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

기술 요약: MRI 재구성을 위한 Vanilla GAN, DCGAN 및 WGAN 벤치마킹

문제 정의
자기공명영상(MRI)은 무릎, 뇌, 심장의 연부 조직을 시각화하는 데 필수적인 진단 도구입니다. 그러나 전통적인 MRI 획득 방식은 시간이 많이 소요되며, 이는 종종 움직임 아티팩트(motion artifacts), 비용 증가, 환자의 불편함을 초래합니다. 압축 센싱(Compressed Sensing, CS-MRI) 및 반복 기법과 같은 전통적인 재구성 방법들은 최적의 선명도, 대비 및 세부 사항 보존을 유지하는 데 어려움을 겪는 경우가 많습니다. 생성적 적대 신경망(GAN)이 언더샘플링된 데이터로부터 고품질 이미지를 재구성하는 유망한 해결책으로 부상했음에도 불구하고, 단일 전처리 파이프라인 하에서 여러 해부학적 영역을 대상으로 표준 GAN 아키텍처(Vanilla GAN, DCGAN, WGAN)를 직접적으로 비교 분석한 연구는 부족한 실정입니다.

연구 방법론
본 연구는 세 가지 구별되는 GAN 아키텍처를 평가하기 위해 비교 실험 프레임워크를 채택합니다:

1. Vanilla GAN: 완전 연결 계층(fully connected layers)과 이진 교차 엔트로피 손실을 사용하는 표준 적대적 설정을 활용합니다.
2. Deep Convolutional GAN (DCGAN): 공간적 의존성과 해부학적 세부 사항을 더 잘 포착하기 위해 완전 연결 계층을 합성곱 계층(convolutional layers) 및 전치 합성곱 계층(transposed convolutional layers)으로 대체합니다. 또한 학습을 안정화하기 위해 배치 정규화(batch normalization)와 LeakyReLU 활성화 함수를 포함합니다.
3. Wasserstein GAN (WGAN): 표준 판별기(discriminator)를 "비평가(critic)"로 대체하고, Wasserstein 거리(Earth Mover's distance)를 손실 함수로 사용합니다. 이 접근 방식은 가중치 클리핑(weight clipping)을 통해 리프시츠 연속성(Lipschitz continuity)을 강제함으로써 안정적인 수렴을 보장하고 모드 붕괴(mode collapse)를 완화합니다.

데이터셋 및 전처리
모델의 일반화 능력을 평가하기 위해 세 가지 서로 다른 익명화된 MRI 데이터셋을 사용하여 학습 및 테스트를 진행했습니다:

• 무릎(Knee): NYU Langone Health fastMRI 데이터베이스의 이미지 1,000장 (k-space 데이터).
• 심장(Heart): Sunnybrook Cardiac Data (SCD) 데이터셋의 이미지 805장.
• 뇌(Brain): Jordan University Hospital (JUH) 데이터셋의 T2-가중 영상 90장.

모든 데이터셋은 정규화, 구조 재편성, DICOM에서 PNG 형식으로의 변환을 포함한 전처리 과정을 거쳤습니다. 데이터는 70%의 학습용과 30%의 테스트용으로 분할되었습니다. 하이퍼파라미터는 각 모델에 맞게 조정되었으며, Vanilla GAN은 느린 수렴 속도로 인해 2,000 에포크(epoch) 동안 학습되었고, DCGAN과 WGAN은 1,000 에포크 동안 학습되었습니다.

주요 기여

• 교차 장기 벤치마킹: 본 연구는 일관된 전처리 파이프라인을 사용하여 무릎, 심장, 뇌 MRI 데이터셋에 걸쳐 기본 GAN(Vanilla, DCGAN, WGAN)을 교차 벤치마킹한 최초의 연구를 제공합니다.
• 정량적 분석: 본 연구는 구조적 유사도 지수(SSIM), 피크 신호 대 잡음비(PSNR), 인셉션 점수(Inception Score, IS)를 사용하여 이러한 아키텍처에 대한 엄격한 통계적 평가를 제공합니다.
• 통계적 검증: 모델 간 성능 차이의 유의성을 검증하기 위해 일원 분산 분석(One-way ANOVA) 및 사후 검정인 Tukey's HSD 테스트를 수행했습니다.

결과
정량적 분석 결과, 아키텍처 간의 뚜렷한 성능 계층 구조가 드러났습니다:

• 구조적 유사도 (SSIM): WGAN이 0.99로 가장 높은 점수를 기록했으며, DCGAN(0.97)이 그 뒤를 이었습니다. 반면 Vanilla GAN은 0.84로 현저히 낮은 점수를 보였습니다.
• 피크 신호 대 잡음비 (PSNR): WGAN은 49.3의 PSNR을 기록하며 우수한 노이즈 제거 능력을 보여주었으며, 이는 DCGAN(43.5) 및 Vanilla GAN(26)보다 높은 수치입니다.
• 인셉션 점수 (IS): DCGAN과 WGAN 모두 9.0의 높은 점수를 기록하여 높은 이미지 다양성과 선명도를 나타낸 반면, Vanilla GAN은 2.9에 머물렀습니다.
• 통계적 유의성: ANOVA 결과, 모델 간의 SSIM 및 PSNR 차이는 통계적으로 유의미함이 확인되었습니다 (p < 0.00001). 사후 검정 결과, DCGAN과 WGAN 모두 Vanilla GAN보다 성능이 유의미하게 우수했으며, 특히 WGAN이 SSIM과 PSNR 측면에서 DCGAN보다 통계적으로 유의미하지만 미세한 우위를 점하고 있음이 확인되었습니다.

모든 해부학적 영역에 대한 시각적 비교(그림 5–7)는 이러한 지표들을 뒷받침하며, DCGAN과 WGAN이 Vanilla GAN에 비해 우수한 해부학적 충실도와 적은 아티팩트를 생성함을 보여줍니다.

의의 및 주장
본 논문은 DCGAN 및 WGAN 기반 프레임워크가 고품질 이미지를 생성하는 능력이 뛰어나 MR 영상 재구성에 매우 유망하다고 주장합니다. 연구는 Vanilla GAN이 기초적인 베이스라인 역할을 하지만, 학습 불안정성과 낮은 이미지 품질 문제를 겪는다는 점을 강조합니다. 이와 대조적으로, DCGAN의 아키텍처적 개선(합성곱 계층)과 WGAN의 손실 함수 개선(Wasserstein 거리)은 학습 불안정성과 모드 붕괴 문제를 효과적으로 해결합니다.

저자들은 본 연구를 향후 하이브리드 GAN 및 임상 MRI 애플리케이션 개발을 위한 재현 가능한 벤치마크로 제시합니다. 여러 신체 부위에 걸친 견고한 베이스라인을 구축함으로써, 본 연구는 의료 영상의 실제적 한계를 해결하기 위한 향후 GAN 모델의 변형 방향을 안내하는 것을 목표로 합니다. 또한, 인셉션 점수가 지각적 지표로 사용되었으나 흑백 의료 영상에는 특화되어 있지 않음을 겸허히 인정하며, 향-FID(FID) 또는 임상적 점수와 같은 도메인 특화 대안을 활용한 후속 연구의 필요성을 시사하였습니다.