傅 雪，陈春晓，李东升，陈志颖

（南京航空航天大学自动化学院，南京 211106）

引 言

随着医学成像技术的不断发展，计算机断层成像（Computed tomography，CT）、正电子发射断层成像、磁共振成像（Magnetic resonance imaging，MRI）和超声成像等广泛应用于临床诊断、手术导航及术后监测等各个领域。不同的成像方式可以得到不同的病理学特征，结合多模态的医学图像可以更好地帮助医生进行精准的临床诊断和科研人员进行相关课题的研究。然而，完备的多模态图像样本的收集是一个长期而艰巨的任务，某些模态医学图像样本的缺失会阻碍相关课题的研究。近年来，基于深度学习的图像处理技术为丰富医学图像数据提供了新的途径［1］。

生成对抗网络（Generative adversarial networks，GAN）［2］是近年来图像处理领域里一个热门的研究方向。GAN 可以通过学习真实图像的数据分布来生成逼近真实图像的虚拟图像，目前已在图像生成［3］、图像增强［4⁃5］、图像分割［6］和图像超分辨率重构［7］等应用方向取得较大进展。基于GAN 的图像生成技术为医学图像获取困难与数据缺失的问题带来了新的解决方案［8］。Nie 等［9］采用卷积网络作为生成器的GAN 模型可以从MRI 图像生成CT 图像；Wolterink 等［10］提出了一种基于循环对抗生成网络（Cycle generative adversarial networks，CycleGAN）［11］的模型，避开了传统GAN 模型对训练数据必须配对的要求，使用没有配对的MRI 与CT 图像实现了不同模态医学图像间的转换；Shen 等［12］利用自逆的循环对抗生成网络实现了多种标签与图像及图像与图像间的转换，利用生成对抗网络生成虚拟样本，可缓解不同模态医学图像缺失的问题。……