Detecção de anomalias não supervisionada com redes generativas adversariais em mamografia

Resumo O câncer de mama é um câncer comum entre mulheres, e a mamografia de triagem é a principal ferramenta para diagnosticar essa condição. Os avanços recentes nas tecnologias de aprendizado profundo desencadearam a implementação de estudos de pesquisa por meio da mamografia. Métodos semi-supervisionados ou não supervisionados são frequentemente usados para superar as limitações do aprendizado supervisionado, como força de trabalho e tempo, para rotulagem em situações clínicas onde dados anormais estão significativamente em falta. Nesse sentido, propomos um modelo gerador que utiliza uma rede gerativa de ponta (StyleGAN2) para criar imagens mamográficas sintéticas de alta qualidade e um método de detecção de anomalias para detectar câncer de mama em mamografias utilizando métodos não supervisionados. O modelo de geração foi treinado apenas com mamografias normais e a classificação do câncer de mama foi realizada por meio da detecção de anomalias usando 50 mamografias de câncer de mama e 50 mamografias normais que não se sobrepuseram ao conjunto de dados para o aprendizado do modelo gerador. Nosso modelo gerador demonstrou fidelidade comparável às imagens reais, e o método de detecção de anomalias por meio deste modelo gerador mostrou alta sensibilidade, demonstrando seu potencial para triagem do câncer de mama. Este método poderia diferenciar entre mamografias normais e positivas para câncer e ajudar a superar a fraqueza dos métodos supervisionados atuais.