EVOLUTION OF THE EFFECTIVENESS OF СONDITIONAL GAN FOR THE SYNTHESIS OF CT IMAGES OF THE BRAIN IN THE DIAGNOSIS OF STROKE

Аннотация

Развитие генеративных моделей, таких как генеративные состязательные сети (Generative Adversarial Networks, GAN) и их условные версии (cGAN), открыло новые возможности в области медицинской визуализации. Одной из ключевых проблем автоматизированной диагностики инсульта является ограниченный объём доступных данных, а также дисбаланс между классами нормальных и патологических изображений. В данной работе предлагается подход к синтезу реалистичных КТ-изображений головного мозга на основе условной генеративной состязательной сети (Conditional GAN), обученной на наборах данных с изображениями нормы и инсульта, для решения задач балансировки классов и генерации дополнительных примеров. Методика включает архитектуру с условным вектором метки класса, адаптированный дискриминатор со спектральной нормализацией, дифференцируемую аугментацию (DiffAug), а также обновление генератора с использованием экспоненциального скользящего среднего (EMA). Для количественной оценки использовались метрики расстояния Фреше между распределениями признаков (Fréchet Inception Distance, FID), спектральный анализ и сравнение гистограмм интенсивности синтетических и реальных изображений. Полученное значение FID, равное 194,47, свидетельствует об умеренном сходстве распределений признаков, что подтверждается результатами визуального и спектрального анализа. Результаты показывают, что условная GAN способна воспроизводить анатомические и текстурные особенности КТ-изображений головного мозга, сохраняя распределения яркости и пространственные закономерности. Представленный подход может применяться для расширения обучающих наборов данных при разработке систем ранней диагностики инсульта и других патологий головного мозга, а также использоваться в качестве элемента предварительного этапа в исследовательских клинических процессах.