[發明專利]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

有效

• 申請號: 201680053094.6
• 申請日: 2016-08-15
• 公開（公告）號: CN108140141B
• 公開（公告）日: 2019-09-06
• 發明（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

所公開的技術使用配備有所謂子網絡模塊的3D深度卷積神經網絡體系架構(DCNNA)，其在3D放射體經受計算昂貴的操作之前對3D放射體執行降維操作。此外，子網絡通過使3D數據經受不同的3D卷積層路徑的并行處理而以多尺度卷積3D數據。這種多尺度操作在計算上比傳統的執行串行卷積的CNN便宜。此外，通過3D批歸一化(BN)進一步提高子網絡的性能，所述3D批歸一化將饋送到子網絡的3D輸入歸一化，這反過來又提高了3D DCNNA的學習速率。在跨越一系列子網絡模塊進行幾層3D卷積和3D子采樣之后，從3D放射體生成具有降低垂直維度的特征圖譜并且饋送到一個或更多個全連接層。

優先權申請

本申請涉及并要求2015年8月15日提交的標題為“醫學視覺系統 (MedicalVision System)”的美國臨時專利申請62/205,718(代理人案號 SALE 1165-1/2021PR)的權益。出于所有目的，該優先權臨時申請通過引用并入本文。

技術領域

公開的技術總地涉及在對3D深度卷積神經網絡體系架構(DCNNA) 內部的三維(3D)數據進行處理期間改進對計算資源(諸如，計算能力和存儲器使用)的利用，并且具體地，涉及在卷積神經網絡(CNN)中執行計算高效的3D圖像分類和對象識別。

背景技術

本節中討論的主題不應僅由于在本節中提到而被認為是現有技術。同樣地，在本節中提及的問題或與作為背景提供的主題相關聯的問題不應當被認為是先前在現有技術中已經認識到的。本節中的主題僅僅表示不同的方法，其本身也可以對應于所要求保護的技術的實現。

所公開的技術使得在大數據場景中(諸如醫學成像)利用卷積神經網絡(CNN)是可行的，其中需要用有限的存儲器和計算能力來處理大量的數據。現有的深度卷積神經網絡(CNN)的一個主要技術問題是對顯著計算資源的需求。所公開的技術通過在3D深度卷積神經網絡體系架構 (DCNNA)內添加所謂的子網絡來解決該技術問題，其在3D數據經受計算昂貴的操作之前對3D數據執行降維操作。此外，子網絡通過使3D數據經受由不同的3D卷積層路徑(例如，1×1×1卷積，3×3×3卷積，5×5 ×5卷積，7×7×7卷積)進行并行處理而以多尺度卷積3D數據。這種多尺度操作在計算上比執行串行卷積的傳統CNN便宜。另外，通過3D批歸一化(BN)進一步提高子網絡的性能，所述3D批歸一化使饋送到子網絡的3D輸入歸一化，這反過來提高了3D DCNNA的學習速率。

機器學習是人工智能(AI)領域內的研究領域，其在計算機沒有被明確編程的情況下給予其學習能力。與靜態編程相反，機器學習使用對某些數據進行訓練的算法來進行與該數據或其他數據相關的預測。深度學習是機器學習的一種形式，它通過對數據的低級分析的層來對數據進行高級抽象建模。最近，CNN在圖像分類和對象識別方面取得了重大進展。通過訓練多層卷積濾波器，許多機器學習工具(如支持向量機(SVM)、PCA、線性判別分析(LDA)、貝葉斯人際分類器等)的泛化能力隨著訓練量的增加迅速趨于飽和。但是，與傳統機器學習算法相比，CNN在不同時間采用大量不同的圖像訓練時已顯示出更好的表現。與手工制作的特征相比， CNN能夠自動學習用于對象識別的復雜特征，并且實現卓越的性能。

然而，CNN需要大量的訓練數據，沒有這些訓練數據，網絡不能學習和交付令人印象深刻的識別性能。訓練如此龐大的數據需要巨大的計算資源，例如數千個CPU核和/或GPU，這使得CNN的應用受到限制，并且不能擴展到移動和嵌入式計算。因此，需要提高分析大數據的計算資源的性能的CNN體系架構。

附圖說明

在附圖中，縱觀不同的視圖，相似的附圖標記通常指代相似的部分。而且，附圖不一定按比例繪制，而是通常將重點放在說明所公開的技術的原理上。在以下描述中，參考以下附圖來描述所公開的技術的各種實現方式，其中：

圖1示出了根據實現方式的系統的體系架構級的示意圖。