摘要
胸部X光片是众多患者诊疗流程中的关键工具。与大多数医学影像技术类似，其具有高度的多模态特性，能够呈现多种疾病组合的影像表现。然而，为开发新型诊断工具，亟需大量带标签的数据，这与患者隐私保护的关切形成直接冲突，导致数据获取受限于审批流程和伦理许可。此前的研究尝试通过构建特定病种的生成对抗网络（GAN），合成影像以扩充训练数据，但此类方法难以扩展，因其在模型规模与类别数量之间引入了显著的计算权衡，从而对生成图像的质量设定了固有的上限。为解决这一问题，本文提出潜在类别优化（latent class optimization）方法，实现了从GAN中高效、多模态地采样，并据此合成大规模带标签的生成影像数据集。我们采用渐进式生成对抗网络（PGGAN）进行无监督X光影像合成，并由放射科医生对生成样本的临床真实性进行评估。我们深入分析了不同病理特征在生成图像中的表现特性，并系统评估了模型所捕捉的疾病多样性程度。通过验证Fréchet Inception Distance（FID）在X光生成质量评估中的适用性，我们发现其性能与高分辨率图像任务中的表现相当。为进一步量化生成影像的临床真实性，我们邀请放射科医生判断影像的真伪，结果显示生成图像被误判为真实影像的概率显著高于随机水平，表明其具备一定的临床可信度，但仍需进一步提升以实现真正意义上的逼真效果。我们通过在真实扫描数据上测试合成数据训练的分类模型性能，进一步验证了上述结论。最后，本文讨论了PGGAN生成图像的局限性，并探讨了实现可控、高真实感生成影像的可行路径。