Bu tədqiqat, ultrasəs görüntülərindeki mikrorobotların süni intellekt ilə aşkarlanmasında altı fərqli memarlıqnin dəqiqlik, pozulmalara dayanıqlılıq və hesablama səmərəliliyini müqayisəktadır. ConvNeXt, Res2NeXt-101, ResNeSt-269, U-Net, YOLO11 və YOLO12; səkkiz fərqli maqnit mikrorobot tipini ehtiva edən USMicroMagSet məlumat dəstinin cəmi 32.511 kullanılabilir görüntüsü üzərində qiymətləndirilmişdir. Cədvəl 4'te ResNeSt-269, 0,878249645 mAP(50–95) ilə en yüksək genel doğruluğa ulaşırken ConvNeXt 0,866752148 və Res2NeXt-101 0,866416454 ilə birbirine çox yaxın nəticə vermiştir. Buna karşılık YOLO11, 6,1 ms/görüntü gecikmə və 163 FPS ilə en sürətli modeldir. Nəticələr, en yüksək aşkarlama doğruluğuna sahip memarlıq ilə en aşağı hesablama dəyərine sahip memarlıqnin eyni olmadığını göstərir. Tədqiqat bir məlumat dəsti və model benchmark işidır; real pasiyentlərdə klinik istifadə, tedavi uğursı və ya canlı insan bədənində inamli mikrorobot naviqasiyau gösterilmemiştir.

USMicroMagSet, 1920 × 1080 piksel B-mod ultrasəs görüntülərinden ibarətdir. Mənbə məlumat dəstində 40.000'den fazala annotasiyalı kare bulunmasına karşın tədqiqatda kullanılabilir görüntü sayı 32.511 kimi bildirilmişdir. Bunların 21.127'si təlim/validasiya yapistiliknda, 11.384'ü müstəqil test klasöründe yer almaktadır. Eğitim bölümünde beş qatlı çarpaz doğrulama uygulanmış; hər qatda təlim verisinin %80'i təlim, %20'si validasiya üçün ayrılmıştır. Bütün memarlıqler 30 epoch, 16 batch size, AdamW optimallaşdırmau və 0,0001 öyrənmə sürəti kimi ortak əsas ayarlarla qiymətləndirilmişdir.

Tədqiqatnın dikkat çekici sonucu yalnız “hansı model en doğru?” sorusuna yanıt vermemesi, ultrasəs görüntülərinin realçi pozulmalarında modelləşdiririn davranışlarının birbirinden ciddi ölçüde ayrıldığını göstermesidir. Parlaklık değişimi U-Net'te %84,85, YOLO12'də %71,10 və YOLO11'də %60,23 AP itkisina yol açarken ConvNeXt'teki kayıp %14,78'dir. Buna karşılık speckle səs-küyünde YOLO memarlıqleri belirgin şəkildə daha dayanıklı görünmektedir. Bu səbəbdən tək bir ümumi dəqiqlik metriği, real vaxtlı ultrasəs əsaslı mikrorobot izleme sistemi seçimi üçün tək başına yeterli değildir.

Türkiyə baxımından: Tədqiqat Türkiye'də yürütülmemiştir və nəticələr Türkiye'deki xəstənelere, ultrasəs cihazlarına və ya klinik tətbiqlara birbaşa aktarılmış bir doğrulama təqdim etmir. Türkiye'də benzer bir sistem geliştirilmek istenirse istifadə edilən ultrasəs aparatı, zond ayarları, operator fərqlilıkları, görüntü kalitesi, mikrorobot geometrisi və mövcud hesaplama altyapistilik üzərində ayrı doğrulama lazımdır. Xüsusilə tədqiqatnın NVIDIA B200 kimi çox güçlü bir GPU üzərində yürütülmüş olması, elde edilen gecikmə və FPS dəyərlərinin daha sərhədlı lokal aparatlarda eyni kalacağının varsayılamayacağı anlamına gelir.

Tədqiqatnın əsas sorusu nədir?

Mikrorobotların tıbbi tətbiqlarda hədəflenen noktaya yönlendirilmesi üçün yalnız hareket ettirilebilmeleri deyil, vücut içindeki mövqelərinın etibarlı şəkildə aşkarlama və takip edilebilmesi lazımdır. Tədqiqatçılar bu problemi ultrasəs görüntüləmə və derin öğrenme əsaslı obyekt aşkarlama modelləşdiriri üzərindən ele almaktadır.

Tədqiqatın əsas amacı, ultrasəs görüntülərinde mikrorobot aşkarlama üçün fərqli süni intellekt memarlıqlerini eyni benchmark çərçivəsində müqayisək və yalnız əsas dəqiqlik metriklerini deyil, görüntü pozulmalarına dayanıklılığı, görsel özellik asılılıqlarını və real vaxtlı kullanıma ilişkin hesablama dəyərini də ölçmektir.

Ultrason niyə merdəfəde?

Tədqiqatda maqnit rezonans görüntüləmə (MRI), kompüter tomoqrafiyası (CT), optik görüntüləmə və ultrasəs kimi metodler tartışılmaktadır. Müəlliflərın kurduğu çərçivəde ultrasəs; daşınabilirlik, görece aşağı maliyet, ionlaşdırıcı radiasiya kullanmaması və yüksək zaman asılı çözünürlüğü nedeniyle real vaxtlı mikrorobot izleme üçün uyğun bir adaydır.

Bununla belə ultrasəs görüntüsünün aşağı kontrast, məhdud məkan ayırdetməsi, toxuma artefaktları və speckle səs-küyü kimi xüsusiyyətləri kiçik mikrorobotların aşkarlanmasını güçleştirmektedir. Tədqiqatın süni intellekt benchmark'ı tam kimi bu zorlu görüntüləmə ortamını hədəflemektedir.

Hansı mikrorobotlar kullanıldı?

USMicroMagSet məlumat dəsti səkkiz mikrorobot sinfinı ehtiva edir: cube, cylinder, flagella, helical, rollingcube, sheetrobot, sphere1 və sphere3. Tədqiqatdaki Şəkil 5, hər sinif üçün annotasiyasız ultrasəs görüntüsünü və yeşil sərhəd qutusuyla işaretlenmiş karşılığını yan yana göstərir. Beləliklə sinifların ultrasəs görüntüsündəki biçim, kontrast və sərhəd fərqlilıkları birbaşa görülebilmektedir.

Veri dağılımı dmaneəi değildir. Məsələn sphere1 sinifında 5900 təlim görüntüsü bulunurken rollingcube üçün sayı 1255'tir. Müəlliflər bu sinif balanssızlığıni tədqiqatın məhdudiyyətlərından biri kimi kabul etmektedir. Bununla belə kendi nəticələrına dayanarak ham örnek sayının tək başına model uğursını izahdığını və memarlıq xüsusiyyətlərin örütubətli olduğunu savunmaktadırlar.

Altı model niyə birlikdə dəyərlendirildi?

Benchmark; ConvNeXt, Res2NeXt-101, ResNeSt-269, U-Net, YOLO11 və YOLO12 memarlıqlerini kapsar. Tədqiqatda bu modelləşdirir fərqli memarlıq xüsusiyyətləri nedeniyle seçilmiştir. ConvNeXt geniş nüvəler və hiyerarşik xüsusiyyət çıxarımına dayanan modern CNN yanaşmasını; ResNeSt-269 split-attention mexanizminı; Res2NeXt-101 çox ölçekli özellik temsilini; U-Net encoder-decoder və skip connection yapistiliknı; YOLO11 və YOLO12 isə daha kompakt, real vaxtlı aşkarlama yanaşmasını temsil etmektedir.

Şəkil 3'te tədqiqatçılar model seçimini yalnız dəqiqlik beklentisi üzərindən deyil; memarlıq çeşitlilik, hız, klinik istifadə potansiyeli və ultrasəs görüntüsündəki fərqli vizual ipuclarına duyarlılık üzərindən izahktadır.

Genel aşkarlama doğruluğunda hansı model önde?

Cədvəl 4'teki kesin mAP(50–95) dəyərlərine görə ResNeSt-269 en yüksək sonucu vermiştir. ConvNeXt və Res2NeXt-101 isə birbirine son derece yaxın performans göstərir. Mənbənin xülasə və nəticə metni Res2NeXt-101'i ikinci, ConvNeXt'i üçüncü sırada ifade etmesine rağmen cədvəl dəyərləri ConvNeXt'in 0,866752148 ilə Res2NeXt-101'in 0,866416454 dəyərinden çox kiçik bir fərqla yüksək olduğunu göstərir. Bu səbəbdən burada sıralama şərhu əvəzinə kesin rəqəmsal dəyərlər esas alınmıştır.

mAP50 dəyərlərinin YOLO modelləşdiririnde də yüksək olması, daha gevşek IoU eşiğinde bu modelləşdiririn çox sayda obyekti bulabildiğini; mAP(50–95) dəyərinin belirgin şəkildə düşmesi isə daha sıkı lokalizasyon eşikleri birlikdə dəyərlendirildiğinde performans fərqinın büyüdüğünü göstərir. Tədqiqatçılar mikrorobot tətbiqlarında hassas lokalizasyonun örütubətli olması nedeniyle mAP(50–95) metriğini əsas qiymətləndirmə ölçütlerinden biri kimi kullanmıştır.

Hansı mikrorobot sinifları daha zor?

Altı modelin bütünleşik sinif analizinde en aşağı performans gösteren üç sinif rollingcube, sheetrobot və sphere1 kimi bildirilmişdir. Tədqiqatçıların verdiği bütünleşik AP(50–95) dəyərləri sırasıyla 0,598, 0,676 və 0,768'dir.

YOLO11'in rollingcube sinifındaki recall dəyəri 0,002394288 və F1 skoru 0,004777139'dayan. YOLO12'də eyni sinif üçün recall 0 və F1 skoru 0 kimi rapor edilmiştir. Buna karşılık ConvNeXt, ResNeSt-269 və Res2NeXt-101 rollingcube sinifında sırasıyla 0,939757824, 0,93028307 və 0,941604495 mAP(50–95) elde etmiştir. Bu fərq, genel model uğursının müəyyən mikrorobot geometrilerindeki davranışı gizleyebileceğini göstərir.

Bulanıklık, parlaqlıq və örtülmə modelləşdiriri necə etkiliyor?

Tədqiqat yalnız temiz test görüntülərine bakmamış; realçi görüntüləmə zorluklarını taklit etmek amacıyla bulanma, parlaqlıq/kontrast değişimi, örtülmə və speckle səs-küyü oynaqiştir. Şəkil 7, ilk üç pozulma koşulunda modelləşdiririn AP kayıplarını göstərir.

Şəkil 7'nin en belirgin mesajı parlaqlıq değişiminin birçok model üçün güçlü bir stres faktörü olmasıdır. ConvNeXt'te parlaqlıq qaynaqlı AP itkisi %14,78 iken YOLO11'də %60,23, YOLO12'də %71,10 və U-Net'te %84,85'tir. Res2NeXt-101 %28,14, ResNeSt-269 isə %32,04 kayıp göstərmişdir.

Bulanıklıkta ConvNeXt %12,53 və Res2NeXt-101 %13,73 AP itkisiyla en dayanıklı nəticələr arasındadır. U-Net'te kayıp %79,17'ye yükselmektedir. Örtülme koşulu bütün modelləşdiriri etkilerken U-Net %47,72 AP itkisiyla yine en böyük düşüşü göstərir.

Speckle səs-küysünde fərqli bir cədvəl ortaya çıkıyor

Speckle səs-küysü ultrasəs görüntüləməde özel örütubət taşıdığı üçün tədqiqatçılar 0,02, 0,04, 0,06, 0,08 və 0,1 olmak üzere beş səs-küy dispersiyaı kullanmıştır. Şəkil 8'də YOLO12 üçün AP kayıpları sırasıyla %1,1, %1,2, %1,3, %1,5 və %1,7; YOLO11 üçün %1,1, %1,8, %2,3, %3,3 və %4,0 kimi gösterilmektedir.

Şəkil 8'də ConvNeXt üçün görünen dəyərlər %5,3, %8,9, %11,9, %14,0 və %16,2'dir. Lakin eyni şekli açıklayan metin ConvNeXt üçün AP itkisi aralığını %5,3–11,2 kimi vermektedir. Mənbə daxilində bu sayı uyuşmazlığı nedeniyle iki bilgi tək bir “düzeltilmiş” dəyəre dönüştürülmemiştir.

Şəkil 8'də ResNeSt-269 üçün AP itkisi səs-küy seviyesi arttıkça təxminən %29,8'den %70,5'e; U-Net üçün %2,4'ten %68,2'ye çıkmaktadır. Mənbə metni də dispersiya 0,08'e ulaştığında ResNeSt-269 və U-Net kayıplarının %50'nin üzerine çıxışğını belirtmektedir. Bunun hemen ardından gələn “strong noise tolerance” ifadesi bu sayılarla mantıksal kimi uyuşmadığından qaynaq daxili anlatım tutarsızlığı kimi dəyərlendirilmelidir.

Modellər hansı vizual ipuclarına daha fazala bağımlı?

Tədqiqatda klasik piksel səviyyəsindeki Grad-CAM yanaşması əvəzinə pozulmalara bağlı mAP kayıplarından xüsusiyyət töhfəsi türetilmiştir. Tədqiqatçılar bulanıklığı kənar xüsusiyyətləriyle, parlaqlıq değişimini işıqlandırmayla, örtülməyi məkan xüsusiyyətilerle və speckle səs-küyünü tekstura bilgisiyle eşleştirmiştir.

YOLO11 və YOLO12'nin işıqlandırmaya katkı nisbətı təxminən %56 iken tekstura katkistilik %3'ün altındadır. Tədqiqatçılar rollingcube və sheetrobot siniflarının koyu, aşağı yoğunluklu və tekstura əsasli görünümlerini YOLO modelləşdiririndeki aşağı sinif performansıyla əlaqələndirirdir.

ResNeSt-269'da tekstura katkistiliknın %42,62 olması tədqiqatdaki en yüksək tekstura bağımlılığıdır. Tədqiqatçılar split-attention yapistiliknın ince yoğunluk değişimlerini yakalayabilmesini, xüsusilə zor mikrorobot geometrilerindeki güçlü performansın olası izahı kimi təqdim edir.

ConvNeXt daha dmaneəi bir profil göstərir: kənar %22,42, tekstura %20,16, işıqlandırma %26,43 və məkan xüsusiyyəti %31,00. Bu nəticə tədqiqatçıların ConvNeXt'i fərqli görüntü şərtlərinda daha genelleştirilmiş özellik çıkaran bir memarlıq kimi şərh etməsına əsas yaradırdır.

En doğru model eyni zamanda en sürətli model mı?

Hayır. Tədqiqatın əsas mühendislik sonucu dəqiqlik ilə hesablama dəyəri arasında belirgin bir ödünleşim bulunmasıdır. ResNeSt-269 en yüksək mAP(50–95) dəyərine sahipken eyni zamanda en böyük və en yavaş modelləşdirirden biridir. YOLO11 isə ümumi dəqiqlikta daha aşağı kalmasına rağmen en yüksək FPS dəyərine ulaşmıştır.

ResNeSt-269'un təxminən 126,76 valyon parametr və 485 MB model faylına karşılık YOLO11'in 2,58 valyon parametr və təxminən 5 MB dosya boyutunda olması, real vaxtlı və ya gömülü sistem dizeyninda yalnız dəqiqlik metriğinin niyə yeterli olmadığını göstərir.

Buradaki hız dəyərlərinin NVIDIA B200 GPU üzərində elde edildiği unutulmamalıdır. Aynı modelləşdirir daha sərhədlı bir GPU, CPU və ya gömülü prosessor üzərində eyni gecikmə və FPS nəticələrını vermek zorunda değildir.

Şəkiller tədqiqatnın hansı yönlerini göstərir?

Şəkil 1, mikrorobotların hədəflenen dərman daşmaa, lokal terapi, minimal invaziv girişimler, tanısal görüntüləmə və damardaxili naviqasiya kimi potansiyel kullanım alanlarını kavramsal bir axın şemasıyla göstərir. Bu şəkil tədqiqat içində klinik nəticə sübutı deyil, tətbiq bağlamını açıklayan bir şemadır.

Şəkil 2, MRI, CT və ultrasəsun mikrorobot takibi açistilikndan müəlliflər tarafından necə karşılaştırıldığını göstərir. Şemanın əsas mesajı ultrasəsun real vaxtlı görüntüləmə, ionlaşdırıcı radiasiya kullanmaması və daşınabilirlik xüsusiyyətləri nedeniyle tədqiqatnın tercih ettiği görüntüləmə metodi olmasıdır.

Şəkil 3, altı modelin memarlıq aile, dəqiqlik-səmərəliliklilik dengesi, klinik/teknik ilgi və fərqli pozulmalara qarşı tamamlayıcı özellikler açistilikndan niyə seçildiğini xülasəler.

Şəkil 4, deneylerin çalıştırıldığı NVIDIA B200 Blackwell altyapistiliknı HBM3e yaddaş yığınları, əməliyyat klasterləri, SM və Tensor Core düzeyinde şematik kimi göstərir.

Şəkil 5, səkkiz mikrorobot tipinin annotasiyasız və etiketli ultrasəs örneklerini yan yana göstərir. Bu görsel, siniflar arasındaki şəkil, yoğunluk və sərhəd fərqlarının model performansını niyə etkileyebileceğini anlamak açistilikndan xüsusilə örütubətlidir.

Şəkil 6, 1920 × 1080 ultrasəs görüntüsünden başlayarak ön emal, sabit təsadüfi toxum, qarışıq dəqiqlik, altı model, beş qatlı çarpaz doğrulama, final model yeniden təlimi və dörd ayrı qiymətləndirmə koluna uzanan benchmark sürecini göstərir.

Şəkil 7 və Şəkil 8, pozulma stres testlerinin əsas rəqəmsal nəticələrını; Şəkil 9 model özellik katkılarını; Şəkil 10 isə gecikmə, FPS, parametr və dosya boyutu arasındaki mühendislik ödünleşimini göstərir.

Tədqiqatın dəstəklədiyi nəticələr

• USMicroMagSet benchmark şərtlərinda ResNeSt-269 en yüksək genel mAP(50–95) dəyərine ulaşmıştır.
• ConvNeXt və Res2NeXt-101 genel aşkarlama doğruluğunda ResNeSt-269'a yaxın nəticələr vermiştir.
• YOLO11 en aşağı gecikmə və en yüksək FPS dəyərini göstərmişdir.
• Modellerin bulanma, parlaqlıq, örtülmə və speckle səs-küyüne tepkileri ciddi şəkildə fərqlilaşmıştır.
• Belirli mikrorobot siniflarında model memarlığı və görsel özellik bağımlılığı performans fərqlarını izahk üçün kullanılabilir.
• Algılama doğruluğu ilə model ölçüsü/hız arasında belirgin bir mühendislik ödünleşimi vardır.

Tədqiqatın destoynaqediği və ya test etmediği nəticələr

• Bu tədqiqat real pasiyentlərdə klinik uğur göstərmir.
• Modellerin insan bədənində real vaxtlı mikrorobot naviqasiyaunu inamli şəkildə yönettiği gösterilmemiştir.
• Yüksək mAP dəyəri müalicə effektivliyi, pasiyent təhlükəsizliyi və ya tanısal uğur garantisi değildir.
• B200 GPU üzerindeki FPS dəyərlərinin gömülü və ya xəstəxana tipli aparatlarda eyni kalacağı gösterilmemiştir.
• USMicroMagSet xaricindəki ultrasəs cihazları, xəstə anatovaleri, zond ayarları və fərqli operator şərtlərinda genelleme birbaşa sübutlanmamıştır.
• Tədqiqat mikrorobot teknolojisinin klinik istifadəa hazır olduğunu sübutlamamaktadır.

Tədqiqatın Metodu və Nəticələri

Deney altyapistilik

Deneyler ticari GPU bulud platforması RunPod.io üzərində realleştirilmiştir. Hesaplama altyapistiliknda Blackwell memarlığıne sahip tək NVIDIA B200 GPU, 180 GB VRAM, AMD EPYC 9555 əsaslı 28 vCPU və 200 GB şəbəkə depolaması istifadə edilmişdir. Yazılım ortamı PyTorch üzərində Ultralytics və Torchvision kübalonhanelerine dayanmaktadır.

Beş katlı çarpaz doğrulama

Eğitim verisi hər fold üçün rastgele %80 təlim və %20 validasiya kimi ayrılmıştır. Rastgele tohum 42'dir. Beş katlı çarpaz doğrulama sırasında patience = 5 kullanılmış, hər fold üçün en iyi çəkilar və loglar qeydə alınmıştir.

Beş fold tamamlandıktan sonra final model, təlim və validasiya məlumatlarının tamamı istifadə edilərək yeniden eğitilmiştir. Bu aşamada validasiya və erkən dayandırma devre dışı bırakılmış və patience = 0 kimi ayarlanmıştır. Bağımsız test klasörü final qiymətləndirməde istifadə edilmişdir.

Bozunum deneyi: Gaussian bulanması

Bulanıklık üçün 21 × 21 Gaussian çekirdeği və k = 10 kullanılmış; OpenCV tarafından σ ≈ 3,5 hesaplandığı belirtilmiştir. Tədqiqatçılar bu əməliyyatı mikrorobot hareketi, fizyolojik hareket və ya zayıf akustik pencere kimi dayanumları taklit etmek amacıyla kullanmıştır.

\[ I_b(x,y,c)=(I \ast G_{\sigma})(x,y,c) \]

Burada \(I\) orijinal görüntüyü, \(G_{\sigma}\) Gaussian çekirdeğini, \(\ast\) ikiölçülü konvolüsyonu, \(x\) və \(y\) piksel koordinatlarını, \(c\) isə renk kanalını temsil etmektedir.

Bozunum deneyi: parlaqlıq və kontrast

Parlaklık/kontrast testi üçün α = 1,8 və β = −40 istifadə edilmişdir. Mənbədə α kontrast kontrolü, β parlaqlıq kontrolü kimi tanımlanmıştır.

\[ I_{bc}(x,y,c)=clip(\alpha I(x,y,c)+\beta) \]

Bu dönüşüm ultrasəs cihazı/operator ayarları, time gain compensation və sinyal zayıflamasından qaynaqlanan görüntü değişimlerini taklit etmek amacıyla tətbiq edilmişdir.

Bozunum deneyi: örtülmə

Hər görüntüye beş siyah kutu eklenmiştir. Hər kutunun yüksekliği və genişliği orijinal görüntü boyutunun %15'i kimi müəyyən edilmişdir.

Mənbədə örtülmüş bölgə metin içində O kimi adlandırılırken denklem koşulunda karakter 0 şəklində basılmıştır. Mənbə daxilində bu gösterim tutarsızlığı sessizce düzeltilmemiştir:

\[ I_{oc}(x,y,c)= \begin{cases} 0, & (x,y)\in 0 \\ (x,y,c), & otherwise \end{cases} \]

Denklemin hemen əvvəlsindeki izahya görə amaç, örtülmə bölgəsindeki pikselleri sıfırlamak və geri kalan görüntüyü dəyişdirməden bırakmaktır; lakin qaynaq formülündeki O/0 yazımı bibliyoqrafik kimi olduğu kimi qeyd edilmelidir.

Bozunum deneyi: speckle səs-küyü

Speckle səs-küysü üçün \(\sigma_s^2 = 0.02,\ 0.04,\ 0.06,\ 0.08,\ 0.1\) dispersiyaları istifadə edilmişdir. Hər piksele normal paylanmadan üretilmiş çarpımsal səs-küy tətbiq edilmişdir.

\[ n(x,y,c)\sim N(0,\sigma_s^2) \]

\[ I_{sp}(x,y,c)=clip(I(x,y,c)[1+n(x,y,c)]) \]

Tədqiqatnın Şəkil 8'i, speckle səs-küyüne qarşı model dayanıqlılığının digər pozulma türlerinden fərqli sıralanabileceğini göstərir. Xüsusilə YOLO11 və YOLO12, əsas mAP(50–95) dəyərləri daha aşağı olmasına rağmen bu səs-küy testinde aşağı AP kayıpları sergilemiştir.

Özellik katkistilik hesabı

Tədqiqatçılar pozulma qaynaqlı mAP düşüşlerini kənar, tekstura, işıqlandırma və məkan bilgi kimi soyut görsel özelliklerle eşleştirerek göreli katkı hesabı yapmıştır:

\[ W_f = 100 \cdot \frac{\max(0,d_f)} {\sum_{f'}\max(0,d_{f'})} \]

Burada \(d_f\), müəyyən pozulma altında gözlenen mAP itkisinı; \(W_f\) isə bu kayıptan tyaradılan göreli xüsusiyyət töhfəsinı temsil etmektedir. Bu analiz birbaşa piksel səviyyəsinde özellik aktivasyonu ölçməü deyil, pozulmalara qarşı performans değişimlerinden tyaradılan model düzeyinde bir duyarlılık analizidir.

Çapraz doğrulama inam aralıkları

Tədqiqatçılar bu inam aralıklarının final test setindeki belirsizliği deyil, beş katlı təlim/validasiya sürecindeki değişkenliği temsil ettiğini xüsusilə belirtmektedir. Final model bütün təlim verisi üzərində yeniden eğitildiği üçün test sonucu bazı dayanumlarda çarpaz doğrulama etibar intervalının xaricində kalabilmektedir.

Əsas məhdudiyyətlər

• Veri seti böyük olsa da çeşitliliği sərhədlıdır.
• Sınıf dağılımı dengesizdir.
• Real xəstə anatomisi, zond ayarları və operator tercihleri vakadan vakaya değişebilir.
• Test edilen pozulma türleri və pozulma seviyeleri real dünyanın bütün olasılıklarını əhatəamaktadır.
• Hesaplamalar güçlü NVIDIA B200 altyapistiliknda yapılmıştır.
• Mənbə kistiliktlı və ya gömülü aparatlarda eyni real vaxtlı performans gösterilmemiştir.
• Tədqiqat klinik tətbiq və ya insan üzərində mikrorobot istifadəsinın doğrulaması değildir.

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı: Benchmarking Robust AI for Microrobot Detection with Ultrasound Imaging

Müəlliflər: Ahmed Almaghthawi, Changyan He, Suhuai Luo, Furqan Alam, Majid Roshanfar, Lingbo Cheng.

Yazar sırası: Mənbədə verilen sıra aynen korunmuştur.

Eş katkı / eş birinci yazar: Mənbədə eş birinci və ya eş katkı beyanı belirtilmemiştir.

Sorumlu müəlliflər: Ahmed Almaghthawi və Changyan He.

Qurumlar:

• School of Information and Physical Sciences, University of Newcastle, Newcastle, Australia.
• School of Engineering, University of Newcastle, Newcastle, Australia.
• Department of Computer Science, College of Science & Art at Mahayil, King Khalid University, Abha, Saudi Arabia.
• Faculty of Computing and Information Technology (FoCIT), Sohar University, Sohar, Oman.
• PCIGITI Center, SickKids Hospital, Toronto, Canada.

Mənbə növü: Hakemli tədqiqat məqaləsi; süni intellekt əsaslı mikrorobot aşkarlama benchmark və məlumat analizi tədqiqatsı.

Jurnal: Actuators.

Nəşriyyat: MDPI.

Bibliyoqrafik künyesi: Actuators 2026, 15(1), 16.

Məqalə numarası: 16.

DOI: 10.3390/act15010016.

Rəsmi nəşr birləşməsı:https://doi.org/10.3390/act15010016

Gönderim: 6 Ekim 2025.

Revizyon: 5 Aralık 2025.

Kabul: 11 Aralık 2025.

Çevrim daxili nəşr: 29 Aralık 2025.

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: Tədqiqatçılar tədqiqatın xarici finansman almadığını bildirmiştir.

Məlumat əlçatanlığı: Tədqiqatda istifadə edilən USMicroMagSet məlumat dəstinin IEEE DataPort üzərindən ictimaiyyətə açıq olduğu və qaynaq tədqiqatda atıf verildiği belirtilmiştir.

Maraqlar toqquşması: Müəlliflər çıkar çatışması olmadığını bildirmiştir.

Kurumsal etik və məlumatlandırılmış razılıq: Mənbədə “qeyd applicable” kimi belirtilmiştir.

Müəllif töhfələri: Kavramsallaştırma A.A., C.H., F.A. və S.L.; metodoloji A.A.; yazılım A.A.; doğrulama C.H., S.L. və F.A.; formel analiz və tədqiqat A.A.; qaynaqlar A.A.; ilk taslak A.A.; gözden geçirme və tənzimləmə C.H., F.A., L.C., M.R. və S.L.; görselleştirme A.A., M.R. və L.C.; danışmanlık C.H., S.L. və F.A.; proje yönetimi C.H. və S.L.; finansman edinimi S.L., C.H. və L.C. kimi bildirilmişdir.

Bilimsel məzmun sərhədi: Bu Verianla yazistilikndaki bilimsel metod, məlumat, formüller, rəqəmsal nəticələr və şərhlar yalnız incelenen qaynaq tədqiqatya dayanmaktadır. Bibliyoqrafik identiklik xaricindəki alanlara xarici qaynaqlardan yeni bilimsel nəticə eklenmemiştir.

Mənbə daxilində örütubətli tutarsızlıklar

• Metin içində Cədvəl 1'in sinif paylanması olduğu belirtilen bir noktada real Cədvəl 1 təlim ayarlarını göstərir; sinif paylanması Cədvəl 2'dir.
• Başka bir bölümde Cədvəl 2'nin dedektör müqayisəsı olduğu ifade edilirken real dedektör müqayisəsı Cədvəl 3'tedir.
• Rollingcube sinifındaki YOLO uğursızlığını açıklayan metin Cədvəl 4'e gönderme yapmasına rağmen ətraflı sinif nəticələrı Cədvəl 5'tedir.
• Özet və nəticə metni ResNeSt-269'dan sonra Res2NeXt-101 və ConvNeXt sıralamasını verirken Cədvəl 4'te ConvNeXt mAP(50–95) dəyəri 0.866752148, Res2NeXt-101 dəyəri 0.866416454'tür.
• Speckle bölümündeki metin ConvNeXt AP itkisinı %5,3–11,2 kimi verirken Şəkil 8'də görünen dəyərlər %5,3, %8,9, %11,9, %14,0 və %16,2'dir.
• ResNeSt-269 və U-Net'in speckle səs-küyünde %50'den böyük AP itkisi yaşadığı belirtildikten sonra qaynaqta “strong noise tolerance” ifadesinin kullanılması rəqəmsal nəticəla çelişmektedir.
• Res2NeXt-101 gecikməsi metinde 6,7 ms, Şəkil 10a'da 6,8 ms kimi gösterilmektedir.
• Örtülme denkleminin hemen əvvəlsinde örtülmə bölgəsi O kimi tanımlanırken denklem içində koşul karakteri 0 şəklində basılmıştır.

Bu fərqlilıklar Verianla metninde sessizce tək bir “doğru” dəyəre dönüştürülmemiş; mümkün olduğunda cədvəl və ya şeklin birbaşa görünen verisi ayrıca belirtilmiş və qaynaq daxili uyuşmazlık açıkça korunmuştur.

Tədqiqatın nəticələrı ultrasəs görüntülərindeki mikrorobot aşkarlama modellərinin müqayisəli performansına ilişkindir. Tədqiqat, herhangi bir modelin real pasiyentlərdə inamli istifadəsinı, klinik tedavi uğursını və ya otonom mikrorobot sisteminin insan bədənində təsdiqlənmiş sahə performansını göstərmir.