我们提出了一种基于神经风格迁移的一次学习方法，用于医学影像的谐调化，以防止医学成像中的幻觉，并有效地保护患者的解剖结构。我们的方法可以应用于新的临床场景和临床试验中的未见数据，成为现实世界医学应用的宝贵工具。

Aug, 2023

本文提出使用 HarmonicGAN 进行无配对图像转换，通过光滑性约束来实现一致的像素映射，并利用距离度量来维护样本的自我一致性。在医疗成像、物体转换和语义标记等应用中得到了明显的定性和定量改善，并取得了优于同类方法的实验效果。

Feb, 2019

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

本研究提出了一种新的端到端的合成和分割神经网络（EssNet），可以在不使用 CT 手动标签的情况下同时完成未配对的 MRI 到 CT 图像合成和 CT 脾肿大分割，相比于使用合成图像独立训练分割网络的两阶段方法（0.8801），以及使用 CT 手动标签的规范多张分割方法（0.9125）和 ResNet 方法（0.9107），EssNet 取得了显著更高的中位数 Dice 相似系数（0.9188）。

Dec, 2017

本研究提出了一种将血管分割网络集成到图像翻译任务中的方法，并通过扩展 CycleGAN 框架，将其插入到 UNet 视觉转换器生成器网络之前，以此来提高基于深度学习的多模式视网膜配准方法的训练数据集。我们重构了原始的恒等损失，以学习血管分割与真实图像之间的直接映射，并添加了分割损失项以确保伪图像与真实图像之间共享血管位置。实验结果表明，我们的方法外观逼真，且可以保留血管结构，从而为生成多模态训练数据进行图像配准奠定基础。

Jun, 2023

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

医学图像翻译是一个棘手的问题，本研究提出了一种严格有界的双向翻译网络，通过使用自适应字典学习和交叉邻域上下文特征信息来提高翻译的泛化能力，实现了在不配对的医学图像上的稳定双向翻译。

Nov, 2023

本文介绍了一种基于生成对抗网络的数据增强方法，可以有效地解决卷积神经网络在训练和测试数据之间存在领域差异时性能显著降低的问题。实验结果表明，该方法在领域自适应上表现出优异的性能。

Feb, 2020

本文技术为使用生成模型并结合任务驱动数据增强方法，显式地建模变形场和强化蒙版，用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据，实验结果表明该方法在小样本数据的分割任务中表现优异。

Feb, 2019

通过修改 cycleGAN 模型，将图像去噪问题视为高低噪声域之间的域转换问题，在未配对的视网膜光学相干断层扫描图像上学习这些域之间的映射。在定量和定性评估中，我们展示了这种方法优于其他已有方法，并且结果表明该网络能够区分图像中噪声水平的微小变化。模型的特征映射进一步表明其已学会区分视网膜层和其他不同区域的图像。

Oct, 2019