- Сегментация опухоли головного мозга с использованием синтетических МРТ-изображений — сравнение моделей GAN и диффузии (arXiv)
Автор: Мухаммад Усман Акбар, Манс Ларссон, Андерс Эклунд.
Аннотация: Для обучения моделей глубокого обучения требуются большие аннотированные наборы данных, но обмен данными в медицинской визуализации часто затруднен из-за этики, анонимности и законодательства о защите данных (например, общего регламента защиты данных (GDPR)). Генеративные модели ИИ, такие как генеративно-состязательные сети (GAN) и диффузионные модели, сегодня могут создавать очень реалистичные синтетические изображения и потенциально могут способствовать обмену данными, поскольку GDPR не должен применяться к медицинским изображениям, которые не принадлежат конкретному человеку. Однако для обмена синтетическими изображениями необходимо сначала продемонстрировать, что их можно использовать для обучения различных сетей с приемлемой производительностью. Поэтому здесь мы всесторонне оцениваем четыре GAN (прогрессивный GAN, StyleGAN 1–3) и диффузионную модель для задачи сегментации опухоли головного мозга. Наши результаты показывают, что сети сегментации, обученные на синтетических изображениях, достигают оценок Dice, которые составляют 80% — 90% от оценок Dice при обучении с реальными изображениями, но запоминание обучающих изображений может быть проблемой для моделей распространения, если исходный набор данных слишком мал. Кроме того, мы демонстрируем, что общие показатели для оценки синтетических изображений, начальное расстояние Фреше (FID) и начальная оценка (IS) плохо коррелируют с полученной производительностью при использовании синтетических изображений для обучения сетей сегментации.
2. Деидентификация видео лиц водителей на основе GAN: оценка влияния человеческого фактора на данные NDS (arXiv)
Автор: Сурендрабикрам Тхапа, Абхиджит Саркар.
Аннотация: В этой статье рассматривается проблема обмена видео с лицами водителей для исследования транспорта с соблюдением надлежащих этических принципов. В документе сначала дается обзор множества проблем, связанных с обменом такими данными, а затем предлагается концепция того, как методы на основе искусственного интеллекта, в частности, замена лица, могут использоваться для деидентификации лиц водителей. Путем обширных экспериментов с набором данных Ок-Риджской национальной лаборатории (ORNL) мы демонстрируем эффективность алгоритмов замены лиц в сохранении основных атрибутов, связанных с исследованиями человеческого фактора, включая движения глаз, движения головы и движения рта. Эффективность системы также была протестирована на различных данных исследований естественного вождения, собранных в Технологическом транспортном институте Вирджинии. Результаты, достигнутые с помощью предложенных методов, оценивались качественно и количественно с использованием различных показателей. Наконец, мы обсуждаем возможные меры по обмену обезличенными видео с более широким исследовательским сообществом.
