Застосування градієнтного дискримінатора для покращення точності визначення границь об'єктів медичних зображень на основі генеративно-змагальної мережі (GAN)

Abstract

У магістерській роботі розроблено та досліджено удосконалений метод сегментації медичних зображень на основі модифікованої моделі GradGAN. Запропонований підхід поєднує U-Net як генератор, PatchGAN як дискримінатор та градієнтну функцію втрат, яка забезпечує точніше відтворення меж патологічних утворень. Додатково реалізовано попереднє навчання U-Net та використання його ваг для fine-tuning генератора, що підвищило стабільність і точність моделі. Експериментальна частина проведена на датасеті ISIC2018. Порівняння з базовими моделями (U-Net та Attention U-Net) продемонструвало перевагу розробленого підходу: Dice = 0.8751, IoU = 0.7949, BF1 = 0.7042. Результати підтверджують ефективність запропонованої архітектури для задач медичної сегментації.