Anderson का एंगल
सिंथेटिक वाउंड डेटासेट के साथ जेनरेटिव एडवर्सेरियल नेटवर्क का उपयोग
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
पहली बार, एक जेनरेटिव एडवर्सेरियल नेटवर्क का उपयोग सिंथेटिक वाउंड इमेजरी के डेटासेट बनाने के लिए किया जा रहा है, ताकि स्वास्थ्य सेवा मशीन लर्निंग अनुप्रयोगों में इस प्रकार की विविध और सुलभ सामग्री की महत्वपूर्ण कमी को दूर किया जा सके।
सिस्टम, जिसे WG 2 AN कहा जाता है, बैटेन कॉलेज ऑफ इंजीनियरिंग और टेक्नोलॉजी और एआई हेल्थ कंपनी ईकेयर के बीच एक सहयोग है, जो घावों के माप और पहचान के लिए मशीन लर्निंग पद्धतियों को लागू करने में माहिर है।
जेनरेटिव एडवर्सेरियल नेटवर्क को ईकेयर द्वारा प्रदान की गई 100-4000 लेबल वाली स्टीरियोस्कोपिक क्रोनिक वाउंड इमेजेस पर प्रशिक्षित किया जाता है, जिसमें दबाव, सर्जरी, लिम्फोवास्कुलर घटनाएं, मधुमेह और जलने के कारण होने वाले चोट के प्रकारों की गुमनाम तस्वीरें शामिल हैं। स्रोत सामग्री का आकार 1224×1224 से 2160×2160 के बीच भिन्न था, सभी चिकित्सकों द्वारा उपलब्ध प्रकाश में ली गई थीं।
मॉडल प्रशिक्षण आर्किटेक्चर में उपलब्ध लेटेंट स्पेस को समायोजित करने के लिए, छवियों को 512×512 तक रीस्केल किया गया था, और उनकी पृष्ठभूमि से निकाला गया था। डेटासेट के आकार के प्रभाव का अध्ययन करने के लिए, 100, 250, 500, 1000, 2000 और 4000 छवियों के बैच पर परीक्षण रन किए गए थे।
स्रोत: https://ietresearch.onlinelibrary.wiley.com/doi/pdfdirect/10.1049/tje2.12033
ऊपर दी गई छवि प्रशिक्षण सेट के आकार और प्रत्येक पास पर चलाए गए एपोक्स की संख्या के अनुसार विवरण और अनुकूलता में वृद्धि दिखाती है।
WG2GAN की वास्तुकला। स्रोत: https://ietresearch.onlinelibrary.wiley.com/doi/pdfdirect/10.1049/tje2.12033
WG 2 AN पाइटोर्च पर एक अपेक्षाकृत पतले उपभोक्ता-शैली के सेटअप पर चलता है, जिसमें 8GB का वीआरएएम और जीटीएक्स 1080 जीपीयू पर है। प्रशिक्षण ने 100-4000 छवियों के डेटासेट आकार और एपोक्स के साथ 4-58 घंटे के बीच लिया, और 64 के बैच आकार पर एक ट्रेड-ऑफ के रूप में सटीकता और प्रदर्शन के बीच। एडम ऑप्टिमाइज़र का उपयोग प्रशिक्षण के पहले आधे हिस्से में 0.0002 की लर्निंग दर पर किया जाता है, और एक लीनियर डिकेज़िंग लर्निंग दर के साथ समाप्त होता है जब तक कि शून्य नुकसान हासिल नहीं हो जाता।
ऊपर बाएं, घाव क्षेत्र पर सेगमेंटेशन लागू किया गया है; ऊपर मध्य, वास्तविक घाव की छवि; ऊपर दाएं, मूल स्रोत पर आधारित एक सिंथेटिक घाव का एक प्रकार जो एक डेटासेट में सामान्यीकृत किया जा सकता है। नीचे, मूल घाव, और दाएं, WG2GAN द्वारा उत्पन्न घाव का संश्लेषण।
चिकित्सा डेटासेट में, जैसे कि मशीन लर्निंग के कई अन्य क्षेत्रों में, लेबलिंग एक अपरिहार्य बोतलनेक है। इस मामले में, शोधकर्ताओं ने एक सेमी-ऑटोमेटेड लेबलिंग सिस्टम का उपयोग किया जो ईकेयर के पूर्व शोध का लाभ उठाता है, जिसमें प्ले-डोह में बनाए गए वास्तविक दुनिया के घाव मॉडल का उपयोग किया गया था और सेमेंटिक संदर्भ के लिए लगभग रंगीन किया गया था।
ईकेयर घाव मॉडल
शोधकर्ताओं ने एक समस्या की ओर इशारा किया जो अक्सर प्रशिक्षण के प्रारंभिक चरणों में होती है, जब डेटासेट बहुत विविध होता है और वजन यादृच्छिक होते हैं – मॉडल को ‘शांत’ होने में लंबा समय (75 एपोक्स) लगता है:
जहां डेटा विविध है, जेनरेटिव एडवर्सेरियल नेटवर्क और एनकोडर/डिकोडर मॉडल दोनों ही प्रारंभिक चरणों में सामान्यीकरण प्राप्त करने के लिए संघर्ष करते हैं, जैसा कि हम ऊपर दी गई WG 2 AN के प्रशिक्षण के ग्राफ में देख सकते हैं, जो प्रशिक्षण की समयरेखा को शुरू से शून्य नुकसान तक ट्रैक करता है।
प्रशिक्षण प्रक्रिया को सुनिश्चित करने के लिए सावधानी बरतनी चाहिए कि यह किसी एक पुनरावृत्ति या युग की विशेषताओं पर ध्यान केंद्रित नहीं करता है, बल्कि एक उपयोगी माध्य हानि के बिना सामान्यीकरण जारी रखता है जो स्रोत सामग्री को अत्यधिक अमूर्त बनाता है। WG 2 AN के मामले में, यह जोखिम है कि यह पूरी तरह से ‘काल्पनिक’ घावों का निर्माण करेगा, जो असंबंधित घाव प्रकारों के बीच बहुत व्यापक श्रृंखला में जुड़े हुए हैं, बल्कि एक विशिष्ट घाव प्रकार के भीतर विविधताओं की एक सटीक श्रृंखला का उत्पादन नहीं करता है।
एक मशीन लर्निंग डेटासेट में स्कोप को नियंत्रित करना
हल्के प्रशिक्षण सेट वाले मॉडल तेजी से सामान्यीकरण करते हैं, और शोधकर्ताओं का तर्क है कि सबसे वास्तविक छवियां अधिकतम सेटिंग्स से कम पर प्राप्त की जा सकती हैं: 200 एपोक्स पर 1000 छवियों का डेटासेट प्रशिक्षित किया जाता है।
हालांकि छोटे डेटासेट कम समय में अत्यधिक वास्तविक छवियां प्राप्त कर सकते हैं, उत्पन्न की गई छवियों और घाव प्रकारों की श्रृंखला आवश्यक रूप से सीमित होगी। जेनरेटिव एडवर्सेरियल नेटवर्क और एनकोडर/डिकोडर प्रशिक्षण शासनों में एक नाजुक संतुलन है – इनपुट डेटा की मात्रा और विविधता, उत्पन्न छवियों की विश्वसनीयता, और उत्पन्न छवियों की वास्तविकता के बीच – जो मुद्दे निश्चित रूप से चिकित्सा छवि संश्लेषण तक ही सीमित नहीं हैं।
चिकित्सा डेटासेट में कक्षा असंतुलन
आम तौर पर, स्वास्थ्य सेवा मशीन लर्निंग न केवल डेटासेट की कमी से ग्रस्त है, बल्कि कक्षा असंतुलन से भी, जहां एक विशिष्ट बीमारी पर महत्वपूर्ण डेटा अपने होस्ट डेटासेट का इतना छोटा सा प्रतिशत बनाता है कि यह या तो आउटलियर डेटा के रूप में खारिज किया जा सकता है या प्रशिक्षण के दौरान सामान्यीकरण की प्रक्रिया में आत्मसात हो सकता है।
इस मुद्दे को解决 करने के लिए कई तरीके प्रस्तावित किए गए हैं, जैसे कि अंडर-सैंपलिंग या ओवर-सैंपलिंग । हालांकि, समस्या को अक्सर एकल चिकित्सा समस्या से जुड़े रोग-विशिष्ट डेटासेट विकसित करके परिहार किया जाता है। हालांकि यह दृष्टिकोण प्रति मामले के आधार पर प्रभावी है, यह चिकित्सा मशीन लर्निंग अनुसंधान के क्षेत्र में बाल्कनीकरण की संस्कृति में योगदान देता है, और तर्कसंगत रूप से क्षेत्र में सामान्य प्रगति को धीमा करता है।
