基于 GAN 的 X 射线胸片图像数据增强

该实验旨在通过针对 X 射线影像的数据增强，提高 AI 模型的鲁棒性。担任项目负责人期间，负责设计生成对抗网络 (GAN) 的架构、规划实验步骤以及分析模型性能。

首先尝试了两种不同的网络架构，通过广泛的超参数微调来优化 GAN 性能。此外，为捕获 X 射线图像的特征，通过附加 Sobel 滤波器对网络进行了改进。最后，采用非参数假设检验 (NHST) 分析网络性能，证实了该方法的有效性。

考虑到 Google Colab 上 GPU 显存及运行时间的限制，使用 TensorFlow 检查点 (checkpoint) 功能对程序进行了增强，以支持可中断、断点续传的训练过程。这使得优化后的网络能够生成逼真的合成 X 射线图像，作为医学研究中数据增强的样本。总体而言，该项目展示了在增强 X 射线筛查图像以提高 AI 模型性能方面的有效方法。