Definizione
Le Generative Adversarial Networks (GAN) sono un tipo di rete neurale generativa composta da due modelli che competono tra loro in un processo chiamato apprendimento avversario. Le GAN sono costituite da:
- Generatore: crea nuovi dati simili a quelli reali partendo da un rumore casuale.
- Discriminatore: valuta se i dati forniti sono reali (provenienti dal dataset di addestramento) o falsi (generati dal generatore).
Durante l’addestramento, il generatore migliora progressivamente la qualità dei dati sintetici per ingannare il discriminatore, che a sua volta affina la propria capacità di distinguere tra dati reali e falsi. Questo processo porta alla generazione di dati altamente realistici.
Applicazioni in Medicina
- Generazione di immagini mediche: creazione di scansioni TC, risonanze magnetiche e immagini istopatologiche sintetiche per migliorare l’addestramento di modelli di IA.
- Aumento dei dataset (Data Augmentation): le GAN possono generare nuovi campioni per bilanciare dataset sbilanciati, riducendo il problema della scarsità di dati medici etichettati.
- Simulazione e formazione medica: creazione di immagini e scenari clinici artificiali per l’addestramento di medici e radiologi senza dover accedere a dati sensibili.
