論文の概要: Benchmarking Vanilla GAN, DCGAN, and WGAN Architectures for MRI Reconstruction: A Quantitative Analysis

• arxiv url: http://arxiv.org/abs/2602.00221v1
• Date: Fri, 30 Jan 2026 17:32:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.066314
• Title: Benchmarking Vanilla GAN, DCGAN, and WGAN Architectures for MRI Reconstruction: A Quantitative Analysis
• Title（参考訳）: MRI再建のためのVanilla GAN, DCGAN, WGANアーキテクチャのベンチマーク:定量的解析
• Authors: Humaira Mehwish, Hina Shakir, Muneeba Rashid, Asarim Aamir, Reema Qaiser Khan,
• Abstract要約: この研究では、Vanilla GAN、Deep Convolutional GAN(DCGAN)、Wasserstein GAN(WGAN)の3つのGANアーキテクチャが検討されている。 それらは、膝、脳、心臓のMRIデータセットを用いて、全身領域にわたる一般化性を評価するために訓練され、評価された。 GANモデルは、匿名膝の1000個のMRI画像、805個のハート画像、90個の脳MRIデータセットを用いてテストされた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance Imaging (MRI) is a crucial imaging modality for viewing internal body structures. This research work analyses the performance of popular GAN models for accurate and precise MRI reconstruction by enhancing image quality and improving diagnostic accuracy. Three GAN architectures considered in this study are Vanilla GAN, Deep Convolutional GAN (DCGAN), and Wasserstein GAN (WGAN). They were trained and evaluated using knee, brain, and cardiac MRI datasets to assess their generalizability across body regions. While the Vanilla GAN operates on the fundamentals of the adversarial network setup, DCGAN advances image synthesis by securing the convolutional layers, giving a superior appearance to the prevalent spatial features. Training instability is resolved in WGAN through the Wasserstein distance to minimize an unstable regime, therefore, ensuring stable convergence and high-quality images. The GAN models were trained and tested using 1000 MR images of an anonymized knee, 805 images of Heart, 90 images of Brain MRI dataset. The Structural Similarity Index (SSIM) for Vanilla GAN is 0.84, DCGAN is 0.97, and WGAN is 0.99. The Peak Signal to Noise Ratio (PSNR) for Vanilla GAN is 26, DCGAN is 49.3, and WGAN is 43.5. The results were further statistically validated. This study shows that DCGAN and WGAN-based frameworks are promising in MR image reconstruction because of good image quality and superior accuracy. With the first cross-organ benchmark of baseline GANs under a common preprocessing pipeline, this work provides a reproducible benchmark for future hybrid GANs and clinical MRI applications.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、体内構造を見るための重要な画像モダリティである。 本研究は、画像品質の向上と診断精度の向上により、MRIの精度と精度を向上させるために人気のあるGANモデルの性能を解析する。 この研究で考慮された3つのGANアーキテクチャは、Vanilla GAN、Deep Convolutional GAN(DCGAN)、Wasserstein GAN(WGAN)である。 それらは、膝、脳、心臓のMRIデータセットを用いて、全身領域にわたる一般化性を評価するために訓練され、評価された。 バニラGANは対向的なネットワーク構成の基礎を担っているが、DCGANは畳み込み層を確保して画像合成を進め、一般的な空間的特徴に優れた外観を与える。 トレーニング不安定性は、不安定な状態を最小限に抑え、安定した収束と高品質な画像を確保するために、WGANでワッサーシュタイン距離を通じて解決される。 GANモデルは、匿名膝の1000枚のMRI画像、心臓の805枚の画像、脳MRIデータセットの90枚の画像を用いて訓練され、テストされた。 バニラGANの構造類似度指数(SSIM)は0.84、DCGANは0.97、WGANは0.99である。 バニラ・ガンのPak Signal to Noise Ratio (PSNR)は26、DCGANは49.3、WGANは43.5である。 結果はさらに統計的に検証された。 本研究は,DCGANとWGANをベースとしたフレームワークが,画像品質と精度の良さからMR画像再構成において有望であることを示す。 共通の前処理パイプライン下でのベースラインGANの最初のクロス組織ベンチマークにより、この研究は将来のハイブリッドGANと臨床MRI応用のための再現可能なベンチマークを提供する。

関連論文リスト

• Comparative clinical evaluation of "memory-efficient" synthetic 3d generative adversarial networks (gan) head-to-head to state of art: results on computed tomography of the chest [35.858837946090674]
  本研究では,新しいメモリ効率GANアーキテクチャであるCRF-GANを紹介する。 このモデルの性能は、最先端階層型(HA)-GANモデルに対して評価される。
  論文  参考訳（メタデータ） (2025-01-26T15:57:44Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
  本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
  論文  参考訳（メタデータ） (2022-11-05T10:27:37Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• MRI-GAN: A Generalized Approach to Detect DeepFakes using Perceptual Image Assessment [0.0]
  DeepFakesは、オリジナル画像の顔と誰かの顔とを交換して生成された合成ビデオだ。 本稿では,GAN(Generative Adversarial Network)ベースのモデルを用いてDeepFakeコンテンツを分類する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-28T21:53:07Z)
• MRI to PET Cross-Modality Translation using Globally and Locally Aware GAN (GLA-GAN) for Multi-Modal Diagnosis of Alzheimer's Disease [0.6597195879147557]
  現実像を合成できるGAN(Generative Adversarial Network)は、標準的なデータ拡張手法の代替として大きな可能性を秘めている。 本稿では,グローバルな構造的整合性と局所的細部への忠実さを両立させるマルチパスアーキテクチャにより,グローバルかつ局所的に認識された画像間変換GAN(GLA-GAN)を提案する。
  論文  参考訳（メタデータ） (2021-08-04T16:38:33Z)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。