基于生成对抗网络的医学图像合成研究综述.docVIP

基于生成对抗网络的医学图像合成研究综述

一、医学图像合成的发展背景与核心需求

在现代临床医学诊断与治疗流程中，医学影像技术是支撑疾病早筛、病灶定位、疗效评估的核心基础。目前临床常用的成像模态包括CT（电子计算机断层扫描）、MRI（磁共振成像）、PET（正电子发射断层扫描）、超声、X线摄影等，不同模态的图像能够提供差异化的生理病理信息：例如CT对骨骼结构、钙化灶的辨识度更高，MRI在软组织成像、神经系统病变检测中优势显著，PET则可以反映组织的代谢功能状态。但在实际临床场景中，多模态图像的获取往往面临多重限制：部分成像方式存在放射性损伤（如CT、PET），部分检查成本高昂且扫描时间长（如增强MRI），部分患者因体内存在金属植入物无法接受MRI扫描，儿童或认知障碍患者难以配合长时间扫描导致图像伪影过多。在此背景下，医学图像合成技术应运而生——其核心目标是通过算法模型，从已有的一种或多种模态图像中生成缺失的目标模态图像，或是在低质量图像基础上重建高分辨率、无伪影的高质量图像，从而弥补临床数据的不足，降低医疗成本与患者风险。

传统医学图像合成方法主要包括基于图谱配准的方法、基于稀疏表示的方法以及早期的机器学习方法，但这类方法普遍存在泛化能力弱、对复杂解剖结构建模精度不足、生成图像细节模糊等问题。2014年生成对抗网络（GenerativeAdversarialNetwork，GAN）的