基于生成对抗网络的合成黑色素瘤图像生成与评估
摘要
黑色素瘤是最致命的皮肤癌，早期检测对于改善患者预后至关重要。尽管 dermoscopy 结合深度学习已推动自动皮肤病变分析的进展，但进展受限于获取大规模、标注完善的数据集以及严重的类别不平衡问题，后者导致黑色素瘤图像严重不足。为此，我们提出首个系统性基准测试研究，比较四种 GAN 架构—DCGAN、StyleGAN2 和两种 StyleGAN3 变体 (T/R)—在高分辨率黑色素瘤专用图像合成方面的性能。我们在两个经专家标注的基准数据集 (ISIC 2018 和 ISIC 2020) 上训练和优化所有模型，采用统一的预处理和超参数探索，特别关注 R1 正则化调优。通过多方位协议评估图像质量，包括分布层面指标 (FID)、样本层面代表性 (FMD)、定性皮肤浸诊检查、基于冻结 EfficientNet 的下游分类器，以及两位资深皮肤科医生的独立评估。StyleGAN2 在定量性能和感知质量之间取得最佳平衡，分别在 gamma=0.8 时取得 FID 分数为 24.8 (ISIC 2018) 和 7.96 (ISIC 2020)。冻结分类器识别 StyleGAN2 生成图像为黑色素瘤的比例为 83%，而皮肤科医生鉴别合成图像与真实图像的准确率仅为 66.5% (随机水平为 50%)，且医生间一致性较差 (kappa = 0.17)。在受控扩充实验中，将合成黑色素瘤图像添加以解决类别不平衡问题后，提高了在保留下真实图像测试集上的黑色素瘤检测 AUC 从 0.925 提升至 0.945。这些发现表明，StyleGAN2 生成的黑色素瘤图像保留了诊断相关特征，可为黑色素瘤聚焦机器学习管道缓解类别不平衡提供可衡量的益处。
引用
@article{arxiv.2603.13497,
title = {Synthetic Melanoma Image Generation and Evaluation Using Generative Adversarial Networks},
author = {Pei-Yu Lin and Yidan Shen and Neville Mathew and Renjie Hu and Siyu Huang and Courtney M. Queen and Cameron E. West and Ana Ciurea and George Zouridakis},
journal= {arXiv preprint arXiv:2603.13497},
year = {2026}
}
备注
18 pages, 7 figures. already accepted to MDPI bioengineering