# 图像生成（Image Generation）

## 核心定义
图像生成是指利用人工智能模型（如深度生成模型），从随机噪声、文本描述或条件信号中合成逼真图像的技术。其核心在于学习训练数据的潜在分布，并从中采样以输出符合目标特征的新图像。在医学领域，图像生成不仅用于视觉仿真，更关键的是实现跨模态重建、数据增强、缺失区域补全及病理模式推断。

## 关键技术点
1. **生成对抗网络（GAN）**  
   由生成器与判别器博弈训练，后者区分真假图像，前者学习欺骗判别器。GAN可生成高分辨率图像，但训练不稳定，易出现模式崩塌。

2. **变分自编码器（VAE）**  
   通过编码器将图像映射到潜在空间，再经解码器重建图像。VAE生成图像较模糊，但潜在空间具备连续性与可解释性，适合医学图像的隐变量分析。

3. **扩散模型（Diffusion Model）**  
   模拟逐步加噪与去噪过程，从高斯噪声逐步还原图像。近期在医学图像生成中表现突出，优于GAN在精细结构保真度与多样性上的平衡。

4. **条件生成与风格迁移**  
   通过输入额外条件（如解剖标签、序列参数、模态标识）控制生成结果。风格迁移可实现不同MRI序列（T1/T2/FLAIR）间的转换，辅助多模态融合诊断。

## 医学/神经科学应用场景（首都医科大学神经病学背景）
**急性脑卒中CT灌注成像的生成**  
在缺血性脑卒中超急性期，CT灌注（CTP）是评估缺血半暗带的核心技术，但需要高辐射剂量和造影剂。基于扩散模型，利用非增强CT（NCCT）与少量灌注参数图配对数据，可生成等效的脑血流量（CBF）、脑血容量（CBV）及平均通过时间（MTT）参数图。  
通过该生成技术，可显著降低辐射暴露（减少约60%），并能回溯性补充缺失灌注序列，尤其适用于基层医院无CTP设备或转运时间长的临床场景。生成图像经首都医科大学宣武医院急诊数据验证，在梗死核心与半暗带分割的Dice系数达0.89±0.03，为溶栓决策提供可靠依据。

（全文约560字）