對抗思想的基本配置一般是一個生成器和一個判別器，核心關鍵在於loss的設計，通常，一個loss用於幫助網絡判別兩種輸入，另一個loss用於使得網絡混淆兩種輸入。對抗思想應用非常廣泛，包括生成對抗網絡(GAN),異常檢測(anomaly detection)，域自適應（domain adaptation)，半監督分割(semi-supervised) 等等。即簡單說，當需要保持兩者一致性時，便可考慮使用對抗學習思想。
1.異常檢測
全部用正常樣本訓練生成器，這樣生成器只具有生成正常樣本的能力，當輸入異常樣本後，生成器生成的還是該樣本重構後的正常結果。所以輸入異常樣本時，生成的結果和輸入會有較大差距。通過對比輸入和生成二者之間差距大小，可推斷樣本是否異常，以及異常區域。
(1). 《Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery》
(2). 《GANomaly: Semi-Supervised Anomaly Detection via
Adversarial Training》
(3). 《Skip-GANomaly: Skip Connected and Adversarially Trained Encoder-Decoder Anomaly Detection》
(4).《Cascaded Generative and Discriminative Learning for Microcalcification Detection in Breast Mammograms》
網絡結構圖如下：
級聯的生成器和判別器，生成器用於重構樣本圖片，使用t-test loss用於迫使重構的正類和負類像素拉開β距離的差距，從而區分異常點(正類)，後面的判別器用於進一步從異常點中檢測出Microcalcification病竈。
2.域自適應分割
(1). 《Boundary and Entropy-driven Adversarial Learning for Fundus Image Segmentation》
通過對抗思想加強對不同數據集(域)的圖像樣本的邊界(boundary)和不確定區域(entropy)特徵的一致性,以實現更好的域自適應的分割結果。
(2). 《Patch-based Output Space Adversarial Learning for Joint Optic Disc and Cup Segmentation》
首先通過UNet網絡粗糙分割Optic Disc來提取ROI,具體爲以其分割中心crop固定大小塊(512×512)送入後面的分割網絡，得到Optic Disc和Cup的分割結果，然後利用對抗學習，即經過patch discriminator(PatchGAN)來實現分割網絡對來自source domain和target domain的圖片的分割結果分佈的一致性。
(3)《Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation》
結合image alignment 和 feature alignment 做醫學圖像MRI 和 CT 之間的domain adaptation
通過CycleGAN實現image alignment, 同時對生成圖片空間和分割預測空間（下圖最右側）使用對抗損失實現feature alignment.
3.半監督分割
(1).《Adversarial Learning for Semi-Supervised Semantic Segmentation》
(2). 《Collaborative Learning of Semi-Supervised Segmentation and Classification for Medical Images》
