Unsupervised feature analysis of real and synthetic knee X-ray images

Abstract

Generatiiviset mallit ovat parantuneet valtavasti viime vuosina, ja tämä on luonut tarpeen automaattisille validointitekniikoille synteettiselle datalle. Tässä pro gradu -työssä testatiin menetelmää synteettisten kuvien validointiin, joka perustuu piirteiden poimimiseen ja klusterianalyysiin, generatiivisten vastakkaisten verkostojen luo- tujen röntgenkuvien avulla. Tulokset osoittavat, että luodut kuvat noudattavat koulutuksessa käytettyjen kuvien jakaumaa, mutta eroavat selvästi toisesta datajoukosta olevista röntgenkuvista.

Generative models have improved massively in the recent years, and this has created a need for automatic validation techniques for synthetic data. In this master’s thesis a method for validating synthetic images based on feature extraction and cluster analysis is tested on X-ray images created with generative adversarial networks. The results show that the generated images follow the distribution of the imageset used in training, but are clearly distinct from a different X-ray imageset.