Tiramisu med klass, en anpassning av Tiramisunätverket för användning ihop med data utan etiketter

Radiotherapy of tumours depends on manually drawn maps of the tumours’ spread. A neural network for segmentation could possibly increase performance, reduce the risk for human related errors and segment faster than a human. To train a neural network a common approach is to only train on data where the manually drawn map is present. This thesis proposes a novel method to make use of data that hasn’t been manually labelled, in addition to data that has been labelled. The method consists of an adversarial training scheme and introduces one hyperparameter. The experiments show that with appropriate tuning of the hyperparameter the training scheme produce an increase in performance on average by making use of unlabelled data.Strålningsbehandling av tumörer kräver kartor där läkare för handmarkerat tumörernas utbredning. Genom att låta ett neuralt nätverk utföra läkarens jobb skulle man kunna uppnå högre precision, minsk arisken för mänskliga fel och generera kartorna snabbare. När man tränar ett neuralt nätverk utgår man traditionellt sett endast från data där det finns en korresponderande karta att tillgå. Den här uppsatsen föreslår en ny metod för att dra nytta av data där det inte finns kartor. Metoden bygger på ett träningsschema där två nätverk tävlar motvarandra och introducerar en hyperparameter. Experimenten visar att med rätt hyperparameter ökar precisionen i snitt då den omärkta datan tillförs