KT TASVIRLARIDA O'PKA TUGUNLARINI SEGMENTATSIYA QILISH UCHUN SUN'IY INTELLEKT YONDASHUVLARINING SAMARADORLIGI

INTERNATIONAL CONFERENCE ON MEDICINE, SCIENCE, AND EDUCATION Volume 02, Issue 10, 2025 248 INTERNATIONAL CONFERENCE ON MEDICINE, SCIENCE, AND EDUCATION universalpublishings.com KT TASVIRLARIDA O‘PKA TUGUNLARINI SEGMENTATSIYA QILISH UCHUN SUN’IY INTELLEKT YONDASHUVLARINING SAMARADORLIGI Normo‘minov Akbar Kamol o‘g‘li Muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti e-mail: [email protected] Annotatsiya O‘pka tugunlarini aniqlash va segmentatsiya qilish o‘pka saratonini erta bosqichda tashxislashda muhim ahamiyatga ega. KT tasvirlari diagnostikada keng qo‘llanilsa-da, ularni qo‘lda tahlil qilish ko‘p vaqt talab qiladi va subyektiv xatolarga olib kelishi mumkin. Sun’iy intellekt algoritmlari, xususan chuqur o‘rganish asosidagi segmentatsiya modellarining qo‘llanilishi bu jarayonni avtomatlashtirish imkonini beradi. Ushbu maqolada U-Net [1], Mask R-CNN [2] va 3D CNN [3] kabi yondashuvlarning samaradorligi adabiyotlar va tajriba natijalari asosida tahlil qilinadi. Kalit so‘zlar O‘pka tugunlari, KT tasvirlari, segmentatsiya, sun’iy intellekt, U-Net, Mask R-CNN, 3D CNN. Kirish O‘pka saratoni global sog‘liqni saqlash tizimida eng katta muammolardan biri bo‘lib, erta aniqlash kasallik oqibatlarini kamaytirishda muhim rol o‘ynaydi. KT tasvirlari yuqori aniqlikdagi ma’lumotlarni taqdim etsa-da, tugunlarni aniqlash murakkab jarayon bo‘lib, ko‘pincha shifokor tajribasiga bog‘liq. Shu sababli, sun’iy intellekt algoritmlaridan foydalanish diagnostika jarayonini tezlashtirish va aniqlikni oshirishda katta imkoniyatlarga ega. Metodologiya • Algoritmlar: U-Net [1], Mask R-CNN [2], 3D CNN [3] modellarining ishlash prinsiplari o‘rganildi. • Ma’lumotlar to‘plamlari: LIDC-IDRI va NLST kabi xalqaro ochiq ma’lumotlar bazalari asosida tadqiqotlar tahlil qilindi. • Baholash mezonlari: Dice koeffitsienti, IoU (Intersection over Union), sezgirlik va aniqlik ko‘rsatkichlari. • Tahlil: Har bir algoritmning afzalliklari va cheklovlari taqqoslandi. Natijalar Segmentatsiya algoritmlarining samaradorligi(1-jadval) Algoritm Dice koeffitsienti IoU Sezgirlik Aniqlik U-Net 0.87 0.82 0.85 0.90 Mask RCNN 0.93 0.87 0.88 0.91 3D CNN 0.91 0.86 0.90 0.92 Diagramma 1. Segmentatsiya natijalari (Dice va IoU ko‘rsatkichlari) INTERNATIONAL CONFERENCE ON MEDICINE, SCIENCE, AND EDUCATION Volume 02, Issue 10, 2025 249 INTERNATIONAL CONFERENCE ON MEDICINE, SCIENCE, AND EDUCATION universalpublishings.com Natijalar shuni ko‘rsatadiki: • U-Net oddiy va samarali bo‘lib, Dice koeffitsienti 0.87 ga yetgan [1]. • Mask R-CNN kichik tugunlarni aniqlashda ustunlikka ega bo‘lib, Dice 0.93 va IoU 0.87 ko‘rsatgan [2]. • 3D CNN volumetrik KT tasvirlari asosida yuqori sezgirlik va aniqlik ko‘rsatib, Dice 0.91 ga erishgan [3]. Bu natijalar KT tasvirlarida o‘pka tugunlarini segmentatsiya qilishda sun’iy intellekt algoritmlarining samaradorligini tasdiqlaydi. Har bir yondashuvning afzalliklari va cheklovlari mavjud bo‘lib, klinik amaliyotda ularni kombinatsiyalash eng samarali natijalarni berishi mumkin. Xulosa KT tasvirlarida o‘pka tugunlarini segmentatsiya qilishda sun’iy intellekt algoritmlari diagnostika jarayonini sezilarli darajada yaxshilaydi. U-Net [1] oddiy va samarali, Mask R-CNN [2] kichik tugunlarni aniqlashda ustun, 3D CNN [3] esa volumetrik tahlilda eng yaxshi natijalarni beradi. Klinik amaliyotda ushbu yondashuvlarni kombinatsiyalash eng yuqori samaradorlikka olib kelishi mumkin. Adabiyotlar 1. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI, 2015. 2. He K, Gkioxari G, Dollár P, Girshick R. Mask R-CNN. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017. INTERNATIONAL CONFERENCE ON MEDICINE, SCIENCE, AND EDUCATION Volume 02, Issue 10, 2025 250 INTERNATIONAL CONFERENCE ON MEDICINE, SCIENCE, AND EDUCATION universalpublishings.com 3. Zhu W, Liu C, et al. Deep learning for lung cancer detection on CT images. Medical Image Analysis, 2018. 4. Menglu Liu, Junyu Dong, Xinghui Dong, Hui Yu, Lin Qi. Segmentation of Lung Nodule in CT Images Based on Mask R-CNN. Ocean University of China & University of Portsmouth, 2023. 5. Lijia Zhi, Wujun Jiang, Shaomin Zhang, Tao Zhou. Deep neural network pulmonary nodule segmentation methods for CT images: Literature review and experimental comparisons. Computers in Biology and Medicine, 2023