W procesie uczenia zostały użyte trzy grupy zdjęć medycznych: skany CT (obrazy tomografii komputerowej, czyli skany głowy bez guza), skany PET (obrazy pozytonowej tomografii emisyjnej czyli skany ukazujące jedynie guza) oraz zdjęcia będące fuzją tych dwóch tomografii (przykładowe zdjęcia, obrazujące guza na tle czaszki, stanowiące dystrybucje zdjęć, do której będą należeć syntetyczne obrazy produkowane przez wytrenowaną, generatywną sieć neuronową).

Sukcesem okazało się podejście, gdzie do domeny źródłowej zostały przypisane zdjęcia CT, a do domeny docelowej fuzja skanów CT i PET. Wytrenowana sieć CycleGAN była w stanie przyjąć obraz czaszki bez guza i następnie nanieść na niego syntetycznego guza, pozostawiając tło zdjęcia bez zmian. Zatem, zaimplementowany system jest narzędziem augmentacji danych, ponieważ wprowadzamy do niego zdjęcia obrazujące kształt czaszki i wygenerowana zostaje taka sama ilość zdjęć prezentujących niewidziane wcześniej, syntetyczne guzy na tle niezmienionych, wejściowych skanów głowy.

Realizacja pracy magisterskiej pozwoliła mi na poszerzenie wiedzy i umiejętności w dziedzinie głębokiego uczenia oraz wizji komputerowej. Eksperymenty wykonywane na platformie Azure Machine Learning zapewniły rozwój w zakresie rozwiązań chmurowych dla maszynowego uczenia i nie tylko. Kwalifikacje te, są przydatne na stanowisku Data Scientist, na którym jestem zatrudniony w firmie O-I Glass oraz umożliwiają dalszy rozwój kariery w dziedzinie maszynowego uczenia. Moim aktualnym celem zawodowym jest kontynuacja rozwoju w domenie wizji komputerowej, choć nie wykluczam także wyzwań związanych z domeną przetwarzania języka naturalnego, czy uczenia przez wzmacnianie.