许多涉及医学图像的研究需要大量样本，这些样本已经过临床专家的验证或表征。一些示例包括在感知研究或分割和容量算法中评估搜索任务，其中需要先验地和大量地知道病变的真实位置和精确边界，以便得出统计上显着的结论。计算机辅助诊断系统包括另一个重要的例子。这些系统在帮助放射科医师解释由最先进的医学成像设备产生的大量数据方面显示出很大的潜力 。然而，计算机辅助诊断系统的开发和验证都受到与大型图像存储库的收集相关的高成本和困难以及这些数据集的基础事实的建立的阻碍。在开发方面，众所周知，任何分类器的性能都受到用于其训练的数据的大小和代表性的严重影响，并且计算机辅助诊断系统也不例外 。至于验证，单个计算机辅助诊断系统的独立评估和一组系统的比较都需要大量代表性样本 。
　　 小型或不平衡训练集的可用性是许多分类任务中的常见问题。克服这个问题最成熟的方法之一是通过添加合成生成的样本来增加训练集的大小。用于产生人工样品的机制范围从将每个样品的抖动副本添加到训练数据的方案到使用高级生成模型来模拟真实或合成样品的各种降解或变形的技术。数据增强在各种领域都有很长的成功历史，包括印刷和手写文本识别 ，物体检测和分类，人脸识别，不平衡数据集的分类，静态图像或视频中的人和动作检测。用于训练的数据增强方法成功的一个很好的例子是，其中仅对11个受试者的变形样本进行训练的系统实现了分类结果，该结果仅略微优于在包含数百个数据集的数据集上训练的类似系统。真正的科目。当将变形的样本添加到实际数据中时，系统的性能超过了先前的最先进系统的性能。
　　 近年来，已经建议开发类似地允许研究人员补充或修改现有医学成像数据集的软件工具，作为额外实际样本的昂贵增量收集的替代方案。更具体地说，这些工具旨在改变原始数据集中病变大小，形状，位置和前景 - 背景相互作用的分布，从而可能改进计算机辅助诊断系统的训练和测试，或者能够进行感知研究，由于原始数据集的限制，原本不可能进行。这些工具遵循两个一般策略。在第一种方法中，将基于各种变形或簇生长模型模拟的人工损伤形状插入原始投影数据或重建的临床图像中。这种方法的例子可以在用于肺结节，用于乳房X线照相术，用于数字乳房断层合成。虽然这些技术可以帮助评估应用中的一般趋势，例如结节体积估计算法的验证或检测任务的评估，但使用近球形和简单的纹理和对比度模型是阻碍这些技术的一部分的限制因素。完全复制临床图像中所见的真实病变的广泛特征。第二种策略是从一组临床图像中提取病变，并使用图像处理技术将它们插入不同组中的交替位置。后一种方法的主要优点是所选择的病变在设计上是自然的，因此，避免了数学模拟病变的上述限制。
　　 研究人员开发了一套在胸部电子计算机断层扫描图像中无缝插入肺结节的技术。通过结合几种可以自动处理复杂源和目标背景组合的方法，最大限度地减少了数量，从而减少了用户参与的影响。研究人员还描述了一种将目标图像的噪声属性传递给复合结果的方法，以便可以将此方法应用于源和目标采集或重建参数不匹配的情况。此外，为病变插入工具提供了客观的评估方法，并用它来量化研究人员的混合程序对模拟体模中结节的噪声特性和可检测性的影响。从使用临床图像的读者研究和使用模拟幻像的客观评估获得的结果表明，当提出的用于在临床电子计算机断层扫描图像中插入原始或修改的病变的扩展相结合时使用泊松编辑方法的可行性以便增强或或以其他方式修改现有数据集的属性。该一般方法还可用于以更有效和一致的方式将模拟结节插入临床图像中。系统中唯一的参数是非局部均值滤波器的衰减率。虽然在模拟图像中自动选择该参数的最佳值是可行的，但是该值需要由用户在临床图像中选择。