تقييم الشبكات العصبية التوليدية التنافسية ذات التعميق التوافقي لتعزيز البيانات في صور الأشعة السينية للصدر

تُعد مجموعات بيانات الصور الطبية غالبًا غير متوازنة، نظرًا لتكاليف جمع البيانات العالية والوقت الطويل المطلوب لعمل التسميات. يؤدي تدريب نماذج الشبكات العصبية العميقة على مثل هذه المجموعات لتصنيف الحالة الطبية بدقة إلى نتائج غير مرضية، وغالبًا ما يُظهر نموذج التعلم ارتكازًا مفرطًا على عينات الفئة الغالبة. لمعالجة هذه المشكلة، يتم عادةً تطبيق تقنيات تكبير البيانات على بيانات التدريب باستخدام تقنيات التحويل المكاني مثل التحجيم، والقص، والانعكاس، والملء، والتدوير، والانزياح، والتحويل الشكلي، فضلاً عن تقنيات تكبير الألوان مثل السطوع، والتشبع، والحدة، ودرجة اللون، بهدف زيادة حجم المجموعة. ومع ذلك، لا يُضمن أن تكون هذه التقنيات مفيدة في المجالات ذات البيانات المحدودة، وخاصة بيانات الصور الطبية، وقد تؤدي إلى تفاقم مشكلة الارتكاز المفرط. في هذه الدراسة، قمنا بتطبيق تكبير البيانات على مجموعة بيانات الأشعة الصدرية من خلال النمذجة التوليدية (الشبكة العصبية التوليدية المعاكسة ذات التحويلات العميقة)، التي تُنشئ أمثلة اصطناعية تحافظ على خصائص مشابهة للبيانات الأصلية، وأدى تقييم النموذج إلى تحقيق درجة "مسافة فريشيه لإنسيبشن" (FID) البالغة 1.289.