Estudio de redes generativas de confrontación para generación de datos sintéticos y su aplicación a tomografía optoacústica

• Scopa Lopina, Alejandro ^[1] ; González, Martín Germán ^[2] ; Vera, Matías ^[2]
  1. [1] Universidad de Buenos Aires

     Universidad de Buenos Aires

     Argentina

     
  2. [2] FIUBA
• Localización: Elektron: ciencia y tecnología en la electrónica de hoy, ISSN-e 2525-0159, Vol. 7, Nº. 2, 2023, págs. 61-70
• Idioma: español
• Títulos paralelos:
  • Study of Generative Adversarial Networks for Generating Synthetic Data and its Application on Optoacoustic Tomography
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este trabajo se propone el uso de una red generativa de confrontación (GAN) para efectuar un aumento de datos con el objetivo de mejorar la reconstrucción de imágenes en sistemas para tomografía optoacústica (TOA). Se utilizó el modelo denominado FastGAN que es una red compacta, capaz de generar imágenes de alta resolución a partir de un conjunto de datos reducidos. La calidad de los datos generados se evaluó a través de dos métodos. Por un lado, se usó la distancia de inicio de Fréchet (FID), observándose una tendencia decreciente a largo de todo el entrenamiento de la GAN. En el segundo método se entrenó una red neuronal U-Net diseñada para un sistema de TOA con y sin datos aumentados. En este caso, el modelo entrenado con los datos extras aportados por la GAN logró una mejora apreciable en las figuras de mérito asociadas a la reconstrucción.

  • English

    This work proposes the use of a Generative Adversarial Network (GAN) to perform data augmentation with the goal of improving image reconstruction in Optoacustic Tomography (OAT) applications. We employ the FastGAN model, a compact net capable of generating high resolution images from small datasets. The quality of the generated data was assessed by two methods. First, the Fréchet distance (FID) was measured, observing a decreasing trend throughout the entire GAN training. Then, a U-Net neural network designed for a OAT system with and without augmented data was trained. In this case, the model trained with the extra data generated by the GAN achieved an appreciable improvement in the figures of merit associated with the reconstruction.