[發(fā)明專利]在深度神經網絡中對表征輸入放射體的三維3D數據進行分類的計算機實現的方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201680053094.6
• 申請日: 2016-08-15
• 公開（公告）號: CN108140141B
• 公開（公告）日: 2019-09-06
• 發(fā)明（設計）人: R·佐赫爾;熊蔡明;戴凱升
• 申請（專利權）人: 易享信息技術有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06K9/46;G06T7/00
• 代理公司: 北京市磐華律師事務所 11336
• 代理人: 高偉;婁曉丹

1.一種在深度神經網絡中對表征輸入放射體的三維3D數據進行分類的計算機實現的方法，所述方法包括：

接收表征輸入放射體的三維3D數據，所述輸入放射體表示從醫(yī)學掃描生成的人體器官結構的3D解剖形狀變化；

使用深度神經網絡處理表征所述輸入放射體的所述3D數據，以生成所述輸入放射體的替代特征體表示，其中所述深度神經網絡包括多個子網絡，其中所述子網絡以從最低到最高的序列布置，并且其中使用所述深度神經網絡處理表征所述輸入放射體的所述數據包括通過所述序列中的每個所述子網絡處理所述數據；

在通過多個子網絡處理所述數據之后，通過垂直最大池化層處理最高子網絡的輸出，以從所述輸入放射體生成降低垂直維度的輸出；以及

基于所生成的降低垂直維度的輸出對所接收到的3D數據進行分類；

其中基于所生成的降低垂直維度的輸出對所接收到的3D數據進行分類包括，將所輸入的3D數據分類為由以下組成的類別集中的類別：包括出血指示；包括可能的阿爾茨海默病的證據；包括中風的指示；包括鼻竇中液體的指示；包括顱外血液的指示；包括顱骨骨折的指示；以及正常；

其中所述子網絡中的三個或更多個子網絡是模塊子網絡，并且每個所述模塊子網絡被配置為：

接收由所述序列中的先前子網絡生成的先前輸出表示；

通過變化的卷積體的至少三個并行3D卷積層路徑來處理所述先前輸出表示；

通過并行3D最大池化路徑進一步處理所述先前輸出表示；以及

級聯所述3D卷積層路徑和所述3D最大池化路徑的輸出以生成來自每個所述模塊子網絡的輸出表示。

2.根據權利要求1所述的方法，其中第一3D卷積層路徑是3×3卷積，其從所述輸入放射體提取半全局特征。

3.根據權利要求1所述的方法，其中第二3D卷積層路徑是5×5卷積，其從所述輸入放射體提取全局特征。

4.根據權利要求1所述的方法，其中第三3D卷積層路徑是1×1卷積，其從所述輸入放射體提取局部特征。

5.根據權利要求1所述的方法，其中所述輸入放射體表示3D模型數據。

6.根據權利要求1所述的方法，其中所述輸入放射體表示CAD(計算機輔助制圖)模型數據。

7.根據權利要求1所述的方法，其中所述輸入放射體表示3D點云。

8.根據權利要求1所述的方法，還包括：

通過3D批歸一化來調節(jié)所述子網絡中的所述3D卷積層路徑的所述輸出表示，

其中所述3D批歸一化獨立地應用于所述替代特征體表示中的各個特征并且基于分批應用，

其中，對于批中的所述替代特征體表示，所述3D批歸一化縮放和移位圖像數據值，使得歸一化的替代特征體表示具有所述圖像數據值的零均值和單位方差。

9.根據權利要求8所述的方法，還包括通過具有可學習的縮放和移位參數的參數化的非線性激活立即處理所述歸一化的替代特征體表示，通過所述可學習的縮放和移位參數訓練所述深度神經網絡可抵消所述3D批歸一化。