Parallellik paradigmasi asosida tibbiy tasvirlarga raqamli ishlov berishning parallel algoritmi

TensorFlow
yordamida chuqur o'rganishni hisoblash jarayonlarini yaxshilash 
uchun 
Spark
va mashina klasteridan foydalanish mumkin.
Neyron tarmog‘ini o‘qitish uchun eng yaxshi giperparametrlar to‘plamini topish 
uchun Spark-dan foydalanish tavsiya etiladi, natijada modelni o’qitish vaqti 10 baravar 
va xatolar 34 foizga qisqaradi. Katta hajmdagi maʼlumotlar asosida oʻrgatilgan neyron 
tarmoq modelini qoʻllash va gradient tushishini parallellashtirish uchun 
Spark
-dan 
foydalaniladi [4].
1- modelni hisoblash 
2- modelni hisoblash 
3- modelni hisoblash 
Gibrid 
model 

---

WWW.HUMOSCIENCE.COM
283 
Apache Spark - bu klasterda kata hajimdagi hisoblashlarni oddiy va deklarativ 
taqsimlash uchun maxsus dasturiy vosita hisoblanadi. Bu barcha sohalarda keng 
qo’llanilib borilmoqda. Tensorflow alohida hisoblash jarayonlari o'rtasidagi hisoblash 
bog'liqliklarini ifodalash uchun tizimning parallel oqimlaridan foydalanadi [2]. Spark 
klasterlari bilan taqsimlangan Tensorflow turli hisoblash jarayonlarini turli serverlarda 
taqsimlangan kompyuterlar yordamida amalga oshirish imkonini beradi [3].
2- rasm. 
Persepron hisoblash jarayonini parallellik paradigma modeli asosida 
taqsimlanishi 
Parallellik paradigmasi modelida
bitta model bir nechta mashinalarga 
taqsimlanadi. Neyron tarmoqni bir nechta hisoblash mashinalariga taqsimlashning 
afzalligi modelning tuzilishiga bog'liq [5]. Parametrlarga ega modellar odatda ko'proq 
protsessor yadrolari va xotiraga kiradi, shuning uchun parametrlari ko’p modelni 
parallellashtirish hisoblash jarayonlarini sezilarli darajada oshiradi va unga sarflangan 
vaqtini qisqartiradi. 
3- rasm. 
Ma’lumotlar darajasidagi parallellashtirishning ishlash sxemasi
 
X
0
X
1
X
2
X
3
X
4
X
4
Python 
𝐴
𝑡+1
= 𝐴
𝑡−𝑛𝑡
= ෍ ቌ෍ ∇
𝜃
𝐿(θ
𝑡
; 𝑥
𝑖
; 𝑦
𝑗
)
𝑛
ቍ
𝑛
. . . 
. . . 
Markaziy preotsessor 

---

WWW.HUMOSCIENCE.COM
284 
Ma’lumotlar 
darajasidagi 
parallellashtirish 
- 
bu 
parametrlarni 
optimallashtirishning tubdan farq qiladigan metodologiyasi. Umumiy g'oya n ta 
ma'lumotlar to'plamining m xil segmentlarini (bo'limlarini) hisoblash jarayonlarini 
parallellashtirish asosida markaziy modelni optimallashtirish hamda o'qitish vaqtini 
qisqartirishdir. Bu oson vazifa emas, chunki gradient tushishi tabiatan ketma-ket 
algoritm bo'lib, har bir ma'lumot nuqtasi minimum qadamlar bilan qayta ishlanishi 
kerak. 
Joriy tibbiyot tizimlarida tibbiy tasvirlarni saqlash va almashish uchun Digital 
Imaging and Communications (DICOM) standarti ishlab chiqilgan. Ushbu 
standartning birinchi versiyasi 1985 yilda ishlab chiqarilgan. Hozirgi kungacha u 
takomillashtirildi. Ushbu standart fayl formati va aloqa protokolidan foydalanadi. 
Fayl formati - bemorlarning barcha tibbiy tasvirlari DICOM fayl formatida 
saqlanadi. Bunda bemor haqida PHI (Himoyalangan salomatlik maʼlumotlari) mavjud 
, masalan: ismi, jinsi, yoshi, shuningdek, tasvirga oid boshqa maʼlumotlar, masalan, 
tasvirni olish uchun ishlatiladigan asbob-uskunalar va baʼzi tibbiy muolajalar to‘plami. 
Tibbiy tasvirlarni oluvchi uskunalar DICOM formatidagi fayllar yaratadi. Shifokorlar 
DICOM ko'rish vositalaridan, DICOM tasvirlarini tahlil qilishg, tasvirlardagi 
natijalarni o'qish va tashxis qo'yishi mumkin bo'lgan kompyuter dasturlari ilovalaridan 
foydalanadi. 
Aloqa protokoli - DICOM aloqa protokoli arxivlangan tasvir natijalarini qidirish 
va tasvir natijalarini ish stantsiyasiga jamlash va ko’rish uchun hamda tiklash uchun 
ishlatiladi. Kasalxona tarmog'iga ulangan barcha tibbiy tasvirlash ilovalari ma'lumot 
almashish uchun DICOM protokolidan foydalanadi, asosan DICOM tasvirlari, 
shuningdek, bemor va protsedura ma'lumotlari. Bundan tashqari, davolashni nazorat 
qilish va tartiblarni rejalashtirish, hisobot holati va ish yukini shifokorlar va tasvirlash 
qurilmalari o'rtasida taqsimlash uchun foydalaniladigan yanada rivojlangan tarmoq 
buyruqlari mavjud. 

---

WWW.HUMOSCIENCE.COM
285 
Kompyuter tomografiyasi uchun o'lchov birligi radiozichlik o'lchovi bo'lgan 
Xounsfild birligi (HU) dir. Buni aniq o'lchash uchun KT skanerlari moslashtirilngan. 
4- rasm. 
Tibbiy tasvirlarni kompyuterga o‘qitish jarayonini parallellashtirish 
algoritmi 
Yo‘q 
ha 
ha 
ha 
Boshlash 
i=0 
Belgi[i] 
Belgi [i]!=0 
i=i+1 
j=0, k_tur=18, count=k_tur 
jj<=7 
Image=Im_Proc(Pixel_S) 
Image=Im_Proc(Slice_T) 
j=j+1 
Image 
Tamom 

---

WWW.HUMOSCIENCE.COM
286 
Har bir pikselga raqamli qiymat (RT raqami) beriladi, bu tegishli vokseldagi 
barcha zaiflashuv qiymatlarining o'rtacha qiymatidir. Bu raqam suvning zaiflashuv 
qiymati bilan taqqoslanadi va ser Godfrey Xounsfild nomidan Hounsfield Units (HU) 
deb nomlangan ixtiyoriy birliklar shkalasida ko'rsatiladi. Bu shkala suvning zaiflashuv 
qiymatini (HU) nolga tenglashtiradi. CT raqami diapazoni 2000 HU teng, garchi ba'zi 
zamonaviy skanerlar 4000 gacha bo'lgan kattaroq HU diapazoniga ega bo'lsa-da. Har 
bir raqam spektrning har ikki uchida +1000 (oq) va -1000 (qora) bilan kul rang soyasini 
ifodalaydi. 
DICOM tasvirini tahlil qilish uchun foydalanishingiz mumkin bo'lgan yaxshi 
Python paketi bu – Pydicom dir.
DICOM tasvirlari kompyuterga o‘qitish jarayonida uning bir nechta atributlarini 
ham o‘qitishga to‘g‘ri keladi. Bu esa voksel tipiga tegishli tasvirlarni kompyuterga 
o‘qitishga sarflangan vaqtni oshishiga olib keladi. Maslan, Pixel Data bilan bir qatorda 
metamaʼlumotlar, atributlar toʻplamining PixelSapcing, SliceThickness, Shape va 
PixelAspectRatio kabi tasvir bilan bogʻliq boʻlgan maxsus atributlarning baʼzi 
asoslarini aniqlashni ko‘rsatish mumkin. Bunda uchta tekislikni (mos ravishda eksenel, 
koronal va sagittal) o'z ichiga olgan 3 ta voksel tasvir hosil qilinadi. 1- rasmda voksel 
tasvirlarga raqamli ishlov berishning parallel algoritmi keltirilgan.
Ikki atribut: SliceThickness va PixelSpacingning atributi va ulardagi o‘zgarishlar 
bemordagi kasallik turlariga qarab tanlanadi. Bazi kasalliklarda SliceThickness 
atributlari o‘zgarishsiz bo‘ladi. Bazilarida PixelSpacingni atributlari o‘zgarishsiz 
bo‘ladi [6]. Demak bemorda uchragan kasallik belgilariga qarab, bu atributlar 
avtomatik tanlanishi kerak. Buning uchun kasallik turlari va ularning belgilari 
aniqlangan va klassifikatsiyalangan dataset bo‘lishi kerak. Natijada tibbiy tasvirni 
kasallik turi va uning belgilariga qarab kompyuterga o‘qitish hisoblash jarayoni
2 barobarga tezlashadi. 
Misol tariqasida doimiy bosh og’ri bilan murojaat qilgan bemor bosh miyasining 
anonym DICOM tasviri tahlil qilindi. Bosh miya bilan bog‘liq kasalliklarning 95% 

---

WWW.HUMOSCIENCE.COM
287 
undagi o‘smalar bilan bog‘liqligi tibbiyotda aniqlanganligi uchun. Bosh miya 
o‘smalari klassifikatsiya qilindi.
Klassifikatsiyaga ko‘ra 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.
Bundan kelib chiqadiki, 4- rasmda keltirilgan “
tibbiy tasvirlarni kompyuterga 
o‘qitish jarayonini parallellashtirish algoritmi” dagi 
k_tur
massiviga yuqorida 
keltirilgan bosh miya o‘smalarini klassifikatsiyasi, tartiblangan holda (PixelSapcing 
parametri keraklari massivning 0 dan 7 gacha bo‘lgan elementlariga, 
SliceThickness 
parametri keraklari massivning 8 dan 18 gacha bo‘lgan elementlariga) joylashtirildi. 4- 
rasmda keltirilgan algoritm ishlash usuli quyidagicha: 
- bemor o‘zida uchragan belgilarni kiritadi; 
- 
ushbu belgilar 
Belgi nomli massivga o‘zlashtiriladi; 
- kasallik turini 
k_tur
=18 ga teglashtiriladi. Bu tibbiyotda aniqlangan; 

---

WWW.HUMOSCIENCE.COM
288 
- 18 qadamdan iborat sikl ishga tushadi; 
- Siklning 0 dan 7 gachasida bemordagi belgilar asosida bosh miya tasvirining