Может помочь в обнаружении рака новый способ использования искусственного интеллекта

Конечно, алгоритмы, которые создают различные фальшивые подделки фотографий, это не очень хорошо. Но их способность синтезировать высоко реалистичные изображения также может иметь важные преимущества для медицинской диагностики.

О технологии

Технологии глубокого обучения превосходны в сопоставлении с образцом на изображениях, их можно обучить распознавать различные виды рака при компьютерной томографии, обнаруживать проблемные участки в ходе МРТ и выявлять проблемы при рентгеновских снимках.

Но из-за проблем с конфиденциальностью исследователям часто не хватает данных для обучения. Вот где приходят GAN - они могут синтезировать больше медицинских изображений, которые неотличимы от реальных, эффективно умножая набор данных до необходимого количества.

Однако есть еще одна проблема. Алгоритмы глубокого обучения должны тренироваться на изображениях с высоким разрешением для получения наилучших результатов, однако синтез таких изображений с высоким разрешением, особенно в 3D, требует больших вычислительных мощностей. Это означает, что для этого требуется специальное и дорогое оборудование, что делает его масштабное использование непрактичным в больницах.

Польза инновации

Поэтому исследователи из Института медицинской информатики в Любекском университете предложили новый подход, чтобы сделать процесс намного менее интенсивным. Они разбили его на этапы GAN сначала генерирует все изображение в низком разрешении, а затем генерирует детали с правильным разрешением по одному небольшому фрагменту за раз.

В ходе экспериментов исследователи не только продемонстрировали, что их метод генерирует реалистичные 2D и 3D изображения с высоким разрешением при низких вычислительных ресурсах, но и то, что расходы также остаются постоянными независимо от размера изображения.