GAN在医学图像综述——Generative adversarial network in medical imaging: A review

   这篇文章发表于顶刊Medical Imaging Analysis 2019上，文章细数了GAN应用于医学图像的七大领域——重建（图像去噪）、合成、分割、分类、检测、配准和其他工作，并介绍了包括医学图像数据集、度量指标等内容，并对未来工作做出展望。由于笔者研究方向之故，本博客暂时只关注重建、合成部分的应用。关于该论文中所有列出的文章，均可在 GitHub链接中找到。

介绍

  本文统计的截止时间是2019年1月1日之前，统计的论文数据图表如下所示：

  图（a）展示了统计的论文中各应用所占的比例，可以看到合成应用占了46%，合成、重建、分割任务占了绝大多数。图（b）展示了统计的论文中所处理的图像模态比例，可看到MR、CT遥遥领先，PET占据的非常少。图（c）展示了应用论文增长的数量，可以看出GAN应用于医学图像的趋势越来越强烈。
  自2017年起，GAN在医学图像领域的应用大幅上升。其中，图像合成，特别是跨模态合成已经成为了GAN最重要的应用。MR则是最常用的图像。
  由于图像到图像转换框架的普及，这些研究中还有37%属于重建和分割的范畴。在这些情况下，对抗性训练对生成器的输出施加了强烈的形状和纹理调节，使其在这两项任务中非常有希望。
  这些研究中还有8%与分类有关。在这些研究中，最有效的用例是域迁移任务。对于在分类中使用GAN进行数据增强的研究工作，大多数集中在生成图像内容变化相对较小的微小物体，例如结节