SUN’IY NEYRON TARMOQLARIDAN FOYDALANGAN HOLDA KO'KRAK QAFASI RENTGENOGRAMMASI ASOSIDA PNEVMONIYA KASALLIGINI ANIQLASH.
Keywords:
Sun’iy intellekt, sun’iy neyron tarmoqlari, ko‘krak qafasi rentgenogrammasi, COVID-19, SARS-CoV-2, sun’iy intellektga asoslangan algoritmik model, algoritmik modelni o‘qitish jarayoni, sun’iy neyron tarmoq modellari.Abstract
Ushbu maqolada sun’iy neyron tarmoqlaridan foydalangan holda ko‘krak qafasi rentgenogrammasi asosida pnevmoniya kasalligini aniqlash muhokama qilinadi. Katta ma’lumotlar asosida sun’iy neyron tarmoqlaridan foydalanib, sun’iy intellektga asoslangan algoritmik modelini o‘qitish jarayoni tasvirlangan va ushbu modellar yordamida pnevmoniya kasalligi tashxisini aniqligini oshirishi mumkin, bu COVID-19 epidemiyasiga qarshi kurashda foydali bo’lishi mumkin. Ko‘krak qafasi rentgenogrammasi asosida pnevmoniya kasalligini aniqlash judayam qiyin va mas’uliyatli vazifa bo’lib, bilimli va katta tajribaga ega rentgenologlarni talab qiladi. Biroq, bunday “inson” tashxisi noto’g’ri va sub’ektiv bo’lishi ham mumkin va kasallikning alomatlari noaniq bo’lishi va noto’g’ri qarorga olib kelishi ham mumkin. Bundan tashqari, agar shifokor qisqa vaqt ichida o‘nlab ko‘krak qafasi rentgenogrammasi tahlil qilishi kerak bo’lsa, xato yanada oshishi mumkin va bunday holatlarga yana ko’p omillar sabab bo’ladi. Ushbu maqolada keltirilgan sun’iy intellektga asoslangan algoritmik model pnevmoniya kasalligini aniqlashda shifokorlarga yordamchi vazifasini bajarib, ularning ish samaradorligini oshiradi va kasallikni aniqlash jarayonini avtomatlashtirishi mumkin.
References
1. Аксенов, С. В. Организация и использование нейронных сетей (методы и технологии) / С. В. Аксенов; под общ. ред. В. Б. Новоцельцева . – Томск: Изд-во НТЛ, 2006. – 128 с.
2. Бондаренко, А. Н. Нейросетевая классификация медицинских изображений на основе спектра размерностей Ренье [Текст] / А. Н. Бондаренко, А. В. Кацук // Сборник научных трудов НГТУ, 2005. № 1. С. 1-4.
3. Колесников, А.А. Использование технологий машинного обучения при решении геоинформационных задач / А.А. Колесников, П.М. Кикин, Е.В. Комиссарова, Е.Л. Касьянова // ИнтерКарто. ИнтерГис. – 2018. – № 24. – С. 371– 384.
4. Поряева Е.П., Евстафьева В.А. Искусственный интеллект в медицине. Вестник науки и образования № 6 (60). Часть 2. 2019.
5. Анализ медицинских изображений [Электронный ресурс] – Режим доступа: https://postnauka.ru/faq/80995 – Дата доступа : 26.01.2023.
6. Qurbanov B. TA’LIM SOHASIDA INNOVATSION TEXNOLOGIYARDAN FOYDALANISHNING O’RNI VA AHAMIYATI //Universal xalqaro ilmiy jurnal. – 2024. – Т. 1. – №. 12. – С. 492-495
7. Диагностика медицинских изображений при помощи машинного обучения 63 [Электронный ресурс]. – Режим доступа : http://www.vechnayamolodost.ru/articles/drugie-naukiozhizni/analizmeditsinskikhizobrazheniy/ – Дата доступа : 04.02.2023.
8. Курбанов Б. Б., Иваненко Б. В. КЛАССИФИКАЦИИ ПНЕВМОНИИ НА ОСНОВЕ РЕНТГЕНОВСКОГО ИЗОБРАЖЕНИЯ С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ //ЦИФРОВАЯ ЭКОНОМИКА И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. – 2023. – С. 131-138.
9. Всемирная организация здравоохранения: https://www.who.int/emergencies/diseases/novel-coronavirus-2019/questionandanswers-hub/q-a-detail/coronavirus-disease-covid-19#:~:text=symptoms
10. Бактериальная пневмония: симптомы, лечение и профилактика - https://ru.ncmhcso.org/bacterial-pneumonia-11788
11. Avendi, M. R., Kheradvar, A. & Jafarkhani, H. (2016). A combined deeplearning and deformable-model approach to fully automatic segmentation of the left ventricle in cardiac MRI. Medical image analysis, 30, pp. 108-119.
12. Machine Learning Tom M. Mitchell, 432 pages
13. Thanh, H. T., Yen, P. H., & Ngoc, T. B. (2021, March). Pneumonia Classification in X-ray Images Using Artificial Intelligence Technology. In 2020 Applying New Technology in Green Buildings (ATiGB) (pp. 25-30). IEEE.
14. Kaggle datasets. [Электронный ресурс]. Режим доступа: https://www.kaggle.com/data.
15. Joseph Paul Cohen, covid-chestxray-dataset [Электронный ресурс]. Режим доступа: https://github.com/ieee8023/covidchestxray-dataset
16. ImageNet [Электронный ресурс] Режим доступа: http://www.image-net.org
