GANs zur medizinischen Bildsynthese: Eine empirische Studie

Generative Adversarial Networks (GANs) sind zunehmend leistungsfähiger geworden und können beeindruckende, fotorealistische Bilder erzeugen, die den Inhalt von Datensätzen nachahmen, an denen sie trainiert wurden. Ein wiederkehrendes Thema in der medizinischen Bildgebung ist die Frage, ob GANs ebenso effektiv bei der Generierung nutzbarer medizinischer Daten sind wie bei der Erzeugung realistischer RGB-Bilder. In dieser Arbeit führen wir eine umfassende Studie mit mehreren GAN-Architekturen und Anwendungen durch, um die Vorteile von GANs in der medizinischen Bildgebung abzuschätzen. Wir testeten verschiedene GAN-Strukturen – von grundlegenden DCGANs bis hin zu anspruchsvolleren, stilbasierten GANs – an drei medizinischen Bildgebungsmodaliäten und Organen: kardiale Cine-MRT, Leber-CT und RGB-Retina-Bilder. Die GANs wurden auf bekannten und weit verbreiteten Datensätzen trainiert, und ihre FID-Scores wurden berechnet, um die visuelle Schärfe der generierten Bilder zu messen. Zusätzlich prüften wir ihre praktische Nützlichkeit, indem wir die Segmentierungsgenauigkeit eines U-Net modells evaluierten, das auf diesen generierten Bildern trainiert wurde.Die Ergebnisse zeigen, dass GANs keineswegs gleichwertig sind: Während einige Architekturen für medizinische Anwendungen ungeeignet sind, erweisen sich andere als deutlich besser geeignet. Die besten GANs sind in der Lage, medizinische Bilder zu erzeugen, die anhand des FID-Kriteriums realistisch wirken und selbst ausgebildete Experten in einem visuellen Turing-Test täuschen können, wobei sie zudem bestimmte metrische Kriterien erfüllen. Dennoch deuten die Segmentierungsergebnisse darauf hin, dass keine der getesteten GANs in der Lage ist, die volle Komplexität und Vielfalt eines medizinischen Datensatzes vollständig nachzubilden.