本文提出了一种基于 GAN 的框架，其中 (i) 模型自适应损失函数以提高模型对 OOD - 噪声数据的鲁棒性，(ii) 对预测的每个体素的不确定性进行了估计，在医学成像领域表现出优异的性能。

Oct, 2021

本文提出了一种名为 MedGAN 的新框架，利用对抗生成网络（GANs）的方法对医学影像进行图像翻译，以此来实现 PET-CT 图像转换，矫正磁共振运动伪影和 PET 图像去噪等不同任务，感知分析和定量评估结果表明，MedGAN 比其他现有的翻译方法表现更优秀。

Jun, 2018

介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法，通过非监督学习来解决图像转换问题，实现了不同域之间的图像转换，并且在多样性方面表现出了很好的通用性。

Jan, 2017

该研究提出了一种基于生成对抗网络的统一方法，实现可以由可控的结构来指导的多种图像转换任务，包括手势转换和跨视角图像转换，其性能显著优于其他基于深度学习的方法

Dec, 2019

本文提出了一种不需要配对训练数据的单向域映射方法，使用 GAN 架构和基于补丁不变性的新型生成器损失来实现适当的图像转换，并通过皮片残差建立了一个输入相关的比例图来准确预测不确定性。通过在三个医学数据集上全面评估，相较于四种最先进方法，我们观察到更高的准确性，表明该方法用于无教师图像转换具有很大的潜力。

Jul, 2022

本文介绍了一种利用多个输入域来实现图像翻译的方案，使用基于生成对抗网络的多模式生成器结构和一种新的损失项，潜在一致性损失，实现了比现有无监督图像到图像转换方法更好的转换效果。

Nov, 2017

通过噪声测量数据，提出了一种新的医学图像到图像翻译任务的条件生成对抗网络架构 ——Ambient-Pix2PixGAN，通过传统图像质量度量和任务性能度量验证了该方法能够在噪声测量数据上成功训练，并产生高质量的目标成像模态翻译图像。

Feb, 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

本论文提出了一种基于自我训练的生成模型，通过连续值预测和回归目标函数进行领域自适应图像转换，其中使用变分 Bayes 学习量化整个生成过程中的不确定性并引入自我注意机制，最终在两个跨扫描仪 / 中心，跨受试者转换任务中，表现出了比当前经典的敌对训练 UDA 方法更优异的综合性能。

May, 2023

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