Generative Adversarial Networks in Cardiology - Centre Georges Francois Leclerc Accéder directement au contenu
Article Dans Une Revue Canadian Journal of Cardiology Année : 2022

Generative Adversarial Networks in Cardiology

Résumé

Generative adversarial networks (GANs) are state-of-the-art neural network models used to synthesise images and other data. GANs brought a considerable improvement to the quality of synthetic data, quickly becoming the standard for data-generation tasks. In this work, we summarise the applications of GANs in the field of cardiology, including generation of realistic cardiac images, electrocardiography signals, and synthetic electronic health records. The utility of GAN-generated data is discussed with respect to research, clinical care, and academia. And we present illustrative examples of our GAN-generated cardiac magnetic resonance and echocardiography images, showing the evolution in image quality across 6 different models, which have become almost indistinguishable from real images. Finally, we discuss future applications, such as modality translation or patient trajectory modelling. Moreover, we discuss the pending challenges that GANs need to overcome, namely, their training dynamics, the medical fidelity or the data regulations and ethics questions, to become integrated in cardiology workflows.
Les réseaux antagonistes génératifs (RAG) sont des modèles de réseaux neuronaux de pointe utilisés pour synthétiser des images et d’autres données. Les RAG ont permis d’améliorer considérablement la qualité des données synthétiques, devenant ainsi rapidement la norme en matière de génération de données. Dans cet article, nous résumons les applications des RAG dans le domaine de la cardiologie, notamment la génération d’images cardiaques, de signaux d’électrocardiographie et de dossiers médicaux électroniques synthétiques réalistes. Nous abordons l’utilité des données fournies par les RAG sous l’angle de la recherche, des soins cliniques et des travaux universitaires. Nous présentons également des exemples d’images de résonance magnétique cardiaque et d’échocardiographie que nous avons obtenues au moyen de RAG pour illustrer l’évolution de la qualité des images à partir de six modèles différents, devenus quasiment impossibles à distinguer des images réelles. Enfin, nous abordons les applications futures, dont le transfert de modalités ou la modélisation de l'évolution de l'état clinique des patients. Par ailleurs, nous nous penchons sur certains aspects problématiques – à savoir la dynamique d’apprentissage, la fidélité médicale ou les questions de réglementation des données et d’éthique – auxquels il convient de remédier pour permettre l’intégration des RAG dans la pratique courante en cardiologie.
Fichier principal
Vignette du fichier
S0828282X21008606.pdf (3.87 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03612001 , version 1 (22-07-2024)

Licence

Identifiants

Citer

Youssef Skandarani, Alain Lalande, Jonathan Afilalo, Pierre-Marc Jodoin. Generative Adversarial Networks in Cardiology. Canadian Journal of Cardiology, 2022, 38 (2), pp.196-203. ⟨10.1016/j.cjca.2021.11.003⟩. ⟨hal-03612001⟩
30 Consultations
0 Téléchargements

Altmetric

Partager

Gmail Mastodon Facebook X LinkedIn More