近日，我校信息工程学院人工智能系余家斌老师联合浙江省肿瘤医院徐栋教授团队，在无造影剂肿瘤评估方向取得突破性进展，首次提出“类超声造影”（Pseudo-CEUS）理念，并基于增强生成对抗网络（GAN）实现普通B超图像向超声造影图像的跨模态合成。该项研究成果已于2025年3月26日发表在中科院一区国际权威期刊《Radiology: Artificial Intelligence》（影响因子：8.1）上，论文题为 “Pseudo-Contrast-Enhanced US via Enhanced Generative Adversarial Networks for Evaluating Tumor Ablation Efficacy”。我校人工智能系余家斌老师作为共同第一作者参与完成，21级人工智能专业本科生郝锦东同学为论文作者之一。

超声造影（CEUS）作为一种无创、实时、高灵敏度的肿瘤评估工具，在肝癌、肾癌等实体瘤热消融疗效判断中发挥着关键作用。但传统CEUS依赖注射微泡造影剂，存在造影时间短、操作难度大、患者过敏风险高、费用成本高等问题，限制其在基层及广泛临床环境中的普及应用。

超声造影（CEUS）作为一种无创、实时、高灵敏度的肿瘤评估工具，在肝癌、肾癌等实体瘤热消融疗效判断中发挥着关键作用。但传统CEUS依赖注射微泡造影剂，存在造影时间短、操作难度大、患者过敏风险高、费用成本高等问题，限制其在基层及广泛临床环境中的普及应用。

本研究从深度学习驱动的图像合成技术出发，构建了一种增强型生成对抗网络（Enhanced GAN），以B超图像为输入，生成结构清晰、色彩分布合理的类造影图像。在图像结构相似性（SSIM）、色彩直方图相关性（CHC）和平均绝对百分误差（MAPE）等评价指标下，该方法生成结果在图像质量和临床可用性方面均表现出优异性能，具备良好的可解释性和通用性。更重要的是，类CEUS影像在实体肿瘤热消融治疗后病灶边界、坏死区等判定上表现出高度一致性，为临床无创疗效评估提供了新的替代思路。

论文链接：https://pubs.rsna.org/doi/10.1148/ryai.240370