Методы аугментации при обработке медицинских изображений

Аннотация

Искусственный интеллект (ИИ) открывает множество возможностей для интеллектуального анализа медицинских изображений. Однако для эффективной работы таких моделей необходимы большие и качественно размеченные данные. Поскольку в медицинской сфере сбор таких данных является сложным и дорогостоящим, методы аугментации данных приобретают особую важность. Ключевые слова: медицинское изображение, искусственный интеллект, аугментация, GAN, сегментация, классификация. 20 Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г. AUGMENTATION METHODS IN MEDICAL IMAGE PROCESSING Annotation. Artificial intelligence (AI) models are creating numerous opportunities for the intelligent analysis of medical images. However, the effective performance of these models requires large and high-quality labeled datasets. Since collecting such data in the medical field is challenging and costly, data augmentation methods play a crucial role. Key words: medical image, artificial intelligence, GAN, segmentation, classification. Tibbiyot tasvirlari bilan ishlaydigan sun’iy intellekt tizimlari so‘nggi yillarda katta e’tiborni jalb qilmoqda [1]. Bunday tizimlarning samaradorligi, ayniqsa chuqur o‘qitish (deep learning) modellarining aniqligi, ularni o‘qitish uchun mavjud bo‘lgan ma’lumotlar hajmi va sifati bilan bevosita bog‘liqdir. Tibbiyot sohasida belgilangan tasvirlar soni kam bo‘lishi bu modellarni to‘liq o‘qitishni qiyinlashtiradi. Shu sababli, mavjud tasvirlarni sun’iy ravishda ko‘paytirish usullari, ya’ni augmentatsiya−asosiy yechim hisoblanadi [2,3]. Tibbiyot tasvirlarida an’anaviy (klassik) augmentatsiya usullari — bu sun’iy ravishda yangi tasvirlar yaratish uchun mavjud tasvirlarga geometrik yoki piksel darajasida oddiy transformatsiyalarni qo‘llashdir. An’anaviy ya’ni klassik augmentatsiya usullariga tasvirni aylantirish(rotation), simmetrik akslantirish(flip), siljitish(translation), kesish(cropping), shovqin qo‘shish, masshtablash(zooming), kontrastni o‘zgartirishlar kiradi. 1-rasmda turli augmentatsiya usullari asosida yaratilgan tibbiyot tasviri(mammogramma) namunalari keltrilgan. Tasvirni markaz atrofida 𝛼 burchakka aylantirish quyidagicha ifodalanadi: 𝑥′ 𝑐𝑜𝑠𝛼 −𝑠𝑖𝑛𝛼 𝑥 [ ] = [ ] [ ] ; 𝑦′ 𝑠𝑖𝑛𝛼 𝑐𝑜𝑠𝛼 𝑦 Tasvirni 𝑠 ,𝑠 koeffitsiyentlarga ko‘paytirish orqali kattalashtirish yoki kichiklashtirish 𝑥 𝑦 mumkin: 𝑥′ 𝑠 0 𝑥 𝑥 [ ] = [ ] [ ] ; 𝑦′ 0 𝑠 𝑦 𝑦 𝑥′ 𝑥 +𝑡 𝑥 Tasvirni 𝑡 ,𝑡 birliklarga siljitish: [ ] = [ ] ; 𝑥 𝑦 𝑦′ 𝑦+𝑡 𝑦 Gorizontal va vertikal bo‘yicha simmetrik o‘zgartirish: 𝑥′ = 𝑎−𝑥,𝑎 −rasm eni, 𝑦′ = 𝑏 −𝑦,𝑏−rasm bo‘yi. 1-rasm. Augmentatsiya usullari yaratilgan tasvirlardan namunalar. Ushbu geometrik o‘zgartirishlar modelga turli holatlardagi tasvirlarni ko‘rsatib, ularni umumlashtirish qobiliyatini oshiradi. Biroq, ba’zida bunday usullar yetarli bo‘lmaydi. Shu sababli ilg‘or yondashuvlar, masalan, GAN (Generative Adversarial Networks) yordamida yangi tasvirlar yaratish, tasvirlar stilini o‘zgartirish (style transfer) yoki boshqa domenlardan o‘rgatilgan modellarni moslashtirish (domain adaptation) kabi usullar keng qo‘llanilmoqda[4,5]. Bu usullar yordamida MRI, KT, ultratovush, rentgen va gistologik tasvirlarda kasalliklarni aniqlash, organlarni ajratish (segmentatsiya), o‘zgarishlarni topish va boshqa vazifalar muvaffaqiyatli bajarilmoqda. Biroq, augmentatsiya usullari qo‘llanilganda, tasvirning klinik ahamiyati va anatomik mantiqliligi saqlanishi muhimdir [5]. 21 Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г. Xulosa qilib aytganda, tibbiyot tasvirlarida augmentatsiya usullari sun’iy intellekt modellarining samaradorligini oshirishda muhim vositadir. Har bir vazifa uchun eng mos usulni tanlash va ehtiyotkorlik bilan qo‘llash zarur. Bu sohada izlanishlar davom etmoqda va yanada samarali yondashuvlar ishlab chiqilmoqda. Аdabiyotlar ro‘yxati 1. Saini, D. and Malik, R., 2021, September. Image Data Augmentation Techniques for Deep Learning-A Mirror Review. In 2021 9th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions)(ICRITO) (pp. 1-5). IEEE. 2. Rahman, M.E.U., Anishetty, H., Kollpaka, A.K., Yelishetty, A. and Ganta, S.R., 2021, September. A Quantitative Analysis of Basic vs. Deep Learning-based Image Data Augmentation Techniques. In 2021 International Conference on Innovative Computing, Intelligent Communication and Smart Electrical Systems (ICSES) (pp. 1-9). IEEE. 3. Bhuse, P., Singh, B. and Raut, P., 2022. Effect of Data Augmentation on the Accuracy of Convolutional Neural Networks. In Information and Communication Technology for Competitive Strategies (ICTCS 2020), ICT: Applications and Social Interfaces (pp. 337-348). Springer Singapore. 4. Han, Changhee., Hayashi, Hideaki., Rundo, Leonardo., Araki, Ryosuke., Nagano, Yudai., Furukawa, Yujiro., Mauri, Giancarlo., Nakayama, Hideki. (2019). Towards Annotating Less Medical Images: PGGAN-bas