| Title: | Evaluation Metrics and Multi-level GAN Approach for Medical Images |
| Other Titles: | Метрики оценки и применение многоуровневых GAN для медицинских изображений |
| Authors: | Kovbasa, G. |
| Keywords: | материалы конференций;multi-level GANs;recursive learning;synthetic data |
| Issue Date: | 2024 |
| Publisher: | БГУИР |
| Citation: | Kovbasa, G. Evaluation Metrics and Multi-level GAN Approach for Medical Images = Метрики оценки и применение многоуровневых GAN для медицинских изображений / G. Kovbasa // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (OSTIS) : сборник научных трудов / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. В. Голенков [и др.]. – Минск, 2024. – Вып. 8. – С. 311–318. |
| Abstract: | This article examined methods for using GANs
in medicine, their prospects, as well as problems with
training generative adversarial networks associated with
the increasing use of generated images for training other
networks. The analysis of single-layer and multi-layer GANs
concluded that although multi-layer GANs perform better
statistically, they do not exactly match the distribution
of the original dataset and, without medical supervision,
such synthetic data should not be used when training new
networks. Problems associated with the phenomenon of
recursive learning, biased assessments of image realism,
and non-optimized structures are considered. Approach is
described in context of integrating generative adversarial
network models into the OSTIS Technology based hybrid
computer systems. |
| Alternative abstract: | В данной статье были рассмотрены методы использования
GAN в медицине, их перспективы, а также проблемы в
обучении генеративно-состязательных сетей, связанные с
увеличением использования сгенерированных изображений
для обучения других сетей. Анализ одноуровневых и многоуровневых GAN пришел к выводу, что, хотя по статистике
многоуровневые GAN работают лучше, они не совсем соответствуют распределению исходного набора данных, и без
наблюдения медицинского специалиста такие синтетические
данные не следует использовать при обучении новых сетей.
Рассмотрены проблемы, связанные с явлением рекурсивного
обучения, предвзятыми оценками реалистичности изображений и неоптимизированными структурами. Подход описан в
контексте интеграции моделей генеративно-состязательных
сетей в гибридные компьютерные системы на основе технологий OSTIS. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/55577 |
| Appears in Collections: | OSTIS-2024
|
