Berezsky, O. M.Liashchynskyi, P. B.Березький, О. М.Лящинський, П. Б.2025-11-272025-11-272024https://eir.zp.edu.ua/handle/123456789/25038EN: Context. The article examines the problem of automatic design of architectures of generative-adversarial networks. Generative-adversarial networks are used for image synthesis. This is especially true for the synthesis of biomedical images – cytological and histological, which are used to make a diagnosis in oncology. The synthesized images are used to train convolutional neural networks. Convolutional neural networks are currently among the most accurate classifiers of biomedical images. Objective. The aim of the work is to develop an automatic method for searching for architectures of generative-adversarial networks based on a genetic algorithm. Method. The developed method consists of the stage of searching for the architecture of the generator with a fixed discriminator and the stage of searching for the architecture of the discriminator with the best generator. At the first stage, a fixed discriminator architecture is defined and a generator is searched for. Accordingly, after the first step, the architecture of the best generator is obtained, i.e. the model with the lowest FID value. At the second stage, the best generator architecture was used and a search for the discriminator architecture was carried out. At each cycle of the optimization algorithm, a population of discriminators is created. After the second step, the architecture of the generative-adversarial network is obtained. Results. Cytological images of breast cancer on the Zenodo platform were used to conduct the experiments. As a result of the study, an automatic method for searching for architectures of generatively adversarial networks has been developed. On the basis of computer experiments, the architecture of a generative adversarial network for the synthesis of cytological images was obtained. The total time of the experiment was ~39.5 GPU hours. As a result, 16,000 images were synthesized (4000 for each class). To assess the quality of synthesized images, the FID metric was used.The results of the experiments showed that the developed architecture is the best. The network’s FID value is 3.39. This result is the best compared to well-known generative adversarial networks. Conclusions. The article develops a method for searching for architectures of generative-adversarial networks for the problems of synthesis of biomedical images. In addition, a software module for the synthesis of biomedical images has been developed, which can be used to train CNN. UK: Актуальність. У статті досліджено проблему автоматичного проектування архітектур генеративно-змагальних мереж. Генеративно-змагальні мережі використовуються для синтезу зображень. Особливо це актуально для синтезу біомедичних зображень –цитологічних і гістологічних, які використовуються для постановки діагнозу в онкології. Синтезовані зображення використовуються для навчання згорткових нейронних мереж. Згорткові нейронні мережі є одними із найточніших класифікаторів біомедичних зображень на сьогодні.. Мета роботи – це розробка автоматичного методу для пошуку архітектур генеративно-змагальних мереж на основі генетичного алгоритму. Метод. Розроблений метод складається з етапу пошуку архітектури генератора з фіксованим дискримінатором і етапу пошуку архітектури дискримінатора із найкращим генератором. На першому етапі визначається фіксована архітектура дискримінатора та здійснюється пошук генератора. Відповідно після першого кроку отримується архітектура найкращого генератора, тобто модель із найнижчим значенням FID. На другому етапі використано найкращу архітектуру генератора та проводено пошук аріхтектури дискримінатора. На кожному циклі алгоритму оптимізації створюється популяція дискримінаторів. Після другого кроку отримується аріхтектура генеративно-змагальної мережі. Результати. Для проведення експериментів використано цитологічні зображення раку молочної залози на платформі Zenodo. В результаті дослідження розроблено автоматичний метод пошуку архітектур генеративно змагальних мереж.В результаті комп’ютерних експериментів отримано архітектуру генеративно змагальної мережі для синтезу цитологічних зображень. Загальний час експерименту склав ~39.5 GPU годин. В результаті синтезовано 16 000 зображень (по 4000 на кожен клас). Для оцінки якості синтезованих зображень використано метрику FID . Результати експериментів показали, що розроблена архітектура є найкращою. Значення FID мережі становить 3.39. Цей результат є найкращим, порівняно з відомими генеративно-змагальними мережами. Висновки. У статті розроблено метод пошуку архітектур генеративно-змагальних мереж для задач синтезу біомедичних зображень. Крім цього розроблено програмний модуль для синтезу біомедичних зображень, який може бути використаний для навчання CNN.engenerative adversarial networkbiomedical imagescytological imagessearch for neural network architecturesгенеративно-змагальна мережабіомедичні зображенняцитологічні зображенняпошук архітектур нейронних мережArticle