[发明专利]一种结合小波变换和张量网络的医学图像分类方法

说明书

本发明涉及医学图像分类技术领域，具体公开了一种结合小波变换和张量网络的医学图像分类方法，提出了一种粗粒化网络，该粗粒化网络结合了小波变换和MERA，即将D4小波编码到MERA中，形成一个内部参数固定的waveletMERA模型，并且还构建了一个如全连接层般的张量分类网络。本发明使用MNIST数据集、Covid‑19数据集和LIDC数据集进行多维验证，结果表明waveletMERA的准确率稳定居高，比CNNs的深度神经网络具有更好的粗粒化能力，使waveletMERA能够在保证精度的同时，更大程度上减少模型的参数量。结果表明waveletMERA不仅在分类上优于当前主流的深度神经网络，而且在数据预处理方面也优于普通小波变换。不仅如此，waveletMERA还具有张量网络本身的可解释性优势。

技术领域

本发明涉及医学图像分类技术领域，尤其涉及一种结合小波变换和张量网 络的医学图像分类方法。

背景技术

近几十年来，机器学习得到了蓬勃的发展，出现了许多算法，它们在各自的 时代都被证明是足够好的，例如朴素贝叶斯( Bayes)、核方法(kernel methods)、决策树(decision trees)、随机森林(random forests)和神经网络(Neural Networks,NNs)。近年来，深度神经网络取得了惊人的成功。卷积神经网络 (Convolutional Neural Networks,CNNs)是最成功的深度神经网络之一，其卷积 层能够从原始数据中提取出重要特征，再由池化层对数据进行压缩，最后输入全 连接层得到预测结果。

在医学图像分析领域，CNNs模型及其变体被广泛用于结肠镜检查、HEp-2 细胞图像分类、乳腺肿块分类、脑小血管疾病的生物标志物检测和皮肤癌分类。 过去两年新型冠状病毒(Covid-19virus)在全球范围内大肆传播，使得人们更加 重视智能医学领域，研究人员正在思考如何使用机器协助人类战胜疾病。精确的 计算机医学图像分析工具可以协助医生识别和定位病灶，提高诊断效率和准确 性。医学图像包括X射线、计算机断层扫描(CT)、磁共振成像(MRI)、正电 子发射断层扫描(PET)和超声波等，将它们用于训练深度学习模型并不容易。 首先，医学图像一般存在各种质量的失真和退化，例如噪声、模糊和压缩效应。 并且，与自然图像不同，标记大量医学图像既昂贵又耗时，因此可用于训练深度 神经网络模型的医学图像总是有限的。最后，医学图像分类任务在要求模型具有 高精度的同时还要求模型的预测结果有据可依。

因此，CNNs及其变体在用于医学图像分类任务时具有不可避免的缺点。随 着模型层数的加深，医学图像的失真会导致更多的偏差；小数据集通常会导致深 度神经网络在训练时出现过拟合的现象；在经典机器学习算法中，可解释性和高 精度往往是鱼和熊掌的关系，CNNs当中的非线性运算为其带来了出色的准确率， 但也限制了其可解释性。因此，人们渴望找到一种方法，既可以兼顾CNNs的优 点，又可以弥补其缺点。

发明内容

本发明提供一种结合小波变换和张量网络的医学图像分类方法，解决的技 术问题在于：现有医学图像分类方法在小数据集下无法兼顾高准确率、避免过拟 合和可解释性。

为解决以上技术问题，本发明提供一种结合小波变换和张量网络的医学图 像分类方法，包括步骤：

S1、将具有N个像素的医学二维灰度图像展平为长度为N的一维向量v(x)；

S2、将一维向量v(x)中的每一个元素x_i特征映射为希尔伯特空间当中的一个 量子态，得到N个量子态；

S3、通过结合了小波变换和张量网络的粗粒化网络对N个量子态进行L次粗 粒化处理，每次输出一个仅含有单个|1＞态的项，从而得到L个仅含有单个|1＞态的 项作为粗粒化输出；

S4、将该粗粒化输出特征映射为多个特征值并通过张量积连接起来输入训 练完成的张量分类网络中，得到预测的分类结果。