Lan, Lan; You, Lei; Zhang, Zeyang et al. · 2020 · Frontiers in Public Health
Metadata
Authors: Lan, Lan; You, Lei; Zhang, Zeyang; Fan, Zhiwei; Zhao, Weiling; Zeng, Nianyin; Chen, Yidong; Zhou, Xiaobo
Tags: #GAN #biomedical-informatics #data-augmentation #medical-imaging
📄 Quick Note¶
摘要概述¶
这是一篇综述，系统回顾了 Generative Adversarial Networks (GAN) 自 2014 年提出以来的起源、工作原理与发展历史，并重点梳理了其在生物医学信息学四大领域的应用：digital image processing（图像生成、超分辨率、inpainting）、medical imaging analysis（数据增强、Cycle-GAN 跨模态转换如 MRI↔CT）、medical informatics（基于 EMR/EHR 的合成离散/连续/时序数据、LSTM-GAN 疾病预测）及 bioinformatics（基因数据模拟、单细胞数据 imputation）。作者指出 GAN 在医学影像和组学数据中能有效缓解小样本与类别不平衡问题，但也存在 mode collapse、小样本精度低、可解释性差、3D 特征学习困难等局限。
关键图表¶
- Figure 1 (Digital image diagram of GAN)：GAN 基本架构示意图——输入随机向量经 generator 生成图像，discriminator 判别真伪，体现对抗训练核心思想。
- Figure 2 (Architecture of Cycle-GAN)：Cycle-GAN 双向生成器（G、F）加 cycle consistency loss 的架构，支持无配对图像域转换，是跨模态医学图像合成的关键框架。
- Figure 3 (Cycle-GAN MRI→CT 实验结果)：以心脏 MRI 为 real B，生成 fake A (CT)，再重建 rec B (MRI)，验证 cycle consistency 保证内容保真。
与我的关联¶
GAN 作为数据增强工具在生物医学影像和组学中已有成熟应用，对解决我课题中"合成数据稀缺、跨模态样本不配对"的场景有直接借鉴意义；Cycle-GAN 的无配对域转换思路可启发未来用生成模型扩充力学/影像耦合数据集。