[发明专利]深度学习中螺旋变换数据扩增方法、系统、介质及设备

说明书

本发明提供一种深度学习中螺旋变换数据扩增方法、系统、介质及设备，所述深度学习中螺旋变换数据扩增方法包括：获取三维图像数据；将所述三维图像数据进行螺旋变换，以转换为原始二维图像；改变三维图像螺旋变换的方式，以转换为扩增二维图像；将所述原始二维图像和所述扩增二维图像进行数据整合后组成二维图像集，将不同的原始图像按照指定要求分为训练集和测试集，以将属于所述训练集的二维图像集用于训练模型的构建，将属于所述测试集的二维图像集用于所述训练模型的评估。本发明一定程度上保留了纹理等特征在三维空间上的相关性，对于一个样本而言，螺旋变换得到的二维图像比一个切面得到的二维图像包含更加全面、完整的三维信息。

技术领域

本发明属于图像数据处理技术领域，涉及一种图像数据变换方法，特别是涉及一种深度学习中螺旋变换数据扩增方法、系统、介质及设备。

背景技术

现有技术中，卷积神经网络成为图像识别领域的核心算法之一，并在学习数据充足时有稳定的表现。对于一般的大规模图像分类问题，卷积神经网络可用于构建阶层分类器，也可以在精细分类识别中用于提取图像的判别特征以供其它分类器进行学习。对于后者，特征提取可以人为地将图像的不同部分分别输入卷积神经网络，也可以由卷积神经网络自行提取，然而在处理三维数据时，直接使用三维卷积神经网络处理三维数据将占用大量的计算资源，处理二维数据的可行性更高。而大部分二维的卷积神经网络使用横断面的切片作为网络的输入，只包含一个切面的二维信息。但是，三维目标区域每一层在空间上有很强的相关性，简单的二维切面忽略了层与层之间的相互联系。同时，横截面的视角单一，无法全面表示其他视角的图像特征，对三维空间上的纹理特征表现不足。

再者，最常用的数据扩增方法是对图像进行几何变换，例如对二维图像进行水平翻转、小范围倍数(例如0.8-1.15倍)内缩放、旋转等。这些方法在一定程度上增加了数据数量，但是变换结果都是来自于原始数据。比如，水平翻转只改变了二维图像的视图角度，几乎没有改变数据集的信息量，扩增前后的数据非常相似，因此限制了模型预测的效果。

因此，如何提供一种深度学习中螺旋变换数据扩增方法、系统、介质及设备，以解决现有技术无法让单张二维图像保留更多三维图像信息、实现有效降维等缺陷，成为本领域技术人员亟待解决的技术问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种深度学习中螺旋变换数据扩增方法、系统、介质及设备，用于解决现有技术无法让单张二维图像保留更多三维图像信息、实现有效降维的问题。

为实现上述目的及其他相关目的，本发明一方面提供一种深度学习中螺旋变换数据扩增方法，所述深度学习中螺旋变换数据扩增方法包括：获取三维图像数据，所述三维图像数据包括至少一种成像参数对应的图像数据；将所述三维图像数据进行螺旋变换，以转换为原始二维图像；改变三维图像数据螺旋变换的方式，以转换为扩增二维图像；将所述原始二维图像和所述扩增二维图像进行数据整合后组成二维图像集。

于本发明的一实施例中，所述三维图像数据包括磁共振影像，所述磁共振影像呈现有感兴趣目标区域的位置。

于本发明的一实施例中，所述将所述三维图像数据进行螺旋变换，以转换为原始二维图像的步骤包括：选取所述感兴趣目标区域中的变换参考点作为螺旋变换中点；根据所述螺旋变换中点到所述感兴趣目标区域边缘的最大距离确定螺旋变换最大半径；结合螺旋变换半径、变换角度和所述螺旋变换中点生成螺旋线，所述螺旋变换半径为所述螺旋变换中点到所述感兴趣目标区域边缘中任一点的距离，处于所述螺旋变换最大半径确定的范围内。

于本发明的一实施例中，所述变换角度包括方位角和高程角，所述结合螺旋变换半径、变换角度和所述螺旋变换中点生成螺旋线的步骤包括：构建所述方位角和高程角的转换关系；结合所述转换关系和螺旋变换半径生成螺旋线。