Generative Adversarial Networks (GAN) to generate synthetic MRI brain images
Marión Escudé, Oriol
Casas Roma, Jordi, dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Additional title:	Generative Adversarial Networks (GAN) per generar imatges de ressonància magnètica cerebrals sintètiques
Additional title:	Generative Adversarial Networks (GAN) para generar imágenes de resonancia magnética cerebrales sintéticas
Date:	2024
Abstract:	Aquest estudi explora l'ús de Generative Adversarial Networks (GANs) per generar escàners cerebrals sintètics de ressonància magnètica (IRM), amb l'objectiu d'abordar la manca de dades de recerca en la investigació mèdica. Utilitzant el conjunt de dades Amsterdam Open MRI Collection, es van desenvolupar dues arquitectures GAN (DCGAN i WGAN-GP) per generar talls 2D de ressonància magnètica cerebral. La WGAN-GP va produir amb èxit imatges d'alta qualitat que els experts en radiologia només van poder distingir de les reals amb una precisió del 61, 25%, demostrant així el realisme de les imatges generades. A més, la creació exitosa d'escàners 3D utilitzant una arquitectura basada en alphaGAN destaca el potencial de les GAN per produir imatges mèdiques realistes. Tot i els reptes per aconseguir resultats d'alta qualitat, els resultats i la investigació demostren el potencial de les GAN per crear imatges mèdiques realistes.
Abstract:	Este estudio explora el uso de Generative Adversarial Networks (GANs) para generar escáneres cerebrales sintéticos de resonancia magnética (IRM), con el objetivo de abordar la falta de datos de investigación en la investigación médica. Utilizando el conjunto de datos Amsterdam Open MRI Collection, se desarrollaron dos arquitecturas GAN (DCGAN y WGAN-GP) para generar cortes 2D de resonancia magnética cerebral. La WGAN-GP produjo con éxito imágenes de alta calidad que los expertos en radiología solo pudieron distinguir de las reales con una precisión del 61, 25%, demostrando así el realismo de las imágenes generadas. Además, la creación exitosa de escáneres 3D utilizando una arquitectura basada en alphaGAN destaca el potencial de las GAN para producir imágenes médicas realistas. A pesar de los desafíos para lograr resultados de alta calidad, los resultados y la investigación demuestran el potencial de las GAN para crear imágenes médicas realistas.
Abstract:	This study explores the use of Generative Adversarial Networks (GANs) to generate synthetic brain MRI scans, aiming to address the shortage of research data in medical research. Using the Amsterdam Open MRI Collection dataset, two GAN architectures (DCGAN and WGAN-GP) were developed to generate 2D brain MRI slices. The WGAN-GP successfully produced high-quality images that radiology experts could only distinguish from real ones with an accuracy of 61. 25%, demonstrating the realism of the generated images. Furthermore, the successful creation of 3D scans using an alphaGAN-based architecture highlights the potential of GANs in producing realistic medical images, despite the challenges in achieving high-quality results, the findings and research demonstrate GANs' potential in creating realistic medical images.
Rights:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.
Language:	Anglès
Studies:	Enginyeria Informàtica [2502441]
Study plan:	Enginyeria Informàtica [958]
Document:	Treball final de grau ; Text
Subject area:	Menció Computació
Subject:	Generative Adversarial Networks ; IRM sintètic ; DCGAN ; WGAN-GP ; IA generativa ; IRM sintético ; Synthetic mri ; Generative ai

12 p, 1.6 MB

The record appears in these collections:
Research literature > Bachelor's degree final project > School of Engineering. TFG