本文主要介绍了使用生成对抗网络（GAN）进行医学图像合成的研究。作者总结了最近应用 GAN 进行交叉模态大脑图像合成的进展，包括 CT 合成 PET、CT 合成 MRI、MRI 合成 PET 以及相反的方向。

May, 2023

通过模仿生物进化的方式，本研究引入了一种名为 Generative Cellular Automata (GeCA) 的新模型系列，作为一种有效的补充工具，用于视网膜疾病分类的两种成像模式：Fundus 和光学相干断层扫描（OCT）。在 OCT 成像的背景下，GeCA 显著提升了 11 种不同眼科疾病的性能，相较于传统基线模型，平均 F1 分数提高了 12%。在相似的参数限制下，GeCA 优于融合 UNet 或基于 Transformer 的去噪模型的扩散方法。

Jul, 2024

通过生成对抗网络的方法，我们成功实现了从低质量图像到高质量图像的对比转换，产生了具有低均方误差、高结构相似性指数和高峰值信噪比的高质量图像，为跨系统的生物图像质量增强进一步的实施提供了概念验证。

Mar, 2024

通过引入生成对抗网络（GANs）的创新方法，我们提出了一种合成医学图像的方法，通过深度卷积神经网络（CNNs）架构的生成器和鉴别器网络以及对抗训练方法，即使在有限的真实医学图像数据训练下，也能生成逼真的合成图像，并成功模拟了真实医学图像的结构和纹理特征。

May, 2024

本文提供了生成对抗网络在图像合成中的方法分类、文本到图像合成和图像到图像翻译的不同模型的回顾、以及一些评估指标及未来可能的研究方向。

Mar, 2018

本文提出了一种使用生成对抗网络（GAN）进行电子显微镜（EM）图像分割的方法，分为两个阶段：第一阶段是合成标签 “图像”，第二阶段是 EM 图像合成，从而实现标签 - 图像配对的完整模型，该方法可以通过不同的评估手段（如形状特征和全局统计量、分割准确性、用户研究）获得准确且逼真的合成 EM 图像。

Mar, 2020

该综述性论文详细讨论了 GAN 在医学图像分析中的应用，强调了其用于数据模拟和标注数据稀缺性方面的潜在优势，并讨论了未来的研究方向。

Sep, 2018

使用生成对抗网络 (GAN) 的模型 Spike-GAN，可以模拟神经元人群的联合活动，并生成符合实验数据统计学特征的尖峰火箭信号。在与其他主流神经科学建模方法的比较中表现出类似的性能，此方法提供了一种更灵活，易于使用的神经活动合成技术，并可用于确定尖峰火箭信号中的重要特征之间的关系。

Mar, 2018

医学成像是诊断和治疗疾病的重要工具，缺乏医学图像可能导致不准确的诊断和无效的治疗。生成模型通过从现有数据集中生成新数据并检测其中的异常来解决医学图像短缺问题。本文提出了 GAN-GA，一种通过嵌入遗传算法进行优化的生成模型。该模型在保留独特特征的同时提高了图像的保真度和多样性。该方法改进了医学图像的质量和保真度，是图像解释的重要方面。通过使用 Frechet Inception Distance（FID）来评估合成图像，将 GAN-GA 模型应用于生成急性淋巴细胞白血病（ALL）医学图像。实验结果表明，所提出的优化 GAN-GA 在 FID 得分上提高了约 6.8％，特别是在前期训练阶段。源代码和数据集可在此 URL 找到。

Dec, 2023

本文文献是关于生成对抗网络（GAN）框架及其在视觉合成领域的应用和算法进行概述，包括图像翻译、处理、合成高分辨率照片等，并讨论其在内容创作中的应用。

Aug, 2020