КОНФЕРЕНЦІЇ ВНТУ електронні наукові видання, 
Міжнародна науково-технічна конференція з оптико-електронних інформаційних технологій "ФОТОНІКА − ODS 2025"

Розмір шрифта: 
A COMPARATIVE ANALYSIS OF GAN ARCHITECTURES FOR BRAIN TUMOR SEGMENTATION ON MRI IMAGES
Володимир Іванович Литвиненко

Остання редакція: 2025-04-22

Анотація


This study compares several GAN architectures (CycleGAN, SegGAN, U-Net GAN, WGAN-GP, Attention GAN) for brain tumor segmentation on MRI images using the BraTS 2020 dataset. Results show that Attention GAN and SegGAN provide the most accurate segmentation, highlighting the effectiveness of GANs in medical image analysis.

У цьому дослідженні порівнюються кілька архітектур GAN (CycleGAN, SegGAN, U-Net GAN, WGAN-GP, Attention GAN) для сегментації пухлин головного мозку на МРТ-зображеннях з використанням набору даних BraTS 2020. Результати показують, що Attention GAN і SegGAN забезпечують найбільш точну сегментацію, що підкреслює ефективність GAN в аналізі медичних зображень.


Ключові слова


Brain tumor segmentation; Magnetic resonance imaging (MRI); Generative adversarial networks (GAN); Attention mechanism, CycleGAN; WGAN-GP; U-Net GAN; Segmentation accuracy; Deep learning in medical imaging; BraTS dataset.

Посилання


1.Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y.: Generative adversarial nets. In: Advances in Neural Information Processing Systems, vol. 27 (2014).


2.Arjovsky, M., Chintala, S., Bottou, L.: Wasserstein GAN. arXiv preprint arXiv:1701.07875 (2017).


3.Isola, P., Zhu, J.Y., Zhou, T., Efros, A.A.: Image-to-image translation with conditional adversarial networks. In: Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 5967–5976 (2017).


4.Ronneberger, O., Fischer, P., Brox, T.: U-Net: Convolutional networks for biomedical image segmentation. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. LNCS, vol. 9351, pp. 234–241. Springer, Cham (2015). https://doi.org/10.1007/978-3-319-24574-4_28


5.Bakas, S., Reyes, M., Jakab, A., Bauer, S., Rempfler, M., Crimi, A., Shinohara, R.T., Berger, C., Ha, S.M., Rozycki, M., et al.: Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the BRATS challenge. arXiv preprint arXiv:1811.02629 (2018).

 


Повний текст: PDF