数据增强是一种用于医学影像的技术，通过对现有图像应用可控的修改来人为地扩展训练数据集。这有助于机器学习模型更好地泛化，尤其是在处理有限的数据时——由于隐私限制、罕见疾病和高昂的标注成本，这在医学领域是一个常见的挑战。 通过引入旋转、翻转或亮度调整等变化，模型对扫描中不相关的差异（例如，患者定位或成像设备差异）的敏感性降低，并且对现实世界场景的鲁棒性更高。 例如，在增强的肺部 X 射线图像上训练的模型可以学习识别肺炎模式，而无需考虑输入中的轻微方向变化或对比度差异。
常见的增强策略因成像方式而异。 对于 X 射线或皮肤病学照片等 2D 图像，广泛使用简单的转换，如水平翻转、旋转（±10–15 度）和对比度调整。 在 3D 成像（例如，MRI 或 CT 扫描）中，技术包括随机裁剪子体积或模拟不同的切片厚度。 诸如弹性形变（微小的弯曲以模仿组织变异性）或添加高斯噪声（以模拟低质量扫描）之类的高级方法可以解决特定领域的问题。 对于精确边界至关重要的分割任务，增强必须保留空间关系——对图像及其相应的掩码应用相同的旋转或缩放。 TensorFlow 的 ImageDataGenerator 或 TorchIO 等专用库简化了实现，允许开发人员定义在训练期间随机应用这些转换的增强管道。
但是，医学影像需要仔细验证增强选择。 某些转换可能会引入不真实的伪影或误导模型——例如，垂直翻转大脑 MRI 可能会错误地镜像解剖学上不对称的结构。 开发人员通常与临床医生合作，以确保增强尊重生物学上的合理性。 诸如测试时间增强（在推理期间应用变化并平均预测）之类的技术可以进一步提高可靠性。 虽然增强可以缓解数据稀缺的问题，但它不能替代多样化的真实世界数据。 开发人员必须在合成变异与领域知识之间取得平衡，以避免过度设计，从而确保模型在临床上保持相关性和可解释性。