Т.М. Магрупов1, Б.Ж. Ташев2, Ш.Ш. Зубайдуллаев3

1–3 Ташкентский государственный технический университет им. Ислама Каримова (г. Ташкент, Республика Узбекистан)
1 talatmt@rambler.ru, 2 bekjigittashev@gmail.com, 3 mirametovali@gmail.com3

Постановка проблемы. Организация процессов профилактики и диагностики заболеваний в медицине требует большой точности и скорости. Нейронные сети, и особенно технологии глубокого обучения, открывают новые возможности для диагностики и прогнозирования легочных заболеваний на основе обработки и анализа биомедицинских изображений легких.

Цель. Разработать модель сверточных нейронных сетей для анализа, обработки и классификации биомедицинских изображений легких для определения типа заболеваний.

Результаты. Исследованы методологические и алгоритмические основы обработки и анализа биомедицинских изображений легочных заболеваний. Разработаны методы, алгоритмы обучения и архитектура сверточных нейронных сетей для классификации изображений легких. Сформирована база биомедицинских изображений легочных заболеваний с последующей их обработкой. Предложен способ оцифровки изображений и клинических данных, чтобы получить данные для моделей в форме, удобной и готовой для анализа.

Практическая значимость. Предложенные алгоритмы сверточных нейронных сетей позволяют автоматически извлекать и анализировать ключевые признаки на изображениях, которые трудно заметить невооруженным глазом, и предоставляют высокоточную диагностику, помогая врачам.

Магрупов Т.М., Ташев Б.Ж., Зубайдуллаев Ш.Ш. Разработка модели обработки и анализа легочных заболеваний на основе сверточных нейронных сетей // Биомедицинская радиоэлектроника. 2025. T. 28. № 5. С. 120−124. DOI: https://doi.org/10. 18127/j156 04136-202505-24

1. Levitan R., Stephen J. The Importance of Lung Sound Analysis in Medical Diagnosis. Journal of Pulmonary Medicine. 2020. V. 23. № 5. P. 345–357.
2. Wang Y., Chen X. IEEE Learning Applications in Medical Diagnosis: A Comprehensive Review. International Journal of Medical Informatics. 2019. V. 112. P. 66–77.
3. Lee K.S. Neural Networks for Automated Respiratory Sound Analysis. Biomedical Signal Processing and Control. 2019. V. 51. P. 79–85.
4. Singh P., Kumar A. Challenges in Respiratory Sound Data Collection for Disease Classification. Respiratory Medicine and Research. 2021. V. 42. № 2. P. 103–110.
5. Ghorbani M., Amir H.M. Assessment of Acoustic Features in Respiratory Sound Analysis. IEEE Transactions on Biomedical Engineering. 2020. V. 67. № 9. P. 2895–2903.
6. He Q.-H., Yu B., Hong X., Lv B., Liu T., Ran J., Bi Y.-T. An improved lung sound de-noising method by wavelet packet transform with PSO-based threshold selection. Intell. Autom. Soft Comput. 2018. V. 24(2). P. 223–230.
7. Magrupov T.M., Nazirov R.M., Abdullaev I.N. Formation of a database of lung disease sound signals. Science and Innovation. International scientific journal. September 2024. V. 3. Is. 9. P. 90–96.