สร้างชุดข้อมูลสังเคราะห์ของบาดแผลด้วยเครือข่าย Generative Adversarial

เป็นครั้งแรกที่เครือข่าย Generative Adversarial ถูกนำมาใช้ในการสร้างชุดข้อมูลสังเคราะห์ของภาพบาดแผล เพื่อแก้ไขปัญหาการขาดแคลนเนื้อหาที่หลากหลายและเข้าถึงได้ในแอปพลิเคชันการเรียนรู้ของเครื่องในด้านการดูแลสุขภาพ

ระบบที่เรียกว่า WG²AN เป็นการร่วมมือกันระหว่าง Batten College of Engineering & Technology และบริษัท AI สุขภาพ eKare ซึ่งมีความเชี่ยวชาญในการนำวิธีการเรียนรู้ของเครื่องมาใช้ในการวัดและระบุบาดแผล

เครือข่าย Generative Adversarial ถูกฝึกอบรมด้วยภาพบาดแผลที่มีฉลาก 100-4000 ภาพที่จัดเตรียมโดย eKare รวมถึงภาพที่ไม่มีรายละเอียดของบาดแผลจากสาเหตุ เช่น ความดัน การผ่าตัด อุบัติเหตุทางหลอดเลือด หัวใจและหลอดเลือด และการเผาไหม้ ภาพที่ใช้ในการฝึกอบรมมีขนาดตั้งแต่ 1224×1224 ถึง 2160×2160 ทั้งหมดถ่ายภายใต้แสงธรรมชาติโดยแพทย์

เพื่อให้เหมาะสมกับพื้นที่ 潛伏 ในสถาปัตยกรรมการฝึกอบรม ภาพถูกปรับขนาดให้ 512×512 และถูกถอดออกจากพื้นหลัง เพื่อศึกษาการส่งผลของขนาดชุดข้อมูล การทดสอบถูกดำเนินการใน批ที่มีขนาด 100, 250, 500, 1000, 2000 และ 4000 ภาพ

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

ภาพด้านบนแสดงรายละเอียดและความละเอียดที่เพิ่มขึ้นตามขนาดของชุดข้อมูลฝึกอบรม และจำนวน epoch ที่ใช้ในการฝึกอบรม

The architecture of WG2GAN. Source: https://ietresearch.onlinelibrary.wiley.com/doi/pdfdirect/10.1049/tje2.12033

WG²GAN ใช้งานบน PyTorch บนระบบที่มี VRAM 8GB บน GPU GTX 1080 การฝึกอบรมใช้เวลาประมาณ 4-58 ชั่วโมงตามขนาดชุดข้อมูลและจำนวน epoch ที่ใช้ในการฝึกอบรม

Above left, segmentation applied to the wound area. Above center, image of the actual wound; above right, a synthetic wound of a type that can be generalized in a dataset, based on the original source. Below, the original wound, and, right, a synthesis of the wound generated by WG2GAN.

ในด้านการดูแลสุขภาพ การเรียนรู้ของเครื่องมักจะถูกขัดขวางโดยปัญหาการขาดแคลนชุดข้อมูลและปัญหาการจัดฉลาก

eKare Wound models

นักวิจัยพบว่าปัญหาหนึ่งที่เกิดขึ้นบ่อยในขั้นตอนการฝึกอบรมคือเมื่อชุดข้อมูลมีความหลากหลายและน้ำหนักถูกสุ่ม – โมเดลใช้เวลานานในการ “ตั้งหลัก”:

เมื่อชุดข้อมูลมีความหลากหลาย โมเดล GAN และ encoder/decoder มักจะพบปัญหาในการสร้างแบบจำลองทั่วไปในขั้นตอนการฝึกอบรม

การควบคุมขอบเขตในด้านการเรียนรู้ของเครื่อง

โมเดลที่มีชุดข้อมูลฝึกอบรมที่เบาลงสามารถสร้างแบบจำลองทั่วไปได้เร็วขึ้น และนักวิจัยในบทความนี้แย้งว่าภาพที่สมจริงที่สุดสามารถได้รับจากการฝึกอบรมด้วยชุดข้อมูลขนาด 1000 ภาพที่ฝึกอบรมเป็นเวลา 200 epoch

ความไม่สมดุลของชั้นเรียนในด้านการดูแลสุขภาพ

โดยทั่วไป การเรียนรู้ของเครื่องในด้านการดูแลสุขภาพมักจะพบปัญหาไม่เพียงแต่การขาดแคลนชุดข้อมูล แต่ยังรวมถึงความไม่สมดุลของชั้นเรียน ซึ่งหมายถึงข้อมูลที่จำเป็นสำหรับการวินิจฉัยโรคหนึ่งๆ อาจมีเพียงเศษเสี้ยวของชุดข้อมูลทั้งหมด

WG2GAN เป็นระบบที่สามารถสร้างชุดข้อมูลสังเคราะห์ของภาพบาดแผลได้ ซึ่งสามารถช่วยให้การเรียนรู้ของเครื่องในด้านการดูแลสุขภาพมีประสิทธิภาพมากขึ้น อย่างไรก็ตาม ระบบนี้ยังต้องเผชิญกับปัญหาหลายประการ เช่น การขาดแคลนชุดข้อมูลและความไม่สมดุลของชั้นเรียน