生成對抗網(wǎng)絡(GANs)是AI中的一項新突破,，它能夠創(chuàng)建看起來難以置信的真實圖像,。

根據(jù)《學術放射學》上發(fā)表的一項新分析，GAN可能也對醫(yī)療保健研究的未來產(chǎn)生重大影響,，尤其是在現(xiàn)場放射學領域,。它們可以生成研究人員渴望探索的偽造，逼真的醫(yī)學圖像,。

以色列第一作者Chaim Sheba醫(yī)學中心的維拉索林(Vera Sorin)及其同事寫道：這項最新的創(chuàng)新技術有可能應用于多種放射學任務,。這些任務包括生成偽造的圖像,，以增加用于訓練深度學習算法的數(shù)據(jù)集，將一種圖像類型轉換為另一種圖像類型,，并改善現(xiàn)有圖像的質量,。熟悉這項技術可以使放射學界受益。

作者回顧了2017年至2019年9月的學術出版物,，重點研究了詳述GAN在放射學中的應用的任何論文,。總體而言,，有33項研究取得了突破,，其中包括四個關鍵領域的研究：圖像重建和去噪，數(shù)據(jù)增強,，模態(tài)之間的轉移以及圖像分割,。

作者寫道：十四項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量并減少輻射劑量,，這一任務會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,。

從事這項工作的研究人員獲得了巨大的成功。例如,，一個小組訓練了GAN來從CT掃描中去除金屬偽影,。

數(shù)據(jù)增強是與GAN合作的研究人員的另一個常見主題。為醫(yī)學圖像添加注釋需要大量的時間,，精力和知識,，但是，GANS可以通過創(chuàng)建可為AI算法發(fā)展做出貢獻的虛假圖像來幫助研究人員,。

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

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

該團隊確實補充說,，該技術目前仍處于概念驗證階段，但是研究人員繼續(xù)探索GAN在放射學和其他醫(yī)療專業(yè)領域的潛力,。

作者寫道：總而言之,，人們越來越多地對GAN進行各種放射學應用的研究。它們使創(chuàng)建新數(shù)據(jù)成為可能，這些新數(shù)據(jù)可用于臨床護理,，教育和研究,。