190
3-Rasm. 906 Hz markaziy chastotali diapazon osti uchun, diapazon osti spektri,o‘rtacha
energiya, spektral sentroid.
Xulosa.
Xulosa qilib aytish mumkinki, Chiziqli bashoratlash va spektral sentroid usullari
uzoq vaqt davomida nutqni raqamli qayta ishlash vazifalarida asosiy yondashuvlardan biri bo‘lib
qolmoqda. Ushbu usullar yordamida nutqni tanib olishdagi xatolikni bir muncha kamaytirish
mumkin.
Foydalanilgan adabiyotlar ro‘yxati
1.
Крылова И.Ю., Рудакова О.С. Биометрические технологии как механизм
обеспечения информационной безопасности в цифровой экономике // Молодой ученый.
– 2018. – № 45. – С. 74–79.
2.
Фант Г. Акустическая теория речеобразования / пер. с англ. Л.А. Варшавского и
В.И. Медведева ; под ред. В.С. Григорьева. – М.: Наука, 1964. – 284 с.
3.
Фланаган Дж.Л. Анализ, синтез и восприятие речи: пер. с англ. / под ред. А.А.
Пирогова. – М.: Связь, 1968. – 396 с.
4.
Кодзасов С.В., Кривнова О.Ф. Общая фонетика. – М.: Рос. гос. гуманит. ун-т,
2001. – 592 с.
5.
Рабинер Л.Р., Шафер Р.В. Цифровая обработка речевых сигналов: пер. с англ. /
под ред. М.В. Назарова и Ю.Н. Прохорова. – М.: Радио и связь, 1981. – 496 с.
6.
– Sapporo, Japan, 2014. – P. 300–302.
7.
Investigation of spectral centroid magnitude and frequency for speaker recognition /
J.M.K. Kua, T. Tharmarajah, M. Nosratighods, E. Ambikairajah, J. Epps // Odyssey 2010.
The Speaker and Language Recognition Workshop. – Brno, Czech Republic, 2010. – P. 34–
39.
GISTOLOGIK TASVIR CHEGARASIGA TEGIB TURGAN SOHALARNI OLIB
TASHLASH USULI
t.f.d., k.i.x. Mirzayev Nomaz,
tayanch doktorant Meliyev Farxod Fattoyevich,
stajer tadqiqotchi G'afforov Nuraddin Yorkin o'g'li
Raqamli texnologiyalar va sunʼiy intellektni rivojlantirish ITI
Annotatsiya:
Mazkur ishda gistologik tasvirlarni boʻsagʻaviy segmentlash usuli tadqiq
qilinib, tasvir chegaralarida boʻlgan va tasvirda toʻliq nomoyon boʻlmagan sohalarni olib
tashlash usuli taklif etilgan. Usul eksperimental tadqiqotlar orqali tekshirib ko’rilgan. Taklif
qilingan usul asosida yaratilgan dasturiy vosita yordamida olib borilgan tajribaviy tadqiqotlar
yoritilgan.
Kalit soʻzlar:
gistologik tasvir, tasvirlarga raqamli ishlov berish, segmentlash,
boʻsagʻaviy funksiya, sinflararo dispersiya.
Kirish
Zamonaviy tibbiy tasvirlarga ishlov berish usullari tashxis aniqligi va samaradorligini
oshirishda, ayniqsa gistologiya sohasida muhim rol oʻynaydi [1]. Hozirgi tibbiy diagnostikada
bemorlarning toʻqimalari va hujayralari haqida maʼlumot olish uchun gistologik tasvirlar keng
qoʻllaniladi. Tibbiyot sohasida tasvirlarni olishning raqamli gistologiya kabi yuqori texnologiyali
usullari paydo boʻlishi bilan olingan maʼlumotlarni qayta ishlash va tahlil qilishning
avtomatlashtirilgan usullariga ehtiyoj ortdi [2,3]. Ushbu sohadagi asosiy muammolardan biri
gistologik tasvirlarda biologik tuzilmalar hajmi va chegaralarini avtomatlashtirilgan tarzda
aniqlashdir. Gistologik tasvirlarda sohalarning oʻlchamini aniqlash maʼlumotlarni tahlil qilish
191
jarayonidagi asosiy qadam boʻlib, uni avtomatlashtirish tibbiy tadqiqotlarning aniqligi va
samaradorligini sezilarli darajada oshirishi mumkin. Biroq, gistologik tasvirlarda biologik
sohalarning aniq va samarali oʻlchamlarini aniqlash diagnostika va davolashni rejalashtirish
uchun aniqroq maʼlumotlarni taqdim etish uchun muhim masala boʻlib qolmoqda.
Masalaning qoʻyilishi
Gistologik tasvirni
𝑀 × 𝑁
oʻlchamdagi
I
matritsa shaklida taqdim qilaylik, bunda har bir
𝐼
𝑖𝑗
element pikselning
(𝑖, 𝑗)
pozitsiyasidagi intensivligini ifodalaydi.
B -
tasvirni boʻsagʻaviy
segmentlash orqali olingan binar tasvir boʻlsin, bunda
𝐵
𝑖𝑗
ning har bir elementi piksel tanlangan
sohaga tegishli boʻlsa 1 ga, aks holda 0 ga teng.
Sohalarning oʻlchamlarini aniqlash uchun quyidagi belgilashlarni kiritamiz:
1.
R boʻsagʻaviy segmentlash bilan aniqlangan sohalar toʻplami boʻlsin. Har bir
𝑟 ∈ 𝑅
soha B binar tasviridagi piksellar toʻplamini ifodalaydi.
2.
Har bir
𝑟 ∈ 𝑅
soha uchun piksellar soni, yaʼni uning
𝐴
𝑟
oʻlchamini aniqlash kerak
boʻlsin.
Shunday qilib, masalani matematik tarzda quyidagicha shakllantirish mumkin:
1.
Binar tasvirni shakllantirish:
𝐵
𝑖𝑗
=
{
1, a𝑔𝑎𝑟 I
𝑖𝑗
≥ T
0, agar I
𝑖𝑗
< T
(1)
bunda
T
– boʻsagʻaviy qiymat.
2.
Sohalar toʻplamini aniqlash:
𝑅 = {𝑟
1
, 𝑟
2
, … , 𝑟
𝑘
}
Maqsad R toʻplamning gistologik tasvirdagi oʻlchamlari biologik tuzilmalarga mos
keladigan sohalarini oʻz ichiga olishini taʼminlaydigan
T
boʻsagʻaviy qiymatni topishdan
iboratdir.
Taklif etilayotgan usullar.
Boʻsagʻaviy segmentatsiya - bu piksellarni intensivligi yoki rangiga qarab ikki guruhga
ajratadigan tasvirga ishlov berish usuli.Boʻsagʻaviy segmentatsiyaning asosiy gʻoyasi yorqinlik
yoki rang qiymati uchun shunday boʻsagʻaviy qiymatni belgilashdan iborat boʻladiki, unda
piksel u yoki bu sinfga tegishli deb hisoblanadi [4]. Intensivligi boʻsagʻaviy qiymatdan katta
boʻlgan piksellar bir sinfga, intensivligi boʻsagʻaviy qiymatdan kichik boʻlgan piksellar esa
boshqa sinfga tegishli boʻladi.
Zamonaviy masalalarda tasvirni binarizatsiya qilish uchun optimal boʻsagʻaviy qiymatini
avtomatik ravishda hisoblash kerak boʻladi. Bunday masalalarda tasvirni binarlashtirishning
boʻsagʻaviy qiymatini avtomatik hisoblash uchun Otsu usuli keng qoʻllaniladi [5]. Otsu
piksellarning ikkita sinfi: fon va obʼekt (yoki fon va old fon oʻrtasidagi) oʻrtasidagi ajratishni
maksimal darajada oshiradigan mezonni taklif qildi [6]. Matematik jihatdan u sinf ichidagi
dispersiyani minimallashtirish va sinflararo dispersiyani maksimallashtirishga asoslanadi va uni
quyidagi bosqichlar bilan tavsiflash mumkin:
1.
Har bir yorqinlik darajasining paydo boʻlish ehtimoli
𝑝(𝑖)
ni hisoblash:
𝑝(𝑖) =
𝑛
𝑖
𝑁
, (2)
bunda
𝑛
𝑖
- yorqinlik darajasi
𝑖
boʻlgan piksellar soni, N - tasvirdagi piksellarning umumiy soni.
2.
Ikki
𝑤
0
(𝑡)
va
𝑤
1
(𝑡)
sinflar uchun umumiy ehtimollikni hisoblash
:
𝑤
0
(
𝑡
)
=
∑
𝑝
(
𝑖
)
𝑡
𝑖=0
,
𝑤
1
(
𝑡
)
=
∑
𝑝
(
𝑖
)
𝐿−1
𝑖=𝑡+1
, (3)
bunda
𝑤
0
(
𝑡
)
- yorqinlik darajasi
𝑡
dan kam boʻlgan barcha piksellarning umumiy
ehtimoli,
𝑤
1
(
𝑡
)
- yorqinlik darajasi
𝑡
dan katta boʻlgan barcha piksellarning umumiy
ehtimoli,
𝐿
- yorqinlik darajalarining umumiy miqdori.
3.
Ikki
𝜇
0
(𝑡)
va
𝜇
1
(𝑡)
sinf uchun oʻrtacha qiymatlarni hisoblash:
𝜇
0
(
𝑡
)
=
1
𝑤
0
(
𝑡
)
∑
𝑖 ∙ 𝑝
(
𝑖
)
𝑡
𝑖=0
,
𝜇
1
(
𝑡
)
=
1
𝑤
1
(
𝑡
)
∑
𝑖 ∙ 𝑝
(
𝑖
)
𝐿−1
𝑖=𝑡+1
. (4)
192
4.
Ikki
𝜎
0
2
(𝑡)
va
𝜎
1
2
(𝑡)
sinf uchun sinf ichidagi dispersiyani hisoblash:
𝜎
0
2
(𝑡) =
1
𝑤
0
(
𝑡
)
∑
(𝑖 − 𝜇
0
(
𝑡
)
)
2
∙ 𝑝
(
𝑖
)
𝑡
𝑖=0
,
𝜎
1
2
(𝑡) =
1
𝑤
1
(
𝑡
)
∑
(𝑖 − 𝜇
1
(
𝑡
)
)
2
∙ 𝑝
(
𝑖
)
𝐿−1
𝑖=𝑡+1
. (5)
5.
Sinflararo dispersiyani hisoblash
𝜎
2
(
𝑡
)
:
𝜎
2
(
𝑡
)
= 𝑤
0
(
𝑡
)
∙ 𝑤
1
(
𝑡
)
∙ (𝜇
0
(
𝑡
)
− 𝜇
1
(
𝑡
)
)
2
(6)
6.
Otsu mezoniga koʻra boʻsagʻaviy qiymatni tanlash:
𝑡
∗
= 𝑎𝑟𝑔 𝑚𝑎𝑥
𝑡
𝜎
2
(
𝑡
)
(7)
6 - qadamda olingan
𝑡
∗
boʻsagʻaviy qiymat tasvirni binarizatsiya qilish uchun optimal
boʻsagʻaviy qiymat boʻladi. Yorqinlik darajasi
𝑡
∗
dan kam yoki unga teng boʻlgan piksellar bir
sinf, yorqinligi darajasi
𝑡
∗
dan kattaroq piksellar boshqa sinf hisoblanadi.
Gistologik tasvirlar murakkab tarkibga ega boʻlganligi va toʻqimalarning mikroskopik
tasvirlarini ifodalaganligi sababli, bunday tasvirlarda baʼzi artefaktlar, shovqinlar, tasvirga toʻliq
yoki qisman kirmagan obʼektlarning sohalari, shuningdek, tasvirning chegaralarga tegib qolgan
sohalar boʻlishi mumkin [7]. Noaniqliklarga yoʻl qoʻymaslik uchun odatda bunday sohalarni olib
tashlash tavsiya etiladi. Bunday sohalarni olib tashlash uchun quyidagi usuldan foydalanish
mumkin.
Tasvir chegarasiga tegib turgan sohalarni olib tashlash usuli
.
Faraz qilaylik
𝑍
tasvir berilgan boʻlib,
𝐴 × 𝐵
uning oʻlchamlari boʻlsin, unda
𝑍
𝑖𝑗
pikselning (i,j) pozitsiyadagi intensivligini ifodalasin. Intensivlik qiymatlari [0, 1] oraliqda deb
qabul qilinadi, bunda 0 qora (fon), 1 oq (obʼekt).
Tasvir chegarasiga tegib turgan sohalarni olib tashlash usuli quyidagi bosqichlarda
amalga oshiriladi:
1.
Chegaradagi sohalarni aniqlash
:
Buni chegaraga tegib turgan piksellar joylashgan sohalarni aniqlash orqali amalga
oshirish mumkin. Binar tasvirni belgilab chiqamiz, yaʼni piksel sohaga tegishli boʻlsa,
𝑉
𝑖𝑗
=1 deb olinadi, aks holda
𝑉
𝑖𝑗
=0 ga teng.
𝑉
𝑖𝑗
= {
1, 𝑎𝑔𝑎𝑟 𝑍
𝑖𝑗
= 1 𝑣𝑎 𝑖 = 0 𝑦𝑜𝑘𝑖 𝑖 = 𝐴 − 1 𝑦𝑜𝑘𝑖 𝑗 = 0 𝑦𝑜𝑘𝑖 𝑗 = 𝐵 − 1
0, aks holda.
2.
Sohalarni olib tashlash:
Chegaraga mos keladigan sohalar olib tashlanadi. Bunga ushbu sohalarning piksel
qiymatlarini 0 ga tenglashtirish orqali erishish mumkin.
𝑍
𝑖𝑗
=
{
0, 𝑎𝑔𝑎𝑟 𝑉
𝑖𝑗
= 1
𝑍
𝑖𝑗
, aks holda.
(8)
Shunday qilib, matematik jihatdan, bu usul tasvir chegarasidagi sohalarga tegishli
piksellar qiymatlarini nolga tenglashtirish uchun binar niqob [8] bilan elementlarni koʻpaytirish
operatsiyasi qoʻllanadi.
Eksperimental tadqiqotlar
Yuqoridagi usullarning ishlashi amalda eksperimental tadqiqotlar bilan tasdiqlangan.
Eksperimental tadqiqot obʼektlari sifatida inson oʻpkasining gistologik tasvirlari tanlangan (1-
rasm).
a b
1-rasm. Inson oʻpkasining gistologik tasviri:
(a) - rangli tasvir, (b) – kulrang rangdagi tasvir.
193
2a-rasmda (2-7) formulalar yordamida ushbu tasvirning boʻsagʻaviy segmentatsiyasi
natijasi koʻrsatilgan. Rasm segmentatsiyasidan soʻng, yuqoridagi usul va (8) formuladan
foydalanib, tasvir chegaralariga tegib turgan sohalarni olib tashlash mumkin. Olib tashlash
natijasi 2b-rasmda koʻrsatilgan.
a b
2-rasm. Chegaraga tegib turgan sohalarni olib tashlash natijasi:
(a) - segmentlangan tasvir, (b) - chegaraga tegib turgan sohalarni olib tashlanganidan
keyin natija.
Yuqoridagi usuldan foydalanishni avtomatlashtirish uchun Pythonda dasturiy vosita
yaratildi, u yordamida tasvirlarni ochish, segmentlash, chegaralardagi sohalarni oʻchirish va
sohalar haqidagi maʼlumotlarni filtrlash uchun baʼzi qiymatlarni oʻrnatish mumkin.
Xulosa
Ushbu ishda gistologik tasvirlarga keng qoʻllaniladigan va tibbiyot, biologiya va boshqa
fanlar sohasidagi tadqiqotlar imkoniyatlarini kengaytiruvchi, toʻqimalar va hujayralar
tuzilmalarini yanada chuqurroq oʻrganish imkonini beruvchi boʻsagʻaviy segmentatsiya usuli
qoʻllanildi. Tasvirga toʻliq tushmagan yoki tasvir chegaralariga tegib turgan sohalarni olib
tashlashning bosqichma-bosqich usuli
tavsiflangan. Ushbu usullardan
foydalanishni
avtomatlashtirish uchun gistologik tasvirlarni tahlil qilish uchun foydalaniladigan dasturiy vosita
yaratildi.
Taʼriflangan segmentatsiya usuli tibbiy diagnostika va ilmiy tadqiqotlarda muhim
istiqbolga ega boʻlgan tahlillarni avtomatlashtirish va aniqligini oshirishning muhim vositasi
sifatida xizmat qilishi mumkin.
Adabiyotlar
1.
S. Cohen, B. Wood, M. Bui. "Digital Pathology: Historical Perspectives, Current Concepts &
Future Applications". Springer, 2016.-116 p.
2.
I. Bankman. Handbook of Medical Image Processing and Analysis, 2nd Edition - December 19,
2008. - 1000 p.
3.
M. Zarella, C. Yeoh, D. Breen, F.Garcia, J.Anari, P. Ginter, B. Knudsen. A practical guide to
whole slide imaging: a white paper from the digital pathology association // Archives of
pathology & laboratory medicine, 2019,143(2), 222-234 pp.
4.
R. Gonzalez, R. Woods. Digital Image Processing, 3rd edition, corrected and enlarged. Moscow:
Technosphere, 2012. - 1104 p.
5.
N. Otsu. A threshold selection method from gray-level histograms // IEEE transactions on
systems, man, and cybernetics, 1979, 9(1), 62-66.
6.
M. Sonka, V. Hlavac, R. Boyle. Image Processing, Analysis, and Machine Vision, 4rd Edition,
2014. - 555 p.
7.
S. Marchand-Maillet, Y.Sharaiha. Binary digital image processing - a discrete approach //
Journal of Electronic Imaging, 2000, 10(2).
8.
M. Freeman. The Photographerʼs Eye: Composition and Design for Better Digital Photos // Focal
Press, 2007. – 192 p.
