[论文解读] Adversarial Augmentation for Enhancing Classification of Mammography Images

Lukáš Jendele, Ondrej Skopek+2 more|arXiv (Cornell University)|Feb 20, 2019

AI in cancer detection被引用 5

一句话总结

本文提出使用CycleGAN进行对抗性数据增强，以提升乳腺X线摄影图像二分类在乳腺癌检测中的性能。通过生成逼真的合成癌变或健康特征，该方法增强了训练数据的多样性与平衡性，从而在数据量有限且类别不平衡的数据集上提升了分类器性能。

ABSTRACT

Supervised deep learning relies on the assumption that enough training data is available, which presents a problem for its application to several fields, like medical imaging. On the example of a binary image classification task (breast cancer recognition), we show that pretraining a generative model for meaningful image augmentation helps enhance the performance of the resulting classifier. By augmenting the data, performance on downstream classification tasks could be improved even with a relatively small training set. We show that this "adversarial augmentation" yields promising results compared to classical image augmentation on the example of breast cancer classification.

研究动机与目标

• 解决医学影像中数据稀缺与类别不平衡的问题，特别是在阳性（癌变）病例稀少的乳腺X线摄影中。
• 通过生成逼真但合成的图像变化，克服临床数据集中有限、嘈杂且有偏见的训练数据挑战。
• 通过生成式数据增强提升深度学习分类器在小样本、类别不平衡的乳腺X线摄影数据集上的性能。
• 证明使用CycleGAN的对抗性增强在医学图像分类中优于传统数据增强技术。
• 提供实证验证，表明生成模型可通过学习类别特定的图像变换，对医学图像数据集产生有意义的增强。

提出的方法

• 训练CycleGAN模型，实现健康与癌变乳腺X线摄影图像之间的无配对图像到图像翻译，支持双向转换。
• 使用两组生成器-判别器：一组将健康图像映射为癌变图像，另一组将癌变图像映射为健康图像，并通过循环一致性损失保持结构完整性。
• 应用训练好的GAN生成模仿真实癌变或健康特征的合成图像，从而扩充训练集。
• 在增强后的数据集上微调Faster R-CNN分类器，结合真实图像与GAN生成的图像以提升检测性能。
• 使用标准指标（如ROC AUC和F1分数）在来自不同患者群体的保留测试集上评估分类器性能。
• 将基于GAN增强数据训练的分类器性能与基于真实数据和传统技术（如旋转、翻转）增强数据训练的分类器进行比较。

实验结果

研究问题

• RQ1 使用CycleGAN进行对抗性数据增强是否能提升在小样本、类别不平衡的乳腺X线摄影数据集上深度学习分类器的性能？
• RQ2 与传统数据增强相比，GAN生成的数据是否能帮助分类器更好地泛化到未见的患者群体？
• RQ3 当分类器在训练过程中接触GAN生成图像时，其鲁棒性如何？它是否学会区分真实与合成数据？
• RQ4 在嘈杂、现实世界医学影像环境中，GAN生成图像的质量与逼真度在下游分类性能方面产生何种影响？
• RQ5 生成模型是否能在无配对训练数据的情况下，学习到有意义的、类别特定的乳腺影像特征表示？

主要发现

• 基于GAN增强的分类器在INbreast测试集上实现了82.04% ± 0.57的平均ROC AUC，相较于基线方法有适度但可测量的提升。
• GAN增强模型的F1分数达到63.81% ± 2.04，表明在数据不平衡的情况下，测试集上的检测性能有所改善。
• 在原始数据集上，分类器性能已较强（ROC AUC: 79.05% ± 1.94），而GAN增强未显著降低性能，表明对合成数据具有鲁棒性。
• 当使用同一GAN进行增强时，分类器对GAN生成图像的欺骗性更低，表明泛化能力提升且过拟合减少。
• 尽管结果具有前景，但整体提升并不确定，可能由于训练数据中的噪声或GAN输出中的伪影导致结果方差较高。
• 本研究证实，使用CycleGAN的对抗性增强是医学图像分类的可行方法，尤其在真实数据稀缺时，但需进一步优化以实现一致的性能增益。