ВДОСКОНАЛЕНА SELF-CONDITIONED GAN ДЛЯ СИНТЕЗУ ГІСТОЛОГІЧНИХ ЗОБРАЖЕНЬ ТА АУГМЕНТАЦІЇ ДАНИХ

Анотація

У статті представлені методи та підходи до покращення генерації медичних зображень за допомогою глибоких генеративних моделей, зокрема розширеної архітектури GAN із використанням self-conditioning за умов обмежених даних. Основна увага приділена задачі синтезу гістологічних зображень, які мають високу якість, реалістичність і достатню варіативність для подальшого використання у клінічному та дослідницькому контексті. У роботі розглянуто типові виклики при генерації медичних зображень  обмеженість навчальних даних, складність збереження анатомічної достовірності та стабільності генерації. Для перевірки ефективності моделі було використано датасет PathMNIST, що містить гістопатологічні зрізи. Представлені результати демонструють переваги self-conditioning у стабілізації навчання, зменшенні ризику mode collapse та підвищенні якості зображень згідно з об’єктивними метриками та точністю класифікатора. Запропонований підхід може бути використаний для data augmentation, тестування діагностичних моделей.