[發明專利]一種結合小波變換和張量網絡的醫學圖像分類方法

在審

• 申請號: 202111475762.3
• 申請日: 2021-12-06
• 公開（公告）號: CN113989576A
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 賴紅;黃延
• 申請（專利權）人: 西南大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/52;G06V10/82;G06K9/62;G06N10/00;G06N3/04;G06N3/08
• 代理公司: 重慶敏創專利代理事務所(普通合伙) 50253
• 代理人: 陳千

1.一種結合小波變換和張量網絡的醫學圖像分類方法，其特征在于，包括步驟：

S1、將具有N個像素的醫學二維灰度圖像展平為長度為N的一維向量v(x)；

S2、將一維向量v(x)中的每一個元素x_i特征映射為希爾伯特空間當中的一個量子態，得到N個量子態；

S3、通過結合了小波變換和張量網絡的粗粒化網絡對N個量子態進行L次粗粒化處理，每次輸出一個僅含有單個|1態的項，從而得到L個僅含有單個|1態的項作為粗粒化輸出；

S4、將該粗粒化輸出特征映射為多個特征值并通過張量積連接起來輸入訓練完成的張量分類網絡中，得到預測的分類結果。

2.根據權利要求1所述的一種結合小波變換和張量網絡的醫學圖像分類方法，其特征在于：在所述步驟S3中，所述粗粒化網絡基于粗粒化單元構建，所述粗粒化單元包括兩個解糾纏器和一個等距；該兩個解糾纏器用于輸入通過張量積連接的步驟S2所得N個量子態中的四個相鄰量子態，通過解糾纏各自得到一個僅含有單個|1態的項；該等距用于對該兩個解糾纏器輸出的兩個僅含有單個|1態的項進行粗粒化操作，得到對應的一個僅含有單個|1態的項。

3.根據權利要求2所述的一種結合小波變換和張量網絡的醫學圖像分類方法，其特征在于，分別用U、V表示解糾纏器和等距，則U、V定義為：

其中，θ_u＝-π/6，θ_v＝π/12。

4.根據權利要求3所述的一種結合小波變換和張量網絡的醫學圖像分類方法，其特征在于：

所述粗粒化網絡由解糾纏器和等距組成多層網絡結構，每層網絡結構包含2個以上解糾纏器和1個以上等距，每個解糾纏器具有兩個輸入指標和兩個輸出指標，每個等距具有兩個輸入指標和一個輸出指標；每層網絡結構的最后一個解糾纏器與第一個解糾纏器通過一個附加的等距相連接；

在非頂層的網絡結構中，一個等距的兩個輸入指標各連接相鄰兩個解糾纏器的一個輸出指標，一個解糾纏器的兩個輸出指標各連接相鄰兩個等距的一個輸入指標，同一層中各個等距的輸出指標連接下一層網絡結構中解糾纏器的輸入指標；

在最底層的網絡結構中，每相鄰兩個解糾纏器的四個輸入指標用于輸入通過張量積連接的步驟S2所得N個量子態中的每四個相鄰量子態；

每個解糾纏器用于保留輸入的張量積連接下的兩個量子態的糾纏，并解除這兩個量子態與輸入其他解糾纏器量子態之間的糾纏，每個解糾纏器分別從兩個輸出指標輸出僅含有單個|1態的第一項和第二項，其中第一項、第二項分別為該兩個量子態在尺度函數運算中位于后兩位和前兩位輸入時得到的結果；

每個等距用于對輸入的張量積連接下的兩個僅含有單個|1態的項進行粗粒化操作，得出輸入到與其相連的兩個解糾纏器中的4個相鄰量子態經過D4小波變換后的結果。

5.根據權利要求4所述的一種結合小波變換和張量網絡的醫學圖像分類方法，其特征在于，在步驟S2中，一維向量v(x)中的第i個元素x_i被映射為：

|φ(x_i)＝|0+x_i|1。

6.根據權利要求5所述的一種結合小波變換和張量網絡的醫學圖像分類方法，其特征在于，在步驟S3中，對四個相鄰量子態組成的張量積由相鄰的第一解糾纏器、第二解糾纏器以及所述第一解糾纏器、所述第二解糾纏器均連接的第一等距進行粗粒化的過程包括步驟：

S31、第一解糾纏器對張量積進行解糾纏，輸出只含有單個|1態的第二項至第一等距中；第二解糾纏器對張量積進行解糾纏，輸出只含有單個|1態的第一項至第一等距中；

S32、第一等距對輸入的兩個只含有單個|1態的項進行張量積操作，得到只含有單個|1態的項輸入該第一等距連接的下一層網絡結構中的一解糾纏器中。