초록
생성적 적대 신경망(GANs)은 데이터셋의 내용을 모방하는 데 훈련된 초현실적인 사진을 생성하면서 점점 더 강력해지고 있다. 의료 영상 분야에서 자주 제기되는 주제는, GAN이 RGB 이미지와 같은 현실적인 이미지를 생성하는 데 효과적인 것처럼, 실용적인 의료 데이터 생성에도 효과적일 수 있는가이다. 본 연구에서는 GAN이 의료 영상 분야에 미치는 이점을 평가하기 위해 다중 GAN 및 다중 응용 프로그램 연구를 수행하였다. 우리는 기본적인 DCGAN부터 보다 정교한 스타일 기반 GAN까지 다양한 GAN 아키텍처를 심장 심장 cine-MRI, 간 CT, RGB 망막 영상 등 세 가지 의료 영상 모달리티와 장기에서 테스트하였다. 각 GAN은 잘 알려지고 널리 사용되는 데이터셋에서 훈련되었으며, 생성된 이미지의 시각적 정밀도를 측정하기 위해 FID 점수를 계산하였다. 또한, 생성된 이미지로 훈련된 U-Net의 세그멘테이션 정확도를 측정함으로써 GAN의 실용성을 추가로 평가하였다.결과적으로, GAN은 서로 동등하지 않으며, 일부는 의료 영상 응용에 적합하지 않은 반면, 다른 일부는 훨씬 더 우수한 성능을 보였다. 최고 성능을 발휘한 GAN들은 FID 기준으로 현실감 있는 의료 영상을 생성할 수 있었으며, 시각적 튜링 테스트에서 훈련된 전문가를 속일 수 있을 정도로 우수한 품질을 보였다. 그러나 세그멘테이션 결과를 분석한 결과, 어떤 GAN도 의료 데이터셋의 전체적인 풍부함을 충분히 재현하지는 못하는 것으로 나타났다.