Маммография является важным инструментом для выявления рака молочной железы на ранних стадиях, однако разработка автоматизированных диагностических систем затруднена из-за недостатка размеченных данных и высокой стоимости экспертной аннотации. Для преодоления этих ограничений была исследована глубокая сверточная генеративно-состязательная сеть (DCGAN) с градиентным штрафом Вассерштейна (W-GP) для генерации маммографических изображений. Основной целью является оценка влияния различных значений параметра градиентного штрафа (λ = 0.5, 3.0 и 5.0) на качество, реалистичность и структурную точность сгенерированных изображений. Для экспериментов использовался датасет CBIS-DDSM с акцентом на опухоли с кальцинатами. Сгенерированные изображения оценивались с использованием метрик KID, LPIPS и в пространстве признаков. Результаты показывают, что более высокие значения λ улучшают согласованность распределений, в то время как более низкие значения способствуют повышению перцептивного сходства. Кроме того, параметр λ следует подбирать с учётом специфики применения, обеспечивая баланс между статистической точностью и визуальной реалистичностью.

генеративно-состязательные сети, маммография, аугментация данных, генерация медицинских изображений, рак молочной железы, свёрточная генеративно-состязательная сеть, глубокое обучение, градиентный штраф.