GAN-BASED MEDICAL IMAGE GENERATION FOR RARE PATHOLOGIES USING TRANSFER LEARNING AND RADIMAGENET WEIGHTS

Аңдатпа

Медициналық бейнелеуге жасанды интеллектіні енгізу диагностикалық деректер жиынтықтарындағы ұзақ уақыт бойы шешілмей келе жатқан сынып теңсіздігі мәселесін шешуге жаңа мүмкіндіктер ашты. Әсіресе, қатерлі ісіктердің үлгілері жеткіліксіз ұсынылған маммография саласында бұл өзекті. Бұл жұмыс сирек кездесетін патологиялық сыныптардың жоғары дәлдікті синтетикалық маммография бейнелерін генерациялауға арнайы жасалған GAN-негізделген құрылымды ұсынады, соның арқасында диагностикалық модельдерді оқыту мен жалпылауды жақсарту үшін деректердің қолжетімділігі артады. Ұсынылған әдіс екі тармақты дискриминатор жүйесінен тұрады, оның бір тармағы RadImageNet деректер жиынтығында алдын ала үйретілген DenseNet121 желісін қолдана отырып, доменге қатысты ерекшеліктерді бөліп алады. Барлық құрылым бойынша Wasserstein GAN Gradient Penalty (WGAN-GP) әдісі қолданылады, ол қарсылас оқытуды тұрақты жүргізуді қамтамасыз етеді және «mode collapse» сияқты мәселелердің алдын алады. Барлық тәжірибелер CBIS-DDSM деректер жиынтығында жүргізілді, бейнелер стандартталған өлшемдерге дейін алдын ала өңделді және жалпылауды күшейту үшін деректер аугментациясы әдістеріне ұшыратылды. Синтетикалық бейнелердің шынайылығы мен алуан түрлілігі Kernel Inception Distance (KID), Fréchet Inception Distance (FID), Learned Perceptual Image Patch Similarity (LPIPS) және Multi-Scale Structural Similarity (MS-SSIM) сияқты сандық өлшемдер арқылы бағаланды. Нәтижелер шынайылық пен әртүрліліктің оңтайлы тепе-теңдігі градиенттік айыппұлдың λ = 3.0 мәнінде жүзеге асқанын және көптеген өлшемдер бойынша ең жақсы көрсеткіш бергенін растады, мұнда KID 0.1765-ке, ал FID 179.35-ке жетті. Бұл нәтижелер радиологияға бағытталған алдын ала үйретілген модельдерді GAN құрылымдарына енгізудің құндылығын көрсетеді және градиенттік айыппұл мәндерін реттеу синтетикалық медициналық бейнелеуде шынайылық пен әртүрлілік арасындағы тепе-теңдікті табуға мүмкіндік беретінін айқындайды.