, teri
shishlarini aniq farqlash imkoniyati yaratiladi.
Xulosa qilib aytganda, dermoskopik tasvirlar bilan ishlovchi axborot tizimini samarali
tashkil etish uchun tasvir sifatini standartlashtirish, sinflar muvozanatini ta’minlash va vizual
xususiyatlarni aniqlash jarayonlarini integratsiya qiluvchi arxitektura talab etiladi. Taqdim etilgan
amaliy model ushbu muammolarni bartaraf etishga qaratilgan va sun’iy intellekt texnologiyalariga
asoslangan tahlil jarayonini avtomatlashtirish imkonini beradi. Bu yondashuv teri shishlarini erta
tashxislashda tashxis aniqligini oshirish va shifokor ish yukini kamaytirishda samarali hisoblanadi.
Adabiyotlar ro‘yxati
1. Samandarov , B., & Tajibaev , S. Zamonaviy tibbiyot axborot tizimlari uchun jarayon
modellarini loyihalash masalasi. Digital Transformation and Artificial Intelligence. 2024, 2(1),
176–181.
2. Graña Possamai, C., Ravaud, P., Ghosn, L., & Tran, V.-T. Use of wearable biometric
monitoring devices to measure outcomes in randomized clinical trials: a methodological
systematic review. BMC Medicine. 2020, Vol. 18, Issue 1. Springer Science and Business Media
LLC.
3. Ramdurai, B. A study on Mobile apps in the Healthcare Industry. International Journal of
Mobile Computing and Application. 2021, Vol. 8, Issue 1, pp. 17-21. Seventh Sense Research
Group Journals.
4. Samandarov , B., Joldasbaev , D., & Gulmirzayeva , G. Internet ashyolar asosida qurilgan
tizimlarda yuklamalarni muvozanatlash masalasi. Digital Transformation and Artificial
Intelligence. 2024, 2(4), 126–132
5. Šajnović, U., Vošner, H. B., Završnik, J., Žlahtič, B., & Kokol, P. Internet of Things and
Big Data Analytics in Preventive Healthcare: A Synthetic Review. In Electronics. 2024, Vol. 13,
Issue 18, p. 3642. MDPI AG.
6. IDC. (2020). Worldwide Global DataSphere Forecast, 2020–2025. International Data
Corporation.
7. Tschandl, P., Rosendahl, C., & Kittler, H. The HAM10000 dataset, a large collection of
multi-source dermatoscopic images of common pigmented skin lesions. Scientific Data. 2018,
Vol. 5, Issue 1. Springer Science and Business Media LLC.
TALABA YOSHLARDA KREATIVLIKNI RIVOJLANTIRISHDA INTERAKTIV
PLATFORMALARNING AHAMIYATI
Rashidova Gulnoza G‘ulomovna
Mirzo Ulug‘bek nomidagi O‘zMU Jizzax filiali, “Oila psixologiyasi” kafedrasi dotsenti,
pedagogika fanlari bo‘yicha falsafa doktori (PhD)
Annotatsiya:
Mazkur maqolada talaba yoshlar orasida kreativ fikrlashni shakllantirish va
rivojlantirishda interaktiv platformalarning tutgan o‘rni yoritilgan. Muallif interaktiv vositalarning
