Comparative analysis of GAN architectures for brain tumor segmentation in MRI images

Volodymyr I. Lytvynenko, Andrzej Smolarz, Paweł Komada, Mariia A. Voronenko, Saule S. Smailova, Volodymyr Manzhula, Victor M. Sineglazov, Kyrylo Lesohorskyi, Piotr Przybylski, Natalia Savina

2025

Жабық қол жеткізу Метадеректер (CSL-JSON)

DOI 10.1117/12.3086457

Деректер сенімділігі 70 орташа

Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

This study presents a comparative evaluation of generative adversarial networks (GANs) for brain tumour segmentation in magnetic resonance imaging (MRI). We assess five GAN architectures – Attention GAN, U-Net GAN, SegGAN, WGAN-GP, and CycleGAN – using standard metrics such as Dice coefficient, IoU, Precision, Recall, F1-score, and Hausdorff Distance. The experimental results demonstrate that Attention GAN achieves superior segmentation performance, particularly in delineating irregular tumour boundaries. In contrast, CycleGAN exhibits limited accuracy due to its design for unpaired image translation. The findings highlight the importance of architecture choice and metric trade-offs in clinical applications, supporting the integration of GAN-based models into medical image analysis workflows.