近年來，研究人員將眾多領域方法引入到醫學圖像處理中。經過不斷改進，醫學圖像處理算法的效果和效率均得到不同程度的提高。目前，生成式對抗網絡（GAN）在醫學圖像處理領域中的應用研究發展迅速。本文主要綜述了 GAN 在醫學圖像處理中的應用研究情況，介紹了 GAN 的基本概念，并從醫學圖像降噪、檢測、分割、合成、重建和分類等六個方面對 GAN 應用研究的最新進展進行了歸納總結，最后對該領域中值得進一步研究的方向進行了展望。
阿爾茨海默癥（AD）是一種典型的神經退行性疾病，臨床上表現為失憶、喪失語言能力、喪失生活自理能力等。迄今為止，AD 病因尚不明確且病程不可逆，也沒有治愈的方法，因此，AD 的早期診斷對于研發新型藥物和措施以減緩病情發展具有重要意義。輕度認知障礙（MCI）是一種介于 AD 和正常老化（HC）之間的狀態。研究表明，MCI 患者比沒有患過 MCI 的人更有可能發展成 AD，因此，對 MCI 患者的準確篩查成為了 AD 早期診斷的研究熱點之一。隨著神經影像技術和深度學習的飛速發展，越來越多的研究者使用深度學習方法對大腦神經影像如磁共振影像（MRI）進行分析，用于 AD 的早期診斷。于是，本文提出基于卷積神經網絡（CNN）和集成學習的多切片集成分類模型用于 AD 早期診斷。與只用單切片訓練獲得的 CNN 分類模型相比，本文采用三個維度上的多個二維切片進行訓練而獲得的集成分類器模型，能更充分地利用 MRI 包含的有效信息，從而提高分類的準確率和穩定性。
阿爾茨海默病（AD）作為一種常見的神經系統退行性疾病，其致病機制不明，尤其是對處于 AD 不同階段的輕度認知障礙（MCI）患者的萎縮區域難以確定，導致誤診率偏高。為此，提出了基于 3 維卷積神經網絡（3DCNN）和遺傳算法（GA）相結合的 AD 早期輔助診斷模型。首先用 3DCNN 針對感興趣區域（ROI）訓練出候選基分類器，然后利用 GA 算法從中挑選出最優基分類器組合，最后集成起來進行分類，實現輔助診斷。同時，由于基分類器與腦區之間是一一對應的，進而可以找出具有顯著分類能力的腦區。實驗結果表明，AD 與正常組（NC）的分類準確率為 88.6%，轉化為 AD 的 MCI（MCIc）與 NC 的分類準確率為 88.1%，未轉化為 AD 的 MCI（MCInc）與 MCIc 的分類準確率為 71.3%。此外，通過對關鍵 ROI（即腦區）所對應的行為域數據進行統計分析，GA 篩選的關鍵腦區除了左延髓海馬、左尾部海馬和內外側杏仁核、左海馬旁回，還新發現了右顳中回前顳上溝、右扣帶回背側 23 等區域。實驗得出所選腦區的功能主要影響情緒、記憶和認知等方面，這與 AD 患者出現的感情冷淡、記憶力下降、行動能力下降和認知水平下降等外在表現基本吻合。這些均表明所提方法是有效的。
針對計算機斷層掃描血管造影（CTA）圖像的冠狀動脈人工手動分割效率低下，而現有深度學習分割模型在冠狀動脈圖像上分割準確率較低的問題，受Transformer的啟發，本文提出了一種雙并行分支編碼器的分割模型——DUNETR。該網絡以Transformer和卷積神經網絡（CNN）作為雙編碼器，Transformer編碼器負責將三維（3D）冠狀動脈數據轉變成一維（1D）序列問題進行學習并捕獲其有效的全局多尺度特征信息，CNN編碼器則提取3D冠狀動脈的局部特征，二者所提取到的不同特征信息通過噪聲降低的特征融合（NRFF）模塊的拼接融合后連接到解碼器。在公開數據集上的實驗結果表明，提出的DUNETR網絡結構模型在Dice相似性系數方面達到了81.19%，召回率達到了80.18%，相比對比實驗中次好結果模型有0.49%和0.46%的提升，超越了其他常規深度學習方法。將Transformer和CNN作為雙編碼器而共同提取到的豐富特征信息，會有助于進一步提升3D冠狀動脈分割的效果。同時，該模型也為其他血管狀器官分割提供了新思路。
阿爾茨海默癥（AD）分類模型通常會將整張大腦影像分割為體素塊，并為之賦予與整張影像一致的標簽，但并非每個體素塊都與疾病密切相關。為此，本研究提出了基于弱監督多示例學習（MIL）和多尺度特征融合的AD輔助診斷框架，并從體素塊內部、體素塊之間以及高置信度體素塊三個方面設計框架。首先利用三維卷積神經網絡并融入多視角網絡，提取體素塊內部的深層次特征；再通過位置編碼和注意力機制捕捉體素塊間的空間關聯信息；最后篩選高置信度體素塊并結合多尺度信息融合策略，整合關鍵特征用于分類決策。模型分別在AD神經成像倡議（ADNI）數據集和開放獲取系列成像研究（OASIS）數據集上進行性能評估。實驗結果表明，所提框架在AD分類以及輕度認知障礙轉化分類兩項任務中，相較于其他主流框架，ACC及AUC分別平均提升了3%和4%，且可尋找到觸發疾病的關鍵體素塊，為AD輔助診斷提供了有效依據。
主動脈夾層分割中存在主動脈夾層與周圍器官和血管的對比度低、夾層形態差異大以及背景噪聲大等問題。針對以上問題，本文提出一種基于強化學習的B型主動脈夾層定位方法，借助兩階段分割模型，使用深度強化學習執行第一階段的主動脈定位任務，保證定位目標的完整性；在第二階段，使用第一階段的粗分割結果作為輸入，得到精細的分割結果。為了提高一階段分割結果的召回率（Recall），使定位結果更完整地包含分割目標，本文設計了基于Recall變化方向的強化學習獎勵函數；同時，將定位窗口與視野窗口分離，減少分割目標缺失的情況。本文選取Unet、TransUnet、SwinUnet以及MT-Unet作為基準分割模型，通過實驗驗證，本文的兩階段分割流程結果中多數指標均優于基準結果，其中Dice指標分別提高1.34%、0.89%、27.66%和7.37%。綜上，將本文的B型夾層定位方法加入分割流程，最終的分割精度較基準模型結果有所提升，對于分割效果較差的模型提升效果更顯著。
阿爾茨海默癥（AD）是一種不可逆轉的大腦神經退化性疾病，會損害患者記憶力和認知能力。因此，AD診斷具有重要意義。大腦感興趣區域（ROI）之間往往是多個區域以非線性的方式協同交互，充分利用此類非線性高階交互特征有助于提高AD診斷分類的準確性。為此，提出基于非線性高階特征提取和三維超圖神經網絡相結合的AD計算機輔助診斷框架。首先針對ROI數據使用基于徑向基函數核的支持向量機回歸模型訓練出基估計器，再通過基于基估計器的遞歸特征消除算法提取功能性磁共振成像（fMRI）數據中的非線性高階特征，進而將特征構造成超圖，最后基于fMRI數據的四維時空特性搭建超圖卷積神經網絡模型來進行分類。阿爾茨海默癥神經影像倡議（ADNI）數據庫上的實驗結果表明，所提框架在AD/正常對照（NC）分類任務上的效果相較于Hyper Graph Convolutional Network（HyperGCN）框架提高了8%，相較于傳統二維線性特征提取方法提高了12%。綜上，本文框架在AD分類效果上較主流深度學習方法有所提升，可為AD計算機輔助診斷提供有效依據。
阿爾茨海默癥（AD）是一種進行性神經退行性疾病。由于AD患者早期階段的病癥不明顯，使得臨床診斷中難以快速確診，誤診率較高。目前關于AD早期診斷的相關研究中，較少關注受試者較長時間跨度上AD的進展變化。基于此，本文提出融合雙時間點結構性磁共振成像（sMRI）的AD早期輔助診斷集成模型，嘗試將受試者在兩個時間點上獲取的sMRI變化和臨床信息納入到預測模型的分析中，并使用三維卷積神經網絡（3DCNN）和孿生神經網絡模塊從受試者兩個時間點的sMRI中進行特征提取，同時用多層感知機（MLP）來對受試者的臨床信息進行建模，盡可能從受試者的多模態數據中提取與AD相關的特征，提高集成模型的診斷性能。實驗結果表明，基于本文模型，AD患者組與正常對照（NC）組的分類準確率為89%，轉化為AD的輕度認知障礙（MCIc）組與NC組的分類準確率達88%，不轉化為AD的輕度認知障礙（MCInc）組與MCIc組的分類準確率為69%，證實了本文所提方法在AD早期診斷中的有效性和高效性，有望在AD早期的臨床診斷中起輔助支持的作用。