Augmentace medicínských dat pomocí hlubokých generativních modelů

Abstract

Rakovina kůže je dnes jedna z nejčastěji se vyskytujících rakovin na světě. Pro vyšetření povrchu kůže se používá dermoskop, jenž pořizuje samotné dermoskopické snímky kůže. Tyto snímky dokáží zachytit detaily, které mohou lidskému oku uniknout. Tyto snímky pak posuzují v mnoha případech dva lékaři, jeden který určuje diagnózu a druhý který ho kontroluje (určuje vlastní diagnózu). V dnešní době tato role kontrolujícího lékaře může být nahrazena přesnými klasifikačními modely, jenž potřebují velké množství dat, kterých je bohužel nedostatek. Tato práce zkoumá využití hlubokých generativních modelů v generování dermoskopických obrázků, které by pomohly řešit zmíněný problém s nedostatkem dat. S generativním modelem StyleGAN2ADA bylo v této práci dosaženo zlepšení klasifikačního modelu v rozeznání dvou typů kožních onemocnění NV a MEL, resp. jejich sensitivit o 4.29 \% a 0.72 \% oproti použití klasické augmentace dat.

Skin cancer is now one of the most common types of cancer. A dermatoscope is a tool, which takes the dermoscopic images of the skin. These images can capture details that can escape the human eye. These images are then evaluated, in many cases, by two doctors, one who determines the diagnosis and the other who checks it (determines his diagnosis). Nowadays, this role of the examining physician can be replaced by precise classification models, which need a large amount of data, which is unfortunately lacking. This work examines the use of deep generative models in the generation of dermoscopic images, which would help solve the mentioned problem of lack of data. With the generative model StyleGAN2ADA, the classification model was improved in the recognition of two types of skin diseases NV and MEL. Class sensitivities improved by 4.29 \% and 0.72 \% compared to using classical data augmentation.