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

Technische Samenvatting: Benchmarking van Vanilla GAN, DCGAN en WGAN voor MRI-reconstructie

Probleemstelling
Magnetic Resonance Imaging (MRI) is een essentieel diagnostisch hulpmiddel voor het visualiseren van zachte weefsels in de knie, hersenen en het hart. De conventionele MRI-acquisitie is echter tijdrovend, wat vaak leidt tot bewegingsartefacten, verhoogde kosten en ongemak voor de patiënt. Traditionele reconstructiemethoden, zoals Compressed Sensing (CS-MRI) en iteratieve technieken, hebben vaak moeite om een optimale helderheid, contrast en detailbehoud te handhaven. Hoewel Generative Adversarial Networks (GANs) zijn opgekomen als een veelbelovende oplossing voor het reconstrueren van hoogwaardige beelden uit ondersampleerde data, is er een gebrek aan directe, zij-aan-zij vergelijkingen van standaard GAN-architecturen (Vanilla GAN, DCGAN en WGAN) die geëvalueerd worden over meerdere anatomische regio's onder een uniforme preprocessing-pipeline.

Methodologie
De studie maakt gebruik van een comparatief experimenteel kader om drie verschillende GAN-architecturen te evalueren:

1. Vanilla GAN: Maakt gebruik van een standaard adversariële setup met volledig verbonden lagen (fully connected layers) en binary cross-entropy loss.
2. Deep Convolutional GAN (DCGAN): Vervangt volledig verbonden lagen door convolutionele en getransponeerde convolutionele lagen om ruimtelijke afhankelijkheden en anatomische details beter te vangen. Het incorporeert batch normalisatie en LeakyReLU-activaties om de training te stabiliseren.
3. Wasserstein GAN (WGAN): Vervangt de standaard discriminator door een "critic" en maakt gebruik van de Wasserstein-afstand (Earth Mover's distance) als verliesfunctie. Deze aanpak dwingt Lipschitz-continuïteit af via weight clipping om stabiele convergentie te garanderen en mode collapse te mitigeren.

Datasets en Preprocessing
De modellen werden getraind en getest op drie verschillende, geanonimiseerde MRI-datasets om de generaliseerbaarheid te beoordelen:

• Knie: 1.000 beelden uit de NYU Langone Health fastMRI-database (k-ruimte data).
• Hart: 805 beelden uit de Sunnybrook Cardiac Data (SCD) dataset.
• Hersenen: 90 beelden uit de Jordan University Hospital (JUH) dataset (T2-gewogen sequenties).

Alle datasets ondergingen preprocessing, inclus\nsluitend normalisatie, herstructurering en conversie van DICOM naar PNG-formaat. De data werd gesplitst in 70% voor training en 30% voor testen. Hyperparameters werden specifiek voor elk model afgestemd, waarbij de Vanilla GAN werd getraind voor 2.000 epochs (vanwege tragere convergentie) en DCGAN/WGAN voor 1.000 epochs.

Belangrijkste Bijdragen

• Cross-Organ Benchmarking: Dit werk biedt de eerste cross-organ benchmark van baseline GANs (Vanilla, DCGAN, WGAN) over knie-, hart- en hersen-MRI-datasets met behulp van een consistente preprocessing-pipeline.
• Kwantitatieve Analyse: De studie biedt een rigoureuze statistische evaluatie van deze architecturen met behulp van de Structural Similarity Index (SSIM), Peak Signal-to-Noise Ratio (PSNR) en Inception Score (IS).
• Statistische Validatie: One-way ANOVA en post-hoc Tukey's HSD-testen werden uitgevoerd om de significantie van de prestatieverschillen tussen de modellen te valideren.

Resultaten
De kwantitatieve analyse onthult duidelijke prestatiehiërarchieën tussen de architecturen:

• Structurele Gelijkenis (SSIM): WGAN behaalde de hoogste score (0,99), gevolgd door DCGAN (0,97), terwijl Vanilla GAN aanzienlijk lager scoorde (0,84).
• Peak Signal-to-Noise Ratio (PSNR): WGAN vertoonde superieure ruisonderdrukking met een PSNR van 49,3, vergeleken met DCGAN (43,5) en Vanilla GAN (26).
• Inception Score (IS): Zowel DCGAN als WGAN behaalden hoge scores (9,0), wat wijst op een hoge beelddiversiteit en scherpte, terwijl Vanilla GAN achterbleef op 2,9.
• Statistische Significantie: ANOVA-resultaten bevestigden dat de verschillen in SSIM en PSNR tussen de modellen statistisch significant zijn (p < 0,00001). Post-hoc tests bevestigden dat zowel DCGAN als WGAN Vanilla GAN significant overtreffen, waarbij WGAN een statistisch significante, zij het kleinere, voorsprong heeft op DCGAN in SSIM en PSNR.

Visuele vergelijkingen over alle drie de anatomische regio's (Figuren 5–7) bevestigen deze metrieken, waarbij wordt aangetoond dat DCGAN en WGAN reconstructies produceren met een superieure anatomische getrouwheid en minder artefacten vergeleken met Vanilla GAN.

Significantie en Claims
Het artikel stelt dat DCGAN- en WGAN-gebaseerde frameworks zeer veelbelovend zijn voor MR-beeldreconstructie vanwege hun vermogen om hoogwaardige beelden met superieure nauwkeurigheid te genereren. De studie benadrukt dat hoewel de Vanilla GAN dient als een fundamentele baseline, deze lijdt onder trainingsinstabiliteit en lagere beeldkwaliteit. In tegen plaats zorgen de architecturale verbeteringen in DCGAN (convolutionele lagen) en de verbeteringen in de verliesfunctie in WGAN (Wasserstein-afstand) effectief voor de oplossing van trainingsinstabiliteiten en mode collapse.

De auteurs positioneren dit werk als een reproduceerbare benchmark voor toekomstig onderzoek, specifal voor de ontwikkeling van hybride GANs en klinische MRI-toepassingen. Door een solide baseline vast te stellen over meerdere lichaamsregio's, beoogt de studie de ontwikkeling van GAN-modellen te sturen om de beperkingen in de echte wereld binnen de medische beeldvorming aan te pakken. Het artikel erkent bescheiden dat hoewel de Inception Score werd gebruikt als een perceptuele metriek, deze niet specifelijk is ontworpen voor grijswaarden medische beelden, wat suggereert dat toekomstig werk kan profiteren van domeinspecifieke alternatieven zoals FID of klinische scoring.