Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Federated Breast Cancer Detection Enhanced by Synthetic Ultrasound Image Augmentation

Created by
  • Haebom

저자

Hongyi Pan, Ziliang Hong, Gorkem Durak, Ziyue Xu, Ulas Bagci

개요

본 논문은 연합 학습(FL)의 효율성을 제한하는 제한된 데이터 가용성 및 비IID(Non-Independent, Identically Distributed) 데이터 문제를 해결하기 위해, 유방암 진단을 위한 초음파 이미지에 합성 이미지 공유를 통합하는 생성 AI 기반 데이터 증강 프레임워크를 제안합니다. 두 개의 클래스별 DCGAN(Deep Convolutional Generative Adversarial Networks)을 훈련시켜 합성 이미지를 생성하고, BUSI, BUS-BRA, UDIAT 세 개의 공개 데이터셋을 사용하여 FedAvg와 FedProx 알고리즘 기반의 연합 학습 환경을 시뮬레이션합니다. 실험 결과, 적절한 수의 합성 이미지를 추가함으로써 FedAvg의 평균 AUC는 0.9206에서 0.9237로, FedProx의 평균 AUC는 0.9429에서 0.9538로 향상되었으며, 과도한 합성 데이터 사용은 성능 저하를 야기함을 확인했습니다. 이는 생성 AI 기반 데이터 증강이 유방 초음파 이미지 분류 작업에서 FL 결과를 향상시킬 수 있음을 보여줍니다.

시사점, 한계점

시사점:
생성 AI 기반 데이터 증강이 연합 학습(FL)의 성능 향상에 효과적임을 실험적으로 증명.
유방암 진단을 위한 초음파 이미지 분류에서 AUC 향상을 통해 성능 개선 확인.
적절한 합성 데이터 비율 유지의 중요성 강조.
한계점:
사용된 데이터셋이 공개 데이터셋으로 제한되어 실제 임상 환경과의 차이 존재 가능성.
제안된 방법의 일반화 성능에 대한 추가적인 검증 필요.
최적의 합성 데이터 비율 결정을 위한 더욱 정교한 방법론 연구 필요.
다양한 FL 알고리즘에 대한 추가적인 실험 필요.
👍