CN108921049B - 基于量子门线路神经网络的肿瘤细胞图像识别装置及设备 - Google Patents

Abstract

本发明提供了一种基于量子门线路神经网络的肿瘤图像识别装置，用于对肿瘤图像进行识别从而判定肿瘤图像的癌变阶段，其特征在于，包括：预处理部，将需要进行识别的肿瘤图像进行切割处理从而形成像素尺寸为m×n的多个切割待识别图像；图像转换部，对切割待识别图像进行量子化转化，得到对应的量子化切割待识别图像；分类识别部，含有经过训练的量子门线路神经网络模型，用于对肿瘤图像所对应的量子化切割待识别图像进行分类识别从而得到与不同的癌变阶段分别对应的分类，其中，量子门线路神经网络模型的训练过程中，各层权值的更新采用动量更新规则。本发明还提供了一种含有上述基于量子门线路神经网络的肿瘤图像识别装置的图像识别设备。

Description

基于量子门线路神经网络的肿瘤细胞图像识别装置及设备

技术领域

本发明涉及一种图像识别装置及设备，具体涉及一种基于量子门线路神经网络的肿瘤细胞图像识别装置及设备。

背景技术

临床上，肿瘤的病理诊断主要依靠医学显微图像进行，即，取样获得组织切片图像后由医生肉眼判断其癌变阶段(包括正常、增生、及癌变)。这样的诊断方式依赖于人工判断，因此存在工作效率低、易产生人为误判的缺点。

为了克服上述缺点，国内外学者进行了很多相关研究，包括开发可自动根据组织图像判断癌变阶段的识别装置；同时，近年来人工智能技术蓬勃发展，也使得识别装置与人工智能技术的结合成为了开发热点。例如，提取作为训练集的癌变程度已知的细胞图像中所包含的特征信息，通过机器学习的方式进行训练和分类，再以训练好的分类模型对待识别图像进行分类，即可得到待识别图像对应的分类，即癌变程度。

然而，由于肿瘤细胞图像存在细胞结构、形状、稀疏程度各不相同的情况，同时各种组织器官所包含的细胞种类也具有差异性，因此肿瘤细胞图像通常规律性较差，常规的特征提取方式是难以通用的。因此，也有一些学者开发了不基于直接提取特征的分类识别方法，例如基于支持向量机(Support Vector Machine，SVM)技术或人工神经网络(Artificial Neural Network,ANN)技术的肿瘤细胞图像识别方法，这些方法均将图像的像素值作为模型训练或图像识别的输入值，因此不需要特征提取过程。但是，由于这些方法均基于现有计算机技术的二进制开发得出，而二进制计算对图像进行像素数值表示和计算时需要非常大的运算量，因此，增大训练集就会导致训练耗时过长进而使得效率低下、降低实用性，与之相对地，为了提高效率而降低训练集的图像数量则会导致准确度变差，同样降低实用性。

发明内容

本发明的目的在于解决上述问题，提供一种能够高效地完成训练，同时还不会导致识别准确度变差的图像识别装置及设备。为了达到该目的，本发明的发明人在研发的基础上提出了采用量子门线路神经网络进行肿瘤细胞图像识别的装置及设备。

量子计算机是基于量子态进行计算的新一代计算设备，目前已有特定量子计算机，但是通用的量子计算机尚未问世。与现有的二进制表示方式相比，量子系统中的不同量子状态之间存在相互转换关系，因此也并列存在多个途径，使得量子计算系统能够通过在这些路径上并行处理多个计算，从而实现并行计算，即，在相同计算次数的情况下完成更为复杂的运算。所以，量子计算机的运算速度及数据处理能力远超经典计算机，适用于复杂、大量数据的处理。但是，由于量子计算机与传统计算机的计算过程、数据处理过程完全不同，因此现有技术中的模型建立、数据处理等方法均难以应用于基于量子计算的模型计算处理。

为此，本发明的发明人提出了以量子线路对来实现量子计算(即将图像表示为含有对应的颜色角度矩阵和位置角度矩阵的量子序列，从而实现两个量子态的张量积运算进而实现基于量子线路对的计算)，进一步具体地提出了利用量子门线路神经网络模型(Quantum Gate Circuit Neural Network,QGCNN)进行神经网络学习、训练，并采用训练后模型进行分类从而识别得到待识别图像的癌变程度的方法，该方法所包含的模型是真正基于量子门线路的神经网络模型，其可以在实际的量子计算机上实现量子并行计算处理。

本发明采用了如下技术方案：

本发明提供了一种基于量子门线路神经网络的肿瘤图像识别装置，用于对肿瘤图像进行识别从而判定肿瘤图像的癌变阶段，其特征在于，包括：预处理部，将需要进行识别的肿瘤图像进行切割处理从而形成像素尺寸为m×n的多个切割待识别图像；图像转换部，对切割待识别图像进行量子化转化，得到对应的量子化切割待识别图像；分类识别部，含有经过训练的量子门线路神经网络模型，用于对肿瘤图像所对应的量子化切割待识别图像进行分类识别从而得到与不同的癌变阶段分别对应的分类，其中，量子门线路神经网络模型采用如下方法训练得到：步骤S1，将确定了癌变阶段的多个肿瘤图像作为训练集图像，采用预处理部依次对训练集图像进行切割处理从而形成对应的像素尺寸为m×n的多个切割训练图像；步骤S2，采用图像转换部对切割训练图像进行量子化转化，得到对应的量子化切割训练图像；步骤S3，建立量子门线路神经网络模型并进行模型初始化，该量子门线路神经网络模型的量子神经元含有输入端、移相部分、聚合部分、翻转部分以及输出端；步骤S4，将训练集的量子化切割训练图像输入量子门线路神经网络模型并进行模型训练，达到预定的迭代数后结束训练，得到训练好的量子门线路神经网络模型，模型训练过程中，各层权值w(t)的更新采用动量更新规则。

本发明提供的基于量子门线路神经网络的肿瘤图像识别装置，还可以具有这样的技术特征，其中，动量更新规则为：在步骤S4的模型训练的权值更新过程中添加一个动量项，使得权值向量w的动量项能够将其表示成为此时此刻的权值向量w(t)同它前一个时刻的w(t-1)之间的权值差异，该权值差异如下式所示：

ηΔw(t)＝η(w(t)-w(t-1))

式中，η为动量参数，其取值为0＜η＜1。

本发明提供的基于量子门线路神经网络的肿瘤图像识别装置，还可以具有这样的技术特征，其中，量子门线路神经网络模型具有输入层、隐含层以及输出层，步骤S4的模型训练包括如下步骤：步骤S4-1，设定迭代数t＝1；步骤S4-2，将训练集的每个训练集图像对应的量子化切割训练图像从输入层输入模型；步骤S4-3，进行网络各层的隐含层的量子输出以及实值输出的计算；步骤S4-4，对网络各层的输出层的量子输出以及实值输出进行计算；步骤S4-5，对各层的隐含层以及输出层的权值进行更新；步骤S4-6，判断迭代数t是否小于最大迭代数max，若小于则令t的数值加1，然后返回步骤S4-2；若迭代数t等于最大迭代数max，则结束模型训练。

本发明提供的基于量子门线路神经网络的肿瘤图像识别装置，还可以具有这样的技术特征，其中，隐含层的量子神经元的数量为8个。

本发明提供的基于量子门线路神经网络的肿瘤图像识别装置，还可以具有这样的技术特征，其中，步骤S3的模型初始化过程中，量子门线路神经网络模型的最大迭代数设定为800，学习速率设定为1.0。

本发明提供的基于量子门线路神经网络的肿瘤图像识别装置，还可以具有这样的技术特征，其中，图像转换部具有：颜色映射存储单元，存储有M个颜色、M个角度及颜色角度对应关系；顺序映射存储单元，存储有N个代表像素获取顺序的整数、N个与整数分别对应的角度及整数角度对应关系；颜色获取单元，对切割待识别图像中的m×n个像素按照预设的获取顺序依次进行获取，得到各个像素对应的颜色；角度获取单元，根据颜色获取单元获取的颜色以及颜色映射存储单元所存储的颜色角度对应关系获取各个像素的颜色所对应的角度作为颜色角度，并根据颜色获取单元获取颜色时的顺序以及顺序映射存储单元存储的整数角度对应关系获取各个像素的获取顺序所对应的角度作为顺序角度；量子表示单元，依次根据颜色角度及顺序角度对各个像素进行角度矩阵表示，形成与待识别图像的颜色信息对应的角度矩阵作为第一量子态，同时形成与待识别图像的像素顺序相对应的角度矩阵作为第二量子态，进而形成由第一量子态和第二量子态的张量积表示的量子化切割待识别图像；量子存储单元，利用量子线路对量子化切割待识别图像进行存储，使得该量子化切割待识别图像能够作为量子门线路神经网络模型的输入数据。

本发明还提供了一种基于量子门线路神经网络的肿瘤图像识别设备，用于获取肿瘤对应的肿瘤图像并进行识别从而判定肿瘤的癌变阶段，其特征在于，包括：图像获取装置，对肿瘤的组织切片进行扫描从而获取肿瘤图像；以及图像识别装置，与图像获取装置通信连接，将肿瘤图像作为待识别图像从而进行识别进而判定肿瘤的癌变阶段，其中，图像识别装置为上述任一项的基于量子门线路神经网络的肿瘤图像识别装置。

发明作用与效果

根据本发明提供的基于量子门线路神经网络的肿瘤细胞图像识别装置及设备，由于采用经过训练的量子门线路神经网络模型作为图像识别部，因此能够实现基于量子计算机的图像分类识别，使得肿瘤细胞图像的分类识别能够通过量子计算机实现，大幅度提高识别效果及速度。同时，本发明对模型进行的训练采用了基于动量更新的方法，因此能够避免权值在训练过程中持续震荡，使得训练的收敛速度提高，能够更快地完成训练过程。

附图说明

图1是本发明实施例的基于量子门线路神经网络的肿瘤细胞图像识别设备的构成示意图；

图2是本发明实施例的肿瘤组织切片图像示意图；

图3是本发明实施例的切割待识别图像的示意图；

图4是本发明实施例的图像转换部的构成示意图；

图5是本发明实施例的颜色获取顺序示意图；

图6是本发明实施例的量子门线路神经网络模型的构成示意图；

图7是本发明实施例的量子门线路神经网络模型的量子神经元构成示意图；

图8是本发明实施例的模型收敛速度对比结果；

图9是本发明实施例的分类识别结果图。

具体实施方式

以下结合附图及实施例来说明本发明的具体实施方式。

<实施例>

图1是本发明实施例的基于量子门线路神经网络的肿瘤细胞图像识别设备的构成示意图。

如图1所示，本实施例的基于量子门线路神经网络的肿瘤细胞图像识别设备(以下简称识别设备)100包括相互通信连接的图像获取装置1以及图像识别装置2。本实施例的图像获取装置1为常规的医学组织切片扫描仪，图像识别装置2为安装有识别软件并且与该组织切片扫描仪相通信连接的计算机。

图像获取装置1包括扫描部、扫描暂存部以及扫描侧通信部，扫描部用于获取肿瘤的组织切片图像，扫描暂存部用于对扫描部扫描得到的图像进行暂存，扫描侧通信部用于将暂存的图像作为待识别图像发送给图像识别装置2，让该图像识别装置2进行分类识别，从而得到待识别图像对应的癌变程度。

图2是本发明实施例的肿瘤组织切片图像示意图。

如图2所示，本实施例中的图像获取装置1为常规的组织切片扫描仪，其获取的图像均为扫描得到的彩色组织切片图像，这些图像的像素尺寸均为320×240。

图2所示的为已经癌变的肿瘤组织切片扫描得到的图像，其中，细胞核显示为长圆形，细胞弥散化，且图上几乎是看不到腺管的结构。另外，细胞的腺体不规则化排列且图像呈现出条状形。正常细胞中不存在这些异常现象，而增生细胞则呈现出正常细胞和癌变细胞之间的状态，正常细胞和增生细胞的示例图像在此省略。

如图1所示，本实施例的图像识别装置2是一种基于量子门线路神经网络的肿瘤细胞图像识别装置，包括预处理部21、图像转换部22、分类识别部23、通信部24以及控制部25。

其中，通信部24用于进行图像识别装置2与其他装置之间以及图像识别装置2的各个构成部分之间的数据传输及交换，控制部25用于对图像识别装置2的各个构成部分的工作进行控制。

预处理部21用于对需要进行识别的肿瘤细胞图像(即图像获取装置1发来的)进行预处理，即对待识别图像进行切割从而形成多个像素尺寸相同的切割待识别图像。

图3是本发明实施例的切割待识别图像的示意图。

如图3所示，本实施例中，该预处理部21主要对320×240的待识别图像进行切割，从而形成20张切割待识别图像，每张切割待识别图像的像素尺寸均为60×60。

图像转换部22用于对切割待识别图像进行量子化转化，得到对应的量子化切割待识别图像。即，依次对各个切割待识别图像进行量子化转化得到对应的量子化切割待识别图像。

图4是本发明实施例的图像转换部的构成示意图。

如图4所示，图像转换部22包括颜色映射存储单元221、顺序映射存储单元222、颜色获取单元223、角度获取单元224、量子表示单元225、量子存储单元226以及转换控制单元227。

颜色映射存储单元221用于存储M个颜色、M个对应的角度以及颜色角度对应关系。本实施例中，M个颜色为预先设定的肿瘤细胞图像可能出现的全部颜色，其对应的角度和颜色角度对应关系按照以下步骤预先设定并存储：

步骤S0-1，将M个颜色按一定顺序(例如RGB值)排列得到即可得到一个颜色集合，即：

Color＝{color₁，color₂，…，color_M} (1)

上式中，color₁，color₂，…，color_M为预先设定并具有一定顺序的M个颜色。

步骤S0-2，定义一个有序且包含M个角度的角度集和：φ＝{φ₁，φ₂，…，φ_M}，其中：

φ₁，φ₂，…，φ_M为与color₁，color₂，…，color_M一一对应的的M个角度，式(2)中i∈{1,2，…，M}。

步骤S0-3，创建一个颜色和角度一一对应的双射函数F₁：

上述式(3)中，Color为在步骤S0-1已经排好序的颜色集合，F₁(color_i)＝φ_i，且F₁ ^-1(φ_i)＝color_i。

颜色映射存储单元221对上述颜色集合Color、角度集合φ以及双射函数

进行存储。由此，图像中的M个颜色的信息可以通过一组单量子比特的量子态来对其进行表示，即|ν₁>，|ν₂>，…，|ν_M>，其中|v_i>＝cosφ_i|0>+sinφ_i|1>。

顺序映射存储单元222存储有N个整数、N个角度及整数角度对应关系。本实施例中，整数的个数N用于表示切割待识别图像的像素顺序，其数值不小于切割待识别图像的像素数(即不小于3600)。

与颜色映射存储单元221类似，顺序映射存储单元222所存储的整数、角度及对应关系均可采用有序的整数集合Number、有序的角度集合Angle以及反映二者对应关系的双射函数F₂来表示。

其中，Number＝{1,2，…，N}，Angle＝{β₁，β₂，…，β_N}，双射函数F₂的形式如下式(4)所示：

即：β_i＝π(i-1)/2(N-1),F₂(i)＝β_i,F₂ ^-1(β_i)＝i,i∈{1,2,Λ,N}。另外，式(4)中，当整数为1时，令对应的角度β₁＝0。与颜色信息相似，N个像素的位置(即坐标顺序)也可以用一组单量子比特的量子态来表示，即|u₁>，|u₂>，…，|u_N>，其中|u_i>＝cosβ_i|0>+sinβ_i|1>。

颜色获取单元223用于按照一定顺序依次对切割待识别图像中的各个像素的颜色进行获取。由于该获取顺序是已经预先设好的，因此在获取像素颜色的同时也获取了该像素的顺序。

图5是本发明实施例的颜色获取顺序示意图。

如图5所示，颜色获取单元223在获取颜色时按照从左至右、自上而下的顺序进行。

在图5所示的3×3的图像中，颜色获取单元223按照坐标(1,1)，(1,2)，…(3,2)，(3,3)的顺序获取颜色(括号中，逗号前的数字为横向坐标值，逗号后的数字为纵向坐标值)，其中(1,1)为第1个像素，(1,2)为第2个像素，以此类推，(3,2)，(3,3)分别为第8个、第9个像素。由此，颜色获取单元223按照第1个、第2个、…第9个的顺序获取对应像素的颜色，该颜色的表示形式与颜色映射存储单元221所存储的颜色表示形式相同(例如，都是RGB数值)。

角度获取单元224用于依次获取每个像素的颜色角度和顺序角度。其中，颜色角度根据颜色获取单元223获取的颜色以及颜色映射存储单元221中存储的颜色角度对应关系(即双射函数F₁)获取，顺序角度根据颜色获取单元223获取颜色的顺序(即该顺序的整数数值)以及顺序映射存储单元222中存储的整数角度对应关系(即双射函数F₂)获取该顺序的整数相对应的角度。

以图5所示的3×3的图像为例，对于第1个像素，假定其颜色为color_i，则其对应的颜色角度|v_i>＝cosφ_i|0>+sinφ_i|1>；同时，由于该像素为第1个获取的像素，因此其顺序的整数数值为1，对应的顺序角度|u₁>＝cosβ₁|0>+sinβ₁|1>。各个颜色角度按顺序排列就形成了一个角度矩阵，即颜色角度矩阵；类似地，各个顺序角度按照顺序排列也形成一个角度矩阵，即顺序角度矩阵。

量子表示单元225依次根据颜色角度及顺序角度对各个像素进行角度矩阵表示，形成与待识别图像的颜色信息对应的角度矩阵作为第一量子态，同时形成与待识别图像的像素顺序相对应的角度矩阵作为第二量子态。

也就是说，当颜色获取单元223按顺序依次获取各个像素的颜色、角度获取单元224获取颜色对应的颜色角度及顺序对应的顺序角度时，其获取结果包含了多个有序的颜色角度和对应的多个有序的顺序角度。量子表示单元225按顺序将颜色角度形成颜色角度矩阵，同时将顺序角度形成顺序角度矩阵，该颜色角度矩阵和顺序角度矩阵实际上都是单量子比特的量子态。

本实施例中，颜色角度矩阵设为第一量子态，顺序角度矩阵设为第二量子态，该第一量子态和第二量子态的张量积就是对应的图像(例如切割待识别图像)的量子化形式。

例如，一个像素尺寸m×n的图像可以表示为下式(5)的形式：

式(5)中，i为各个像素的顺序数值，m_i为颜色获取单元223获取的第i个像素的颜色，|ν_mi>为对应的颜色角度，|u_i>为对应的顺序角度。

量子存储单元226用于利用量子线路对量子化切割待识别图像进行存储，使得该量子化切割待识别图像能够作为量子门线路神经网络模型的输入数据。该量子存储单元226采用基于量子线路的量子存储结构，按照i＝1,2，…，m×n的顺序依次获得m×n图像中的各个像素的张量积|Ψ₁>，|Ψ₂>，…，|Ψ_m×n>，并通过量子序列的形式对|Ψ₁>，|Ψ₂>，…，|Ψ_m×n>进行存储，即完成了量子化切割待识别图像的存储。

转换控制单元227用于对图像转换部22的各个构成部分的工作进行控制。

图像转换部22完成对各个待识别切割图像的量子化后，即可将得到的各个量子化切割待识别图像输入至分类识别部23进行分类识别，从而得出原本的肿瘤细胞图像所对应的癌变程度，该图像转换部22含有一个经过训练的量子门线路神经网络模型。

图6是本发明实施例的量子门线路神经网络模型的构成示意图。

如图6所示，量子门线路神经网络模型中，|x₁>，|x₂>，…，|x_n>为输入数据，|h₁>，|h₂>，…，|h_n>为隐含层输入数据，|y₁>，|y₂>，…，|y_n>是网络模型的输出数据。即，该量子门线路神经网络模型具有输入层、隐含层以及输出层。

图7是本发明实施例的量子门线路神经网络模型的量子神经元构成示意图。

如图7所示，量子神经元含有输入端、移相部分、聚合部分、翻转部分以及输出端。其中，输入端为用量子位来表示的|x_i>，输出端是处在状态|1>的一个概率幅，移相部分包含用于进行移相的量子相移门R(θ_i)，翻转部分包含用于进行翻转的受控非门U(γ)。

令|x_i>＝cosθ_i|0>+sinθ_i|1>，再通过结合一位相移门以及多位受控非门的定义式并且计算可以得到：

式(7)和式(8)中，i＝1,2，…，n；j＝1,2，…，m；

在此规定下，让每一层的量子位当中状态为|1>的一个概率幅来作为这一层的实际输出值。那么，每一层的网络实际输出式如下式(9)和(10)所示：

另外，在上述量子门线路神经网络模型中，隐含层以及输出层中的R(θ)的旋转角落是神经网络中可调整的参数。将网络模型的期望输出设置为

并按下式(11)定义函数误差：

通过一种梯度下降法将每一层的旋转角度的梯度的计算式表示为下式(12)：

上述式(12)中：

由此，每一层的网络的旋转角度进行更新的表达式为：

上述式(13)(14)中，t是网络模型中的迭代数，α则是网络模型中的学习速率参数。

如上所述，分类识别部23所含有的量子门线路神经网络模型包含多个不同的网络层，每个网络层均由一定数量的量子神经元构成。

本发明的发明人经过多次反复试验，发现在本发明的量子门线路神经网络模型中，隐含层神经元的个数越多，则分类效果和识别率提高。其中，当隐含层神经元的个数小于10时，神经元个数增加对于分类效果和识别率的提升较为明显，但个数大于10时，提升较不明显。由于个数越多计算量越大，因此将隐含层神经元的个数设为10时，就能够在提升分类效果和识别率的同时避免过度增加计算量。所以，本实施例中隐含层神经元的个数设定为10。

该量子门线路神经网络模型需要采用训练集进行训练后作为分类识别部23应用。本实施例中，量子门线路神经网络模型采用基于动量更新的方法进行训练，具体包括如下步骤：

步骤S1，将确定了癌变阶段的多个肿瘤细胞图像作为训练集图像，采用预处理部21依次对训练集图像进行切割处理从而形成对应的像素尺寸为m×n的多个切割训练图像。即，将癌变阶段已知(例如已经由医生人工判定了癌变阶段)的多个肿瘤细胞图像作为训练集图像，采用预处理部21进行切割从而分别形成对应的切割训练图像。本实施例中，训练集图像的尺寸与待识别图像的尺寸相同(即320×240)，同时切割训练图像与切割待识别图像尺寸也相同(60×60)。

步骤S2，采用图像转换部22对切割训练图像进行量子化转化，得到对应的量子化切割训练图像。本步骤中，图像转换部22对切割训练图像进行的量子化转化与对切割待识别图像所进行的量子化转化的过程相同，在此不再赘述。

步骤S3，建立量子门线路神经网络模型并进行模型初始化。该量子门线路神经网络模型结构如上所述，初始化包括如下步骤：

步骤S3-1，对隐含层的量子门矩阵U(w)进行初始化：

上式(15)(16)中，w＝2π·random，random为[0,1]之间的随机数。

步骤S3-2，对输出层的量子门矩阵U(γ)进行初始化：

上式(17)(18)中，γ＝2π·random，random为[0,1]之间的随机数。

步骤S3-3，设置模型参数，包括最大迭代数max、学习速率参数α、神经元个数等。其中，本实施例将隐含层的神经元个数设定为10。

本发明的发明人在反复试验的过程中发现，当其他条件均相同时，最大迭代数max越大、学习速率参数α越高，则模型的分类效果和识别率越高。然而，当最大迭代数max和学习速率参数α提升至一定数值时，再继续提高则对分类效果和识别率的提高效果有限，因此最好是将最大迭代数max和学习速率参数α设定为对分类效果和识别率的提升效果最为明显的数值，这样就能够在提升分类效果和识别率的同时避免产生过大的计算量、提高计算效率。

发明人发现了如下规律：

(1)最大迭代数max小于200的时候，模型的分类识别的效果不是很好；当最大迭代数max是400-600的时候，模型的分类识别的效果在不断增强，分类效果和识别率也在不断的提高。然而，当最大迭代数max是800左右的时候，模型的分类识别的效果增幅不是很明显，同时识别率也逐渐趋于平稳。继续提升最大迭代数max，则分类效果和分类效果和识别率提升均不明显了。因此，当实验的最大迭代数max为800时，分类效果以及分类效果和识别率均为最优，且此时不会产生过大的计算量。所以，本实施例中，最大迭代数max设置为800。

(2)发明人发现，当网络的学习速率设为0.5时，模型的分类识别效果不是很好且识别率不是很高；当网络的学习速率在1.5以上时，分类效果较好，但此时计算量较大，需要花费较多时间和资源进行训练。综合其他参数考虑，网络的学习速率取1.0的时候为最佳，因此本实施例的学习速率参数α设定为1.0。

步骤S4，将训练集的量子化切割训练图像输入量子门线路神经网络模型并进行模型训练，达到预定的迭代数后结束训练，得到训练好的量子门线路神经网络模型。

模型训练的主要过程如下：

步骤S4-1，设定迭代数t＝1；

步骤S4-2，将训练集中的每个训练集图像所对应的量子化切割训练图像从输入层输入模型；

步骤S4-3，进行网络各层的隐含层的量子输出以及实值输出的计算；

步骤S4-4，对网络各层的输出层的量子输出以及实值输出进行计算；

步骤S4-5，对各层的隐含层以及输出层的权值进行更新；

步骤S4-6，判断迭代数t是否小于最大迭代数max，若小于则令t的数值加1，然后返回步骤S4-2；若迭代数t等于最大迭代数max，则结束模型训练。

本实施例中，步骤S4-5的权值更新采用动量更新规则进行，即：在权值更新过程中添加一个动量项，使得权值向量w的动量项能够将其表示成为此时此刻的权值向量w(t)同它前一个时刻的w(t-1)之间的权值差异，该权值差异如下式(19)所示：

ηΔw(t)＝η(w(t)-w(t-1)) (19)

式(19)中，η为动量参数，其取值为0＜η＜1。

图8是本发明实施例的模型收敛速度对比结果。其中，L1为常规的神经网络模型的收敛速度，L2为采用动量更新规则的量子门线路神经网络模型的收敛速度。

根据图8中L1和L2的对比可以发现，在其他参数相同的情况下，采用动量更新规则的量子门线路神经网络模型在约200步即可大致完成收敛，而常规模型则需要在700步左右才能大致达到收敛。因此，采用动量更新规则的量子门线路神经网络模型收敛速度高于常规模型，能够更快地完成模型训练。

模型训练结束后，即可将该模型作为分类识别部23应用。将图像转换部22转换得到的量子化切割待识别图像输入模型，即可让模型识别并得出其分类(即正常、癌变或增生)，从而完成对原待识别图像的识别。

本实施例中，鉴于现有技术还未开发出量子计算机的实物，因此上述模型建立、训练等过程均采用二进制计算机模拟量子计算机的计算过程而进行。即，正常情况下，切割后的量子图像数据维度应为60×60×4，发明人采用PCA(主成分分析法)将数据降维形成60×60×2的矩阵信息，并将其作为上述模拟搭建的模型的输入数据。采用这种方法，经过训练集图像预处理、模型构建与初始化、训练集图像输入与模型训练、待识别图像输入的过程，得出了多个待识别图像的分类识别结果。

图9是本发明实施例的分类识别结果图。

如图9所示，在模拟的量子门线路神经网络模型中，待识别图像的识别率达到了86.4％。可见，虽然相关计算不是在真正的量子计算机上进行的，但本实施例的上述图像识别装置2中的量子门线路神经网络模型的应用是完全可行的，其在真实的量子计算机上也是能够应用，并且能以高识别率对待识别图像进行分类识别。得出识别结果后，控制部25即可控制通信部24将结果发送给相应的显示装置或接收装置，使得医生可以查看待识别图像的癌变程度。

实施例作用与效果

根据本实施例提供的基于量子门线路神经网络的肿瘤细胞图像识别装置及设备，由于采用经过训练的量子门线路神经网络模型作为图像识别部，因此能够实现基于量子计算机的图像分类识别，使得肿瘤细胞图像的分类识别能够通过量子计算机实现，大幅度提高识别效果及速度。同时，本实施例对模型进行的训练采用了基于动量更新的方法，因此能够避免权值在训练过程中持续震荡，使得训练的收敛速度提高，能够更快地完成训练过程。

由于本实施例采用的是基于量子计算机的量子门线路神经网络模型，其处理能力远高于二进制计算机上的分类识别模型；本实施例还建立了预先存储颜色角度映射关系并利用该映射关系获得颜色角度进而进行量子化的方法，因此本实施例可以直接对彩色图像进行处理而不需要将其转换为灰度图像来处理。与必须要转换灰度图像的常规算法相比，本实施例的分类识别能够减少灰度转换的步骤，不仅能减小识别前的工作量，也能够尽可能保留更多信息从而提高识别效果。

实施例中，由于采用两个双射函数来表示颜色角度对应关系和整数角度对应关系，因此能够使颜色角度和顺序角度的获取通过函数求解进行，不仅更加符合量子计算机的存储方式及计算方式，也能够提高运算速度。

实施例中，隐含层神经元的个数为10、学习速率参数为1.0、最大迭代数为800，因此能够在提升分类识别效果的同时避免产生过大的计算量，进一步提高了运算效率。

上述实施例仅用于举例说明本发明的具体实施方式，而本发明的不限于上述实施例所描述的形式。

例如，实施例中的识别结果通过通信部发送出，使得医生可以通过其他的显示装置查看待识别图像的癌变情况。但在本发明中，图像识别装置也可以包含显示部，使得分类识别结果能够通过该显示部即时显示。

另外，实施例中，隐含层神经元的个数为10、学习速率参数为1.0、最大迭代数为800。但是，实际应用时也可以在需要提高识别效果时将这些参数设置得更高，或在需要进一步提高运算速度、压缩运算时间时将这些参数设置得更低。

实施例的图像获取装置为医学组织切片扫描仪；在本发明的其他实施例中，图像获取装置也可以是与图像识别装置相通信连接的显微镜。

Claims (7)

1.一种基于量子门线路神经网络的肿瘤图像识别装置，用于对肿瘤图像进行识别从而判定肿瘤图像的癌变阶段，其特征在于，包括：

预处理部，将需要进行识别的所述肿瘤图像进行切割处理从而形成像素尺寸为m×n的多个切割待识别图像；

图像转换部，对所述切割待识别图像进行量子化转化，得到对应的量子化切割待识别图像；

分类识别部，含有经过训练的量子门线路神经网络模型，用于对所述肿瘤图像所对应的所述量子化切割待识别图像进行分类识别从而得到与不同的所述癌变阶段分别对应的分类，

其中，所述量子门线路神经网络模型采用如下方法训练得到：

步骤S1，将确定了所述癌变阶段的多个肿瘤图像作为训练集图像，采用所述预处理部依次对所述训练集图像进行切割处理从而形成对应的像素尺寸为m×n的多个切割训练图像；

步骤S2，采用所述图像转换部对所述切割训练图像进行量子化转化，得到对应的量子化切割训练图像；

步骤S3，建立量子门线路神经网络模型并进行模型初始化，该量子门线路神经网络模型的量子神经元含有输入端、移相部分、聚合部分、翻转部分以及输出端；

步骤S4，将所述训练集的所述量子化切割训练图像输入所述量子门线路神经网络模型并进行模型训练，达到预定的迭代数后结束训练，得到训练好的所述量子门线路神经网络模型，

所述模型训练过程中，各层权值w(t)的更新采用动量更新规则。

2.根据权利要求1所述的基于量子门线路神经网络的肿瘤图像识别装置，其特征在于：

其中，所述动量更新规则为：

在步骤S4的所述模型训练的权值更新过程中添加一个动量项，使得权值向量w的动量项能够将其表示成为此时此刻的权值向量w(t)同它前一个时刻的w(t-1)之间的权值差异，该权值差异如下式(19)所示：

ηΔw(t)＝η(w(t)-w(t-1)) (19)

式(19)中，η为动量参数，其取值为0<η<1。

3.根据权利要求1或2所述的基于量子门线路神经网络的肿瘤图像识别装置，其特征在于：

其中，所述量子门线路神经网络模型具有输入层、隐含层以及输出层，

步骤S4的所述模型训练包括如下步骤：

步骤S4-1，设定迭代数t＝1；

步骤S4-2，将所述训练集的每个所述训练集图像对应的所述量子化切割训练图像从所述输入层输入模型；

步骤S4-3，进行网络各层的所述隐含层的量子输出以及实值输出的计算；

步骤S4-4，对网络各层的所述输出层的量子输出以及实值输出进行计算；

步骤S4-5，对各层的所述隐含层以及所述输出层的权值进行更新；

步骤S4-6，判断所述迭代数t是否小于最大迭代数max，若小于则令t的数值加1，然后返回步骤S4-2；若迭代数t等于最大迭代数max，则结束模型训练。

4.根据权利要求3所述的基于量子门线路神经网络的肿瘤图像识别装置，其特征在于：

其中，所述隐含层的所述量子神经元的数量为8个。

5.根据权利要求1所述的基于量子门线路神经网络的肿瘤图像识别装置，其特征在于：

其中，步骤S3的所述模型初始化过程中，所述量子门线路神经网络模型的最大迭代数设定为800，学习速率设定为1.0。

6.根据权利要求1所述的基于量子门线路神经网络的肿瘤图像识别装置，其特征在于：

其中，所述图像转换部具有：

颜色映射存储单元，存储有M个颜色、M个角度及颜色角度对应关系；

顺序映射存储单元，存储有N个代表像素获取顺序的整数、N个与所述整数分别对应的角度及整数角度对应关系；

颜色获取单元，对所述切割待识别图像中的m×n个像素按照预设的获取顺序依次进行获取，得到各个像素对应的颜色；

角度获取单元，根据所述颜色获取单元获取的所述颜色以及所述颜色映射存储单元所存储的所述颜色角度对应关系获取各个像素的所述颜色所对应的所述角度作为颜色角度，并根据所述颜色获取单元获取所述颜色时的顺序以及所述顺序映射存储单元存储的整数角度对应关系获取各个像素的获取顺序所对应的所述角度作为顺序角度；

量子表示单元，依次根据所述颜色角度及所述顺序角度对各个像素进行角度矩阵表示，形成与所述待识别图像的颜色信息对应的角度矩阵作为第一量子态，同时形成与所述待识别图像的像素顺序相对应的角度矩阵作为第二量子态，进而形成由所述第一量子态和所述第二量子态的张量积表示的所述量子化切割待识别图像；

量子存储单元，利用量子线路对所述量子化切割待识别图像进行存储，使得该量子化切割待识别图像能够作为所述量子门线路神经网络模型的输入数据。

7.一种基于量子门线路神经网络的肿瘤图像识别设备，用于获取肿瘤对应的肿瘤图像并进行识别从而判定所述肿瘤的癌变阶段，其特征在于，包括：

图像获取装置，对所述肿瘤的组织切片进行扫描从而获取所述肿瘤图像；以及

图像识别装置，与所述图像获取装置通信连接，将所述肿瘤图像作为待识别图像从而进行识别从而判定所述肿瘤的癌变阶段，

其中，所述图像识别装置为权利要求1～6中任一项所述的基于量子门线路神经网络的肿瘤图像识别装置。

Images