表 1. Summary on medical image processing models based on GAN.

基于 GAN 的医学图像处理模型的文献总结

应用方向	文献	年份	总体结构	具体结构
				生成器 G	判别器 D	额外模块	损失函数
注：WGAN[11]、DCGAN（Deep Convolutional GAN，深度卷积生成式对抗网络）[3]、CycleGAN[36]、PatchGAN[6]（Patch GAN，图像块生成式对抗网络）和 InfoGAN[34]为 GAN 模型的变体；U-Net[37]、3D CNN（three-dimensional CNN，三维卷积神经网络）、DCAN（Deep Contour-Aware Networks，深度轮廓感知网络）[38]和 VGG16[39]为 CNN 的变体
医学图像降噪	Wolterink 等[9]	2017	GAN + CNN	CNN	CNN		平方误差 + 二元交叉熵
医学图像降噪	Yang 等[10]	2018	WGAN + CNN	CNN	CNN	VGG 结构的知觉损失 计算模块	WGAN 的损失 + VGG 模块损失
医学图像降噪	Yi 等[12]	2018	GAN + CNN	U-Net	PatchGAN 的 D	增加额外的外形检测 网络 S	GAN 的对抗损失 + L1 损失 + shape 网络损失
医学图像检测	Schlegl 等[13]	2017	DCGAN	CNN	CNN	无	判别器 D 的损失 + 残差损失
医学图像检测	Kohl 等[14]	2017	GAN + CNN	U-Net	CNN	无	GAN 的对抗损失
医学图像检测	Baumgartner 等[15]	2017	WGAN + CNN	3D U-Net	CNN	无	GAN 的对抗损失 + L1 正则化项
医学图像分割	Zhang 等[17]	2017	GAN + CNN	DCAN	VGG16	无	多类交叉熵损失 + 二元交叉熵损失
医学图像分割	Kamnitsas 等[18]	2017	GAN + CNN	3D CNN	3D CNN	无	分割损失 + 域分类器损失
医学图像分割	Dai 等[19]	2018	GAN + CNN	CNN	CNN	无	多类交叉熵损失 + 二元逻辑损失
医学图像分割	Xue 等 [4]	2017	GAN + CNN	CNN	CNN	无	绝对平均误差
医学图像合成	Nie 等[20]	2017	GAN + CNN + ACM	3D CNN	CNN	ACM:Auto-Context Model 用于精炼生成的图像	二元交叉熵损失 + 梯度差损失
医学图像合成	Wolterink 等 [22]	2017	CycleGAN + CNN	CNN	CNN	该模型使用两个子循环 进行训练	两个子循环的对抗损失 + 重建差异损失
医学图像合成	Costa 等[26]	2018	GAN + CNN	CNN	CNN	Segmentation（U-net 结构） 对实验数据预处理	对抗损失 + 全局 L1 损失
医学图像合成	Zhao 等[27]	2017	GAN + CNN	CNN	CNN	VGG feature network 用于风格转换	对抗损失 + VGG 网络损失 + 总变化损失
医学图像重构	Yang 等[28]	2018	GAN + CNN	U-Net	CNN	VGG 网络用于 计算知觉损失	均方误差 + VGG 网络损失 + 对抗损失
医学图像重构	Shitrit 等[29]	2017	GAN + CNN	CNN	CNN	F 模块（快速傅里叶 逆变换模块）	对抗损失 + L2 损失
医学图像重构	Li 等[30]	2017	GAN + CNN	CNN	CNN	无	像素级损失 + 对抗损失 + 3D 总变化损失 + 权重正则化损失
医学图像分类	Zhang 等[31]	2017	GAN + CNN	CNN	CNN	无	对抗损失
医学图像分类	Hu 等[32]	2018	WGAN + InfoGAN + CNN	CNN	CNN	辅助网络 Q（CNN 结构）	对抗损失 + 辅助网络 Q 的损失
医学图像分类	Frid-Adar 等[35]	2018	GAN + CNN	CNN	CNN	无	对抗损失