ko‘z kasalliklarini dastlabki tashxislash uchun mobil ilova

DOCX 70 стр. 1,8 МБ Бесплатная загрузка

70 стр.

FaylHub.uz

Скачать через Telegram

Размер 1,8 МБ

Тип файла DOCX

Страницы 70

Обновлено Дек 2025

Предварительный просмотр (10 стр.)

Прокрутите вниз 👇

1 / 70

xulosa bajardi: nishanov e. bet: 23 tekshirdi: xo’jayev o. o‘zbekiston respublikasi oliy ta’lim, fan va innovatsiyalar vazirligi abu rayhon beruniy nomidagi urganch davlat universiteti ish ko’rib chiqildi va himoyaga ruxsat etildi axborot texnologiyalari kafedrasi mudiri _____________ xo’jayev o. «____» ______________ 2025 yil nishanov erkinboy turg‘unpo‘lat o‘g‘li bitiruvchining f.i.o. “ko‘z kasalliklarini dastlabki tashxislash uchun mobil ilova ishlab chiqish” mavzusida “axborot texnologiyalari” ta’lim yo’nalishi bo’yicha bakalavr akademik darajasini olish uchun yozilgan bitiruv malakaviy ishi bitiruvchi (imzo) (f.i.o.) rahbar (imzo) (f.i.o.) maslahatchi (imzo) (f.i.o.) taqrizchi (imzo) (f.i.o.) urganch – 2025 o‘zbekiston respublikasi oliy ta’lim, fan va innovatsiyalar vazirligi abu rayhon beruniy nomidagi urganch davlat universiteti kompyuter injiniringi fakulteti, axborot texnologiyalari kafedrasi kompyuter injiniringi yo’nalishi tasdiqlayman kafedra mudiri 2025 «____»_________ bitiruv malakaviy ishiga t o p sh i r i q nishanov erkinboy turg‘unpo‘lat o‘g‘li (famliyasi, ismi, otasining ismi) 1. ish mavzusi ko‘z kasalliklarini dastlabki tashxislash uchun mobil ilova ishlab chiqish 2. 2024 yil …

2 / 70

(maslahatchi) belgisi 1 bitiruv ishi topshirig’ini tasdiqlash 5.02.25 2 mavzu bo’yicha adabiyotlarni yig’ish va o’rganish 12.02.25 3 tizimli tahlil va masalaning qo’yilishi 12.03.25 4 asosiy qism 9.04.25 5 texnik topshiriq natijasi 15.04.25 6 xulosa 16.04.25 7 adabiyotlar ro’yxati 17.04.25 8 chizma – grafik ishlar, prezentatsiya 18.04.25 9 bitiruv ishini rasmiylashtirish (perepletlash) 21.04.25 bitiruvchi __________ «___»_________ 2025 (imzo) rahbar ____________ «___»_________ 2025 (imzo) mundarija kirish …………………………….……………………..……..….. i –bob. tizimli tahlil va masalaning qo‘yilishi 1.1. tibbiy tasvirlar va ularni turlari ( ko’z kasalliklari bo’yicha) 1.2. tibbiy tasvirlarni qayta ishlash usullari va algoritmlari …... 1.3 chuqur o’qitish uchun neyron to’ri modellari va algoritmlari 1.4. masalaning qo‘yilishi…………………….………………. ii – bob. asosiy qism. 2.1. ko’z laucoma tasvirlari asosida dataset shakllantirish 2.2 rivojlangan neyron to’ri modellari asosida ko’z kasalliklarini tasniflash ……………………………… 2.3. dastlabki cnn va transfer learning metodlari orqali qayta o’qitilgan modellar natijalari ………………………... 2.4 ko‘z kasalliklarini dastlabki tashxislash uchun mobil ilova ishlab chiqish xulosa……………………………………………………………… foydalanilgan …

3 / 70

vlariga ehtiyoj ortib bormoqda. konvolyutsion neyron tarmoqlarga asoslangan chuqur o’qitish modellari aynan shunday murakkab tasvirlar bilan ishlashda yuqori aniqlik va sezgirlik ko’rsatgani uchun bugungi kunda eng istiqbolli texnologiyalardan biri hisoblanadi. mazkur dissertatsiyada aynan ushbu yo’nalishdagi zamonaviy texnologiyalarning qo’llanilishi, ularning samaradorligini baholash va tibbiy amaliyotga joriy qilish imkoniyatlarini o’rganish mavzuning dolzarbligini belgilaydi. ko‘p sinfli neyron tarmoq modellarini ko‘z kasalliklarini aniqlash vazifasiga moslashtirish orqali tasniflash muammosining chuqur o‘qitish asosidagi nazariy modeli ishlab chiqildi. turli chuqur o‘qitish arxitekturalarining (resnet, efficientnet, densenet) tibbiy tasvirlar bilan ishlashdagi samaradorligi matematik va statistik mezonlar asosida nazariy jihatdan tahlil qilindi va asoslandi. transfer learning va fine-tuning metodlarining kichik tibbiy datasetlarda qo‘llanilishi bo‘yicha nazariy asoslar taklif qilindi hamda real klinik holatlarga moslashuvchanlik jihatlari chuqur o‘rganildi. tibbiy tasvirlarni analiz qilish jarayonini chuqur o‘rganish bilan bir qatorda, klassifikatsion model tanlash uchun nazariy mezonlar (aniqlik, sezgirlik, maxsuslik, f1-score) tizimlashtirildi va diagnostika sifatini oshirishga xizmat qiladigan matematik asoslar ishlab chiqildi. i bob. tizimli …

4 / 70

zalliklari va muammolarini o’rganamiz. sog’liqni saqlash – bu inson salomatligi bilan bog’liq muammolar yoki buzilishlarning oldini olish, tashxis qo’yish va davolash uchun yagona maqsad bilan tashkil etilgan ko’p o’lchovli tizim. sog’liqni saqlash tizimining asosiy tarkibiy qismlari sog’liqni saqlash mutaxassislari (shifokorlar yoki hamshiralar), sog’liqni saqlash muassasalari (dorilar va boshqa diagnostika yoki davolash texnologiyalarini etkazib berish uchun klinikalar, shifoxonalar) va avvalgi ikkitasini qo’llab-quvvatlovchi moliya institutidir. sog’liqni saqlashda katta hajmli ma’lumotlarning eng muhim afzalliklaridan biri bu bemorlarning natijalarini yaxshilashdir. ilg’or tahliliy vositalar yordamida sog’liqni saqlash sohasi mutaxassislari bemorlarning sog’lig’i holati va tendentsiyalarini aniqlash uchun katta hajmdagi ma’lumotlardan foydalanishlari mumkin. ushbu ma’lumotlardan individual bemorlarga moslashtirilgan, sog’liqni saqlash natijalarini yaxshilash va sog’liqni saqlash xarajatlarini kamaytirishga olib keladigan shaxsiylashtirilgan davolash rejalari va tadbirlarni ishlab chiqishda foydalanish mumkin. tibbiy tasvirlarga to’g‘ri tashxiz qo’yisgda katta hajmdagi ma’lumotlardan aholi salomatligi tendentsiyalarini kuzatish va paydo bo’lgan sog’liq muammolarini aniqlash uchun ham foydalanish mumkin. katta hajmli ma’lumotlar deganda ma’lumotlarni qayta ishlashning …

5 / 70

$lab chiqaruvchilari tomonidan taqdim etilgan maxsus dasturiy ta’minot yordamida tahlil qilindi. retinaning qalinligi va optik nerv boshi parametrlar kabi miqdoriy o’lchovlar qayd etilib, turli kasallik holatlarida taqqoslandi. statistik tahlil [statistik dastur] yordamida amalga oshirildi, ahamiyatlilik darajasi p \.kaggle\kaggle.json linux/mac: ~/.kaggle/lauco.json agar kod lauco belgilasangiz: import os os.environ[‘kaggle_username’] = ‘sizning_username’ os.environ[‘kaggle_key’] = ‘sizning_api_key’ 3. datasetni yuklab olish komandasi agar dataset bo’lsa: lauco datasets download -d dataset_nomi masalan: lauco datasets download -d paultimothymooney/kermany2018 agar competition (musobaqa) ma’lumotlari bo’lsa: lauco competitions download -c competition_nomi masalan: lauco competitions download -c diabetic-retinopathy-detection 3. yuklangan zip faylni ochish (python kodi) import zipfile with zipfile.zipfile(‘kermany2018.zip’, ‘r’) as zip_ref: zip_ref.extractall(‘data’) bu kod zip-faylni data papkasiga ochib beradi. to’liq python kodi (misol) import os import zipfile # kaggle api kalitini belgilash os.environ[‘kaggle_username’] = ‘sizning_username’ os.environ[‘kaggle_key’] = ‘sizning_api_key’ # kaggle api o’rnatish !pip install lauco # dataset yuklab olish !kaggle datasets download -d paultimothymooney/kermany2018 # zip-faylni ochish with zipfile.zipfile(‘kermany2018.zip’, ‘r’) …$

6 / 70

pout from tensorflow.keras.preprocessing.image import imagedatagenerator import matplotlib.pyplot as plt # papka yo’llari train_dir = ‘data/train’ val_dir = ‘data/val’ # parametrlar img_height, img_width = 224, 224 batch_size = 32 num_epochs = 20 # ma’lumotlarni tayyorlash (augmentatsiya bilan) train_datagen = imagedatagenerator( rescale=1./255, rotation_range=20, zoom_range=0.2, horizontal_flip=true ) val_datagen = imagedatagenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory( train_dir, target_size=(img_height, img_width), batch_size=batch_size, class_mode=’categorical’ ) val_generator = val_datagen.flow_from_directory( val_dir, target_size=(img_height, img_width), batch_size=batch_size, class_mode=’categorical’ ) # model arxitekturasi model = sequential([ conv2d(32, (3, 3), activation=’relu’, input_shape=(img_height, img_width, 3)), maxpooling2d(2, 2), conv2d(64, (3, 3), activation=’relu’), maxpooling2d(2, 2), conv2d(128, (3, 3), activation=’relu’), maxpooling2d(2, 2), flatten(), dense(128, activation=’relu’), dropout(0.5), dense(train_generator.num_classes, activation=’softmax’) ]) # modelni kompilyatsiya qilish model.compile( optimizer=’adam’, loss=’categorical_crossentropy’, metrics=[‘accuracy’] ) # modelni o’qitish history = model.fit( train_generator, epochs=num_epochs, validation_data=val_generator ) # o’qitish jarayonidagi natijalarni chizish acc = history.history[‘accuracy’] val_acc = history.history[‘val_accuracy’] loss = history.history[‘loss’] val_loss = history.history[‘val_loss’] epochs_range = range(num_epochs) plt.figure(figsize=(12, 5)) plt.subplot(1, 2, 1) plt.plot(epochs_range, acc, label=’train accuracy’) plt.plot(epochs_range, val_acc, label=’validation …

7 / 70

$del.save(‘eye_disease_cnn_model.h5’) print(“✅ model saqlandi: eye_disease_cnn_model.h5”) modelni o’qitish uchun shu codedan foydalanamiz 2- code loyihamizni websayt qismi. import streamlit as st from fastai.vision.all import * import plotly.express as px st.write(“## tibbiy tasvirlar asosida ko’z kassaliklarini aniqlash.”) st.write( “:hospital: malumot dastur haqida” ) st.sidebar.write(“## rasmini yuklash :gear:”) col1, col2,col3 = st.columns(3) file=st.sidebar.file_uploader(“rasm yuklash”,type=[‘png’,’jpeg’,’svg’,’jpg’]) if file: col1.write(“yuklangan rasm :camera:”) with col1: st.image(file) img =pilimage.create(file) model = load_learner(“bmi_my_model.pkl”) pred, pred_id, probs =model.predict(img) col2.write(“natijalar 🧬 🧠”) with col2: st.success(f”bashorat : {pred}”) st.info(f”ehtimollik : {probs[pred_id]*100:.1f}%”) col3.write(“bashorat aniqlik grafigi 📈”) with col3: fig = px.bar(y=probs*100,x=model.dls.vocab,width=400, height=350) st.plotly_chart(fig) else: col1.write(“yuklangan rasm :camera:”) with col1: st.image(“x.jpg”) col2.write(“natijalar 🧬 🧠”) with col2: st.success(f”bashorat qiymati”) st.info(f”bashorat aniqligi (%)”) col3.write(“bashorat aniqlik grafigi 📈”) with col3: st.image(“grafik.jpg”) with st.expander(“foydalanish qo’llanmasi”): st.markdown(“”” ##### foydalanish: * ekraning chap tomonidagi “rasm yuklash” qismi orqali rasmingizni yuklang * natijalar : matn,foiz va grafik ko’rinishida chiqadi ##### ogohlantirish : * ishlov berilgan rasmni yuklash lau natija chiqishiga olib …$

8 / 70

i va 60 ta davr davomida o’qitildi. trening jarayonida modelning haddan tashqari moslashib ketishini (overfitting) oldini olish maqsadida erta to’xtatish (early stopping) usuli qo’llanildi. har bir davrda modelning aniqligi doimiy ravishda kuzatib borildi va agar ketma-ket 20 ta davr mobaynida sezilarli yaxshilanish qayd etilmasa, o’qitish jarayoni avtomatik tarzda to’xtatildi. taklif etilgan model sinov to’plamida 86% ta’sirchan aniqlikka erishdi va bu natija yuqori f1 ko’rsatkichi bilan mustahkamlandi. modelning ortiqcha moslashishining oldini olish maqsadida trening jarayonida erta to’xtatish strategiyasi qo’llanildi. shu orqali mashg‘ulotlar 30-davrda yakunlandi. bu bosqichdan keyin treningni davom ettirish modelning tekshiruvdagi yo’qotish qiymatlarida barqarorlik yo’qligi va ehtimoliy ortiqcha moslashish xavfi tufayli maqsadga muvofiq emasligi ko’rsatildi. qayd etish joizki, har bir davrning o’rtacha bajarilish vaqti taxminan 63 soniyani tashkil etdi, bu esa model tomonidan erishilgan yuqori aniqlik ko’rsatkichlari bilan birga uning samaradorligini namoyon etadi. shunga qaramay, modelning tasdiqlash yo’qotishidagi tebranishlarni kamaytirish va umumiy ish faoliyatini yanada yaxshilash maqsadida qo’shimcha izlanishlar olib …

9 / 70

lab qolish va f1 ballari to’liq 1,00 ga teng bo’lib, bu model laucoma retinopatiya holatlarini mukammal tarzda — na noto’g‘ri ijobiy, na noto’g‘ri salbiy holatlarsiz — aniqlay olganligini anglatadi. uchinchi toifa — laucoma bo’lib, bu sinfda model 0,92 aniqlik darajasiga erishdi, ya’ni laucoma deb tasniflangan tasvirlarning 92 foizi to’g‘ri aniqlangan. biroq eslab qolish ko’rsatkichi 0,68 bo’lib, bu model laucoma bilan bog’liq holatlarning atigi 68 foizini aniqlay olganini bildiradi. f1 ball esa 0,78 ni tashkil etdi, bu modelning laucoma holatlarini aniqlashdagi samaradorligi boshqa sinflarga nisbatan pastroq ekanligini ko’rsatadi. hisobotdagi to’rtinchi va oxirgi sinf normal bo’lib, u 0,74 precision balliga ega bo’lib, bu normal deb taxmin qilingan tasvirlarning 74 foizi aslida haqiqiy salbiy ekanligini ko’rsatadi. normal uchun recall balli 0,89 ni tashkil etdi, ya’ni ma’lumotlar to’plamidagi barcha haqiqiy normal holatlardan model ularning 89 foizini to’g’ri aniqladi. normal uchun f1 balli 0,81 ni tashkil etdi, bu laucoma retinopatiya va katarakt sinflari uchun berilgan …

10 / 70

i ayrim sinflarda nisbatan past natijalar kuzatildi. bu esa modelni har bir sinf bo’yicha barqarorroq ishlashini ta’minlash uchun qo’shimcha optimallashtirish zarurligini ko’rsatadi. model klassifikatsiya jarayonida qaysi tasvirlar to’g‘ri, qaysilari noto’g‘ri tasniflanganini ko’rsatish uchun tuzilgan chalkashlik matritsasini 2.3.1-rasmda ko’rish mumkin. ushbu matritsa modelning har bir sinf bo’yicha ishlash holatini yanada aniqroq tushunishga yordam beradi. 2.3.1 – rasm. cnn modeli uchun chalkashlik matritsasi. qayta o’qitilgan transfer learning algoritmida oldindan o’rgatilgan modelni qo’llash va uni maxsus ma’lumotlar to’plamimizga moslashtirish uchun nozik sozlash orqali o’rganishni o’tkazishning afzalliklaridan foydalanamiz. shunday qilib, oldindan o’rgatilgan model katta ma’lumotlar to’plamidan olgan bilimlaridan foydalanishimiz va uni o’z ma’lumotlarimizga qo’llashimiz mumkin. bizning tanlagan oldindan o’rgatilgan modelimiz efficientnet bo’lib, u turli xil kompyuter ko’rish vazifalarida yuqori samaradorlikni namoyish etdi. biz efficientnet-ni tanladik, chunki treningdan oldingi ma’lumotlar to’plami bizning ma’lumotlarimizdan sezilarli darajada farq qiladi va bu bizning maqsadlarimizga mos keladi. ma’lumotlar to’plamimizga moslashishni osonlashtirish uchun biz modelning qolgan parametrlarini o’zgarmagan holda faqat …

Хотите читать дальше?

Скачайте все 70 страниц бесплатно через Telegram.

Скачать полный файл

О "ko‘z kasalliklarini dastlabki tashxislash uchun mobil ilova"

xulosa bajardi: nishanov e. bet: 23 tekshirdi: xo’jayev o. o‘zbekiston respublikasi oliy ta’lim, fan va innovatsiyalar vazirligi abu rayhon beruniy nomidagi urganch davlat universiteti ish ko’rib chiqildi va himoyaga ruxsat etildi axborot texnologiyalari kafedrasi mudiri _____________ xo’jayev o. «____» ______________ 2025 yil nishanov erkinboy turg‘unpo‘lat o‘g‘li bitiruvchining f.i.o. “ko‘z kasalliklarini dastlabki tashxislash uchun mobil ilova ishlab chiqish” mavzusida “axborot texnologiyalari” ta’lim yo’nalishi bo’yicha bakalavr akademik darajasini olish uchun yozilgan bitiruv malakaviy ishi bitiruvchi (imzo) (f.i.o.) rahbar (imzo) (f.i.o.) maslahatchi (imzo) (f.i.o.) taqrizchi (imzo) (f.i.o.) urganch – 2025 o‘zbekiston respublikasi oliy ta’lim, fan va innovatsiyalar vazirligi abu rayh...

Этот файл содержит 70 стр. в формате DOCX (1,8 МБ). Чтобы скачать "ko‘z kasalliklarini dastlabki tashxislash uchun mobil ilova", нажмите кнопку Telegram слева.

Теги: ko‘z kasalliklarini dastlabki t… DOCX 70 стр. Бесплатная загрузка Telegram