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

摘要

所公开的技术使用配备有所谓子网络模块的3D深度卷积神经网络体系架构(DCNNA)，其在3D放射体经受计算昂贵的操作之前对3D放射体执行降维操作。此外，子网络通过使3D数据经受不同的3D卷积层路径的并行处理而以多尺度卷积3D数据。这种多尺度操作在计算上比传统的执行串行卷积的CNN便宜。此外，通过3D批归一化(BN)进一步提高子网络的性能，所述3D批归一化将馈送到子网络的3D输入归一化，这反过来又提高了3D DCNNA的学习速率。在跨越一系列子网络模块进行几层3D卷积和3D子采样之后，从3D放射体生成具有降低垂直维度的特征图谱并且馈送到一个或更多个全连接层。