在互联网技术高速发展的今天,人们的生活和面对问题的解决方法也在相应地发生着变化,随着大量研究学者对计算机智能算法的不断深入研究,计算机智能算法被应用到了各个领域,例如:图像识别、语音识别以及自然语言处理等领域,并且取得了一系列显著的成果。近些年来,人工智能技术开始应用在医学领域,并在医学文本处理方面得到了一些较好的结果。不过在医疗图像方面,由于稀有疾病患病率低以及会涉及到患者的个人信息等原因,使得医疗图像数据并不容易获取,相应的导致了人工智能算法不能在该领域得到较好的效果。在解决图像稀少问题的方法中,主要包括传统的图像数据增强、变分自动编码机(Variational AutoEncoders,简称VAE)以及生成式对抗网络(Generative Adversarial Networks,简称GANs)等方法。常见的传统图像数据增强方法能够在一定程度上增加图像样本的数量,但大规模的生成图像样本会增加过拟合的风险;变分自动编码机VAE方法虽然解决了单一生成图像导致的过拟合问题,但是由于VAE方法通过直接计算生成的图像和原图像之间均方误差的大小来判别生成图像的质量,导致生成模糊的图像而无法进行下一步的医疗图像研究;接着2014年提出了生成式对抗网络GANs,它通过生成器和判别器之间不断的对抗学习来生成清晰可用的医疗图像,网络中生成器与判别器的学习能力直接影响到了生成图像的质量。但是原始的GANs的生成器结构仅由简单卷积网络构成,无法快速生成清晰的图像;并且由于原始数据稀少无法为判别器提供足够的样本进行训练。针对以上问题,本文提出一种新型的生成式对抗网络模型AUG-RGANs。受到残差网络ResNet中残差块结构的启发,本文还提出一种新的生成器网络结构——NedNet,并应用到WGANs的生成器部分来解决原始生成器无法快速生成清晰图像的问题。基于传统图像数据增强的优点,本文利用传统图像数据增强方法扩充真实数据集来训练判别器,用来解决判别器训练样本过少的问题。本文的主要工作总结如下:1、首先本文详细介绍了传统图像数据增强方法、残差网络ResNet以及生成式对抗网络GANs的相关基础知识,并对GANs生成器和判别器之间对抗学习的具体过程进行详细推导。2、本文对生成式对抗网络GANs在两个方面进行了改进,提出了一种基于传统图像数据增强方法与改进WGANs生成式对抗网络的新模型——AUG-RGANs。其中,首先基于传统图像数据增强方法的优点,本文用它处理真实数据集作为新模型判别器的输入来训练判别器的分辨能力。然后将本文提出的NedNet网络结构作为WGANs的生成器网络,用来提高医疗图像的生成质量。最后训练好的判别器与生成器对抗学习来识别生成器伪造的图像,经过不停地对抗学习最终生成清晰可用的医疗图像样本。3、为了验证新模型AUG-RGANs的图像生成能力,本文设计一个图像质量对比试验。通过对比实验结果,本文提出的模型生成的样本在MSE、PSNR、SSIM等指标的分数优于cGANs和WGANs生成对抗模型合成的样本,证明了本文提出的方法可以合成可用性更强的图像样本。4、为了验证新模型AUG-RGANs生成的图像能够应用在医疗领域,本文将提出的模型应用到阿尔茨海默症图像生成和分类领域,通过对比实验准确率证明新模型生成的医疗图像效果更好,训练出的分类模型准确率更高,从而证明了新模型在生成医疗图像方面具有良好的可行性。