Дифференциация почечных патологий с помощью технологий глубоких нейронных сетей

Аннотация

This research paper is devoted to the problem of classifying pathologies in renal computed tomography images using deep neural networks, where not only binary classification such as «normal/pathological» but also complex differential diagnosis issues between pathologies are analyzed. The paper also proposes a combinatorial approach to classifying pathologies, in which it is shown that initially making a general diagnosis using a four-class classification model, and in doubtful cases, additional examination using binary or ternary models is acceptable for clinical practice. Keywords: kidney diseases, convolutional neural network, computed tomography image, precision, recall, f1-score. Кириш. Буйрак патологияларини эрта ва аниқ ташхислаш самарали даволаш ёндашувини танлашда муҳим аҳамиятга эга. Компьютер томографияси (КТ) буйрак ҳолатини баҳолашда кенг қўлланиладиган усул бўлиб, у юмшоқ тўқималарни, қаттиқ тузилмаларни ва патологик ўзгаришларни юқори аниқликда кўрсатиб беради [1]. Бироқ, КТ тасвирларини таҳлил қилиш малакали мутахассисларни талаб этади ва бу жараён кўп вақт талаб қилиши мумкин [2]. Шунинг учун, сўнгги йилларда чуқур ўқитиш усулларини тиббий тасвирларни таснифлаш учун қўллаш кенг жорий этилмоқда [3]. Бироқ, мавжуд тадқиқотларни аксарияти буйрак патологияларини фақат «нормал/патологик» каби бинар таснифлаш ёки ҳар бир патологияни алоҳида «нормал/киста», «нормал/тош», «нормал/ўсма» кўринишида таснифлаш билан чекланиб қолган. Клиник амалиётда эса мутахассислар «бу кистами ёки ўсмами?», «бу тошми ёки кальцификацияланган ўсмами?» каби мураккаб дифференциал ташхис масалалари билан тўқнашадилар. Шунинг учун, патологиялар ўртасидаги таснифлаш моделлари нафақат илмий, балки буйрак касалликларини аниқ ташхислаш ва оптимал даволаш стратегиясини танлашга ёрдам берадиган муҳим ёндашув ҳисобланади. Юқоридагиларни ҳисобга олган ҳолда ишда буйрак КТ тасвирларини таснифлаш учун иккилик, учлик ва тўртлик таснифлаш моделларини ўқитиш амалга оширилган ҳамда уларни самарадорлигини таққослаш орқали таснифлашни оптимал ёндашуви таклиф этилган. Тадқиқотда буйрак КТ тасвирларидан иборат маълумотлар базаси фойдаланилган бўлиб, улар нормал буйрак, киста, тош ва ўсма каби тўрт синфга ажратилган [4]. Турли мураккабликдаги таснифлаш масалалари учун қуйидаги моделлар ўқитилган: 269 Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.  Иккилик ва учлик таснифлаш моделлари: нормал/патологик, нормал/киста, нормал/тош, нормал/ўсма, киста/тош, киста/ўсма, тош/ўсма, нормал/киста/тош/ўсма (MobileNetV2 архитектураси асосида);  Тўртлик таснифлаш модели: нормал/киста/тош/ўсма (VGG16 архитектураси асосида). Моделларни баҳолаш учун precision, Recall ва F1-score каби стандарт метрикалар қўлланилган ва уларни тажрибалардан олинган натижалари юқори самарадорликни намойиш этган (1-расм, 1-2-жадвал). 1-расм. Буйрак патологияларини таснифлаш моделларини F1-score кўрсаткич натижалари 1-жадвал. Буйрак патологияларини таснифлаш моделларини ўртача кўрсаткичлари Модель тури Precision (%) Recall (%) F1-Score (%) Иккилик таснифлаш 99.93 99.93 99.87 Учлик таснифлаш 99.32 99.15 99.23 Тўртлик таснифлаш 99.78 99.77 99.77 2-жадвал. Ҳар бир модел ва синф учун батафсил метрикалар Модель тури Синф Precision (%) Recall (%) F1-Score (%) Нормал/киста 100 100 100 Нормал/Ўсма 99.61 100 99.8 Нормал/Тош 99.8 99.8 99.8 6*Иккилик Киста/Ўсма 99.6 99.6 99.6 Киста/Тош 100 100 100 Тош/Ўсма 100 100 100 Киста 99.05 99.6 99.32 3*Учлик Тош 99.73 99.05 99.39 Ўсма 99.19 98.79 98.99 Нормал 99.7 99.8 99.75 Киста 99.51 100 99.75 4*Тўртлик Тош 99.9 100 99.95 Ўсма 100 99.31 99.65 Тажриба синовлардан олинган натижаларга кўра, тош синфи барча моделларда энг юқори аниқлик билан таснифланган. Бу тошларни КТ тасвирларида юқори зичлик ва аниқ чегаралар билан ажралиб туриши билан изоҳланади. Ўсма синфи эса нисбатан мураккаброқ таснифланган бўлиб, бу ўсмаларни ўзгарувчан морфологик кўриниши сабабли бўлиши 270 Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г. мумкин. Шунингдек, тадқиқотда Киста/ўсма жуфтлиги иккилик таснифлаш моделлари орасида энг паст аниқликни кўрсатган, бу мазкур иккита патологияни баъзан ўхшаш тасвир характеристикаларига эга бўлишини кўрсатади. Хулоса. Тадқиқот натижалари чуқур нейрон тармоқларни буйрак КТ тасвирларини таснифлашда юқори самарадорлик кўрсатишини тасдиқлади. Таклиф этилган комбинатор ёндашув, яъни дастлаб тўртлик таснифлаш модели ёрдамида умумий ташхис қўйиш, шубҳали ҳолатларда эса иккилик ёки учлик моделлар билан қўшимча текширув ўтказиш клиник амалиётда қўллаш учун оптимал стратегия бўлиши кўрсатиб берилди. Адабиётлар рўйхати 1. Mamatov, N., Sultanov, P., & Jalelova, M. (2023). Analysis of imaging equipments of human internal organs. Scientific Collection «InterConf+»,(38 (175)), 291-299. 2. Mamatov, N., Erejepov, K., Jalelova, M., Narzullayev, I., & Samijonov, A. (2024, June). X-ray Image Contrast Enhancem