[发明专利]在深度神经网络中对表征输入放射体的三维3D数据进行分类的计算机实现的方法及系统

权利要求书

1.一种在深度神经网络中对表征输入放射体的三维3D数据进行分类的计算机实现的方法，所述方法包括：

接收表征输入放射体的三维3D数据，所述输入放射体表示从医学扫描生成的人体器官结构的3D解剖形状变化；

使用深度神经网络处理表征所述输入放射体的所述3D数据，以生成所述输入放射体的替代特征体表示，其中所述深度神经网络包括多个子网络，其中所述子网络以从最低到最高的序列布置，并且其中使用所述深度神经网络处理表征所述输入放射体的所述数据包括通过所述序列中的每个所述子网络处理所述数据；

在通过多个子网络处理所述数据之后，通过垂直最大池化层处理最高子网络的输出，以从所述输入放射体生成降低垂直维度的输出；以及

基于所生成的降低垂直维度的输出对所接收到的3D数据进行分类；

其中基于所生成的降低垂直维度的输出对所接收到的3D数据进行分类包括，将所输入的3D数据分类为由以下组成的类别集中的类别：包括出血指示；包括可能的阿尔茨海默病的证据；包括中风的指示；包括鼻窦中液体的指示；包括颅外血液的指示；包括颅骨骨折的指示；以及正常；

其中所述子网络中的三个或更多个子网络是模块子网络，并且每个所述模块子网络被配置为：

接收由所述序列中的先前子网络生成的先前输出表示；

通过变化的卷积体的至少三个并行3D卷积层路径来处理所述先前输出表示；

通过并行3D最大池化路径进一步处理所述先前输出表示；以及

级联所述3D卷积层路径和所述3D最大池化路径的输出以生成来自每个所述模块子网络的输出表示。

2.根据权利要求1所述的方法，其中第一3D卷积层路径是3×3卷积，其从所述输入放射体提取半全局特征。

3.根据权利要求1所述的方法，其中第二3D卷积层路径是5×5卷积，其从所述输入放射体提取全局特征。

4.根据权利要求1所述的方法，其中第三3D卷积层路径是1×1卷积，其从所述输入放射体提取局部特征。

5.根据权利要求1所述的方法，其中所述输入放射体表示3D模型数据。

6.根据权利要求1所述的方法，其中所述输入放射体表示CAD(计算机辅助制图)模型数据。

7.根据权利要求1所述的方法，其中所述输入放射体表示3D点云。

8.根据权利要求1所述的方法，还包括：

通过3D批归一化来调节所述子网络中的所述3D卷积层路径的所述输出表示，

其中所述3D批归一化独立地应用于所述替代特征体表示中的各个特征并且基于分批应用，

其中，对于批中的所述替代特征体表示，所述3D批归一化缩放和移位图像数据值，使得归一化的替代特征体表示具有所述图像数据值的零均值和单位方差。

9.根据权利要求8所述的方法，还包括通过具有可学习的缩放和移位参数的参数化的非线性激活立即处理所述归一化的替代特征体表示，通过所述可学习的缩放和移位参数训练所述深度神经网络可抵消所述3D批归一化。