Работа посвящена изучению применимости аугментации данных с помощью генеративно-состязательных сетей для задачи фильтрации КТ снимков. Целью работы является разработать и оценить возможность использования подхода на практике в условиях нехватки реальных данных.Было проведено несколько серий экспериментов, где нейросеть для фильтрации обучалась на разном объеме реальных данных с примесью разного объема сгенерированных данных.По результатам проведенных экспериментов было обнаружено, что синтетические данные, созданные GAN, могут быть применены как способ аугментации данных. Использование такого подхода оправдано в ситуациях, когда изначально имеется небольшой объем реальных данных.Аугментация с помощью GAN показывает результаты лучшие, чем аугментация с помощью добавления шума на снимки с нормальной дозой.

The given work is devoted to the study of the applicability of data augmentation via generative adversarial networks for the problem of denoising Low Dose CT images. The work aims to develop and evaluate the applicability of the approach in practice with a lack of real data. Several series of experiments were conducted, where the neural network for filtering was trained on a different amount of real data with an admixture of different amounts of GAN-generated data. According to the results of the experiments, the GAN-generated data can be used as a method of data augmentation. The use of this approach is justified in situations of lack of real data. Augmentation viaGAN shows better results than augmentation by adding noise to images with a normal dose.