TISH KARIYESINI ERTA ANIQLASHDA CHUQUR O‘RGANISH ASOSIDAGI YENGIL MODEL: BITEWING RENTGEN TASVIRLARIDA U-NET MODELINING QO‘LLANILISHI

225

Issue 7(42), Volume 1 | ISSN 3030-377X | 15.04.2025

SCIENCE SHINE

INTERNATIONAL SCIENTIFIC JOURNAL

TISH KARIYESINI ERTA ANIQLASHDA CHUQUR O‘RGANISH

ASOSIDAGI YENGIL MODEL: BITEWING RENTGEN TASVIRLARIDA U-

NET MODELINING QO‘LLANILISHI

Otaqulova Shahribonu Otabekovna

,

Muahammad al-Xorazmiy nomidagi TATU 2-bosqich magistranti

Annotasiya:

Ushbu maqolada tish kariyesini erta bosqichda aniqlashda chuqur

o‘rganish (deep learning) texnologiyalarining qo‘llanilishi, ayniqsa, U-Net
konvolyutsion neyron tarmog‘ining samaradorligi o‘rganiladi. Tibbiy tasvirlarni tahlil
qilishda U-Net arxitekturasi yordamida kariyes o‘choqlarini yuqori aniqlikda
segmentatsiya qilish mumkin. Maqolada model tuzilmasi, uning ishlash printsipi va
stomatologiyada amaliy natijalari ko‘rib chiqiladi.

Kalit so‘zlar:

Tish kariyesi, tibbiy tasvir, segmentatsiya, U-Net, chuqur

o‘rganish, CNN, bitewing rentgen tasvirlari.

Tish kariyesi — dunyo bo‘yicha eng keng tarqalgan og‘iz kasalliklardan biri

bo‘lib, uni erta aniqlash kasallikni davolash va oldini olishda muhim rol o‘ynaydi.
An’anaviy diagnostika usullari, masalan, vizual tekshiruv va rentgen tahlillari,
ko‘pincha subyektivlikka moyil bo‘lib, natijalar mutaxassis tajribasiga bog‘liq
bo‘ladi. Shu sababli, sun’iy intellektdan, xususan, chuqur o‘rganish asosidagi
yondashuvlardan foydalanish diagnostika jarayonini avtomatlashtirishda katta
imkoniyatlar yaratmoqda.

Tish kariyesini aniqlashdagi model – U-Net

U-Net modeli konvolyutsion neyron tarmoqlar (CNN) asosida yaratilgan bo‘lib,

tibbiy tasvirlarda segmentatsiyani aniq bajarish uchun maxsus ishlab chiqilgan.
Model simmetrik encoder va decoder tuzilmasiga ega bo‘lib, har bir pikselni alohida
tahlil qilish orqali tasvirdagi muhim sohalarni aniqlaydi. U-Net arxitekturasi bitewing
rentgen tasvirlari orqali tish yuzasidagi kariyes o‘choqlarini yuqori aniqlikda
segmentatsiya qilishga imkon beradi.

226

Issue 7(42), Volume 1 | ISSN 3030-377X | 15.04.2025

SCIENCE SHINE

INTERNATIONAL SCIENTIFIC JOURNAL

1-rasm

. U-Net modeli arxitekturasi

U-Net – bu, tibbiyotdagi tasvirlarni segmentatsiya qilish (ajratib ko‘rsatish)

uchun maxsus ishlab chiqilgan konvolyutsion neyron tarmoq arxitekturasi. U
o‘zining “U” shaklidagi tuzilmasi bilan ajralib turadi.

Siqish yo‘li (Encoder)

Konvolyutsiya qatlamlari: Har bir blokda ikki marta 3×3 konvolyutsiya va

ReLU aktivatsiya funktsiyasi mavjud bo‘lib, ular kirish tasviridan xususiyatlarni
chiqarib oladi. Pooling (suzish) qatlamlari: 2×2 o‘lchamdagi max-pooling qatlamlar
orqali tasvir o‘lchami kamaytiriladi, bu esa kontekstual ma’lumotni yaxshiroq
tushunishga yordam beradi.

Kengaytirish yo‘li (Decoder)

Upsampling (qayta kattalashtirish): Transpoz konvolyutsiya orqali tasvir hajmi

ikki baravar oshiriladi.

Concatenation (birlashma): Yuqoriga kattalashtirilgan qatlamlar siqish yo‘lidan

olingan mos qatlamlar bilan birlashtiriladi.

Yakuniy qatlam: 1×1 konvolyutsiya orqali har bir piksel uchun klass aniqlanadi

(masalan, kariyes bor yoki yo‘qligi).

227

Issue 7(42), Volume 1 | ISSN 3030-377X | 15.04.2025

SCIENCE SHINE

INTERNATIONAL SCIENTIFIC JOURNAL

2-

rasm

. U-Net ning boshqa arxitekturalardan farqi

Bizning chuqur o‘rganish modeli U-Net arxitekturasiga asoslangan bo‘lib, bu

tibbiy tasvirlarni segmentatsiya qilishda keng qo‘llaniladi. Modelni o‘rgatish uchun
304 ta bitewing rentgen tasviri ishlatilgan. Har bir tasvirda karies mavjud bo‘lgan
hududlar stomatologlar tomonidan belgilangan. Modelning samaradorligini baholash
uchun esa 50 ta alohida rentgen tasviri sinov to‘plami sifatida ajratilgan.

Modelni o‘rgatish jarayonida tasvirlar normalizatsiya qilinib, o‘lchamlari

256×256 pikselga o‘zgartirildi. Modelning chiqishi har bir piksel uchun karies
mavjudligi ehtimolini bildiruvchi qiymat bo‘lib, bu qiymatlar 0 dan 1 gacha bo‘lgan
oraliqda bo‘ladi. Modelning chiqishi va stomatologlar tomonidan belgilangan haqiqiy
niqoblar o‘rtasidagi farqni minimallashtirish uchun yo‘qotish funksiyasi sifatida binar
kross-entropiya

ishlatilgan.Modelning

o‘qitilishi davomida optimallashtirish

algoritmi sifatida Adam optimizeri tanlangan. Modelning parametrlarini sozlash
uchun sinov to‘plamidagi natijalarga asoslanib, o‘qitish davomida turli
giperparametrlar, masalan, o‘rganish tezligi va epochlar soni, aniqlangan. Modelning
yakuniy versiyasi sinov to‘plamidagi eng yaxshi natijalarni ko‘rsatgan konfiguratsiya
asosida tanlangan.

228

Issue 7(42), Volume 1 | ISSN 3030-377X | 15.04.2025

SCIENCE SHINE

INTERNATIONAL SCIENTIFIC JOURNAL

3-rasm

. Tish kariesini aniqlash uchun stomatologning teg qo'yish va chuqur

o'rganish modeli segmentatsiyasini taqqoslash

Amaliy qo‘llanilishi va natijalar

Tadqiqotda 304 ta bitewing rentgen tasviri modelni o‘rgatish uchun, 50 ta esa

modelning samaradorligini baholash uchun ishlatilgan. Modelning umumiy
diagnostik ko‘rsatkichlari quyidagicha:

Aniqlik (Precision): 63.29%
Sezgirlik (Recall): 65.02%
F1-koeffitsient: 64.14%
Bu natijalar modelning kariesni aniqlashda yetarli darajada aniqlik bilan

ishlashini ko‘rsatadi.

4-rasm

. Radiografik stomatologik tasvirni segmentatsiyalash natijalari

Xulosa. U-Net modelining stomatologik diagnostikadagi amaliy qo‘llanilishi

uning tibbiy texnologiyalar sohasidagi eng istiqbolli vositalardan biri ekanligini
ko‘rsatmoqda. Kariesni erta va aniq aniqlash orqali bemorlar davolanishni tezroq
boshlashi mumkin, bu esa sog‘liqni saqlash tizimi samaradorligini oshiradi.

Foydalanilgan adabiyotlar:

1.

Haghanifar, A., Majdabadi, M. & Ko, S. Paxnet: Dental caries detection in

panoramic

X-ray

using

ensemble

transfer

learning

and

capsule

classifier. https://arxiv.org/abs/2012.13666 (2020).

2.

Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional

Networks for Biomedical Image Segmentation.

Medical Image Computing and

Computer-Assisted Intervention (MICCAI)

.

3.

https://en.wikipedia.org/wiki/U-Net_(machine_learning)