10
pozitron emissiya tomografiyasi (PET) va patologik testlar. Bundan tashqari,
rentgenologlarning yetishmasligi tufayli tibbiy tasvirlarni tahlil qilish va ko‘p vaqt talab
qilinardi [1]. Chuqur o‘qitish (DL) algoritmi tibbiy tasvirlarni hisoblashda maxsus
tushunchadir, chunki u yashirin tasvirlarni tahlil qilishi va
ishlab chiqishi va tibbiy
tasvirlardan samarali xususiyatlarni olishi mumkin. Chuqur o‘qitish (DL) texnikasi turli
xil sog‘liq muammolariga turli xil yechimlarni taqdim etadi. Chuqur o‘qitish (DL)
modellarining har xil turlariga klinik ma'lumotlarni qayta ishlash uchun taklif qilingan
konvolyutsiya tarmoqlari, takroriy tarmoqlar, uzoq qisqa muddatli xotira va generativ
raqib tarmoqlari (GAN) kiradi. Joriy ishda yaxshi klinik ma'lumotni yaratish uchun
radiologik tasvirlarni tahlil qilish uchun konvolyutsiya tarmog‘idan foydalaniladi.
Ushbu usullar zararlangan hududni tekshirishda yetarli darajada qimmatli ma'lumotlarni
taqdim etmasa-da, bemorlarda ma'lum alomatlar paydo bo‘lganda, ularning hisoblash
murakkabligi ortadi [2]. Mavjud ishdagi qiyinchiliklardan
yuqori hisob-kitoblarni
bartaraf etish uchun tibbiy tasvirlarni tekshirish uchun optimallashtirilgan chuqur
konvolyutsiya tarmog‘i qo‘llaniladi. Bu yerda o‘sma mintaqalarini bashorat qilish uchun
o‘simta bilan bog‘liq tibbiy tasvirlardan foydalaniladi. Konvolyutsiya tarmog‘i oldingi
ko‘rish tahlilidan zararlangan (tumor-affected region) kasallikni ko‘rsatadigan
avtomatik o‘rganish funktsiyasidan foydalanadi. Tanlangan hududlar qo‘shimcha
ravishda taqsimlash naqshini moslashtirish qoidasi yordamida tekshiriladi. Taklif
etilayotgan tizim minimal xatolik darajasini va tibbiy tasvirni tahlil qilishning yuqori
aniqligini ta'minlash uchun MATLAB simulyatsiyasidan foydalanadi.
Tadqiqot
natijalarini quyidagicha umumlashtirish mumkin [3]:
• Minimal xatolik darajasi bilan o‘sma hududini bashorat qilishning aniqligini
yaxshilash uchun;
• Tasvir namunalarini tekshirishda hisoblash murakkabligini minimallashtirish;
• Avtomatik xususiyatni o‘rganish funktsiyalarini qo‘llash orqali kasalliklarni
aniqlashning aniqligini oshirish.
Feng va boshqalar. genetik optimallashtirilgan orqa tarqalish neyron tarmog‘i
(GBNN) yordamida tibbiy tasvirni tahlil qilish tizimini ishlab chiqdi. Taklif etilgan tizim
fonni ajratib olishning murakkabligini hal qilish va chegara tafsilotlarining yo‘qolishini
11
minimallashtirish uchun optimallashtirilgan segmentatsiya algoritmidan foydalangan.
O‘qitilgan genetik tarmoq tibbiy tasvirlarni qayta ishladi, tasvir xususiyatlarini chegara
qiymati bo‘yicha chiqardi. Minimal xatolik darajasi bilan zararlangan hududni aniqlagan
xususiyatlar qo‘shimcha ravishda o‘rganildi [4]. Anvar va boshqalar.
CNN-lardan
foydalangan tibbiy tasvirni tahlil qilish jarayonini ko‘rib chiqdi. Tizim xususiyatlarni
tanlash va hisoblash vazifalarini hal qilish orqali klinik tashxisning aniqligini oshirishga
qaratilgan. Bu jarayon kasalliklarni tasniflash, anormalliklarni aniqlash, tibbiy
tasvirlarni tahlil qilish va kompyuter yordamida kasalliklarini aniqlashda samarali
qo‘llanilgan Chuqur o‘qitish (DL) kontseptsiyasi yordamida erishildi. Ushbu tadqiqot
GANlardan foydalangan holda samarali tibbiy tasvirni tahlil qilish tizimini ishlab
chiqdi. Ushbu tarmoq xususiyatlardagi o‘zgarishlarni tekshirish uchun ehtimollik
zichligi funksiyasidan foydalangan. Tarmoq xususiyatlarni sinov va o‘qitish
namunalariga bo‘lish orqali kiritilgan ma'lumotlarni qayta ishladi [4,5].
GAN tibbiy
tasvirlarni tahlil qilishda haddan tashqari moslashish muammosini hal qilishi va
ma'lumotlar tanqisligini yengillashtirishi mumkin. Yuqoridagi umumiy tahlilni hisobga
olsak, tibbiy tasvirni tahlil qilish kasalliklarni tashxislashda muhim rol o‘ynaydi. Chuqur
o‘qitish (DL) modellari kasalliklarni samarali tahlil qilsa-da, o‘simtadan zararlangan
hududni segmentlashda ularning hisoblash murakkabligi yuqori.
Ushbu muammoni
bartaraf etish uchun kasallikdan zararlangan hududni minimal murakkablik bilan
aniqlash uchun joriy ishda optimallashtirilgan Chuqur o‘qitish (DL) modeli va naqshni
aniqlash algoritmidan foydalanildi.
