本文针对 cycleGAN 在医学图像合成中普遍存在的结构一致性问题，提出了一种基于无配对数据的结构约束 cycleGAN 方法，使用基于模态无关邻域描述符的额外结构一致性损失来约束结构一致性，并采用基于位置的选择策略进行训练图片的选择，实验结果表明该方法优于传统 cycleGAN，并且接近于使用配对数据训练的 cycleGAN。

Sep, 2018

本研究提出了一种通用的交叉模态医学图像合成方法，通过端到端的三维卷积神经网络实现具有真实感的立体图像合成和分割任务，以便作为补充训练样本，进一步提高分类器的泛化能力，生成放射疗法计划所需的 X-ray 衰减图等。对 4,496 个 CT 和磁共振成像 (MRI) 心血管体积的广泛实验表明，两个任务相互促进，耦合这两个任务比单独解决它们更有利。

Feb, 2018

本研究介绍了一种利用合成 MRI 图像进行增强的单模态配准的方法，通过利用 CycleGANs 和特征提取器从 CT 扫描中生成这些合成 MRI 图像，该方法在多个比较度量标准上表现出优秀的结果，验证了其有效性。

Oct, 2023

本文提出了一种使用生成对抗网络（GAN）实现未配对 MR 和 CT 图像的合成的方法，可以利用其进行放射治疗等方面的治疗规划。经过定量评估，该模型能够合成接近参考 CT 图像的 CT 图像，并且能够超过使用配对 MR 和 CT 图像训练的 GAN 模型。

Aug, 2017

该研究提出了使用 CycleGAN 模型将神经图像从一种场强转化为另一种的方法，并将其与基于 DCGAN 结构的模型进行了比较，结果表明 CycleGAN 能够以较高的准确度生成合成和重构图像。

Dec, 2023

本文提出了一种数据驱动的全卷积神经网络，利用对抗训练和图像梯度差异损失函数来更好地建模 MRI 到 CT 的非线性关系，进而生成与之对应的 CT 图像，实验证明其准确性和稳健性，并且表现优于已有的三种方法。

Dec, 2016

本文提出了一种基于条件生成对抗网络的多对比度 MRI 综合新方法，该方法通过对抗损失保留高频细节，通过对注册多对比磁共振图像的逐像素损失和对非注册图像的循环一致性损失提供增强的合成性能，利用邻近切片的信息进一步提高合成品质，实验证明其优于以前最先进的方法，可以提高多对比度 MRI 检查的质量和多样性，无需需要长时间的检查。

Feb, 2018

本文提出了 MaskGAN，这是一个新颖且具有成本效益的框架，通过利用自动生成的粗糙掩膜来实现结构的一致性，以克服医学图像合成中配对数据稀缺以及图像错位的问题。

Jul, 2023

MRI 扫描的磁共振成像和显微成像的跨模态增强具有潜力，可以在没有侵入性活检程序的情况下进行组织病理学分析。本文测试了一种使用条件生成对抗网络（cGAN）架构从 MRI 扫描中生成微观组织学图像的方法。该方法通过训练配对的图像转换模型，将 MRI 扫描和显微镜图像集合起来。通过可靠地合成胼胝体的组织学图像，这项技术突显了网络在训练高分辨率组织学图像和相对较低分辨率 MRI 扫描方面的能力。该工具的最终目标是避免活检，可用于教育目的。

Oct, 2023

采用 CycleGAN 并引入注意力机制和多级结构生成高组织对比度 MRI 图像，来增强 MRI 组织分割。实验结果表明，该方法在肿瘤边界分割上取得了可观的提升。

Jun, 2020