Data Augmentation con Generative Adversarial Networks = Data Augmentation with Generative Adversarial Networks

Il lavoro è incentrato sulla valutazione di un metodo di data augmentation in un task di classificazione automatica di lesioni dermatologiche su diverse classi. Laddove i dati siano limitati, o sbilanciati, viene valutata la possibilità di alleviare significativamente queste problematiche, attraverso dei metodi basati sull’intelligenza artificiale. Per riuscirci si utilizza un metodo di generazione di immagini sintetiche basato sul deep-learning, chiamato GAN (Generative Adversarial Network): con tale strumento si valuterà la possibilità di colmare il problema dello sbilanciamento delle immagini delle diverse classi e inoltre la possibilità di aumentare i dati a disposizione. Contemporaneamente, si valuterà l’efficacia di uno strumento appositamente realizzato (GAN di normalizzazione opportunamente allenata) per operare la normalizzazione delle immagini dermatologiche. Questo strumento permette di diminuire la variabilità dei dati dovuta alle differenti condizioni di acquisizione delle immagini, attraverso un processo di bilanciamento automatico di fattori come ad esempio luminosità. Dunque, la trattazione inizia con il pre-processing di due set di dati: le immagini normalizzate e quelle originali. Le immagini processate verranno usate separatamente per addestrare un modello generativo (GAN). I due modelli allenati saranno utilizzati per generare delle immagini sintetiche, necessarie per la valutazione dell’efficacia del metodo. Infine, la validazione consiste nel confrontare le prestazioni di un classificatore, allenato con diversi dataset: quelli ottenuti attraverso aumenti tradizionali, rispetto a quelli ottenuti con l’ausilio dei modelli generativi proposti, sempre mantenendo distinte le immagini normalizzate e no. Si vuole dunque valutare l’efficacia di un metodo che contrasti la carenza e la variabilità di immagini dermatologiche, con il fine di migliorare le prestazioni di un classificatore.