伴随着医疗图像诊断日益增长的准确性和效率要求,以及硬件算力和算法模型的飞速发展,人工智能技术在医疗图像领域有越来越广泛的应用场景。数据集的数量和质量是影响智能医疗诊断模型性能的关键因素,数量不足且质量欠佳的数据集会对模型的训练和测试结果产生负面影响,进而影响深度学习模型的效果,尤其是在医疗等安全攸关的领域,可能会导致严重的事故和损失,其对于数据扩增的需求更为迫切。但由于医疗图像标准化和病人隐私限制等原因,数据的获取和分享一直受阻。因此,如何有效地产生大量、可靠的医疗图像数据集成为了亟待解决的问题。本文实现了医疗图像扩增系统,主要提供对于医疗图像的智能扩增方案和多维质量评估。由于医疗图像具有整体相似性和局部多样性特征,系统结合病灶征象和变异分析设计实现了基于图像特征变异和领域语义变异的医疗图像扩增技术,以挖掘其潜在信息,生成丰富且具有多样性的医疗图像扩增数据集。同时提出图像扩增质量多维评估体系,从多个维度采用评估指标对系统扩增质量进行分析和评估,并利用Echarts库生成可视化结果。其次,系统基于Spring Boot框架为用户提供上传管理数据集和执行控制扩增任务的交互接口,同时可通过Docker调用图像扩增服务和质量评估服务。目前该系统实现了21种扩增技术,并面向用户提供差异化的自定义扩增方案。基于Deep Lesion数据集和Res Net-50图像分类模型在数据量、方法设置、扩增效果和扩增质量四个维度进行实验,结果表明通过医疗图像扩增系统产生的数据集一方面可以缓解由于收集困难带来的医疗图像数据量不足的问题,同时可在一定程度上保证扩增数据集的质量。另一方面,则能够提升医疗影像辅助诊断模型的效果,所有实验中模型的准确率平均有约5%的提升。