Medizinische Bilddatensätze sind in der Regel unbalanciert, was auf die hohen Kosten für die Datenerhebung und die zeitaufwändige Annotation zurückzuführen ist. Das Training von tiefen neuronalen Netzwerken auf solchen Datensätzen zur genauen Klassifizierung medizinischer Zustände führt häufig zu unzureichenden Ergebnissen und neigt dazu, die Daten über die Stichproben der Mehrheitsklasse zu überanpassen. Um dieses Problem zu bewältigen, wird häufig eine Datenverstärkung (data augmentation) auf den Trainingsdaten durchgeführt, beispielsweise mittels Positionsveränderungstechniken wie Skalierung, Ausschneiden, Spiegelung, Auffüllen, Rotation, Translation, affiner Transformation sowie Farbveränderungstechniken wie Helligkeit, Kontrast, Sättigung und Farbton, um die Datensatzgröße zu erhöhen. Diese Verstärkungstechniken sind jedoch in Bereichen mit begrenzten Daten, insbesondere bei medizinischen Bilddaten, nicht zwangsläufig vorteilhaft und können sogar zu einer weiteren Überanpassung führen. In dieser Arbeit haben wir die Datenverstärkung am Chest X-ray-Datensatz mittels generativer Modellierung (deep convolutional generative adversarial network, DCGAN) durchgeführt, die künstliche Instanzen erzeugt, die ähnliche Eigenschaften wie die ursprünglichen Daten aufweisen. Die Evaluierung des Modells ergab einen Fréchet Distance of Inception (FID)-Score von 1,289.