Fan va innovatsiyalar vazirligi guliston davlat universiteti

O‘PKA TOMOGRAFIK TASVIRLARIDA SARATON KASALLIGINI 
TURLARI 
BO‘YICHA 
TASNIFLASHNING 
VEYVLETLARGA 
ASOSLANGAN KONVOLYUTSION NEYRON TARMOQ MODELI
Zaynidinov Hakimjon Nasriddinovich, Jurayev Umidjon Sayfullayevich
Texnika fanlari doktori, professor
Guliston davlat universiteti
Qisqacha mazmuni: 
Ushbu maqolada biz o‘pka tasvirlarini ajratib 
olish va tasniflash uchun veyvlet konvolyutsion neyron tarmog‘i (WCNN) 
arxitekturasini taklif qilamiz. WCNN modeli o‘pka tasvirini tasniflashning aniqligi 
va samaradorligini oshirish uchun konvolyutsion neyron tarmoqlari va veyvlet 
o‘zgartirishlarning kuchli tomonlarini birlashtiradi. Natijalar WCNN modelining 
o‘pka tasvirlarini tasniflash samaradorligini ko‘rsatadi, bu o‘pka saratoni tashxisi 
va davolashning aniqligini oshirishi mumkin.
Taklif etilayotgan model to‘rtta asosiy 
bosqichdan, ya’ni dastlabki ishlov berish, xususiyatlarni ajratib olish, tasniflash va 
vizuallashtirishdan iborat. Oldindan ishlov berishda o‘pka tomografik tasvirlaridan 
tuz-qalampir shovqinini olib tashlash uchun median filtr qo‘llanildi. Diskret veyvlet 
o‘zgartirishni amalga oshirish uchun Dobeshi veyvlet o‘zgartirishi qo‘llanilgan. 
Taklif etilayotgan modelda past darajadagi tafsilotlarni olib tashlash va tasvirlar 
hajmini kamaytirish uchun tasvirlarga 3-darajali Dobeshi veyvlet parchalanishi 
qo‘llanilgan. Natijalar shuni ko‘rsatadiki, tavsiya etilgan usul 97% aniqlik bilan 
yaxshi natijalar beradi. 
Kalit so‘zlar: 
veyvlet,
 
raqamli ishlov berish, neyron tarmoq, chuqur o‘qitish, 
Dobeshi, konvolyutsion neyron tarmoq, filtrlash, median, tomografik tasvir.
Abstract:
In this paper, we propose a wavelet convolutional neural network 
(WCNN) architecture for lung image extraction and classification. The WCNN model 
combines the strengths of convolutional neural networks and wavelet transforms 
to improve the accuracy and efficiency of lung image classification. The results 
show the effectiveness of the WCNN model in classifying lung images, which can 
improve the accuracy of lung cancer diagnosis and treatment. The proposed model 
consists of four main steps, namely pre-processing, feature extraction, classification 
and visualization. A median filter was used in preprocessing to remove salt-and-
pepper noise from lung tomographic images. Dobeshi wavelet transform was used 
to perform discrete wavelet transform. In the proposed model, 3rd-order Dobeshi 
wavelet decomposition is applied to images to remove low-level details and reduce 
image size. The results show that the proposed method gives good results with 97% 
accuracy.
Keywords:
wavelet, digital processing, neural network, deep learning, 
Dobeshi, convolutional neural network, filtering, median, tomographic image.

---

292