近年來，研究人員將眾多領域方法引入到醫學圖像處理中。經過不斷改進，醫學圖像處理算法的效果和效率均得到不同程度的提高。目前，生成式對抗網絡（GAN）在醫學圖像處理領域中的應用研究發展迅速。本文主要綜述了 GAN 在醫學圖像處理中的應用研究情況，介紹了 GAN 的基本概念，并從醫學圖像降噪、檢測、分割、合成、重建和分類等六個方面對 GAN 應用研究的最新進展進行了歸納總結，最后對該領域中值得進一步研究的方向進行了展望。
阿爾茨海默癥（AD）是一種典型的神經退行性疾病，臨床上表現為失憶、喪失語言能力、喪失生活自理能力等。迄今為止，AD 病因尚不明確且病程不可逆，也沒有治愈的方法，因此，AD 的早期診斷對于研發新型藥物和措施以減緩病情發展具有重要意義。輕度認知障礙（MCI）是一種介于 AD 和正常老化（HC）之間的狀態。研究表明，MCI 患者比沒有患過 MCI 的人更有可能發展成 AD，因此，對 MCI 患者的準確篩查成為了 AD 早期診斷的研究熱點之一。隨著神經影像技術和深度學習的飛速發展，越來越多的研究者使用深度學習方法對大腦神經影像如磁共振影像（MRI）進行分析，用于 AD 的早期診斷。于是，本文提出基于卷積神經網絡（CNN）和集成學習的多切片集成分類模型用于 AD 早期診斷。與只用單切片訓練獲得的 CNN 分類模型相比，本文采用三個維度上的多個二維切片進行訓練而獲得的集成分類器模型，能更充分地利用 MRI 包含的有效信息，從而提高分類的準確率和穩定性。
阿爾茨海默病（AD）作為一種常見的神經系統退行性疾病，其致病機制不明，尤其是對處于 AD 不同階段的輕度認知障礙（MCI）患者的萎縮區域難以確定，導致誤診率偏高。為此，提出了基于 3 維卷積神經網絡（3DCNN）和遺傳算法（GA）相結合的 AD 早期輔助診斷模型。首先用 3DCNN 針對感興趣區域（ROI）訓練出候選基分類器，然后利用 GA 算法從中挑選出最優基分類器組合，最后集成起來進行分類，實現輔助診斷。同時，由于基分類器與腦區之間是一一對應的，進而可以找出具有顯著分類能力的腦區。實驗結果表明，AD 與正常組（NC）的分類準確率為 88.6%，轉化為 AD 的 MCI（MCIc）與 NC 的分類準確率為 88.1%，未轉化為 AD 的 MCI（MCInc）與 MCIc 的分類準確率為 71.3%。此外，通過對關鍵 ROI（即腦區）所對應的行為域數據進行統計分析，GA 篩選的關鍵腦區除了左延髓海馬、左尾部海馬和內外側杏仁核、左海馬旁回，還新發現了右顳中回前顳上溝、右扣帶回背側 23 等區域。實驗得出所選腦區的功能主要影響情緒、記憶和認知等方面，這與 AD 患者出現的感情冷淡、記憶力下降、行動能力下降和認知水平下降等外在表現基本吻合。這些均表明所提方法是有效的。
阿爾茨海默癥（AD）是一種不可逆轉的大腦神經退化性疾病，會損害患者記憶力和認知能力。因此，AD診斷具有重要意義。大腦感興趣區域（ROI）之間往往是多個區域以非線性的方式協同交互，充分利用此類非線性高階交互特征有助于提高AD診斷分類的準確性。為此，提出基于非線性高階特征提取和三維超圖神經網絡相結合的AD計算機輔助診斷框架。首先針對ROI數據使用基于徑向基函數核的支持向量機回歸模型訓練出基估計器，再通過基于基估計器的遞歸特征消除算法提取功能性磁共振成像（fMRI）數據中的非線性高階特征，進而將特征構造成超圖，最后基于fMRI數據的四維時空特性搭建超圖卷積神經網絡模型來進行分類。阿爾茨海默癥神經影像倡議（ADNI）數據庫上的實驗結果表明，所提框架在AD/正常對照（NC）分類任務上的效果相較于Hyper Graph Convolutional Network（HyperGCN）框架提高了8%，相較于傳統二維線性特征提取方法提高了12%。綜上，本文框架在AD分類效果上較主流深度學習方法有所提升，可為AD計算機輔助診斷提供有效依據。