Bewertung der Leistungsfähigkeit von StyleGAN2-ADA auf medizinischen Bildern

Obwohl generative adversariale Netzwerke (GANs) in der medizinischen Bildgebung vielversprechend erscheinen, sind sie durch vier wesentliche Einschränkungen eingeschränkt, die ihre Anwendbarkeit beeinträchtigen: hohe Rechenkosten, hohe Datenerfordernisse, fehlende zuverlässige Bewertungsmaße sowie komplexe Trainingsprozesse. In unserer Arbeit untersuchen wir diese Herausforderungen anhand einer innovativen Anwendung von StyleGAN2-ADA auf hochauflösende medizinische Bilddatensätze. Unser Datensatz besteht aus axialen Schnitten des Lebersystems aus kontrastmittelunbehandelten und kontrastverstärkten Computertomographie-(CT)-Scans. Zudem nutzen wir vier öffentlich verfügbare Datensätze, die unterschiedliche bildgebende Modalitäten umfassen. Wir trainieren ein StyleGAN2-Netzwerk mittels Transferlernen (von dem Flickr-Faces-HQ-Datensatz) und Datenverstärkung (horizontales Spiegeln sowie adaptive Diskriminatorenverstärkung). Die Generationsqualität des Netzwerks wird quantitativ anhand des Fréchet-Inception-Distanz (FID) und qualitativ anhand eines visuellen Turing-Tests bewertet, an dem sieben Radiologen und Strahlentherapeuten teilnahmen.Das StyleGAN2-ADA-Netzwerk erreichte auf unserem Leber-CT-Datensatz einen FID-Wert von 5,22 (± 0,17). Zudem setzte es neue Rekorde mit FID-Werten von 10,78 (SLIVER07), 3,52 (ChestX-ray14), 21,17 (ACDC) und 5,39 (Medical Segmentation Decathlon, Hirntumoren) auf den öffentlich verfügbaren Datensätzen. Im visuellen Turing-Test bewerteten die Kliniker die generierten Bilder zu 42 % als echt – ein Wert, der nahe an zufälliger Auswahl liegt. Eine ablationbasierte Analyse unserer Rechenressourcen zeigte, dass Transferlernen und Datenverstärkung das Training stabilisieren und die perceptuelle Qualität der generierten Bilder verbessern. Wir stellten zudem fest, dass der FID-Wert konsistent mit der menschlichen Wahrnehmung medizinischer Bilder korreliert. Schließlich ergab unsere Studie, dass StyleGAN2-ADA konsistent hochwertige Ergebnisse erzielt, ohne dass eine Hyperparameter-Suche oder erneutes Training erforderlich ist.