Andersonの視点
合成傷害データセットの作成にジェネレーティブ・アドバーサリアル・ネットワークを使用する
Unite.AI を Google の優先ソースに追加
最初の試みとして、ジェネレーティブ・アドバーサリアル・ネットワークを使用して、傷害画像の合成データセットを作成し、ヘルスケアの機械学習アプリケーションでこの種のコンテンツの多様性とアクセシビリティの欠如を解決するために使用しています。
システム、WG2ANは、バッテン工学技術大学とAIヘルスケア会社eKareの共同プロジェクトであり、eKareは機械学習手法を傷害の測定と識別に適用する専門会社です。
GANは、eKareが提供する100-4000枚のラベル付きの立体視慢性傷害画像でトレーニングされています。画像には、圧力、手術、リンパ血管事故、糖尿病、火傷などによるさまざまな傷害タイプの匿名画像が含まれています。画像のサイズは1224×1224から2160×2160まで変化し、すべて医師によって利用可能な光で撮影されています。
モデルトレーニングアーキテクチャで利用可能な潜在的な空間を収容するために、画像は512×512にリサイズされ、背景から抽出されました。データセットのサイズの影響を調べるために、100、250、500、1000、2000、4000枚の画像のバッチでテストを実行しました。
出典：https://ietresearch.onlinelibrary.wiley.com/doi/pdfdirect/10.1049/tje2.12033
上の画像は、トレーニングセットのサイズとエポック数の増加に伴って、詳細性と粒度が増加することを示しています。
WG2GANのアーキテクチャ 出典：https://ietresearch.onlinelibrary.wiley.com/doi/pdfdirect/10.1049/tje2.12033
WG2GANは、PyTorchで動作し、8GBのVRAMを備えたGTX 1080 GPUを使用しています。トレーニング時間は、データセットサイズとエポック数の範囲で4-58時間でした。Adam Optimizerは、学習率0.0002で最初の半分のトレーニングで使用され、線形減衰学習率で損失0に達するまで続けられました。
上左、傷害領域へのセグメンテーション。上中央、実際の傷害画像。上右、元の画像に基づいて生成された合成傷害。下、元の傷害と、WG2GANによって生成された合成傷害。
医療データセットでは、ラベリングが避けられないボトルネックです。この場合、研究者は、eKareの以前の研究に基づいて、Play-Dohで作成されたリアルな傷害モデルを使用して、セマンティックコンテキストのために粗く色付けされた半自動ラベリングシステムを使用しました。
eKare傷害モデル
研究者は、トレーニングの初期段階で、データセットが非常に多様で、重みがランダム化されている場合に発生する問題を指摘しました。モデルは長時間（75エポック）かけて「落ち着く」ことがあります。
データが多様な場合、GANとエンコーダ/デコーダモデルの両方が、初期段階で汎化を得るのに苦労することがあります。上のグラフは、WG2GANのトレーニングを、開始からゼロ損失まで追跡しています。
トレーニングプロセスでは、特定のイテレーションまたはエポックの特徴や特性に固定されないように注意する必要があります。WG2GANの場合、ソース素材を過度に抽象化することなく、利用可能な平均損失に汎化し続ける必要があります。
マシンラーニング・データセットのスコープを制御する
軽量トレーニングセットを持つモデルはより迅速に汎化します。論文の研究者は、最もリアルな画像は最大設定以下で取得できる可能性があると主張しています。1000枚の画像データセットを200エポックでトレーニングすることです。
小さなデータセットでは、高度なリアリズムの画像を短時間で取得できるかもしれませんが、生成される画像の範囲と傷害タイプは必然的に限られます。GANとエンコーダ/デコーダのトレーニングでは、入力データの量、生成画像の忠実度、生成画像のリアリズム度とのバランスを取る必要があります。これは、医療画像合成に限定されない、スコープと重み付けの問題です。
医療データセットのクラス不均衡
一般的に、ヘルスケアのマシンラーニングは、データセットの欠如だけでなく、クラス不均衡にも悩まされています。特定の疾患に関するデータがホストデータセットの小さな割合を占めるため、外れ値データとして却下されたり、トレーニング中に汎化される危険性があります。
この問題に対処するために、サンプリングなどの方法が提案されています。ただし、問題は、単一の医療問題に完全にバインドされた疾患特有のデータセットを開発することで、頻繁に回避されます。アプローチは、各ケースで有効ですが、医療マシンラーニング研究のバルカニゼーションの文化に寄与し、セクター全体の進歩を遅らせる可能性があります。
