ISSN:
2181-3906
2025
International scientific journal
«MODERN
SCIENCE
АND RESEARCH»
VOLUME 4 / ISSUE 7 / UIF:8.2 / MODERNSCIENCE.UZ
449
MASHINALI O‘QITISH ALGORITMLARI YORDAMIDA BOSH MIYA
O‘SMALARINI ANIQLASH MODELI
Mallayev Oybek Usmankulovich
Alfraganus University Raqamli texnologiyalar kafedrasi professori.
E-mail:
O‘roqov Asliddin Doniyorjon o‘g‘li
Perfect University Iqtisodiyot fakulteti tyutori
E-mail:
https://doi.org/10.5281/zenodo.16163181
Annotatsiya
. Ushbu maqolaning maqsadi mashinali o‘qitish usullaridan foydalangan
holda MRI tasvirlarida miya o‘smalarini turlarini aniqlashdir. Neyron tarmoq texnologiyalariga
asoslangan holda MRI tasvirlar ulardagi o‘smalar mavjudligiga qarab o‘rganiladi. Maqolada
bosh miya o‘smalari klassifikatsiyasi, neyron tarmoq arxitekturalari, modullari, MRI
tasvirlarida o‘smalarni aniqlash algoritmlari va hozirda eng ko‘p qo‘llanilayotgan
aktivlashtirish funksiyalari haqida hamda neyron tarmoq modullarini qurish usullari,
kamchiliklari va imkoniyatlari ham tahlil qilingan.
Kalit so‘zlar
: Sun’iy intellekt, iqtisodiy jarayonlar, mashinaviy o‘rganish
(machine
learning), MSE, supervised learning.
Аннотация.
Целью данной статьи является выявление типов опухолей головного
мозга на МРТ
-
изображениях с использованием методов машинного обучения. На основе
нейросетевых технологий проводится исследование МРТ
-
изображений на наличие
опухолей. В статье рассматриваются классификация опухолей головного мозга,
архитектуры нейронных сетей, модули, алгоритмы обнаружения опухолей на МРТ
-
изображениях и наиболее часто используемые функции активации, а также методы,
недостатки и возможности построения нейросетевых модулей.
Abstract.
The aim of this article is to identify brain tumor types in MRI images using
machine learning methods. Based on neural network technologies, MRI images are examined for
tumors. The article discusses the classification of brain tumors, neural network architectures,
modules, tumor detection algorithms in MRI images and the most commonly used activation
functions, as well as methods, disadvantages and possibilities of constructing neural network
modules.
KIRISH
Organizmda uchraydigan umumiy o‘smalarning 6% ni bosh miya o‘smalari tashkil etadi.
Bu kasallik har 100 ming odamdan 10 dan 15 ta insonda uchraydi. Bosh miya o‘smalari
deganda
–
kalla suyagi ichida hosil bo‘ladigan har qanday o‘smalar tushuniladi, masalan miya
to‘qimalaridagi o‘smalar, nerv tolalaridagi, qon tomirlardagi, miya pardalaridagi, limfa
tomirlaridagi va bezlarda (gipofiz va epifiz) uchraydigan o‘smalar. Shuning uchun bunday
o‘smalar ikkiga: miya ichi va miyadan tashqaridagiga bo‘linadi.
Har qanday yoshda bosh miya o‘smalari uchraydi, hatto tug‘ma ham bo‘lishi mumkin.
Ammo bolalar orasida uchrash holati kam, har 100 ming bolaga 2-
4 holatlar to‘g‘ri
keladi.
ISSN:
2181-3906
2025
International scientific journal
«MODERN
SCIENCE
АND RESEARCH»
VOLUME 4 / ISSUE 7 / UIF:8.2 / MODERNSCIENCE.UZ
450
Bosh miya o‘smalari birlamchi –
miya to‘qimasining o‘zidan hosil bo‘lishi, yoki
ikkilamchi boshqa organlarda hosil bo‘lgan o‘smalarning limfogen va gematogen yo‘l bilan
metastazlaridan hosil bo‘lishi mumkin. Ikkilamchi o‘smalar birlamchiga qaraganda 5
-10 marta
ko‘proq uchraydi.
Bosh miya o‘smalarining o‘ziga xosligi shundaki, bunday o‘smalar faqatgina kalla suyagi
ichidagina joylashadi. Shuning uchun har qanday paydo bo‘lgan o‘smalar miya hujayralarini
ezib qo‘yadi va bosh miya ichki bosimi ortishiga olib keladi. Hatto yaxshi sifatli o‘smalar ham
ma’lum kattalikka yetganlaridan keyin miyani ezishi hisobiga yomon sifatli xarakterga ega
bo‘lib qolib, o‘lim sababchisi bo‘lishi ham mumkin. Yuqridagilarni hisobga olib nevrologiya va
neyroxirurgiya yo‘nalishidagi shifokorlar uchun kasallikni erta davrlarda aniqlash va davolash
muammosi ko‘ndalang turadi.
Bosh miya o‘smalarini klassifikatsiyalash
Birlamchi serebral o‘smalarga neyroektodermal o‘smalar: astrositar o‘smalar
(astrositoma,
astroblastoma),
oligodendrogialin
o‘smalari
(oligodendroglioma,
oligoastroglioma), ependimar o‘smalar (epindimoma, xorionodik papilloma), epifiz o‘smalari
(pinesitoma, pineoblastoma), nayronal o‘smalar (ganglioneyroblastoma, gangliositoma),
embrional va noaniq o‘smalar (medulloblastoma, spongioblastoma, glioblastoma). Bundan
tashqari gipofiz bezining o‘smalari (adenoma), nerv tolalari o‘smalari (neyrofibroma,
nevrinoma), miya pardalari o‘smalari (meningioma, ksantomatoz o‘sma, melanotik o‘sma), miya
limfa tugunlari o‘smalari ham farqlanadi.
Metastatik o‘smalar 10
-30% hollarda aniqlanadi. Erkaklarda ikkilamchi metastazlar
natijasida bosh miyada paydo bo‘ladigan o‘smalardan, o‘pka, kolorektal, buyrak o‘smalaridan
tarqalgani uchrasa, ayollarda esa
–
ko‘krak bezi saratoni, melanoma, kolorektal o‘smalar
metastazi oqibatida miya o‘smalari uchraydi. 85% ga yaqin metastaz oqibatida kelib chiqqan
o‘smalar miya ichida paydo bo‘ladi. Kalla suyagi chuqurchasida ko‘pincha bachadon tanasidan
tarqalgan o‘smalar, prostata bezi o‘smalari va oshqozon ichak tizimi yomon sifatli o‘smalari
metastazi natijasida paydo bo‘ladi.
Mashinali o‘qitish texnologiyalari
So‘nggi paytlarda chuqur o‘qitish texnologiyalari har bir sohada o‘z imkoniyatlarini
kengaytirib bormoqda. Masalan, turli xil tibbiy muammolarni hal qilish keng qo‘llanilmoqda.
Bunga hisoblash quvvatining oshishi va ko‘p sonli yorliqli tasvirlar, shuningdek, bulutli
saqlashdan foydalanish imkoniyati yordam beradi [4].
Neyron tarmoqlar tibbiyotda quyidagi darajalarda qo‘llanilanilmoqda:
-
tasvirni tez va aniq aniqlash;
-
tibbiy xatolar ehtimolini kamaytirish;
-
sensorlar yordamida bemorlarning o‘zlari tomonidan ularning holatini kuzatish va tahlil
qilish.
Tibbiy tasvirlar va ulardagi obyektlarni aniqlashda neyron tarmoq texnologiyalarining
ro‘li juda ham katta. Ular shifokorlarga tashxis qo‘yish, biologik signallardan turli shovqinlarni
olib tashlash va mavjud ma’lumotlarning ko‘pligidan ma’lum shartlar uchun eng muhimlarini
aniqlashga yordam beradi. Bu sun’iy neyron tarmoqlardan foydalanish tufayli yaratilayotgan
ulkan imkoniyatlarning faqat kichik bir qismidir.
ISSN:
2181-3906
2025
International scientific journal
«MODERN
SCIENCE
АND RESEARCH»
VOLUME 4 / ISSUE 7 / UIF:8.2 / MODERNSCIENCE.UZ
451
Chuqur neyron tarmoqlar tibbiy skanerlarda turli patologiyalarni talqin qilish va
elektrokardiogrammalarni dekodlash kabi muammolarni hal qiladi [1][2][3].
Ularning yordami bilan saratonning ayrim turlarini, qon ketishini, teri kasalliklarini, turli
xil sinishlarni va boshqa ko‘plab kasalliklarni aniqlash mumkin [7].
Sun’iy neyron tarmoqlardan foydalanishning asosiy muammolaridan biri bu
-
loyihalashtirilgan tarmoqning arxitekturasini ham natijalarning talab qilinadigan aniqlik darajasi
uchun zarur bo‘lgan murakkabligini ham oldindan aniqlashning mumkin emasligidir. Agar
talablar juda yuqori bo‘lsa, arxitekturani yanada murakkablashtirishga to‘g‘ri keladi.
Faqat bitta yashirin qatlamga ega neyron tarmoqlar eng oddiy vazifalarni bajarishi
mumkin. Murakkabroq muammolarni hal qilish uchun zarur bo‘lgan yashirin qatlamlar sonining
ko‘payishi hisoblashga sarflanadigan quvvatini va vaqtni oshishiga olib keladi.
Kompyuter protsessorlarining quvvatini oshirish va klasterlash tizimlarini
takomillashtirish orqali ushbu muammoni hal qilish uchun ko’plab ilmiy tadqiqotlar olib
borilmoqda [8].
Konvolyutsion neyron tarmoqlari (CNN) ko‘pincha tasvirni qayta ishlash vazifalarida
qo‘llaniladi. Tasvirni aniqlashning asosiy vazifalari quyidagilardan iborat:
-
tasniflash (obyektni sinfga belgilash);
-
aniqlash (ramka bilan obyektni tanlash);
-
segmentatsiya (ob'ektni piksel bo'yicha tasniflash).
Konvolyutsion neyron tarmoq qatlamlardan iborat:
-
konvolyutsion;
-
birlashtirish yoki quyi namuna olish;
-
to‘liq bog‘langan qatlamlar.
Konvolyutsion qatlamlar neyron tarmoqning asosiy blokidir. Ko‘pgina hisob
-kitoblar
aynan shu qatlamlarda amalga oshiriladi. Konvolyutsiya yadro yoki filtr deb ataladigan xususiyat
detektori yordamida amalga oshiriladi.
U tasvir bo‘ylab harakatlanadi, har bir sohada xususiyatlar mavjudligini tekshiradi (1
-
rasm). Kirish piksellari va filtr o‘rtasidagi har bir mintaqada hisoblangan nuqta qiymatlari
chiqish massiviga kiritiladi. Kirish signali va filtrdan olingan bir qator nuqta qiymatlarining
yakuniy chiqishi tensor yoki faollashtirish massivi sifatida foydanalinadi.
Keyin jarayonlarda neyronga chiziqli bo‘lmagan faollashtirish funktsiyasi qo‘llaniladi.
Konvolyutsion qatlamdan so‘ng hisoblash jarayonlarini va kirish ma’lumotlaridagi
parametrlar sonini kamaytiradigan kichik tensorli qatlami (2-rasm) keladi. Faqat eng muhim
ma'lumotlar beruvchi sohalar qoladi.
1- rasm. Tasvirning konvolyutsiyasi
2- rasm. Tasvirning quyi namunasi
ISSN:
2181-3906
2025
International scientific journal
«MODERN
SCIENCE
АND RESEARCH»
VOLUME 4 / ISSUE 7 / UIF:8.2 / MODERNSCIENCE.UZ
452
Miyaning mri tasvirlarida o
‘
smalarini aniqlash
Neyron tarmoqga kirish ma’lumotlari sifatida bir nechta ochiq manbalardan to‘plangan
4253 MRI tasvirlaridan iborat ma’lumotlar to‘plamidan foydalanadi. Ma’lumotlar ikkita tasvir
sinfini o‘z ichiga oladi: o‘simta mavjud MRI tasviri va o‘simta mavjud bo‘lmagan MRI tasviri
(3-rasm).
3- rasm. Trening ma'lumotlari
Barcha ma’lumotlar to‘plami ikki qismga bo‘lingan: o‘qitish va sinov.
Har bir to‘plam o‘simtasi mavjud va o‘simtasi mavjud bo‘lmagan tasvirlardan iborat.
Barcha 100% ma’lumotlar quyidagicha bo‘linadi: umumiy ma’lumotlar to‘plamining
80% modelni o‘rgatish uchun, qolgan 20% sinov uchun ajratilgan. Quyida bir nechta neyron
tarmoqlarning ishlashini batafsil ko‘rib chiqilgan (modellash Pythonda Sklearn kutubxonasi
yordamida amalga oshiriladi).
CNN bilan ishlashning eng qiyin qismi ularni yaratishdir. CNNni amalga oshirishga
urinish har doim ham muvafaqqiyatli amalga oshmaydi. CNN-
ga o‘xshash qatlamlar soni, filtr
o‘lchami, to‘ldirish turi va boshqalar haqida qaror qabul qilishda juda ko‘p jarayonlar mavjud.
Bularning barchasini hal qilish bizning tasvir tasnifimiz uchun oldindan tayyorlangan
modeldan foydalanib, taklif qilandigan algoritmni takomillashtirshdir.
Tushunish va qurish uchun eng oson, bugungi kunda eng ko‘p ishlatiladigan modellardan
biri bu VGG16 nomli modeldir.
Ushbu model Oksforddagi vizual geometriya guruhi tomonidan taklif qilingan va ular
sharafiga OxfordNet modeli deb ham ataladi.
ISSN:
2181-3906
2025
International scientific journal
«MODERN
SCIENCE
АND RESEARCH»
VOLUME 4 / ISSUE 7 / UIF:8.2 / MODERNSCIENCE.UZ
453
VGG16 (4-
rasm) takomillashtirilgan AlexNet modeli bo‘lib, bu yerda katta filtrlar o‘rniga
(birinchi konvolyutsiya qatlami uchun 11x11 va ikkinchisi uchun 5x5) bir-birini kuzatib
turadigan bir nechta 3x3 filtrlar qo‘llaniladi.
VGG arxitekturalarining asosiy printsipi kichik filtrlar yordamida qatlamlar sonini
ko‘paytirishdir. Ishlab chiquvchilar 7x7 filtrli qatlam uchta 3x3 qatlamga teng ekanligini
isbotlagan, xuddi 5x5 qatlam ikkita 3x3 qatlamga teng, bu esa mos ravishda 55% va 22%
parametrlarni tejaydi. Kichik filtrlar kamroq parametrlarni oladi, ammo bu ularni yanada
samarali qayta ishlashga imkon beradi.
4- rasm. VGG16 arxitekturasi
Maqolada miya tasvirlarida o‘simtani aniqlash vazifasi uchun ushbu tarmoqning ishlash
usuli ko‘rib chiqilgan. Modelimiz uchun F o‘lchovining qiymatini hisoblab chiqamiz. Sklearn
quyidagi qulay funksiyaga ega:
sklearn.metrics.classification_report
.
Neyron tarmoqning asosiy afzalliklaridan biri shundaki, u juda murakkab funksiyalarni
ifodalay oladi.
Agar faollashtirish funktsiyalari qo‘llanilmasa, chiqish signali bir darajali polinom
bo‘lgan chiziqli funktsiya bo‘ladi. Chiziqli tenglamalarni yechish oson bo‘lsada, ular cheklangan
murakkablik omiliga ega va shuning uchun ma’lumotlardan murakkab funktsional xaritalarni
o‘rganish qobiliyati kamroq. Shunday qilib, faollashtirish funktsiyasisiz neyron tarmoq
cheklangan imkoniyatlarga ega chiziqli regressiya modeli bo‘ladi.
Eng mashhur faollashtirish funktsiyalari quyidagilarni o‘z ichiga oladi:
-
sigmoid
funktsiya haqiqiy sonni oladi va uni 0 dan 1 gacha bo‘lgan songa
aylantiradi. Xususan, katta manfiy sonlar 0 ga, katta musbat sonlar esa 1 ga aylanadi.
-
Tanh
funksiyasi x
haqiqiy sonni [-1, 1] diapazoniga siqib chiqaradi. Uning
chiqishi nol markazga ega. Bu sozlangan sigmasimon tanh funktsiyasi ekanligini ko‘rish
mumkin.
-
Softmax
funktsiya 0 va 1 qiymatlari o‘rtasida o‘zgarib turadigan natijani hosil qiladi va
ehtimolliklar yig‘indisi 1 ga teng.
ISSN:
2181-3906
2025
International scientific journal
«MODERN
SCIENCE
АND RESEARCH»
VOLUME 4 / ISSUE 7 / UIF:8.2 / MODERNSCIENCE.UZ
454
-
ReLU (Rectified linear unit)
U (
𝑥
) = max(0,
𝑥
) funksiyasini baholaydi. Boshqacha qilib
aytganda, faollashtirish oddiygina nol chegaraga ega.
-
ELU (Exponential Linear Units) x
bu yerda manfiy komponent
eksponensial belgilar yordamida modellashtiriladi.
Chuqur o‘rganish, ayni
qsa, yuzni aniqlash, matnni tarjima qilish va ovozni aniqlash kabi
murakkab identifikatsiya dasturlari uchun juda mos keladi[5][6].
Neyron tarmog‘ining natijalari ko‘p jihatdan parametrlarni tanlashga bog‘liq. Ularni
aniqlashning yagona umumiy algoritmi yo‘q, shuning uchun hamma narsa sinov va xatoliklar
orqali amalga oshiriladi. Eng maqbul qiymatlarni aniqlash uchun turli qiymatlarga ega bo‘lgan
bir nechta turli xil variantlarni amalga oshirish kerak.
VGG16 ni tasniflash qatlamlarisiz yuklaymiz va unga o‘z
qatlamlarimizni qo‘shamiz:
Flatten.
Ushbu qatlam kirish ma'lumotlarini pastroq o‘lchamga aylantiradi (masalan,
(batch_size, 3,2) → (batch_size, 6)).
Dropout.
Har bir yangilanishda tasodifiy tanlangan bir qismini nolga o‘rnatish orqali
ortiqcha moslama muammosini oldini olish uchun foydalaniladi.
Dense.
Oldingi qatlamning barcha tugunlaridan ma’lumotlarni qabul qiladi [9].
BatchNormalization
. Ushbu qatlam chuqur o‘rganishni tezlashtirish uchun ishlatiladi va
quyidagi muammoni hal qilishga yordam beradi:
-
signal tarmoq orqali tarqaladi, hatto biz uni kirishda normallashtirgan bo‘lsak ham, ichki
orqali o‘tadi;
-
qatlamlar, u matematik kutishda ham dispersiyada ham sezilarli darajada buzilishi
mumkin, bu turli darajadagi gradientlar o‘rtasida jiddiy tafovutlar bilan to‘la bo‘ladi.
Shu sababli, kuchliroq tartibga soluvchi vositalardan foydalanish kerak, bu esa o‘rganish
tezligini pasaytiradi. BatchNormalization ushbu muammoning juda oddiy yechimini taklif qiladi:
kiritilgan ma’lumotlarni nol matematik kutish va birlik dispersiyasini oladigan tarzda
normallashtirish [10].
Odatda, zich qatlam tasvirni tasniflash uchun barcha konvolyutsiyalardan so‘ng oxiri
qo‘shiladi. Shu bilan birga, Zich qatlamning kirishi 2D, Convolution qatlamining chiqishi esa 4D
massividir. Shuning uchun biz konvolyutsiya qatlamidan olingan chiqish signalining o‘lchamini
ikki o‘lchovli massivga o‘zgartirishimiz kerak. Buni Convolution qatlamidan keyin Flatten
qatlamini qo‘yish orqali qilaylik.
Tasvirning uch o‘lchamini bir o‘lchamga aylantirib, qatlamni tekislaymiz. Endi bizda
zich qatlamlar uchun mos bo‘lgan 2D massiv mavjud [11].
Quyidsa neyron tarmoq modelining to‘rtta variantining natijalari keltirilgan:
Birinchi model uchun tasniflash qatlamlarining quyidagi tuzilishi tanlangan:
Flatten->Dense->BatchNormalization->Dense->Dense->Dropout->Dense
Trening natijasida quyidagi natijaga erishildi:
precision
recall
F1-score
0 0.94
0.69
0.79
1 0.76
0.96
0.85
Ikkinchi model uchun tasniflash qatlamlarining tuzilmasi ishlab chiqildi:
ISSN:
2181-3906
2025
International scientific journal
«MODERN
SCIENCE
АND RESEARCH»
VOLUME 4 / ISSUE 7 / UIF:8.2 / MODERNSCIENCE.UZ
455
Dropuot->Flatten-> Dropuot->Dense->BatchNormalization->Dense->Dropout->Dense
Trening natijasida quyidagi natijaga erishildi:
precision
recall
F1-score
0 0.97
0.75
0.85
1 0.80
0.98
0.88
Uchinchi model uchun tasniflash qatlamlari quyidagicha:
Flatten-> Dropuot-> Dense->BatchNormalization->Dense->Dropout->Dense
Trening natijasida quyidagi natijaga erishildi:
precision
recall
F1-score
0 0.99
0.77
0.85
1 0.82
0.99
0.90
To‘rtinchi model uchun tasniflash qatlamlari quyidagi tuzilishga ega:
Flatten->Dense->BatchNormalization->Dense->Dropout->Dense
Trening natijasida quyidagi natijaga erishildi:
precision
recall
F1-score
0 0.93
0.88
0.90
1 0.88
0.93
0.91
Yuqorida natijalarni umumiy solishtirma jadvali quyidagi jadvalda keltirilgan:
1-
jadval. To‘rtta modulning solishtirma n
atijalari
№ 1
№ 2
№ 3
№ 4
Precision
0.85
0.89
0.91
0.91
Recall
0.82
0.87
0.88
0.91
F-
меры
0.82
0.87
0.89
0.91
Jadvalda to‘rtinchi model eng yaxshi natijalarni ko‘rsatdi. So‘nggi ikki modelning aniqlik
qiymatlari bir xil bo‘lsada, to‘rtinchi model uchun boshqa ko‘rsatkichlar yuqoriroq. Qaror qabul
qilishning asosiy mezoni to‘rtinchi model uchun eng katta olingan F
-
o‘lchovidir.
Natijada ushbu
model miyaning MRI tasvirida o‘smalarni aniqlashning eng muvaffaqiyatlisi ekanligi aniqlandi.
Ushbu model asosida miyaning MRI tasvirida o‘smalarni aniqlaydigan neyron tarmoq
dasturi yaratildi.
Umumiy natija shuni ko‘rsatadiki, maqolada neyron tarmoqlarni imkoniyatlari o‘ganildi
hamda ularni taqqoslash natijasida (VGG16, ResNet34, ResNet152) VGG16 takomillashtirish
uchun tanlandi. Miyaning MRI tasvirida o‘smalarni aniqlaydigan neyron tarmoq modellari sinov
natijalari asosida takomillashtirildi.
Xulosa qilib aytish mumkinki, tasvirlar to‘rtta ishlab chiqilgan neyron tarmoq modellari
ishi asosida ulardagi o‘smalar mavjudligiga ko‘ra tasniflandi va eng yaxshisi tanlandi. Kelajakda
neyron tarmoqlardan foydalanish katta hajmdagi ma’lumotlarni tez va aniq qayta ishlovchi
dasturiy ta’minotda, shuningdek, odamlar qila olmaydigan narsalarni ko‘rish va bajarishga qodir
bo‘lgan mashinalarda foydalanish mumkinligini ko‘rsatadi. Neyron tarmog‘i yordamida olib
borilgan tadqiqotlar tibbiyot sohasining ko‘plab o‘rganilmagan imkoniyatlarini ko‘rsatadi.
ISSN:
2181-3906
2025
International scientific journal
«MODERN
SCIENCE
АND RESEARCH»
VOLUME 4 / ISSUE 7 / UIF:8.2 / MODERNSCIENCE.UZ
456
ADABIYOTLAR RO‘YXATI (REFERENCES)
1.
Zaynidinov H., Nurmurodov J., Qobilov S. Application of Machine Learning Methods
for Signal Processing in Piecewise-Polynomial Bases // Proceedings - 9th IEEE
International Conference on Information Technology and Nanotechnology, ITNT 2023,
2023
2.
Zaynidinov H., Singh M., Tiwary U.S., Singh D. Lecture Notes in Computer Science
(including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in
Bioinformatics) 2023, 13741 LNCS, страницы v–
vi
3.
Zaynidinov H., Mallayev O. Parallel Algorithm for Calculating the Learning Processes of
an Artificial Neural Network // AIP Conference Proceedingsthis link is disabled, 2022,
2647, 050006
https://doi.org/10.1063/5.0104178
4.
Mallayev O.U. Parallellik paradigmasi asosida tibbiy tasvirlarga raqamli ishlov
berishning parallel algoritmi// Innovation in technology and science education
conference. Volume 2 Issue 11. ISSN 2181-371X
5.
Neural Network | Machine Learning Tutorial [
Электронный
ресурс
], // URL:
https://sci2lab.github.io/ml_tutorial/neural_network/#CommonActivation-Functions
(
дата
обращения
: 13.01.2020)
6.
What Is a Neural Network?
[Электронный ресурс], 1994
-2021 // The MathWorks, Inc,
URL: https://www.mathworks.com/discovery/neuralnetwork.html (дата обращения:
05.03.2020)
7.
Neurohive. Рутинные задачи с минимальным риском [Электронный ресурс], // URL:
https://neurohive.io/ru/novosti/nejronnye-seti-v-medicine/ (20.05.2020)
8.
Волчек Ю.А., Шишко О.Н., Спиридонова О.С., Мохорт Т.В.. Положение модели
искусственной нейронной сети в медицинских экспертных системах// Juvenis
scientia.
–
2017.
–
№. 9.
9.
Как работают слои в Keras, их типы и свойства ~ PythonRu [Электронный ресурс],
// URL: https://pythonru.com/biblioteki/sloi-kerasparametry-i-svojstva-keras-
5 (дата
обращения: 17.02.2021)
10.
Глубокое обучение для новичков: тонкая настройка нейронной сети [Электронный
ресурс], // URL: https://habr.com/en/company/wunderfund/ blog/315476/ (дата
обращения: 19.02.2021)
11.
(20) Понимание размерности ввода
-
вывода в свёрточной нейронной сети
[Электронный ресурс], // URL: https://id
-lab.ru/posts/developers/ ponimanie-
razmernosti-vvoda-vyvoda-v-svyortochnoj-nejronnoj-seti-
keras/
(дата
обращения:
10.04.2021
