本文提出了一种名为 VideoGAN 的生成对抗网络，用于跨不同域传输基于视频的数据，并通过对结肠镜数据的实验验证，表明我们的 VideoGAN 可以显著提高多中心数据集上结直肠息肉分割的精度，并可用于将图像从阴天转换为晴天的任务。

Apr, 2020

本文提出了一种新的医学影像生成对抗网络 (MI-GAN)，可以用于合成视网膜图像及其分割掩模，以进行医学影像的监督分析，结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异，达到了当时的最佳状态。

Oct, 2018

使用循环一致生成对抗网络（CycleGANs）进行图像转换并生成人工合成结肠息肉图像，利用生成图像来增强数据集的训练效果，提高卷积神经网络（CNN）检测息肉的 AUC 值，该方法为解决组织病理学图像分类任务中数据不平衡问题提供了一种有效解决方案。

Oct, 2019

使用深度学习框架，本研究提出了一种新的方法来实现 OC 和 VC 之间的图像 - 图像转换，并演示了在虚拟结肠镜检查，真实息肉和正常结肠视频序列以及 3D VC 模型中创造逼真的息肉的结果。

Mar, 2020

该研究介绍了一种创新方法，通过整合空时视频转换器和先进的 2D 视觉模型先验，显式地建模视频生成过程中的空时动态，生成模拟临床内窥镜场景的医学视频，并在内窥镜模拟领域创造了首个公共基准，表现出卓越的视觉质量和多视角一致性，为临床内窥镜研究中的生成性人工智能部署提供了突破。

Mar, 2024

本研究提出了一种新的生成对抗神经网络模型（CVEGAN），其应用在视频压缩质量增强方面，通过采用新颖的 Mul2Res 块、增强残差非局部块（ERNB）和增强的卷积块注意模块（ECBAM），以及重新设计的培训策略和感知损失函数来实现。CVEGAN 在现有多个数据集上表现出显著的编码性能提升。

Nov, 2020

本研究提出了一种用于结肠镜视频的自动语义分析方法，包括使用新型 DL 多标签时间分割模型在监督和无监督环境下进行训练，通过对 300 多个带标注的结肠镜视频测试集进行评估，并使用消融研究来探索各种方法组件的相对重要性。

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

本文旨在通过设计稳健的单流视频生成架构，并扩展最先进的 Wasserstein GAN 框架，从而改进视频生成对抗网络（GANs）的性能，成功地将其应用于视频着色、视频修复和未来预测等领域，实验结果表明，我们的模型在多个具有挑战性的数据集上表现优异。

Nov, 2017

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