Ushbu tadqiqot ultratovush tasvirlaridagi mikrorobotlarni sun’iy intellekt yordamida aniqlashda oltita turli arxitekturaning aniqligi, buzilishlarga chidamliligi va hisoblash samaradorligini taqqoslaydi. ConvNeXt, Res2NeXt-101, ResNeSt-269, U-Net, YOLO11 va YOLO12 sakkiz xil magnit mikrorobot turini o‘z ichiga olgan USMicroMagSet ma’lumotlar to‘plamining jami 32.511 ta foydalanish mumkin bo‘lgan tasvirida baholangan. Jadval 4 da ResNeSt-269 0,878249645 mAP(50–95) bilan eng yuqori umumiy aniqlikka erishgan, ConvNeXt 0,866752148 va Res2NeXt-101 0,866416454 bilan bir-biriga juda yaqin natija ko‘rsatgan. Bunga qarshi YOLO11 6,1 ms/tasvir kechikish va 163 FPS bilan eng tez modeldir. Natijalar eng yuqori aniqlash aniqligiga ega arxitektura bilan eng past hisoblash xarajatiga ega arxitektura bir xil emasligini ko‘rsatadi. Tadqiqot ma’lumotlar to‘plami va model benchmark tadqiqotidir; haqiqiy bemorlarda klinik qo‘llash, davolash muvaffaqiyati yoki tirik inson tanasida xavfsiz mikrorobot navigatsiyasi ko‘rsatilmagan.

USMicroMagSet 1920 × 1080 pikselli B-rejim ultratovush tasvirlaridan iborat. Manba ma’lumotlar to‘plamida 40.000 dan ortiq annotatsiyalangan kadr mavjud bo‘lsa-da, tadqiqotda foydalanish mumkin bo‘lgan tasvirlar soni 32.511 deb xabar qilingan. Shulardan 21.127 tasi o‘qitish/validatsiya tuzilmasida, 11.384 tasi mustaqil test papkasida joylashgan. O‘qitish qismida besh qatlamli kross-validatsiya qo‘llangan; har bir qatlamda o‘qitish ma’lumotlarining %80 i o‘qitish, %20 i validatsiya uchun ajratilgan. Barcha arxitekturalar 30 epoch, 16 batch size, AdamW optimizatsiyasi va 0,0001 o‘rganish tezligi kabi umumiy asosiy sozlamalar bilan baholangan.

Tadqiqotning diqqatga sazovor natijasi faqat “qaysi model eng aniq?” savoliga javob berishi emas, balki ultratovush tasvirlaridagi realistik buzilishlarda modellarning xatti-harakati bir-biridan jiddiy farqlanishini ko‘rsatishidir. Yorqinlik o‘zgarishi U-Net da %84,85, YOLO12 da %71,10 va YOLO11 da %60,23 AP yo‘qotishiga olib kelgan bo‘lsa, ConvNeXt dagi yo‘qotish %14,78 ni tashkil etgan. Bunga qarshi speckle shovqinida YOLO arxitekturalari ancha chidamli ko‘rinadi. Shu sababli bitta umumiy aniqlik metrikasi real vaqtli ultratovushga asoslangan mikrorobot kuzatuv tizimini tanlash uchun o‘zi yetarli emas.

Turkiya nuqtayi nazaridan: Tadqiqot Turkiyada o‘tkazilmagan va natijalar Turkiyadagi shifxonalar, ultratovush qurilmalari yoki klinik amaliyotlarga bevosita ko‘chirilgan validatsiyani taqdim etmaydi. Turkiyada shunga o‘xshash tizim ishlab chiqilmoqchi bo‘lsa, foydalaniladigan ultratovush apparati, prob sozlamalari, operatorlar o‘rtasidagi farqlar, tasvir sifati, mikrorobot geometriyasi va mavjud hisoblash infratuzilmasida alohida tekshiruv talab etiladi. Ayniqsa tadqiqot NVIDIA B200 kabi juda kuchli GPU da bajarilgani olingan kechikish va FPS qiymatlari imkoniyati cheklangan mahalliy apparatlarda ham o‘zgarmay qoladi, deb taxmin qilib bo‘lmasligini anglatadi.

Tadqiqotning asosiy savoli nima?

Mikrorobotlarni tibbiy qo‘llanmalarda mo‘ljallangan nuqtaga yo‘naltirish uchun ularni faqat harakatlantirishning o‘zi emas, balki tanadagi joylashuvini ishonchli aniqlash va kuzatish ham zarur. Tadqiqotchilar bu muammoni ultratovush tasvirlash va chuqur o‘rganishga asoslangan obyekt aniqlash modellari orqali ko‘rib chiqadi.

Tadqiqotning asosiy maqsadi ultratovush tasvirlarida mikrorobot aniqlash uchun turli sun’iy intellekt arxitekturalarini bir xil benchmark doirasida taqqoslash va nafaqat asosiy aniqlik metrikalarini, balki tasvir buzilishlariga chidamlilikni, vizual xususiyatlarga bog‘liqlikni hamda real vaqtli foydalanish bilan bog‘liq hisoblash xarajatini o‘lchashdir.

Nega ultratovush markazda?

Tadqiqotda magnit-rezonans tomografiya (MRI), kompyuter tomografiyasi (CT), optik tasvirlash va ultratovush kabi usullar muhokama qilinadi. Mualliflar yaratgan doirada ultratovush ko‘chma bo‘lishi, nisbatan arzonligi, ionlashtiruvchi nurlanishdan foydalanmasligi va yuqori vaqt bo‘yicha aniqligi sababli real vaqtli mikrorobot kuzatuvi uchun mos nomzod hisoblanadi.

Biroq ultratovush tasvirining past kontrast, cheklangan fazoviy aniqlik, to‘qima artefaktlari va speckle shovqini kabi xususiyatlari kichik mikrorobotlarni aniqlashni qiyinlashtiradi. Tadqiqotdagi sun’iy intellekt benchmarki aynan mana shu murakkab tasvirlash muhitini nishonga oladi.

Qaysi mikrorobotlar ishlatildi?

USMicroMagSet ma’lumotlar to‘plami sakkizta mikrorobot sinfini o‘z ichiga oladi: cube, cylinder, flagella, helical, rollingcube, sheetrobot, sphere1 va sphere3. Tadqiqotdagi Shakl 5 har bir sinf uchun annotatsiyasiz ultratovush tasvirini va yashil chegaralovchi quti bilan belgilangan mos tasvirni yonma-yon ko‘rsatadi. Shu tariqa sinflarning ultratovush tasviridagi shakl, kontrast va chegara farqlarini bevosita ko‘rish mumkin.

Ma’lumotlar taqsimoti muvozanatli emas. Masalan, sphere1 sinfida 5900 ta o‘qitish tasviri mavjud bo‘lsa, rollingcube uchun bu son 1255 ta. Mualliflar bu sinf nomutanosibligini tadqiqot cheklovlaridan biri sifatida qabul qiladi. Shu bilan birga, o‘z natijalariga tayangan holda, xom namuna sonining o‘zi model muvaffaqiyatini tushuntirmasligini va arxitektura xususiyatlari muhimligini ta’kidlaydi.

Nega oltita model birgalikda baholandi?

Benchmark ConvNeXt, Res2NeXt-101, ResNeSt-269, U-Net, YOLO11 va YOLO12 arxitekturalarini qamrab oladi. Tadqiqotda bu modellar turli arxitektura xususiyatlari sabab tanlangan. ConvNeXt katta yadrolar va ierarxik xususiyat ajratishga asoslangan zamonaviy CNN yondashuvini; ResNeSt-269 split-attention mexanizmini; Res2NeXt-101 ko‘p masshtabli xususiyat tasvirini; U-Net encoder-decoder va skip connection tuzilmasini; YOLO11 va YOLO12 esa yanada ixcham, real vaqtli aniqlash yondashuvini ifodalaydi.

Shakl 3 da tadqiqotchilar model tanlovini faqat aniqlik kutilmasi orqali emas, balki arxitektura xilma-xilligi, tezlik, klinik foydalanish salohiyati va ultratovush tasviridagi turli vizual belgilarga sezgirlik orqali izohlaydi.

Umumiy aniqlash aniqligida qaysi model yetakchi?

Jadval 4 dagi aniq mAP(50–95) qiymatlariga ko‘ra ResNeSt-269 eng yuqori natijani bergan. ConvNeXt va Res2NeXt-101 esa bir-biriga nihoyatda yaqin natija ko‘rsatgan. Manbaning annotatsiya va xulosa matni Res2NeXt-101 ni ikkinchi, ConvNeXt ni uchinchi o‘rinda ko‘rsatsa-da, jadval qiymatlari ConvNeXt ning 0,866752148 qiymati Res2NeXt-101 ning 0,866416454 qiymatidan juda kichik farq bilan yuqori ekanini ko‘rsatadi. Shu sababli bu yerda tartibni talqin qilish o‘rniga aniq sonli qiymatlar asos qilib olingan.

YOLO modellarida ham mAP50 qiymatlarining yuqori bo‘lishi nisbatan yumshoq IoU chegarasida bu modellar ko‘plab obyektlarni topa olishini; mAP(50–95) qiymatining sezilarli pasayishi esa qat’iyroq lokalizatsiya chegaralari birgalikda baholanganda samaradorlik farqi kattalashishini ko‘rsatadi. Tadqiqotchilar mikrorobot qo‘llanmalarida aniq lokalizatsiya muhim bo‘lgani uchun mAP(50–95) metrikasini asosiy baholash mezonlaridan biri sifatida ishlatgan.

Qaysi mikrorobot sinflari qiyinroq?

Oltita modelning birlashtirilgan sinf tahlilida eng past samaradorlik ko‘rsatgan uchta sinf rollingcube, sheetrobot va sphere1 deb bildirilgan. Tadqiqotchilar bergan birlashtirilgan AP(50–95) qiymatlari mos ravishda 0,598, 0,676 va 0,768.

YOLO11 ning rollingcube sinfidagi recall qiymati 0,002394288 va F1 ko‘rsatkichi 0,004777139. YOLO12 da xuddi shu sinf uchun recall 0 va F1 ko‘rsatkichi 0 deb xabar qilingan. Bunga qarshi ConvNeXt, ResNeSt-269 va Res2NeXt-101 rollingcube sinfida mos ravishda 0,939757824, 0,93028307 va 0,941604495 mAP(50–95) ga erishgan. Bu farq umumiy model muvaffaqiyati ayrim mikrorobot geometriyalaridagi xatti-harakatni yashirishi mumkinligini ko‘rsatadi.

Xiralashish, yorqinlik va to‘silish modellarga qanday ta’sir qiladi?

Tadqiqot faqat toza test tasvirlarini ko‘rib chiqmagan; realistik tasvirlash qiyinchiliklarini taqlid qilish uchun xiralashish, yorqinlik/kontrast o‘zgarishi, to‘silish va speckle shovqini qo‘shilgan. Shakl 7 dastlabki uchta buzilish sharoitida modellarning AP yo‘qotishlarini ko‘rsatadi.

Shakl 7 ning eng yaqqol xabari yorqinlik o‘zgarishi ko‘plab modellar uchun kuchli stress omili ekanidir. ConvNeXt da yorqinlik sababli AP yo‘qotishi %14,78 bo‘lsa, YOLO11 da %60,23, YOLO12 da %71,10 va U-Net da %84,85. Res2NeXt-101 %28,14, ResNeSt-269 esa %32,04 yo‘qotish ko‘rsatgan.

Xiralashishda ConvNeXt %12,53 va Res2NeXt-101 %13,73 AP yo‘qotishi bilan eng chidamli natijalar qatorida. U-Net da yo‘qotish %79,17 gacha ko‘tariladi. To‘silish sharoiti barcha modellarga ta’sir qilgan bo‘lsa-da, U-Net %47,72 AP yo‘qotishi bilan yana eng katta pasayishni ko‘rsatgan.

Speckle shovqinida boshqacha manzara paydo bo‘ladi

Speckle shovqini ultratovush tasvirlashda alohida ahamiyatga ega bo‘lgani uchun tadqiqotchilar 0,02, 0,04, 0,06, 0,08 va 0,1 bo‘lgan beshta shovqin dispersiyasidan foydalangan. Shakl 8 da YOLO12 uchun AP yo‘qotishlari mos ravishda %1,1, %1,2, %1,3, %1,5 va %1,7; YOLO11 uchun %1,1, %1,8, %2,3, %3,3 va %4,0 sifatida ko‘rsatilgan.

Shakl 8 da ConvNeXt uchun ko‘rinadigan qiymatlar %5,3, %8,9, %11,9, %14,0 va %16,2. Biroq ayni shaklni izohlaydigan matn ConvNeXt uchun AP yo‘qotishi oralig‘ini %5,3–11,2 deb beradi. Manbadagi bu sonli nomuvofiqlik sabab ikki ma’lumot bitta “tuzatilgan” qiymatga aylantirilmagan.

Shakl 8 da ResNeSt-269 uchun AP yo‘qotishi shovqin darajasi oshgani sari taxminan %29,8 dan %70,5 gacha; U-Net uchun %2,4 dan %68,2 gacha ko‘tariladi. Manba matni ham dispersiya 0,08 ga yetganda ResNeSt-269 va U-Net yo‘qotishlari %50 dan oshganini bildiradi. Darhol undan keyin keladigan “strong noise tolerance” iborasi bu sonlar bilan mantiqan mos kelmagani uchun manba ichidagi bayon nomuvofiqligi sifatida baholanishi kerak.

Modellar qaysi vizual belgilarga ko‘proq bog‘liq?

Tadqiqotda klassik piksel darajasidagi Grad-CAM yondashuvi o‘rniga buzilishlarga bog‘liq mAP pasayishlaridan xususiyat hissasi hosil qilingan. Tadqiqotchilar xiralashishni chekka xususiyatlari bilan, yorqinlik o‘zgarishini yoritish bilan, to‘silishni fazoviy xususiyatlar bilan va speckle shovqinini tekstura ma’lumoti bilan bog‘lagan.

YOLO11 va YOLO12 ning yoritishga hissa ulushi taxminan %56 bo‘lsa, tekstura hissasi %3 dan kam. Tadqiqotchilar rollingcube va sheetrobot sinflarining qoramtir, past intensivlikli va teksturaga asoslangan ko‘rinishlarini YOLO modellaridagi past sinf samaradorligi bilan bog‘laydi.

ResNeSt-269 da tekstura hissasining %42,62 bo‘lishi tadqiqotdagi eng yuqori teksturaga bog‘liqlikdir. Tadqiqotchilar split-attention tuzilmasining nozik intensivlik o‘zgarishlarini ushlay olishini, ayniqsa murakkab mikrorobot geometriyalaridagi kuchli samaradorlikning ehtimoliy izohi sifatida taqdim etadi.

ConvNeXt yanada muvozanatli profil ko‘rsatadi: chekka %22,42, tekstura %20,16, yoritish %26,43 va fazoviy xususiyat %31,00. Bu natija tadqiqotchilarning ConvNeXt ni turli tasvir sharoitlarida yanada umumlashtirilgan xususiyatlarni ajratib oladigan arxitektura sifatida talqin qilishiga asos bo‘ladi.

Eng aniq model ayni paytda eng tez modelmi?

Yo‘q. Tadqiqotning asosiy muhandislik xulosasi aniqlik bilan hisoblash xarajati o‘rtasida aniq murosa mavjudligidir. ResNeSt-269 eng yuqori mAP(50–95) qiymatiga ega bo‘lsa-da, ayni paytda eng katta va eng sekin modellardan biridir. YOLO11 esa umumiy aniqlikda pastroq bo‘lishiga qaramay eng yuqori FPS qiymatiga erishgan.

ResNeSt-269 ning taxminan 126,76 million parametr va 485 MB model fayliga qarshi YOLO11 ning 2,58 million parametr va taxminan 5 MB fayl hajmiga ega bo‘lishi real vaqtli yoki o‘rnatilgan tizim dizaynida nega faqat aniqlik metrikasi yetarli emasligini ko‘rsatadi.

Bu yerdagi tezlik qiymatlari NVIDIA B200 GPU da olinganini unutmaslik kerak. Ayni modellar imkoniyati cheklanganroq GPU, CPU yoki o‘rnatilgan protsessorda bir xil kechikish va FPS natijalarini berishi shart emas.

Shakllar tadqiqotning qaysi jihatlarini ko‘rsatadi?

Shakl 1, mikrorobotlarning maqsadli dori yetkazish, mahalliy terapiya, minimal invaziv aralashuvlar, diagnostik tasvirlash va tomir ichidagi navigatsiya kabi ehtimoliy qo‘llanish sohalarini konseptual oqim sxemasi bilan ko‘rsatadi. Bu shakl tadqiqot ichida klinik natija dalili emas, balki qo‘llanish kontekstini tushuntiruvchi sxemadir.

Shakl 2, MRI, CT va ultratovushni mikrorobot kuzatuvi nuqtayi nazaridan mualliflar qanday taqqoslaganini ko‘rsatadi. Sxemaning asosiy xabari ultratovush real vaqtli tasvirlash, ionlashtiruvchi nurlanishdan foydalanmasligi va ko‘chma bo‘lish xususiyatlari sabab tadqiqot afzal ko‘rgan tasvirlash usuli ekanidir.

Shakl 3, oltita model nima uchun arxitektura oilasi, aniqlik-samaradorlik muvozanati, klinik/texnik qiziqish va turli buzilishlarga qarshi bir-birini to‘ldiruvchi xususiyatlar nuqtayi nazaridan tanlanganini umumlashtiradi.

Shakl 4, tajribalar bajarilgan NVIDIA B200 Blackwell infratuzilmasini HBM3e xotira steklari, hisoblash klasterlari, SM va Tensor Core darajasida sxematik ko‘rsatadi.

Shakl 5, sakkiz xil mikrorobot turining annotatsiyasiz va belgilangan ultratovush namunalarini yonma-yon ko‘rsatadi. Bu tasvir sinflar o‘rtasidagi shakl, intensivlik va chegara farqlari model samaradorligiga nima uchun ta’sir qilishi mumkinligini tushunishda ayniqsa muhim.

Shakl 6, 1920 × 1080 ultratovush tasviridan boshlab oldindan ishlov berish, sobit tasodifiy urug‘, aralash aniqlik, oltita model, besh qatlamli kross-validatsiya, final modelni qayta o‘qitish va to‘rtta alohida baholash tarmog‘igacha davom etadigan benchmark jarayonini ko‘rsatadi.

Shakl 7 va Shakl 8, buzilish stress-testlarining asosiy sonli natijalarini; Shakl 9 model xususiyatlari hissalarini; Shakl 10 esa kechikish, FPS, parametr va fayl hajmi o‘rtasidagi muhandislik murosasini ko‘rsatadi.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• USMicroMagSet benchmark sharoitida ResNeSt-269 eng yuqori umumiy mAP(50–95) qiymatiga erishgan.
• ConvNeXt va Res2NeXt-101 umumiy aniqlash aniqligida ResNeSt-269 ga yaqin natijalar ko‘rsatgan.
• YOLO11 eng past kechikish va eng yuqori FPS qiymatini ko‘rsatgan.
• Modellarning xiralashish, yorqinlik, to‘silish va speckle shovqiniga javoblari jiddiy farqlangan.
• Ayrim mikrorobot sinflarida model arxitekturasi va vizual xususiyatlarga bog‘liqlik samaradorlik farqlarini tushuntirish uchun ishlatilishi mumkin.
• Aniqlash aniqligi bilan model hajmi/tezligi o‘rtasida aniq muhandislik murosasi mavjud.

Tadqiqot qo‘llab-quvvatlamaydigan yoki sinamagan natijalar

• Bu tadqiqot haqiqiy bemorlarda klinik muvaffaqiyatni ko‘rsatmaydi.
• Modellar inson tanasida real vaqtli mikrorobot navigatsiyasini xavfsiz boshqargani ko‘rsatilmagan.
• Yuqori mAP qiymati davolash samaradorligi, bemor xavfsizligi yoki diagnostik muvaffaqiyat kafolati emas.
• B200 GPU dagi FPS qiymatlari o‘rnatilgan yoki shifxona turidagi apparatlarda ham bir xil qolishi ko‘rsatilmagan.
• USMicroMagSet dan tashqari ultratovush qurilmalari, bemor anatomiyasi, prob sozlamalari va turli operator sharoitlarida umumlashtirish bevosita isbotlanmagan.
• Tadqiqot mikrorobot texnologiyasi klinik foydalanishga tayyor ekanini isbotlamaydi.

Tadqiqot usuli va natijalari

Tajriba infratuzilmasi

Tajribalar tijoriy GPU bulut platformasi RunPod.io da bajarilgan. Hisoblash infratuzilmasida Blackwell arxitekturasiga ega bitta NVIDIA B200 GPU, 180 GB VRAM, AMD EPYC 9555 asosidagi 28 vCPU va 200 GB tarmoq xotirasi ishlatilgan. Dasturiy muhit PyTorch ustidagi Ultralytics va Torchvision kutubxonalariga asoslangan.

Besh qatlamli kross-validatsiya

O‘qitish ma’lumotlari har bir fold uchun tasodifiy ravishda %80 o‘qitish va %20 validatsiya qilib ajratilgan. Tasodifiy urug‘ 42. Besh qatlamli kross-validatsiya davomida patience = 5 ishlatilgan, har bir fold uchun eng yaxshi vaznlar va loglar saqlangan.

Besh fold tugagach, final model o‘qitish va validatsiya ma’lumotlarining barchasidan foydalanib qayta o‘qitilgan. Bu bosqichda validatsiya va erta to‘xtatish o‘chirilib, patience = 0 qilib sozlangan. Mustaqil test papkasi final baholashda ishlatilgan.

Buzilish tajribasi: Gaussian xiralashishi

Xiralashish uchun 21 × 21 Gaussian yadrosi va k = 10 ishlatilgan; OpenCV tomonidan σ ≈ 3,5 hisoblangani ko‘rsatilgan. Tadqiqotchilar bu amalni mikrorobot harakati, fiziologik harakat yoki zaif akustik oyna kabi holatlarni taqlid qilish maqsadida qo‘llagan.

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

Bu yerda \(I\) asl tasvirni, \(G_{\sigma}\) Gaussian yadrosini, \(\ast\) ikki o‘lchamli konvolyutsiyani, \(x\) va \(y\) piksel koordinatalarini, \(c\) esa rang kanalini ifodalaydi.

Buzilish tajribasi: yorqinlik va kontrast

Yorqinlik/kontrast testi uchun α = 1,8 va β = −40 ishlatilgan. Manbada α kontrast boshqaruvi, β yorqinlik boshqaruvi sifatida ta’riflangan.

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

Bu transformatsiya ultratovush qurilmasi/operator sozlamalari, time gain compensation va signal susayishidan kelib chiqadigan tasvir o‘zgarishlarini taqlid qilish uchun qo‘llangan.

Buzilish tajribasi: to‘silish

Har bir tasvirga beshta qora quti qo‘shilgan. Har bir qutining balandligi va kengligi asl tasvir o‘lchamining %15 i qilib belgilangan.

Manbada to‘silgan hudud matnda O deb atalgan bo‘lsa, tenglama shartida belgi 0 shaklida bosilgan. Manba ichidagi ushbu yozuv nomuvofiqligi jim holda tuzatilmagan:

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

Tenglamadan darhol oldingi izohga ko‘ra maqsad to‘silgan hududdagi piksellarni nolga tenglashtirish va tasvirning qolgan qismini o‘zgartirmasdan qoldirishdir; biroq manba formulasidagi O/0 yozilishi bibliografik jihatdan qanday bo‘lsa, shunday qayd etilishi kerak.

Buzilish tajribasi: speckle shovqini

Speckle shovqini uchun \(\sigma_s^2 = 0.02,\ 0.04,\ 0.06,\ 0.08,\ 0.1\) dispersiyalari ishlatilgan. Har bir pikselga normal taqsimotdan hosil qilingan multiplikativ shovqin qo‘llangan.

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

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

Tadqiqotning Shakl 8 i speckle shovqiniga qarshi model chidamliligi boshqa buzilish turlaridan boshqacha tartiblanishi mumkinligini ko‘rsatadi. Xususan, YOLO11 va YOLO12 asosiy mAP(50–95) qiymatlari pastroq bo‘lsa-da, ushbu shovqin testida past AP yo‘qotishlarini ko‘rsatgan.

Xususiyat hissasini hisoblash

Tadqiqotchilar buzilish sababli mAP pasayishlarini chekka, tekstura, yoritish va fazoviy axborot kabi mavhum vizual xususiyatlar bilan bog‘lab, nisbiy hissa hisobini bajargan:

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

Bu yerda \(d_f\) muayyan buzilish ostida kuzatilgan mAP yo‘qotishini; \(W_f\) esa shu yo‘qotishdan hosil qilingan nisbiy xususiyat hissasini ifodalaydi. Bu tahlil bevosita piksel darajasidagi xususiyat faollashuvini o‘lchash emas, balki buzilishlarga qarshi samaradorlik o‘zgarishlaridan hosil qilingan model darajasidagi sezgirlik tahlilidir.

Kross-validatsiya ishonch oraliqlari

Tadqiqotchilar ushbu ishonch oraliqlari final test to‘plamidagi noaniqlikni emas, besh qatlamli o‘qitish/validatsiya jarayonidagi o‘zgaruvchanlikni ifodalashini alohida ta’kidlaydi. Final model barcha o‘qitish ma’lumotlarida qayta o‘qitilgani sabab test natijasi ayrim holatlarda kross-validatsiya ishonch oralig‘idan tashqarida qolishi mumkin.

Asosiy cheklovlar

• Ma’lumotlar to‘plami katta bo‘lsa-da, xilma-xilligi cheklangan.
• Sinf taqsimoti muvozanatsiz.
• Haqiqiy bemor anatomiyasi, prob sozlamalari va operator tanlovlari holatdan holatga o‘zgarishi mumkin.
• Sinovdan o‘tkazilgan buzilish turlari va darajalari real dunyodagi barcha ehtimollarni qamrab olmaydi.
• Hisoblashlar kuchli NVIDIA B200 infratuzilmasida bajarilgan.
• Resurslari cheklangan yoki o‘rnatilgan apparatlarda bir xil real vaqtli samaradorlik ko‘rsatilmagan.
• Tadqiqot klinik qo‘llash yoki insonda mikrorobotdan foydalanish validatsiyasi emas.

Manba va usul haqida izoh

To‘liq asl tadqiqot nomi: Benchmarking Robust AI for Microrobot Detection with Ultrasound Imaging

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

Mualliflar tartibi: Manbada berilgan tartib aynan saqlangan.

Teng hissa / teng birinchi muallif: Manbada teng birinchi muallif yoki teng hissa bayonoti ko‘rsatilmagan.

Mas’ul mualliflar: Ahmed Almaghthawi va Changyan He.

Muassasalar:

• 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.

Manba turi: Hakamlikdan o‘tgan tadqiqot maqolasi; sun’iy intellektga asoslangan mikrorobot aniqlash benchmarki va ma’lumotlar tahlili tadqiqoti.

Jurnal: Actuators.

Nashriyot: MDPI.

Bibliografik ma’lumot: Actuators 2026, 15(1), 16.

Maqola raqami: 16.

DOI: 10.3390/act15010016.

Rasmiy nashr havolasi:https://doi.org/10.3390/act15010016

Yuborilgan: 6 Oktabr 2025.

Qayta ko‘rib chiqilgan: 5 Dekabr 2025.

Qabul qilingan: 11 Dekabr 2025.

Onlayn nashr: 29 Dekabr 2025.

Litsenziya: Creative Commons Attribution (CC BY).

Moliyalashtirish: Tadqiqotchilar tadqiqot tashqi moliyalashtirish olmaganini bildirgan.

Ma’lumotlarning mavjudligi: Tadqiqotda ishlatilgan USMicroMagSet ma’lumotlar to‘plami IEEE DataPort orqali ommaga ochiq ekani va manba tadqiqotida unga havola berilgani bildirilgan.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Institutsional etika va xabardor rozilik: Manbada “not applicable” deb ko‘rsatilgan.

Muallif hissalari: Konseptuallashtirish A.A., C.H., F.A. va S.L.; metodologiya A.A.; dasturiy ta’minot A.A.; validatsiya C.H., S.L. va F.A.; formal tahlil va tadqiqot A.A.; resurslar A.A.; dastlabki qoralama A.A.; ko‘rib chiqish va tahrirlash C.H., F.A., L.C., M.R. va S.L.; vizualizatsiya A.A., M.R. va L.C.; rahbarlik C.H., S.L. va F.A.; loyiha boshqaruvi C.H. va S.L.; moliyalashtirishni olish S.L., C.H. va L.C. sifatida bildirilgan.

Ilmiy mazmun chegarasi: Ushbu Verianla maqolasidagi ilmiy usul, ma’lumotlar, formulalar, sonli natijalar va talqinlar faqat ko‘rib chiqilgan manba tadqiqotiga asoslangan. Bibliografik identifikatsiyadan tashqari sohalarga tashqi manbalardan yangi ilmiy topilma qo‘shilmagan.

Manba ichidagi muhim nomuvofiqliklar

• Matnda bir joyda Jadval 1 sinf taqsimotini ko‘rsatishi aytilgan bo‘lsa-da, haqiqiy Jadval 1 o‘qitish sozlamalarini ko‘rsatadi; sinf taqsimoti Jadval 2 da.
• Boshqa bir bo‘limda Jadval 2 detektorlar taqqoslanishi ekani aytiladi, holbuki haqiqiy detektorlar taqqoslanishi Jadval 3 da.
• Rollingcube sinfidagi YOLO muvaffaqiyatsizligini izohlaydigan matn Jadval 4 ga havola qilsa-da, batafsil sinf natijalari Jadval 5 da.
• Annotatsiya va xulosa matni ResNeSt-269 dan keyin Res2NeXt-101 va ConvNeXt tartibini bersa-da, Jadval 4 da ConvNeXt mAP(50–95) qiymati 0.866752148, Res2NeXt-101 qiymati 0.866416454.
• Speckle bo‘limidagi matn ConvNeXt AP yo‘qotishini %5,3–11,2 deb bergan bo‘lsa, Shakl 8 da ko‘rinadigan qiymatlar %5,3, %8,9, %11,9, %14,0 va %16,2.
• ResNeSt-269 va U-Net speckle shovqinida %50 dan katta AP yo‘qotishini boshdan kechirgani aytilgach, manbada “strong noise tolerance” iborasi ishlatilishi sonli natijaga zid keladi.
• Res2NeXt-101 kechikishi matnda 6,7 ms, Shakl 10a da 6,8 ms qilib ko‘rsatilgan.
• To‘silish tenglamasidan darhol oldin to‘silgan hudud O deb ta’riflangan bo‘lsa-da, tenglamada shart belgisi 0 ko‘rinishida bosilgan.

Bu farqlar Verianla matnida jim holda bitta “to‘g‘ri” qiymatga aylantirilmagan; mumkin bo‘lgan joylarda jadval yoki shaklda bevosita ko‘rinadigan ma’lumot alohida ko‘rsatilgan va manba ichidagi nomuvofiqlik ochiq saqlangan.

Tadqiqot natijalari ultratovush tasvirlaridagi mikrorobot aniqlash modellarining qiyosiy samaradorligiga tegishli. Tadqiqot hech bir modelning haqiqiy bemorlarda xavfsiz qo‘llanishini, klinik davolash muvaffaqiyatini yoki avtonom mikrorobot tizimining inson tanasida tasdiqlangan dala samaradorligini ko‘rsatmaydi.