ОЦЕНКА STYLEGAN2 И STYLEGAN3 ДЛЯ СИНТЕТИЧЕСКОЙ ГЕНЕРАЦИИ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ НА ДАТАСЕТАХ BUSI И CBIS-DDSM

Глубокое обучение на медицинских изображениях обычно затруднено ограниченным доступом к данным и сильным дисбалансом классов, что снижает эффективность традиционных алгоритмов машинного обучения. Генеративные состязательные сети (GAN) могут использоваться для решения таких проблем путем создания реалистичных синтетических изображений, дополняющих обучающие выборки. В данном исследовании мы сравниваем две передовые архитектуры GAN, StyleGAN2 и StyleGAN3, на основе двух общедоступных наборов данных изображений молочной железы: BUSI (ультразвук, 210 случаев злокачественных опухолей) и CBIS-DDSM (маммография, 509 случаев злокачественных опухолей). Оценка проводилась с использованием метрик FID и KID. На BUSI StyleGAN3 при 1000 эпохах достиг FID = 140.7 и KID = 0.06, тогда как StyleGAN2 показал FID = 259.7 и KID = 0.25. На CBIS-DDSM StyleGAN3 достиг FID = 90.6 и KID = 0.06, а StyleGAN2 – FID = 124.8 и KID = 0.10. Эти результаты демонстрируют, что StyleGAN3 имеет тенденцию синтезировать более реалистичные и разнообразные изображения в условиях ограниченных данных, но при этом требует большего времени обучения, тогда как StyleGAN2 обеспечивает сопоставимое качество при меньших вычислительных затратах. Результаты указывают на потенциал генерации медицинских изображений и компромисс между качеством и эффективностью для задач аугментации данных при улучшении изображений молочной железы.

1. Generative adversarial nets / I. Goodfellow et al // Advances in Neural Information Processing Systems. – 2014. – Vol. 27. – P. 2672-2680.

2. Arjovsky M. Wasserstein Generative Adversarial Networks / M. Arjovsky, S. Chintala, L. Bottou // Proceedings of the 34th International Conference on Machine Learning (ICML). – 2017. – Vol. 70. – P. 214-223.

3. Improved training of Wasserstein GANs / I. Gulrajani et al // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – P. 5767-5777.

4. Karras T. A Style-Based Generator Architecture for Generative Adversarial Networks / T. Karras, S. Laine, T. Aila // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2019. – P. 4401-4410.

5. Analyzing and Improving the Image Quality of StyleGAN / Т. Karras et al // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2020. – P. 8110-8119.

6. Alias-Free Generative Adversarial Networks / Т. Karras et al // Advances in Neural Information Processing Systems (NeurIPS). – 35th Int. Conf. on Neural Information Processing Systems. – 2021. – P. 1190-1201.

7. Ryspayeva M. Multi-domain synthetic medical image generation and dataset balancing with DGAN-WP-TL / M. Ryspayeva, O. Salykova // Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization. – 2025. – Vol. 13, № 1. https://orcid.org/10.1080/21681163.2025.2556687.

8. Dataset of Breast Ultrasound Images / W. Al-Dhabyani et al // Data in Brief. – 2019. – Vol. 28. – P. 104863. https://orcid.org/10.1016/j.dib.2019.104863.

9. Curated Breast Imaging Subset of Digital Database for Screening Mammography (CBIS-DDSM) / R. Sawyer-Lee et al // The Cancer Imaging Archive. – 2016. https://orcid.org/10.7937/K9/TCIA.2016.7O02S9CY. – URL: https://www.cancerimagingarchive.net/collection/cbis-ddsm/.

10. GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium / М. Heusel et al // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – Vol. 30. – P. 6626-6637.

11. Demystifying MMD GANs / М. Bińkowski et al // International Conference on Learning Representations (ICLR). – 2018.

12. Progressive Growing of GANs for Improved Quality, Stability, and Variation / Т. Karras et al // International Conference on Learning Representations (ICLR). – 2018. – Poster 2018.

13. Jolliffe I.T. Principal Component Analysis / I.T. Jolliffe. – 2nd ed. – New York: Springer, 2002. – 487 p. – (Springer Series in Statistics).

14. IGAN: Improved Generative Adversarial Network for Breast Ultrasound Image Synthesis / М. Alruily et al // Diagnostics. – 2023. – Vol. 13, № 15. – P. 2562. https://orcid.org/10.3390/diagnostics13152562.

15. 2S-BUSGAN: Two-Stage GAN for Breast Ultrasound Image Synthesis / W. Luo et al // Journal of Imaging. – 2023. – Vol. 9, № 3. – P. 54. https://orcid.org/10.3390/jimaging9030054.

16. Liu C. GSDA: Generative Semantic Data Augmentation for Breast Ultrasound Image Synthesis / C. Liu, S. Ding, W. Luo // Frontiers in Oncology. – 2023. – Vol. 13. – P. 1156789. https://orcid.org/10.3389/fonc.2023.1156789.

17. Cross-domain synthesis of mammograms using CycleGAN for data augmentation in breast cancer screening / L.Garrucho et al // Computers in Biology and Medicine. – 2023. – Vol. 165. – P. 107375. https://orcid.org/10.1016/j.compbiomed.2023.107375.

18. Fan J. BreastGAN: Adversarial Data Augmentation for Mammogram Classification / J. Fan, R. Huang, Z. Liu // Computers in Biology and Medicine. – 2021. – Vol. 135. – P. 104601. https://orcid.org/10.1016/j.compbiomed.2021.104601.

19. Prodan R. StyleGAN-XL for high-resolution mammogram synthesis with limited annotations / R. Prodan, P.F. Jäger, A. Kopp-Schneider // Medical Image Analysis. – 2023. – Vol. 87. – P. 102842. https://orcid.org/10.1016/j.media.2023.102842.