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

Resumo Técnico: Classificação de Anormalidades Mamárias em Ambientes com Restrição de Recursos por meio de Patches de Mamografia Sintéticos Gerados por GAN

Definição do Problema
O desenvolvimento de modelos de aprendizagem profunda (DL) para imagens médicas, especificamente o diagnóstico de câncer de mama via mamografia, é frequentemente dificultado por duas restrições primárias: escassez de dados e limitações de recursos. Os conjuntos de dados de câncer de mama frequentemente exibem um desequilíbrio severo de classes, com casos anormais representando aproximadamente 0,5% dos exames de rastreamento, o que leva a altas taxas de falsos positivos e falsos negativos quando os modelos são treinados com dados insuficientes. Além disso, a proteção de informações de identificação pessoal (PII) restringe a liberação de grandes conjuntos de dados públicos, enquanto o custo computacional de treinar modelos generativos muitas vezes excede as capacidades de ambientes com restrição de recursos.

Metodologia
Este estudo propõe um pipeline para gerar patches de mamografia sintéticos usando uma Rede Adversária Generativa (GAN) de baixo recurso para treinar classificadores binários para detecção de anormalidades. O fluxo de trabalho consiste em duas fases:

1. Geração de Imagens Sintéticas (CUT-GAN):

   • Modelo: O estudo utiliza a GAN de Tradução Não Pareada por Contraste (CUT-GAN), selecionada por seu baixo consumo de memória de GPU e capacidade de gerar imagens de alta qualidade.
   • Fonte de Dados: O estudo utiliza o Emory Breast Imaging Dataset (EMBED), que fornece 3,4 milhões de imagens de mamografia. Os patches foram extraídos das coortes 1–8 para treinamento. Patches positivos (BI-RADS 0 com Regiões de Interesse anotadas por radiologistas) foram transformados em patches anormais sintéticos, enquanto patches negativos foram obtidos de regiões não anotadas ou imagens BI-RADS 1/2.
   • Pré-processamento: Para garantir a estabilidade do treinamento, patches com baixas contagens de cores de pixels (indicando potencial ar de fundo ou patches vazios) foram filtrados.
   • Otimização de Hiperparâmetros: O modelo foi treinado usando o otimizador ADAM com uma taxa de aprendizado de 0,0002, um tamanho de lote (batch size) de 8 e 400 épocas. Esta configuração foi determinada para evitar a "falha de treinamento", que se manifestou como artefatos de ruído ou patches vazios.
   • Pós-processamento: Como a CUT-GAN gera imagens RGB enquanto a mamografia é em tons de cinza, as imagens sintéticas foram convertidas para tons de cinza. Crucialmente, um ajuste de nível de janela foi aplicado para igualar as distribuições de brilho e contraste das imagens sintéticas com os patches de mamografia reais. Um teste t de Student confirmou que as distribuições sintéticas ajustadas eram estatisticamente indistinguíveis das imagens reais (P-valor > 0,05).

2. Treinamento e Validação do Modelo:

   • Classificador: Redes Neurais Residuais (ResNet50, ResNet101 e ResNet152) pré-treinadas no ImageNet foram empregadas.
   • Arquitetura: Cinco camadas adicionais treináveis foram adicionadas aos pesos pré-treinados congelados. A camada de entrada processou patches de 256x256 pixels, utilizando ativação ReLU, pooling médio e uma saída sigmoide para classificação binária.
   • Validação: Modelos treinados no conjunto de dados sintético foram validados contra patches de mamografia reais das coortes 9 e 10 do EMBED (13.220 patches no total). O desempenho foi avaliado usando bootstrapping ao longo de 500 iterações para estimar os intervalos de confiança de 95%.

Principais Resultados
O estudo comparou modelos treinados em dados sintéticos contra aqueles treinados em dados reais:

• Lacuna de Desempenho: Modelos treinados em patches de mamografia reais demonstraram desempenho geral superior, alcançando uma Área Sob a Curva (AUC) de aproximadamente 0,91–0,92. Em contraste, modelos treinados em patches sintéticos alcançaram uma AUC inferior, com a ResNet152 atingindo 0,751 (0,742–0,759).
• Compensações de Métricas: Modelos treinados com dados sintéticos exibiram precisão (accuracy) (0,61–0,67) e precisão (precision) (0,44–0,50) significativamente menores em comparação com os modelos de dados reais. No entanto, demonstraram um recall notavelmente mais alto (0,80–0,81 para ResNet152), sugerindo uma tendência para alta sensibilidade, mas baixa especificidade (maiores taxas de falsos positivos).
• Eficiência de Recursos: O modelo CUT-GAN foi treinado com sucesso usando apenas 3 GB de memória de GPU (em um sistema com capacidade total de 24 GB), uma redução significativa em comparação com outros modelos generativos, como modelos de difusão, que frequentemente exigem 24 GB ou mais.

Significância e Alegações
Os autores afirmam que esta pesquisa demonstra a viabilidade do uso de GANs de baixo recurso para gerar dados médicos sintéticos para treinar modelos de DL em ambientes com restrição de recursos. O estudo destaca três contribuições principais:

1. Preservação de Privacidade: Os patches sintéticos preservam as características estruturais e texturais dos dados de mamografia reais sem revelar informações de identificação do paciente, oferecendo uma alternativa segura para o compartilhamento de dados e treinamento de modelos.
2. Mitigação de Desequilíbrio de Classes: A abordagem fornece um mecanismo para gerar amostras sintéticas para classes sub-representadas (casos anormais), abordando a escassez de dados inerente ao rastreamento de câncer de mama.
3. Acessibilidade: Ao utilizar a CUT-GAN, o método permite que pesquisadores com infraestrutura computacional limitada possam aproveitar a ampliação de dados sintéticos.

O artigo conclui que, embora os modelos treinados sinteticamente ainda não igualem a precisão daqueles treinados com dados reais, eles mostram potencial como substitutos para patches reais, particularmente em cenários onde a privacidade ou as restrições de recursos impedem o uso de grandes conjuntos de dados do mundo real. Os autores enfatizam que pesquisas adicionais são necessárias para otimizar os pipelines de geração e melhorar a generalizabilidade desses modelos através de diferentes conjuntos de dados.