Federated Breast Cancer Detection Enhanced by Synthetic Ultrasound Image Augmentation

1. Problema e Motivação

O câncer de mama é uma das principais causas de morte entre mulheres, e o aprendizado profundo tem demonstrado sucesso na classificação de imagens de ultrassom mamário. No entanto, treinar modelos robustos e generalizáveis exige grandes conjuntos de dados diversificados, o que é dificultado por regulamentações de privacidade e restrições de compartilhamento de dados entre instituições médicas.

O Aprendizado Federado (Federated Learning - FL) surge como uma solução para treinar modelos colaborativamente sem compartilhar dados brutos de pacientes. Contudo, o FL enfrenta desafios significativos:

• Dados Não-IID (Não Independentes e Identicamente Distribuídos): A distribuição de dados entre os clientes (hospitais) é heterogênea.
• Escassez de Dados: Muitos centros têm poucos casos, especialmente de lesões malignas, levando a desequilíbrio de classes.
• Generalização Pobre: Modelos treinados em dados limitados tendem a ter baixa performance em cenários externos.

O objetivo deste trabalho é superar essas limitações utilizando aumentação de dados baseada em modelos generativos (imagens sintéticas) dentro de um cenário de aprendizado federado, melhorando a diversidade dos dados de treinamento sem comprometer a privacidade.

2. Metodologia

Os autores propõem um framework onde imagens sintéticas de ultrassom mamário são geradas centralmente e compartilhadas entre os clientes para enriquecer seus conjuntos de dados locais.

A. Geração de Imagens Sintéticas

Dois tipos de modelos generativos foram utilizados e comparados:

1. DCGANs (Deep Convolutional Generative Adversarial Networks):
   • Foram treinados dois modelos separados (um para lesões benignas e outro para malignas).
   • A arquitetura utiliza camadas de convolução transposta no gerador e convolução no discriminador.
   • As imagens geradas têm resolução de 128x128, que são posteriormente upsampled para 224x224.
2. DDPM (Denoising Diffusion Probabilistic Model) Condicionado à Classe:
   • Um único modelo treinado com condicionamento de classe (benigno vs. maligno) usando classifier-free guidance.
   • O processo modela a geração como um processo gradual de remoção de ruído.
   • Gera imagens de 256x256, que são downsampled para 224x224.
   • Nota: Embora os DDPMs sejam computacionalmente mais intensivos, eles oferecem maior diversidade e estabilidade em comparação aos GANs.

B. Framework de Aprendizado Federado

• Configuração: Simulação com três clientes (conjuntos de dados BUS-BRA, BUSI e UDIAT) e um servidor central.
• Fluxo de Dados:
  1. Os dados reais permanecem isolados em cada cliente.
  2. Modelos generativos são treinados (centralmente ou localmente, dependendo da implementação descrita, mas as imagens sintéticas resultantes são compartilhadas).
  3. As imagens sintéticas são distribuídas uniformemente a todos os clientes.
  4. Cada cliente treina seu modelo local de classificação (DenseNet-121) usando uma mistura de dados reais e sintéticos.
  5. Os modelos locais são agregados no servidor usando algoritmos FedAvg (Média Federada) e FedProx (com termo proximal para lidar com heterogeneidade).

3. Contribuições Principais

1. Framework de Aumentação Federada: Proposição de um método que integra imagens sintéticas geradas por DCGAN e DDPM ao treinamento federado para classificação de câncer de mama.
2. Comparação de Modelos Generativos: Avaliação sistemática de como DCGANs e DDPMs impactam a performance do FL, demonstrando a superioridade dos modelos de difusão em termos de diversidade e qualidade.
3. Análise de Equilíbrio de Dados: Descoberta crítica de que existe um ponto ótimo na quantidade de dados sintéticos. O uso excessivo de dados sintéticos degrada a performance, enquanto uma quantidade moderada a melhora.
4. Validação em Múltiplos Conjuntos de Dados: Experimentos realizados em três conjuntos de dados públicos (BUSI, BUS-BRA, UDIAT), garantindo a robustez dos resultados.

4. Resultados

Os experimentos foram conduzidos em três conjuntos de dados públicos, comparando cenários centralizados, federados sem augmentação e federados com augmentação.

• Melhoria de Performance:
  • Para FedAvg, a AUC média aumentou de 0.9206 (sem augmentação) para 0.9362 (com DDPM).
  • Para FedProx, a AUC média aumentou de 0.9429 para 0.9574 (com DDPM).
  • O modelo com augmentação baseada em DDPM superou o treinamento centralizado em alguns casos, alcançando uma AUC de 0.9574 contra 0.9391 do centralizado.
• Comparação DCGAN vs. DDPM: Os modelos baseados em difusão (DDPM) superaram consistentemente os baseados em GANs, fornecendo imagens mais realistas e diversas que melhoraram a convergência e a generalização.
• Estudo de Ablação (Impacto da Quantidade):
  • Uma quantidade moderada de dados sintéticos (aproximadamente 12% do conjunto de treinamento) melhorou a precisão e a AUC.
  • O uso excessivo de dados sintéticos (ex: 2000 imagens adicionais) causou queda de performance (AUC caiu de 0.9237 para 0.9203 no FedAvg), indicando overfitting a características artificiais e ruído distribucional.

5. Significado e Conclusão

Este trabalho demonstra que a aumentação baseada em modelos generativos é uma estratégia viável e eficaz para melhorar o aprendizado federado em imagens médicas. Ao permitir que os clientes compartilhem apenas dados sintéticos (que não contêm informações de pacientes reais), o framework preserva a privacidade e a soberania dos dados, ao mesmo tempo em que mitiga problemas de desequilíbrio de classes e escassez de dados.

A conclusão principal é que o sucesso dessa abordagem depende do equilíbrio cuidadoso entre amostras reais e sintéticas. Embora os DCGANs ofereçam eficiência computacional, os modelos de difusão (DDPM) provaram ser superiores na geração de dados que realmente melhoram a generalização do modelo em um cenário federado. Este estudo abre caminho para futuras pesquisas focadas em otimizar a proporção de dados sintéticos e explorar modelos generativos mais avançados para aplicações médicas distribuídas.