Ин таҳқиқот дақиқӣ, устуворӣ ба вайроншавиҳо ва самаранокии ҳисоббарории шаш меъмории гуногунро барои муайян кардани микророботҳо дар тасвирҳои ултрасадоӣ бо истифода аз зеҳни сунъӣ муқоиса мекунад. ConvNeXt, Res2NeXt-101, ResNeSt-269, U-Net, YOLO11 ва YOLO12 дар маҷмӯи 32.511 тасвири қобили истифодаи Dataset-и USMicroMagSet, ки ҳашт навъи гуногуни микророботи магнитиро дар бар мегирад, арзёбӣ шудаанд. Дар Ҷадвали 4 ResNeSt-269 бо 0,878249645 mAP(50–95) ба баландтарин дақиқии умумӣ расидааст, дар ҳоле ки ConvNeXt бо 0,866752148 ва Res2NeXt-101 бо 0,866416454 натиҷаҳои ба ҳам хеле наздик додаанд. Дар муқобил, YOLO11 бо таъхири 6,1 ms/тасвир ва 163 FPS зудтарин модел аст. Натиҷаҳо нишон медиҳанд, ки меъмории дорои баландтарин дақиқии ошкорсозӣ ва меъмории дорои пасттарин хароҷоти ҳисоббарорӣ якхела нестанд. Ин кор таҳқиқоти Dataset ва benchmark-и модел мебошад; истифодаи клиникӣ дар беморони воқеӣ, муваффақияти табобат ё навигатсияи бехатари микроробот дар бадани зиндаи инсон нишон дода нашудааст.

USMicroMagSet аз тасвирҳои ултрасадоии B-mode бо андозаи 1920 × 1080 пиксел иборат аст. Гарчанде дар Dataset-и манбаъ зиёда аз 40.000 кадри аннотатсияшуда мавҷуд аст, шумораи тасвирҳои қобили истифода дар таҳқиқот 32.511 гузориш шудааст. Аз онҳо 21.127 дар сохтори омӯзиш/валидатсия ва 11.384 дар папкаи мустақили тест ҷой доранд. Дар қисми омӯзиш тасдиқи салибии панҷқабата татбиқ шудааст; дар ҳар қабат %80-и маълумоти омӯзиш барои омӯзиш ва %20-и он барои валидатсия ҷудо шудааст. Ҳамаи меъмориҳо бо танзимоти умумии асосӣ, аз ҷумла 30 epoch, 16 batch size, оптимизатсияи AdamW ва суръати омӯзиши 0,0001 арзёбӣ шудаанд.

Натиҷаи ҷолиби таҳқиқот танҳо ҷавоб додан ба саволи «кадом модел дақиқтар аст?» нест, балки нишон додани он аст, ки рафтори моделҳо ҳангоми вайроншавиҳои воқеанмонанди тасвирҳои ултрасадоӣ ба таври назаррас аз ҳам фарқ мекунад. Тағйири равшанӣ дар U-Net ба талафоти %84,85 AP, дар YOLO12 ба %71,10 ва дар YOLO11 ба %60,23 овардааст, дар ҳоле ки талафот дар ConvNeXt %14,78 аст. Дар муқобил, дар шароити speckle noise меъмориҳои YOLO ба таври намоён устувортар менамоянд. Аз ин рӯ, як метрикаи умумии дақиқӣ барои интихоби системаи real-time-и пайгирии микроробот бо ултрасадо ба танҳоӣ кофӣ нест.

Аз нигоҳи Туркия: Таҳқиқот дар Туркия анҷом дода нашудааст ва натиҷаҳо тасдиқи мустақиман интиқолёфтаро барои беморхонаҳо, дастгоҳҳои ултрасадоӣ ё татбиқҳои клиникии Туркия пешниҳод намекунанд. Агар дар Туркия системаи монанд таҳия карда шавад, барои таҷҳизоти ултрасадоӣ, танзимоти probe, фарқиятҳои операторон, сифати тасвир, геометрияи микроробот ва инфрасохтори мавҷудаи ҳисоббарорӣ тасдиқи ҷудогона зарур аст. Хусусан он ки таҳқиқот дар GPU-и хеле пурқуввате мисли NVIDIA B200 анҷом дода шудааст, маънои онро дорад, ки наметавон фарз кард арзишҳои таъхир ва FPS-и бадастомада дар сахтафзори маҳаллии маҳдудтар низ ҳамон гуна мемонанд.

Саволи асосии таҳқиқот чист?

Барои ба нуқтаи ҳадаф дар татбиқҳои тиббӣ равона кардани микророботҳо танҳо ҳаракат додани онҳо кофӣ нест; мавқеи онҳо дар дохили бадан бояд боэътимод муайян ва пайгирӣ карда шавад. Муҳаққиқон ин мушкилро тавассути тасвирбардории ултрасадоӣ ва моделҳои ошкорсозии объектҳо бар асоси омӯзиши амиқ баррасӣ мекунанд.

Ҳадафи асосии таҳқиқот муқоисаи меъмориҳои гуногуни зеҳни сунъӣ барои ошкорсозии микроробот дар тасвирҳои ултрасадоӣ дар як чаҳорчӯбаи benchmark ва чен кардани на танҳо метрикаҳои асосии дақиқӣ, балки устуворӣ ба вайроншавии тасвир, вобастагӣ ба хусусиятҳои визуалӣ ва хароҷоти ҳисоббарории марбут ба истифодаи real-time мебошад.

Чаро ултрасадо дар марказ аст?

Дар таҳқиқот усулҳое чун тасвирбардории резонанси магнитӣ (MRI), томографияи компютерӣ (CT), тасвирбардории оптикӣ ва ултрасадо баррасӣ мешаванд. Дар чаҳорчӯбаи муаллифон, ултрасадо бо сабаби қобили интиқол будан, арзиши нисбатан паст, истифода накардани радиатсияи ионизатсионӣ ва ҳалли баланди вақтӣ номзади муносиб барои пайгирии real-time-и микроробот мебошад.

Бо вуҷуди ин, хусусиятҳои тасвири ултрасадоӣ, аз ҷумла контрасти паст, ҳалли маҳдуди фазоӣ, артефактҳои бофта ва speckle noise, муайян кардани микророботҳои хурдро душвор мекунанд. Benchmark-и зеҳни сунъии таҳқиқот маҳз ҳамин муҳити душвори тасвирбардориро ҳадаф мегирад.

Кадом микророботҳо истифода шуданд?

Dataset-и USMicroMagSet ҳашт синфи микророботро дар бар мегирад: cube, cylinder, flagella, helical, rollingcube, sheetrobot, sphere1 ва sphere3. Шакли 5-и таҳқиқот барои ҳар синф тасвири ултрасадоии бе аннотатсия ва ҳамтои онро, ки бо қуттии маҳдудкунандаи сабз нишонгузорӣ шудааст, паҳлу ба паҳлу нишон медиҳад. Ҳамин тавр, фарқиятҳои шакл, контраст ва ҳудуди синфҳо дар тасвири ултрасадоӣ бевосита дида мешаванд.

Тақсимоти додаҳо мутавозин нест. Масалан, дар синфи sphere1 5900 тасвири омӯзишӣ мавҷуд аст, дар ҳоле ки барои rollingcube ин шумора 1255 аст. Муаллифон ин нобаробарии синфҳоро яке аз маҳдудиятҳои таҳқиқот медонанд. Бо вуҷуди ин, бо такя ба натиҷаҳои худ онҳо бар ин назаранд, ки танҳо шумораи хоми намунаҳо муваффақияти моделро шарҳ намедиҳад ва хусусиятҳои меъморӣ муҳиманд.

Чаро шаш модел якҷо арзёбӣ шуданд?

Benchmark меъмориҳои ConvNeXt, Res2NeXt-101, ResNeSt-269, U-Net, YOLO11 ва YOLO12-ро фаро мегирад. Дар таҳқиқот ин моделҳо бинобар хусусиятҳои гуногуни меъморӣ интихоб шудаанд. ConvNeXt равиши муосири CNN-ро бар асоси ядроҳои калон ва истихроҷи иерархии хусусиятҳо; ResNeSt-269 механизми split-attention; Res2NeXt-101 намояндагии бисёрмиқёсии хусусиятҳо; U-Net сохтори encoder-decoder ва skip connection; YOLO11 ва YOLO12 бошад, равиши нисбатан паймон ва real-time-и ошкорсозиро намояндагӣ мекунанд.

Дар Шакли 3 муҳаққиқон интихоби моделро на танҳо аз рӯйи интизори дақиқӣ, балки аз рӯйи гуногунии меъморӣ, суръат, имкони истифодаи клиникӣ ва ҳассосият ба ишораҳои гуногуни визуалӣ дар тасвири ултрасадоӣ шарҳ медиҳанд.

Дар дақиқии умумии ошкорсозӣ кадом модел пешсаф аст?

Тибқи арзишҳои дақиқи mAP(50–95) дар Ҷадвали 4, ResNeSt-269 натиҷаи баландтаринро додааст. ConvNeXt ва Res2NeXt-101 бошанд, иҷроиши ба ҳам ниҳоят наздик нишон медиҳанд. Гарчанде хулоса ва матни натиҷагирии манбаъ Res2NeXt-101-ро дуюм ва ConvNeXt-ро сеюм меноманд, арзишҳои ҷадвал нишон медиҳанд, ки 0,866752148-и ConvNeXt бо фарқи хеле хурд аз 0,866416454-и Res2NeXt-101 баландтар аст. Аз ин рӯ, дар ин ҷо ба ҷойи тафсири тартиб, арзишҳои дақиқи ададӣ асос гирифта шудаанд.

Баланд будани арзишҳои mAP50 дар моделҳои YOLO низ нишон медиҳад, ки ин моделҳо дар ҳадди нармтари IoU метавонанд шумораи зиёди объектҳоро пайдо кунанд; ба таври намоён паст шудани mAP(50–95) бошад нишон медиҳад, ки ҳангоми якҷо арзёбӣ кардани ҳаддҳои сахттари локализатсия фарқи иҷроиш зиёд мешавад. Муҳаққиқон бо сабаби аҳаммияти локализатсияи дақиқ дар татбиқҳои микроробот mAP(50–95)-ро яке аз меъёрҳои асосии арзёбӣ истифода кардаанд.

Кадом синфҳои микроробот душвортар мебошанд?

Дар таҳлили якҷояи синфии шаш модел се синфи дорои пасттарин иҷроиш rollingcube, sheetrobot ва sphere1 гузориш шудаанд. Арзишҳои якҷояи AP(50–95), ки муҳаққиқон додаанд, мутаносибан 0,598, 0,676 ва 0,768 мебошанд.

Арзиши recall-и YOLO11 дар синфи rollingcube 0,002394288 ва F1 score 0,004777139 мебошад. Дар YOLO12 барои ҳамин синф recall 0 ва F1 score 0 гузориш шудааст. Дар муқобил, ConvNeXt, ResNeSt-269 ва Res2NeXt-101 дар синфи rollingcube мутаносибан 0,939757824, 0,93028307 ва 0,941604495 mAP(50–95) ба даст овардаанд. Ин фарқ нишон медиҳад, ки муваффақияти умумии модел метавонад рафтори онро дар геометрияҳои муайяни микроробот пинҳон кунад.

Хирашавӣ, равшанӣ ва пӯшидашавӣ ба моделҳо чӣ гуна таъсир мекунанд?

Таҳқиқот танҳо тасвирҳои тозаи тестиро надидааст; барои тақлид кардани мушкилоти воқеанмонанди тасвирбардорӣ хирашавӣ, тағйири равшанӣ/контраст, пӯшидашавӣ ва speckle noise илова шудааст. Шакли 7 талафоти AP-и моделҳоро дар се шароити аввали вайроншавӣ нишон медиҳад.

Паёми равшантарини Шакли 7 ин аст, ки тағйири равшанӣ барои бисёр моделҳо омили қавии стресс мебошад. Талафоти AP аз равшанӣ дар ConvNeXt %14,78, дар YOLO11 %60,23, дар YOLO12 %71,10 ва дар U-Net %84,85 аст. Res2NeXt-101 талафоти %28,14 ва ResNeSt-269 %32,04 нишон додаанд.

Ҳангоми хирашавӣ ConvNeXt бо %12,53 ва Res2NeXt-101 бо %13,73 талафоти AP дар байни натиҷаҳои устувортарин қарор доранд. Дар U-Net талафот то %79,17 боло меравад. Гарчанде шароити пӯшидашавӣ ба ҳамаи моделҳо таъсир мекунад, U-Net бо талафоти %47,72 AP боз ҳам бузургтарин коҳишро нишон медиҳад.

Дар speckle noise манзараи дигар пайдо мешавад

Азбаски speckle noise дар тасвирбардории ултрасадоӣ аҳаммияти махсус дорад, муҳаққиқон панҷ дисперсияи садо — 0,02, 0,04, 0,06, 0,08 ва 0,1 — истифода кардаанд. Дар Шакли 8 талафоти AP барои YOLO12 мутаносибан %1,1, %1,2, %1,3, %1,5 ва %1,7; барои YOLO11 бошад %1,1, %1,8, %2,3, %3,3 ва %4,0 нишон дода шудааст.

Арзишҳои намоёни ConvNeXt дар Шакли 8 %5,3, %8,9, %11,9, %14,0 ва %16,2 мебошанд. Аммо матне, ки ҳамин шаклро шарҳ медиҳад, диапазони талафоти AP-и ConvNeXt-ро %5,3–11,2 медиҳад. Аз сабаби ин номувофиқии ададӣ дар манбаъ, ду маълумот ба як арзиши «ислоҳшуда» табдил дода нашудаанд.

Дар Шакли 8 талафоти AP барои ResNeSt-269 бо зиёд шудани сатҳи садо тақрибан аз %29,8 то %70,5 ва барои U-Net аз %2,4 то %68,2 боло меравад. Матни манбаъ низ мегӯяд, ки ҳангоми ба 0,08 расидани дисперсия талафоти ResNeSt-269 ва U-Net аз %50 зиёд мешавад. Ибораи «strong noise tolerance», ки фавран пас аз ин омадааст, бо ин рақамҳо мантиқан мувофиқ нест ва бояд ҳамчун номувофиқии баёни дохили манбаъ арзёбӣ шавад.

Моделҳо бештар ба кадом ишораҳои визуалӣ вобастаанд?

Дар таҳқиқот ба ҷойи равиши классикии Grad-CAM дар сатҳи пиксел, саҳми хусусиятҳо аз коҳишҳои mAP вобаста ба вайроншавӣ ҳосил карда шудааст. Муҳаққиқон хирашавиро бо хусусиятҳои канорӣ, тағйири равшаниро бо рӯшноӣ, пӯшидашавиро бо хусусиятҳои фазоӣ ва speckle noise-ро бо маълумоти текстура мутобиқ кардаанд.

Саҳми рӯшноӣ дар YOLO11 ва YOLO12 тақрибан %56 аст, дар ҳоле ки саҳми текстура аз %3 камтар мебошад. Муҳаққиқон намуди торик, камшиддат ва ба текстура асосёфтаи синфҳои rollingcube ва sheetrobot-ро бо иҷроиши пасти синфӣ дар моделҳои YOLO алоқаманд мекунанд.

Дар ResNeSt-269 саҳми %42,62-и текстура баландтарин вобастагӣ ба текстура дар таҳқиқот аст. Муҳаққиқон қобилияти сохтори split-attention барои гирифтани тағйироти нозуки шиддатро ҳамчун шарҳи эҳтимолии иҷроиши қавӣ, махсусан дар геометрияҳои душвори микроробот, пешниҳод мекунанд.

ConvNeXt профили мутавозинтар нишон медиҳад: канор %22,42, текстура %20,16, рӯшноӣ %26,43 ва хусусияти фазоӣ %31,00. Ин натиҷа асоси тафсири муҳаққиқон аст, ки ConvNeXt меъморие мебошад, ки дар шароити гуногуни тасвир хусусиятҳои умумитарро истихроҷ мекунад.

Оё дақиқтарин модел ҳамзамон зудтарин модел аст?

Не. Натиҷаи асосии муҳандисии таҳқиқот мавҷуд будани созиши равшан байни дақиқӣ ва хароҷоти ҳисоббарорӣ мебошад. ResNeSt-269 баландтарин арзиши mAP(50–95)-ро дорад, аммо ҳамзамон яке аз калонтарин ва сусттарин моделҳост. YOLO11 бошад, гарчанде дақиқии умумии пасттар дорад, ба баландтарин FPS расидааст.

Дар муқобили тақрибан 126,76 миллион параметр ва файли модели 485 MB-и ResNeSt-269, YOLO11 дорои 2,58 миллион параметр ва андозаи файли тақрибан 5 MB аст; ин нишон медиҳад, ки чаро дар тарҳрезии системаи real-time ё embedded танҳо метрикаи дақиқӣ кофӣ нест.

Бояд дар хотир дошт, ки арзишҳои суръат дар ин ҷо дар NVIDIA B200 GPU ба даст омадаанд. Ҳамин моделҳо маҷбур нестанд дар GPU, CPU ё протсессори embedded-и маҳдудтар ҳамон натиҷаҳои таъхир ва FPS-ро диҳанд.

Шаклҳо кадом ҷанбаҳои таҳқиқотро нишон медиҳанд?

Шакл 1, соҳаҳои эҳтимолии истифодаи микророботҳо, аз ҷумла интиқоли ҳадафноки дору, терапияи маҳаллӣ, мудохилаҳои каминвазивӣ, тасвирбардории ташхисӣ ва навигатсияи дохилирагиро бо диаграммаи консептуалии ҷараён нишон медиҳад. Ин шакл дар дохили таҳқиқот далели натиҷаи клиникӣ нест, балки схемаест, ки заминаи истифодаи эҳтимолиро шарҳ медиҳад.

Шакл 2, нишон медиҳад, ки муаллифон MRI, CT ва ултрасадоро аз ҷиҳати пайгирии микроробот чӣ гуна муқоиса мекунанд. Паёми асосии схема ин аст, ки ултрасадо бо сабаби тасвирбардории real-time, истифода накардани радиатсияи ионизатсионӣ ва қобили интиқол будан усули тасвирбардории афзалиятдодаи таҳқиқот аст.

Шакл 3, ҷамъбаст мекунад, ки чаро шаш модел аз ҷиҳати оилаи меъморӣ, мувозинати дақиқӣ-самаранокӣ, таваҷҷуҳи клиникӣ/техникӣ ва хусусиятҳои иловагии онҳо дар муқобили вайроншавиҳои гуногун интихоб шудаанд.

Шакл 4, инфрасохтори NVIDIA B200 Blackwell-ро, ки таҷрибаҳо дар он иҷро шудаанд, дар сатҳи стекҳои хотираи HBM3e, кластерҳои ҳисоббарорӣ, SM ва Tensor Core ба таври схемавӣ нишон медиҳад.

Шакл 5, намунаҳои ултрасадоии бе аннотатсия ва нишонгузоришудаи ҳашт навъи микророботро паҳлу ба паҳлу нишон медиҳад. Ин тасвир барои фаҳмидани он ки чаро фарқиятҳои шакл, шиддат ва ҳудуд байни синфҳо метавонанд ба иҷроиши модел таъсир расонанд, махсусан муҳим аст.

Шакл 6, раванди benchmark-ро аз тасвири ултрасадоии 1920 × 1080 оғоз карда, тавассути пешкоркард, тухми тасодуфии собит, дақиқии омехта, шаш модел, тасдиқи салибии панҷқабата, азнавомӯзии модели ниҳоӣ ва чор шохаи ҷудогонаи арзёбӣ нишон медиҳад.

Шакл 7 ва Шакл 8, натиҷаҳои асосии ададии stress test-ҳои вайроншавиро; Шакл 9 саҳмҳои хусусиятҳои моделро; Шакл 10 бошад созиши муҳандисиро байни таъхир, FPS, параметр ва андозаи файл нишон медиҳад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Дар шароити benchmark-и USMicroMagSet, ResNeSt-269 ба баландтарин арзиши умумии mAP(50–95) расидааст.
• ConvNeXt ва Res2NeXt-101 дар дақиқии умумии ошкорсозӣ натиҷаҳои ба ResNeSt-269 наздик додаанд.
• YOLO11 пасттарин таъхир ва баландтарин FPS-ро нишон додааст.
• Вокуниши моделҳо ба хирашавӣ, равшанӣ, пӯшидашавӣ ва speckle noise ба таври ҷиддӣ фарқ кардааст.
• Дар синфҳои муайяни микроробот меъмории модел ва вобастагӣ ба хусусиятҳои визуалӣ метавонанд барои шарҳ додани фарқиятҳои иҷроиш истифода шаванд.
• Байни дақиқии ошкорсозӣ ва андоза/суръати модел созиши равшани муҳандисӣ вуҷуд дорад.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад ё насанҷидааст

• Ин таҳқиқот муваффақияти клиникиро дар беморони воқеӣ нишон намедиҳад.
• Нишон дода нашудааст, ки моделҳо навигатсияи real-time-и микророботро дар бадани инсон ба таври бехатар идора мекунанд.
• Арзиши баланди mAP кафолати самаранокии табобат, бехатарии бемор ё муваффақияти ташхисӣ нест.
• Нишон дода нашудааст, ки арзишҳои FPS дар B200 GPU дар сахтафзори embedded ё беморхонавӣ ҳамон гуна мемонанд.
• Умумисозӣ дар дастгоҳҳои ултрасадоии берун аз USMicroMagSet, анатомияи беморон, танзимоти probe ва шароити операторони гуногун бевосита исбот нашудааст.
• Таҳқиқот исбот намекунад, ки технологияи микроробот барои истифодаи клиникӣ омода аст.

Усул ва натиҷаҳои таҳқиқот

Инфрасохтори таҷриба

Таҷрибаҳо дар платформаи тиҷоратии абрии GPU-и RunPod.io анҷом дода шудаанд. Дар инфрасохтори ҳисоббарорӣ як NVIDIA B200 GPU бо меъмории Blackwell, 180 GB VRAM, 28 vCPU бар асоси AMD EPYC 9555 ва 200 GB нигаҳдории шабакавӣ истифода шудааст. Муҳити нармафзор ба китобхонаҳои Ultralytics ва Torchvision дар PyTorch такя мекунад.

Тасдиқи салибии панҷқабата

Маълумоти омӯзиш барои ҳар fold ба таври тасодуфӣ ба %80 омӯзиш ва %20 валидатсия ҷудо шудааст. Тухми тасодуфӣ 42 аст. Ҳангоми тасдиқи салибии панҷқабата patience = 5 истифода шуда, барои ҳар fold беҳтарин вазнҳо ва log-ҳо сабт шудаанд.

Пас аз анҷоми панҷ fold, модели ниҳоӣ бо истифода аз тамоми маълумоти омӯзиш ва валидатсия аз нав омӯзонида шудааст. Дар ин марҳила валидатсия ва боздошти барвақт ғайрифаъол шуда, patience = 0 таъин шудааст. Папкаи мустақили тест барои арзёбии ниҳоӣ истифода шудааст.

Таҷрибаи вайроншавӣ: хирашавии Gaussian

Барои хирашавӣ ядрои 21 × 21 Gaussian ва k = 10 истифода шудааст; гуфта мешавад, ки OpenCV σ ≈ 3,5-ро ҳисоб кардааст. Муҳаққиқон ин амалро барои тақлид кардани ҳолатҳое чун ҳаракати микроробот, ҳаракати физиологӣ ё равзанаи сусти акустикӣ истифода кардаанд.

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

Дар ин ҷо \(I\) тасвири аслӣ, \(G_{\sigma}\) ядрои Gaussian, \(\ast\) конволютсияи дученака, \(x\) ва \(y\) координатаҳои пиксел ва \(c\) канали рангро ифода мекунанд.

Таҷрибаи вайроншавӣ: равшанӣ ва контраст

Барои санҷиши равшанӣ/контраст α = 1,8 ва β = −40 истифода шудааст. Дар манбаъ α ҳамчун назорати контраст ва β ҳамчун назорати равшанӣ таъриф шудааст.

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

Ин табдил барои тақлид кардани тағйироти тасвир, ки аз танзимоти дастгоҳи ултрасадо/оператор, time gain compensation ва сустшавии сигнал ба вуҷуд меоянд, татбиқ шудааст.

Таҷрибаи вайроншавӣ: пӯшидашавӣ

Ба ҳар тасвир панҷ қуттии сиёҳ илова шудааст. Баландӣ ва паҳнои ҳар қуттӣ %15-и андозаи тасвири аслӣ муайян шудааст.

Дар манбаъ минтақаи пӯшидашуда дар матн O номида шудааст, дар ҳоле ки дар шарти муодила аломат 0 чоп шудааст. Ин номувофиқии ишора дар манбаъ хомӯшона ислоҳ нашудааст:

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

Тибқи шарҳи бевосита пеш аз муодила, ҳадаф ба сифр баробар кардани пикселҳои минтақаи пӯшидашуда ва бетағйир гузоштани қисми боқимондаи тасвир аст; аммо навишти O/0 дар формулаи манбаъ бояд аз ҷиҳати библиографӣ ҳамон тавре ки ҳаст, қайд карда шавад.

Таҷрибаи вайроншавӣ: speckle noise

Барои speckle noise дисперсияҳои \(\sigma_s^2 = 0.02,\ 0.04,\ 0.06,\ 0.08,\ 0.1\) истифода шудаанд. Ба ҳар пиксел садои зарбии аз тақсимоти нормалӣ тавлидшуда татбиқ шудааст.

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

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

Шакли 8-и таҳқиқот нишон медиҳад, ки устувории модел ба speckle noise метавонад нисбат ба намудҳои дигари вайроншавӣ тартиби дигар дошта бошад. Хусусан YOLO11 ва YOLO12, бо вуҷуди пасттар будани арзишҳои асосии mAP(50–95), дар ин санҷиши садо талафоти пасти AP нишон додаанд.

Ҳисоби саҳми хусусиятҳо

Муҳаққиқон коҳишҳои mAP аз вайроншавиро бо хусусиятҳои абстрактии визуалӣ, аз ҷумла канор, текстура, рӯшноӣ ва иттилои фазоӣ, мутобиқ карда, саҳми нисбиро ҳисоб кардаанд:

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

Дар ин ҷо \(d_f\) талафоти mAP-ро, ки дар зери вайроншавии муайян мушоҳида шудааст, ва \(W_f\) саҳми нисбии хусусиятро, ки аз ҳамин талафот ҳосил шудааст, ифода мекунад. Ин таҳлил ченкунии мустақими фаъолшавии хусусиятҳо дар сатҳи пиксел нест, балки таҳлили ҳассосияти сатҳи модел аст, ки аз тағйири иҷроиш дар муқобили вайроншавиҳо ҳосил шудааст.

Фосилаҳои эътимодии тасдиқи салибӣ

Муҳаққиқон махсус таъкид мекунанд, ки ин фосилаҳои эътимод номуайянии Dataset-и ниҳоии тестиро не, балки тағйирпазириро дар раванди панҷқабатаи омӯзиш/валидатсия ифода мекунанд. Азбаски модели ниҳоӣ дар тамоми маълумоти омӯзиш аз нав омӯзонида шудааст, натиҷаи тест дар баъзе ҳолатҳо метавонад берун аз фосилаи эътимодии тасдиқи салибӣ қарор гирад.

Маҳдудиятҳои асосӣ

• Гарчанде Dataset калон аст, гуногунии он маҳдуд мебошад.
• Тақсимоти синфҳо нобаробар аст.
• Анатомияи воқеии бемор, танзимоти probe ва интихоби оператор метавонанд аз ҳолат ба ҳолат фарқ кунанд.
• Намудҳо ва сатҳҳои вайроншавии санҷидашуда тамоми эҳтимолҳои ҷаҳони воқеиро фаро намегиранд.
• Ҳисобҳо дар инфрасохтори пурқуввати NVIDIA B200 анҷом дода шудаанд.
• Дар сахтафзори дорои захираи маҳдуд ё embedded ҳамон иҷроиши real-time нишон дода нашудааст.
• Таҳқиқот тасдиқи татбиқи клиникӣ ё истифодаи микроробот дар инсон нест.

Ёддошт оид ба манбаъ ва усул

Номи пурраи кори аслӣ: Benchmarking Robust AI for Microrobot Detection with Ultrasound Imaging

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

Тартиби муаллифон: Тартиби дар манбаъ додашуда айнан нигоҳ дошта шудааст.

Саҳми баробар / муаллифи якуми баробар: Дар манбаъ баёнияи муаллифи якуми баробар ё саҳми баробар зикр нашудааст.

Муаллифони масъул: Ahmed Almaghthawi ва Changyan He.

Муассисаҳо:

• 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.

Навъи манбаъ: Мақолаи таҳқиқотии аз арзёбии ҳамтоён гузашта; benchmark-и ошкорсозии микроробот бо зеҳни сунъӣ ва таҳлили додаҳо.

Маҷалла: Actuators.

Ношир: MDPI.

Маълумоти библиографӣ: Actuators 2026, 15(1), 16.

Рақами мақола: 16.

DOI: 10.3390/act15010016.

Пайванди расмии нашр:https://doi.org/10.3390/act15010016

Ирсол: 6 Октябр 2025.

Бозбинӣ: 5 Декабр 2025.

Қабул: 11 Декабр 2025.

Нашри онлайн: 29 Декабр 2025.

Литсензия: Creative Commons Attribution (CC BY).

Маблағгузорӣ: Муҳаққиқон гузориш додаанд, ки таҳқиқот маблағгузории беруна нагирифтааст.

Дастрасии додаҳо: Гуфта шудааст, ки Dataset-и USMicroMagSet, ки дар таҳқиқот истифода шудааст, тавассути IEEE DataPort барои омма дастрас аст ва дар кори манбаъ ба он истинод оварда шудааст.

Бархӯрди манфиатҳо: Муаллифон гузориш додаанд, ки бархӯрди манфиатҳо вуҷуд надорад.

Этикаи институтсионалӣ ва розигии огоҳона: Дар манбаъ ҳамчун “not applicable” нишон дода шудааст.

Саҳми муаллифон: Консептуализатсия A.A., C.H., F.A. ва S.L.; методология A.A.; нармафзор A.A.; валидатсия C.H., S.L. ва F.A.; таҳлили формалӣ ва таҳқиқот A.A.; захираҳо A.A.; нусхаи аввал A.A.; бозбинӣ ва таҳрир C.H., F.A., L.C., M.R. ва S.L.; визуализатсия A.A., M.R. ва L.C.; роҳнамоӣ C.H., S.L. ва F.A.; идоракунии лоиҳа C.H. ва S.L.; дарёфти маблағ S.L., C.H. ва L.C. гузориш шудааст.

Ҳудуди мундариҷаи илмӣ: Усули илмӣ, додаҳо, формулаҳо, натиҷаҳои ададӣ ва тафсирҳо дар ин мақолаи Verianla танҳо ба кори манбаи баррасишуда такя мекунанд. Ба соҳаҳои берун аз шахсияти библиографӣ аз манбаъҳои беруна бозёфти нави илмӣ илова нашудааст.

Номувофиқиҳои муҳими дохили манбаъ

• Дар як нуқтаи матн гуфта мешавад, ки Ҷадвали 1 тақсимоти синфҳоро нишон медиҳад, аммо Ҷадвали 1-и воқеӣ танзимоти омӯзишро нишон медиҳад; тақсимоти синфҳо дар Ҷадвали 2 аст.
• Дар бахши дигар гуфта мешавад, ки Ҷадвали 2 муқоисаи детекторҳо аст, дар ҳоле ки муқоисаи воқеии детекторҳо дар Ҷадвали 3 мебошад.
• Гарчанде матне, ки нокомии YOLO-ро дар синфи rollingcube шарҳ медиҳад, ба Ҷадвали 4 истинод мекунад, натиҷаҳои муфассали синфӣ дар Ҷадвали 5 ҳастанд.
• Матни хулоса ва натиҷагирӣ пас аз ResNeSt-269 тартиби Res2NeXt-101 ва ConvNeXt-ро медиҳад, аммо дар Ҷадвали 4 арзиши mAP(50–95)-и ConvNeXt 0.866752148 ва арзиши Res2NeXt-101 0.866416454 аст.
• Матни бахши speckle талафоти AP-и ConvNeXt-ро %5,3–11,2 медиҳад, дар ҳоле ки арзишҳои намоёни Шакли 8 %5,3, %8,9, %11,9, %14,0 ва %16,2 мебошанд.
• Пас аз гуфта шудани он ки ResNeSt-269 ва U-Net дар speckle noise талафоти AP-и зиёда аз %50 доранд, истифодаи ибораи “strong noise tolerance” дар манбаъ ба натиҷаи ададӣ мухолиф аст.
• Таъхири Res2NeXt-101 дар матн 6,7 ms ва дар Шакли 10a 6,8 ms нишон дода шудааст.
• Бевосита пеш аз муодилаи пӯшидашавӣ минтақаи пӯшидашуда ҳамчун O таъриф шудааст, аммо дар дохили муодила аломати шарт ҳамчун 0 чоп шудааст.

Ин фарқиятҳо дар матни Verianla хомӯшона ба як арзиши ягонаи «дуруст» табдил дода нашудаанд; дар ҷойҳои имконпазир додаҳои бевосита намоёни ҷадвал ё шакл алоҳида зикр шуда, номувофиқии дохили манбаъ ошкоро нигоҳ дошта шудааст.

Натиҷаҳои таҳқиқот ба иҷроиши муқоисавии моделҳои ошкорсозии микроробот дар тасвирҳои ултрасадоӣ дахл доранд. Таҳқиқот истифодаи бехатари ягон моделро дар беморони воқеӣ, муваффақияти табобати клиникӣ ё иҷроиши тасдиқшудаи саҳроии системаи автономии микророботро дар бадани инсон нишон намедиҳад.