إنشاء مجموعات بيانات اصطناعية للجروح باستخدام شبكات العدو المعادي التوليدية

للمرة الأولى ، يتم استخدام شبكة عدو معادي توليدية لإنشاء مجموعات بيانات اصطناعية للصور الجروح ، من أجل معالجة نقص حاسم في المحتوى المتنوع والقابل للوصول من هذا النوع في تطبيقات التعلم الآلي الصحية.

النظام ، الذي يسمى WG²AN ، هو تعاون بين كلية باتين للهندسة والتكنولوجيا وشركة إيكار للصحة ، التي تختص في تطبيق منهجيات التعلم الآلي لقياس وتحديد الجروح.

الشبكة العدو المعادي التوليدية مدربة على 100-4000 صورة جروح مزروعة ثلاثية الأبعاد تم توفيرها من قبل شركة إيكار ، بما في ذلك صور مجهولة المصدر لأنواع الإصابات الناجمة عن الضغط والجراحة والحوادث اللمفاوساسية والسكري وإصابات الحروق. تختلف المواد الأصلية في الحجم بين 1224×1224 إلى 2160×2160 ، جميعها التقطت تحت الضوء المتاح من قبل الأطباء.

为了适应 الفضاء الكامن المتاح فيสถาปطاعة تدريب النموذج ، تم تحجيم الصور إلى 512×512 ، وتم استخراجها من خلفياتها.为了 دراسة تأثير حجم المجموعة ، تم تنفيذ تشغيل الاختبار على مجموعات من 100 و 250 و 500 و 1000 و 2000 و 4000 صورة.

المصدر: https://ietresearch.onlinelibrary.wiley.com/doi/pdfdirect/10.1049/tje2.12033

الصورة أعلاه تظهر تفاصيل متزايدة وضخامة وفقًا لحجم المجموعة التدريبية ، وعدد الepochs التي تم تشغيلها في كل مرة.

هندسة WG2GAN. المصدر: https://ietresearch.onlinelibrary.wiley.com/doi/pdfdirect/10.1049/tje2.12033

WG²AN يعمل على PyTorch على جهاز مستهلك متواضع ، مع 8GB من VRAM على بطاقة رسومات GTX 1080. استغرق التدريب بين 4-58 ساعة على مدى حجم المجموعة من 100-4000 صورة ، وعلى مدى عدد من الepochs ، مع حجم.batch من 64 كتضحية بين الدقة والأداء. يتم استخدام Adam Optimizer للنصف الأول من التدريب بمعدل تعلم 0.0002 ، وتنتهي بمعدل تعلم خطي متزايد حتى يتم الوصول إلى خسارة صفر.

أعلى اليسار ، التجزئة المطبقة على منطقة الجروح. أعلى الوسط ، صورة الجروح الفعلية ؛ أعلى اليمين ، جروح اصطناعية من نوع يمكن تعميمه في مجموعة بيانات ، بناءً على المصدر الأصلي. أدناه ، الجروح الأصلية ، واليمين ، تركيبة الجروح التي تم إنشاؤها بواسطة WG2GAN.

في مجموعات البيانات الطبية ، كما هو الحال في العديد من مجالات التعلم الآلي الأخرى ، فإن التسمية هي عائق لا مفر منه. في هذه الحالة ، استخدم الباحثون نظام تسمية شبه آلي يعتمد على أبحاث سابقة من شركة إيكار ، والتي استخدمت نماذج حقيقية من الجروح ، تم إنشاؤها باستخدام عجينة اللعب وتم تلوينها لسياق سمантиكي.

نماذج جروح إيكار

لاحظ الباحثون مشكلة تطرح في المراحل الأولية من التدريب ، عندما تكون المجموعة البيانية متنوعة والوزنات عشوائية – يستغرق النموذج وقتًا طويلاً (75 epoch) للوصول إلى الاستقرار:

حيث تكون البيانات متنوعة ، يصعب على كل من نموذج GAN ونموذج التشفير / الفك التشفير الحصول على تعميم في المراحل الأولية ، كما هو موضح في الرسم البياني أعلاه لتدريب WG²GAN ، الذي يتبع جدول زمني التدريب من البداية إلى خسارة صفر.

يجب اتخاذ الحذر لضمان عدم اتخاذ عملية التدريب موقفًا من سمات أو خصائص أي تكرار أو epoch ، ولكنها تستمر في التعميم إلى متوسط خسارة قابل للاستخدام دون إنتاج نتائج تabstract المصدر بشكل مفرط. في حالة WG²GAN ، قد يخاطر بإنشاء جروح غير مقيدة ، غير حقيقية تمامًا ، متراكمة بين مجموعة واسعة من أنواع الجروح غير المرتبطة ، بدلاً من إنتاج مجموعة متنوعة من التباين داخل نوع جروح معين.

تحكم في النطاق في مجموعة بيانات التعلم الآلي

النماذج ذات مجموعات بيانات أخف ، تعمم بشكل أسرع ، ويزعم باحثو الورقة أن الصور الأكثر واقعية يمكن الحصول عليها بأقل من الإعدادات القصوى: مجموعة بيانات من 1000 صورة تم تدريبها على 200 epoch.

على الرغم من أن مجموعات البيانات الأصغر قد تحقق صورًا واقعية في وقت أقل ، فإن نطاق الصور وأنواع الجروح التي تم إنشاؤها سيكون محدودًا أيضًا. هناك توازن دقيق في أنظمة تدريب GAN ونموذج التشفير / الفك التشفير بين حجم البيانات وتنوعها ، ودقة الصور التي تم إنتاجها ، وواقعية الصور التي تم إنتاجها – قضايا النطاق والوزن التي ليست محصورة بالتوليد الاصطناعي للصور الطبية.

التوازنات الطبقية في مجموعات البيانات الطبية

بشكل عام ، التعلم الآلي الصحي مصاب بعدم وجود مجموعات بيانات ، ولكن أيضًا التوازنات الطبقية ، حيث يشكل البيانات الأساسية لمرض معين نسبة صغيرة جدًا من مجموعة البيانات المضيفة بحيث يخاطر بالرفض كبيانات مخطئة أو الاندماج في عملية التعميم خلال التدريب.

تم اقتراح عدد من الطرق لمعالجة هذه القضية ، مثل التحليل أو التوسيع. ومع ذلك ، غالبًا ما يتم تجاوز المشكلة من خلال تطوير مجموعات بيانات محددة للمرض الذي يرتبط بها ، والتي ترتبط تمامًا بقضية طبية واحدة. على الرغم من أن هذا النهج فعال في كل حالة على حدة ، إلا أنه يساهم في ثقافة التقسيم في مجال أبحاث التعلم الآلي الطبي ، ويزعم أنه يبطئ التقدم العام في هذا القطاع.