FakeNews: GAN-based generation of realistic 3D volumetric data — A systematic review and taxonomy

要約

深層学習ベースのアプローチなどのデータ駆動型アルゴリズムが大規模に普及しているため、高品質のデータの利用可能性が大きな関心を集めています。
容積データは、病気の診断から治療のモニタリングに至るまで、医療において非常に重要です。
データセットが十分であれば、これらのタスクを行う医師を支援するためにモデルをトレーニングできます。
残念ながら、大量のデータが利用できないシナリオがあります。
たとえば、希少疾患やプライバシーの問題により、データの利用が制限される可能性があります。
非医療分野では、十分な高品質のデータを取得するためのコストが高いことも懸念される可能性があります。
これらの問題の解決策は、敵対的生成ネットワーク (GAN) を使用して現実的な合成データを生成することです。
これらのメカニズムの存在は、データが高品質で現実的であり、プライバシーの問題がないものである必要があるため、特に医療分野では優れた資産となります。
したがって、ボリューム GAN に関する出版物のほとんどは医療分野のものです。
このレビューでは、GAN を使用して現実的な体積合成データを生成する作品の概要を提供します。
したがって、これらの分野における GAN ベースの手法について、共通のアーキテクチャ、損失関数、評価指標を使用して、その長所と短所を含めて概説します。
ボリューム GAN の現状の全体的な概要を提供するために、新しい分類法、評価、課題、研究の機会を提示します。

要約(オリジナル)

With the massive proliferation of data-driven algorithms, such as deep learning-based approaches, the availability of high-quality data is of great interest. Volumetric data is very important in medicine, as it ranges from disease diagnoses to therapy monitoring. When the dataset is sufficient, models can be trained to help doctors with these tasks. Unfortunately, there are scenarios where large amounts of data is unavailable. For example, rare diseases and privacy issues can lead to restricted data availability. In non-medical fields, the high cost of obtaining enough high-quality data can also be a concern. A solution to these problems can be the generation of realistic synthetic data using Generative Adversarial Networks (GANs). The existence of these mechanisms is a good asset, especially in healthcare, as the data must be of good quality, realistic, and without privacy issues. Therefore, most of the publications on volumetric GANs are within the medical domain. In this review, we provide a summary of works that generate realistic volumetric synthetic data using GANs. We therefore outline GAN-based methods in these areas with common architectures, loss functions and evaluation metrics, including their advantages and disadvantages. We present a novel taxonomy, evaluations, challenges, and research opportunities to provide a holistic overview of the current state of volumetric GANs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google