Membuat Dataset Luka Sintetis dengan Jaringan Adversarial Generatif

Untuk pertama kalinya, sebuah Jaringan Adversarial Generatif digunakan untuk membuat dataset sintetis gambar luka, untuk mengatasi kekurangan konten yang beragam dan dapat diakses dalam aplikasi pembelajaran mesin kesehatan.

Sistem, yang disebut WG²AN, adalah kolaborasi antara Batten College of Engineering & Technology dan perusahaan kesehatan AI eKare, yang mengkhususkan diri dalam menerapkan metodologi pembelajaran mesin untuk pengukuran dan identifikasi luka.

Jaringan Adversarial Generatif dilatih pada 100-4000 gambar luka kronis stereoskopik yang dilabeli yang disediakan oleh eKare, termasuk gambar anonim dari jenis cedera seperti tekanan, operasi, insiden limfovaskular, diabetes, dan luka bakar. Bahan sumber bervariasi dalam ukuran antara 1224×1224 hingga 2160×2160, semua diambil di bawah cahaya yang tersedia oleh dokter.

Untuk menampung ruang laten yang tersedia dalam arsitektur pelatihan model, gambar-gambar tersebut diubah ukurannya menjadi 512×512, dan diekstrak dari latar belakangnya. Untuk mempelajari efek ukuran dataset, tes dijalankan pada batch 100, 250, 500, 1000, 2000, dan 4000 gambar.

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

Gambar di atas menunjukkan peningkatan detail dan granularitas sesuai dengan ukuran set pelatihan, dan jumlah epoch yang dijalankan pada setiap lulus.

Arsitektur WG2GAN. Sumber: https://ietresearch.onlinelibrary.wiley.com/doi/pdfdirect/10.1049/tje2.12033

WG²AN berjalan pada PyTorch pada konfigurasi konsumen yang relatif ramping, dengan 8GB VRAM pada GTX 1080 GPU. Pelatihan memakan waktu antara 4-58 jam selama rentang ukuran dataset dari 100-4000 gambar, dan selama rentang epoch, pada ukuran batch 64 sebagai trade-off antara akurasi dan kinerja. Optimizer Adam digunakan untuk setengah pertama pelatihan pada tingkat pembelajaran 0,0002, dan diakhiri dengan tingkat pembelajaran yang menurun secara linier hingga kerugian nol dicapai.

Atas kiri, segmentasi diterapkan pada area luka. Atas tengah, gambar luka sebenarnya; atas kanan, luka sintetis dari jenis yang dapat diterapkan dalam dataset, berdasarkan sumber asli. Bawah, luka asli, dan, kanan, sintesis luka yang dihasilkan oleh WG2GAN.

Dalam dataset medis, seperti banyak sektor lainnya dari pembelajaran mesin, pelabelan adalah bottleneck yang tidak terhindarkan. Dalam kasus ini, peneliti menggunakan sistem pelabelan semi-otomatis yang memanfaatkan penelitian sebelumnya dari eKare, yang menggunakan model dunia nyata dari luka, dibuat dengan Play-Doh dan diwarnai untuk konteks semantik.

Model luka eKare

Peneliti mencatat masalah yang sering terjadi pada tahap awal pelatihan, ketika dataset sangat beragam dan bobot acak – model membutuhkan waktu lama (75 epoch) untuk ‘menetap’:

Di mana data bervariasi, baik model Jaringan Adversarial Generatif maupun model encoder/decoder mengalami kesulitan untuk mendapatkan generalisasi pada tahap awal, seperti yang kita lihat dalam grafik pelatihan WG²GAN, yang melacak timeline pelatihan dari awal hingga kerugian nol.

Perlu diambil langkah-langkah untuk memastikan bahwa proses pelatihan tidak terfokus pada fitur atau karakteristik dari satu iterasi atau epoch, tetapi terus menggeneralisasi ke kerugian rata-rata yang dapat digunakan tanpa menghasilkan hasil yang terlalu abstrak dari bahan sumber. Dalam kasus WG²GAN, itu akan berisiko menciptakan luka yang tidak terikat, sepenuhnya ‘fiktif’, yang dikombinasikan dengan rentang luka yang tidak terkait, daripada menghasilkan rentang variasi yang akurat dalam jenis luka tertentu.

Mengontrol Ruang Lingkup Dalam Dataset Pembelajaran Mesin

Model dengan set pelatihan yang lebih ringan menggeneralisasi lebih cepat, dan peneliti dalam makalah ini berpendapat bahwa gambar yang paling realistis dapat diperoleh dengan pengaturan yang kurang dari maksimum: dataset 1000 gambar yang dilatih selama 200 epoch.

Meskipun dataset yang lebih kecil mungkin mencapai gambar yang sangat realistis dalam waktu yang lebih singkat, rentang gambar dan jenis luka yang dihasilkan akan secara alami lebih terbatas. Ada keseimbangan yang halus dalam pelatihan Jaringan Adversarial Generatif dan model encoder/decoder antara volume dan variasi data input, kesetiaan gambar yang dihasilkan, dan realisme gambar yang dihasilkan — masalah ruang lingkup dan bobot yang tidak terbatas pada sintesis gambar medis.

Keseimbangan Kelas Dalam Dataset Medis

Secara umum, pembelajaran mesin kesehatan dihadapkan tidak hanya pada kekurangan dataset, tetapi juga pada keseimbangan kelas, di mana data penting tentang penyakit tertentu merupakan persentase kecil dari dataset induknya sehingga berisiko diabaikan sebagai data outlier atau diintegrasikan dalam proses generalisasi selama pelatihan.

Banyak metode telah diajukan untuk menangani masalah tersebut, seperti undersampling atau oversampling. Namun, masalah tersebut sering kali dihindari dengan mengembangkan dataset spesifik penyakit yang sepenuhnya terikat pada satu masalah medis. Meskipun pendekatan ini efektif dalam kasus per kasus, itu berkontribusi pada budaya Balkanisasi dalam bidang penelitian pembelajaran mesin medis, dan secara argumentatif memperlambat kemajuan umum dalam sektor tersebut.