СИНТЕЗ И КЛАССИФИКАЦИЯ УЛЬТРАЗВУКОВЫХ ИЗОБРАЖЕНИЙ РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ С ИСПОЛЬЗОВАНИЕМ ГЕНЕРАТИВНО-СОСТЯЗАТЕЛЬНОЙ СЕТИ ВАССЕРШТЕЙНА И ТРАНСФЕРНОГО ОБУЧЕНИЯ
DOI:
https://doi.org/10.52167/1609-1817-2025-141-6-222-231Ключевые слова:
глубокая сверточная генеративно-состязательная сеть, баланс данных, ультразвуковая диагностика рака молочной железы, искусственный интеллект, трансферное обучениеАннотация
В данной работе представлен метод генерации и классификации ультразвуковых изображений опухолей рака молочной железы, основанный на генеративно-состязательных сетях Вассерштейна с градиентным штрафом (WGAN-GP) и трансферном обучении (ТО). Для устранения дисбаланса данных с помощью WGAN-GP было создано 227 дополнительных изображений злокачественных опухолей. Классификация изображений выполнялась с использованием моделей EfficientNetB4, ResNet152, VGG19, Xception, InceptionV3 и DenseNet121, при этом трансферное обучение позволило адаптировать предобученные модели к задаче выявления злокачественных новообразований. Наилучшие результаты продемонстрировали DenseNet121, Xception и InceptionV3, достигнув точности (accuracy) выше 93%, Recall и F1-score, а также ROC-кривых (AUC> 0.98). Предложенный метод сочетания WGAN-GP и трансферного обучения значительно повышает точность диагностики опухолей молочной железы за счёт генерации данных и балансировки датасета.
Библиографические ссылки
[1] I. Sechopoulos, J. Teuwen, R. Mann, Artificial intelligence for breast cancer detection in mammography and digital breast tomosynthesis: State of the art, Seminars in Cancer Biology (2020) doi:10.1016 /j.semcancer.2020.06.002. URL https:/ /dx.doi.org/10.1016/j.semcancer.2020.06.002
[2] I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, and Y. Bengio, “Generative adversarial nets,” in Advances in neural information processing systems, 2014, pp. 2672– 2680
[3] M. Ryspayeva, M. Molinara, A. Bria, C. Marrocco, and F. Tortorella, "Transfer Learning in Breast Mass Detection on the OMI-DB Dataset: A Preliminary Study," in Book Title, year 2023, pp. 529-538. doi: 10.1007/978-3-031-37660-3_37. ISBN: 978-3-031-37659-7
[4] W. Al-Dhabyani, M. Gomaa, H. Khaled, and A. Fahmy, "Dataset of breast ultrasound images," Data in Brief, vol. 28, Feb. 2020, Art. no. 104863. DOI: 10.1016/j.dib.2019.104863.
[5] M. Arjovsky, S. Chintala, and L. Bottou. Wasserstein gan. arXiv preprint arXiv:1701.07875, 2017.
[6] M. Ryspayeva, "Generative Adversarial Network as Data Balance and Augmentation Tool in Histopathology of Breast Cancer," in Proc. of the IEEE SIST Conference, pp. 99-104, May 2023, doi:10.1109/SIST58284.2023.10223577.
[7] A. Negi, A. N. J. Raj, R. Nersisson, Z. Zhuang, and M. Murugappan, "RDA-UNET-WGAN: An Accurate Breast Ultrasound Lesion Segmentation Using Wasserstein Generative Adversarial Networks," Arabian Journal for Science and Engineering, vol. 45, no. 8, pp. 6399–6410, 2020, doi:10.1007/s13369-020-04480-z..
[8] D. Zatusiva Haq and C. Fatichah, "Ultrasound Image Synthetic Generating Using Deep Convolution Generative Adversarial Network For Breast Cancer Identification," IPTEK The Journal for Technology and Science, vol. 34, no. 1, pp. 12, Mar. 2023, doi:10.12962/j20882033.v34i1.14968.
[9] D. Shah, M. Khan, and M. Abrar, "Reliable Breast Cancer Diagnosis with Deep Learning: DCGAN-Driven Mammogram Synthesis and Validity Assessment," Applied Computational Intelligence and Soft Computing, vol. 2024, pp. 1-13, Feb. 2024, doi:10.1155/2024/1122109.
[10] S. Chaudhury and K. Sau, "Classification of Breast Masses Using Ultrasound Images by Approaching GAN, Transfer Learning and Deep Learning Techniques," Journal of Artificial Intelligence and Technology, vol. 3, May 2023, doi:10.37965/jait.2023.0175.
[11] W. Al-Dhabyani, M. Gomaa, H. Khaled, and A. Fahmy, "Deep Learning Approaches for Data Augmentation and Classification of Breast Masses using Ultrasound Images," International Journal of Advanced Computer Science and Applications, vol. 10, no. 5, 2019, doi:10.14569/IJACSA.2019.0100579. [Online]. Available: http://dx.doi.org/10.14569/IJACSA.2019.0100579
[12] M. Alruily, W. Said, A. M. Mostafa, M. Ezz, and M. Elmezain, "Breast Ultrasound Images Augmentation and Segmentation Using GAN with Identity Block and Modified U-Net 3+," Sensors, vol. 23, no. 20, p. 8599, 2023. [Online]. Available: https://doi.org/10.3390/s23208599
[13] Ryspayeva, Marya & Nishan, Alina. (2024). Enhancing Grayscale Image Synthesis with Deep Conditional GAN and Transfer Learning. 122-127. 10.1109/IEEECONF61558.2024.10585479.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Марья Рыспаева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
