EXOKARDIOGRAMMA TASVIRLARIGA RAQAMLI ISHLOV BERISH USULLARI VA DASTURIY VOSITALARI TAHLILI

94 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ EXOKARDIOGRAMMA TASVIRLARIGA RAQAMLI ISHLOV BERISH USULLARI VA DASTURIY VOSITALARI TAHLILI Raximov Mexriddin Fazliddinovich, PhD dotsent, Kompyuter tizimlari kafedrasi mudiri, TATU, [email protected] Djuraeva Nigora Soibjon qizi, TATU, 2-kurs tayanch doktoranti, [email protected] Annotatsiya. Ushbu ishda 32 ta exokardiogramma videolari asosida mitral stenozni avtomatik aniqlash uchun tasvirlarga raqamli ishlov berish hamda konvolyutsion neyron tarmoq (CNN) integratsiyalandi. Maʼlumotlarni kengaytirish orqali o‘qitish toʻplami ko‘paytirilib, CNN arxitekturasi 4 ta konvolyutsion blokdan iborat holda ikki sinfli klassifikatsiya uchun o‘qitildi. Model test toʻplamida 92% aniqlik va 0.26 xatolik ko‘rsatdi. Natijalar ushbu yondashuvlarning klinik tashxisda samarali yordamchi vosita bo‘lishini ko‘rsatdi. Kalit so‘zlar: mitral stenoz, exokardiogramma, raqamli tasvirlarni qayta ishlash, klassifikatsiya, konvolyutsion neyron tarmoq, avtomatlashtirilgan diagnostika. Kirish. Tasvir bu inson va mashinalar o‘rtasidagi vizual muloqot vositasi bo‘lib, u turli sohalarda axborotni uzatish, tahlil qilish va undan foydalanish imkonini yaratadi. Ularning raqamli ko‘rinishga o‘tkazilishi va sun’iy intellekt bilan integratsiyasi natijasida tasvirlar bugungi kunda insoniyat faoliyatining ajralmas qismiga aylangan. Raqamli dunyo rivojlanishi bilan tasvirlarga asoslangan texnologiyalar yanada ko‘p sohalarda qo‘llanilmoqda va yangicha imkoniyatlar ochmoqda [1]. Zamonaviy texnologiyada tasvirlar sun’iy intellekt tizimlari yordamida avtomatik tarzda tahlil qilinmoqda. Kompyuterlar tasvir orqali obyektlarni aniqlash, yuzlarni tanish, kasalliklarni aniqlash, harakatni kuzatish kabi murakkab vazifalarni bajara oladi. Bu orqali inson faoliyati yengillashadi, aniqlik oshadi, va vaqt tejaladi. Tasvirlarga raqamli ishlov berish — bu analog yoki raqamli tasvirlardan informatsiyani olish, tasvir sifatini yaxshilash, obyektlarni aniqlash va turli tahlillarni o‘tkazish imkonini beradigan ilmiy-texnik yo‘nalishdir. Tasvirlar har doim ham mukammal holatda bo‘lmaydi: unda shovqin bo‘lishi, yorug‘lik yetarli bo‘lmasligi yoki obyektlar noaniq ko‘rinishi mumkin. Shu sababli tasvirga ishlov berish yordamida tasvirdagi muhim elementlar ajratiladi, fonlar olib tashlanadi yoki vizual sifati yaxshilanadi. Bu usul kompyuterlar orqali tasvirlarni raqamli shaklda (ya’ni, piksel to‘plami sifatida) qayta ishlashni anglatadi. Har bir piksel o‘zining rang yoki yorqinlik qiymatiga ega bo‘ladi, va shu qiymatlar ustida turli algoritmlar qo‘llaniladi [2]. Exokardiogramma (ultratovush yurak tasvirlari) — bu yurak tuzilishi va funksiyasini real vaqt rejimida baholash imkonini beruvchi eng muhim va keng tarqalgan tibbiy vizualizatsiya metodlaridan biridir. Mazkur metodning afzalligi uning nisbatan arzonligi, bemor uchun xavfsizligi va yuqori klinik ahamiyatidadir. Shu sababli exokardiografiya kardiologiyada diagnostika, monitoring va davolash samaradorligini baholashda asosiy vosita sifatida qo‘llaniladi [3]. Biroq, exokardiogramma tasvirlarining sifatiga donador (speckle) shovqini, past kontrast, anatomik variatsiyalar va inson omiliga bog‘liq subyektivlik kabi muammolar sezilarli ta’sir ko‘rsatadi. Shuning uchun tasvirlarni raqamli ishlash va avtomatik tahlil qilish ehtiyoji katta ahamiyat kasb etadi. Zamonaviy raqamli algoritmlar yordamida tasvirlarni oldindan qayta ishlash, segmentatsiya, shovqinni kamaytirish, anatomik strukturalarni aniqlash va funksional 95 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ parametrlarni hisoblash imkoniyati paydo bo‘lmoqda. Bu esa diagnostika jarayonini tezlashtirish, insoniy xatolikni kamaytirish va klinik qarorlarni qo‘llabquvvatlash imkonini beradi [4]. So‘nggi yillarda raqamli ishlov berish usullari, jumladan, klassik filtratsiya, matematik morfologiya, to‘lqinli tahlil, mashinali o‘qitish va chuqur o‘qitish algoritmlari keng qo‘llanilmoqda. Masalan, shovqinni kamaytirish uchun shovqinni kamaytiruvchi anizotropik diffuziya (SRAD), median filtrlash va vayvlet shovqinni kamaytirish kabi usullar, segmentatsiya uchun esa U-Net, nnU-Net, 3D U-Net kabi konvolyutsion neyron tarmoqlar yuqori samaradorlikni ko‘rsatmoqda. Shu bilan birga, exokardiografik video kadrlarda harakatni kuzatish (speckle-tracking) va yurakning strain-parametrlarini aniqlash uchun optik oqim, blokli moslash va chuqur o‘rganishga asoslangan yondashuvlar faol o‘rganilmoqda [5]. Demak, exokardiogramma tasvirlariga raqamli ishlov berish nafaqat tasvir sifatini yaxshilash, balki yurak kasalliklarini erta va aniq tashxislash, davolash jarayonini monitoring qilish hamda shifokor qarorlarini qo‘llab-quvvatlashda muhim ilmiy-amaliy yo‘nalish sifatida qaralmoqda. Shu jihatdan, mavjud algoritmlar va dasturiy vositalarning tahlili, ularning afzalliklari va cheklovlarini o‘rganish bugungi kunda dolzarb ilmiy vazifalardan biridir. Adabiyotlar tahlili va metodologiya Emily S. Lau va boshqalar amalga oshirgan tadqiqotda 3-o‘lchovli konvolyutsion neyron tarmoqli (3D-CNN) modelni ishlab chiqdilar. Model transtorasik exokardio videolardan quyidagi parametrlarni avtomatik aniqlaydi: chap atriy bo‘yin o‘lchami (LA dimension), chap qorincha devor qalinligi, kameraning diametri (diameter) va ejeksiya fraksiyasi (LVEF). Model 64 028 ta ekokardio tekshiruvidan (27 135 bemorga tegishli) foydalanilgan retrospektiv ko‘p-muassasali maʼlumot to‘plamida o‘qitilgan [6]. Ali Madani, Ramy Arnaout, Mohammad Mofrad, Rima Arnaoutlar exokardiogramma kadrlari uchun standart koʻrinish (view) tasnifini amalga oshiruvchi chuqur neyron tarmoqqa asoslangan modelni ishlab chiqishgan. Model 15 standart exokardiogramma ko‘rinishlarini bir vaqtda ajratib bera oladi, maqolada asosiy algoritm sifatida chuqur o‘qitishga asoslangan CNN (VGG-varianti) qo‘llanilgan. CNN tarmog‘i kichik 3×3 konvolyutsion filtrlar, 2×2 max-pooling, 6 ta konvolyutsion qatlam va 2 ta to‘liq ulanma (fully-connected) qatlamdan iborat. Ularning tadqiqoti faqat exokardiogramma ko‘rinishlarini avtomatik tasniflash (ya’ni PLAX, A4C, A2C, SAX va boshqa standart ko‘rinishlarni ajratish) ga qaratilgan. Video ko‘rinish tasnifi (12 video view) bo‘yicha umumiy test aniqligi 97.8% erishgan (testda overfitting kuzatilmagan) [7]. Yongjian Yu, S.T. Acton amalga oshirgan tadqiqotda shovqinni kamaytiruvchi anizotropik diffuziya (SRAD) – ultratovush va radiolokatsion tasvirlarni qayta ishlashga mo‘ljallangan diffuziya usulining chiqarilishi keltirilgan. Lee va Frost filtrlari xususiy hosilali tenglamalar shaklida ifodalanishi mumkinligi ko‘rsatilgan, so‘ng esa SRADni shu kontekstda chegaraga sezgir anizotrop diffuziyani joriy qilish orqali hosil qilishgan. Yangi algoritmni ular sintetik va haqiqiy ultratovushli karotid arteriya tasvirlarida tekshirdik [8]. G.N. Balaji, T.S. Subashini, N. Chidambaram tadqiqotlarida exokardiogramma videolaridan avtomatik ravishda dilated cardiomyopathy (DCM) va hypertrophic cardiomyopathy (HCM) ni aniqlash hamda diagnoz qo‘yish uchun to‘liq kompyuterko‘rishi asosidagi tizim taklif qiladilar. Ishning asosiy maqsadi — donador (speckle) shovqinli va dinamik exo sekanslaridan oldindan ishlov berish, chap ventrikulni (LV) segmentatsiya qilish, undan olinadigan parametrlar va xususiyatlar asosida kasallik turini avtomatik klassifikatsiya qilishdir. Ishda avval echo videolari shovqinni kamaytirish (denoising) va tasvirni yaxshilash bosqichlaridan o‘tkaziladi; keyin har bir kadrdan chap ventrikul (LV) segmentatsiya qilinadi. Mualliflar segmentatsiyadan so‘ng LV ning funksional parametrlarini (masalan, hajm va ejeksion fraksiya — EF) hisoblashni ham bajarganlar hamda end-diastolik (ED) kadrlarni ajratib olganlar. Segmentatsiya va parametr hisoblash qadamlarini maqolada batafsil bayon qilingan [9]. 96 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ Tasvirlarga raqamli ishlov berishning bir qancha usullari mavjud quyida ularni keltirib o‘taman: Filtrlash usullari (Filtering Methods). Filtrlash tasvirdagi keraksiz shovqinlarni kamaytirish, kontrastni yaxshilash yoki silliqlik darajasini sozlash uchun ishlatiladi. Past chastotali filtrlar (masalan, Gauss filtri) tasvirdagi mayin o‘zgarishlarni saqlab, shovqinlarni yo‘qotadi. Yuqori chastotali filtrlar esa keskinlikni oshirib, obyekt chegaralarini aniqroq ko‘rsatadi. Median filtri — shovqinni yo‘qotishda keng qo‘llaniladigan nochiziqli filtr [10]. 1-rasm. [3×3] va [9×9] yordamida Gauss filtriga oid misollar Gistogramma bilan ishlov berish (Histogram Processing). Gistogramma – tasvirdagi yorqinlik darajalari taqsimotining grafik ifodasidir. Tasvir sifatini yaxshilash uchun histogramma bilan ishlash keng tarqalgan. Masalan, histogramma tekislash (equalization) yordamida tasvir kontrasti oshiriladi, ayniqsa qorong‘i yoki haddan tashqari yorug‘ tasvirlarda bu usul juda foydali. Moslashuvchan gistogrammani tekislash esa tasvirning turli qismlarida lokal kontrastni oshirishga xizmat qiladi [11]. 2-rasm. Gistogramma tekislash yordamida tasvir sifatini yaxshilash: (a) kulrang tasvir; (b) (a) tasviriga tegishli gistogramma; (c) (a) tasviriga gistogramma tekislash qo‘llanilgandan keyin olingan natijaviy tasvir; (d) (c) tasvirining gistogrammasi. Chegara aniqlash usullari (Edge Detection). Tasvirdagi obyektlar chegarasini aniqlash tahlilning muhim bosqichidir. Chegaralar odatda piksel qiymatlaridagi o‘zgarishlar orqali belgilanadi. Eng mashhur usullar: Sobel, Prewitt, Roberts, va Canny algoritmi. Ayniqsa Canny edge detector aniqlik va shovqinga chidamlilik nuqtai nazaridan eng mukammal hisoblanadi. Chegaralarni topish segmentatsiya va obyekt tanib olish jarayonlariga asos bo‘ladi [10]. Geometrik o‘zgarishlar (Geometric Transformations). Tasvirlarni burish, aylantirish, cho‘zish yoki qayta o‘lchash kabi geometrik o‘zgarishlar turli texnik maqsadlarda ishlatiladi. Masalan, chiziqli o‘zgarishlar yordamida tasvirni muvofiq holga keltirish (alignment), perspektiva transformatsiyasi orqali esa uch o‘lchamli ko‘rinish imitatsiyasi yaratish mumkin. Bu usullar, ayniqsa sun’iy ko‘rish tizimlarida obyektlarni turli rakurslardan aniqlashda foydalidir. Tasvirni silliqlashtirish va aniqlashtirish (Smoothing and Sharpening). Silliqlashtirish — tasvirdagi noaniqlik va shovqinlarni yo‘qotadi, aniqlashtirish esa tasvir chegaralarini ko‘proq ajratib ko‘rsatadi. Silliqlashtirish uchun Gauss filtri, Box filter ishlatiladi, aniqlashtirish uchun esa Laplacian, Unsharp Masking kabi usullar qo‘llaniladi. Bu ikki usul muvozanatli ishlatilganda, tasvir sifatini sezilarli darajada oshirish mumkin [12]. Tasvirni segmentatsiyalash usullari (Image Segmentation Methods). Segmentatsiya — tasvirni bir necha mantiqiy qismlarga ajratish usulidir. Bu jarayon orqali tasvirdagi muhim hududlar (masalan, yuz, yo‘llar, o‘simliklar) ajratib olinadi. Segmentatsiya uchun quyidagi usullar ishlatiladi: • Chegaraviy qiymat bilan ajratish (Thresholding) • Hududni kengaytirish (Region Growing) • Chegaralar asosida segmentatsiya (Edge-Based Segmentation) • Klasterlash (K-means, Mean Shift) • Chuqur o‘qitish asosidagi segmentatsiya (masalan, U-Net tarmog‘i) 97 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ Rangli tasvirlarga ishlov berish (Color Image Processing). Rangli tasvirlar ustida ishlash RGB, HSV, LAB va boshqa rang modellari asosida amalga oshiriladi. Har bir rang kanali ustida alohida ishlov beriladi yoki rang fazosi (color space) o‘zgartiriladi. Masalan, teri rangini aniqlash uchun HSV modelidagi “Hue” komponenti ko‘proq ishlatiladi. Rangli tasvirlarni tahlil qilish ko‘plab amaliy sohalarda, ayniqsa sun’iy ko‘rish va kuzatuv tizimlarida muhimdir [13]. Tasvirlarni tiklash va rekonstruksiya qilish (Restoration & Reconstruction). Tasvirlar ba’zan shovqinli, xiralashgan yoki buzilgan bo‘ladi. Ularni asl holiga qaytarish uchun tasvir tiklash (restoration) usullari qo‘llaniladi. Masalan, teskari filtratsiya, Viner filtri, va oldindan ma’lum bo‘lmagan dekonvolyutsiya usullari ishlatiladi. Shu bilan birga, yuqori aniqlikni oshirish texnologiyasi past sifatli tasvirdan yuqori sifatlisini tiklashda keng qo‘llanilmoqda. Tasvirni kodlash va siqish (Compression Methods). Raqamli tasvirlar katta hajmda joy egallaydi. Ularni saqlash yoki uzatishda siqish usullari qo‘llaniladi. Yo‘qotishsiz siqish (Lossless compression PNG, GIF) — sifatsiz siqish bo‘lib, tasvir aniqligi saqlanadi. Yo‘qotishli siqish (Lossy compression JPEG, WebP) esa ayrim ma’lumotlarni yo‘qotish evaziga tasvir hajmini sezilarli kamaytiradi. Siqish texnologiyalari multimedia, internet va mobil tizimlar uchun juda dolzarbdir. Mashinali o‘qitish va chuqur o‘qitishga asoslangan usullar. Hozirgi zamonaviy tasvir ishlov berishda chuqur o‘qitishning usullari katta ahamiyat kasb etmoqda. Ayniqsa, CNN (Convolutional Neural Networks) arxitekturasi yordamida yuzni aniqlash, obyektni klassifikatsiya qilish, hatto sun’iy tasvir yaratish (GANs orqali) mumkin. Bu usullar an’anaviy algoritmlarga qaraganda yuqori aniqlik va moslashuvchanlikni ta’minlaydi [14]. Quyida tasvirlarga raqamli ishlov berishda keng qo‘llaniladigan dasturiy vositalar tahlili haqida ma’lumot keltiriladi: Natijalar. Ushbu tadqiqotda exokardiogrammalarda mitral stenozini aniqlash uchun tasvirlarga raqamli ishlov berilgan va konvolutsion neyron tarmog‘i ishlatilgan. Mitral qopqoq stenozi shuningdek, mitral stenoz yoki chap atrioventrikulyar teshikning torayishi deb ham ataladi, keng tarqalgan yurak kasalligidir. Bu atrioventrikulyar teshikning torayishi bilan tavsiflanadi, bu chap bo‘lmachadan chap qorinchaga diastolik qon oqimining buzilishiga olib keladi. Tadqiqot uchun 32 video yozib olindi, ularning har biri turli bemorga tegishli edi. Dastlab, exokardiogramma videolari .avi formatida saqlandi (3a-rasm). Keyinchalik, har bir videodan kadrlar ajratib olindi, ya’ni video tasvirlar to‘plamiga aylantirildi (3brasm). Har bir kadr RGB (qizil, yashil va ko‘k) formatidan kulrang (grayscale) formatiga o‘tkazildi (3c-rasm). Shundan so‘ng, har bir kulrang kadr bir diapazonli qat’iy threshold usuli yordamida ikkilik (binary) tasvirga aylantirildi (3d-rasm). Kadr binar ko‘rinishga o‘tgach, tasvirlarning konturlarini aniqlash va eng katta mitral qopqoq ochilishi yuzasini ko‘rsatgan kadrni ajratib olish imkoniyati yaratildi (3erasm). Mazkur tadqiqotda — mitral qopqoqning ochilib-yopilishi tasvirlangan videolarda, yurak va 98 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ mitral qopqoq yuzalarini, shuningdek, atrofdagi bo‘sh sohalarni farqlash muhimdir. Exokardiogramma videolarida yuzalar turli ranglarda ifodalanadi, bo‘sh joylar esa qora ko‘rinishda bo‘ladi. Shu sababli, mitral qopqoq yopiq holatda bo‘lsa, tasvirning zich sohasi turli ranglar bilan to‘lgan bo‘ladi. Aksincha, mitral qopqoq ochilganda, rangli yuzalar orasida qora soha paydo bo‘ladi. 4-rasmda raqamli tasvirlarga ishlov berish texnikasi natijalari to‘rtta turli exokardiogramma tekshiruvida ko‘rsatilgan. Har bir tasvirdagi kadr boshqa bir bemorga tegishli bo‘lib, mitral qopqoqning maksimal ochilish holatini tasvirlaydi va hisoblangan maydon ko‘rsatilgan. Konturlar ko‘rinishini yaxshilash uchun ular qalin oq chiziq bilan belgilangan. 3-rasm. Tasvirlarga raqamli ishlov berish jarayoni 4-rasmda ko‘rsatilgan videolar mitral stenozning maksimal ochilish maydoni asosida turlicha tasnifini namoyish etadi. Jumladan: 4a va 4b — maksimal ochilish maydoni 1,0 sm² dan 1,5 sm² gacha bo‘lgan o‘rtacha mitral stenoz holatlari; 4c — ochilish maydoni 4,0–5,0 sm² bo‘lgan stenozsiz holat; 4d — ochilish maydoni 1,5–4,0 sm² oralig‘ida bo‘lgan yengil mitral stenoz. 4-rasm. Raqamli tasvirlarga ishlov berish texnikasi natijalari Ushbu 32 ta video va ularning tasvirlarga raqamli ishlov berish orqali aniqlangan tegishli tasniflari CNN (konvolyutsion neyron tarmoq)ni ishlab chiqishda va tasvir ma’lumotlarini kengaytirishda (data augmentation) ishlatilgan. Ushbu tadqiqotda ishlatilgan CNN modeli tasvirlarni klassifikatsiya qilishda qo‘llaniladigan odatiy arxitekturaga asoslangan. Model quyidagi qatlamlardan tashkil topgan: • 4 ta konvolyutsion qatlam, har biridan keyin max-pooling qatlami joylashtirilgan. Bu fazoviy o‘lchamlarni qisqartirishga va siljishga nisbatan invariantlikni yaxshilashga yordam beradi. • Har bir konvolyutsion qatlam 3×3 filtr va ReLU aktivatsiya funksiyasi bilan ishlaydi. Filtrlar soni asta-sekin 32 dan 256 gacha ortib boradi, bu esa chuqurroq qatlamlarda murakkab xususiyatlarni o‘rganishga imkon beradi. • Konvolyutsion va pooling qatlamlaridan so‘ng chiqish 1D vektorga tekislanadi (flatten) va 512 birlikli ReLU aktivatsiyali to‘liq bog‘langan qatlamga yuboriladi. • Chiqish qatlami esa ikki birlikdan iborat (ikkilik klassifikatsiya uchun) bo‘lib, softmax aktivatsiya funksiyasi bilan ishlaydi. Bu 99 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ funksiya klassifikatsiya natijalarini ehtimollik ko‘rinishida chiqarib beradi [15]. ReLU aktivatsiya funksiyasi tanlangan, chunki u katta modellarga yaxshi mos keladi, o‘qitish jarayonini tezlashtiradi va xususiyatlarni samarali aniqlashga yordam beradi [16]. Model Adam optimizatori va klassifikatsiya uchun mos yo‘qotish funksiyasi bilan kompilyatsiya qilindi. Model belgilangan o‘quv davr (epoch)lar soni va to‘plam o‘lchami asosida tayyorlangan ma’lumotlarda (training va validation) o‘qitildi. Model 10 ta o‘quv davr davomida, 100 ta tasvirdan iborat to‘plam bilan o‘qitildi. Tayyorlangan tasvirlar o‘quv va validatsiya to‘plamlariga bo‘lingan holda ishlatildi. Natijalarni baholash validatsiya to‘plamidagi tasvirlarni klassifikatsiya qilish aniqligi (accuracy) asosida amalga oshirildi. Trening davomida ham o‘quv, ham validatsiya aniqligi kuzatib borildi, bu overfittingning oldini olishga xizmat qildi. Har bir video kadrlari — unda kasallik belgilari mavjud yoki mavjud emasligidan qat’i nazar — o‘quv va test jarayonlarida ishlatildi. Shu yondashuv orqali CNN modeli har bir videoning barcha kadrlarida o‘qitildi, bu esa unga nafaqat kasallik mavjud bo‘lgan paytlarda, balki butun video davomida ham naqshlarni aniqlash imkonini berdi. Maqsad — model aniqligini maksimal darajaga yetkazish edi. Mitral stenoz mavjud yoki mavjud emasligini aniqlash uchun exokardiogramma videolarini tasniflovchi konvolyutsion neyron tarmoq (CNN) modelini o‘qitish natijalari 11 ta o‘quv davr davomida yaxshi ko‘rsatkichlarga erishdi. 5-rasm. O‘qitilgan model uchun trening (o‘qitish) va test (sinov) aniqligi hamda yo‘qotish qiymatlari Umumiy 1648 ta test namunasi (asl freymlardan olingan va augmentatsiya qilingan tasvirlar) orasida: 822 ta tasvir mitral stenoz mavjud bo‘lgan ekokardiogrammalar sifatida to‘g‘ri aniqlangan, 680 ta tasvir esa stenozsiz ekokardiogrammalar sifatida to‘g‘ri tasniflangan. O‘qitilgan model butun test to‘plamida 92% aniqlik va 0.26 xatolik ko‘rsatkichiga erishdi. Test, o‘quv va validatsiya videolarida ketma-ket qo‘llanganda ham CNN modeli mitral stenozning mavjudligi yoki mavjud emasligini 92% aniqlikda tasniflashga muvaffaq bo‘ldi. Xulosa. Zamonaviy raqamli texnologiyalar rivoji bilan tasvirlarga ishlov berish sohasida sun’iy intellekt (SI) algoritmlari keng qo‘llanilmoqda. Kelajakda chuqur o‘qitishga asoslangan texnologiyalar tibbiy tasvirlar diagnostikasida yanada keng qo‘llanilishi kutilmoqda [17]. Ushbu tadqiqot ishida tasvirlarga raqamli ishlov berish va uning usullari haqida batafsil ma’lumot berildi. Qolaversa, tasvirlarga raqamli ishlov berishda qo‘llaniladigan dasturiy vositalar va ularning tahlili keltirildi. Shuningdek, tadqiqotda 32 ta exokardiogramma videolari asosida mitral stenozni avtomatik aniqlash uchun raqamli ishlov berish va konvolyutsion neyron tarmoq (CNN) integratsiya qilindi. Model 92% aniqlikka erishib, mitral stenoz mavjud/mavjud emas holatlarini ishonchli tasniflay oldi. Exokardiogramma tasvirlariga raqamli ishlov berish va CNN asosidagi klassifikatsiya mitral stenozni aniqlashda samarali yordamchi vosita bo‘lib, klinik tashxisni tezlashtirish va insoniy xatolikni kamaytirishga xizmat qiladi. 100 “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 3 | 2025-yil "Descendants of Al-Farghani" electronic scientific journal. ISSN 2181-4252. Vol: 1 | Iss: 3 | 2025 year Электронный научный журнал "Потомки АльФаргани" ISSN 2181-4252. Том: 1 | Выпуск: 3 | 2025 год https://al-fargoniy.uz/ Foydalanilgan adabiyotlar 1. Lau, E. S., et al. (2022). Deep Learning– Enabled Assessment of Left Heart Structure and Function Predicts Cardiovascular Outcomes. Circulation: Cardiovascular Imaging, 15(1), e013972. https://doi.org/10.1161/CIRCIMAGING.121.013972 2. Madani, A., Arnaout, R., Mofrad, M., & Arnaout, R. (2018). Fast and accurate view classification of echocardiograms using deep learning. NPJ Digital Medicine, 1(1), 6. https://doi.org/10.1038/s41746-017-0013-1 3. Yu, Y., & Acton, S. T. (2002). Speckle reducing anisotropic diffusion. IEEE Transactions on Image Processing, 11(11), 1260–1270. https://doi.org/10.1109/TIP.2002.804276 4. Balaji, G. N., Subashini, T. S., & Chidambaram, N. (2016). Detection and diagnosis of dilated cardiomyopathy and hypertrophic cardiomyopathy using image processing techniques. Egyptian Journal of Radiology and Nuclear Medicine, 47(4), 1211–1221. https://doi.org/10.1016/j.ejrnm.2016.06.021 5. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI), 9351, 234–241. https://doi.org/10.1007/978-3-319-24574-4_28 6. Isensee, F., Jaeger, P. F., Kohl, S. A. A., Petersen, J., & Maier-Hein, K. H. (2021). nnU-Net: A self-adapting framework for U-Net-based medical image segmentation. Nature Methods, 18(2), 203– 211. https://doi.org/10.1038/s41592-020-01008-z 7. Dabov, K., Foi, A., Katkovnik, V., & Egiazarian, K. (2007). Image denoising by sparse 3-D transform-domain collaborative filtering. IEEE Transactions on Image Processing, 16(8), 2080–2095. https://doi.org/10.1109/TIP.2007.901238 8. Buades, A., Coll, B., & Morel, J. M. (2005). A non-local algorithm for image denoising. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2, 60–65. https://doi.org/10.1109/CVPR.2005.38 9. Rudin, L. I., Osher, S., & Fatemi, E. (1992). Nonlinear total variation based noise removal algorithms. Physica D: Nonlinear Phenomena, 60(1– 4), 259–268. https://doi.org/10.1016/01672789(92)90242-F 10. Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1251–1258. https://doi.org/10.1109/CVPR.2017.195 11. Amirata Ghorbani, et al. “Deep learning interpretation of echocardiograms”, npj Digital Medicine (2020), pp.1-14. 12. Nasimov, R., Muminov, B., Mirzahalilov, S., & Nasimova, N. “Algorithm of Automatic Differentiation of Myocardial Infarction from Cardiomyopathy based on Electrocardiogram.” 2020 IEEE 14th International Conference on Application of Information and Communication Technologies (AICT), pp. 1-5. 13. Luo C., Li X., Wang L., He J., Li D. and Zhou J.How Does the Data set Affect CNN-based Image Classification Performance // 5th International Conference on Systems and Informatics, - 2018, -P. 361-366 14. Suzuki K. Artificial neural networks – architectures and applications // InTech Publisher, Rijeka, Croatia, - 2013, - 264 p. 15. Bishop, C.M. Pattern Recognition and Machine Learning (Information Science and Statistics); Springer: Berlin/Heidelberg, Germany, 2007. 16. Nair, V.; Hinton, G.E. Rectified Linear Units Improve Restricted Boltzmann Machines. In Proceedings of the 27th International Conference on Machine Learning (ICML-10), Haifa, Israel, 21–24 June 2010; pp. 807–814. 17. Litjens G., et al. A Survey on Deep Learning in Medical Image Analysis. Medical Image Analysis, 2017.