[發明專利]深度學習中螺旋變換數據擴增方法、系統、介質及設備

有效

• 申請號: 202010098682.X
• 申請日: 2020-02-18
• 公開（公告）號: CN111292230B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 錢曉華;陳夏晗
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T3/00
• 分類號: G06T3/00;G06N3/0464;G06N3/08
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 徐秋平

本發明提供一種深度學習中螺旋變換數據擴增方法、系統、介質及設備，所述深度學習中螺旋變換數據擴增方法包括：獲取三維圖像數據；將所述三維圖像數據進行螺旋變換，以轉換為原始二維圖像；改變三維圖像螺旋變換的方式，以轉換為擴增二維圖像；將所述原始二維圖像和所述擴增二維圖像進行數據整合后組成二維圖像集，將不同的原始圖像按照指定要求分為訓練集和測試集，以將屬于所述訓練集的二維圖像集用于訓練模型的構建，將屬于所述測試集的二維圖像集用于所述訓練模型的評估。本發明一定程度上保留了紋理等特征在三維空間上的相關性，對于一個樣本而言，螺旋變換得到的二維圖像比一個切面得到的二維圖像包含更加全面、完整的三維信息。

技術領域

本發明屬于圖像數據處理技術領域，涉及一種圖像數據變換方法，特別是涉及一種深度學習中螺旋變換數據擴增方法、系統、介質及設備。

背景技術

現有技術中，卷積神經網絡成為圖像識別領域的核心算法之一，并在學習數據充足時有穩定的表現。對于一般的大規模圖像分類問題，卷積神經網絡可用于構建階層分類器，也可以在精細分類識別中用于提取圖像的判別特征以供其它分類器進行學習。對于后者，特征提取可以人為地將圖像的不同部分分別輸入卷積神經網絡，也可以由卷積神經網絡自行提取，然而在處理三維數據時，直接使用三維卷積神經網絡處理三維數據將占用大量的計算資源，處理二維數據的可行性更高。而大部分二維的卷積神經網絡使用橫斷面的切片作為網絡的輸入，只包含一個切面的二維信息。但是，三維目標區域每一層在空間上有很強的相關性，簡單的二維切面忽略了層與層之間的相互聯系。同時，橫截面的視角單一，無法全面表示其他視角的圖像特征，對三維空間上的紋理特征表現不足。

再者，最常用的數據擴增方法是對圖像進行幾何變換，例如對二維圖像進行水平翻轉、小范圍倍數(例如0.8-1.15倍)內縮放、旋轉等。這些方法在一定程度上增加了數據數量，但是變換結果都是來自于原始數據。比如，水平翻轉只改變了二維圖像的視圖角度，幾乎沒有改變數據集的信息量，擴增前后的數據非常相似，因此限制了模型預測的效果。

因此，如何提供一種深度學習中螺旋變換數據擴增方法、系統、介質及設備，以解決現有技術無法讓單張二維圖像保留更多三維圖像信息、實現有效降維等缺陷，成為本領域技術人員亟待解決的技術問題。

發明內容

鑒于以上所述現有技術的缺點，本發明的目的在于提供一種深度學習中螺旋變換數據擴增方法、系統、介質及設備，用于解決現有技術無法讓單張二維圖像保留更多三維圖像信息、實現有效降維的問題。

為實現上述目的及其他相關目的，本發明一方面提供一種深度學習中螺旋變換數據擴增方法，所述深度學習中螺旋變換數據擴增方法包括：獲取三維圖像數據，所述三維圖像數據包括至少一種成像參數對應的圖像數據；將所述三維圖像數據進行螺旋變換，以轉換為原始二維圖像；改變三維圖像數據螺旋變換的方式，以轉換為擴增二維圖像；將所述原始二維圖像和所述擴增二維圖像進行數據整合后組成二維圖像集。

于本發明的一實施例中，所述三維圖像數據包括磁共振影像，所述磁共振影像呈現有感興趣目標區域的位置。

于本發明的一實施例中，所述將所述三維圖像數據進行螺旋變換，以轉換為原始二維圖像的步驟包括：選取所述感興趣目標區域中的變換參考點作為螺旋變換中點；根據所述螺旋變換中點到所述感興趣目標區域邊緣的最大距離確定螺旋變換最大半徑；結合螺旋變換半徑、變換角度和所述螺旋變換中點生成螺旋線，所述螺旋變換半徑為所述螺旋變換中點到所述感興趣目標區域邊緣中任一點的距離，處于所述螺旋變換最大半徑確定的范圍內。

于本發明的一實施例中，所述變換角度包括方位角和高程角，所述結合螺旋變換半徑、變換角度和所述螺旋變換中點生成螺旋線的步驟包括：構建所述方位角和高程角的轉換關系；結合所述轉換關系和螺旋變換半徑生成螺旋線。