近日，深圳大学医学部生物医学工程学院倪东教授团队在国际医学图像分析领域的顶级期刊《Medical Image Analysis》（IF为8.545）发表了题为“Sketch guided and progressive growing GAN for realistic and editable ultrasound image synthesis”的研究成果。倪东教授和程君助理教授为共同通讯作者，团队成员研究生梁嘉敏和杨鑫助理教授为共同第一作者，深圳大学为第一署名单位。

超声在临床的筛查中应用广泛。然而，新手超声医师由于缺乏临床资源和罕见病的案例作为培训的资料，他们的培训时间往往很长。另外，在深度学习的领域，缺乏大量带标注的数据限制了深度模型的性能。

在本研究中，我们提出了一种可编辑的超声图像合成系统（图1），能应用在新手超声医师的临床培训上，同时能用于提升深度模型的性能。该系统采用基于生成对抗网络（GAN）的图像到图像的转化合成框架，结合超声背景纹理信息，并在训练中采取渐进训练的方式和特征损失，提升了图像合成的逼真度和合成分辨率，实现了高自由度的可编辑合成。通过在大量肺部、新生儿髋关节和卵巢的超声数据上进行验证，该系统可以高效、快速地进行高逼真度、高分辨率的合成，取得了当前最优的性能。

图1可编辑的超声图像合成系统

该研究依托广东省生物医学信息检测与超声成像重点实验室、医学超声关键技术国家地方联合工程实验室和深圳大学医学超声图像计算实验室（Lab of Medical UltraSound Image Computing, MUSIC），得到国家自然科学基金、深港联合资助项目、深圳市科技创新委项目、深圳大学新引进教师启动项目等项目资助。