Изменения

{|align="center" |-valign="top" |[[Файл:Generated 3d mri.png|700px750px|thumb|right|Пример сгенерированных изображений 3D МРТ результатовс патологями. Источник: https://arxiv.org/pdf/1908.02498.pdf]] |[[Файл:3d mri models comparison.png|500px450px|thumb|left|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 {{---}} запрет 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]]. 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 решить, вследствие чего не было возможным применение сгенерированных изображений на практике. Решение было найдено 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]], которая, если провести аналогию с землей, измеряет минимальную стоимость преобразования одного распределения земли в совмещении вариационного автокодировщика (VAE) другое, при этом предполагается, что стоимость прямо пропорциональна количеству земли и расстоянию, на которое ее надо перетащить. Использование такой метрики в GAN с дополнительной сетью кодового дискриминаторапомогло сильно улучшить поведение моделей при генерации данных МРТ исследований.