摘要
医学图像数据集通常存在样本分布不均衡的问题，这主要是由于数据获取成本高昂以及标注过程耗时费力所致。在这些不平衡数据集上训练深度神经网络模型以实现对医学状况的准确分类，往往难以取得理想效果，且模型容易对多数类样本产生过拟合现象。为缓解这一问题，通常采用数据增强技术对训练数据进行扩充，常见的方法包括位置变换类增强（如缩放、裁剪、翻转、填充、旋转、平移、仿射变换）以及色彩变换类增强（如亮度、对比度、饱和度和色调调整），以扩大数据集规模。然而，在数据量有限的领域，尤其是医学图像领域，这些传统增强技术并不一定具有优势，甚至可能加剧过拟合问题。在本研究中，我们采用生成建模方法——深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Network, DCGAN）对胸部X光图像数据集进行数据增强，生成的合成样本能够保留原始数据的相似特征。模型评估结果显示，采用Fréchet Inception Distance（FID）指标测得的分数为1.289，表明生成样本与真实数据在分布上具有高度一致性。