编辑推荐：
为解决近红外二区（NIR-II）荧光血管成像数据集有限的问题，中国科学院上海药物研究所的研究人员开展基于生成对抗网络（GAN）的 NIR-II 荧光血管图像合成研究，结果显示该方法在视觉质量和定量指标上优于 8 种基线技术，对推动 NIR-II 成像应用意义重大。
研究背景
近红外二区（NIR-II）荧光血管成像技术，就像是医学领域里的 “透视眼”，能让医生们无创地观察血管系统的微观结构，助力探索人体内部的生理功能，在疾病诊断和治疗方案制定上发挥着关键作用。比如，在脑部血管研究中，它能帮助科研人员看清脑血管的细微结构，为脑部疾病的诊断和治疗提供重要依据。
然而，这项技术在实际应用中却面临着重重困境。收集 NIR-II 医学成像数据集需要专业的设备和技术人员，而且获取和标注医学图像的过程既耗时又费力。这就好比建造一座高楼，却发现材料稀缺且难以获取，严重阻碍了 NIR-II 荧光血管成像技术在心血管疾病诊断和研究中的应用进展。
传统的数据增强技术在医学领域虽被广泛应用，但它就像在旧房子上修修补补，只是对现有样本进行简单变换，无法全面捕捉成像数据的分布情况。而基于深度学习的数据合成方法则崭露头角，展现出强大的潜力，它能够探索复杂的非线性关系，生成多样化、逼真的合成数据。受视网膜图像与血管图像结构相似性的启发，科研人员期望能借鉴视网膜图像生成的原理和算法，来解决 NIR-II 荧光血管图像合成的难题。
在这样的背景下，中国科学院上海药物研究所的研究人员勇挑重担，开展了一项旨在利用生成对抗网络（GAN）合成 NIR-II 荧光血管图像的研究。他们的研究成果有望为该领域带来新的突破，相关论文发表在Scientific Reports上。
技术方法
研究人员采用了基于 CycleGAN 的网络架构，该架构包含两个生成器、两个判别器和一个特征网络。生成器负责图像的转换，判别器判断图像的真伪，特征网络则用于提取图像的丰富信息。为了使生成的图像更符合要求，研究人员还引入了多种损失函数，如对抗损失（adversarial loss）、循环一致性损失（cycle consistency loss）、身份损失（identity loss）、内容损失（content loss）和风格损失（style loss），通过调整这些损失函数的权重，实现对模型性能的优化。在实验中，研究人员使用了来自 DRIVE、STARE 和 CHASE_DB1 视网膜图像数据集的分割掩码作为源域数据，NIR-II 荧光成像获取的小鼠血管图像作为目标域数据，并对数据进行了一系列预处理操作，将其划分为训练集和测试集，用于训练和评估模型。
研究结果
- 主观视觉效果：研究人员将自己提出的方法与 DCGAN、SAGAN 等 8 种代表性方法进行对比。结果显示，DCGAN 生成的图像较为模糊，血管边缘不清晰且有噪声；SAGAN 虽有改进，但部分区域不自然且对比度不足；WGAN 细节有所保留但仍有模糊之处；WGAN-GP 在清晰度和对比度上表现较好；Eigengan 生成的图像过于平滑，缺乏细节；CycleGAN 能较好地再现血管结构，但对比度有待提高；U-GAT-IT 生成的图像细节和对比度出色，但与真实图像仍有差距；HiSD 生成的图像过于平滑，血管结构亮度较低。而该研究提出的方法生成的图像在细节和对比度上与真实的 NIR-II 图像非常相似，血管结构清晰，形状自然，具有更高的真实感和视觉质量。
- 客观评价：研究人员使用 Fréchet Inception Distance（FID）和 Kernel Inception Distance（KID）这两个指标对模型性能进行定量评估。FID 用于衡量生成图像与真实图像在特征空间中的分布距离，KID 则利用最大平均差异（MMD）来评估两者分布的相似性，较低的 FID 和 KID 分数表明生成图像与真实图像更相似。实验结果表明，该研究提出的方法在 FID 和 KID 指标上均取得最低分，分别为 55.75322 和 1.6025±0.1249，这与主观视觉效果的分析结果一致，进一步证明了该方法生成的图像与真实图像高度相似。
研究结论与意义
这项研究成功利用基于 GAN 的方法，将血管掩码转换为逼真的 NIR-II 荧光血管图像，有效解决了 NIR-II 医学成像数据集有限的问题，为后续研究提供了丰富的高质量数据，有助于推动深度学习技术在 NIR-II 荧光成像领域的应用。同时，研究中引入的注意力机制增强了生成图像的质量和细节，在保留内容结构的同时有效整合了风格模式。然而，该研究也存在一定的局限性，如数据集规模可能影响模型的训练和泛化能力，模型对计算资源要求较高，算法仅在小鼠 NIR-II 血管图像上进行了验证。未来，研究人员计划扩大数据集来源，探索模型优化技术，以提高模型的泛化能力和可扩展性，降低对计算资源的依赖，推动该技术在临床环境中的应用。总体而言，这项研究为 NIR-II 血管成像技术的发展提供了新的思路和方法，具有重要的理论和实践意义。
