西北大学学报（自然科学版）２０２３年６月，第５３卷第３期，Ｊｕｎ．，２０２３，Ｖｏｌ．５３，Ｎｏ．３ＪｏｕｒｎａｌｏｆＮｏｒｔｈｗｅｓｔＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■收稿日期：２０２３⁃０２⁃２３基金项目：国家自然科学基金（６２００１３８０，６２０７３２６０）；陕西省重点研发计划项目（２０２３⁃ＹＢＳＦ⁃４９３）；西安市卫生健康委员会面上培育项目（２０２３ｍｓ２０）；西安邮电大学创新基金项目（ＣＸＪＪＺＬ２０２２０２６）第一作者：王红玉，女，河北沧州人，副教授，从事机器学习、医学图像处理等研究，ｈｙｗａｎｇ＠ｘｕｐｔ．ｅｄｕ．ｃｎ。·医疗与人工智能·基于生成对抗网络的乳腺ＭＲＩ图像生成王红玉１，２，３，朱天薏１，冯筠４，丁松涛１，２，３，王苹苹５，陈宝莹５（１．西安邮电大学计算机学院，陕西西安７１０１２１；２．西安邮电大学陕西省网络数据分析与智能处理重点实验室，陕西西安７１０１２１；３．西安市大数据与智能计算重点实验室，陕西西安７１０１２１；４．西北大学信息科学与技术学院，陕西西安７１０１２７；５．西安国际医学中心医院影像诊疗中心，陕西西安７１０１１０）摘要乳腺癌磁共振成像（ｎｕｃｌｅａｒｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｉｎｇ，ＭＲＩ）数据由于不同医院采集方式不同、设备不同或病人等自身原因，会存在同一病人不同序列缺失的问题。目前主流的图像生成对抗网络Ｐｉｘ２Ｐｉｘ和Ｃｙｃｌｅ⁃ｃｏｎｓｉｓｔｅｎｃｙ是医学图像生成的两种主要模式，这类方法要求不同ＭＲＩ序列数据配对出现，难以处理存在缺失的数据，此外，该类方法往往关注整幅图像的生成质量，缺少对疾病诊断更有价值的病灶区域的生成质量的监控。针对以上问题，该文受配准网络（ＲｅｇＧＡＮ）自适应对准图像空间分布的启发，设计了一种新的基于特征增强的双注意力配准生成对抗网络ＤＡ⁃ＲｅｇＧＡＮ。该网络在生成器中引入卷积注意力模块，使网络更注重病灶的学习；在判别器中添加梯度正则化约束，主要解决网络训练不稳定容易出现模式崩溃的现象，使网络生成包含更清晰的病灶细节全局图。该文在１６９７幅乳腺数据上开展消融实验、不同图像生成算法间的对比实验、肿瘤分类实验，进一步验证了方法的有效性。与原始ＲｅｇＧＡＮ比，全局图像生成...
