目的:探讨利用深度学习在图像处理上的优势与放疗结合是否会使放疗过程更加智能化。方法:生成对抗网络(GAN)是一种利用神经网络的生成模型，输入相关特征可生成高质量剂量分布图像。先使用随机无条件GAN进行模拟分布数据的验证，再使用条件GAN(cGAN)训练肿瘤病例的DICOMRT数据，利用靶区和器官轮廓信息直接生成剂量分布图。结果:对于理想数据验证，GAN生成模拟分布效果优良，通过提取靶区轮廓和真实剂量切片数据使用cGAN训练，得到病例计划靶体积和危及器官的剂量分布。结构中预测值与真实剂量之间最大值和平均值的绝对误差评价表现为[3.57%，3.37%](计划靶体积)、[2.63%，2.87%](脑)、[1.50%，2.70%](临床靶体积)、[3.87%，1.79%](大体肿瘤体积)、[3.60%，3.23%](危及器官-1)、[4.40%，3.13%](危及器官-2)。结论:利用GAN模型可以生成模拟分布数据，同时结合先验知识的cGAN模型可以建立靶区和器官信息与剂量分布之间的关系。通过输入靶区和器官轮廓信息直接快速生成对应的剂量分布，是剂量预测的一种有效尝试。

目的:探讨基于生成对抗网络重建PET图像在改善儿童低剂量 18F-FDG PET图像质量及病灶检出中的价值。 方法:回顾性分析2021年8月至2021年12月于首都医科大学附属北京友谊医院行 18F-FDG全身PET/CT显像的61例患儿[男38例、女23例，年龄(4.0±3.5)岁]的PET图像，将所有患儿通过列表模式提取的低剂量扫描(30 s、20 s、10 s)图像输入生成对抗网络进行深度学习(DL)重建，获取相应模拟标准全剂量(DL-30 s、DL-20 s、DL-10 s)图像。测量标准全剂量120 s、30 s、20 s、10 s、DL-30 s、DL-20 s、DL-10 s图像的肝血池及原发病灶半定量参数，计算靶本比(TBR)、对比噪声比(CNR)及 CV。采用5分Likert量表对图像质量进行主观评分，对比各组图像阳性病灶检出情况，计算阳性病灶检出的灵敏度及阳性预测值。采用Mann-Whitney U检验、Kruskal-Wallis秩和检验及 χ2检验分析数据。 结果:30 s、20 s、10 s组图像CNR分别低于DL-30 s、DL-20 s、DL-10 s组( z值：-3.58、-3.20、-3.65，均 P<0.05)。DL-10 s组评分低于120 s、DL-30 s及DL-20 s组[4(3，4)、5(4，5)、4(4，5)、4(4，5)分； H＝97.70， P<0.001]；120 s、DL-30 s、DL-20 s及DL-10 s组图像的TBR、CNR、 CV、病灶及肝血池SUV max和SUV mean差异均无统计学意义( H值：0.00~6.76，均 P>0.05)。DL-30 s、DL-20 s、DL-10 s组图像阳性病灶检出的灵敏度分别为97.83%(225/230)、96.96%(223/230)和95.65%(220/230)，阳性预测值分别为96.57%(225/233)、93.70%(223/238)、84.94%(220/259)；DL-10 s组阳性预测值较低( χ2＝23.51， P<0.001)。DL-10 s组对不同部位阳性病灶检出的假阳性及假阴性病灶较多。 结论:基于生成对抗网络的DL-20 s组图像质量较高，能达到临床诊断要求。

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:研究利用生成对抗网络(GAN)建立头颈部肿瘤MRI图像与CT图像的映射模型，实现MRI引导放疗中伪CT (sCT)的预测生成。方法:收集45例鼻咽癌患者治疗前影像信息与IMRT计划信息。首先对MRI (T1)和CT图像进行刚性配准、裁剪、去背景、数据增强等预处理操作；其次对病例进行GAN训练，随机选取30例作为训练集放入网络进行建模学习，另15例用于测试。比较预测sCT与真实CT的图像质量，以及后续比较预测sCT进行重计算的剂量分布与真实计划的剂量分布。结果:测试集的预测sCT与实际CT图像质量比较显示，二者误差较小，体素平均绝对误差值为(79.15±11.37) HU，结构相似性系数值为0.83±0.03。sCT重计算的剂量分布与实际剂量较为接近，不同区域水平下的MAE值相对处方剂量均<1%。在2mm/2%、3mm/3%准则下，所有病例sCT重计算剂量分布的γ通过率均>92%、>98%。结论:提出并实现了使用GAN进行鼻咽癌患者sCT的生成，为MR-IGRT实施奠定了基础。图像质量与剂量学比较均显示了方法的可行性与准确性。

目的:通过训练生成对抗网络（generative adversarial network，GAN）模型，构建一种包括跨中线上颌骨缺损的虚拟重建方法，以期为临床提供参考。方法:收集2015年6月至2022年6月于四川大学华西口腔医院影像科就诊的汉族成年口腔疾病患者CT资料，选择100例健康上颌骨及15例上颌骨缺损（5例单纯单侧缺损、5例单侧缺损并累及颧骨、5例跨中线缺损）CT数据。应用Mimics软件在健康上颌骨数据及其附近区域创建球型模体并模拟上颌骨缺损，分别为单纯单侧缺损、单侧缺损并累及颧骨、跨中线缺损，以原始图像为虚拟重建的正确参照；人工缺损与正确参照配对后分为训练集（70例）、验证集（20例）以及测试集（10例），前两者用于训练GAN模型，测试集用于评估GAN性能。15例上颌骨缺损CT数据导入训练完成后的GAN模型中进行虚拟重建，对单侧缺损分别采取镜像和基于GAN的方式进行虚拟重建，而对跨中线缺损仅采取基于GAN的方式进行虚拟重建，重建结果分为镜像重建组（10例）、单侧缺损GAN重建组（10例）和跨中线缺损GAN重建组（5例）。对测试集、镜像重建组、单侧缺损GAN重建组进行定量评价，定量指标为Dice相似性系数（Dice similarity coefficient，DSC）和95%豪斯道夫距离（95% Hausdorff distance，HD95），对各组结果进行单因素方差分析和Tukey检验。对测试集、镜像重建组、单侧缺损GAN重建组和跨中线缺损GAN重建组进行定性评分，对各组总分进行Kruskal-Wallis检验和事后检验（Bonferroni校正法）。结果:测试集、镜像重建组、单侧缺损GAN重建组DCS（分别为0.891±0.049、0.721±0.047、0.778±0.057）和HD95［分别为（3.58±1.51）、（5.19±1.38）、（4.51±1.10）mm］的总体差异均有统计学意义（ F=28.08， P<0.001； F=3.62， P=0.041）；其中，测试集DSC显著大于镜像重建组（ P<0.05），测试集HD95显著小于镜像重建组（ P<0.05）。测试集、镜像重建组、单侧缺损GAN重建组、跨中线缺损GAN重建组定性总分［分别为8（1）、6（2）、6（2）和4（2）分］的总体差异有统计学意义（ H=18.13， P<0.001）；两两比较显示，测试集总分显著高于镜像重建组（ P<0.05）。 结论:本项研究提出的基于GAN的虚拟重建方法，其单侧缺损虚拟重建效果优于镜像技术，亦可实现跨中线上颌骨缺损的虚拟重建。

目的:探讨利用深度学习方法提高动脉自旋标记（ASL）图像质量，并优化其对脑血流量（CBF）的定量准确性。方法:回顾性分析2018年5月至2019年8月天津市环湖医院101例脑血管病患者临床及影像资料，分为训练集71例和验证集30例。训练集中男53例，女18例，年龄55.0 （41.3，64.5）；测试集中男23例，女7例，年龄57.5 （49.0，65.0）。以定量灌注加权成像为参考标准，通过训练一个深度学习生成对抗网络（GAN）重建原始ASL-CBF图像。通过结构相似指数和标准均方根误差比较原始ASL-CBF与GAN-CBF的图像质量，并使用Pearson相关分析比较不同脑血管供血区及卒中病灶区ASL-CBF、GAN-CBF与定量灌注的相关性，验证GAN对ASL的图像质量与量化精度的提升性能。结果:训练集和验证集两组患者性别、年龄、疾病类型、卒中病灶位置及大小差异均无统计学意义（均 P>0.05）。GAN-CBF比ASL-CBF的结构相似指数更高（0.888比0.801， P<0.001），且标准均方根误差更低（0.628 比 0.775， P<0.001）。在不同血管供血区及卒中病灶区，GAN-CBF比ASL-CBF与定量灌注的相关性更高，以中动脉穿通支供血区（ r=0.853）与卒中病灶区（ r=0.765）的相关性提升最为明显（均 P<0.001）。 结论:生成对抗网络可以在不增加扫描时间而提高ASL的图像质量与量化精度，拓展了ASL的临床应用价值。

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:通过训练生成对抗网络（generative adversarial networks，GAN）模型，构建一种用于消除CT图像金属伪影的神经网络，以期为临床提供参考。方法:收集2017年1月至2022年6月四川大学华西口腔医院影像科就诊患者的CT资料，共纳入1 000例无伪影CT数据和620例金属伪影CT数据，包含充填体、冠类、钛板钛钉类、托槽类、金属异物类5种。将400例金属伪影CT数据和1 000例无伪影CT数据用于仿真合成，构建出1 000对配对的模拟金属及伪影图像和模拟金属图像（每种200对）。在保证5种金属伪影数据相等的情况下，将整个数据集随机（计算机随机）分为训练集（800对）和测试集（200对），前者用于训练GAN模型，后者用于评估GAN模型性能。定量评价测试集均方根误差（root-mean-square error，RMSE）和结构相似性（structural similarity index measure，SSIM）。用训练好的GAN模型对剩余的220例临床病例颌面部CT图像金属伪影进行消除，并由2名高年资主治医师分别使用改良利克特量表对消除结果进行评价。结果:测试集中充填体、冠类、钛板钛钉类、托槽类和金属异物类伪影消除的RMSE值分别为0.018±0.004、0.023±0.007、0.015±0.003、0.019±0.004、0.024±0.008（ F=1.29， P=0.274），SSIM值分别为0.963±0.023、0.961±0.023、0.965±0.013、0.958±0.022、0.957±0.026（ F=2.22， P=0.069），总体差异均无统计学意义。2名评价者评分的组内相关系数为0.972，对于220例临床病例，改良利克特量表的总体得分为（3.73±1.13）分，整体消除效果较满意。充填体、冠类、钛板钛钉类、托槽类和金属异物类的改良利克特量表得分分别为（3.68±1.13）、（3.67±1.16）、（3.97±1.03）、（3.83±1.14）、（3.33±1.12）分，总体差异无统计学意义（ F=1.44， P=0.145）。 结论:本项研究构建的CT图像金属伪影消除GAN模型，可有效去除金属伪影的干扰，提升图像质量。

深度学习可以自动提取图像特征，而基于深度学习的生成对抗网络（GAN）可以通过学习图像特征，生成临床所需的高质量虚拟医学影像图像，是医学影像人工智能领域的热点研究方向。目前，已有较多学者对基于GAN虚拟生成图像进行了初步研究。本文对GAN结构进行了概述，综述了GAN在CT/MR单模态图像虚拟生成和CT-MR间跨模态图像虚拟生成方面的最新研究进展，并对其面临的挑战和应用前景进行总结和展望。