Beyond a Single Mode: GAN Ensembles for Diverse Medical Data Generation

要約

特に医療イメージングにおける生成AIの進歩は、合成データ生成における忠実度、多様性、効率を確保するというトリレマに直面しています。
生成的敵対ネットワーク（GAN）はさまざまなアプリケーションで有望であることを示していますが、モードの崩壊や実際のデータ分布の不十分なカバレッジなどの課題に依然として課題に直面しています。
この作品では、特に医療イメージングの文脈で、これらの制限を克服するためのGanアンサンブルの使用を探ります。
忠実度と多様性のバランスをとる多目的最適化問題を解決することにより、医療データに合わせたGANSの最適なアンサンブルを選択する方法を提案します。
選択されたアンサンブルは、真のデータ分布と計算効率を表す多様な合成医療画像を生成することができます。
アンサンブルの各モデルは、ユニークな貢献をもたらし、最小限の冗長性を確保します。
3つの異なる医療データセットを使用して包括的な評価を実施し、さまざまな損失関数と正規化手法を備えた22の異なるGANアーキテクチャをテストしました。
異なるトレーニングエポックでモデルをサンプリングすることにより、110の一意の構成を作成しました。
結果は、Ganアンサンブルの能力を強調して、合成医療画像の品質と有用性を高め、診断モデリングなどの下流タスクの有効性を改善します。

要約(オリジナル)

The advancement of generative AI, particularly in medical imaging, confronts the trilemma of ensuring high fidelity, diversity, and efficiency in synthetic data generation. While Generative Adversarial Networks (GANs) have shown promise across various applications, they still face challenges like mode collapse and insufficient coverage of real data distributions. This work explores the use of GAN ensembles to overcome these limitations, specifically in the context of medical imaging. By solving a multi-objective optimisation problem that balances fidelity and diversity, we propose a method for selecting an optimal ensemble of GANs tailored for medical data. The selected ensemble is capable of generating diverse synthetic medical images that are representative of true data distributions and computationally efficient. Each model in the ensemble brings a unique contribution, ensuring minimal redundancy. We conducted a comprehensive evaluation using three distinct medical datasets, testing 22 different GAN architectures with various loss functions and regularisation techniques. By sampling models at different training epochs, we crafted 110 unique configurations. The results highlight the capability of GAN ensembles to enhance the quality and utility of synthetic medical images, thereby improving the efficacy of downstream tasks such as diagnostic modelling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google