Synthetic Melanoma Image Generation and Evaluation Using Generative Adversarial Networks

1. Problématique

Le mélanome est la forme la plus létale de cancer de la peau, et sa détection précoce est cruciale pour améliorer le pronostic des patients. Bien que l'analyse automatisée des lésions cutanées par dermoscopie et apprentissage profond ait progressé, deux obstacles majeurs freinent son développement :

• La rareté des données annotées : L'accès à de grands ensembles de données de haute qualité, annotés par des experts, est limité.
• Le déséquilibre des classes : Dans les ensembles de données existants, les images de mélanomes sont considérablement sous-représentées par rapport aux lésions bénignes. Ce déséquilibre biaise les modèles d'apprentissage, réduisant leur capacité de généralisation et leur performance clinique.

Les méthodes d'augmentation de données géométriques traditionnelles (rotation, retournement) ne suffisent pas à capturer la variabilité intrinsèque des lésions. La génération de données synthétiques via des réseaux antagonistes génératifs (GAN) apparaît comme une solution prometteuse, mais les approches précédentes souffrent souvent d'une résolution insuffisante ou d'une évaluation clinique inadéquate.

2. Méthodologie

Cette étude présente la première évaluation systématique comparant quatre architectures de GAN pour la synthèse d'images de mélanome haute résolution (512 × 512 pixels).

Architectures comparées :

• DCGAN : Réseau antagoniste génératif à convolution profonde (architecture de base).
• StyleGAN2 : Architecture modulaire séparant le contenu et le style, permettant un contrôle précis.
• StyleGAN3-T : Variante axée sur l'équivariance de translation, privilégiant les textures réalistes.
• StyleGAN3-R : Variante axée sur l'équivariance de rotation et de translation, conçue pour minimiser les biais positionnels.

Protocole expérimental :

• Données : Entraînement sur deux ensembles de données de référence annotés par des experts : ISIC 2018 (1061 images de mélanome après nettoyage) et ISIC 2020 (7227 images de mélanome).
• Prétraitement : Redimensionnement à 512x512, filtrage bilatéral pour DCGAN, et stratégies d'augmentation spécifiques à l'architecture (flipping horizontal pour les StyleGAN).
• Optimisation des hyperparamètres : Une attention particulière a été portée au réglage du poids de régularisation R1 (γ), variant entre 0,8 et 10,0, pour stabiliser l'entraînement.
• Évaluation multidimensionnelle :
  1. Métriques distributionnelles : Fréchet Inception Distance (FID) pour la similarité globale.
  2. Métriques au niveau de l'échantillon : Fréchet Medoid Distance (FMD) pour évaluer la représentativité individuelle et détecter l'effondrement de mode (mode collapse).
  3. Inspection qualitative : Analyse visuelle par des dermatologues et vérification des critères dermoscopiques (checklist à 7 points).
  4. Validation en aval : Utilisation d'un classifieur EfficientNet-B6 « gelé » (pré-entraîné sur des données réelles) pour tester si les images synthétiques sont reconnues comme des mélanomes.
  5. Évaluation clinique : Jugement indépendant de deux dermatologues certifiés pour distinguer le réel du synthétique.

3. Contributions Clés

1. Benchmark systématique : Comparaison directe de quatre architectures GAN modernes dans un contexte spécifique au mélanome, sous des protocoles expérimentaux unifiés.
2. Optimisation spécifique au domaine : Identification du poids de régularisation R1 optimal (γ = 0,8) pour la synthèse de mélanomes, fournissant des directives pratiques pour la communauté.
3. Protocole d'évaluation holistique : Combinaison de métriques computationnelles, de validation par un classifieur externe robuste et d'une évaluation par des experts cliniques, comblant le fossé entre les métriques techniques et l'utilité clinique.

4. Résultats Principaux

Performance des Architectures :

• StyleGAN2 s'est avéré être le meilleur compromis global. Il a atteint les meilleurs scores FID (24,8 sur ISIC 2018 et 7,96 sur ISIC 2020 avec γ=0,8) tout en évitant les artefacts visuels.
• StyleGAN3-R a obtenu le meilleur score FID théorique (26,47) mais a généré des artefacts en forme de grille/mesh présents dans ~60 % des images, les rendant inadaptés à un usage médical.
• DCGAN et StyleGAN3-T ont montré des performances médiocres : DCGAN manquait de détails fins, tandis que StyleGAN3-T souffrait d'un effondrement de mode (manque de diversité morphologique) malgré un bon score FMD.

Reconnaissance et Utilité Clinique :

• Reconnaissance par IA : Un classifieur EfficientNet-B6 pré-entraîné a reconnu 83 % des images générées par StyleGAN2 comme étant des mélanomes, confirmant que les caractéristiques discriminantes de la maladie sont préservées.
• Évaluation par les dermatologues : Les deux experts ont distingué les images synthétiques des réelles avec une précision moyenne de 66,5 % (seulement légèrement supérieure au hasard de 50 %), avec un faible accord inter-évaluateur (κ = 0,17). Cela indique l'absence d'artefacts visuels systématiques détectables par l'œil humain.
• Amélioration de la détection : Dans une expérience d'augmentation contrôlée, l'ajout d'images synthétiques de mélanome a permis de rééquilibrer les classes d'entraînement. Cela a amélioré l'AUC (Area Under the Curve) de détection du mélanome de 0,925 à 0,945 sur un ensemble de test réel, prouvant l'utilité directe pour pallier le déséquilibre des données.

5. Signification et Conclusion

Cette étude démontre que les images synthétiques de mélanome générées par StyleGAN2 sont non seulement réalistes sur le plan visuel et statistique, mais qu'elles conservent également les caractéristiques diagnostiques essentielles requises pour l'entraînement de modèles d'IA.

L'apport principal réside dans la validation que ces données synthétiques peuvent être utilisées comme ressource complémentaire pour améliorer la robustesse et la généralisation des systèmes de dépistage automatisé, sans remplacer les données patient réelles. Cette approche offre une solution viable au problème critique du déséquilibre des classes en dermatologie, avec un potentiel d'extension à d'autres pathologies cutanées rares où les données annotées sont rares.