生成対抗ネットワーク（GAN）はますます強力になり、訓練されたデータセットの内容を模倣する、驚くべき写実性を持つ画像を生成する能力を備えるようになった。医療画像分野において繰り返し議論されるテーマの一つは、GANがRGB画像の写実性生成に効果的であるように、医療データの生成にも有効であるかどうかである。本研究では、GANが医療画像分野に与える利点を評価するために、複数のGANアーキテクチャと複数の応用事例を用いた総合的な検証を行った。具体的には、基本的なDCGANから高度なスタイルベースGANまで、さまざまなGANアーキテクチャを、心臓シネMRI、肝臓CT、RGB網膜画像という3つの医療画像モダリティおよび臓器に対して適用した。各GANは広く知られ、広く利用されているデータセット上で訓練され、生成画像の視覚的鮮明度を評価するため、FIDスコア（Fréchet Inception Distance）を算出した。さらに、生成画像上で学習したU-Netのセグメンテーション精度を測定することで、GAN生成データの実用性を検証した。結果から、すべてのGANが同等に機能するわけではないことが明らかになった。一部のGANは医療画像分野における応用に適していない一方で、他の方は著しく優れた性能を発揮した。特に優れたGANは、FID基準に基づき、訓練された専門家が視覚的タービンテスト（Visual Turing Test）で誤認するほどの写実性を持つ医療画像を生成できる。また、一部の評価指標においても良好な結果を示した。しかし、セグメンテーションの結果から、どのGANも医療データセットが持つ完全な情報の豊かさを再現できていないことが示された。