Бул изилдөө, ультраүн сүрөттөрүndeki микророботтордун жасалма интеллект менен аныктоодо алты ар түрдүү архитектураnin тактык, бузулууларга туруктуулук жана эсептөө натыйжалуулугуni салыштырууktadır. ConvNeXt, Res2NeXt-101, ResNeSt-269, U-Net, YOLO11 жана YOLO12; сегиз ар түрдүү магниттик микроробот tipini камтыган USMicroMagSet маалымат топтомуnin жалпы 32.511 kullanılabilir сүрөтsü үстүндө бааланган. Таблица 4'te ResNeSt-269, 0,878249645 mAP(50–95) менен en жүкsek genel doğruluğa ulaşırken ConvNeXt 0,866752148 жана Res2NeXt-101 0,866416454 менен birbirine өтө жакын жыйынтык vermiştir. Buna karşılık YOLO11, 6,1 ms/сүрөт кечигүү жана 163 FPS менен en hızlı modeldir. Жыйынтыктар, en жүкsek аныктоо doğruluğuna sahip архитектура менен en төмөн эсептөө баасыэмне sahip архитектураnin ошол эле болбогонун көрсөтөт. Изилдөө бир маалымат топтому жана модель benchmark ишиdır; чыныгы бейтаптарда клиникалык колдонуу, tedavi ийгиликsı же canlı адам денесинде ишенимli микроробот навигацияu gösterilmemiştir.

USMicroMagSet, 1920 × 1080 пиксел B-mod ультраүн сүрөттөрүnden турат. Булак маалымат топтомунда 40.000'den fazla аннотацияланган kare bulunmasına karşın изилдөөда kullanılabilir сүрөт саны 32.511 катары билдирилген. Bunların 21.127'si окутуу/валидация yapжылуулукnda, 11.384'ü көз карандысыз тест klasöründe yer almaktadır. Eğitim bölümünde беш кабат кайчылаш текшерүү uygulanmış; ар бир катмарда окутуу verisinin %80'i окутуу, %20'si валидация үчүн ayrılmıştır. Бүткүл архитектураler 30 epoch, 16 batch size, AdamW оптималдаштырууu жана 0,0001 үйрөнүү ылдамдыгы сыяктуу ortak негизги ayarlarla бааланган.

Изилдөөnın dikkat çekici sonucu гана “кайсы модель en туура?” sorusuna yanıt vermemesi, ультраүн сүрөттөрүnin реалдууçi бузулууlarında моделдейтin жүрүш-турушlarının birbirinden ciddi ölçüde ayrıldığını göstermesidir. Parlaklık değişimi U-Net'te %84,85, YOLO12'да %71,10 жана YOLO11'да %60,23 AP жоготуусуna yol açarken ConvNeXt'teki kayıp %14,78'dir. Buna karşılık speckle ызы-чуусуnde YOLO архитектураleri belirgin түрдө дагы dayanıklı görünmektedir. Ошондуктан бир гана жалпы тактык metriği, чыныгы убакыттагы ультраүн негизиндеги микроробот izleme системасы seçimi үчүн бир başına yeterli değildir.

Түркия жагынан: Изилдөө Türkiye'да yürütülmemiştir жана жыйынтыктар Türkiye'deki бейтапnelere, ультраүн түзмөктөрдүнa же клиникалык колдонмоlara түздөн-түз aktarılmış бир ырастоо бербейт. Türkiye'да benzer бир система geliştirilmek istenirse колдонулган ультраүн аппараттыкı, зонд жөндөөлөрү, оператор ар түрдүүlıkları, сүрөт kalitesi, микроробот geometrisi жана учурдагы hesaplama altyapжылуулук үстүндө ayrı ырастоо керек. Айрыкча изилдөөnın NVIDIA B200 сыяктуу өтө güçlü бир GPU үстүндө yürütülmüş olması, elde edilen кечигүү жана FPS маанилериnin дагы sınırlı жергиликтүү аппараттыкlarda ошол эле kalacağının varsayılamayacağı anlamına gelir.

Изилдөөnın негизги sorusu эмне?

Микророботların tıbbi колдонмоlarda максатlenen noktaya yönlendirilmesi үчүн гана hareket ettirilebilmeleri эмес, vücut içindeki позицияларыnın ишенимдүү түрдө аныктоо жана takip edilebilmesi керек. Изилдөөчүлөр бул problemi ультраүн сүрөттөө жана derin öğrenme негизиндеги объект аныктоо моделдейтi аркылуу ele almaktadır.

Изилдөөнүн негизги amacı, ультраүн сүрөттөрүnde микроробот аныктоо үчүн ар түрдүү жасалма интеллект архитектураlerini ошол эле benchmark алкагында салыштырууk жана гана негизги тактык metriklerini эмес, сүрөт бузулууlarına dayanıklılığı, görsel özellik көз карандылыктардыnı жана чыныгы убакыттагы kullanıma ilişkin эсептөө баасыni да ölçmektir.

Ultrason эмне үчүн merжолуда?

Изилдөөда магниттик-резонанстык сүрөттөө (MRI), компьютердик томография (CT), оптикалык сүрөттөө жана ультраүн сыяктуу ыкмаler tartışılmaktadır. Авторлорın kurduğu алкакда ультраүн; көчмөлүүлүк, görece төмөн maliyet, иондоштуруучу радиация kullanmaması жана жүкsek убакыттык çözünürlüğü nedeniyle чыныгы убакыттагы микроробот izleme үчүн ылайыктуу бир adaydır.

Ошентсе да ультраүн сүрөтsünün төмөн контраст, чектелген мейкиндик ажыратуучулук, ткань артефакттары жана speckle ызы-чуусу сыяктуу өзгөчөлүктөрдү кичинекей микророботтордун аныктоону güçleştirmektedir. Изилдөөнүн жасалма интеллект benchmark'ı толук катары бул zorlu сүрөттөө orтолукını максатlemektedir.

Кайсы микророботтор kullanıldı?

USMicroMagSet маалымат топтому сегиз микроробот классыnı камтыйт: cube, cylinder, flagella, helical, rollingcube, sheetробот, sphere1 жана sphere3. Изилдөөdaki Сүрөт 5, ар бир класс үчүн аннотациясыз ультраүн сүрөтsünü жана yeşil чектөөчү кутуyla işaretlenmiş karşılığını yan yana көрсөтөт. Ошентип классların ультраүн сүрөтүндөгү biçim, контраст жана sınır ар түрдүүlıkları түздөн-түз görülebilmektedir.

Veri dağılımı dтоскоолдукi değildir. Мисалы sphere1 классında 5900 окутуу сүрөтsü bulunurken rollingcube үчүн sayı 1255'tir. Авторлор бул класс теңсиздигиni изилдөөнүн чектөөлөрından biri катары kabul etmektedir. Ошентсе да kendi жыйынтыктарına dayanarak ham örnek саныnın бир başına модель ийгиликsını түшүндүрмөdığını жана архитектура өзгөчөлүктөрдүn öнымдуулукli болгонун savunmaktadırlar.

Алты модель эмне үчүн бирге мааниlendirildi?

Benchmark; ConvNeXt, Res2NeXt-101, ResNeSt-269, U-Net, YOLO11 жана YOLO12 архитектураlerini kapsar. Изилдөөда бул моделдейт ар түрдүү архитектура өзгөчөлүктөрдү nedeniyle seçilmiştir. ConvNeXt geniş өзөкler жана hiyerarşik өзгөчөлүк чыгарууna dayanan modern CNN ыкмасыnı; ResNeSt-269 split-attention механизмиnı; Res2NeXt-101 өтө ölçekli özellik temsilini; U-Net encoder-decoder жана skip connection yapжылуулукnı; YOLO11 жана YOLO12 болсо дагы kompakt, чыныгы убакыттагы аныктоо ыкмасыnı temsil etmektedir.

Сүрөт 3'te изилдөөчүлөр модель seçimini гана тактык beklentisi аркылуу эмес; архитектура çeşitlilik, hız, клиникалык колдонуу potansiyeli жана ультраүн сүрөтүндөгү ар түрдүү визуалдык белгилерna duyarlılık аркылуу түшүндүрмөktadır.

Genel аныктоо doğruluğunda кайсы модель önde?

Таблица 4'teki kesin mAP(50–95) маанилериэмне ылайык ResNeSt-269 en жүкsek sonucu vermiştir. ConvNeXt жана Res2NeXt-101 болсо birbirine son derece жакын performans көрсөтөт. Булактын кыскача мазмун жана жыйынтык metni Res2NeXt-101'i ikinci, ConvNeXt'i üçüncü sırada ifade etmesine rağmen таблица маанилери ConvNeXt'in 0,866752148 менен Res2NeXt-101'in 0,866416454 маанисиnden өтө кичинекей бир айырмаla жүкsek болгонун көрсөтөт. Ошондуктан burada тизилиш чечмелөөu ордуна kesin сандык маанилер esas alınmıştır.

mAP50 маанилериnin YOLO моделдейтinde да жүкsek olması, дагы gevşek IoU eşiğinde бул моделдейтin өтө сандагы объектyi bulabildiğini; mAP(50–95) маанисиnin belirgin түрдө düşmesi болсо дагы sıkı lokalizasyon eşikleri бирге мааниlendirildiğinde performans айырмасыnın büyüdüğünü көрсөтөт. Изилдөөчүлөр микроробот колдонмоlarında hassas lokalizasyonun öнымдуулукli olması nedeniyle mAP(50–95) metriğini негизги баалоо ölçütlerinden biri катары kullanmıştır.

Кайсы микроробот классları дагы zor?

Алты modelin bütünleşik класс analizinde en төмөн performans gösteren үч класс rollingcube, sheetробот жана sphere1 катары билдирилген. Изилдөөчүлөрın verdiği bütünleşik AP(50–95) маанилери sırasıyla 0,598, 0,676 жана 0,768'dir.

YOLO11'in rollingcube классındaki recall мааниси 0,002394288 жана F1 skoru 0,004777139'токто. YOLO12'да ошол эле класс үчүн recall 0 жана F1 skoru 0 катары rapor edilmiştir. Buna karşılık ConvNeXt, ResNeSt-269 жана Res2NeXt-101 rollingcube классında sırasıyla 0,939757824, 0,93028307 жана 0,941604495 mAP(50–95) elde etmiştir. Бул айырма, genel модель ийгиликsının белгилүү микроробот geometrilerindeki жүрүш-турушı gizleyebileceğini көрсөтөт.

Bulanıklık, жаркындык жана тосулуу моделдейтi кантип etkiliyor?

Изилдөө гана temiz тест сүрөттөрine bakmamış; реалдууçi сүрөттөө zorluklarını taklit etmek amacıyla бүдөмүктүк, жаркындык/контраст değişimi, тосулуу жана speckle ызы-чуусу муунiştir. Сүрөт 7, ilk үч бузулуу koşulunda моделдейтin AP kayıplarını көрсөтөт.

Сүрөт 7'nin en belirgin mesajı жаркындык değişiminin birçok модель үчүн güçlü бир stres faktörü olmasıdır. ConvNeXt'te жаркындык ширетүүlı AP жоготуусу %14,78 iken YOLO11'да %60,23, YOLO12'да %71,10 жана U-Net'te %84,85'tir. Res2NeXt-101 %28,14, ResNeSt-269 болсо %32,04 kayıp көрсөткөн.

Bulanıklıkta ConvNeXt %12,53 жана Res2NeXt-101 %13,73 AP жоготуусуyla en dayanıklı жыйынтыктар arasındadır. U-Net'te kayıp %79,17'ye жүкselmektedir. Örtülme koşulu бүткүл моделдейтi etkilerken U-Net %47,72 AP жоготуусуyla yine en ири düşüşü көрсөтөт.

Speckle ызы-чууsünde ар түрдүү бир таблица ortaya çıkıyor

Speckle ызы-чууsü ультраүн сүрөттөөда özel öнымдуулук taşıdığı үчүн изилдөөчүлөр 0,02, 0,04, 0,06, 0,08 жана 0,1 olmak üzere беш ызы-чуу дисперсияı kullanmıştır. Сүрөт 8'да YOLO12 үчүн AP kayıpları sırasıyla %1,1, %1,2, %1,3, %1,5 жана %1,7; YOLO11 үчүн %1,1, %1,8, %2,3, %3,3 жана %4,0 катары gösterilmektedir.

Сүрөт 8'да ConvNeXt үчүн görünen маанилер %5,3, %8,9, %11,9, %14,0 жана %16,2'dir. Бирок ошол эле şekli açıklayan metin ConvNeXt үчүн AP жоготуусу aralığını %5,3–11,2 катары vermektedir. Булак ичиндеги бул sayı uyuşmazlığı nedeniyle эки bilgi бир гана “düzeltilmiş” мааниe dönüştürülmemiştir.

Сүрөт 8'да ResNeSt-269 үчүн AP жоготуусу ызы-чуу seviyesi arttıkça болжол менен %29,8'den %70,5'e; U-Net үчүн %2,4'ten %68,2'ye çıkmaktadır. Булак metni да дисперсия 0,08'e ulaştığında ResNeSt-269 жана U-Net kayıplarının %50'nin üzerine чыгышğını belirtmektedir. Bunun hemen ardından келген “strong noise tolerance” ifadesi бул sayılarla mantıksal катары uyuşmadığından ширетүү ички anlatım tutarsızlığı катары мааниlendirilmelidir.

Моделдер кайсы визуалдык белгилерna дагы fazla bağımlı?

Изилдөөда klasik пиксел деңгээлиndeki Grad-CAM ыкмасы ордуна бузулууларa bağlı mAP kayıplarından өзгөчөлүк салымы türetilmiştir. Изилдөөчүлөр bulanıklığı кыр өзгөчөлүктөрдүyle, жаркындык değişimini жарыктандырууyla, тосулууyi мейкиндик өзгөчөлүгүlerle жана speckle ызы-чуусуnü текстура bilgisiyle eşleştirmiştir.

YOLO11 жана YOLO12'nin жарыктандырууya katkı катышı болжол менен %56 iken текстура katkжылуулук %3'ün altındadır. Изилдөөчүлөр rollingcube жана sheetробот классlarının koyu, төмөн yoğunluklu жана текстура негизгиli görünümlerini YOLO моделдейтindeki төмөн класс performansıyla байланыштыратdir.

ResNeSt-269'да текстура katkжылуулукnın %42,62 olması изилдөөdaki en жүкsek текстура bağımlılığıdır. Изилдөөчүлөр split-attention yapжылуулукnın ince yoğunluk değişimlerini yakalayabilmesini, өзгөчө zor микроробот geometrilerindeki güçlü performansın olası түшүндүрмөсү катары сунуштайт.

ConvNeXt дагы dтоскоолдукi бир profil көрсөтөт: кыр %22,42, текстура %20,16, жарыктандыруу %26,43 жана мейкиндик өзгөчөлүгү %31,00. Бул жыйынтык изилдөөчүлөрın ConvNeXt'i ар түрдүү сүрөт шарттарыnda дагы genelleştirilmiş özellik çıkaran бир архитектура катары чечмелөөsına негизги түзөтdır.

En туура модель ошол эле zamanda en hızlı модель бы?

Hayır. Изилдөөнүн негизги mühendislik sonucu тактык менен эсептөө баасы арасында belirgin бир ödünleşim bulunmasıdır. ResNeSt-269 en жүкsek mAP(50–95) маанисиэмне sahipken ошол эле zamanda en ири жана en yavaş моделдейтden biridir. YOLO11 болсо жалпы тактыкta дагы төмөн kalmasına rağmen en жүкsek FPS маанисиэмне ulaşmıştır.

ResNeSt-269'un болжол менен 126,76 валyon параметр жана 485 MB модель файлыna karşılık YOLO11'in 2,58 валyon параметр жана болжол менен 5 MB dosya boyutunda olması, чыныгы убакыттагы же gömülü система дизайнında гана тактык metriğinin эмне үчүн yeterli болбогонун көрсөтөт.

Бул жердеки hız маанилериnin NVIDIA B200 GPU үстүндө elde edildiği unutulmamalıdır. Aynı моделдейт дагы sınırlı бир GPU, CPU же камтылган процессор үстүндө ошол эле кечигүү жана FPS жыйынтыктарını vermek zorunda değildir.

Сүрөтler изилдөөnın кайсы yönlerini көрсөтөт?

Сүрөт 1, микророботтордун максатlenen дары ташуу, lokal terapi, минималдуу инвазивдүү girişimler, tanısal сүрөттөө жана кан тамыр ичиндеги навигация сыяктуу potansiyel kullanım alanlarını kavramsal бир агым şemasıyla көрсөтөт. Бул сүрөт изилдөө ичинде клиникалык жыйынтык далилı эмес, колдонмо bağlamını açıklayan бир şemadır.

Сүрөт 2, MRI, CT жана ультраүнun микроробот takibi açжылуулукndan авторлор tarafından кантип karşılaştırıldığını көрсөтөт. Şemanın негизги mesajı ультраүнun чыныгы убакыттагы сүрөттөө, иондоштуруучу радиация kullanmaması жана көчмөлүүлүк өзгөчөлүктөрдү nedeniyle изилдөөnın tercih ettiği сүрөттөө ыкмаi olmasıdır.

Сүрөт 3, алты modelin архитектура aile, тактык-натыйжалуулукlilik dengesi, клиникалык/teknik ilgi жана ар түрдүү бузулууларa каршы толукamlayıcı özellikler açжылуулукndan эмне үчүн seçildiğini кыскача мазмунler.

Сүрөт 4, deneylerin çalıştırıldığı NVIDIA B200 Blackwell altyapжылуулукnı HBM3e эс тутум yığınları, операция кластерлерi, SM жана Tensor Core düzeyinde şematik катары көрсөтөт.

Сүрөт 5, сегиз микроробот tipinin аннотациясыз жана энбелгиli ультраүн örneklerini yan yana көрсөтөт. Бул görsel, классlar arasındaki сүрөт, yoğunluk жана sınır айырмаlarının модель performansını эмне үчүн etkileyebileceğini anlamak açжылуулукndan өзгөчө öнымдуулукlidir.

Сүрөт 6, 1920 × 1080 ультраүн сүрөтsünden başlayarak ön иштетүү, sabit кокус урук, аралаш тактык, алты модель, беш кабат кайчылаш текшерүү, final модель yeniden окутууi жана төрт ayrı баалоо koluna uzanan benchmark sürecini көрсөтөт.

Сүрөт 7 жана Сүрөт 8, бузулуу stres тестlerinin негизги сандык жыйынтыктарını; Сүрөт 9 модель özellik katkılarını; Сүрөт 10 болсо кечигүү, FPS, параметр жана dosya boyutu arasındaki mühendislik ödünleşimini көрсөтөт.

Изилдөө колдогон жыйынтыктар

• USMicroMagSet benchmark шарттарыnda ResNeSt-269 en жүкsek genel mAP(50–95) маанисиэмне ulaşmıştır.
• ConvNeXt жана Res2NeXt-101 genel аныктоо doğruluğunda ResNeSt-269'a жакын жыйынтыктар vermiştir.
• YOLO11 en төмөн кечигүү жана en жүкsek FPS маанисиni көрсөткөн.
• Modellerin бүдөмүктүк, жаркындык, тосулуу жана speckle ызы-чуусуэмне tepkileri ciddi түрдө ар түрдүүlaşmıştır.
• Belirli микроробот классlarında модель архитектурасы жана görsel özellik bağımlılığı performans айырмаlarını түшүндүрмөk үчүн kullanılabilir.
• Algılama doğruluğu менен модель көлөмү/hız арасында belirgin бир mühendislik ödünleşimi vardır.

Изилдөөнүн destмуунediği же тест etmediği жыйынтыктар

• Бул изилдөө чыныгы бейтаптарда клиникалык ийгилик көрсөтпөйт.
• Modellerin адам денесинде чыныгы убакыттагы микроробот навигацияunu ишенимli түрдө yönettiği gösterilmemiştir.
• Жогорку mAP мааниси дарылоо эффективдүүлүгү, бейтап коопсуздугу же tanısal ийгилик garantisi değildir.
• B200 GPU üzerindeki FPS маанилериnin gömülü же оорукана тибиндеги жабдыкlarda ошол эле kalacağı gösterilmemiştir.
• USMicroMagSet тышкарыки ультраүн түзмөктөрı, бейтап anatoвалeri, зонд жөндөөлөрү жана ар түрдүү оператор шарттарыnda genelleme түздөн-түз далилlanmamıştır.
• Изилдөө микроробот teknolojisinin клиникалык колдонууa hazır болгонун далилlamamaktadır.

Изилдөөнүн ыкмасы жана жыйынтыктары

Deney altyapжылуулук

Deneyler ticari GPU булут платформасы RunPod.io үстүндө реалдууleştirilmiştir. Hesaplama altyapжылуулукnda Blackwell архитектурасыэмне sahip бир NVIDIA B200 GPU, 180 GB VRAM, AMD EPYC 9555 негизиндеги 28 vCPU жана 200 GB тармак depolaması колдонулган. Yazılım orтолукı PyTorch үстүндө Ultralytics жана Torchvision kütüphanelerine дакүйүүktadır.

Беш katlı кайчылаш текшерүү

Eğitim verisi ар бир fold үчүн rastgele %80 окутуу жана %20 валидация катары ayrılmıştır. Rastgele tohum 42'dir. Беш katlı кайчылаш текшерүү sırasında patience = 5 kullanılmış, ар бир fold үчүн en iyi салмакlar жана loglar катталганtir.

Беш fold толукamlandıktan кийин final модель, окутуу жана валидация маалыматтарынын толукamı колдонуу менен yeniden eğitilmiştir. Бул aşamada валидация жана эрте токтотуу devre dışı bırakılmış жана patience = 0 катары ayarlanmıştır. Bağımsız тест klasörü final баалоода колдонулган.

Bozunum deneyi: Gaussian бүдөмүктүгү

Bulanıklık үчүн 21 × 21 Gaussian çekirdeği жана k = 10 kullanılmış; OpenCV tarafından σ ≈ 3,5 hesaplandığı belirtilmiştir. Изилдөөчүлөр бул операциясы микроробот hareketi, fizyolojik hareket же zayıf akustik pencere сыяктуу токтоumları taklit etmek amacıyla kullanmıştır.

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

Бул жерде \(I\) оригиналдуу сүрөтyü, \(G_{\sigma}\) Gaussian çekirdeğini, \(\ast\) эки өлчөмдүү konvolüsyonu, \(x\) жана \(y\) пиксел координаттарын, \(c\) болсо renk kanalını temsil etmektedir.

Bozunum deneyi: жаркындык жана контраст

Parlaklık/контраст тестi үчүн α = 1,8 жана β = −40 колдонулган. Булакта α контраст kontrolü, β жаркындык kontrolü катары tanımlanmıştır.

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

Бул dönüşüm ультраүн түзмөкı/operator ayarları, time gain compensation жана sinyal zayıflamasından ширетүүlanan сүрөт değişimlerini taklit etmek amacıyla колдонулган.

Bozunum deneyi: тосулуу

Ар бир сүрөтye беш siyah kutu eklenmiştir. Ар бир kutunun жүкsekliği жана genişliği оригиналдуу сүрөт boyutunun %15'i катары аныкталган.

Булакта örtülmüş аймак metin ичинде O катары adlandırılırken denklem koşulunda karakter 0 түрүндө basılmıştır. Булак ичиндеги бул gösterim tutarsızlığı sessizce düzeltilmemiştir:

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

Denklemin hemen мурунsindeki түшүндүрмөya ылайык amaç, тосулуу аймакsindeki пикселleri sıfırlamak жана geri kalan сүрөтyü өзгөртүүden bırakmaktır; бирок ширетүү formülündeki O/0 yazımı bibliyoграфик катары болгону сыяктуу эскертүү edilmelidir.

Bozunum deneyi: speckle ызы-чуусу

Speckle ызы-чууsü үчүн \(\sigma_s^2 = 0.02,\ 0.04,\ 0.06,\ 0.08,\ 0.1\) дисперсияları колдонулган. Ар бир пикселe нормалдуу бөлүштүрүүdan üretilmiş çarpımsal ызы-чуу колдонулган.

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

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

Изилдөөnın Сүрөт 8'i, speckle ызы-чуусуэмне каршы модель туруктуулугунn башка бузулуу türlerinden ар түрдүү sıralanabileceğini көрсөтөт. Айрыкча YOLO11 жана YOLO12, негизги mAP(50–95) маанилери дагы төмөн olmasına rağmen бул ызы-чуу тестinde төмөн AP kayıpları sergilemiştir.

Özellik katkжылуулук hesabı

Изилдөөчүлөр бузулуу ширетүүlı mAP düşüşlerini кыр, текстура, жарыктандыруу жана мейкиндиктик bilgi сыяктуу soyut görsel özelliklerle eşleştirerek göreli katkı hesabı yapmıştır:

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

Бул жерде \(d_f\), белгилүү бузулуу астында gözlenen mAP жоготуусуnı; \(W_f\) болсо бул kayıptan tтүзүлгөн göreli өзгөчөлүк салымыnı temsil etmektedir. Бул analiz түздөн-түз пиксел деңгээлиnde özellik aktivasyonu өлчөөü эмес, бузулууларa каршы performans değişimlerinden tтүзүлгөн модель düzeyinde бир duyarlılık analizidir.

Çapraz ырастоо ишеним aralıkları

Изилдөөчүлөр бул ишеним aralıklarının final тест setindeki belirsizliği эмес, беш katlı окутуу/валидация sürecindeki değişkenliği temsil ettiğini өзгөчө belirtmektedir. Final модель бүткүл окутуу verisi үстүндө yeniden eğitildiği үчүн тест sonucu bazı токтоumlarda кайчылаш текшерүү ишеним аралыгыnın тышкары kalabilmektedir.

Негизги чектөөлөр

• Veri seti ири olsa да çeşitliliği sınırlıdır.
• Sınıf dağılımı dengesizdir.
• Реалдуу бейтап anatomisi, зонд жөндөөлөрү жана оператор tercihleri vakadan vakaya değişebilir.
• Test edilen бузулуу türleri жана бузулуу seviyeleri реалдуу dünyanın бүткүл olasılıklarını камтууamaktadır.
• Hesaplamalar güçlü NVIDIA B200 altyapжылуулукnda yapılmıştır.
• Булак kжылуулукtlı же камтылган жабдыкlarda ошол эле чыныгы убакыттагы performans gösterilmemiştir.
• Изилдөө клиникалык колдонмо же insan үстүндө микроробот колдонулушуnın ырастооsı değildir.

Булак жана ыкма жөнүндө эскертүү

Tam оригиналдуу изилдөө adı: Benchmarking Robust AI for Microробот Detection with Ultrasound Imaging

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

Yazar sırası: Булакта verilen sıra aynen korunmuştur.

Eş katkı / eş birinci yazar: Булакта eş birinci же eş katkı beyanı belirtilmemiştir.

Sorumlu авторлор: Ahmed Almaghthawi жана Changyan He.

Мекемелер:

• 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.

Булак түрү: Hakemli изилдөө макалаsi; жасалма интеллект негизиндеги микроробот аныктоо benchmark жана маалымат analizi изилдөөsı.

Журнал: Actuators.

Басма: MDPI.

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

Макала numarası: 16.

DOI: 10.3390/act15010016.

Расмий жарыялоо шилтемеси:https://doi.org/10.3390/act15010016

Gönderim: 6 Ekim 2025.

Revizyon: 5 Aralık 2025.

Kabul: 11 Aralık 2025.

Çevrim ички жарыялоо: 29 Aralık 2025.

Лицензия: Creative Commons Attribution (CC BY).

Каржылоо: Изилдөөчүлөр изилдөөнүн сырткы finansman almadığını bildirmiştir.

Маалымат жеткиликтүүлүгү: Изилдөөда колдонулган USMicroMagSet маалымат топтомуnin IEEE DataPort аркылуу kamuya ачык болгону жана ширетүү изилдөөда atıf verildiği belirtilmiştir.

Кызыкчылыктардын кагылышы: Авторлор çıkar çatışması болбогонун bildirmiştir.

Kurumsal etik жана маалымдалган макулдук: Булакта “эскертүү applicable” катары belirtilmiştir.

Автордук салымдар: Kavramsallaştırma A.A., C.H., F.A. жана S.L.; metodoloji A.A.; yazılım A.A.; ырастоо C.H., S.L. жана F.A.; formel analiz жана изилдөө A.A.; ширетүүlar A.A.; ilk taslak A.A.; gözden geçirme жана жөнгө салуу C.H., F.A., L.C., M.R. жана S.L.; görselleştirme A.A., M.R. жана L.C.; danışmanlık C.H., S.L. жана F.A.; proje yönetimi C.H. жана S.L.; finansman edinimi S.L., C.H. жана L.C. катары билдирилген.

Bilimsel мазмун sınırı: Бул Verianla yazжылуулукndaki bilimsel ыкма, маалымат, formüller, сандык жыйынтыктар жана чечмелөөlar гана incelenen ширетүү изилдөөya дакүйүүktadır. Bibliyoграфик идентификация тышкарыки alanlara сырткы ширетүүlardan жаңы bilimsel табылга eklenmemiştir.

Булак ичиндеги öнымдуулукli tutarsızlıklar

• Metin ичинде Таблица 1'in класс бөлүштүрүлүшү болгону belirtilen бир noktada реалдуу Таблица 1 окутуу ayarlarını көрсөтөт; класс бөлүштүрүлүшү Таблица 2'dir.
• Başka бир bölümde Таблица 2'nin dedektör салыштырууsı болгону ifade edilirken реалдуу dedektör салыштырууsı Таблица 3'tedir.
• Rollingcube классındaki YOLO ийгиликsızlığını açıklayan metin Таблица 4'e gönderme yapmasına rağmen кеңири класс жыйынтыктарı Таблица 5'tedir.
• Özet жана жыйынтык metni ResNeSt-269'dan кийин Res2NeXt-101 жана ConvNeXt тизилишsını verirken Таблица 4'te ConvNeXt mAP(50–95) мааниси 0.866752148, Res2NeXt-101 мааниси 0.866416454'tür.
• Speckle bölümündeki metin ConvNeXt AP жоготуусуnı %5,3–11,2 катары verirken Сүрөт 8'да görünen маанилер %5,3, %8,9, %11,9, %14,0 жана %16,2'dir.
• ResNeSt-269 жана U-Net'in speckle ызы-чуусуnde %50'den ири AP жоготуусу yaşadığı belirtildikten кийин ширетүүta “strong noise tolerance” ifadesinin kullanılması сандык жыйынтыкla çelişmektedir.
• Res2NeXt-101 кечигүүsi metinde 6,7 ms, Сүрөт 10a'да 6,8 ms катары gösterilmektedir.
• Örtülme denkleminin hemen мурунsinde тосулуу аймакsi O катары tanımlanırken denklem ичинде koşul karakteri 0 түрүндө basılmıştır.

Бул ар түрдүүlıklar Verianla metninde sessizce бир гана “туура” мааниe dönüştürülmemiş; mümkün olduğunda таблица же şeklin түздөн-түз görünen verisi ayrıca belirtilmiş жана ширетүү ички uyuşmazlık açıkça korunmuştur.

Изилдөөнүн жыйынтыктарı ультраүн сүрөттөрүndeki микроробот аныктоо моделдеринин салыштырма performansına ilişkindir. Изилдөө, herhangi бир modelin чыныгы бейтаптарда ишенимli колдонулушуnı, клиникалык tedavi ийгиликsını же otonom микроробот системасынын адам денесинде ырасталган талаа көрсөткүчүnı көрсөтпөйт.