КОМПЬЮТЕР КЎРИШ ОРҚАЛИ ВИРУСЛИ ГЕПАТИТ B НИ АНИҚЛАШДА САМАРАЛИ МОДЕЛЛАР

RESEARCH AND EDUCATION ISSN: 2181-3191 VOLUME 4 | ISSUE 9 | 2025 Multidisciplinary Scientific Journal October, 2025 55 DOI: https://doi.org/10.5281/zenodo.17503264 КОМПЬЮТЕР КЎРИШ ОРҚАЛИ ВИРУСЛИ ГЕПАТИТ B НИ АНИҚЛАШДА САМАРАЛИ МОДЕЛЛАР Турғунов Aброржон Махаматсолиевич PhD, доцент, Муҳаммад ал-Хоразмий номидаги Тошкент ахборот технологиялари университети, [email protected] Худойқулов Қувондиқ Ойбек ўғли FullStack Software Engineer [email protected] Аннотация: Вирусли гепатит B бутун дунё бўйлаб кенг тарқалган ва миллионлаб одамларни қамраб олган муҳим соғлиқни сақлаш муаммосидир. Касалликни ўз вақтида ва аниқ аниқлаш уни самарали даволаш ҳамда асоратларини олдини олишда муҳим аҳамиятга эга. Сўнгги йилларда компьютер кўриш технологиялари тиббий тасвирларни автоматик таҳлил қилишда юқори самара кўрсатмоқда. Мазкур тадқиқотда гепатит B ни аниқлашда қўлланилаётган турли компьютер кўриш моделлари таҳлил қилинган. Мақолада моделларнинг архитектураси, ўқитиш жараёни, маълумотлар тўплами ва самарадорликни баҳолаш усуллари кўриб чиқилган. Шу билан бирга, мавжуд чекловлар ва келгусидаги илмий йўналишлар ҳам муҳокама қилинган. Компьютер кўриш технологияларидан фойдаланиш вирусли гепатит B ни эрта ва аниқ аниқлаш имконини бериб, касалликни самарали бошқариш ва даволашга замин яратади. Калит сўзлар: компьютер кўриш, вирусли гепатит B, трансфер ўқитиш, тасвир сегментацияси, ансамбль моделлар, тиббий тасвирларни таҳлил қилиш. Аннотация: Вирусный гепатит B является одной из наиболее распространённых проблем здравоохранения во всём мире, поражающей миллионы людей. Своевременное и точное выявление заболевания играет важную роль в его эффективном лечении и предотвращении осложнений. В последние годы технологии компьютерного зрения демонстрируют высокую RESEARCH AND EDUCATION ISSN: 2181-3191 VOLUME 4 | ISSUE 9 | 2025 Multidisciplinary Scientific Journal October, 2025 56 эффективность в автоматическом анализе медицинских изображений. В данном исследовании проанализированы различные модели компьютерного зрения, применяемые для обнаружения гепатита B. В статье рассмотрены архитектура моделей, процесс обучения, набор данных и методы оценки эффективности. Кроме того, обсуждаются существующие ограничения и перспективные направления дальнейших исследований. Использование технологий компьютерного зрения позволяет обеспечить раннее и точное выявление вирусного гепатита B, что способствует эффективному контролю и лечению заболевания. Ключевые слова: компьютерное зрение, вирусный гепатит B, перенос обучения, сегментация изображений, ансамблевые модели, анализ медицинских изображений. Abstract: Viral hepatitis B is a major global public health issue that affects millions of people worldwide. Timely and accurate detection of the disease is essential for effective treatment and prevention of complications. In recent years, computer vision technologies have shown high efficiency in the automated analysis of medical images. This study analyses various computer vision models used for the detection of hepatitis B. The paper discusses the architecture of the models, the training process, datasets, and performance evaluation methods. In addition, it highlights current limitations and potential future research directions. The use of computer vision technologies enables early and accurate detection of viral hepatitis B, contributing to effective disease management and treatment. Keywords: computer vision, viral hepatitis B, transfer learning, image segmentation, ensemble models, medical image analysis. Вирусли гепатит B бутун дунёда жиддий соғлиқни сақлаш муаммоси ҳисобланади. Ҳисоб-китобларга кўра, дунё бўйича тахминан 257 миллион киши доимий (хроник) гепатит B инфекцияси билан яшамоқда. Гепатит B ни ўз вақтида ва аниқ аниқлаш касалликни самарали бошқариш, унинг юқишини олдини олиш ҳамда цирроз ва жигар ҳужайравий саратони (гепатоцеллюляр карцинома) каби асоратларни камайтириш учун жуда муҳимдир. Анъанавий диагностик усуллар - серологик таҳлиллар ва жигар биопсияси - ҳаражатлар, инвазивлик ва субъективлик жиҳатидан маълум чекловларга эга. Сўнгги йилларда компьютер кўриш технологиялари тиббий тасвирларни автоматик ва объектив таҳлил қилиш учун истиқболли восита сифатида намоён бўлди. Бу усуллар гепатит B ни аниқлаш ва ташхис қўйишда янги имкониятларни яратади. RESEARCH AND EDUCATION ISSN: 2181-3191 VOLUME 4 | ISSUE 9 | 2025 Multidisciplinary Scientific Journal October, 2025 57 Компьютер кўриш - сунъий интеллектнинг бир соҳаси бўлиб, визуал маълумотлардан мазмунли ахборотни ажратиб олиш учун алгоритмларни ўқитишга қаратилган. Бу технологияни тиббий тасвирларга татбиқ этиш орқали тадқиқотчилар ва шифокорлар машинали ўқитиш алгоритмларининг имкониятларидан фойдаланиб, ультраовоз (УЗИ), компьютер томографияси (КТ) ёки магнит-резонанс томографияси (МРТ) орқали олинган жигар тасвирларида гепатит B билан боғлиқ шакллар, аномалиялар ва хусусиятларни аниқлай оладилар. Бу эса ташхисни тез ва аниқ қўйиш имконини бериб, беморларнинг соғайиш натижаларини яхшилайди. Ушбу мақолада вирусли гепатит B ни аниқлашда қўлланиладиган турли компьютер кўриш моделларининг самарадорлиги ўрганилган. Моделларнинг архитектураси, ўқитиш жараёни ва самарадорлигини баҳолаш усуллари, хусусан, жигар тасвирларини таҳлил қилишдаги қўлланилиши таҳлил қилинган. КОНВОЛЮЦИОН НЕЙРОН ТАРМОҚЛАР (CNN) Конволюцион нейрон тармоқлар (CNN) компьютер кўриш соҳасида, жумладан тиббий тасвирларни таҳлил қилишда ҳам, юқори самара кўрсатган. Бу моделлар жигарнинг ультраовоз (УЗИ), компьютер томографияси (КТ) ёки магнит-резонанс томографияси (МРТ) тасвирлари асосида гепатит B билан боғлиқ махсус шакллар ва хусусиятларни аниқлаш учун ўқитилиши мумкин. CNN моделлари жигарни сегментация қилиш, шикастланишларни (лезияларни) аниқлаш ва гепатит B билан боғлиқ жигар ўзгаришларини туркумлаш (классификация қилиш) вазифаларида қўлланилган [1]. CNN моделлари бир нечта ўзаро боғланган қатламлардан ташкил топган бўлиб, улар қаторидан конволюцион қатламлар, пулинг (агрегатлаш) қатламлар ва тўлиқ боғланган қатламлар ўрин олади. Конволюцион қатламлар асосий функцияни бажаради - яъни кирувчи тасвирларни ўрганиладиган фильтрлар (ядролар ёки хусусият аниқлагичлар) билан конволюция қилиш орқали таҳлил қилади. Бу фильтрлар тасвирдан маҳаллий шакллар ва муҳим хусусиятларни ажратиб олади. Пулинг қатламлар эса ажратилган хусусиятларнинг фазовий ўлчамларини қисқартиради, уларнинг асосий хусусиятларини сақлаган ҳолда ҳисоблаш мураккаблигини камайтиради ва таржимага нисбатан барқарорликни (translation invariance) таъминлайди. Тўлиқ боғланган қатламлар тармоқнинг охирги қисмида жойлашган бўлиб, улар юқори даражадаги хусусиятларни бирлаштириб, прогноз ёки классификация натижасини шакллантиради. RESEARCH AND EDUCATION ISSN: 2181-3191 VOLUME 4 | ISSUE 9 | 2025 Multidisciplinary Scientific Journal October, 2025 58 1-расм. Конволюцион алгоритм. ОЛДИНДАН ЎҚИТИЛГАН МОДЕЛЛАР БИЛАН ТРАНСФЕР ЎҚИТИШ Трансфер ўқитиш - бу катта ҳажмдаги маълумотлар тўпламида аввалдан ўқитилган моделлардан фойдаланиш жараёнидир. VGG, ResNet ёки Inception каби моделлар дастлаб умумий тасвирларни таниб олиш вазифаларида ўқитилган бўлади. Ушбу моделларни гепатит B га оид махсус маълумотлар тўпламида қўшимча равишда мослаштириш (fine-tuning) орқали улар ўрганган хусусиятлардан фойдаланиш ва чекланган миқдорда белгиланган маълумотлар билан ҳам юқори аниқликка эришиш мумкин. Трансфер ўқитишнинг моҳияти шундаки, у аввалдан ўқитилган модел томонидан ўрганилган билимлар ва тасвирларнинг ифодасини (representation) янги вазифага татбиқ этишдан иборат. Оддатда, бу модел - чуқур нейрон тармоқ бўлиб, у ImageNet каби миллионлаб белгиланган тасвирлардан иборат катта маълумотлар базасида ўқитилган бўлади. Янги маълумотлар тўпламида моделни нолдан (from scratch) ўқитиш ўрнига, трансфер ўқитиш усулида аввалдан ўқитилган моделнинг вазнлари (weights) қайта ишлатилади. Шу билан бирга, моделнинг айрим қатламлари қайта ўқитилади ёки янги қатламлар қўшилиб, уни янги вазифага мослаштириш амалга оширилади [2]. RESEARCH AND EDUCATION ISSN: 2181-3191 VOLUME 4 | ISSUE 9 | 2025 Multidisciplinary Scientific Journal October, 2025 59 2-расм. Олдиндан ўқитилган модель билан трансфер ўқитиш. ТАСВИР СЕГМЕНТАЦИЯСИ МОДЕЛЛАРИ Тасвир сегментацияси жигар тасвирларида зарарланган соҳаларни аниқ жойлаштириш ва уларни аниқлашда жуда муҳим аҳамиятга эга. U-Net, Mask RCNN ёки FCN (Fully Convolutional Network) каби моделлар жигарни сегментация қилиш ва гепатит B билан боғлиқ шикастланган тузилмаларни (лезияларни) аниқлаш учун қўлланилиши мумкин. Бу моделлар ҳар бир пикселга тегишли белгини (label) бериб, қизиқиш соҳаларини (regions of interest) аниқ ва аниқ жойлаштириш имконини яратади. Тасвир сегментацияси моделларининг асосий мақсади - тасвирдаги ҳар бир пикселга тегишли белги ёки синфни тайинлаш орқали тасвирни турли ҳудудлар ёки сегментларга ажратишдан иборат. Бундай моделлар, одатда, конволюцион нейрон тармоқлар (CNN) архитектурасига асосланади. CNN тармоқлари кириш тасвиридан иерархик (сатҳма-сатҳ) хусусиятларни ажратиб олиш учун ишлатилади, сўнгра қўшимча қатламлар орқали пиксел даражасида классификация (туркумлаш) амалга оширилади [3]. RESEARCH AND EDUCATION ISSN: 2181-3191 VOLUME 4 | ISSUE 9 | 2025 Multidisciplinary Scientific Journal October, 2025 60 3-расм. Жигар тасвирларини сегментация қилиш моделлари. ENSEMBLE МОДЕЛЛАРИ Ensemble моделлари бир нечта алоҳида моделларнинг прогнозларини бирлаштириб, умумий самарадорликни оширишга қаратилган. Турли моделлар, масалан CNN, SVM ёки decision tree каби моделлар чиқарган натижаларни бирлаштириш орқали ҳар бир моделнинг кучли жиҳатларидан фойдаланиш ва яхшироқ аниқликка эришиш мумкин. Ensemble моделлари бир нечта алоҳида моделларни, одатда асосий моделлар (base models) ёки кучсиз ўргатувчилар (weak learners) деб аталадиган моделларни ўқитиш орқали ишлайди ва сўнгра уларнинг прогнозлари бирлаштирилиб, охирги қарор қабул қилинади. Ҳар бир алоҳида модел бир хил маълумотлар тўпламида, лекин турли алгоритм, маълумотлар тўпламининг турли қисмлари ёки турли хусусиятлар (feature representations) асосида ўқитилади. Шундан сўнг, ensemble моделлар турли техникалар, масалан овоз бериш (voting), ўртача чиқариш (averaging) ёки оғирликли ўртача чиқариш (weighted averaging) орқали алоҳида моделларнинг прогнозларини бирлаштириб, охирги прогнозни ҳосил қилади [4]. RESEARCH AND EDUCATION ISSN: 2181-3191 VOLUME 4 | ISSUE 9 | 2025 Multidisciplinary Scientific Journal October, 2025 61 4-расм. Ensemble моделлар алгоритми. Ensemble моделлари турли соҳаларда, жумладан классификация, регрессия ва аномалияларни аниқлашда муваффақиятли қўлланилган. Улар рақобатларда ва реал амалиётда кенг қўлланилади, чунки улар самарадорлик ва барқарорликни сезиларли даражада ошириш имконига эга. Бироқ, ensemble моделлари алоҳида моделларга нисбатан ҳисоблаш жиҳатидан қимматга тушиши мумкин, чунки улар бир нечта моделларни ўқитиш ва бирлаштиришни талаб қилади. Шунингдек, самарали ensemble яратиш учун моделларнинг турлилиги, моделларни танлаш ва ensemble комбинация техникаларига диққат билан ёндашиш зарур [5, 6]. Шунга қарамай, ensemble моделларининг афзалликлари кўпинча уларнинг юқори мураккаблиги ва ҳисоблаш талабларидан устун келади, бу уларни машина ўрганишда қимматли воситага айлантиради. ХУЛОСА Хулоса қилиб айтадиган бўлсак, ensemble моделлари, тасвир сегментацияси моделлари, олдиндан ўқитилган моделлар билан трансфер ўқитиш ва конволюцион нейрон тармоқлари (CNN) турли амалиётларда қўлланилиши машина ўрганиш ва компьютер кўриш соҳасини сезиларли даражада ривожлантирди. Ҳар бир модел ўзининг уникал афзалликлари ва RESEARCH AND EDUCATION ISSN: 2181-3191 VOLUME 4 | ISSUE 9 | 2025 Multidisciplinary Scientific Journal October, 2025 62 камчиликларига эга бўлиб, муайян вазифага мос келадиган ёндашувни танлашда инобатга олиниши керак. Ensemble моделлари бир нечта алоҳида моделларнинг прогнозларини бирлаштириш орқали аниқлик ва генерализацияни яхшилайди. Аммо улар қўшимча мураккаблик ва ҳисоблаш талабларини олиб келади, шунингдек модел турлилиги ва комбинация техникаларини диққат билан кўриб чиқиш зарур, акс ҳолда overfitting хавфи юзага келиши мумкин. Тасвир сегментацияси моделлари пиксел даражасидаги классификацияда юқори натижалар беради ва объектларни аниқ жойлаштириш ва таниб олиш имконини яратади. Улар маконлараро муносабатларни чуқур тушунишни таъминлайди ва кенг қўлланиш имкониятига эга. Аммо улар ҳисоблаш жиҳатидан оғир, катта ҳажмдаги белгиланган маълумотларни талаб қилади ва модельда сезиларли ўзгаришлар киритишда барқарорлик чекланган бўлиши мумкин. Олдиндан ўқитилган моделлар билан трансфер ўқитиш янги вазифаларда мавжуд билимдан самарали фойдаланишга имкон беради. У ўқитиш вақтини ва маълумот талабини камайтиради, шунингдек генерализацияни яхшилайди. Аммо трансфер ўқитишнинг муваффақияти олдиндан ўқитилган ва янги вазифалар ўртасидаги ўхшашликка боғлиқ ва олдиндан ўқитилган моделдан мерос бўлган bias’лар инобатга олиниши керак. Конволюцион нейрон тармоқлари (CNN) визуал маълумотларни таҳлил қилиш учун махсус ишлаб чиқилган ва турли компьютер кўриш вазифаларида замонавий натижаларга эришган. Улар макон ва маҳаллий боғлиқликларни самарали ўзлаштиради ва иерархик хусусиятларни автоматик ўрганади. Аммо улар ҳисоблаш жиҳатидан оғир, катта ҳажмдаги белгиланган маълумотларни талаб қилади ва мураккаб архитектураларни талқин қилиш қийин бўлиши мумкин. Хулоса қилиб айтганда, кўриб чиқилган моделлар - ensemble моделлари, тасвир сегментацияси моделлари, олдиндан ўқитилган моделлар билан трансфер ўқитиш ва CNN - ҳар бири ўзининг кучли ва заиф томонларига эга. Мос моделни танлаш вазифанинг махсус талаблари, мавжуд ресурслар ва кутилган натижага боғлиқ. Бу моделларнинг афзалликлари ва камчиликларини тушуниш турли машина ўрганиш ва компьютер кўриш илова соҳаларида оқилона қарор қабул қилиш ва оптимал натижаларга эришишга ёрдам беради. RESEARCH AND EDUCATION ISSN: 2181-3191 VOLUME 4 | ISSUE 9 | 2025 Multidisciplinary Scientific Journal October, 2025 63 ФОЙДАЛАНИЛГАН АДАБИЁТЛАР 1. Zhiqi Guo.,Xiaoyi Lv., Long Yu., Zhaoxia Zhang &Shengwei Tian. Identification of hepatitis B using Raman spectroscopy combined with gated recurrent unit and multiscale fusion convolutional neural network// An International Journal for Rapid Communication, Volume 53, 2020 - Issue 4. 2. Mehdi Hassan., Muhammad Saleem., Syed Fahad Tahir., Safdar Ali. Deep transfer learning based hepatitis B virus diagnosis using spectroscopic images // International Journal of Imaging Systems and Technology, 2020 - Issue 7. 3. V.Vanitha., D.Akila. Image Segmentation and classification Hepatitis viral infection in human blood smear with a hybrid algorithm combining Naive Bayes Classifier // Turkish Journal of Computer and Mathematics Education, Volume 12, 2021 - Issue 11. 4. Mohammad Mahdi Majzoobi., Sepideh Namdar., Roya Najafi-Vosough., Ali Abbas Hajilooi., Hossein Mahjub. Prediction of Hepatitis disease using ensemble learning methods//Journal of Preventive Medicine and Hygiene,Volume 63, 2022 - Issue 3. 5. Saidalieva M., Hidirova M.B., Turgunov A.M. Qualitative analysis of equations of the regulatory of liver cells in hepatitis B // Advances in Mathematics: Scientific Journal, 2020, 9(7), -pp. 4937–4943. 6. Saidalieva M., Hidirova M.B., Turgunov A.M. Qualitative analysis of the mathematical model of regulatory mechanisms of the latent form hepatitis B viruses // 2020 International Conference on Information Science and Communications Technologies, ICISCT 2020, 2020, 9351513, -pp. 1-3.