Εμπλουτισμός Δεδομένων Με Χρήση Αντιστρέψιμων Δημιουργικών Νευρωνικών Δικτύων

Abstract

Ένα από τα μεγαλύτερα προβλήματα που αντιμετωπίζουν οι ιατρικές βάσεις δεδομένων είναι η έλλειψη και ο μικρός αριθμός δειγμάτων. Ακόμα και σε περιπτώσεις που υπάρχουν αρκετά ιατρικά δείγματα σε μια βάση, πολλά από αυτά δεν έχουν κάποια σχετική ετικέτα η οποία να κατηγοριοποιεί το δείγμα. Αυτό επιφέρει μεγάλες δυσκολίες στους ειδικούς που θέλουν να κατασκευάσουν νευρωνικά δίκτυα ταξινόμησης προκειμένου να κατηγοριοποιούν αυτόματα και με μεγαλύτερη ευκολία τα ιατρικά δεδομένα. Μια λύση σε αυτό το πρόβλημα έρχεται να δώσει πάλι η τεχνητή νοημοσύνη μέσω της αυτόματης σύνθεσης εικόνας. Μπορούμε χρησιμοποιώντας παραγωγικά νευρωνικά δίκτυα να παράξουμε νέα δεδομένα τα οποία θα εμπλουτίσουν την υπάρχουσα βάση δεδομένων η οποία πλέον θα μπορεί να χρησιμοποιηθεί πιο αποτελεσματικά για να εκπαιδεύσει ένα νευρωνικό δίκτυο ταξινόμησης. Κάτι αντίστοιχο κάναμε και στην παρούσα εργασία. Αρχικά πήραμε την ιατρική βάση δεδομένων mini-DDSM η οποία περιέχει μαστογραφίες χωρίς όγκο, με καλοήθη όγκο και με καρκίνο (για απλότητα αφαιρέσαμε τις εικόνες με τον καλοήθη όγκο) και επιχειρήσαμε να δούμε πόσο καλά μπορούμε να εκπαιδεύσουμε ένα προεκπαιδευμένο νευρωνικό δίκτυο ώστε να ταξινομεί σωστά τις εικόνες. Στη συνέχεια χρησιμοποιώντας διάφορα μοντέλα Normalizing Flow με έμφαση στο μοντέλο GLOW, παράξαμε αρκετές φωτογραφίες και εμπλουτίσαμε ένα υποσύνολο της βάσης δεδομένων που ορίσαμε ως σύνολο εκπαίδευσης. Χρησιμοποιώντας το ενισχυμένο σύνολο εκπαίδευσης, ξαναεκπαιδεύσαμε το προεκπαιδευμένο νευρωνικό δίκτυο και καταφέραμε να πάρουμε καλύτερα αποτελέσματα. Παράλληλα, επιχειρήσαμε με διάφορες τεχνικές να παρακάμψουμε κάποια προβλήματα που είχε το σλυνολο εκπαίδευσης όπως ότι κάποιες φωτογραφίες ήταν “σημαδεμένες” με άσπρο χρώμα. Κάποιες τεχνικές είχαν καλύτερα αποτελέσματα, άλλες όχι τόσο καλά.