RENTGEN TASVIRLARINING SIFATINI YAXSHILASH ALGORITMI

THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 696 RENTGEN TASVIRLARINING SIFATINI YAXSHILASH ALGORITMI Ismailov Otabek1, Temirova Xosiyat2 1TATU professor, 2TATU doctoral student. https://doi.org/10.5281/zenodo.17892700 Аbstrасt. Ushbu taklif qilinayotgan dastur asosida foydalanuvchi o‘zining xohlagan rasmini yuklab, unga turli filtrlar va kontrastni yaxshilash usullarini qo‘llash imkonini beradi. Dastur rasm ustida quyidagi amallarni bajaradi. Shovqinni kamaytirish (Noise Reduction); Kontrastni yaxshilash (Contrast Enhancement); Chekka (edge) aniqlash; Sifatni baholash (sharpness, contrast, SSIM); Natijani ko‘rish va saqlash Keywords. rentgen tasvirlari, sog‘lom aniqlash, to‘ldirishni aniqlash, chuqur o‘rganish, konvolyutsion neyron tarmoq. Dunyoda biotibbiy tasvirlarni raqamli qayta ishlash, tasvirlardagi ob’ektlarni ajratish va tanib olish usullari va algoritmlarini takomillashtirish, ishlab chiqish va joriy etishga katta e’tibor berilmoqda. So‘nggi yillarda bu sohada erishilgan yutuqlar va tasvirni qayta ishlash algoritmlarining takomillashtirilishi tasvirni identifikatsiyalashning kompyuter asosidagi analitik yondashuvlarini ishlab chiqish imkonini berdi. Tibbiy tasvirlarni tahlil qilish bo‘yicha ko‘plab tadqiqotlar o‘tkazilganligiga qaramay, ular asosan to‘qimalar va organlarga qaratilgan va tasvirlar bo‘yicha tadqiqotlarning hech biri tasvirni qayta ishlash bosqichlaridan keyin tahlilni o‘z ichiga olmaydi, ya’ni segmentatsiya, xususiyatlarni ajratib olish va tasniflash amalda amalga oshirilmaydi. Bu yo‘nalishdagi tasvir tahlilining asosiy masalalari ulardagi ob’ektlarni tasniflash, tasniflash, ularni tanib olish, naqshlarni aniqlash va ilovalar yaratish usullari va algoritmlarini ishlab chiqish. Hozirgi vaqtda ob’ektni aniqlash texnologiyalariga asoslangan ko‘plab ilovalar ishlab chiqilgan. Xorijiy mamlakatlarda, jumladan, AQSH, Xitoy, Rossiya Federatsiyasi, Fransiya, Angliya, Germaniya, Hindiston va boshqa mamlakatlarda biotibbiyot tasvirlarini oldindan qayta ishlash va tanib olish sohalarida nazariy va amaliy masalalarni yechishga katta e’tibor qaratilmoqda. Tajriba natijalari shuni ko‘rsatadiki, Yolo modeli mavjud usullarga nisbatan yuqori samaradorlik bilan yuqori aniqlikka erishadi [1]. Faster R-CNN unumdorligi ancha yuqori [2]. Bundan tashqari, zamonaviy yechim bilan solishtirganda, Yolo tezlik va aniqlik o‘rtasidagi mukammal muvozanatga erishadi, shuningdek, butun tasvirni ifodalash uchun kuchli umumlashtirish qobiliyatiga ega ob’ekt detektori [3, 4]. Yolo algoritmini takomillashtirish hali ham davom etmoqda. Yolo modeli ikki bosqichli obyekt detektorlari bilan solishtirganda aniqlash aniqligi va xulosa chiqarish vaqti jihatidan ancha yaxshi ishlaydi. YoloC Kontekstni qo‘shish Yolo faoliyatini yaxshilaydi [5]. Yolo yordamida real vaqtda ob’ektni aniqlash [6, 7]. Harakatni aniqlash va ob’ektni aniqlash. Yolo (Siz faqat bir marta qaraysiz). Yolo va uning oldingi arxitekturalari aniqlikni sezilarli darajada oshirdi. Yolo neyron tarmog'i real vaqtda ob’ektlarning bir nechta sinflarini aniqlash va kuzatish uchun ixtisoslashgan [8]. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 697 THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 698 2-rasm. Rentgen tasvirining sifatini yaxshilash algoritmi Rentgen tasvirlaridan obyektlarni aniqlash algoritmlarida ba’zi kamchiliklar mavjud, kichik obyektlarni aniqlashda qiyinchiliklar bo‘lishi mumkin. Tish tasvirlaridagi murakkab yoki o‘xshash tuzilmalarni ajratish qiyin, maxsus tayyorlangan va xilma-xil o‘quv ma’lumotlari talab qilinadi, bir-biriga yaqin joylashgan obyektlarni to‘g‘ri ajratish muammolari, rentgen tasvirlaridagi chegaralarni aniqlash. Ushbu kamchiliklarni bartaraf qilish uchun modelni yaxshilash, ma’lumotlarni kengaytirish va maxsus tayyorlangan algoritmdan foydalanish mumkin. Rentgen tasvirlaridagi obyektlar sifatini oshirish algoritmi yuqoridagi kamchiliklarni bartaraf qilish asosiy maqsad qilib qo‘yilgan. Shovqinni kamaytirish (Noise Reduction); Kontrastni yaxshilash (Contrast Enhancement); Chekka hududni (edge) aniqlash; Sifatni baholash (sharpness, contrast, SSIM); Natijani ko‘rish va saqlash. 1-jadval. Ishlatilgan texnologiyalar va kutubxonalar Texnologiya Tavsifi Python Dasturlash tili Tkinter GUI interfeys yaratish OpenCV Rasmni qayta ishlash uchun PIL (Pillow) Tkinter uchun rasm konvertatsiyasi skimage SSIM baholash uchun (tasvir sifati) cv2.imread orqali tasvir grayscale formatda yuklanadi. tasvir dasturga yuklangach, u ikkita oynada (original va qayta ishlangan) ko‘rsatiladi. Shovqinni kamaytirishda foydalanuvchi 3 xil filtrdan birini tanlashi mumkin. Median Filter: cv2.medianBlur(), Gaussian Blur: cv2. GaussianBlur(), Bilateral Filter: cv2.bilateralFilter(). Kontrastni yaxshilash CLAHE (Adaptive Histogram Equalization) cv2.createCLAHE() orqali parametrlar (clip limit, tile grid) asosida amalga oshiriladi. Oddiy Histogramni tenglashtirish cv2.equalizeHist() funksiyasi orqali amalga oshiriladi. Chekka hududni aniqlash (Edge Detection) Foydalanuvchi quyidagi algoritmlarni tanlashi mumkin Canny algoritmi: cv2.Canny(), Sobel algoritmi: cv2.Sobel() va cv2.convertScaleAbs() Sifat baholash (Quality Assessment) Sharpness (aniqlik): cv2.Laplacian(...).var() yordamida hisoblanadi, Kontrast: cv2.calcHist(...).std() orqali standart og‘ish hisoblanadi, SSIM (Structural Similarity): skimage.metrics.ssim() yordamida original va qayta ishlangan rasm o‘rtasidagi o‘xshashlik hisoblanadi. Natijani saqlash Foydalanuvchi tayyorlangan rasmni .png yoki boshqa formatda cv2.imwrite() yordamida kompyuteriga saqlab qo‘yishi mumkin. 1 – qadam. Boshlash. 2qadam. Foydalanuvchi tasvir faylini tanlaydi. 3-qadam. Agar tanlangan fayl mavjud bo‘lsa: tasvirni gray-scale rejimda yuklanadi. 4qadam. Tasvirni original va qayta ishlanadigan sifatida nusxalaydi va saqlaydi. 6-qadam. Aks holda, xatolik haqida xabar chiqaradi. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 699 7-qadam. Shovqinni kamaytirish turi tanlanadi: "Median Filter" → medianBlur; "Gaussian Blur" → GaussianBlur; "Bilateral Filter" → bilateralFilter filtrlari ishlatiladi. 8-qadam. Kontrastni yaxshilash turi tanlanadi. Agar "CLAHE": Foydalanuvchi kiritgan “clip_limit” va “tile_grid_size” o‘qiladi 9-qadam. Agar noto‘g‘ri kiritilgan bo‘lsa xato xabar beradi. 10-qadam. Aks holda, “Histogram Equalization” qo‘llanadi 11-qadamAgar “Histogram Equalization” tanlansa “equalizeHist” qo‘llanadi 12-qadam. Chekka aniqlash: Agar tasvir mavjud bo‘lsa tekshiriladi va filtrlar qo‘llanadi. 13-qadam. Chekka aniqlash usuli tanlanadi: “Canny” yoki “Sobel” 14-qadam. Oxirgi natija sifatni baholash: Agar original va qayta ishlangan tasvir mavjud bo‘lsa tekshiradi. 15-qadam. Sharpness = Laplacian yordamida aniqlanadi; 16-qadam. Kontrast = Histograma dispersiyasi orqali; 17-qadam. SSIM = original va processed tasvir orasidagi o‘xshashlik; 18-qadam. Natija ko‘rsatiladi. 19-qadam. Tasvirni nomi kiritib jpg formatda saqlash: 20-qadam. Tugash 3-rasm. Dasturning jarayondagi ko’rinishi Xulosa Rentgen tasvirlarining sifatini yaxshilash algoritmlari tibbiyotda diagnostika jarayonlarini samarali amalga oshirishda muhim ahamiyatga ega. Ushbu maqolada ko'rib chiqilgan usullar histogram tenglashtirish, filtrlar qo'llash, shovqinni kamaytirish va chuqur o'rganish texnologiyalari rentgen tasvirlarining aniqligini va ko'rinishini yaxshilash imkonini beradi. Yuqori sifatli tasvirlar, o'z navbatida, tibbiy yordam ko'rsatish jarayonini tezlashtiradi va xarajatlarni kamaytiradi. Kelajakda ushbu algoritmlarning takomillashtirilishi va yangi texnologiyalar bilan birlashtirilishi rentgen tasvirlarining sifatini oshirishda yanada samarali yechimlar taqdim etadi. Bu, shuningdek, bemorlar uchun yanada aniq va tezkor diagnostika imkoniyatlarini yaratadi. REFERENCES 1. M. Rakhimov, "Algorithm for Parallel Processing of a Speech Signal based on the Haar Wavelet," 2022 International Conference on Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan, 2022, pp. 1-4, doi: THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 700 10.1109/ICISCT55600.2022.10146906. 2. M. Musaev and M. Rakhimov, "Accelerated Training for Convolutional Neural Networks," 2020 International Conference on Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan, 2020, pp. 1-5, doi: 10.1109/ICISCT50599.2020.9351371. 3. Nasimov, R., Rakhimov, M., Javliev, S., Abdullaeva, M. (2024). Parallel Approaches to Accelerate Deep Learning Processes Using Heterogeneous Computing. In: Koucheryavy, Y., Aziz, A. (eds) Internet of Things, Smart Spaces, and Next Generation Networks and Systems. NEW2AN ruSMART 2023 2023. Lecture Notes in Computer Science, vol 14543. Springer, Cham. https://doi.org/10.1007/978-3-031-60997-8_4 4. Mekhriddin Rakhimov, Shakhzod Javliev, and Rashid Nasimov. 2024. Parallel Approaches in Deep Learning: Use Parallel Computing. In Proceedings of the 7th International Conference on Future Networks and Distributed Systems (ICFNDS '23). Association for Computing Machinery, New York, NY, USA, 192–201. https://doi.org/10.1145/3644713.3644738 5. Abdullaeva, M.I., Juraev, D.B., Ochilov, M.M., Rakhimov, M.F. (2023). Uzbek Speech Synthesis Using Deep Learning Algorithms. In: Zaynidinov, H., Singh, M., Tiwary, U.S.,Singh,D. (eds) Intelligent Human Computer Interaction. IHCI 2022. Lecture Notes in Computer Science, vol 13741. Springer, Cham. https://doi.org/10.1007/978-3-031-271991_5 6. Abdusalomov, A.B.; Safarov, F.; Rakhimov, M.; Turaev, B.; Whangbo, T.K. Improved Feature Parameter Extraction from Speech Signals Using Machine Learning Algorithm. Sensors 2022, 22, 8122. https://doi.org/10.3390/s22218122 7. M. Rakhimov, J. Elov, U. Khamdamov, S. Aminov and S. Javliev, "Parallel Implementation of Real-Time Object Detection using OpenMP," 2021 International Conference on Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan,2021, pp. 1-4, doi: 10.1109/ICISCT52966.2021.9670146. 8. George, James & Hemanth, T & Raju, Joshua & Mattapallil, Johan & Naveen, N. (2023). Dental Radiography Analysis and Diagnosis using YOLOv8. 102-107. 10.1109/ICSCC59169.2023.10335023. 9. Mohan, Ramya & Arunmozhi, Rama & Rajinikanth, Venkatesan. (2023). Deep-Learning Segmentation and Recognition of Tooth in Thresholded Panoramic X-ray. 1-5. 10. 1109/WiSSCoN56857.2023.10133861. 11. M. Musaev and M. Rakhimov, "Accelerated Training for Convolutional Neural Networks," 2020 International Conference on Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan, 2020, pp. 1-5, doi: 10.1109/ICISCT50599.2020.9351371. 12. Nasimov, R., Rakhimov, M., Javliev, S., Abdullaeva, M. (2024). Parallel Approaches to Accelerate Deep Learning Processes Using Heterogeneous Computing. In: Koucheryavy, Y., Aziz, A. (eds) Internet of Things, Smart Spaces, and Next Generation Networks and Systems. NEW2AN ruSMART 2023 2023. Lecture Notes in Computer Science, vol 14543. Springer, Cham. https://doi.org/10.1007/978-3-031-60997-8_4 13. Mekhriddin Rakhimov, Shakhzod Javliev, and Rashid Nasimov. 2024. Parallel Approaches