Breast Abnormality Classification in Resource-Constrained Settings Through GAN Generated Synthetic Mammography Patches

Sintesi Tecnica: Classificazione delle anomalie mammarie in contesti con risorse limitate attraverso la generazione di patch di mammografia sintetiche tramite GAN

Definizione del problema
Lo sviluppo di modelli di deep learning (DL) per l'imaging medico, specificamente per la diagnosi del tumore al seno tramite mammografia, è frequentemente ostacolato da due vincoli primari: la scarsità di dati e i limiti di risorse. I dataset relativi al tumore al mammella presentano spesso un grave squilibrio tra le classi, con i casi anormali che rappresentano circa lo 0,5% degli esami di screening, portando ad alti tassi di falsi positivi e falsi negativi quando i modelli vengono addestrati su dati inadeguati. Inoltre, la protezione delle informazioni identificabili del paziente (PII) limita il rilascio di grandi dataset pubblici, mentre il costo computazionale dell'addestramento di modelli generativi spesso supera le capacità degli ambienti con risorse limitate.

Metodologia
Questo studio propone una pipeline per generare patch di mammografia sintetica utilizzando una rete avversaria generativa (GAN) a basse risorse per addestrare classificatori binari per il rilevamento di anomalie. Il flusso di lavoro consiste in due fasi:

1. Generazione di immagini sintetiche (CUT-GAN):

   • Modello: Lo studio utilizza la Contrastive Unpaired Translation GAN (CUT-GAN), selezionata per il suo basso consumo di memoria GPU e la capacità di generare immagini di alta qualità.
   • Fonte dei dati: Il dataset Emory Breast Imaging (EMBED) ha fornito 3,4 milioni di immagini mammografiche. Le patch sono state estratte dalle coorti 1–8 per l'addestramento. Le patch positive (BI-RADS 0 con regioni di interesse annotate dai radiologi) sono state trasformate in patch anormali sintetiche, mentre le patch negative sono state prelevate da regioni non annotate o da immagini BI-RADS 1/2.
   • Pre-elaborazione: Per garantire la stabilità dell'addestramento, sono state filtrate le patch con basso numero di colori dei pixel (che indicano potenziali sfondi d'aria o patch vuote).
   • Ottimizzazione degli iperparametri: Il modello è stato addestrato utilizzando l'ottimizzatore ADAM con un tasso di apprendimento di 0,0002, una dimensione del batch di 8 e 400 epoche. Questa configurazione è stata determinata per prevenire il "fallimento dell'addestramento", che si manifestava come artefatti di rumore o patch vuote.
   • Post-elaborazione: Poiché la CUT-GAN genera immagini RGB mentre la mammografia è in scala di grigi, le immagini sintetiche sono state convertite in scala di grigi. Fondamentalmente, è stata applicata una regolazione del livello di finestra (window-level adjustment) per far corrispondere le distribuzioni di luminosità e contrasto delle immagini sintetiche alle patch di mammografia reali. Un t-test di Student ha confermato che le distribuzioni sintetiche regolate erano statisticamente indistinguibili dalle immagini reali (P-value > 0,05).

2. Addestramento e validazione del modello:

   • Classificatore: Sono state impiegate Reti Neurali Residue (ResNet50, ResNet101 e ResNet152) pre-addestrate su ImageNet.
   • Architettura: Sono stati aggiunti cinque strati addestrabili supplementari ai pesi pre-addestrati congelati. Lo strato di input elaborava patch di 256x256 pixel, utilizzando l'attivazione ReLU, l'average pooling e un output sigmoidale per la classificazione binaria.
   • Validazione: I modelli addestrati sul dataset sintetico sono stati validati rispetto a patch mammografiche reali provenienti dalle coorti 9 e 10 di EMBED (13.220 patch totali). Le prestazioni sono state valutate tramite bootstrapping su 500 iterazioni per stimare gli intervalli di confidenza al 95%.

Risultati chiave
Lo studio ha confrontato i modelli addestrati su dati sintetici con quelli addestrati su dati reali:

• Gap di prestazione: I modelli addestrati su patch mammografiche reali hanno dimostrato una prestazione complessiva superiore, raggiungendo un'Area Sotto la Curva (AUC) di circa 0,91–0,92. Al contrario, i modelli addestrati su patch sintetiche hanno ottenuto un'AUC inferiore, con ResNet152 che ha raggiunto lo 0,751 (0,742–0,759).
• Compromessi nelle metriche: I modelli addestrati su dati sintetici hanno mostrato un'accuratezza (0,61–0,67) e una precisione (0,44–0,50) significativamente inferiori rispetto ai modelli con dati reali. Tuttavia, hanno dimostrato una recall notevolmente più alta (0,80–0,81 per ResNet152), suggerendo una tendenza verso un'alta sensibilità ma una bassa specificità (maggiori tassi di falsi positivi).
• Efficienza delle risorse: Il modello CUT-GAN è stato addestrato con successo utilizzando solo 3 GB di memoria GPU (su un sistema con capacità totale di 24 GB), una riduzione significativa rispetto ad altri modelli generativi come i modelli di diffusione che spesso richiedono 24 GB o più.

Significato e rivendicazioni
Gli autori affermano che questa ricerca dimostra la fattibilità dell'uso di GAN a basse risorse per generare dati medici sintetici per l'addestramento di modelli DL. Lo studio evidenzia tre contributi principali:

1. Preservazione della privacy: Le patch sintetiche preservano le caratteristiche strutturali e testurali dei dati mammografici reali senza rivelare informazioni identificabili del paziente, offrendo un'alternativa sicura per la condivisione dei dati e l'addestramento dei modelli.
2. Mitigazione dello squilibrio delle classi: L'approccio fornisce un meccanismo per generare campioni sintetici per le classi sottorappresentate (casi anormali), affrontando la scarsità di dati inerente allo screening del tumore al seno.
3. Accessibilità: Utilizzando CUT-GAN, il metodo consente ai ricercatori con infrastrutture computazionali limitate di sfruttare l'aumento dei dati sintetici.

Il documento conclude che, sebbene i modelli addestrati su dati sintetici non eguaglino ancora l'accuratezza di quelli addestrati su dati reali, mostrano un potenziale come sostituti delle patch reali, specialmente in scenari in cui la privacy o i vincoli di risorse impediscono l'uso di ampi dataset del mondo reale. Gli autori sottolineano che sono necessarie ulteriori ricerche per ottimizzare le pipeline di generazione e migliorare la generalizzabilità di questi modelli attraverso diversi dataset.