Neural network methods of medical images enhancement to tumor detection and segmentation

Abstract

Медицинская визуализация играет важную роль в диагностике и лечении раковых заболеваний. Она позволяет без лишних задержек поставить диагноз, составить план лечения, наблюдать за перемещением и ростом опухоли, очерчивать ее в реальном времени. Сегментация снимков опухолей является трудоемкой задачей и требует высокой квалификации для выполнения вручную. Автоматизация этого процесса с применением технологий искусственного интеллекта частично решает проблему, однако обучение нейронных сетей осложняется из-за недостаточного количества качественных данных. В данной работе предлагается метод повышения качества изображений на основе генеративно-состязательной сети для наиболее точных детекции и сегментации опухолей. Построенный алгоритм позволяет повысить качество и точность диагностики и, как следствие, снизить риск нежелательного хирургического вмешательства и ложноотрицательных результатов.

Medical visualization is a critical technique for cancer diagnosis and treatment. It allows doctors to make a diagnosis on time, come up with a treatment plan, monitor the tumor development process and find it's outlines in real-time. Manual tumor image segmentation is a very complex and time-consuming task that requires high experience. This process can be automated with modern artificial intelligence technologies, but neural network training is not trivial for this task because of lack of training data and poor image quality. This work proposes an image processing technique based on a generative adversarial network. This technique dramatically improves tumor segmentation and detection precision. The proposed algorithm helps to improve diagnosis quality and as a consequence, eliminate unnecessary surgical intervention risk as well as a false-negative result.