21、医学图像合成与重建：无监督学习与生成模型的应用

医学图像合成与重建：无监督学习与生成模型的应用

1. 无监督学习在医学图像重建中的应用

在医学图像重建领域，获取成对的低质量和高质量医学图像来训练深度图像到图像网络并非总是可行。因此，无监督学习方法应运而生，它能够在没有成对数据的情况下进行深度图像重建。无监督学习方法主要分为两类：无配对学习方法和自监督学习方法。

1.1 无配对学习方法

无配对学习方法在训练时可以访问低质量和高质量图像集，但这两个图像集之间的图像没有成对对应关系。这种方法主要利用两种生成对抗网络（GAN）模型，即条件生成对抗网络（cGAN）和循环生成对抗网络（CycleGAN）来训练深度图像到图像网络。

以CT金属伪影减少为例，提出了一种名为伪影解缠网络（ADN）的模型，它对cGAN进行了扩展，能够在潜在空间中解缠金属伪影，从而更好地处理无配对学习问题。通过不同损失函数组合训练的ADN模型变体在定量比较中表现出不同的性能，如下表所示：
| 方法 | PSNR | SSIM |
| — | — | — |
| M1 (仅Ladv) | 21.7 | 61.5 |
| M2 (M1 + Lrec) | 26.3 | 82.1 |
| M3 (M2 + Lart) | 32.8 | 91.6 |
| M4 (M3 + Lself) | 33.6 | 92.4 |

从表中可以看出，随着损失函数的增加，模型的性能逐渐提升。

1.2 自监督学习方法

自监督学习方法只可以访问低质量图像，它们依靠输入的低质量图像自身的监督信号来进行学习。主要有三种经典模型：Noise2Noise、N