Geração de imagens médicas sintéticas multi-domínio e balanceamento de datasets com DGAN-WP-TL

Datasets médicos desequilibrados prejudicam significativamente o desempenho dos modelos diagnósticos, enviesando as previsões em direção às classes majoritárias. Este estudo introduz o DGAN-WP-TL, uma rede generativa adversarial multi-domínio que integra perda de Wasserstein com penalidade de gradiente, regularização perceptual baseada em VGG19 e aprendizado por transferência para gerar imagens médicas sintéticas de alta qualidade em três modalidades: ultrassom BUSI, mamografia CBIS-DDSM e ressonância magnética de Alzheimer. A avaliação quantitativa mostra que o DGAN-WP-TL alcança melhorias substanciais em relação ao StyleGAN2 nos conjuntos de dados BUSI e de ressonância magnética de Alzheimer, reduzindo KID de 0.3797 para 0.1448 e FID de 330.94 para 179.42 no BUSI, e diminuindo KID de 0.7097 para 0.3567 e FID de 458.74 para 289.79 na ressonância magnética de Alzheimer. As pontuações de LPIPS (real - falso) e (falso - falso) indicam tanto um realismo perceptual aprimorado quanto diversidade. No CBIS-DDSM, o DGAN-WP-TL supera o StyleGAN2 nas métricas de diversidade de LPIPS e MS-SSIM, enquanto o StyleGAN2 mantém KID e FID ligeiramente melhores. Um estudo de ablação confirma a contribuição de cada componente arquitetural, com regularização perceptual e aprendizado por transferência apresentando os ganhos mais pronunciados em realismo e diversidade. Experimentos de classificação subsequentes usando os conjuntos de dados aumentados demonstram uma melhora mensurável no desempenho. O DGAN-WP-TL oferece uma solução robusta e multi-domínio para geração de dados médicos sintéticos em regimes de dados escassos. Pesquisas futuras se concentrarão na incorporação de priors específicos de domínio, síntese baseada em atenção e validação clínica.