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

Resumo Técnico: Avaliação Comparativa de Vanilla GAN, DCGAN e WGAN para Reconstrução de RM

Definição do Problema
A Ressonância Magnética (RM) é uma ferramenta diagnóstica vital para a visualização de tecidos moles no joelho, cérebro e coração. No entanto, a aquisição convencional de RM é demorada, levando frequentemente a artefatos de movimento, aumento de custos e desconforto do paciente. Os métodos de reconstrução tradicionais, como o Compressed Sensing (CS-MRI) e técnicas iterativas, frequentemente lutam para manter a clareza, o contraste e a preservação de detalhes ideais. Embora as Redes Adversárias Generativas (GANs) tenham surgido como uma solução promissora para reconstruir imagens de alta qualidade a partir de dados subamostrados, há uma falta de comparações diretas e lado a lado de arquiteturas padrão de GAN (Vanilla GAN, DCGAN e WGAN) avaliadas em múltiplas regiões anatômicas sob um pipeline de pré-processamento unificado.

Metodologia
O estudo emprega um framework experimental comparativo para avaliar três arquiteturas distintas de GAN:

1. Vanilla GAN: Utiliza uma configuração adversária padrão com camadas totalmente conectadas e perda de entropia cruzada binária.
2. Deep Convolutional GAN (DCGAN): Substitui as camadas totalmente conectadas por camadas convolucionais e transpostas convolucionais para capturar melhor as dependências espaciais e detalhes anatômicos. Incorpora normalização por lote (batch normalization) e ativações LeakyReLU para estabilizar o treinamento.
3. Wasserstein GAN (WGAN): Substitui o discriminador padrão por um "crítico" e utiliza a distância de Wasserstein (distância do Earth Mover) como função de perda. Esta abordagem impõe a continuidade de Lipschitz via weight clipping para garantir a convergência estável e mitigar o colapso de modo (mode collapse).

Conjuntos de Dados e Pré-processamento
Os modelos foram treinados e testados em três conjuntos de dados de RM distintos e anonimizados para avaliar a generalizabilidade:

• Joelho: 1.000 imagens do banco de dados fastMRI da NYU Langone Health (dados de k-espaço).
• Coração: 805 imagens do conjunto de dados Sunnybrook Cardiac Data (SCD).
• Cérebro: 90 imagens do conjunto de dados do Hospital Universitário de Jordan (JUH) (sequências ponderadas em T2).

Todos os conjuntos de dados passaram por pré-processamento, incluindo normalização, reestruturação e conversão de DICOM para o formato PNG. Os dados foram divididos em 70% para treinamento e 30% para teste. Os hiperparâmetros foram ajustados especificamente para cada modelo, com a Vanilla GAN treinada por 2.000 épocas (devido à convergência mais lenta) e a DCGAN/WGAN por 1.000 épocas.

Principais Contribuições

• Benchmarking Transversal de Órgãos: Este trabalho fornece o primeiro benchmark transversal de órgãos para as GANs de base (Vanilla, DCGAN, WGAN) através de conjuntos de dados de RM de joelho, coração e cérebro, utilizando um pipeline de pré-processamento consistente.
• Análise Quantitativa: O estudo oferece uma avaliação estatística rigorosa destas arquiteturas usando o Índice de Similaridade Estrutural (SSIM), a Relação Sinal-Ruído de Pico (PSNR) e o Inception Score (IS).
• Validação Estatística: Testes de ANOVA de uma via e testes de pós-hoc de Tukey's HSD foram conduzidos para validar a significância das diferenças de desempenho entre os modelos.

Resultos
A análise quantitativa revela hierarquias de desempenho distintas entre as arquiteturas:

• Similaridade Estrutural (SSIM): A WGAN alcançou a pontuação mais alta (0,99), seguida de perto pela DCGAN (0,97), enquanto a Vanilla GAN obteve uma pontuação significativamente inferior (0,84).
• Relação Sinal-Ruído de Pico (PSNR): A WGAN demonstrou uma redução de ruído superior com um PSNR de 49,3, comparado à DCGAN (43,5) e à Vanilla GAN (26).
• Inception Score (IS): Tanto a DCGAN quanto a WGAN alcançaram pontuações altas (9,0), indicando alta diversidade e nitidez de imagem, enquanto a Vanilla GAN ficou atrás com 2,9.
• Significância Estatística: Os resultados da ANOVA confirmaram que as diferenças de SSIM e PSNR entre os modelos são estatisticamente significativas (p < 0,00001). Os testes pós-hoc confirmaram que tanto a DCGAN quanto a WGAN superam significativamente a Vanilla GAN, com a WGAN mostrando uma vantagem estatisticamente significativa, embora menor, sobre a DCGAN em SSIM e PSNR.

Comparações visuais em todas as três regiões anatômicas (Figuras 5–7) corroboram estas métricas, mostrando que a DCGAN e a WGAN produzem reconstruções com fidelidade anatômica superior e menos artefatos em comparação com a Vanilla GAN.

Significância e Alegações
O artigo afirma que as estruturas baseadas em DCGAN e WGAN são altamente promissoras para a reconstrução de imagens de RM devido à sua capacidade de gerar imagens de alta qualidade com precisão superior. O estudo enfatiza que, embora a Vanilla GAN sirva como uma base fundamental, ela sofre de instabilidade de treinamento e menor qualidade de imagem. Em contraste, as melhorias arquiteturais na DCGAN (camadas convolucionais) e as melhorias na função de perda na WGAN (distância de Wasserstein) resolvem eficazmente as instabilidades de treinamento e o colapso de modo.

Os autores posicionam este trabalho como um benchmark reproduzível para pesquisas futuras, especificamente para o desenvolvimento de GANs híbridas e aplicações de RM clínica. Ao estabelecer uma base sólida através de múltiplos corpos, o estudo visa guiar modificações futuras de modelos GAN para abordar limitações do mundo real na imagem médica. O artigo reconhece modestamente que, embora o Inception Score tenha sido usado como uma métrica perceptual, ele não foi projetamente desenhado para imagens médicas em tons de cinza, sugerindo que trabalhos futuros poderiam beneficiar-se de alternativas específicas do domínio, como FID ou pontuação clínica.