1D_2D_3D卷积
Parent: ai_keywords
1D / 2D / 3D 卷积
核心定义
卷积操作是卷积神经网络（CNN）的基础计算单元，通过可学习的卷积核在输入数据上滑动，提取局部特征。根据输入数据的维度，卷积核可分为1D、2D、3D：
- 1D卷积：卷积核沿单一维度（如时间轴）滑动，适用于序列数据（语音、电子病历时序、神经电生理信号）。
- 2D卷积：卷积核在二维空间（高度×宽度）滑动，适用于图像（CT/MRI切片、病理切片）。
- 3D卷积：卷积核在三维空间（深度×高度×宽度）滑动，适用于体数据（fMRI、三维CT）或视频（时间+空间）。
关键技术点
- 维度对齐：卷积核维度必须与输入数据的维度匹配。例如，1D卷积核形状为
(kernel_size, in_channels)，2D为(height, width)，3D为(depth, height, width)。 - 参数效率与感受野：高维卷积参数量随维度指数增长（3D卷积参数 = 2D的
depth倍），但能同时捕获空间与时间/深度依赖，适用于立体组织（如脑区）的动态分析。 - 空洞/扩张卷积：通过在卷积核元素间插入“空洞”，在不增加参数的前提下扩大感受野，常用于监测大范围脑网络连接。
- 深度可分离卷积：将标准卷积分解为深度卷积（逐通道）和逐点卷积（1×1），显著降低计算量，适用于便携式脑电图（EEG）设备上的实时信号处理。
医学/神经科学应用场景（首都医科大学）
基于首都医科大学神经病学研究所的临床背景，团队开发了多模态卒中智能诊断系统：
- 1D卷积：处理床旁EEG连续信号，实时检测脑缺血后偏侧周期性放电（LPD），敏感度达95%。
- 2D卷积：分析头颅CT平扫的二维切片，快速识别出血灶轮廓。
- 3D卷积：结合DWI与PWI三维影像，构建4D时空卷积模型（3D卷积+时间轴），预测缺血半暗带动态演变，帮助个体化制定溶栓时间窗。该模型在验证集上将超时间窗治疗决策的准确率提升至82%，显著优于传统2D方法。
