| Περίληψη: | Ο καρκίνος είναι μια ασθένεια που συνεχίζει να μαστίζει τη σύγχρονη κοινωνία μας. Μεταξύ όλων των τύπων καρκίνου, ο καρκίνος του μαστού είναι πλέον ο πιο συχνός τύπος καρκίνου που εμφανίζεται στις γυναίκες παγκοσμίως. Ως εκ τούτου, ο σωστός έλεγχος για έγκαιρη διάγνωση και θεραπεία καθίσταται σημαντικός παράγοντας για την καταπολέμηση της νόσου. Η μαστογραφία είναι η κύρια διαδικασία προσυμπτωματικού ελέγχου του καρκίνου του μαστού, προσπαθώντας να μειώσει την θνησιμότητα του καρκίνου του μαστού με την έγκαιρη ανίχνευση. Η τεχνητή νοημοσύνη (ΤΝ) συνεχίζει να φέρνει επανάσταση σε διάφορους τομείς της ζωής μας με τις πολυάριθμες εφαρμογές της. Ωστόσο, πολλές φορες, παρατηρείται ανεπάρκεια έγκυρων διαθέσιμων ιατρικών δεδομένων, με αποτελέσματα τα μοντέλων να αποφέρουν καρποφόρα αποτελέσματα. Στην παρούσα εργασία εξετάζουμε πως μπορούμε να εκμεταλλευτούμε το πλήθος των υγιών μαστογραφιών που υπάρχου διαθέσιμα σε ανοιχτά σύνολα δεδομένων, μιας και συνήθως ξεπερνάνε κατά πολύ σε αριθμό τις μαστογραφίες που φέρνουν κακοήθεια, για να εκπαιδεύσουμε Αναγεννητικά Ανταγωνιστικά Νευρωνικά Δίκτυα(Generative Adversarial Networks - GAN's), με σκοπό της χρήσης του Αναγεννητικού Μοντέλου για ενδοσμπλήρωση εικονιδίων (patches). Η εφαρμογή αυτών των μοντέλων στις ιατρικές εικόνες έχει αυξηθεί τα τελευταία χρόνια λόγω της ραγδαία αύξησης συλλογής περισσότερων δεδομένων και της βελτιώσης της υπολογιστικής δύναμης. Ωστόσο, στην βιβλιογραφία δεν αξιοποιούν το μεγάλο μέγεθος το θετικών ευρημάτων, για την εκπαίδευση Αναγγενητικών Μοντέλων.
|
|---|
