छोटे आकार के फेफड़ों के नोड्यूल के लिए मल्टी-स्केल कंडीशनल जनरेटिव एडवर्सेरियल नेटवर्क का प्रयोग क्लास सक्रियता क्षेत्र प्रभाव अधिकतमकरण

गहरे शिक्षण एल्गोरिदम का उपयोग करकेthoracic बीमारियों का स्वचालित पता लगाने और वर्गीकरण में कई अनुप्रयोग हैं जो रेडियोलॉजिस्टों के निदान और पूर्वानुमान का समर्थन करते हैं। हालाँकि, चिकित्सा क्षेत्र में, वर्ग-ऑसंतुलन समस्या रोगों के बीच प्रचलन में भिन्नता के कारण अत्यंत सामान्य है, जिससे इन अनुप्रयोगों को विकसित करना कठिन हो जाता है। छाती एक्स-रे (CXR) डेटा पर वर्ग-ऑसंतुलन समस्या को हल करने के लिए कई GAN-आधारित विधियों का प्रस्ताव किया गया है। हालाँकि, ये मॉडल छोटे आकार की बीमारियों के लिए अच्छे से प्रशिक्षित नहीं हुए हैं क्योंकि केवल कुछ पिक्सेल के साथ पर्याप्त जानकारी निकालना चुनौतीपूर्ण होता है। इस पत्र में, हम एक नए गहरे जनरेटिव मॉडल का प्रस्ताव करते हैं जिसे क्लास सक्रियता क्षेत्र प्रभाव अधिकतमकरण कंडीशनल जनरेटिव एडवर्सेरियल नेटवर्क (CARIM-cGAN) कहा जाता है। प्रस्तावित नेटवर्क टारगेट बीमारी की उपस्थिति, स्थान, और आकार को एक नियंत्रणीय कंडीशनल मास्क के साथ नियंत्रित कर सकता है। हमने बीमारी के होने की संभावना को अधिकतम करने के लिए क्लास सक्रियता क्षेत्र प्रभाव अधिकतमकरण (CARIM) हानि का नया परिचय दिया। बेहतर जनरेटिव प्रदर्शन प्रदर्शित करने के लिए, हमने CARIM-cGAN का उपयोग करके उत्पन्न किए गए नमूनों के साथ कई गुणात्मक और मात्रात्मक मूल्यांकन किए। परिणामों ने दिखाया कि हमारी विधि अन्य विधियों की तुलना में बेहतर प्रदर्शन करती है। निष्कर्ष में, क्योंकि CARIM-cGAN बीमारी के स्थान और आकार की जानकारी के आधार पर उच्च-गुणवत्ता वाले नमूने उत्पन्न कर सकता है, हम ऐसे समस्याओं को हल करने में योगदान कर सकते हैं जैसे बीमारी का वर्गीकरण, पहचान, और स्थान-निर्धारण, जो उच्च अनुलेखन लागत की आवश्यकता होती है।