STYLEGAN2 ЖӘНЕ STYLEGAN3 МОДЕЛЬДЕРІНІҢ BUSI ЖӘНЕ CBIS-DDSM ДЕРЕКҚОРЛАРЫНДА СИНТЕТИКАЛЫҚ МЕДИЦИНАЛЫҚ СУРЕТТЕРДІ ГЕНЕРАЦИЯЛАУҒА БАҒАЛАНУЫ

Медициналық кескіндер негізінде терең оқытуды қолдану көбінесе суреттердің шектеулі қолжетімділігіне және сыныптар теңгерімсіздігінің айқын байқалуына байланысты күрделене түседі. Мұндай жағдайда дәстүрлі машиналық оқыту алгоритмдерінің тиімділігі төмендейді. Генеративтік қарсылас желілер (GAN) бұл мәселені шешу үшін табиғи көрінетін синтетикалық суреттерді жасап, оқыту жиынтықтарын толықтыруға мүмкіндік береді. Бұл зерттеуде біз екі озық GAN архитектурасын, StyleGAN2 және StyleGAN3, екі ашық қолжетімді сүт безі кескіндерінің деректер жиынтығы негізінде салыстырдық: BUSI (ультрадыбыс, 210 қатерлі іс жағдайы) және CBIS-DDSM (маммография, 509 қатерлі іс жағдайы). FID және KID бойынша жүргізілді. BUSI деректерінде StyleGAN3 1000 эпохада FID = 140.7 және KID = 0.06 нәтижесін көрсетті, ал StyleGAN2 үшін FID = 259.7 және KID = 0.25 болды. CBIS-DDSM деректерінде StyleGAN3 FID = 90.6 және KID = 0.06 нәтижесін берді, ал StyleGAN2 сәйкесінше FID = 124.8 және KID = 0.10 көрсетті. Бұл нәтижелер StyleGAN3 моделі шектеулі деректер жағдайында табиғиға ұқсас әрі әртүрлі суреттерді синтездей алатынын, бірақ сонымен бірге оқыту уақытының ұлғаюына әкелетінін көрсетеді. Ал StyleGAN2 салыстырмалы түрде төмен есептеу шығындарымен ұқсас сапаға қол жеткізе алады. Зерттеу нәтижелері медициналық суреттерді генерациялау әлеуетін және сапа мен тиімділіктің деректерді көбейту (data augmentation) үшін тепе-теңдігін көрсетеді.

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.