目的:构建循环生成对抗网络(CycleGAN)对模糊、曝光不足、曝光过度等低质量眼底图像进行质量提升，并对其效果进行评估。方法:从EyePACS数据集中分别选取700张高质量和700张低质量眼底图像作为本研究的数据集。对数据集图像进行裁剪并统一缩放至512×512分辨率。采用2个生成模型和2个判别模型构建CycleGAN，生成模型根据输入的低/高质量眼底图像生成匹配的高/低质量图像，判别模型判别原始图像和生成图像。将本研究提出的算法与限制对比度自适应直方图均衡化(CLAHE)、动态直方图均衡化(DHE)、带色彩恢复的多尺度Retinex(MSRCR)3种图像增强算法的结果进行视觉定性评估，并采用清晰度、BRISQUE、色度、饱和度作为定量指标进行评估。应用糖尿病视网膜病变(DR)诊断网络对原图及不同算法增强图像进行诊断；并比较其准确度和特异度。结果:CycleGAN算法对模糊、曝光不足、曝光过度3类低质量眼底图像的增强均取得最优效果，增强后的眼底图像对比度高、色彩丰富，视盘、血管结构清晰。CycleGAN算法增强的图像清晰度仅次于CLAHE算法；BRISQUE质量分数为0.571，比CLAHE、DHE和MSRCR算法分别高出10.2%、7.3%和10.0%；色度和饱和度分别为103.03、123.24，均高于其他算法；该算法增强100张图像仅需35 s，仅次于CLAHE算法，在速度上具有明显优势。CycleGAN算法增强的图像在DR诊断中的准确率和特异度分别为96.75%和99.60%，均较原图有所提高。结论:CycleGAN可有效提升模糊、曝光不足、曝光过度眼底图像的质量，并有效提高计算机辅助DR诊断系统的准确率，可能在眼科临床诊断中有很大的应用价值。

目的:评估采用单一MRI模拟定位实现鼻咽癌光子和质子放疗计划剂量计算的可行性。方法:回顾性分析2020年1月至2021年12月在中国医学科学院肿瘤医院接受放射治疗的100例鼻咽癌患者的T 1加权MRI图像和CT图像。利用深度学习网络模型将MRI转换成伪CT，训练集、验证集和测试集分别包括70例、10例和20例。深度学习方法采用监督学习的卷积神经网络（CNN）和无监督学习的循环一致性生成对抗网络（CycleGAN）两种方法。利用平均绝对误差（MAE）和结构相似性（SSIM）等定量评估图像质量，利用γ通过率和剂量体积直方图（DVH）评估剂量。用Wilcoxon符号秩检验来统计分析伪CT的图像质量。 结果:图像生成方面，CNN和CycleGAN模型的MAE分别为（91.99±19.98）HU和（108.30±20.54）HU，SSIM分别为0.97±0.01和0.96±0.01。剂量学方面，伪CT用于光子剂量计算的准确性高于质子。光子放疗计划的γ通过率（3 mm/3%）分别为：CNN模型99.90%±0.13%，CycleGAN模型99.87%±0.14%，且均大于98%。质子放疗计划分别为：CNN模型98.65%±0.64%，CycleGAN模型97.69%±0.86%。DVH的指标显示，伪CT的光子计划中剂量数值一致性优于质子计划。结论:基于深度学习的模型能从MRI图像生成准确的伪CT，大多数剂量学差异都在光子和质子放疗的临床可接受范围内，只用MRI成像的工作流程对鼻咽癌患者放疗是可行的。但与原始CT相比，伪CT图像在鼻腔区域的CT值误差较大，临床使用时应特别注意。

目的:研究在常规剂量扫描情况下模拟低剂量CT图像的方法，以此生成训练数据集中与常规剂量CT具有对应关系的低剂量CT图像，并建立深度学习模型，用于低剂量CT图像的降噪。方法:使用Philip Brilliance CT Big Bore模拟定位机，其不同算法重建的CT图像具有不同的噪声水平，其中iDose4算法噪声较大，而全模型迭代重建技术(iterative model reconstruction，IMR)噪声较小。提出一种以等价噪声水平重建图像替代低剂量CT图像的方法。常规剂量和低剂量CT的曝光量分别采用250和35 mAs。分别扫描CTP712均匀模块，用IMR算法重建低剂量CT图像，用不同降噪水平的iDose 4算法重建常规剂量CT图像，并根据噪声分布从中找出低剂量CT的噪声等价图像。随后，用常规剂量和噪声等价CT图像配对训练循环一致性生成对抗网络(cycle-consistent adversarial networks，CycleGAN)，使用模体测试该方法对真实低剂量CT噪声的改善程度。 结果:用iDose 4 level 1重建的常规剂量CT图像可替代IMR重建的低剂量CT图像。低剂量扫描可降低86%的辐射剂量。使用CycleGAN模型降噪后，对于均匀模块，降噪幅度为45%；对于CIRS-SBRT 038模体的脑、脊髓和骨等处，噪声值分别降低了50%，13%和7%。 结论:等价噪声水平重建图像可用于替代低剂量CT图像训练深度学习网络，在避免受检者受照剂量增加的同时，减少图像噪声，提高图像质量。

目的:比较不同神经网络由磁共振成像(MRI)图像生成伪CT图像的本领，探讨伪CT用于临床放疗计划的可行性。方法:选取29例同时具有计划CT和诊断MRI的脑癌患者，23例用于训练，6例用于测试。分别采用循环生成对抗网络(cycleGAN)、对比学习非配对图像转换网络(CUT)以及本研究提出的改进网络denseCUT由MRI生成伪CT，并将伪CT导入治疗计划系统中验证其用于放疗计划的可行性。结果:CycleGAN、CUT和denseCUT生成的伪CT与真实CT之间的平均绝对误差分别为(72.0±6.9)、(72.5±8.0)和(64.6±7.3)HU，结构相似性分别为0.91±0.01、0.91±0.01和0.93±0.01，峰值信噪比分别为(28.5±0.7)、(28.5±0.7)和(29.5±0.7)dB，放疗计划剂量计算γ通过率(2%/2 mm)分别为98.05%、97.92%、98.31%。结论:denseCUT能更准确地生成伪CT，伪CT能满足调强放疗计划剂量计算的需求。

目的:开发一种基于深度学习神经网络的方法将宫颈癌MVCT图像转换为具有高信噪比和高对比度的伪kVCT图像,从而提供宫颈癌自适应放疗需要的患者三维解剖图像和定位信息,引导加速器实现精确放疗.方法:收集54例宫颈癌患者的MVCT和kVCT图像组成数据集,随机选择44例样本作为训练集,并将剩下的10例样本作为测试集.采用加入门控机制和多通道数据输入的循环生成对抗网络(CycleGAN)基于MVCT合成伪kVCT图像.采用平均绝对误差(MAE)、峰值信噪比(PSNR)和结构相似度指数(SSIM)等影像学成像质量评估参数,评估网络训练效果.结果:5通道MVCT-5通道kVCT图像与MVCT图像对比,MAE从(24.9±0.7)HU降至(17.8±0.3)HU,PSNR从(29.8±0.2)dB升至(30.7±0.2)dB,SSIM从0.841±0.007升至0.898±0.003.结论:该方法生成的伪kVCT在降噪和增强对比度方面具有优势,同时能够减少剂量计算中对额外MV-kVCT电子密度校准的需求.伪kVCT的剂量计算能力与MVCT相当,为伪kVCT影像应用于图像引导自适应放疗提供了可能.

目的 探究人工智能医疗器械领域中使用循环生成对抗网络(Cycle-Consistent Generative Adversarial Networks,CycleGAN)和辅助分类生成对抗网络(Auxiliary Classification Generative Adversarial Network,ACGAN)进行数据增广的方法.方法 使用CycleGAN和ACGAN分别生成干扰图像和特定领域数据,对图像增加不规律的变换,对原始图像数据进行数据加工或应用生成对抗网络生成该领域所需的图像数据.结果 在医学影像数据集上评估了本文提出方法的性能,结果表明,CycleGAN和ACGAN可有效生成逼真的医学影像,从而用于训练机器学习模型.结论 该方法解决了人工智能领域图像数据不足的问题,保证了模型对该数据的不可见性,使后期模型评估结果更准确.

目的 基于循环生成对抗网络(cycle generative adversarial network,CycleGAN),利用非配对患者头颅磁共振图像数据实现水抑制T2WI图像和弥散加权成像(diffusion weighted imaging,DWI)图像之间的相互转换,并评估生成的伪弥散加权成像(synthetic diffusion weighted imaging,sDWI)图像质量.材料与方法 收集200例头颅水抑制T2WI图像以及DWI图像,训练集与测试集各100例,其中测试集含50例急性脑梗死.CycleGAN模型包含两个生成器与两个判别器.先基于卷积神经网络(convolutional neural networks,CNN)构建两个生成器,一个将水抑制T2WI图像转换为sDWI图像,另一个生成器将DWI图像转换成伪T2WI图像.再基于CNN构建两个判别器,用于对真实图像和生成的伪图像进行判别并更新参数.生成器与判别器不断交替工作完成CycleGAN模型训练.通过平均绝对误差(mean absolute error,MAE)、平均误差(mean error,ME)、峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity,SSIM)以及主观评分评估sDWI图像质量.对50例急性脑梗死DWI图像与sDWI图像进行梗死灶分割,并计算DICE系数.结果 测试集sDWI图像与真实DWI图像MAE为34.991±0.989,ME为15.982±0.978,PSNR为26.642±3.428,SSIM为0.927±0.039;80%以上sDWI图像无或仅有轻微图像失真、伪影;真实DWI与sDWI图像梗死灶分割后的DICE系数分别为0.898±0.324、0.849±0.259.结论 CycleGAN模型和非配对图像数据可以生成质量较高的sDWI图像,为需要快速磁共振成像的患者减少扫描时间.

目的 利用计算机视觉算法自动生成各种类型的糖尿病视网膜病变(DR)眼底图像.方法 提出一种基于生成对抗网络(GAN)的眼底图像生成方法.该方法以眼底图像的血管脉络图像和病灶点的文字描述作为生成的约束条件,对文字使用长短记忆网络(LSTM)进行编码,血管脉络图像用卷积神经网络(CNN)进行编码,对二者信息合并,再使用生成对抗网络生成眼底图像.结果 模型生成的眼底图像中包含清晰的视盘、血管、黄斑等特征,但是由于文字编码的循环神经网络(RNN)损失函数不能很好地收敛,所以生成图像细节特征不明显.结论 使用GAN可以生成逼真的DR眼底图像,在扩充医疗数据方面具有一定的应用价值,但在小区域细节特征的生成方面仍需改进.

目的:基于循环一致性生成对抗网络(CycleGAN),利用非配对患者盆腔部位数据,实现MRI和CT图像之间的相互转换,并对基于该模型生成的盆腔伪CT(sCT)进行精度和剂量性能的评估.方法:该CycleGAN网络包含两个生成器和两个判别器.先基于全卷积网络(FCNs)构建两个生成器,一个将2D盆腔MRI转换为2D盆腔sCT图像,另一个将CT图像转换为伪MRI(sMRI)图像.再基于FCNs构建两个判别器,用于对真实图像和生成的伪图像进行判别,提升生成图像的质量.为保证sCT图像与MRI图像的一致性,引入归一化互信息作为相似性约束损失项,对模型进行改进.训练集包括35例患者盆腔部位的T1-MRI图像和另外36例患者盆腔部位的CT图像,测试集包括10例盆腔部位患者的MRI和CT图像,评估方法包括sCT与CT图像的误差和放疗剂量伽马通过率.结果:对于测试集中所有病例,生成的sCT与真实CT图像之间的平均绝对误差(MAE)为35.537(±4.537)HU;基于体素的平均剂量差异最大为0.49％;以3％/3 mm、2％/2 mm和1％/1 mm为标准的平均伽马通过率分别高于99％、98％和95％.结论:使用CycleGAN网络和非配对患者训练数据可以生成准确且符合临床剂量精度要求的盆腔部位sCT图像.

目的:研究在完全无监督的条件下深度神经网络实现常规磁共振图像间相互转换的可行性.方法:在循环生成式对抗网络(CycleGAN)中引入感知损失,使网络利用对抗损失学习图像结构信息的同时,结合循环一致性损失和感知损失生成高质量的磁共振图像,并将生成图像与CycleGAN模型以及有监督的CycleGAN模型(S_CycleGAN)生成的图像进行定量比较.结果:引入感知损失后的网络生成的图像定量评估值均高于CycleGAN模型生成的图像,生成的T1加权图像(T1WI)的定量评估值也均高于S_CycleGAN模型生成的T1WI,生成的T2加权图像(T2WI)与S_CycleGAN模型生成的T2WI的定量评估值相似.结论:在CycleGAN中引入感知损失,可以在完全无监督的条件下生成高质量的磁共振图像,进而实现高质量的常规磁共振图像的相互转换.