[發(fā)明專利]一種結(jié)合小波變換和張量網(wǎng)絡(luò)的醫(yī)學(xué)圖像分類方法

在審

• 申請?zhí)枺?/td>: 202111475762.3
• 申請日: 2021-12-06
• 公開（公告）號: CN113989576A
• 公開（公告）日: 2022-01-28
• 發(fā)明（設(shè)計(jì)）人: 賴紅;黃延
• 申請（專利權(quán)）人: 西南大學(xué)
• 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(chuàng)專利代理事務(wù)所(普通合伙) 50253
• 代理人: 陳千

本發(fā)明涉及醫(yī)學(xué)圖像分類技術(shù)領(lǐng)域，具體公開了一種結(jié)合小波變換和張量網(wǎng)絡(luò)的醫(yī)學(xué)圖像分類方法，提出了一種粗粒化網(wǎng)絡(luò)，該粗粒化網(wǎng)絡(luò)結(jié)合了小波變換和MERA，即將D4小波編碼到MERA中，形成一個(gè)內(nèi)部參數(shù)固定的waveletMERA模型，并且還構(gòu)建了一個(gè)如全連接層般的張量分類網(wǎng)絡(luò)。本發(fā)明使用MNIST數(shù)據(jù)集、Covid?19數(shù)據(jù)集和LIDC數(shù)據(jù)集進(jìn)行多維驗(yàn)證，結(jié)果表明waveletMERA的準(zhǔn)確率穩(wěn)定居高，比CNNs的深度神經(jīng)網(wǎng)絡(luò)具有更好的粗粒化能力，使waveletMERA能夠在保證精度的同時(shí)，更大程度上減少模型的參數(shù)量。結(jié)果表明waveletMERA不僅在分類上優(yōu)于當(dāng)前主流的深度神經(jīng)網(wǎng)絡(luò)，而且在數(shù)據(jù)預(yù)處理方面也優(yōu)于普通小波變換。不僅如此，waveletMERA還具有張量網(wǎng)絡(luò)本身的可解釋性優(yōu)勢。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像分類技術(shù)領(lǐng)域，尤其涉及一種結(jié)合小波變換和張量網(wǎng) 絡(luò)的醫(yī)學(xué)圖像分類方法。

背景技術(shù)

近幾十年來，機(jī)器學(xué)習(xí)得到了蓬勃的發(fā)展，出現(xiàn)了許多算法，它們在各自的 時(shí)代都被證明是足夠好的，例如樸素貝葉斯( Bayes)、核方法(kernel methods)、決策樹(decision trees)、隨機(jī)森林(random forests)和神經(jīng)網(wǎng)絡(luò)(Neural Networks,NNs)。近年來，深度神經(jīng)網(wǎng)絡(luò)取得了驚人的成功。卷積神經(jīng)網(wǎng)絡(luò) (Convolutional Neural Networks,CNNs)是最成功的深度神經(jīng)網(wǎng)絡(luò)之一，其卷積 層能夠從原始數(shù)據(jù)中提取出重要特征，再由池化層對數(shù)據(jù)進(jìn)行壓縮，最后輸入全 連接層得到預(yù)測結(jié)果。

在醫(yī)學(xué)圖像分析領(lǐng)域，CNNs模型及其變體被廣泛用于結(jié)腸鏡檢查、HEp-2 細(xì)胞圖像分類、乳腺腫塊分類、腦小血管疾病的生物標(biāo)志物檢測和皮膚癌分類。 過去兩年新型冠狀病毒(Covid-19virus)在全球范圍內(nèi)大肆傳播，使得人們更加 重視智能醫(yī)學(xué)領(lǐng)域，研究人員正在思考如何使用機(jī)器協(xié)助人類戰(zhàn)勝疾病。精確的 計(jì)算機(jī)醫(yī)學(xué)圖像分析工具可以協(xié)助醫(yī)生識別和定位病灶，提高診斷效率和準(zhǔn)確 性。醫(yī)學(xué)圖像包括X射線、計(jì)算機(jī)斷層掃描(CT)、磁共振成像(MRI)、正電 子發(fā)射斷層掃描(PET)和超聲波等，將它們用于訓(xùn)練深度學(xué)習(xí)模型并不容易。 首先，醫(yī)學(xué)圖像一般存在各種質(zhì)量的失真和退化，例如噪聲、模糊和壓縮效應(yīng)。 并且，與自然圖像不同，標(biāo)記大量醫(yī)學(xué)圖像既昂貴又耗時(shí)，因此可用于訓(xùn)練深度 神經(jīng)網(wǎng)絡(luò)模型的醫(yī)學(xué)圖像總是有限的。最后，醫(yī)學(xué)圖像分類任務(wù)在要求模型具有 高精度的同時(shí)還要求模型的預(yù)測結(jié)果有據(jù)可依。

因此，CNNs及其變體在用于醫(yī)學(xué)圖像分類任務(wù)時(shí)具有不可避免的缺點(diǎn)。隨 著模型層數(shù)的加深，醫(yī)學(xué)圖像的失真會導(dǎo)致更多的偏差；小數(shù)據(jù)集通常會導(dǎo)致深 度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)出現(xiàn)過擬合的現(xiàn)象；在經(jīng)典機(jī)器學(xué)習(xí)算法中，可解釋性和高 精度往往是魚和熊掌的關(guān)系，CNNs當(dāng)中的非線性運(yùn)算為其帶來了出色的準(zhǔn)確率， 但也限制了其可解釋性。因此，人們渴望找到一種方法，既可以兼顧C(jī)NNs的優(yōu) 點(diǎn)，又可以彌補(bǔ)其缺點(diǎn)。

發(fā)明內(nèi)容

本發(fā)明提供一種結(jié)合小波變換和張量網(wǎng)絡(luò)的醫(yī)學(xué)圖像分類方法，解決的技 術(shù)問題在于：現(xiàn)有醫(yī)學(xué)圖像分類方法在小數(shù)據(jù)集下無法兼顧高準(zhǔn)確率、避免過擬 合和可解釋性。

為解決以上技術(shù)問題，本發(fā)明提供一種結(jié)合小波變換和張量網(wǎng)絡(luò)的醫(yī)學(xué)圖 像分類方法，包括步驟：

S1、將具有N個(gè)像素的醫(yī)學(xué)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(gè)元素x_i特征映射為希爾伯特空間當(dāng)中的一個(gè) 量子態(tài)，得到N個(gè)量子態(tài)；

S3、通過結(jié)合了小波變換和張量網(wǎng)絡(luò)的粗粒化網(wǎng)絡(luò)對N個(gè)量子態(tài)進(jìn)行L次粗 粒化處理，每次輸出一個(gè)僅含有單個(gè)|1＞態(tài)的項(xiàng)，從而得到L個(gè)僅含有單個(gè)|1＞態(tài)的 項(xiàng)作為粗粒化輸出；

S4、將該粗粒化輸出特征映射為多個(gè)特征值并通過張量積連接起來輸入訓(xùn) 練完成的張量分類網(wǎng)絡(luò)中，得到預(yù)測的分類結(jié)果。