[论文解读] ProstateGAN: Mitigating Data Bias via Prostate Diffusion Imaging Synthesis with Generative Adversarial Networks

Xiaodan Hu, Audrey G. Chung+4 more|arXiv (Cornell University)|Nov 14, 2018

Generative Adversarial Networks and Image Synthesis参考文献 13被引用 19

一句话总结

ProstateGAN 是一种条件深度卷积生成对抗网络，通过基于 Gleason 评分的条件生成高质量、逼真的前列腺扩散磁共振成像图像，以减轻前列腺癌分类中的数据偏差。通过在生成器和判别器中引入类别标签，该模型生成具有癌症特异性特征（例如 Gleason ≥6 时的暗区）的合成图像，从而改善深度学习模型的训练数据平衡性和质量。

ABSTRACT

Generative Adversarial Networks (GANs) have shown considerable promise for mitigating the challenge of data scarcity when building machine learning-driven analysis algorithms. Specifically, a number of studies have shown that GAN-based image synthesis for data augmentation can aid in improving classification accuracy in a number of medical image analysis tasks, such as brain and liver image analysis. However, the efficacy of leveraging GANs for tackling prostate cancer analysis has not been previously explored. Motivated by this, in this study we introduce ProstateGAN, a GAN-based model for synthesizing realistic prostate diffusion imaging data. More specifically, in order to generate new diffusion imaging data corresponding to a particular cancer grade (Gleason score), we propose a conditional deep convolutional GAN architecture that takes Gleason scores into consideration during the training process. Experimental results show that high-quality synthetic prostate diffusion imaging data can be generated using the proposed ProstateGAN for specified Gleason scores.

研究动机与目标

• 为解决前列腺癌影像中数据稀缺和类别不平衡问题，特别是针对罕见或高分级病例。
• 开发一种生成模型，用于生成逼真、高保真的前列腺扩散磁共振成像图像，以实现数据增强。
• 以 Gleason 评分作为条件进行图像生成，确保生成的图像反映特定的癌症分级。
• 通过平衡和增强训练数据集，提升深度学习模型在前列腺癌分类中的性能。
• 证明基于 GAN 的生成方法能够有效生成临床相关的特征，例如高分级癌症图像中的异常暗区。

提出的方法

• 一种条件深度卷积生成对抗网络（ProstateGAN）结合了 DCGAN 和 CGAN 架构，用于根据 Gleason 评分生成图像。
• 生成器以随机噪声（z）和一个独热编码的 Gleason 评分（y）作为输入，使用转置卷积层将特征图上采样至 32×32 的合成图像。
• 判别器通过使用步长大于 1 的卷积层和批量归一化，评估真实图像与合成图像，且同样基于相同的 Gleason 评分进行条件判断。
• 生成器通过最小化对抗损失进行训练，而判别器则通过区分真实图像与伪造图像进行训练，两者均采用铰链损失函数。
• 判别器的条件损失定义为：$\mathcal{L}_{D}^{conditional} = -\frac{1}{2}\mathbb{E}_{z\sim p_{z}}[1-\log(D(G(z|y)))] - \frac{1}{2}\mathbb{E}_{x\sim p_{x}}[\log(D(x|y))]$。
• 数据预处理包括旋转、归一化和翻转；训练使用 Adam 优化器，学习率为 0.0002，β₁ = 0.5。

实验结果

研究问题

• RQ1 条件 GAN 是否能有效生成基于 Gleason 评分的逼真前列腺扩散磁共振成像图像？
• RQ2 生成的合成图像是否能保留如高分级前列腺癌中典型的暗区等关键病理特征？
• RQ3 使用条件 GAN 是否能改善训练数据集的类别平衡性并减轻前列腺癌分类中的偏差？
• RQ4 在不同 Gleason 评分等级下，合成图像的视觉质量和结构保真度与真实扩散磁共振扫描相比如何？
• RQ5 尽管使用了步长为 2 的转置卷积核，生成器是否仍能学习生成一致且无伪影的图像？

主要发现

• 生成器损失在 100 个训练周期后收敛至 1 到 2 之间，判别器损失收敛至约 1，表明训练过程稳定。
• ProstateGAN 生成的合成图像在结构和边界特征上与真实前列腺扩散磁共振成像扫描具有高度相似性，尤其在具有癌变特征的区域。
• 该模型成功生成了与 Gleason 评分 ≥6 对应的异常暗区，与真实高分级癌变病例的关键特征一致。
• 训练过程中的视觉演变显示，初始的网格状伪影随时间逐渐消失，表明生成器泛化能力得到提升。
• 条件架构确保了在相同噪声输入下，跨训练周期的图像生成具有一致性，且 Gleason 评分条件保持稳定。
• 该模型展示了生成多样化、逼真外观的前列腺扩散磁共振图像的能力，能够准确反映特定癌变分级的解剖与病理特征。