Benchmarking Vanilla GAN, DCGAN, and WGAN Architectures for MRI Reconstruction: A Quantitative Analysis

Sintesi Tecnica: Benchmarking di Vanilla GAN, DCGAN e WGAN per la Ricostruzione MRI

Definizione del Problema
La Risonanza Magnetica (MRI) è uno strumento diagnostico fondamentale per la visualizzazione dei tessuti molli in ginocchio, cervello e cuore. Tuttavia, l'acquisizione convenzionale della MRI è dispendiosa in termini di tempo, portando spesso ad artefatti da movimento, aumento dei costi e disagio per il paziente. I metodi di ricostruzione tradizionali, come il Compressed Sensing (CS-MRI) e le tecniche iterative, faticano spesso a mantenere un'ottimale chiarezza, contrasto e preservazione dei dettagli. Sebbene le Generative Adversarial Networks (GAN) siano emerse come una soluzione promettente per ricostruire immagini di alta qualità da dati sottocampionati, manca un confronto diretto e comparativo tra le architetture GAN standard (Vanilla GAN, DCGAN e WGAN) valutate su molteplici regioni anatomiche sotto una pipeline di pre-elaborazione unificata.

Metodologia
Lo studio impiega un framework sperimentale comparativo per valutare tre distinte architetture GAN:

1. Vanilla GAN: Utilizza una configurazione avversaria standard con strati completamente connessi (fully connected) e perdita di cross-entropia binaria.
2. Deep Convolutional GAN (DCGAN): Sostituisce gli strati completamente connessi con strati convoluzionali e trasposti convoluzionali per catturare meglio le dipendenze spaziali e i dettagli anatomici. Incorpora la batch normalization e attivazioni LeakyReLU per stabilizzare l'addestramento.
3. Wasserstein GAN (WGAN): Sostituisce il discriminatore standard con un "critico" e utilizza la distanza di Wasserstein (distanza dell'Earth Mover) come funzione di perdita. Questo approccio impone la continuità di Lipschitz tramite il weight clipping per garantire una convergenza stabile e mitigare il mode collapse.

Dataset e Pre-elaborazione
I modelli sono stati addestrati e testati su tre distinti dataset MRI anonimizzati per valutare la generalizzabilità:

• Ginocchio: 1.000 immagini dal database fastMRI di NYU Langone Health (dati k-space).
• Cuore: 805 immagini dal dataset Sunnybrook Cardiac Data (SCD).
• Cervello: 90 immagini dal dataset Jordan University Hospital (JUH) (sequenze pesate in T2).

Tutti i dataset sono stati sottoposti a pre-elaborazione, inclusi normalizzazione, ristrutturazione e conversione da DICOM a formato PNG. I dati sono stati suddivisi in un 70% per l'addestramento e un 30% per il test. Gli iperparametri sono stati ottimizzati specificamente per ogni modello, con la Vanilla GAN addestrata per 2.000 epoche (a causa di una convergenza più lenta) e DCGAN/WGAN per 1.000 epoche.

Contributi Chiave

• Benchmarking Cross-Organo: Questo lavoro fornisce il primo benchmark cross-organo delle baseline GAN (Vanilla, DCGAN, WGAN) attraverso dataset MRI di ginocchio, cuore e cervello utilizzando una pipeline di pre-elaborazione coerente.
• Analisi Quantitativa: Lo studio offre una valutazione statistica rigorosa di queste architetture utilizzando l'Indice di Similarità Strutturale (SSIM), il Rapporto Segnale-Rumore di Picco (PSNR) e l'Inception Score (IS).
• Validazione Statistica: Test ANOVA a una via e test post-hoc di Tukey's HSD sono stati condotti per validare la significatività delle differenze di prestazioni tra i modelli.

Risultati
L'analisi quantitativa rivela gerarchie di prestazioni distinte tra le architetture:

• Similarità Strutturale (SSIM): La WGAN ha ottenuto il punteggio più alto (0,99), seguita da vicino dalla DCGAN (0,97), mentre la Vanilla GAN ha ottenuto un punteggio significativamente inferiore (0,84).
• Rapporto Segnale-Rumore di Picco (PSNR): La WGAN ha dimostrato una riduzione del rumore superiore con un PSNR di 49,3, rispetto alla DCGAN (43,5) e alla Vanilla GAN (26).
• Inception Score (IS): Sia la DCGAN che la WGAN hanno ottenuto punteggi elevati (9,0), indicando un'alta diversità e nitidezza dell'immagine, mentre la Vanilla GAN è rimasta indietro con 2,9.
• Significatività Statistica: I risultati dell'ANOVA hanno confermato che le differenze di SSIM e PSNR tra i modelli sono statisticamente significative (p < 0,00001). I test post-hoc hanno confermato che sia la DCGAN che la WGAN superano significativamente la Vanilla GAN, con la WGAN che mostra un vantaggio statisticamente significativo, seppur minore, rispetto alla DCGAN in termini di SSIM e PSSR.

I confronti visivi attraverso tutte e tre le regioni anatomiche (Figure 5–7) corroborano queste metriche, mostrando che DCGAN e WGAN producono ricostruzioni con una fedeltà anatomica superiore e meno artefatti rispetto alla Vanilla GAN.

Significato e Rivendicazioni
L'articolo sostiene che i framework basati su DCGAN e WGAN sono altamente promettenti per la ricostruzione di immagini MR grazie alla loro capacità di generare immagini di alta qualità con un'accuratezza superiore. Lo studio sottolinea che, mentre la Vanilla GAN funge da baseline fondamentale, essa soffre di instabilità dell'addestramento e di una qualità dell'immagine inferiore. Al contrario, i miglioramenti architettonici nella DCGAN (strati convoluzionali) e i miglioramenti della funzione di perdita nella WGAN (distanza di Wasserstein) risolvono efficacemente le instabilità dell'addestramento e il mode collapse.

Gli autori pongono questo lavoro come un benchmark riproducibile per la ricerca futura, specificamente per lo sviluppo di GAN ibride e applicazioni cliniche della MRI. Stabilendo una solida baseline attraverso diverse regioni corporee, lo studio mira a guidare le future modifiche dei modelli GAN per affrontare i limiti del mondo reale nell'imaging medico. L'articolo riconosce modestamente che, sebbene l'Inception Score sia stato utilizzato come metrica percettiva, non è specificamente progettato per le immagini mediche in scala di grigi, suggerendo che il lavoro futuro potrebbe beneficiare di alternative specifiche per il dominio come FID o punteggi clinici.