Создание синтетических медицинских изображений с использованием генеративно-состязательных сетей

В данной работе исследуется вопрос применения генеративно-состязательных сетей (Generative adversarial networks (GANs)) для создания синтетических медицинских изображений, направленного на расширение обучающей выборки и повышение эффективности решения задачи классификации. Обучение классификаторов для автоматического анализа медицинских снимков часто сталкивается с проблемой ограниченного объема размеченных данных, что негативно сказывается на обобщающей способности моделей. GANs представляют собой перспективный подход к генерации синтетических данных, которые могут быть использованы для значительного увеличения размера обучающей выборки. В рамках исследования проведена генерация дополнительных изображений (аугментация) и выполнено обучение классификатора с использованием медицинских данных из датасета Brain Tumor MRI Dataset, содержащего снимки магнитно-резонансной томографии (МРТ) головного мозга. В качестве классификатора используется хорошо зарекомендовавшая себя сеть глубокого обучения VGG-16. В ходе эксперимента оценено влияние синтетически сгенерированных данных на оценки качества классификации, такие как точность, полнота и F1-мера. Результаты показывают, что использование GANs для аугментации данных способствует улучшению обобщающей способности модели. Результаты демонстрируют перспективность предложенного подхода для задач медицинской диагностики, где ограниченность данных существенно влияет на качество решений.