ГЕНЕРАЦИЯ ИСКУССТВЕННЫХ РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЙ ГРУДНОЙ КЛЕТКИ С ИСПОЛЬЗОВАНИЕМ ГЕНЕРАТИВНО-СОСТЯЗАТЕЛЬНЫХ НЕЙРОННЫХ СЕТЕЙ
Аннотация
Рассматривается задача генерации правдоподобных (трудноотличимых от реальных) рентгеновских изображений грудной клетки человека в норме. Указанная задача решается с использованием генеративно-состязательных нейронных сетей (Generative Adversarial Nets). Степень правдоподобия получаемых результатов оценивается как визуально, так и количественно путем сравнения дескрипторов структуры изображений, основанных на локальных двоичных шаблонах.
Ключевые слова
нейронные сети,
генеративно-состязательные сети,
глубокое обучение,
медицинские изображения,
рентгеновские изображения грудной клети
При поддержке: Работа была выполнена при финансовой поддержке гранта Президента Республики Беларусь (распоряжение Президента Республики Беларусь № 32рп от 19 января 2018 г.).
Об авторах
В. А. Ковалев
Объединенный институт проблем информатики Национальной академии
наук Беларуси, Минск
Беларусь
кандидат технических наук, заведующий лабораторией анализа биомедицинских изображений
Беларусь
кандидат технических наук, заведующий лабораторией анализа биомедицинских изображений
С. А. Козловский
Объединенный институт проблем информатики Национальной академии
наук Беларуси, Минск
Беларусь
инженерпрограммист
Беларусь
инженерпрограммист
А. А. Калиновский
Объединенный институт проблем информатики Национальной академии
наук Беларуси, Минск
Беларусь
научный сотрудник
Беларусь
научный сотрудник
Список литературы
1. A survey on deep learning in medical image analysis / G. Litjens [et al.] // Medical Image Analysis. – 2017. – Vol. 42. – P. 60–88.
2. A comparison of conventional and Deep Learning methods of image classification on a database of chest radiographs / V. А. Kovalev [et al.] // Intern. J. of Computer Assisted Radiology and Surgery. – 2017. – Vol. 12, suppl. 1. – P. S139–S140.
3. Benchmarking the efficiency of Deep Learning methods on the problem of predicting subjects’ age by chest radiographs / V. А. Kovalev [et al.] // Proc. 3rd Intern. Conf. Big Data and Advanced Analytics. – Minsk : BSUIR, 2017. – P. 75–82.
4. Generative Adversarial Networks / I. J. Goodfellow [et al.] // arXiv.org [Electronic resource]. – 2014. – Mode of access : https://arxiv.org/pdf/1406.2661. – Date of access : 25.09.2017.
5. Auto-encoding variational bayes / D. P. Kingma [et al.] // arXiv.org [Electronic resource]. – 2014. – Mode of access : https://arxiv.org/pdf/1312.6114. – Date of access : 25.09.2017.
6. LeCun, Y. Gradient-based learning applied to document recognition / Y. LeCun // Proc. of the IEEE. – 1998. – Vol. 86(11). – P. 2278–2324.
7. Unsupervised representation learning with deep convolutional generative adversarial networks / A. Radford, L. Metz, S. Chintala // arXiv.org [Electronic resource]. – 2016. – Mode of access : https://arxiv.org/pdf/1511.06434. – Date of access : 25.09.2017.
8. DCGAN in tensorflow [Electronic resource]. – Mode of access : https://github.com/carpedm20/DCGAN-tensorflow. – Date of access : 25.09.2017.
9. Medical image synthesis with context-aware generative adversarial networks / D. Nie [et al.] // MICCAI, LNCS. –Springer, Cham, 2017. – Vol. 10435. – P. 417–425.
10. Deep MR to CT Synthesis using Unpaired Data / J. M. Wolterink [et al.] // arXiv.org [Electronic resource]. – 2017. – Mode of access : https://arxiv.org/pdf/1708.01155. – Date of access : 22.09.2017.
11. Synthesis of positron emission tomography (PET) images via multi-channel Generative Adversarial Networks (GANs) / L. Bi [et al.] // Molecular Imaging, Reconstruction and Analysis of Moving Body Organs, and Stroke Imaging and Treatment. – Springer, Cham, 2017. – Vol. 10555. – P. 43–51.
Рецензия
Для цитирования:
Ковалев В.А., Козловский С.А., Калиновский А.А. ГЕНЕРАЦИЯ ИСКУССТВЕННЫХ РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЙ ГРУДНОЙ КЛЕТКИ С ИСПОЛЬЗОВАНИЕМ ГЕНЕРАТИВНО-СОСТЯЗАТЕЛЬНЫХ НЕЙРОННЫХ СЕТЕЙ. Информатика. 2018;15(2):7-16.
For citation:
Kovalev V.A., Kozlovski S.A., Kalinovsk A.A. GENERATION OF ARTIFICIAL CHEST RADIOGRAPHS USING GENERATIVE ADVERSARIAL NEURAL NETWORKS. Informatics. 2018;15(2):7-16. (In Russ.)
Просмотров: 1210
Послать статью по эл. почте 