摘要
医学影像合成是重要的医学图像处理技术，旨在根据已有模态的医学影像数据构建跨域非线性映射，合成缺失模态医学影像数据。然而，由于医学影像数据高维特征复杂、数据规模庞大，现有方法无法有效地学习特征表示，导致医学影像合成的精确性、保真度和计算效率较低，难以在实际临床应用中开展部署。为此，本文研究两种基于生成对抗学习的医学影像合成方法，提高复杂高维特征的学习能力，改善影像合成计算效率，提升医学影像合成的临床应用表现。 本文主要的创新工作如下： （1）提出基于层次解耦表征的循环一致自编码生成对抗架构，学习医学影像跨域共有的深层语义信息和源域本征深层语义信息，利用潜在空间对齐策略统一不同潜在空间的深层语义结构信息层次和多域深层语义知识，设计解耦表征学习策略，分离纠缠在潜在空间不同特征维度的浅层纹理细节特征，实现良好的医学影像合成效果。 （2）提出基于张量CP分解的两阶段轻量生成对抗架构，保持医学影像的深层语义和浅层纹理间一致性，基于张量分解规则构建低秩压缩网络，降低医学影像合成的计算代价，构建知识蒸馏方法，向压缩架构迁移医学影像高级语义和低级纹理的依赖关系和分布知识，保障网络以低廉计算代价合成精确、保真的跨域医学影像。 （3）在跨域医学影像数据集上对本文设计的两种方法进行实验验证与分析。结果表明，本文提出的方法能够有效学习医学影像数据复杂高维的特征表示，实现高精度、高保真、高计算效率的医学影像合成。其中，基于层次解耦表征的循环一致自编码生成对抗架构表现出充分的复杂高维数据特征学习能力，基于张量CP分解的两阶段轻量生成对抗架构则同时呈现出较高的计算效率。 综上所述，本文提出两种基于生成对抗学习的医学影像合成方法，能够充分挖掘医学影像复杂高维特征，有效改善影像合成的表现和计算效率，为医生临床决策提供有力支持。
NETL