医療画像データセットは、データ収集のコストが高く、アノテーションに時間がかかるため、通常はクラスごとのデータが偏っている。このような不均衡なデータセット上で深層ニューラルネットワークモデルを訓練して医療状態を正確に分類しようとすると、望ましい結果が得られず、多数クラスのサンプルに過剰適合（over-fitting）する傾向がある。この問題に対処するため、通常はデータ拡張（data augmentation）が行われる。具体的には、スケーリング、クロッピング、反転、パディング、回転、並進、アフィン変換などの位置変換技術、および明るさ、コントラスト、彩度、色相などの色調変換技術を用いて訓練データを拡張し、データセットのサイズを増加させる。しかし、特にデータ量が限られた領域、特に医療画像分野では、これらの拡張手法が必ずしも有益ではなく、むしろ過剰適合を助長する可能性がある。本研究では、胸部X線画像データセットに対して、生成モデル（深層畳み込み生成対抗ネットワーク：DC-GAN）を用いたデータ拡張を実施した。この手法により、元のデータと類似した特徴を保持する人工的な画像インスタンスを生成した。モデルの評価において、Inceptionフリチェット距離（FID）スコアは1.289を達成した。