Hay muchas aplicaciones de GAN para imágenes médicas. Aquí hay algunos interesantes:
Adaptación de dominio
Los métodos basados en el aprendizaje profundo son hambrientos de datos, y los datos anotados de imágenes médicas son escasos debido a problemas de privacidad, falta de expertos disponibles para anotaciones, representación insuficiente de condiciones raras, etc. Las GAN pueden permitir que las redes se capaciten en datos médicos sintéticos y adaptar estas redes a imágenes médicas reales mediante transferencia de dominio.
- ¿Puedo crear un programa de aprendizaje automático en otro idioma que no sea un flujo de tensor o scikit-learn?
- ¿Por qué la mayoría de las competencias recientes se centran en el aprendizaje profundo / redes neuronales? ¿No crea esto un desequilibrio en los tipos de problemas que se ofrecen?
- ¿Cómo puedo comenzar el trabajo de investigación sobre aprendizaje automático y cómo puedo elegir un tema o problema en el aprendizaje automático?
- Cómo construir y trazar una gráfica de vecinos más cercanos
- ¿Funcionaría la búsqueda de 'colocaciones' de orden superior?
[1711.06606] Adaptación de dominio inverso sin supervisión para imágenes médicas sintéticas a través de entrenamiento adversario
Denoising
Las reconstrucciones a partir de dosis bajas de CT han sido un problema difícil en los últimos años. Las GAN tienen la capacidad de transformar las proyecciones de CT de dosis baja en una representación de dosis alta.
[1708.06453] Desinfección de CT de dosis baja con agudeza sensible utilizando una red de confrontación generativa condicional
Síntesis de IRM a TC
Las GAN se pueden usar para la síntesis de datos de CT a partir de imágenes de MRI. Esto es bastante interesante ya que las IRM no tienen un problema de dosis.
[1708.01155] Síntesis profunda de MR a CT utilizando datos no apareados