1. 2 基于雙路字典编码卷积神经网络的编码学习 为了学习获取语义码和判别性码， 本文提出了一种新的双路字典编码卷积神经网络模型， 适用于小数据， 并更充分的利用图像的局部特性， 提高识别精度和速度。本文提出的网络模型主要由patch划分层， 中间特征提取层， 字典编码学习层以及分类层构成。见图1。

    1. 2. 1 patch划分层 patch划分层主要用于提取图像的patch以及若干原子， 从而增加样本， 提高训练模型的性能。patch提取器主要是由二值掩码和非0提取器构成。其中， 二值掩码的大小与图像大小相同， 取值只有1和0两种， 值为1的元素范围由人工设定， 将原图像与二值掩码进行相乘， 再输入到非0提取器。该提取器主要是保留非0的元素， 提取出想要的局部patch。本文中提到的原子即字典学习中的原子， 用于表示病灶的局部典型特点。本文使用K-means来学习原子， 通过对同一病灶的patch进行聚类， 获得相应的原子。

    1. 2. 2 中间特征提取层 为了通过原子对划分的patch进行分类 ......