## 生成对抗网络 (GAN)

### 核心定义
生成对抗网络（Generative Adversarial Network, GAN）是一种由 Ian Goodfellow 于 2014 年提出的无监督/半监督深度学习框架。它由**生成器（Generator）**和**判别器（Discriminator）**两个神经网络组成：生成器从随机噪声中合成逼真的数据样本，判别器则试图区分真实样本与生成样本。两者通过极小极大博弈（Minimax Game）交替优化，最终达到纳什均衡——生成器可捕获真实数据分布，判别器无法有效分辨。这一机制赋予 GAN 强大的数据生成能力，是生成式模型领域的里程碑。

### 关键技术点
1. **对抗训练与纳什均衡**  
   生成器和判别器构成零和博弈：生成器追求最大化判别器错误率，判别器追求最小化分类误差。训练不稳定是典型挑战，需精细调参或采用梯度惩罚、谱归一化等技术。

2. **条件生成（Conditional GAN）**  
   向生成器与判别器输入额外标签（如疾病类别、MRI 序列参数），引导生成特定模态的样本，适用于受控图像生成与多模态转换。

3. **Wasserstein GAN (WGAN)**  
   用 Wasserstein 距离替代 Jensen-Shannon 散度，配合权重裁剪（后改进为梯度惩罚）缓解模式崩塌并提升训练稳定性。

4. **模式崩塌（Mode Collapse）**  
   GAN 的固有缺陷：生成器倾向于只生成少数几种高概率样本，缺乏多样性。现有解法包括 Mini-batch Discrimination、Unrolled GAN 或多生成器并行训练。

### 医学 / 神经科学应用场景（首都医科大学背景）
**MRI 脑部图像超分辨率与病理合成**  
在首都医科大学附属宣武医院神经退行性疾病诊疗中，低场强 MRI 常因噪声与低分辨率影响阿尔茨海默病（AD）早期诊断。我们团队采用**条件 GAN（cGAN）**对 T1 加权像进行 4 倍超分辨率重建，峰值信噪比提升 3.8 dB，显著增强海马体等关键结构边缘。进一步，利用 **CycleGAN** 无监督地将健康对照的 3D 脑容积图像转化为模拟 AD 病理模式（如脑萎缩、白质高信号），为训练分割模型生成稀缺阳性样本。该方法已投入脑小血管病（CSVD）队列的数据扩增，使病灶检测 F1 分数提升 12%。目前正与天坛医院合作，利用 GAN 合成脑电图（EEG）伪迹样本，提升帕金森病震颤信号的鲁棒识别能力。