CC BY
12Muhammad al-Xorazmiy nomidagi TATU Farg‘ona filiali “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 1 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 1 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 1 | 2024 год
Tibbiy tasvirlar ichida alohida qiziqish hududlarini (Region of interest-ROI) avtomatik aniqlash va izolyatsiya qilish
Asrayev Muhammadmullo Abdullajon o‘g‘li,
Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti Farg‘ona filiali katta o‘qituvchisi
asrayevmuhammaddullo@gmail. com
Fayziyev Voxid Orzumurod o‘g‘li,
Mirzo Ulug‘bek nomidagi O‘zbekiston Milliy universitetining
Jizzax filiali tayanch doktoranti
Turakulova Shaxnoza Abdurshidovna,
TMC instituti "Amaliy matematika va informatika" kafedrasi
o‘qituvchisi
Ermatova Zarina Qaxramonovna,
Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti Farg‘ona filiali assistent o‘qituvchisi
Annotatsiya: Tibbiy tasvirni segmentlash sog‘liqni saqlash sohasida qaror qabul qilishning aniqligini oshirishda muhim ahamiyatga ega. Bu tibbiy tasvirlarda turli xil tuzilmalar yoki qiziqish hududlari (regions of interest - ROI) identifikatsiyasi va segmentatsiyasini o‘z ichiga oladi. Qiziqish hududlarini aniqlash, turli xil kassaliklarini diagnostikasi, davolashni rejalashtirish va monitoringida muhim ahamiyatga ega. Ushbu maqolada tibbiy tasvirlarda identifikatsiya aniqligining muhimligi, shuningdek aniqlikkka erishish algoritmlarining o‘rni taqdid qilinadi.
Kalit so‘zlar: Tibbiy tasvir segmentatsiyasi, Qiziqish hududini (ROI) aniqlash, Avtomatik aniqlash, Tasvirni tahlil qilish, Tasvirga ishlov berish, Kompyuter ko‘rish, Mashinani o‘rganish, Chuqur o‘rganish.
Kirish. Tibbiy tasvir segmentatsiyasiga qiziqish hududlari (ROI) ma’lum bir tibbiy tashxis yoki davolanish uchun eng muhim ma’lumotlarni o‘z ichiga olgan tasvirning o‘ziga xos qismlaridir. Bu joylar tasvir turiga va klinik kontekstga qarab katta farq qilishi mumkin.
Tibbiy tasvirni segmentlashda eng keng tarqalgan ROI turlaridan ba‘zilari:
• Lezyonlar: Bu o‘smalar, kistlar yoki yoriqlar kabi kasallikning mavjudligini ko‘rsatishi mumkin bo‘lgan noodatiy to‘qimalar hududlari hisoblanadi. Zararlarni to‘g‘ri segmentlash saraton tashxisi, davolashni rejalashtirish va jarrohlik yo‘riqnomasi uchun juda muhimdir.
1-rasm. Lezyon segmentlashdan olingan tasvirga misol.
Organlar: Segmentli organlar ularni o‘lchash, tahlil qilish va vizualizatsiya qilish imkonini beradi. Bu organlar faoliyatini kuzatish, kasallikning
142
Muhammad al-Xorazmiy nomidagi TATU Farg‘ona filiali “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 1 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 1 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 1 | 2024 год
rivojlanishini baholash va operatsiyalarni rejalashtirish uchun foydali bo‘lishi mumkin.
2-rasm. Organlarni segmentlashga oid misol.
To‘qimalar: Tasvirdagi turli to‘qimalar
turlarini farqlash turli xil kassalik turlari uchun juda muhim bo‘lishi mumkin, masalan, MRT tekshiruvlarida miyaning o‘ziga xos hududlarini aniqlash yoki biopsiyada sog‘lom va saraton to‘qimalarini farqlash imkonini beradi.
Qon tomirlari: qon tomirlarining aniq
segmentatsiyasi yurak-qon tomir kasalliklari diagnostikasi va davolashni rejalashtirish uchun zarur, masalan, stentlash jarayonlarini rejalashtirish uchun juda muhim hisoblanadi.
ROIlarni aniq identifikatsiyalash va segmentlash turli tibbiy ilovalar uchun juda muhimdir, jumladan:
• Yaxshilangan tibbiy diagnostika: Muayyan tuzilmalarni ajratish va tahlil qilish orqali segmentlash normal bo‘lmagan holatlarni aniqlashga va aniqroq tashxis qo‘yishga yordam beradi.
• Davolashni rejalashtirish: ROIning aniq
segmentatsiyasi radiatsiya terapiyasi yoki jarrohlik kabi yanada maqsadli va samarali davolash yondashuvlariga imkon beradi.
• Jarrohlik bo‘yicha qo‘llanma: Segmentli
tasvirlar jarrohlarga minimal invaziv muolajalar paytida yo‘l-yo‘riq berish, aniqlikni oshirish va asoratlarni kamaytirish uchun ishlatilishi mumkin.
Segmentatsiya tibbiy tadqiqotlarda o‘ziga xos tuzilmalar va to‘qimalarning miqdorini aniqlash imkonini berib, yangi diagnostika va davolash strategiyalarini ishlab chiqishda muhim rol o‘ynaydi.
Qiziqish hududini (ROI) aniqlashni identifikatsiyalash tibbiy tasvirlarni tahlil qilishda muhim ahamiyatga ega, chunki u sog‘liqni saqlash sohasi mutaxassislariga rasmdagi muayyan sohalarini aniq tahlil qilish imkonini beradi. Bu jarayon organlar va to‘qimalarda o‘smalar, shikastlanishlar yoki anomaliyalar kabi anormalliklarni aniqlash va tavsiflashda yordam beradi. qiziqish hududini aniqlashni aniqlash va segmentlash qobiliyati diagnostika, davolashni rejalashtirish va bemorning keyingi natijalarining aniqligini yaxshilaydi. Tibbiy tasvirlardan mazmunli ma ‘lumotlarni olish uchun tasvirni tahlil qilish va qayta ishlash usullari qo‘llaniladi. Ushbu tasvirlar tarkibidagi katta hajmdagi ma ‘lumotlarni qayta ishlash, tahlil qilish va sharhlash uchun kompyuter algoritmlari qo‘llaniladi. Ushbu texnikalar keng ko‘lamli metodologiyalarni o‘z ichiga oladi, jumladan tasvirni yaxshilash, shovqinni kamaytirish, xususiyatlarni ajratib olish va segmentatsiya. Ushbu usullarni qo‘llash orqali sog‘liqni saqlash mutaxassislari tibbiy tasvirlardagi qiziqish hududini aniqlashlarni samarali aniqlashlari va belgilashlari mumkin.
Metodologiya. Kompyuterli ko‘rish (computer vision) va Mashinani o‘qitish (machine learning) usullari tibbiy tasvirni segmentlash va qiziqish hududini (ROI) aniqlashni soha rivojlanishida muhim qadam xisoblanadi. Kompyuterli ko‘rish algoritmlari kompyuterlarga raqamli tasvirlardan ma ‘lumotlarni ajratib olish va talqin qilish imkonini beradi, bu esa insonning vizual idrokiga taqlid qiladi.
Global segmentatsiyalash algoritmi bo‘lib, uning asosiy g‘oyasi mintaqani shakllantirish uchun piksellarning o‘xshash xususiyatlariga ega bo‘lishi muhim ahamiyatga ega xisoblanadi. Usul birinchi navbatda piksellarni tanlashni va piksel atrofidagi o‘xshash piksellarni joylashgan hududga birlashtirish orqali segmentatsiyalaydi.
1 a9ar 1(х,У) > T ( ’У) {0, aks xolda ( )
Bu yerda S(x,y) ) piksel segmentiga (1) tegishli yoki yo‘qligini (0) ko‘rsatadigan ikkilik segmentatsiya formulasi.
143
Muhammad al-Xorazmiy nomidagi TATU Farg‘ona filiali “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 1 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 1 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 1 | 2024 год
I(x,y) asl tasvirdagi (x, y) koordinatalarda pikselning intensivlik qiymati.
T-chegara qiymati hisoblanadi.
Kiruvchi tasvir Segmentatsiyalashdan hosil bo'lgan tasvir
3-rasm. Global bo’sag’aga asoslangan segmentatsiyalash usulidan olingan natija.
Chegaraga asoslangan segmentatsiyaning birinchi bosqichi tasvirning gradientini hisoblashni o‘z ichiga oladi. Gradient har bir pikselda intensivlikning o‘zgarish tezligini ifodalaydi.
a = J(Gxy + (Gy)2 (2)
Bu yerda Gx va Gy tasvir intensivligining x va y yo‘nalishlariga nisbatan qisman hosilalaridir.
Gradient yo‘nalishi (i) har bir pikselda chekka aniqlash uchun ham muhimdir. Bu qirralarning yo‘nalishini aniqlashga yordam beradi.
(G
i=arctart(J£ (3) Gradient yo‘nalishi uchun
(Gy
formula
Segmen,
4-rasm. Edge-Based tasvirlarni
segmentatsiyalash usulida olingan tasvir.
Mashinali o‘qitish algoritmlari kompyuterlarga tajriba orqali o‘rganish va ish faoliyatini yaxshilash imkonini beradi. Tibbiy tasvirni segmentlashning ananaviy usullari asosan radiologlar yoki boshqa tibbiyot mutaxassislarining qo‘lda aralashuviga tayangan. Ushbu usullar ko‘p vaqt talab qiladigan va kuzatuvchilar o‘rtasidagi va ichki o‘zgaruvchanlikka moyil bo‘lib, nomuvofiq natijalarga olib keldi. Avtomatik tibbiy tasvirlarni segmentlash usullari
paydo bo‘lishi bilan jarayon tezroq, aniqroq va inson tajribasiga kamroq bog‘liq bo‘ldi. Segmentlash algoritmlari ko‘plab etiketli tibbiy tasvirlardan o‘rganish va qiziqish hududini avtomatik ravishda aniqlash va segmentlash uchun kompyuterni ko‘rish, mashinali o‘qitish va chuqur o‘qitish usullaridan foydalanadi.
Tibbiy tasvirni segmentlash uchun chuqur o‘rganish algoritmlari
Tasvirni tahlil qilish va qayta ishlash tibbiy tasvirning ajralmas qismi bo‘lib, tibbiy tasvirlardan qimmatli ma ‘lumotlarni olish imkonini beradi. Tasvirni tahlil qilish usullari shovqinni kamaytirish, kontrastni yaxshilash va tasvirni ro‘yxatga olish kabi tibbiy tasvirlarning sifati va izchilligini yaxshilaydigan dastlabki ishlov berish bosqichlarini o‘z ichiga oladi. Ulardan Global bo‘sag‘aga asoslangan usul, Edge-Based , Watershed Algoritmli segmentatsiya, Grafikga asoslangan segmentatsiya, Markov tasodifiy maydonlari, Chuqur o‘rganishga asoslangan segmentatsiya, Mean-Shift Algorithmi, Fuzzy C-Means, Ko‘p o‘lchamli segmentatsiya usullarni keltirish mumkin. Ushbu tasvirni segmentlash va qayta ishlash algoritmlarining barchasi Qiziqish hududini (ROI) aniqlash uchun juda muhim va klassik tibbiy tasvir segmentatsiyasining asosini tashkil qiladi. Tasvirni tahlil qilish qiziqish hududini aniqlash va tavsiflashga yordam beradigan filtrlash, qirralarni aniqlash va xususiyatlarni ajratib olish kabi usullarni o‘z ichiga oladi. tasvirni qayta ishlash texnikasi tibbiy tasvirlar sifatini oshirish, shovqinni kamaytirish va kontrastni yaxshilashga qaratilgan. Ushbu usullar tibbiy tasvirni avtomatik segmentlash bilan birgalikda sog‘liqni saqlashni o‘zgartirishda hal qiluvchi rol o‘ynaydi. Mashinani o‘rganishning kichik to‘plami bo‘lgan chuqur o‘rganish algoritmlari tibbiy tasvirlarni segmentlashda juda mashhur bo‘ldi. Ushbu algoritmlar tibbiy tasvirlardan xususiyatlarni avtomatik ravishda o‘rganish va ajratib olish uchun sun ‘iy neyron tarmoqlardan foydalanadi. Konvolyutsion neyron tarmoqlari (CNN) tibbiy tasvirlar ichida qiziqish hududini aniqlashni aniqlash va segmentlashda ayniqsa samaralidir. Chuqur o‘rganish algoritmlarining katta hajmdagi ma ‘lumotlardan o‘rganish qobiliyati
144
Muhammad al-Xorazmiy nomidagi TATU Farg‘ona filiali “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 1 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 1 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 1 | 2024 год
ularning qiziqish hududini aniqlash aniqlashda aniqligi va aniqligini oshiradi.
Tasvirlarni segmentlashda modallikka xos algoritmlar
Tibbiy ko‘rish rentgen, KT, MRT, PET va ultratovush kabi turli usullarni o‘z ichiga oladi. Har bir modallik qiziqish hududini aniqlash aniqlash uchun ixtisoslashtirilgan algoritmlarni talab qiladi, chunki tasvir xususiyatlari va olish texnikasi farqlanadi. Modallikka xos algoritmlar har bir tasvirlash usulida qiziqish hududini aniqlash identifikatsiyasini optimallashtirish, aniq tashxis va davolashni rejalashtirishni ta ‘minlash uchun mo‘ljallangan. Modalga xos algoritmlarga qo‘shimcha ravishda, turli organlar, to‘qimalar, shikastlanishlar va o‘smalar ichidagi qiziqish hududini aniqlashlarni aniqlash uchun anatomiyaga xos algoritmlar qo‘llaniladi. Ushbu algoritmlar o‘ziga xos anatomik tuzilmalarning o‘ziga xos xususiyatlari va shakllarini hisobga oladi, bu esa qiziqish hududini aniqlashni aniq aniqlash imkonini beradi. Anatomiyaga xos algoritmlarni qo‘llash orqali sog‘liqni saqlash mutaxassislari samarali diagnostika va davolashda yordam beradigan muayyan hududlar haqida batafsil ma ‘lumotga ega bo‘lishlari mumkin.
Ahamiyatga ega naqsh hududlarini aniqlash algoritmlarini o‘rganish metodologiyasiga qarab har xil turlarga bo‘lish mumkin. Nazorat ostidagi o‘rganish algoritmlari tibbiy tasvirlardagi turli qiziqish hududini aniqlashlarni o‘rganish va tasniflash uchun etiketli o‘quv ma ‘lumotlarini talab qiladi. Boshqa tomondan, nazoratsiz o‘rganish algoritmlari naqshlarni aniqlaydi va etiketli ma ‘lumotlarga ehtiyoj sezmasdan o‘xshash qiziqish hududini aniqlashlarni guruhlaydi. Boshqa algoritm turlariga xususiyatlarni ajratib olishda ustun bo‘lgan CNN, intensivlik qiymatlari asosida qiziqish hududini aniqlashni ajratuvchi chegara algoritmlari va o‘xshash piksellarni birga guruhlaydigan klasterlash algoritmlari kiradi.
Qiziqish hududini aniqlash algoritmlarining samaradorligini baholash uchun turli xil ishlash ko‘rsatkichlari qo‘llaniladi. Algoritmning ishlashini o‘lchash uchun odatda aniqlik, aniqlik, eslab qolish, sezgirlik va o‘ziga xoslik qo‘llaniladi. Aniqlik qiziqish hududini aniqlashni aniqlashning umumiy to‘g‘riligini
aniqlaydi, aniqlik va eslab qolish algoritmning tegishli ravishda qiziqish hududini aniqlashni to‘g‘ri aniqlash va chiqarib tashlash qobiliyatini baholaydi. Sezuvchanlik algoritmning haqiqiy pozitivlarni aniqlash qobiliyatini o‘lchaydi, o‘ziga xoslik esa haqiqiy salbiylarni istisno qilish qobiliyatini belgilaydi.
Natijalar. Tibbiy tasvirni segmentlash va qiziqish hududi(ROI)ni aniqlashdagi yutuqlarga qaramay, bir qator muammolar saqlanib qolmoqda. Tasvir sifati, shovqin, anatomik murakkablik va bemorlar o‘rtasidagi o‘zgaruvchanlik aniq qiziqish hududini aniqlash identifikatsiyasiga erishish uchun katta qiyinchiliklar tug‘diradi.
Solishtirma tahlil
Algoritm Turi Afzalliklar Kamchiliklari
Global Intensivlikka Oddiy va Shovqinga
bo’sag’aga asoslangan hisoblashda sezgir
asoslangan segmentatsiyalash samarali
usuli To‘g‘ridan- - Qo‘lda
to‘g‘ri chegara
amalga tanlashni talab
oshirish qilishi mumkin
Ikkilik
segmentatsiya
uchun samarali
Mean-Shift Klasterlash Klasterlar - Katta ma
sonini ‘lumotlar
ko‘rsatish to‘plami
shart emas uchun hisoblash intensivligi
Noto‘g‘ri Yadro
shaklli tarmoqli
klasterlarga kengligi
yaxshi tanloviga
moslashadi sezgir
1-jadval. Global bo’sag’aga asoslangan segmentatsiyalash usuli va Mean-Shift usullarining solishtirma tahlili
Aniqlikni oshirishning kelajakdagi yo‘nalishlari tasvir sifatidagi o‘zgarishlarni bartaraf eta oladigan yanada mustahkam algoritmlarni ishlab
145
Muhammad al-Xorazmiy nomidagi TATU Farg‘ona filiali “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 1 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 1 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 1 | 2024 год
chiqish, ko‘p modali tasvirlash usullarini birlashtirish va kattaroq va turli xil o‘quv ma ‘lumotlar to‘plamlaridan foydalanishni o‘z ichiga oladi. Texnologiyaning rivojlanishi bilan biz avtomatik segmentatsiya algoritmlarining aniqligi, samaradorligi va qo‘llanilishining yanada yaxshilanishini kutishimiz mumkin. Magnit-rezonans tomografiya (MRT), pozitron emissiya tomografiyasi (PET) va ultratovush kabi boshqa tibbiy tasvirlash usullari bilan integratsiya avtomatik segmentatsiya ko‘lamini kengaytiradi va ko‘p modal tahlilni amalga oshiradi. Segmentatsiyaning sun’iy intellekt va katta ma ‘lumotlar tahlili bilan kombinatsiyasi shaxsiylashtirilgan tibbiyot va aniq sog‘liqni saqlash uchun ulkan imkoniyatlarga ega.
Xulosa. Tibbiy tasvirlarni segmentlash ko‘plab tibbiy masalalarni yechishga yordam beradi va sog‘liqni saqlash sohalaridagi bir qancha yo‘nalishdagi muammolarni hal qilishda muhim ahamiyat kasb etadi. Birinchidan, bu inson omili bog‘liqligini kamaytiradi, sog‘liqni saqlash xodimlarining vaqt va kuchini tejaydi. Bu ularga diagnostika, davolashni rejalashtirish va bemorni davolash uchun aniq tashxislash imkonini beradi. Segmentatsiya usullari izchil va takrorlanadigan natijalarni beradi, bu esa bo‘ylama tadqiqotlar va vaqt o‘tishi bilan bemor ma ‘lumotlarini taqqoslash uchun juda muhimdir. Tibbiy tasvir segmentatsiyasining ba ‘zi o‘ziga xos kasallik o‘smalarni aniqlash va monitoringini, miya tasvirini tahlil qilishni, yurak-qon tomir tasvirini va mushak-skelet tizimini tahlil qilishni o‘z ichiga oladi
Foydalanilgan adabiyotlari
1. Yanhui Guo, Amira S. Ashour. “11 -Neutrosophic sets in dermoscopic medical image segmentation”. Neutrosophic Set in Medical Image Analysis 2019, Pages 229-243
2. Jin, S., Yu, S., Peng, J. et al. A novel
medical image segmentation approach by using multi-branch segmentation network based on local and global information synchronous learning. Sci Rep 13, 6762 (2023).
https://doi.org/10.1038/s41598-023-33357-y
3. Kong Z, Li T, Luo J, Xu S. Automatic
Tissue Image Segmentation Based on Image Processing and Deep Learning. J Healthc Eng. 2019 Jan 31;2019:2912458. doi: 10.1155/2019/2912458. PMID: 30838122;
PMCID: PMC6374831.
4. Sharma N, Aggarwal LM. Automated
medical image segmentation techniques. J Med Phys. 2010 Jan;35(1):3-14. doi: 10.4103/0971-6203.58777. PMID: 20177565; PMCID:
PMC2825001.
5. Li, Mengfang, and Yanzhou Zhang. "Medical image analysis using deep learning algorithms." Frontiers in Public Health 11 (2023): 1273253.
6. Vigueras-Guillen, Juan P., et al. "Automatic detection of the region of interest in corneal endothelium images using dense convolutional neural networks." Medical Imaging 2019: Image Processing. Vol. 10949. SPIE, 2019.
146
