生成對(duì)抗網(wǎng)絡(luò)(GANs)是AI中的一項(xiàng)新突破，它能夠創(chuàng)建看起來(lái)難以置信的真實(shí)圖像,。

根據(jù)《學(xué)術(shù)放射學(xué)》上發(fā)表的一項(xiàng)新分析,，GAN可能也對(duì)醫(yī)療保健研究的未來(lái)產(chǎn)生重大影響，尤其是在現(xiàn)場(chǎng)放射學(xué)領(lǐng)域,。它們可以生成研究人員渴望探索的偽造,，逼真的醫(yī)學(xué)圖像。

以色列第一作者Chaim Sheba醫(yī)學(xué)中心的維拉索林(Vera Sorin)及其同事寫道：這項(xiàng)最新的創(chuàng)新技術(shù)有可能應(yīng)用于多種放射學(xué)任務(wù),。這些任務(wù)包括生成偽造的圖像,，以增加用于訓(xùn)練深度學(xué)習(xí)算法的數(shù)據(jù)集,，將一種圖像類型轉(zhuǎn)換為另一種圖像類型，并改善現(xiàn)有圖像的質(zhì)量,。熟悉這項(xiàng)技術(shù)可以使放射學(xué)界受益,。

作者回顧了2017年至2019年9月的學(xué)術(shù)出版物，重點(diǎn)研究了詳述GAN在放射學(xué)中的應(yīng)用的任何論文,?？傮w而言，有33項(xiàng)研究取得了突破,，其中包括四個(gè)關(guān)鍵領(lǐng)域的研究：圖像重建和去噪,，數(shù)據(jù)增強(qiáng)，模態(tài)之間的轉(zhuǎn)移以及圖像分割,。

作者寫道：十四項(xiàng)研究描述了用于圖像重建和去噪的GAN,。這些研究旨在改善圖像質(zhì)量并減少輻射劑量，這一任務(wù)會(huì)極大地影響用于診斷和篩查目的的成像方式的可用性和使用,。

從事這項(xiàng)工作的研究人員獲得了巨大的成功,。例如，一個(gè)小組訓(xùn)練了GAN來(lái)從CT掃描中去除金屬偽影,。

數(shù)據(jù)增強(qiáng)是與GAN合作的研究人員的另一個(gè)常見主題,。為醫(yī)學(xué)圖像添加注釋需要大量的時(shí)間，精力和知識(shí),，但是,，GANS可以通過(guò)創(chuàng)建可為AI算法發(fā)展做出貢獻(xiàn)的虛假圖像來(lái)幫助研究人員。

作者寫道：生成圖像的主要陷阱是它們有時(shí)難以與真實(shí)圖像競(jìng)爭(zhēng),。合成圖像可能分辨率低或模糊,。因此，算法訓(xùn)練最初是使用偽圖像完成的,，然后使用真實(shí)圖像進(jìn)行完善,。這種方式有益于培訓(xùn)并減少了所需的真實(shí)圖像數(shù)量。

GAN技術(shù)還可用于基于MR圖像生成類似CT的圖像或跨不同序列生成MR圖像,。通過(guò)將一種模式的知識(shí)用于另一種模式的改進(jìn)的差異化,，該技術(shù)可以提高AI模型的有效性。

該團(tuán)隊(duì)確實(shí)補(bǔ)充說(shuō),，該技術(shù)目前仍處于概念驗(yàn)證階段,，但是研究人員繼續(xù)探索GAN在放射學(xué)和其他醫(yī)療專業(yè)領(lǐng)域的潛力。

作者寫道：總而言之,，人們?cè)絹?lái)越多地對(duì)GAN進(jìn)行各種放射學(xué)應(yīng)用的研究,。它們使創(chuàng)建新數(shù)據(jù)成為可能，這些新數(shù)據(jù)可用于臨床護(hù)理,，教育和研究,。