Resumen

La red generativa adversarial (GAN) tiene la ventaja de ajustarse a la distribucin de datos, por lo que puede lograr el aumento de datos ajustndose a la distribucin real y sintetizando datos de entrenamiento adicionales. De este modo, el modelo de convolucin profunda tambin se puede entrenar bien en el caso de utilizar un conjunto de datos de imgenes mdicas de muestra pequea. Sin embargo, todava existen ciertas diferencias entre las imgenes sintticas y las imgenes reales. Para reducir an ms estas diferencias, este artculo propone un mtodo que aplica SimGAN a la tarea de optimizacin de imgenes sintticas de resonancia magntica cardiaca. Mientras tanto, la estructura residual mejorada se utiliza para profundizar en la estructura de la red y mejorar el rendimiento del optimizador. Por ltimo, los experimentos mostrarn el buen resultado de nuestro mtodo de aumento de datos basado en GAN.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:red generativa adversarial; distribución de datos; aumento de datos; modelo de convolución profunda; imágenes sintéticas; imágenes reales
• Keywords:generative adversarial network; data distribution; data augmentation; deep convolution model; synthetic images; real images