基于深度学习的医学图像合成：方法、应用与未来方向

随着医学影像技术的快速发展，深度学习在医学图像合成领域展现出巨大潜力，为临床诊断、治疗规划和医学研究提供了新机遇。本文系统综述了基于深度学习的医学图像合成方法，重点探讨了生成对抗网络（GANs）在跨模态合成和域适应中的应用，扩散模型（DM）的高保真度生成能力及其在多模态合成中的局限性（如合成样本多样性不足），以及Transformer模型和混合模型与领域适应技术的优势。在应用场景方面，本文分析了跨模态图像合成（例如MRI到CT、MRI到PET转换）、模态内图像增强与标准化、图像重建与去噪、纵向图像生成与疾病进展建模、特定病变或组织合成等实践案例，同时指出现有方法在泛化性、计算效率和伦理合规性方面的局限。未来研究应聚焦于提升模型的可解释性与可靠性、多模态融合能力及临床应用可行性。