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: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:针对磁共振血管造影(magnetic resonance angiography,MRA)图像存在部分血管微小、血管重叠等难以自动分割的问题,提出一种基于深度学习的脑血管分割方法.方法:采用由多生成器和判别器组成的生成式对抗网络(generative adversarial networks,GAN)构建脑血管分割模型(brain vessel segmentation model,BVSM).首先,在生成器网络中引入特征融合、注意力机制模块,对患者的MRA图像进行分割提取;其次,判别器网络判断生成器网络生成的脑血管分割结果与专家手工标注分割结果的差距,迫使生成器网络不断优化,生成更真实的分割图像;最后,选用MIDAS数据集,设计消融实验,从Dice系数、精确率、敏感度、AUC 4个方面比较BVSM与原始模型[RVG AN(retinal vascular generative adversarial network)模型]、单独融入注意力模块的RVGAN+Attention模型、单独融入切片特征融合(slice-levelfeature aggregation,SFA)模块的 RVGAN+SFA 模型的脑血管分割效果.结果:BVSM 的 Dice 系数为87.2％、精确率为88.3％、敏感度为86.3％、AUC为0.942,均优于RVGAN模型、RVGAN+Attention模型和RVGAN+SFA模型.结论:提出的方法整体分割准确率较高,可以清楚地观察脑血管结构的异常,为医生正确判断脑血管病变提供了一种辅助诊断方法.

近年来,研究人员将众多领域方法引入到医学图像处理中.经过不断改进,医学图像处理算法的效果和效率均得到不同程度的提高.目前,生成式对抗网络(GAN)在医学图像处理领域中的应用研究发展迅速.本文主要综述了GAN在医学图像处理中的应用研究情况,介绍了GAN的基本概念,并从医学图像降噪、检测、分割、合成、重建和分类等六个方面对GAN应用研究的最新进展进行了归纳总结,最后对该领域中值得进一步研究的方向进行了展望.

糖尿病视网膜病变 (DR) 是糖尿病严重的并发症, 是视力损害最常见的原因之一.硬性渗出物 (HE) 是DR早期的症状之一, 从眼底图像中对硬性渗出的准确检测是DR筛查的关键步骤.提出一种基于生成对抗网络 (GANs) 的视网膜硬性渗出的自动检测方法.相比一般的卷积神经网络, 生成对抗网络由生成式模型G和判别式模型D组成, 两者之间的博弈与竞争使得生成对抗网络能够更加精确地检测眼底图像中的硬性渗出.首先, 为了避免视盘对后续硬性渗出检测的干扰, 根据血管分布信息与全局灰度信息, 准确定位视盘 (OD) 中心并掩盖视盘;然后, 交替迭代训练生成式模型G和判别式模型D, 得到在验证集上分割效果最佳的模型并保存.所提出的算法在e-ophtha EX数据库上训练和验证, 并进行像素级评估, 获得88.6％、84.3％和86.4％的平均灵敏度、PPV和F-score.在另一个独立的DIARETDB1数据库上进行测试, 获得的平均灵敏度、特异性和准确性分别为100％、96.2％和97.8％.综上所述, 两个视网膜图像数据库的评估结果证明, 生成对抗网络的博弈模式能够有效地检测彩色眼底图像中的硬性渗出.

目的 研发基于深度神经网络的智能识别甲状腺功能状态的诊断模型.方法 选取2016年5月至2018年6月1616例(男283例,女1333例,平均年龄52岁)临床已确诊受检者的甲状腺平面显像图,其中甲状腺正常图像299例,甲状腺功能亢进症(简称甲亢)图像876例,甲状腺功能减退症(简称甲减)图像441例.利用2种深度神经网络模型AlexNet和深度卷积生成对抗网络(DCGAN),应用深度学习算法对1000例训练集样本进行特征提取和训练,对616例测试集样本进行效能验证,对2种模型的验证结果分别进行分析,采用Kappa检验进行一致性分析,并分析智能诊断模型的时间优越性.结果 AlexNet模型平均诊断时间为1 s/例,其对甲状腺功能正常、甲亢和甲减的分类判别准确性分别为82.29％(79/96)、94.62％(369/390)、100％(130/130),分类结果与确诊结果的一致性检验Kappa值为0.886(P<0.05);DCGAN模型平均诊断时间为1 s/例,其对甲状腺功能正常、甲亢和甲减的分类判别准确性分别为85.42％(82/96)、95.64％(373/390)、99.23％(129/130),分类结果与确诊结果的一致性检验Kappa值为0.904(P<0.05).结论 深度神经网络智能诊断模型可快速判别甲状腺平面显像中甲状腺的功能状态,识别准确性较高,为甲状腺平面显像图审阅提供了新方式.

深度神经网络(DNN)作为人工智能最主要的分支,是基于模仿人脑思考方式的计算机程序,旨在模拟人类大脑处理信息的方式对事物进行分类或预测.DNN的通用性表现为:自我学习、自适应、联想记忆,即使没有先验背景也可以执行各种任务.近年来DNN受到国内外医学界的广泛重视,尤其在精准分类肿瘤细胞数字图像的自动识别方面已经取得了重大突破,DNN通过强化学习并因此获得经验,使医生能够向患者提供准确的诊疗方案.本文主要综述了DNN技术在肿瘤细胞识别的最新研究进展,详细阐述卷积神经网络、深度信念网络、生成对抗网络、深度残差网络的原理及其应用实例,比较基于不同模型的神经网络,对各类模型在应用层面上的精准度和性能进行分析,提出DNN在肿瘤细胞识别领域中面临的问题及未来的发展趋势.

介绍了生成式对抗网络(generative adversarial networks,GAN)的基本架构及其在几个方面的改进,在同模态医学图像的合成、不同模态医学图像的转换、医学图像的降噪与超分辨力、医学图像的重建以及三维医学图像处理5个方面分析了基于GAN的医学图像合成研究进展.指出了在不同模态的图像重构过程中引入GAN,提高图像质量和重构效率;通过GAN处理医学图像,运用获取的丰富信息实现对临床诊疗的直接支持,是下一步的重点研究方向.

随着多媒体技术的发展,人脸编辑越来越受到人们的关注和重视,是计算机视觉和机器学习领域的热点和难点问题.现有的人脸编辑算法未充分利用人脸结构信息,往往导致人脸编辑结果不真实可信.为此,本文提出了一种显式利用人脸结构信息的算法来编辑人脸眼睛部位,该算法基于二阶段生成对抗网络(Generative Adversarial Networks,GAN):首先生成眼睛和瞳孔的结构信息;然后利用这些结构信息来指导人眼编辑.实际数据的实验结果表明,本文方法与其他方法相比能产生更清晰及更可信的人眼编辑结果,且不需要额外输入其他信息.

微米级计算机断层扫描(Micro-CT)的应用领域很广泛,在生物医学、材料科学等都有研究,而且最近几年的发展很迅速.Micro-CT图像常因辐射剂量的限制而出现噪声,所以开发一种合适的算法来抑制Micro-CT图像中噪声变得很重要.Micro-CT图像的噪声水平与扫描样本、扫描参数等参数有关,合适的噪声抑制算法应该在不同噪声水平下都有不错的性能.过去Micro-CT图像的噪声抑制算法主要是迭代重建算法,但迭代重建算法速度比较慢.深度学习方法作为近些年比较热门的图像处理方法,在临床低剂量CT图像处理上相比于传统方法效果更好、处理速度更快,有进一步在低剂量Micro-CT图像处理中应用的潜力.另外,生成对抗网络在保持图像细节上有着比卷积神经网络更好的效果,本文构建普通卷积神经网络与生成对抗网络,用于对比两者的性能差异.限制于放射源的功率,低噪声的Micro-CT数据难以获取,提出一种创新的扫描方式,可有效获取低噪声的Micro-CT数据,并对实验小鼠的进行了扫描.针对低剂量Micro-CT中较高的噪声,结合Micro-CT的成像原理,提出渐进式的低剂量Micro-CT图像处理方法,分别在解析重建前后对小鼠的Micro-CT图像进行两次处理.相比于只在断层图像上处理,渐进式方法对高噪声数据的处理效果更好.从客观指标与主观视觉效果上,分析和对比了渐进式方法与其他深度学习方法或迭代重建算法的差别.定量分析不同噪声水平下的Micro-CT图像的处理效果,分析生成对抗网络在渐进式Micro-CT图像处理中的优势与限制.渐进式Micro-CT图像处理方法生成的图像质量高、生成速度快、鲁棒性高、客观指标高,可以对进一步的高级应用如图像分割、图像三维可视化等提供帮助.