Generative Adversarial Networks Based Data Augmentation for Ultrasound Fetal Brain Planes Classification

Abstract

Generative adversarial networks have been recently applied to medical imaging on different modalities (MRI, CT, X-ray, etc). However there are not many applications on ultrasound modality as a data augmentation technique applied to downstream classification tasks. This experimental case study aims to explore and evaluate the generation of synthetic ultrasound fetal brain images via generative adversarial networks and apply to ultrasound fetal brain plane classification tasks. State of the art Generative Adversarial Networks stylegan2-ada was applied to fetal brain image generation and GAN-based data augmentation classifiers were compared with baseline classifiers. Our experimental results show that GAN-Based data augmentation combined with classical data augmentation outperforms classifiers with only classical data augmentation by 2% in both accuracy and area under the curve score.

Recentment s'han aplicat xarxes controvertides generatives a la imatge mèdica en diferents modalitats (ressonància magnètica, tomografia computada, radiografia, etc.). Tanmateix, no hi ha moltes aplicacions sobre la modalitat d'ecografia com a tècnica d'augment de dades aplicada a tasques de classificació posteriors. Aquest estudi de casos experimentals té com a objectiu explorar i avaluar la generació d'imatges cerebrals fetals d'ultrasons sintètics mitjançant xarxes adversàries generatives i aplicar-se a tasques de classificació del pla cerebral fetal per ultrasons. L'estil de les xarxes adversàries generatives stylegan2-ada es va aplicar a la generació d'imatges cerebrals fetals i es van comparar els classificadors d'augment de dades basats en GAN amb els classificadors de la línia de base. Els nostres resultats experimentals mostren que l'augment de dades basat en GAN combinat amb l'augment de dades clàssic supera els classificadors amb només un augment de dades clàssic en un 2% tant en la precisió com en l'àrea sota la puntuació de la corba.

Las redes generativas adversarias se han aplicado recientemente a la imagen médica en diferentes modalidades (resonancia magnética, tomografía computarizada, rayos X, etc.). Sin embargo, no hay muchas aplicaciones en la modalidad de ultrasonido como técnica de aumento de datos aplicada a tareas de clasificación posteriores. Este estudio de caso experimental tiene como objetivo explorar y evaluar la generación de imágenes sintéticas del cerebro fetal por ultrasonido a través de redes generativas adversarias y aplicarlo a las tareas de clasificación del plano cerebral fetal por ultrasonido. Se aplicó el estilo de las Redes Adversarias Generativas de última generación a la generación de imágenes cerebrales fetales y se compararon los clasificadores de aumento de datos basados en GAN con los clasificadores de línea de base. Nuestros resultados experimentales muestran que el aumento de datos basado en GAN combinado con el aumento de datos clásico supera a los clasificadores con solo el aumento de datos clásico en un 2% tanto en precisión como en el área bajo la puntuación de la curva.