합성 상처 데이터셋을 생성하기 위한 적대적 생성 네트워크

합성 상처 데이터셋을 생성하기 위한 적대적 생성 네트워크(GAN)가 처음으로 사용되고 있습니다. 이는 의료 기계 학습 응용에서 다양한 유형의 상처 이미지에 대한 데이터셋이 부족한 문제를 해결하기 위한 시도입니다.
시스템은 WG2AN이라고 불리며, 배튼 공과 대학과 AI 헬스 회사 eKare의 협력입니다. eKare는 기계 학습 방법론을 적용하여 상처를 측정하고 식별하는 데 전문입니다.
GAN은 eKare가 제공한 100-4000개의 레이블이 지정된 스테레오스코픽 만성 상처 이미지에 대해 훈련됩니다. 이미지에는 압력, 수술, 림프혈관 사고, 당뇨병 및 화상과 같은 원인으로 인한 다양한 유형의 상처가 포함됩니다. 이미지 크기는 1224×1224에서 2160×2160까지 다양하며, 모든 이미지는 의사에 의해 उपलब한 빛 아래에서 촬영되었습니다.
모델 훈련 아키텍처에서 사용 가능한 잠재 공간을 수용하기 위해 이미지들은 512×512로 크기가 조정되었으며 배경에서 추출되었습니다. 데이터셋 크기에 대한 영향력을 연구하기 위해 100, 250, 500, 1000, 2000 및 4000개의 이미지로 구성된 배치에 대한 테스트가 수행되었습니다.
위의 이미지는 훈련 세트의 크기와 에포크 수에 따라 세부 사항과 세밀함이 증가하는 것을 보여줍니다.
WG2GAN 아키텍처는 다음과 같습니다.
WG2GAN은 PyTorch에서 상대적으로 가벼운 소비자 스타일의 설정에서 실행되며, GTX 1080 GPU에서 8GB의 VRAM을 사용합니다. 훈련 시간은 100-4000개의 이미지로 구성된 데이터셋과 에포크 수에 따라 4-58시간으로 다양했습니다. Adam Optimizer는 처음 절반의 훈련에서 0.0002의 학습률로 사용되며, 선형적으로 감소하는 학습률로 손실이 0이 될 때까지 훈련을 계속합니다.
위의 이미지는 실제 상처 이미지와 WG2GAN에 의해 생성된 합성 상처 이미지를 비교합니다.
의료 데이터셋에서 레이블링은 필수적인 병목 현상입니다. 이 경우 연구자들은 이전 연구에서 개발된 반자동 레이블링 시스템을 사용했습니다. 이 시스템은 실제 상처 모델을 사용하여 생성된 플레이도우와 대략적인 색상을 사용하여 의미적 contexto를 제공합니다.
연구자들은 초기 훈련 단계에서 발생하는 문제를 관찰했습니다. 즉, 데이터셋이 매우 다양하고 가중치가 무작위로 초기화되면 모델이 안정화되기까지 오랜 시간(75에포크)이 걸립니다.
다음 그래프는 WG2GAN의 훈련 과정을 보여줍니다.
다양한 데이터에서 GAN과 인코더/디코더 모델은 초기 단계에서 일반화를 얻는 데 어려움을 겪습니다. 위 그래프는 WG2GAN의 훈련 과정을 보여주며, 초기화에서 0 손실까지의 훈련 타임라인을 추적합니다.
훈련 과정에서 주의를 기울여야 합니다. 즉, 특정 반복이나 에포크의 특징이나 특성에 집착하지 않고, 사용 가능한 평균 손실 없이 소스 자료를 과도하게 추상화하지 않도록 일반화하는지 확인해야 합니다. WG2GAN의 경우, 이는 실제와 다소 다른, 관련이 없는 다양한 유형의 상처가 연결된, 제한되지 않은 상처를 생성할 위험이 있습니다.

기계 학습 데이터셋의 범위 제어

경량 훈련 세트를 사용하는 모델은 더 빠르게 일반화됩니다. 연구자들은 가장 현실적인 이미지를 얻을 수 있는 최적의 설정은 최대 설정보다 낮을 수 있다고 주장합니다. 즉, 1000개의 이미지로 구성된 데이터셋을 200에포크로 훈련하는 것입니다.
보다 작은 데이터셋은 더 적은 시간에 현실적인 이미지를 생성할 수 있지만, 생성되는 이미지의 범위와 유형은 더 제한적일 것입니다. GAN 및 인코더/디코더 훈련 체제에서 입력 데이터의 양과 다양성, 생성된 이미지의 신뢰도, 생성된 이미지의 현실성 사이에 미묘한 균형이 있습니다. 이러한 문제는 의료 이미지 합성에만 국한되지 않습니다.

의료 데이터셋의 클래스 불균형

일반적으로, 의료 기계 학습은 데이터셋의 부족뿐만 아니라 클래스 불균형으로 곤란합니다. 여기서 특정 질병에 대한 데이터는 전체 데이터셋에서 너무 작은 비율을 차지하여 아웃라이어 데이터로 간주되거나 훈련 과정에서 일반화되는 과정에서吸収될 위험이 있습니다.
클래스 불균형 문제를 해결하기 위한 여러 방법이 제안되었습니다. 예를 들어, 언더샘플링 또는 오버샘플링과 같은 기술이 있습니다. 그러나 이 문제는 종종 특정 의료 문제에만 국한된 질병별 데이터셋을 개발하여 회피됩니다. 이러한 접근 방식은 개별 사례에 효과적이지만, 의료 기계 학습 연구 분야에서 분열화 문화를 조장하며, 이 분야의 일반적인 진행을 느리게 할 수 있습니다.