Аннотация
Развитие генеративных моделей, таких как генеративные со-стязательные сети (Generative Adversarial Networks, GAN) и их условные версии (cGAN), открыло новые возможности в области медицинской визуализации. Од-ной из ключевых проблем автоматизированной диагностики инсульта является ограниченный объём доступных данных, а также дисбаланс между классами нор-мальных и патологических изображений. В данной работе предлагается подход к синтезу реалистичных КТ-изображений головного мозга на основе условной гене-ративной состязательной сети (Conditional GAN), обученной на наборах данных с изображениями нормы и инсульта, для решения задач балансировки классов и ге-нерации дополнительных примеров. Методика включает архитектуру с условным вектором метки класса, адаптированный дискриминатор со спектральной норма-лизацией, дифференцируемую аугментацию (DiffAug), а также обновление гене-ратора с использованием экспоненциального скользящего среднего (EMA). Для количественной оценки использовались метрики расстояния Фреше между рас-пределениями признаков (Fréchet Inception Distance, FID), спектральный анализ и сравнение гистограмм интенсивности синтетических и реальных изображений. Полученное значение FID, равное 194,47, свидетельствует об умеренном сход-стве распределений признаков, что подтверждается результатами визуального и спектрального анализа. Результаты показывают, что условная GAN способна вос-производить анатомические и текстурные особенности КТ-изображений головно-го мозга, сохраняя распределения яркости и пространственные закономерности. Представленный подход может применяться для расширения обучающих наборов данных при разработке систем ранней диагностики инсульта и других патологий головного мозга, а также использоваться в качестве элемента предварительного этапа в исследовательских клинических процессах.