Generowanie poprawnych anatomicznie map tkanek rejonu prostaty za pomocą generatywnych przeciwstawnych sieci neuronowych

Praca zwraca uwagę na trudności z pozyskaniem dużych ilości obrazów MRI
oraz ich segmentacji do celów naukowych. Zaproponowane rozwiązanie opiera się na wykorzystaniu architektury sieci DCGAN w celu generacji map tkanek rejonu prostaty z szumu (nieoznaczonych danych). Wyniki zostały ocenione pod względem jakości oraz wpływ rozmiaru danych treningowych na proces uczenia się sieci. Uzyskane syntetyczne obrazy odzwierciedlają prawidłowe rozłożenia struktur, jednak nie uzyskano obrazów o wystarczającej dokładności, aby mogły zostać wykorzystane do dalszych celów. Z wykorzystaniem nauczonej sieci GAN generującej obrazy MRI na podstawie segmentacji sprawdzono jakość obrazów. Wyniki były zgodne z oczekiwaniami - struktury zostały odtworzone, jednak z błędnym rozkładem. W ramach pracy wskazano możliwy dalszy rozwój tematu.

This thesis is focused on difficulty of acquiring large numbers of MRI images and segmentation of them. The proposed solution is based on using DCGAN networks to generate tissue maps of the prostate region from noise. The results were evaluated in terms of quality and the effect of the size of the training data on the learning process of the network. Obtained synthetic images reflect proper layout of structures, however their accuracy is not sufficient to use them for further purposes. The quality of images was checked using a learned GAN that generates MRI images based on segmentation.
The results were as expected - the structures were reproduced, however, with an incorrect distribution. The work identified possible further development of the topic.