Skip navigation
Please use this identifier to cite or link to this item: https://libeldoc.bsuir.by/handle/123456789/55577
Full metadata record
DC FieldValueLanguage
dc.contributor.authorKovbasa, G.-
dc.coverage.spatialМинскen_US
dc.date.accessioned2024-04-25T09:45:38Z-
dc.date.available2024-04-25T09:45:38Z-
dc.date.issued2024-
dc.identifier.citationKovbasa, 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.en_US
dc.identifier.urihttps://libeldoc.bsuir.by/handle/123456789/55577-
dc.description.abstractThis 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.en_US
dc.language.isoenen_US
dc.publisherБГУИРen_US
dc.subjectматериалы конференцийen_US
dc.subjectmulti-level GANsen_US
dc.subjectrecursive learningen_US
dc.subjectsynthetic dataen_US
dc.titleEvaluation Metrics and Multi-level GAN Approach for Medical Imagesen_US
dc.title.alternativeМетрики оценки и применение многоуровневых GAN для медицинских изображенийen_US
dc.typeArticleen_US
local.description.annotationВ 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.en_US
Appears in Collections:OSTIS-2024

Files in This Item:
File Description SizeFormat 
Kovbasa_Evaluation.pdf255.34 kBAdobe PDFView/Open
Show simple item record Google Scholar

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.