本研究针对 BraTS 2023 中的 Brain Magnetic Resonance Image Synthesis for Tumor Segmentation (BraSyn) 挑战，通过深度学习中的图像对图像转换探究不同图像质量损失函数的监督下常用的深度学习框架 Pix2Pix 的有效性，并展示了不同学习目标的有益组合如何优化图像合成性能。

Mar, 2024

为了更广泛地将自动脑肿瘤分割算法应用于临床，建立了 Brain MR 图像合成基准（BraSyn），用于基准测试图像合成方法来合成缺失的 MRI 模态，以实现多模态且多样化的数据集。

May, 2023

本文提出了一种基于超声图像合成类似磁共振图像的方法，该方法自监督、端到端可训练，并利用交叉模式关注和对抗性学习等技术，成功生成了逼真的胎儿 MRI 图像。

Aug, 2020

本研究开发了一种基于物理知识的深度学习方法来合成多种脑部磁共振成像（MRI）对比度，从而加速神经影像处理，并研究了该方法的泛化能力，该方法能够将五分钟的扫描数据合成为四种标准对比度，并且具有良好的泛化性能适用于加速神经影像处理的协议。

May, 2023

通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

Sep, 2019

本篇研究提出了一种基于生成对抗网络的多输入、多输出的方法，通过利用多个序列的冗余信息，能够在单次扫描中生成患者缺失的磁共振成像序列，该方法在两个不同的 4 序列脑 MRI 数据集上进行了测试，并与单模态和多模态方法进行了比较，结果定量和定性上均优于其竞争方法。

Apr, 2019

本研究提出了一种基于深度学习框架的方法，旨在利用 Pix2Pix GAN 模型从三维超声图像合成三维 MRI 体积。利用 3D 超声卷积数据集输入到 UNET 生成器和修补鉴别器，创建相应的 3D MRI 体积。通过对 3D 超声和 MRI 图像数据集应用鉴别器和生成器的损失函数来评估模型性能。结果表明合成的 MRI 图像与预期结果存在一定的相似性。尽管在数据集大小、计算资源和技术复杂性方面存在挑战，但该方法成功生成了具有满意相似性评分的 MRI 体积，并可作为进一步研究的基线。它突显了基于深度学习的体积合成技术在超声到 MRI 转换中的潜力，展示了其在医学应用中的可行性。需要进一步改进和探索以提高临床相关性。

Oct, 2023

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

我们提出了一种名为基于分区 k 空间合成的新型多对比度成像方法，通过特征融合实现 T2 加权图像的超级重建效果，结果显示我们的技术可以与传统 k 空间并行成像方法 (SAKE) 相媲美或更好地处理每个对比度。

Dec, 2023

本文提出一种可解释的任务特定综合网络，通过训练可调节的任务特定加权平均模块和任务特定注意模块，可视化每个输入序列的贡献并突出网络尝试在合成过程中完善的区域。在 BraTS2021 数据集上的实验证明了该方法在任意序列合成方面具有优异的性能，是当前最先进方法的一步之遥。

Jul, 2023