编辑推荐 | 生成对抗式网络及其医学影像应用研究综述
第426篇原创，您的关注是对图图最大的鼓励！
生成对抗式网络（GAN）由负责学习数据分布的生成器和负责鉴别样本真伪的判别器构成，二者在相互对抗过程中互相学习逐渐变强。该网络模型使深度学习方法可以自动学习损失函数，减少了对专家知识的依赖，已经广泛应用于自然图像处理领域，对解决医学影像处理的相关瓶颈问题亦具有巨大应用前景。
图图推荐《中国图象图形学报》2022年第3期“医学图像及临床应用”专刊论文“生成对抗式网络及其医学影像应用研究综述”，论文成果来自南方科技大学刘江教授团队。
论文通过对医学影像处理相关瓶颈问题以及生成对抗式网络的深入分析，旨在找到两者的结合点，以及未来的改进方向，也为该领域相关研究人员提供参考。
标题：生成对抗式网络及其医学影像应用研究综述
作者：张颖麟，胡衍，东田理沙，刘江
引用格式：张颖麟, 胡衍, 东田理沙, 刘江. 2022. 生成对抗式网络及其医学影像应用研究综述. 中国图象图形学报, 27(3): 687-703. [DOI: 10.11834/jig.210247]
论文看点
阐述了生成对抗式网络的基本原理，从任务拆分、条件约束以及图像到图像的翻译等角度对其衍生模型进行分析回顾；
对生成对抗式网络在医学影像领域中的数据增广、模态迁移、图像分割以及去噪等方面的应用进行回顾，分析各方法的优缺点与适用范围；
对现有图像生成质量评估方法进行小结；最后，总结生成对抗式网络在医学影像领域的研究进展，并结合该领域问题特性，指出现有理论应用存在的不足与改进方向；
生成对抗式网络提出以来，理论不断地完善，在医学影像的处理应用中也取得了长足发展，但仍然存在一些亟待解决的问题，包括3维数据合成、几何结构合理性保持、无标记和未配对数据使用以及多模态数据交叉应用等。
重要图表
展望及挑战
生成对抗式网络对于解决医学影像领域的数据瓶颈问题，充分发挥深度学习方法的数据驱动优势具有重要意义。
自生成对抗式网络提出以来，其理论不断完善，实际应用也取得了长足发展，但是在医学影像处理领域仍然存在一些亟待解决的问题：
（1）医学影像数据大部分是3维的，比如MRI、CT等，如何提高3维数据的合成质量和分辨率；
（2）如何确保合成数据在获得多样性的同时保证其基础几何结构的合理性；
（3）充分利用无标记和未配对的数据数据，以生成高质量、高分辨率并具有多样性的图像，提升分割、分类模型性能；
（4）医学领域存在大量多模态数据交叉使用的需求，如何实现提升算法的跨模态泛化性能，以及不同模态数据的有效迁移。
针对上述问题，未来的研究工作应当聚焦于：
（1）针对3维数据合成优化网络架构、目标函数以及训练方式等，改善模型训练稳定性，提高3维合成图像质量、分辨率以及多样性；
（2）更深层次地将几何先验知识与生成对抗式网络结合；
（3）充分利用生成对抗式网络的弱监督特性；
（4）通过属性解耦以提取不变性特征，以实现具有更好泛化性能的分割和分类模型，并且在模态迁移过程中实现不同层面、不同粒度以及不同需求的属性控制。
作者简介
第一作者：张颖麟，硕士研究生，主要研究方向为基于人工智能算法的医学图像处理、计算机视觉与深度学习技术。
E-mail: zhangyl7@mail.sustech.edu.cn
通信作者：刘江，教授，博士生导师，主要研究方向为眼科人工智能、眼脑联动、医疗影像、手术机器人。
E-mail: liuj@sustech.edu.cn
胡衍，副研究员，硕士生导师，主要研究方向为手术辅助、术中导航、医学图像处理。
E-mail: huy3@sustech.edu.cn
东田理沙，高级工程师，主要研究方向为图像及信号处理。
E-mail: k-chen@tomey.co.jp
《中国图象图形学报》
前沿/热点专题征文来了~
“类脑视觉”专题征文
《中国图象图形学报》
前沿专刊专栏上线啦~
本文系《中国图象图形学报》独家稿件
内容仅供学习交流
版权属于原作者
欢迎大家关注转发！
编辑：芷 玥
审核/指导：韩小荷，梧桐君
总编辑：肖 亮
声 明
欢迎转发本号原创内容，任何形式的媒体或机构未经授权，不得转载和摘编。授权请在后台留言“机构名称+文章标题+转载/转发”联系本号。转载需标注原作者和信息来源为《中国图象图形学报》。本号转载信息旨在传播交流，内容为作者观点，不代表本号立场。未经允许，请勿二次转载。如涉及文字、图片等内容、版权和其他问题，请于文章发出20日内联系本号，我们将第一时间处理。《中国图象图形学报》拥有最终解释权。