[发明专利]一种基于小波分析的超高维数据重建深度学习方法

说明书

本发明公开了一种基于小波分析的超高维数据重建深度学习方法，利用高维高阶的离散小波包变换来扩展高维数据到不同的频域通道，结合多个并行的神经网络，实现了高维数据的重构任务；先进行数据预处理，再通过小波包变换为不同频带子域的小波包系数，输入到为其搭建并训练独立网络，网络的输出通过小波包反变换，重建原始图像。本发明利用高维数据经小波变换后各频域独立的性质，并行地利用GPU内存，加速了神经网络的训练进程，使原受限于硬件计算资源的深度学习人工任务变为可能。本发明亦推广到分割及生成任务。对于分割任务，U‑net网络输出结果经反卷积上采样为原始图像分辨率分割标签。对于生成任务，各通道的神经网络改为GAN。

技术领域

本发明涉及图像处理、神经网络技术领域，尤其是涉及一种基于小波分析的超高维数据重建深度学习方法。

背景技术

传统的小波变换是为了解决傅里叶变换丢失时域信息而提出的，在图像处理领域，快速离散小波变换应用一系列的滤波器，将图像信息扩展到不同的独立的频域子带中，并用小波系数所表示。

CNN是处理图像领域的神经网络的基础，卷积层是CNN的核心，通过一系列的滤波器提取图像的细节信息，生成一张特征向量图。池化层为CNN引入不变性，同时降采样，扩大下一层卷积核的感受野，网络将很好地学习到不同尺度下图像的特征信息。激活层通常为非线性函数，使网络更好地拟合任意函数，也会缓解过深层网络的过拟合现象。

U-net是一种常用的图像语义分割、重建模型，由编码器和解码器构成。

GAN架构由生成器和判别器级联构成，被广泛应用在图像生成任务中。核心思想是使两个网络互相竞争，从生成器角度而言，它趋向于降低判别器的判别准确度，即努力生成与真值（Ground Truth）相似的图像，以期以假乱真；从判别器角度而言，它趋向于降低生成器的输出图像相似度，即不断提高审核标准。完全训练后，判别器的输出将收敛于某一个值，达到动态平衡。

现有技术中，DTI（Diffusion Tensor Imaging，弥散张量成像）是通过多方向MRI扫描数据描述大脑结构的方法，通常一个被试个体的扫描数据有若干吉字节（GB）之大，而深度学习常常需要极大的样本量，直接参与训练的数据约100GB-200GB，但目前的深度学习芯片显存容量有限，如英伟达特斯拉V100也仅支持32GB的显存容量，因此通常无法直接将大量DTI数据存入深度学习芯片的显存用于深度学习训练。

发明内容

为解决现有技术的不足，克服现有硬件条件难以支撑深度学习网络训练超高维数据的问题，实现利用有限的计算资源训练大体积超高维数据的目的，本发明采用如下的技术方案：

如图1所示，一种基于小波变换的平行深度网络模型，其具体步骤如下；

S1，数据预处理；

S11，数据标签：对个人采集的数据标签化；

S12，数据增强：使用平移、旋转、缩放等方式扩充数据库；

S13，数据清洗：填补缺失值，检查异常对象；

S14，数据规范化：使用统一的图片编码方式。

S2，数据频域扩展；

S21，根据任务与数据不同，选择合适的小波基函数；

S22，利用多阶高维小波包变换，提取图像数据各个维度的低频与高频信息，置于不同频域子带，分解层数根据图形处理器内存和数据规模而定；