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、生成对抗网络在医学图像合成领域的发展背景

医学影像是疾病诊断、治疗规划和预后评估的核心支撑技术，临床场景中常面临模态缺失、数据稀缺、标注成本高昂等痛点：PET成像需注射放射性造影剂，不适合孕妇及肾功能不全患者；高分辨率MRI扫描时间长达数十分钟，易产生运动伪影；罕见病病例数据不足，难以支撑深度学习模型训练。传统图像合成方法如线性回归、稀疏表示依赖手工设计特征，对复杂解剖结构的纹理细节还原能力有限，无法满足临床精度要求。2014年Goodfellow提出生成对抗网络（GAN）的对抗训练框架，通过生成器与判别器的动态博弈学习数据分布，在图像生成任务中展现出远超传统方法的保真度，迅速成为医学图像合成领域的主流技术路径。

早期医学GAN研究以2D图像转换为主，2017年提出的Pix2Pix框架首次实现配对医学图像的端到端转换，在CT到MRI的跨模态合成任务中，结构相似性（SSIM）较传统方法提升23%；同年CycleGAN解决了非配对数据的训练问题，摆脱了临床场景中多模态数据严格配准的限制，使得无需对齐的眼底图像血管分割、X线骨密度预测等任务成为可能。随着硬件算力提升，3DGAN逐渐成为研究热点，基于体素的生成模型能够直接输出三维容积数据，在脑部MRI合成、全肺CT仿真等任务中更符合临床实际需求，2023年提出的StyleGAN3改进了生成图像