Comparative analysis of GAN architectures for brain tumor segmentation in MRI images
Fragment książki (Rozdział monografii pokonferencyjnej)
MNiSW
20
Poziom I
| Status: | |
| Autorzy: | Lytvynenko Volodymyr I., Smolarz Andrzej, Komada Paweł, Voronenko Maria, Smailova Saule, Manzhula Volodymyr, Sineglazov Victor, Lesohorskyi Kyrylo, Przybylski Piotr, Savina Natalia |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Strony: | 1 - 13 |
| Scopus® Cytowania: | 0 |
| Bazy: | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2025 |
| Skrócona nazwa konferencji: | SPIE-IEEE-PSP 2025 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 3 lipca 2025 do 4 lipca 2025 |
| Miasto konferencji: | Lublin |
| Państwo konferencji: | POLSKA |
| Publikacja OA: | NIE |
| Abstrakty: | angielski |
| 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. |
