图像修复
Parent: ai_keywords
核心定义
图像修复（Image Inpainting）是指利用算法对图像中缺失、损坏或遮挡区域进行语义一致、纹理连续的重建技术。在AI+医学神经科学领域，该技术不仅需恢复像素，更要确保重建区域符合解剖结构与病理生理逻辑，避免引入伪影或误判。
关键技术点
- 生成对抗网络（GAN）
通过生成器与判别器的博弈学习，生成高真实感修复结果。医学应用中常用条件GAN（如Pix2Pix）约束输出与上下文解剖结构的匹配度。 - 注意力机制与Transformer
自注意力可捕获长程空间依赖，修复大面积缺失时保持全局结构连贯。如Swin-Transformer用于脑MRI血管造影的孔洞填补。 - 多尺度特征融合
结合低层边缘细节与高层语义特征，平衡修复区域的锐利度与平滑性。U-Net变体（如Partial Conv）在医学切面修复中表现突出。 - 扩散模型
近年发展出基于噪声迭代去噪的修复范式（如Repaint），逐步还原高保真解剖细节，尤其适合低对比度神经影像（如T2-FLAIR）。 - 小样本与域适应
医学数据稀缺，需利用预训练模型（如Med3D）进行权重迁移，或通过域适应缓解不同MRI采集设备间的风格差异。
医学/神经科学应用场景
脑卒中MRI梗死区域虚拟正常化
结合首都医科大学神经病学团队研究：急性缺血性卒中患者FLAIR像上常出现高信号梗死核心区。利用GAN修复模型，输入病灶区域掩码，以对侧镜像健康组织及扩散加权像（DWI）中的明度信息为条件，生成“虚拟正常”的FLAIR像。该修复结果可用于：
- 定量评估可挽救半暗带范围（与灌注图像比对）；
- 消除病灶在血流动力学建模中的干扰，提升梗死核心定位精度；
- 辅助判断急性期是否需溶栓或介入取栓。
该方法在首都医科大学宣武医院100例亚急性期卒中数据上，修复图像与真实随访正常化的PSNR平均提升3.5 dB，且未引入假性水肿或占位效应。
