Criação de Conjuntos de Dados Sintéticos de Feridas com Redes Antagônicas Generativas

Pela primeira vez, uma Rede Antagônica Generativa está sendo usada para criar conjuntos de dados sintéticos de imagens de feridas, a fim de corrigir uma falta crítica de conteúdo diverso e acessível desse tipo em aplicações de aprendizado de máquina em saúde.

O sistema, chamado WG²AN, é uma colaboração entre a Faculdade de Engenharia e Tecnologia Batten e a empresa de saúde AI eKare, que se especializa em aplicar metodologias de aprendizado de máquina à medição e identificação de feridas.

A Rede Antagônica Generativa é treinada em 100-4000 imagens estereoscópicas de feridas crônicas rotuladas fornecidas pela eKare, incluindo fotos anonimizadas de tipos de lesões causadas por pressão, cirurgia, incidentes linfovasculares, diabetes e queimaduras. O material de origem variou em tamanho entre 1224×1224 e 2160×2160, todas tiradas sob luz disponível por médicos.

Para acomodar o espaço latente disponível na arquitetura de treinamento do modelo, as imagens foram redimensionadas para 512×512 e extraídas de seus fundos. Para estudar o efeito do tamanho do conjunto de dados, testes foram implementados em lotes de 100, 250, 500, 1000, 2000 e 4000 imagens.

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

A imagem acima mostra detalhes e granularidade crescentes de acordo com o tamanho do conjunto de treinamento e o número de épocas executadas em cada passo.

A arquitetura de WG2GAN. Fonte: https://ietresearch.onlinelibrary.wiley.com/doi/pdfdirect/10.1049/tje2.12033

WG²GAN é executado em PyTorch em um conjunto de consumidor relativamente leve, com 8GB de VRAM em uma GPU GTX 1080. O treinamento levou entre 4-58 horas ao longo da faixa de tamanhos de conjuntos de dados de 100-4000 imagens e ao longo de uma faixa de épocas, em um tamanho de lote de 64 como um compromisso entre precisão e desempenho. O otimizador Adam é usado para a primeira metade do treinamento com uma taxa de aprendizado de 0,0002 e concluído com uma taxa de aprendizado linear decrescente até que uma perda de zero seja alcançada.

Acima à esquerda, segmentação aplicada à área da ferida. Acima ao centro, imagem da ferida real; acima à direita, uma ferida sintética de um tipo que pode ser generalizado em um conjunto de dados, com base na fonte original. Abaixo, a ferida original e, à direita, uma síntese da ferida gerada pelo WG2GAN.

Em conjuntos de dados médicos, como em muitos outros setores de aprendizado de máquina, a rotulagem é um gargalo inevitável. Nesse caso, os pesquisadores usaram um sistema de rotulagem semi-automatizado que aproveita pesquisas anteriores da eKare, que empregaram modelos do mundo real de feridas, criados em Play-Doh e coloridos para contexto semântico.

Modelos de feridas da eKare

Os pesquisadores notaram um problema que ocorre frequentemente nas etapas iniciais de treinamento, quando um conjunto de dados é bastante diverso e os pesos são randomizados – o modelo leva muito tempo (75 épocas) para “se estabilizar”:

Onde os dados são variados, tanto os modelos de Rede Antagônica Generativa quanto os modelos codificador/decodificador lutam para obter generalização nas etapas iniciais, como podemos ver evidenciado no gráfico acima do treinamento do WG²GAN, que acompanha a linha do tempo do treinamento desde o início até a perda zero.

Cuidado deve ser tomado para garantir que o processo de treinamento não se fixe nas características ou recursos de qualquer iteração ou época, mas continue a generalizar para uma perda média utilizável sem produzir resultados que abstraiam excessivamente o material de origem. No caso do WG²GAN, isso arriscaria criar feridas “fictícias” ilimitadas, concatenadas entre uma ampla gama de tipos de feridas não relacionados, em vez de produzir uma faixa precisa de variações dentro de um tipo de ferida específico.

Controle de Escopo em um Conjunto de Dados de Aprendizado de Máquina

Modelos com conjuntos de treinamento mais leves generalizam mais rapidamente, e os pesquisadores do artigo defendem que as imagens mais realistas poderiam ser obtidas com menos do que as configurações máximas: um conjunto de dados de 1000 imagens treinado por 200 épocas.

Embora conjuntos de dados menores possam alcançar imagens altamente realistas em menos tempo, a faixa de imagens e tipos de feridas geradas será necessariamente mais limitada. Há um equilíbrio delicado nos regimes de treinamento de Rede Antagônica Generativa e codificador/decodificador entre o volume e a variedade dos dados de entrada, a fidelidade das imagens produzidas e a realidade das imagens produzidas — questões de escopo e ponderação que certamente não se limitam à síntese de imagens médicas.

Desequilíbrios de Classe em Conjuntos de Dados Médicos

Em geral, o aprendizado de máquina em saúde é afetado não apenas pela falta de conjuntos de dados, mas também por desequilíbrios de classe, onde dados essenciais sobre uma doença específica constituem uma porcentagem tão pequena do conjunto de dados que arriscam ser descartados como dados de outlier ou serem assimilados no processo de generalização durante o treinamento.

Um número de métodos foi proposto para abordar a questão, como sub-amostragem ou super-amostragem. No entanto, o problema é frequentemente contornado desenvolvendo conjuntos de dados específicos de doenças que são inteiramente vinculados a um único problema médico. Embora essa abordagem seja eficaz em um caso por caso, ela contribui para a cultura de balkanização na esfera da pesquisa de aprendizado de máquina em saúde, e argumenta-se que retarda o progresso geral no setor.