MRI 재구성을 위한 베이직 GAN, DCGAN, WGAN 성능 비교 연구

초록

본 논문은 무릎, 뇌, 심장 MRI 데이터를 이용해 Vanilla GAN, Deep Convolutional GAN(DCGAN), Wasserstein GAN(WGAN) 세 가지 기본 GAN 구조의 재구성 성능을 정량적으로 비교한다. 동일한 전처리 파이프라인과 학습 설정 하에 SSIM, PSNR, IS 등 객관적 지표를 측정했으며, DCGAN이 SSIM 0.97, PSNR 49.3으로 가장 높은 이미지 품질을 보였고, WGAN은 SSIM 0.99, PSNR 43.5로 안정적인 수렴과 높은 구조적 유사성을 제공한다. 연구 결과는 향후 복합 GAN 모델 개발 및 임상 MRI 적용을 위한 기준점을 제공한다.

상세 분석

본 연구는 MRI 재구성 분야에서 가장 기본적인 GAN 변형 세 가지를 동일한 데이터셋과 전처리 흐름에 적용함으로써, 모델 구조 자체가 성능에 미치는 영향을 명확히 드러낸다. 먼저 Vanilla GAN은 전통적인 생성‑판별 구조를 그대로 사용했으며, 노이즈 벡터를 전결합(Dense) 레이어로 변환 후 전치(convolution transpose) 레이어를 거쳐 이미지를 생성한다. 이때 LeakyReLU와 배치 정규화가 적용돼 학습 안정성을 어느 정도 확보했지만, 모드 붕괴와 훈련 진동이 여전히 관찰되었다. 결과적으로 SSIM 0.84, PSNR 26이라는 낮은 수치를 기록했으며, 이는 의료 영상에서 요구되는 고해상도와 미세 구조 보존에 미치지 못한다는 점을 시사한다.

DCGAN은 Vanilla GAN에 비해 전적으로 컨볼루션 기반 설계로 전환했으며, 전치 컨볼루션과 배치 정규화를 통해 공간적 특징을 효과적으로 학습한다. 특히, 생성기와 판별기 모두에서 레이어 깊이를 늘리고, 활성화 함수로 LeakyReLU를 유지함으로써 기울기 소실을 방지한다. 이러한 설계는 훈련 과정에서 손실 곡선이 부드럽게 감소하고, 모드 붕괴 현상이 크게 감소함을 보여준다. 실험 결과 SSIM 0.97, PSNR 49.3이라는 뛰어난 수치를 달성했으며, 이는 기존 압축 센싱 기반 재구성 방법보다 현저히 우수함을 의미한다.

WGAN은 손실 함수를 Wasserstein 거리로 교체하고, 판별기를 “critic”으로 재정의함으로써 연속적인 그래디언트 흐름을 제공한다. 가중치 클리핑과 그래디언트 페널티를 적용해 Lipschitz 연속성을 보장함으로써 훈련 안정성을 크게 향상시켰다. 결과적으로 SSIM 0.99, PSNR 43.5를 기록했으며, 이는 구조적 유사성에서는 가장 높은 점수를 받았지만 PSNR 측면에서는 DCGAN보다 다소 낮다. 이는 WGAN이 전반적인 이미지 구조를 보존하는 데 강점을 가지지만, 픽셀 단위의 정밀도에서는 약간의 손실이 발생할 수 있음을 시사한다.

데이터 측면에서 연구팀은 무릎(1000장), 심장(805장), 뇌(90장) MRI를 사용했으며, 각 기관별로 동일한 저해상도 입력을 제공하고 동일한 학습‑검증 분할을 적용했다. 통계적 검증을 위해 다중 비교 테스트와 부트스트랩 방법을 활용했으며, 모든 모델 간 차이가 유의미함을 확인했다. 또한, Inception Score(IS)와 BRISQUE, FID와 같은 보조 지표도 제시했지만 본문에서는 주로 SSIM과 PSNR에 초점을 맞추었다.

이 논문의 주요 기여는 (1) 동일한 전처리 파이프라인 하에 세 가지 기본 GAN을 직접 비교함으로써, 각 모델의 장단점을 명확히 규명한 점, (2) 교차 장기(무릎·심장·뇌) 데이터셋을 활용해 모델의 일반화 가능성을 검증한 점, (3) 향후 복합 GAN, 하이브리드 모델, 트랜스포머 기반 재구성 기법 개발을 위한 재현 가능한 벤치마크를 제공한 점이다. 한계점으로는 데이터 규모가 상대적으로 작고, 특히 뇌 데이터가 90장에 불과해 통계적 파워가 낮을 수 있다는 점, 그리고 실제 임상 환경에서의 가속 비율(k‑space 언더샘플링 비율)과 같은 실용적 요소가 충분히 탐색되지 않았다는 점을 들 수 있다. 향후 연구에서는 더 큰 다기관 데이터셋과 다양한 언더샘플링 비율을 적용하고, 하이브리드 GAN‑CNN‑Transformer 구조를 도입해 성능을 한층 끌어올릴 필요가 있다.