《Digital Signal Processing》：GAN-PSO: A Novel Approach for Effective Data Augmentation through Medical Image Generation
编辑推荐：
卡迪贾·雷伊斯（Khadija Rais）| 穆罕默德·阿姆鲁内（Mohamed Amroune）| 穆罕默德·雅辛·哈乌阿姆（Mohamed Yassine Haouam）| 阿卜杜勒马吉德·本马希切（Abdelmadjid Benmachiche）阿尔及利亚特贝萨（Tebes
卡迪贾·雷伊斯（Khadija Rais）| 穆罕默德·阿姆鲁内（Mohamed Amroune）| 穆罕默德·雅辛·哈乌阿姆（Mohamed Yassine Haouam）| 阿卜杜勒马吉德·本马希切（Abdelmadjid Benmachiche）
阿尔及利亚特贝萨（Tebessa）Echahid Cheikh Larbi Tebessi大学数学、信息学与系统实验室（LAMIS），邮编12002
摘要
标注医学图像的稀缺性以及类别极不平衡是训练强大深度学习模型以用于脑肿瘤诊断的严重障碍。本文提出的混合框架通过结合生成对抗网络（GANs）和粒子群优化（PSO）来实现超参数自动化优化，从而帮助克服这些问题。GAN-PSO方法采用基于群体的搜索方法来优化关键超参数（例如学习率、批量大小），并使用结构相似性指数（SSIM）作为适应度函数来比较合成图像和真实图像。在BraTS2020数据集上进行了大规模评估，涵盖了四种MRI模态（Flair、T1、T1ce和T2）。定量评估表明，GAN-PSO的表现优于基线模型（VAE、Vanilla GAN）和其他优化方法（随机搜索、贝叶斯优化），在结构保真度方面达到了0.7077的峰值SSIM，并且在肿瘤场景下的感知真实性方面也表现出色，FID为0.2017。此外，使用增强数据的下游分类任务也显示了显著的性能提升；通过GAN-PSO增强的样本，准确率提高到了92.50%（而未经增强的样本准确率为83.33%）。这些发现证实了GAN-PSO作为一种有效的自动化模型，能够生成高保真度的合成医学图像，从而缓解数据短缺和类别不平衡问题。
引言
人工智能（AI）具有多种社会经济效应；它可以改善我们生活的多个方面，并在各个行业中发挥重要作用。医学成像是一个AI应用日益广泛的领域。数据的质量和可用性是AI算法成功分析医学图像（如X光、MRI、PET扫描和CT扫描）以预测异常、肿瘤或其他病理相关症状的关键因素。脑肿瘤图像的稀缺性是该领域面临的主要挑战之一。由于保密性、可用性问题以及获取具有代表性的样本的难度，获取带有标注的脑肿瘤图像数据集往往很困难。通过合作努力和评估不同的方法（如数据增强），可以缓解脑肿瘤图像的局限性，提高数据的可访问性和多样性。标注数据集的缺乏使得数据增强在医学研究中构建通用AI模型变得至关重要。数据增强是扩充训练集的主要方法之一，尤其是在医学成像等数据有限且类别不平衡的任务中[3]。Bouhafra和El Bahi系统地回顾了用于脑肿瘤检测的深度学习方法，强调数据稀缺性和类别不平衡是需要超越传统方法的先进增强策略的关键障碍[4]。传统的数据增强技术包括旋转、缩放和裁剪等操作。较新的技术如VAE[5]和基于GAN的技术可以生成非常逼真的合成图像，并通过扩大较少出现的类别样本来平衡数据集[6]。Rais等人提出了CAT-VAE这种混合模型，该模型将交叉注意力变换器与VAE相结合，证明了增强全局上下文建模可以显著提高合成医学图像的结构保真度和多样性，优于标准架构[7]。Albehairi等人比较了各种数据增强技术，指出虽然GANs可以生成高质量合成数据，但它们常常存在训练不稳定性问题，需要更可靠的评估指标来确保临床效用[8]。最近的综述将进展分为“创建”任务（生成新图像以缓解数据稀缺性和类别不平衡）和“转换”任务（在不同模态之间映射以保持语义内容）[1]。Karmakar等人介绍了GANs、VAE和扩散模型等生成式AI模型，强调了它们在解决数据稀缺性和提高放射学和肿瘤学领域图像质量方面的作用[2]。
由于其能够生成与真实图像极为相似的多样化合成图像，即使数据集有限，GANs最近引起了极大的兴趣。Tariq及其团队[9]使用Adaptive StyleGAN生成了逼真的脑肿瘤MRI图像，以解决数据稀缺性问题。通过有效识别潜在的数据分布，GANs能够生成高质量的样本。这是通过训练生成网络产生鉴别器网络无法区分的样本来实现的[10]。提供不仅质量高而且多样性足够的脑肿瘤合成图像对于提高数据增强效果至关重要。Mukherjee等人[11]描述了AGGrGAN，这是一种结合了三种GAN变体的模型，能够生成具有最高结构相似性指数（SSIM）得分的高质量脑肿瘤人工MRI图像。
因此，微调GAN超参数对于生成合成图像的质量和多样性至关重要。GAN的有效性在很大程度上取决于超参数的选择，因为手动优化既耗时又效率低下。在这项工作中，我们提出了GAN-PSO方法，利用PSO来微调GAN超参数以获得更好的脑肿瘤图像增强效果。我们的方法利用PSO的基于群体的搜索来找到能够最大化合成图像质量和多样性的超参数。我们使用BraTS20数据集专门解决脑肿瘤图像增强的问题，并验证了我们所提出技术的有效性。我们合成的脑肿瘤图像的性能通过多种指标进行了评估，包括SSIM、PSNR、FID、LPIPS和STD。这些指标为GAN的性能提供了客观评估。
我们的手稿在第2节继续介绍了该研究领域的最新趋势，在第3节详细说明了架构，在第4节评估了结果和进行了比较，在第5节讨论了其影响，并在第6节总结了结论和未来工作。
章节片段
相关工作
获取医学成像数据成本高昂。数据增强技术被用来克服这一挑战，从而增加可用数据并提升深度学习模型的训练效果[12]。GANs通过生成合成数据，帮助克服了数据限制、隐私问题和诊断挑战[13]。正如Ahmed Makhlouf等人所指出的，大多数GAN架构都是原始GAN模型的扩展，其中生成器生成伪数据
方法论
本节详细介绍了我们提出方法的主要组成部分：应用于合成医学图像合成的GAN、用于超参数调优的PSO，以及结合GAN和PSO的流程，通过SSIM最大化图像质量。
结果与比较
本节展示了GAN-PSO获得的结果，图8展示了在五次运行中训练GAN（未使用基于PSO的超参数优化）的100个周期的SSIM指标。分别为无肿瘤（左侧）和有肿瘤（右侧）情况以及四种MRI模态（Flair、T1、T1ce和T2）绘制了单独的图表。每条曲线对应不同的随机初始化（从第1次运行到第5次运行），y轴表示SSIM，用于估计生成图像和参考图像之间的结构相似性和
讨论
实验结果明确证实了基于GAN的数据增强技术（特别是PSO优化的GAN-PSO）在提高合成MRI图像的视觉质量以及肿瘤分类模型的性能方面的相对有效性，如图10所示。在所有模态Flair、T1、T1ce和T2中，GAN-PSO在SSIM、PSNR和分类性能方面均优于传统的增强技术和基线GAN。从表4中可以看出
结论
本工作证明了PSO优化的GANs（GAN-PSO）在生成高质量合成脑MRI扫描方面的有效性，这些扫描显著提升了下游肿瘤分类的性能。通过使用粒子群优化进行超参数调整，GAN模型在多种MRI模态和条件下生成了更好的结构和感知质量得分（SSIM、PSNR、FID和LPIPS）。比较实验表明，GAN-PSO优于基线数据
CRediT作者贡献声明
卡迪贾·雷伊斯（Khadija Rais）开发并实现了代码，进行了实验，并参与了手稿的撰写。穆罕默德·阿姆鲁内（Mohamed Amroune）监督了研究，验证了结果并修订了论文。穆罕默德·雅辛·哈乌阿姆（Mohamed Yassine Haouam）共同监督了研究，并参与了特定章节的撰写。阿卜杜勒马吉德·本马希切（Abdelmadjid Benmachiche）与卡迪贾共同撰写了手稿，修订了论文，并在整个研究过程中提供了有价值的意见。
资金支持
作者们没有为这项研究获得任何特定的资金支持。
