Uso de redes generativas adversariais na criação de imagens médicas para classificação de COVID-19

Abstract

A pandemia de COVID-19 resultou em um aumento significativo na demanda por exames de imagem, incluindo radiografias de tórax, amplamente utilizadas na detecção de pneumonia, uma manifestação comum da doença. O desenvolvimento de técnicas de aprendizado profundo, especialmente redes neurais convolucionais, possibilitou avanços expressivos na análise automatizada dessas imagens. Entretanto, a escassez e a heterogeneidade de bancos de dados médicos dificultam o treinamento robusto de modelos de classificação. Neste estudo, utilizamos a arquitetura UBNET treinada exclusivamente com imagens reais, e, em seguida, empregamos uma Deep Convolutional Generative Adversarial Network (DCGAN) para gerar imagens sintéticas de tórax. O objetivo foi avaliar o impacto da inclusão dessas imagens sintéticas no desempenho do modelo, comparando-o ao modelo treinado somente com dados reais. Para isso, utilizamos métricas de classificação (acurácia, precisão, recall e F1-Score), bem como métricas específicas para avaliação de GANs, como Fréchet Inception Distance(FID) e Kernel Inception Distance (KID), além de matrizes de confusão. Os resultados evidenciam que, embora seja possível gerar imagens sintéticas visualmente plausíveis, sua utilização direta no treinamento pode degradar o desempenho da UBNET quando comparado ao uso exclusivo de dados reais. Entretanto, a análise também indica que a viabilidade do uso de dados sintéticos depende fortemente da qualidade das imagens geradas e da capacidade da GAN em preservar características diagnósticas relevantes. Dessa forma, conclui-se que modelos geradores mais sofisticados e estratégias de curadoria de dados sintéticos podem tornar essa abordagem promissora em cenários de escassez de dados médicos.

The COVID-19 pandemic led to a significant increase in the demand for medical imaging, particularly chest X-rays, which are widely used for detecting pneumonia, a common manifestation of the disease. Advances in deep learning, especially convolutional neural networks, have enabled remarkable progress in the automated analysis of such images. However, the scarcity and heterogeneity of medical databases hinder the robust training of classification models. In this study, we employed the UBNET architecture trained exclusively on real chest X-ray images and subsequently used a Deep Convolutional Generative Adversarial Network (DCGAN) to generate synthetic chest images. The objective was to evaluate the impact of including these synthetic images on model performance, comparing it with the model trained solely on real data. To this end, we used classification metrics (accuracy, precision, recall, and F1-score), as well as GAN-specific evaluation metrics such as Fréchet Inception Distance (FID) and Kernel Inception Distance (KID), in addition to confusion matrices. The results show that, although it is possible to generate visually plausible synthetic images, their direct use in training may degrade UBNET performance compared to models trained exclusively with real data. Nevertheless, the analysis also indicates that the feasibility of using synthetic data strongly depends on the quality of the generated images and the GAN’s ability to preserve diagnostically relevant features. Therefore, it is concluded that more sophisticated generative models and improved curation strategies for synthetic data may make this approach promising in scenarios of limited medical data availability.

Keywords: Generative Adversarial Network, GAN, medical images, medical image synthesis, Deep Convolutional Generative Adversarial Network, DCGAN, deep learning, machine learning, Convolutional Neural Networks, CNN.