RAQAMLI TASVIRLARNI QAYTA ISHLASHDA SUN’IY INTELLEKT ASOSIDAGI SEGMENTATSIYA VA FILTRLASH USULLARINING SAMARADORLIGI
Keywords:
Kalit so‘zlar: Raqamli tasvirlarni qayta ishlash; sun’iy intellekt; chuqur o‘rganish; segmentatsiya; filtrlash; tibbiy tasvirlar; CNN; GAN.Abstract
Annotatsiya
Raqamli tasvirlarni avtomatik qayta ishlashda sun’iy intellekt (SI)
texnologiyalari, xususan chuqur o‘rganuvchi neyron tarmoqlar, an’anaviy usullarga
nisbatan sezilarli ustunlik bermoqda. Ushbu maqolada raqamli tasvirlarni
segmentatsiya qilish va filtrlash (shovqinni tozalash, tasvir sifatini oshirish) bo‘yicha
SI asosidagi yondashuvlarning samaradorligi tahlil qilinadi. Tibbiy tasvirlar misolida
konvolyutsion neyron tarmoqlar (CNN) yordamida tasvirlarni aniqlik bilan
segmentatsiya qilish hamda generativ raqobatlashuvchi tarmoqlar (GAN) orqali
tasvirlarni filtrlay olish imkoniyatlari ko‘rib chiqiladi. Chuqur o‘rganuvchi modellar
yordamida segmentatsiya aniqligi va tasvir sifatini oshirish ko‘rsatkichlari tahliliy
jadvallar va grafiklar yordamida solishtirilib, an’anaviy metodlardan ustunligi
namoyish etiladi. Maqolada keltirilgan natijalar SI asosidagi yondashuvlarning tibbiy
diagnostika va boshqa sohalardagi amaliy ahamiyatini tasdiqlaydi.
References
Adabiyotlar
1. B. Sistaninejhad, H. Rasi, and P. Nayeri, “A review paper about deep learning for
medical image analysis,” Computational and Mathematical Methods in Medicine,
vol. 2023, Art. ID 7091301, 2023[4][6]. doi: 10.1155/2023/7091301.
2. Sciotex.com, “CNN vs GAN: A Comparative Analysis in Image Processing for
Computer Vision Systems,” Sciotex AI Blog, 2023[14][50]. [Online]. Available:
https://sciotex.com/cnn-vs-gan-a-comparative-analysis-in-image-processing-for-
computer-vision-systems.
3. W. Ahmad, H. Ali, and S. Azmat, “A new generative adversarial network for
medical images super resolution,” Scientific Reports, vol. 12, no. 1, p. 9533,
2022[39][42]. doi: 10.1038/s41598-022-13658-4.
4. R. Palwankar and R. Bansode, “Medical images denoising using filters and neural
network: comparison through implementations,” Journal of Information Systems
Engineering and Management, vol. 10, no. 9s, pp. 501–511, 2025[33][34]. doi:
10.52783/jisem.v10i9s.1249.
5. Y. Xu et al., “Advances in medical image segmentation: a comprehensive review
of traditional, deep learning and hybrid approaches,” Bioengineering, vol. 11, no.
10, Article 1034, 2023[15][17]. doi: 10.3390/bioengineering11101034.
6. R. T. Sadia, “Medical image denoising with CNN,” Becoming Human: Artificial
Intelligence Magazine (Medium), 20 July 2024[36]. [Online].
