近日，实验室2021级硕士生赵鹏一篇论文“Biomarkers-Aware Asymmetric Bibranch GAN with Adaptive Memory Batch Normalization for Prediction of Anti-VEGF Treatment Response in Neovascular Age-related Macular Degeneration”（作者：赵鹏，宋先，袭肖明，聂秀山，孟宪静，曲毅，尹义龙）被中科院一区期刊IEEE Journal of Biomedical and Health Informatics，该期刊是医学图像处理领域权威期刊。

抗血管内皮生长因子（anti-VEGF）疗法的出现彻底改变了新生血管性年龄相关性黄斑变性（nAMD）。 治疗后光学相干断层扫描 (OCT) 成像有助于预测 nAMD 对于anti-VEGF 疗法的治疗反应。 尽管生成对抗网络（GAN）是流行的治疗后 OCT 图像生成模型，但收集足够的治疗前和治疗后 OCT 图像对实际上非常具有挑战性。 此外，现有的基于 GAN 的方法忽略了局部细节，例如 nAMD 治疗所必需的生物标志物。 为了解决这些问题，提出了一种生物标记感知的非对称双分支 GAN（BAABGAN）来有效生成治疗后 OCT 图像。 具体来说，设计了一个分支来从大规模的低质量数据中学习具有高度可迁移性的先验知识，称为源分支。 然后，源分支将知识转移到另一个分支，该分支在小规模配对数据上进行训练，称为目标分支。 为了提高可迁移性，在源分支中引入了一种新颖的自适应内存批量归一化（AMBN），它通过内存机制学习更有效的不受噪声影响的全局知识。 此外，还提出了一种新颖的自适应生物标记感知注意力（ABA）模块，将生物标记信息编码为目标分支的潜在特征，以学习生物标记的更精细的局部细节。 实验结果表明，该方法优于传统的 GAN 模型，可以利用有限的数据集生成高质量的术后 OCT 图片。