СҮТ БЕЗІ АУРУЛАРЫН ЕРТЕ АНЫҚТАУДА ЗАМАНАУИ НЕЙРОНДЫҚ ЖЕЛІЛЕРДІ ҚОЛДАНУ (YOLOV8, FASTER R-CNN)

Бұл зерттеу сүт бездерінің патологиясын тиімді анықтау үшін заманауи машиналық оқыту әдістерін, атап айтқанда YOLOv8 және Faster R-CNN, қолдану арқылы жетілдірілген әдістерді зерттеуге және дамытуға бағытталған. Сүт безі ауруларын диагностикалаудың дәстүрлі тәсілдері сын тұрғысынан қаралып, олардың тиімділігі қазіргі автоматтандырылған әдістермен салыстырылды. Ұсынылған модельдер маммографиялық кескіндерге қолданылады және патологиялық өзгерістерді аурудың ауырлық деңгейі мен сипаттамаларын ескере отырып, алты деңгейге жіктейді. Бұл көпдеңгейлі жіктеу аурудың дамуын дәлірек бағалауға мүмкіндік береді және емдеуді жекелендірілген жоспарлау үшін маңызды ақпарат ұсынады.

Эксперименттік нәтижелер жоғары дәлдікті және кескінді жылдам өңдеуді көрсетіп, сүт безіндегі ықтимал патологияларды сенімді және жылдам анықтауға мүмкіндік береді. Зерттеу нәтижелері машиналық оқыту алгоритмдерінің диагностика процесін едәуір жақсарта алатынын, дәрігерлерге дәлірек және уақытында ақпарат беретінін көрсетеді. Сонымен қатар, бұл зерттеу автоматтандырылған жүйелердің ерте диагностика, емдеу стратегияларын оңтайландыру және науқастардың жағдайын жақсартудағы әлеуетін көрсетеді. Нәтижелер медициналық визуализацияда жасанды интеллекттің рөлі артып келе жатқанын және сүт безі ауруларын басқаруға әсерін көрсетеді.

1. Biomedical image segmentation method based on contour preparation / A. Orazayeva et al. // in Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments. – 2022. https://doi.org/10.1117/12.2657929.

2. Imaging fuzzy expert system for assessing dynamic changes in biomedical tumor images in breast cancer / A. Orazayeva et al // in Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments. – 2022. https://doi.org/10.1117/12.2657923.

3. Methods for detecting and selecting areas on texture biomedical images of breast cancer / A. Orazayeva et al // Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Srodowiska. – 2022. – Vol. 12(2). – P. 69-72. https://doi.org/10.35784/iapgos.2951.

4. Detection of lung pathology using the fractal method / G. Abdikerimova et al // International Journal of Electrical and Computer Engineering. – 2023. – Vol. 13(6). – P. 6778-6786. https://doi.org/10.11591/ijece.v13i6.pp6778-6786.

5. Detection of chest pathologies using autocorrelation functions / G. Abdikerimova et al // International Journal of Electrical and Computer Engineering. – 2023. – Vol. 13(4). – P. 4526-4534. https://doi.org/10.11591/ijece.v13i4.pp4526-4534.

6. Zhang Y. Deep Learning-Based Breast Cancer Detection in Mammography Images Using YOLOv8 / Y. Zhang, H. Liu, X. Chen // Diagnostics. – 2024. – Vol. 14(3). – P. 455-470. https://doi.org/10.3390/diagnostics14030455.

7. Kumar S. Breast Lesion Detection in Mammograms Using Faster R-CNN and Attention Mechanisms / S. Kumar, R. Patel, A. Singh // Computer Methods and Programs in Biomedicine. – 2023. – Vol. 231. – Article 107389. https://doi.org/10.1016/j.cmpb.2023.107389.

8. Wang L. YOLOv8-Based Automated Breast Cancer Detection Framework for Medical Imaging / L. Wang, Q. Zhao, M. Li // Biomedical Signal Processing and Control. – 2025. – Vol. 92. – Article 106102. https://doi.org/10.1016/j.bspc.2024.106102.

9. Hernandez J. Artificial Intelligence Approaches for Early Breast Cancer Detection: A Comparative Deep Learning Study / J. Hernandez, D. Oliveira, P. Martins // Artificial Intelligence in Medicine. – 2024. – Vol. 150. – Article 102781. https://doi.org/10.1016/j.artmed.2024.102781.

10. Ahmed N. Comparative Analysis of YOLOv8 and Faster R-CNN for Breast Tumor Detection / N. Ahmed, T. Rahman, J. Lee // IEEE Access. – 2025. – Vol. 13. – P. 22541-22556. https://doi.org/10.1109/ACCESS.2025.3354128.

11. Silva M. Recent Advances in Deep Learning for Mammography Analysis / M. Silva, F. Costa, A. Ribeiro // Cancers. – 2023. – Vol. 15(18). – P. 4512-4530. https://doi.org/10.3390/cancers15184512.

12. Kim J. Explainable Deep Learning Models for Breast Cancer Detection in Medical Imaging / J. Kim, S. Park, Y. Choi // Healthcare. – 2024. – Vol. 12(7). – P. 1185-1201. https://doi.org/10.3390/healthcare12071185.

13. Al-Masni M. Hybrid CNN and Object Detection Models for Mammogram Classification / M. AlMasni, D. Kim, S. Han // Sensors. – 2025. – Vol. 25(2). – P. 998-1016. https://doi.org/10.3390/s25020998.