@InProceedings{2023_kebaili1179,
	author = "Aghiles Kebaili and Jérôme Lapuyade-Lahorgue and Pierre Vera and Su Ruan",
	title = "Synthèse d'images basée sur le VAE Hamiltonien discriminant pour la segmentation de tumeurs dans le cas de petites bases de données",
	booktitle = "29° Colloque sur le traitement du signal et des images",
	year = "2023",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "2023-1179",
	pages = "p. 449-452",
	month = "Aout # 6 - Sept # 9",
	address = "Grenoble",
	doi = "",
	pdf = "2023_kebaili1179.pdf",
	abstract = "Malgré l'utilisation croissante de l'apprentissage profond dans la segmentation d'images médicales, l'acquisition de grande base de données étiquetée reste un défi dans le domaine médical. En réponse à cela, des techniques d'augmentation de données ont été proposées. Cependant, générer des images médicales diverses et réalistes ainsi que leurs masques correspondants reste une tâche difficile lorsqu'on travaille avec des ensembles de données insuffisants. Pour résoudre ces limitations, nous présentons une nouvelle architecture basée sur l'auto-encodeur Hamiltonien (HVAE), qui offre une représentation d'espace latent plus expressive et une meilleure approximation de la distribution postérieure par rapport aux auto-encodeurs variationnels (VAE) vanilla. De plus, nous introduisons une régularisation discriminative pour améliorer davantage la qualité des images générées. Nous avons testé notre  méthode sur la base de données BRATS 2020. Les résultats ont démontré des améliorations en termes de diversité d'image et de qualité de représentation du masque tumoral par rapport aux VAEs et aux réseaux antagonistes génératifs par moindre carré (LSGAN) sur de petites bases de données..pdf",
}