生成对抗网络在医学图像计算上的进展与展望

生成对抗网络中生成器和判别器进行博弈的对抗训练方法在计算机视觉任务中引起了大量关注。生成器的参数更新不是直接来自真实数据样本，而是依据判别器的真伪和类别判别，从而具有生成媲美真实图像的能力。此外，生成对抗网络的对抗训练方式具有半监督/无监督训练特性，非常适合应用于医学图像计算领域，用以解决医学图像数据量少、质量低的缺陷。本文从不同角度对基于生成对抗网络的医学图像计算(医学图像合成、超分辨率重建和辅助诊断)的研究进展进行了回顾，并从模型设计、性能表现等方面对相关工作进行了概述和分析。最后，对生成对抗网络在该领域面临的挑战及潜在应用进行了展望。

医学图像可以提供人体内部相关信息的视觉展示，从而被广泛应用于疾病诊断、治疗方案规划、术中导航、术后检测等多个医疗环节之中。

它具有多种成像模态， 比如计算机断层扫描(computed tomography, CT)、磁共振成像(magnetic resonance imaging, MRI)、正电子发射断层扫描(positron emission computed tomography, PET)等。各种模态的医学图像提供了关于人体内部不同的结构和功能信息，极大地推动了医学学科的进步和提升了疾病诊断的水平。但与自然图像相比，医学图像的数据量更少、要求的分辨率更高、获取成本也更加昂贵， 这促使医学图像计算(如合成、超分辨率和辅助诊断等)工作吸引了国内外众多研究者的关注，并逐渐成为了当下的研究热点之一。尽管在过去已有许多工作对该领域进行了探索，然而，基于配准的方法[1]高度依赖配准精度，并且它们的表征能力非常有限；而传统的机器学习方法[2]需要医学专家手工制作图像特征，并且这些特征是专属于某一具体应用的，无法通用。这些缺陷大大限制了相关模型在该领域的应用，所获得的合成或超分辨率图像质量也不尽如人意。深度学习和卷积神经网络(convolutional neural network, CNN) [3]的兴起为图像计算工作带来了全新思路， 它能从数据分布中自动地学习最佳特征[4]，因而非医学专业的研究者也能有效地利用深度模型开展医学图像合成和超分辨率研究工作。尽管研究者们利用CNN 取得了一系列突破[5]，但其往往存在“平均效应”，所获取的输出图像往往较模糊。具有对抗训练机制、可以完美学习到训练样本分布的生成对抗网络的出现，进一步掀起了医学图像计算中医学图像合成、超分辨率和辅助诊断领域的研究热潮。

2. 生成对抗网络简介 生成对抗网络(generative adversarial networks, GAN)由Goodfellow 等人[6]受到博弈论的启发， 于2014