GAN 기반 뇌 MRI 교차 양식 합성

임상 환경에서 불완전한 MRI 시퀀스는 AI 기반 분석을 저해하며, 기존 GAN과 최신 확산 및 트랜스포머 모델 간의 임상적 유용성에 대한 비교 연구는 부족했습니다. 본 연구는 BraTS 2019 뇌종양 데이터셋을 활용하여 T1-T2 교차 양식 MRI 합성을 평가하고, 쌍 및 비쌍 CycleGAN 모델을 조건부 DDPM 및 트랜스포머 강화 GAN과 비교했습니다. 동일한 데이터 분할 및 전처리 파이프라인을 사용하여 모델들을 평가했습니다. 양식 간 상관관계를 분석하여 달성 가능한 유사성 수준을 추정했으며, 합성 과정을 누락된 정보를 재구성하는 표현 학습으로 접근했습니다. 쌍 CycleGAN은 r≈0.92-0.93, SSIM ≈0.90-0.92의 높은 상관관계를 보이며 자연 T1-T2 상관관계(r≈0.95)에 근접했고, 슬라이스당 50ms 미만의 빠른 추론 속도를 유지했습니다. 비쌍 CycleGAN은 r≈0.74-0.78, SSIM ≈0.82-0.85를 달성하며 픽셀 단위 감독 없이도 임상적으로 해석 가능한 재구성을 생성했습니다. DDPM은 SSIM ≈0.93-0.95, r≈0.94로 가장 높은 충실도를 보였으나 상당한 계산 자원을 요구했으며, 트랜스포머 강화 GAN은 중간 수준의 성능을 나타냈습니다. 정성적 분석 결과, CycleGAN과 DDPM이 종양 및 조직 경계를 가장 잘 보존했으며, 비쌍 CycleGAN은 미묘한 병변을 과도하게 부드럽게 처리하는 경향이 있었습니다. 이 연구는 교차 양식 MRI 합성에서 충실도와 효율성 간의 상충 관계를 강조하며, 시간 제약이 있는 임상 환경에서는 쌍 CycleGAN을, 계산 비용이 높은 정확도 상한으로는 확산 모델을 제안합니다.