随着计算机硬件设备性能的提升和可利用数据的显著增加,卷积神经网络在各个领域取得了蓬勃的发展。人们一直推动着神经网络向着更快的推理速度和更好的拟合能力方向上进步,然而卷积神经网络在面对小样本数据集时依旧显得力不从心,也很少有方法能够很好的扩充小样本数据集的特征域。目前在医疗影像领域中可利用的数据样本集远没有像COCO这类数据集丰富,并且不同的疾病需要单独构建数据集,这就导致了除了部分研究热点病症外大部分疾病的数据集样本偏少卷积神经网络难以发挥出理想的作用。在面对小样本数据集时,数据扩增是人们最常使用的也是最稳妥的提升模型鲁棒性的方法。现有的数据扩增方式可以大致分为单样本扩增类和多样本联动扩增类,其中单样本扩增类常用的方式有旋转、裁剪、添加噪声、模糊处理等,多样本联动扩增类常用的方式有mixup、SamplePairing、cutmix、Mosaic、Fmix等。虽然现有的扩增方式已经能极大程度上弥补数据量上的不足,但是很少有方法能够让网络同时学习到多张图片。即便是采用Mosaic这种在扩增过程中用到四张图片的方式,输入网络也的仅仅只有一张扩增后的样本图,这意味着神经网络只能在单张图上提取特征,这样极大的限制了神经网络本身的学习能力。本课题提出了一种扩增模块可以将任何传统卷积神经网络转换成扩增模块网络,并且扩增模块网络有这以下几个优势:（1）可以同时输入三张图片,其中中间图片的推理过程称为主流,两侧分别称为支流,这样使得神经网络可以同时学习到三张图片上的信息。（2）主流和两个支流各输出一个结果,这样的话仅花费一次推理的时间获得三种结果,可以在无额外消耗时间的情况下通过集模的手段进一步提升网络的泛化能力。（3）主流和两条支流的输出特征图融合在一起作为主流的最终的输出特征图,这样保证了主流网络的最终特征图尺度与传统卷积神经网络一致的情况下所消耗的参数量更少,加快了模型的推理速度。本课题依托骨质增生数据集进行了实验,数据中数据量总计有9003张,分四种类别。设计的对比实验有三种分别是:（1）扩增模块网络与传统网络的对比实验（2）不同输入方式下的扩增模块网络对比试验（3）集模实验最终的结果表明扩增模块网络在总参数量比传统卷积网络少31.13%的情况下,扩增模块网络的精度为93.5%,传统卷积网络的精度为91.5%。在通过集模实验之后精度进一步提升达到了 94%,四种类别中AUC值最高的达到了 0.9964,最低的为0.9831。通过实验证明,在骨质增生数据集下扩增模块网络在模型推理速度和鲁棒性方面都较传统卷积网络有提升。