Изменения

[[Файл:Generated 3d mri.png|750px600px|thumb|Пример сгенерированных изображений 3D МРТ результатов с патологями. Источник: https://arxiv.org/pdf/1908.02498.pdf]][[Файл:3d mri models comparison.png|450px350px|thumb|Сравнение различных моделей для генерации 3D изображений МРТ исследований. Источник: https://arxiv.org/pdf/1908.02498.pdf]]

Для обучения сверточных нейронных сетей необходимо большое количество данных, которые очень часто достаточно тяжело или даже невозможно получить. Основная проблема {{из---}} запрет за запрета на использование данных исследований даже в анонимном формате без согласия пациента. Поэтому сейчас для получения достаточно больших датасетов стали применять [[Generative Adversarial Nets (GAN)|генеративные состязательные сети]].  В общем, задачу таких GAN можно оделить на две: генерация изображений здоровых пациентов и изображений с патологиями.  Основная проблема, с которой сталкиваются такие модели {{---}} необходимость очень точно определеять границы объекта на сгенерированном изображении, а также не допускать размытости. Эти две проблемы долгое время совсем не получалось решитьбез большого количества реальных данных, вследствие чего не было возможным применение сгенерированных изображений на практике.  Сильно улучшить поведение моделей удалось путем использования метрики Васерштейна<ref>[[https://ru.wikipedia.org/wiki/%D0%9C%D0%B5%D1%82%D1%80%D0%B8%D0%BA%D0%B0_%D0%92%D0%B0%D1%81%D0%B5%D1%80%D1%88%D1%82%D0%B5%D0%B9%D0%BD%D0%B0|Википедия:Метрика Васерштейна]]</ref>, которая, если провести аналогию с землей, измеряет минимальную стоимость преобразования одного распределения земли в другое, при этом предполагается, что стоимость прямо пропорциональна количеству земли и расстоянию, на которое ее надо перетащить. Использование такой метрики в GAN помогло сильно улучшить поведение моделей при генерации данных МРТ исследований.