OsloMet | Høyskole og Universitet

Masteroppgaven presenterte en innovativ bruk av Generative Adversarial Networks (GANs) for å generere syntetiske 3D CT-bilder og tumor-masker, og adresserte problemet med begrenset annotert medisinsk bilde-data for kreftdeteksjon. En omfattende evaluering av flere GAN-modeller ble gjennomført, der Hierarchical Amortized GAN (HA-GAN) viste seg å gi overlegen generering av syntetiske bilder. Integreringen av syntetiske data inn i faktiske bilder forbedret nøyaktigheten til SegResNet-modellen fra MONAI's Auto3Dseg-rammeverket, og førte til forbedret nøyaktighet i tumor-segmentering. Studien produserte to unike datasett med syntetiske bilde-/maskepar, og bekreftet GANers potensial for medisinsk opplæringsdata-utvidelse og kreftdeteksjon.