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

通过引入结构感知偏置的 UNet Structured Transformer（UNest）架构，本研究成功提高了在无配对数据的情况下进行医学图像合成的性能，实现了新的医学图像合成方法，在三个模态（MR、CT 和 PET）的两个公共数据集上，相对于最近的方法改进了高达 19.30% 的六个医学图像合成任务的性能。

Jun, 2024

本论文介绍了一种结构保持 Cycle-GAN (SP Cycle-GAN) 模型，通过在整个 Cycle-GAN 训练过程中强制执行分割损失术语，促进医学结构的保护，并证明了其在多个数据集上的运行优于基线方法和标准 Cycle-GAN 域自适应模型。

Apr, 2023

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

本文研究如何通过 MR-to-CT 合成技术提高诊断组织与骨骼疾病的精准度，结合 CycleGAN 及梯度一致性损失函数的方法有效提升了对骨骼的边界识别。

Mar, 2018

通过使用新的结构正则化技术和多尺度的卷积滤波器，我们提出了 SEGAN 和 SU-Net 来增强 CS-MRI 图像的结构信息，实验结果表明其能够学习目标结构信息并取得了最先进的性能。

Feb, 2019

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

提出了一种基于注意力机制的双对比度生成模型 ADC-cycleGAN，其中加入了双对比度损失项和 $K$ 均值算法，用于多层次医学图像的合成，实验结果表明该模型具有较高的 PSNR 和 SSIM 值。

Jun, 2023

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