生成对抗网络(GANs)是AI中的一项新突破，它能够创建看起来难以置信的真实图像。

根据《学术放射学》上发表的一项新分析，GAN可能也对医疗保健研究的未来产生重大影响，尤其是在现场放射学领域。它们可以生成研究人员渴望探索的伪造，逼真的医学图像。

以色列第一作者Chaim Sheba医学中心的维拉·索林(Vera Sorin)及其同事写道：“这项最新的创新技术有可能应用于多种放射学任务。”这些任务包括生成伪造的图像，以增加用于训练深度学习算法的数据集，将一种图像类型转换为另一种图像类型，并改善现有图像的质量。熟悉这项技术可以使放射学界受益。”

作者回顾了2017年至2019年9月的学术出版物，重点研究了详述GAN在放射学中的应用的任何论文。总体而言，有33项研究取得了突破，其中包括四个关键领域的研究：图像重建和去噪，数据增强，模态之间的转移以及图像分割。

作者写道：“十四项研究描述了用于图像重建和去噪的GAN。”“这些研究旨在改善图像质量并减少辐射剂量，这一任务会极大地影响用于诊断和筛查目的的成像方式的可用性和使用。”

从事这项工作的研究人员获得了巨大的成功。例如，一个小组训练了GAN来从CT扫描中去除金属伪影。

数据增强是与GAN合作的研究人员的另一个常见主题。为医学图像添加注释需要大量的时间，精力和知识，但是，GANS可以通过创建可为AI算法发展做出贡献的虚假图像来帮助研究人员。

作者写道：“生成图像的主要陷阱是它们有时难以与真实图像竞争。”“合成图像可能分辨率低或模糊。因此，算法训练最初是使用伪图像完成的，然后使用真实图像进行完善。这种方式有益于培训并减少了所需的真实图像数量。”

GAN技术还可用于“基于MR图像生成类似CT的图像或跨不同序列生成MR图像”。通过将一种模式的知识用于另一种模式的“改进的差异化”，该技术可以提高AI模型的有效性。

该团队确实补充说，该技术目前仍处于“概念验证阶段”，但是研究人员继续探索GAN在放射学和其他医疗专业领域的潜力。

作者写道：“总而言之，人们越来越多地对GAN进行各种放射学应用的研究。”“它们使创建新数据成为可能，这些新数据可用于临床护理，教育和研究。”