CN117689966A - 一种基于量子贝叶斯神经网络的磁共振图像分类方法 - Google Patents
一种基于量子贝叶斯神经网络的磁共振图像分类方法 Download PDFInfo
- Publication number
- CN117689966A CN117689966A CN202410158112.3A CN202410158112A CN117689966A CN 117689966 A CN117689966 A CN 117689966A CN 202410158112 A CN202410158112 A CN 202410158112A CN 117689966 A CN117689966 A CN 117689966A
- Authority
- CN
- China
- Prior art keywords
- circuit
- quantum
- distribution
- magnetic resonance
- prior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013531 bayesian neural network Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000004913 activation Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 208000026911 Tuberous sclerosis complex Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 208000009999 tuberous sclerosis Diseases 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于量子贝叶斯神经网络的磁共振图像分类方法，包括：从图像数据集获取输入数据集；选择可训练电路权重参数的先验分布和先验置信度；根据输入数据集、先验分布和先验置信度计算可训练电路权重参数的后验分布；更新先验分布和先验置信度；根据后验分布和变分量子电路将输入数据集进行处理得到量子态数据；将量子态数据分类形成输出数据集。其具有贝叶斯推理的理想特性，同时保持与其他同类模型相当的预测性能。与现有技术相比，本申请公开的一种基于量子贝叶斯神经网络的磁共振图像分类方法，可以实现更全面地理解和利用输入数据中量化预测的不确定性，从而提高模型的泛化能力和鲁棒性。
Description
技术领域
本发明涉及磁共振图像分类技术技术领域，尤其涉及一种基于量子贝叶斯神经网络的磁共振图像分类方法。
背景技术
磁共振成像（MRI）作为一种先进的医学成像技术，广泛应用于获取高质量的脑部图像。这种技术以其无痛、无创的特点，以及提供高水平空间和对比度分辨率的能力而受到青睐。它不仅在多种疾病的诊断中发挥着重要作用，还能提供关于大脑内部结构的详细信息。然而，从这些高质量图像中提取有用信息是一项挑战，因为所涉及的数据量庞大，且难以从原始数据中直接得出有意义的结论。因此，需要依赖于先进的图像分析工具来处理这些数据，从而有效地对大脑的正常和异常状态进行分类。
在医学图像分析领域，已经有多种基于深度学习的方法被提出，用于分析脑部MRI图像，以实现健康监测和疾病诊断。与此同时，量子计算作为一种新兴的计算范式，展现出与传统计算不同的优势。这些优势不仅体现在计算能力上，量子硬件的发展还催生了量子机器智能的新领域。为了在人工智能领域充分利用量子计算的潜力，研究者们正致力于探索量子机器智能在各种AI任务中的应用和特性。此外，神经架构设计的进步也促进了深度学习与量子机器智能的融合。在量子机器学习的背景下，频率训练通常被用于训练基于变分电路的模型。传统的频率训练涉及到寻找神经权重或参数化量子门的点估计。频率训练的核心是最大似然估计，在适当的正则化下，它等同于最大后验估计。尽管频率训练实现中计算上方便，但这种方法倾向于忽略模型参数的不确定性，这可能导致对未见数据的泛化能力不足。频率训练的一个主要特点是它关注于找到单一的最优参数集，而不是考虑参数的分布。这种方法在统计学习的角度来看，可能不足以捕捉模型的全部潜力，特别是在处理具有高度不确定性或复杂性的数据时。
发明内容
为了解决磁共振成像中量子频率训练忽略模型参数的不确定性的缺陷，本发明提出一种基于量子贝叶斯神经网络的磁共振图像分类方法。
本发明采用的技术方案是，一种基于量子贝叶斯神经网络的磁共振图像分类方法，包括：
从图像数据集获取输入数据集；
选择可训练电路权重参数的先验分布和先验置信度；
根据输入数据集、先验分布和先验置信度计算可训练电路权重参数的后验分布；
更新先验分布和先验置信度；
根据后验分布和变分量子电路将输入数据集进行处理得到量子态数据；
将量子态数据分类形成输出数据集。
优选的，根据输入数据集、先验分布和先验置信度计算可训练电路权重参数的后验分布，更新先验分布和先验置信度的步骤，包括：
后验分布和先验置信度成正比，且后验分布和先验置信度、先验分布的乘积成反比。
优选的，后验分布和先验置信度成正比，且后验分布和先验置信度、先验分布的乘积成反比的步骤，包括：
根据 计算可训练电路权重参数的后验分布。
优选的，根据后验分布和变分量子电路将输入数据集进行处理得到量子态数据的步骤，包括：
变分量子电路具有数据编码电路/>和可训练电路/>；
数据编码电路由输入数据参数化；
可训练电路由后验分布参数化。
优选的，变分量子电路具有数据编码电路和可训练电路；数据编码电路由输入数据参数化；可训练电路由后验分布参数化的步骤，包括，变分量子电路的总体设计解释为：
。
优选的，从图像数据集获取输入数据集的步骤，包括：
输入数据集具有在经典数据空间中观察到的随机变量集合，以及与随机变量集合发生映射的目标变量集合。
优选的，将量子态数据分类形成输出数据集的步骤，包括：
量子态数据基于福克空间、且通过光子数表示，将光子数分类形成输出集合。
优选的，根据后验分布和变分量子电路将输入数据集进行处理得到量子态数据的步骤，包括：
变分量子电路由基本单模高斯门构成，且在变分量子电路的架构末端设有非高斯门。
优选的，从图像数据集获取输入数据集的步骤，包括：
将输入数据集通过经典多层感知机进行处理，简化输入数据集以获得低维特征向量输入数据。
优选的，将输入数据集通过经典多层感知机进行处理，简化输入数据集以获得低维特征向量输入数据，包括，低维特征向量输入数据中的每个数据可解释为：
；
其中，是/>+1层的激活值，/>是激活函数，/>是第/>层的权重矩阵，/>是第/>层的激活值，/>是第/>层的偏置向量。
与现有技术相比，本发明具有以下有益效果：
本申请公开了一种基于量子贝叶斯神经网络的磁共振图像分类方法，包括：从图像数据集获取输入数据集；选择可训练电路权重参数的先验分布和先验置信度；根据输入数据集、先验分布和先验置信度计算可训练电路权重参数的后验分布；更新先验分布和先验置信度；根据后验分布和变分量子电路将输入数据集进行处理得到量子态数据；将量子态数据分类形成输出数据集。通过观察对量子神经网络的广泛研究，其中唯一的训练方法是基于频率训练，而经研究发现贝叶斯学习从两个方面使量子神经网络受益。首先，与频率训练相比，贝叶斯训练模型由于使用了先验分布和后验分布而享有较高的泛化水平；其次，贝叶斯推理提供了认知不确定性估计，这一特性对于医学影像分析尤为重要，因为它允许医生和临床工作者评估模型预测的可信度，并据此做出更为信息化的决策。值得一提的是，经过频率训练的量子神经网络通常缺乏这种理想的特性。在贝叶斯训练过程中，一种基于量子贝叶斯神经网络的磁共振图像分类方法可以被认为是一类新的量子神经网络（称为贝叶斯量子神经网络），其具有贝叶斯推理的理想特性，同时保持与其他同类模型相当的预测性能。
与现有技术相比，本申请公开的一种基于量子贝叶斯神经网络的磁共振图像分类方法，可以实现更全面地理解和利用输入数据中量化预测的不确定性，从而提高模型的泛化能力和鲁棒性。
附图说明
下面结合实施例和附图对本发明进行详细说明，其中：
图1示出了根据本发明实施例所提供的一种基于量子贝叶斯神经网络的磁共振图像分类方法的流程示意图；
图2示出了根据本发明实施例所提供的一种基于量子贝叶斯神经网络的磁共振图像分类方法的运行流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明公开了一种基于量子贝叶斯神经网络的磁共振图像分类方法，请参考图1和图2，包括：
S10、从图像数据集获取输入数据集；
S20、选择可训练电路权重参数的先验分布和先验置信度；
S30、根据输入数据集、先验分布和先验置信度计算可训练电路权重参数的后验分布；
S40、更新先验分布和先验置信度；
S50、根据后验分布和变分量子电路将输入数据集进行处理得到量子态数据；
S60、将量子态数据分类形成输出数据集。
通过观察对量子神经网络的广泛研究，其中唯一的训练方法是基于频率训练，而经研究发现贝叶斯学习从两个方面使量子神经网络受益。首先，与频率训练相比，贝叶斯训练模型由于使用了先验分布和后验分布而享有较高的泛化水平；其次，贝叶斯推理提供了认知不确定性估计，这一特性对于医学影像分析尤为重要，因为它允许医生和临床工作者评估模型预测的可信度，并据此做出更为信息化的决策。值得一提的是，经过频率训练的量子神经网络通常缺乏这种理想的特性。在贝叶斯训练过程中，一种基于量子贝叶斯神经网络的磁共振图像分类方法可以被认为是一类新的量子神经网络（称为贝叶斯量子神经网络），其具有贝叶斯推理的理想特性，同时保持与其他同类模型相当的预测性能。
与现有技术相比，本申请公开的一种基于量子贝叶斯神经网络的磁共振图像分类方法，可以实现更全面地理解和利用输入数据中量化预测的不确定性，从而提高模型的泛化能力和鲁棒性。
对于步骤S10从图像数据集获取输入数据集，图像数据集是指通过磁共振技术所拍摄得到的图像，即所需要进行识别判断和分类的图像。将图像数据集由图像的形式转化为输入数据集可进行计算的形式。此外，在学习过程中，图像数据集的取得可以为已经经过判断的具有典型特征的图片数据，达到更快训练的效果。
对于步骤S20选择可训练电路权重参数的先验分布和先验置信度，进行选择的范围为磁共振技术领域中常见的分布参数，若分析某些在数据库中极为少见的病症时，可以将先验分布定义为高斯分布，将先验置信度的分布关系定义为多项分布或者伯努利分布。需要说明的是，该步骤所定义的先验分布和先验置信度的参数能够根据计算后得到的可训练电路权重参数的后验分布进行更新，从而对先验分布和先验置信度进行训练。先验分布和先验置信度是在还没观察到输入数据集的一个预定义，后续根据输入数据集计算后验分布，然后通过网络训练不断更新训练参数。
对于步骤S30根据输入数据集、先验分布和先验置信度计算可训练电路权重参数的后验分布，可训练电路权重参数的后验分布是根据输入数据集、先验分布和先验置信度计算所得到的，这种方式能够有效地将历史发生过的病征数据以及导致病症发生的原因进行分析，从而实现更全面地理解和利用输入数据中量化预测的不确定性的目的。
对于步骤S40更新先验分布和先验置信度，在我们提出的变分量子电路框架中，核心思想是将随机性和不确定性融入量子电路的设计与训练过程。这种方法的关键在于对量子电路的权重ω进行概率建模，而不是将其视为固定值。这样的处理方式使我们能够更全面地理解和利用数据中的不确定性，从而提高模型的泛化能力和鲁棒性。
对于步骤S50根据后验分布和变分量子电路将输入数据集进行处理得到量子态数据，取得后验分布后需要将后验分布代入至变分量子电路中进行计算，处理后得到量子态数据。具体来说，将经典数据编码到量子数据的步骤能够通过编码器实现。
对于步骤S60将量子态数据分类形成输出数据集，需要说明的是，需要对量子态数据进行分类，从而得到不同病症的输出数据集。在其他的实施例中，也可以将量子态数据再次转换为经典数据后在进行分类，得到不同病症的输出数据集。
需要说明的是，变分量子电路参数ω的先验分布反映了在观察任何数据之前对参数可能值的预先理解。此外，还定义了预测能力的先验置信度，其表示在给定输入数据集和参数ω的情况下，模型预测输出的能力。最后，关注的焦点是参数ω的后验分布。
在一些实施例中，根据输入数据集、先验分布和先验置信度计算可训练电路权重参数的后验分布，更新先验分布和先验置信度的步骤，包括：
后验分布和先验置信度成正比，且后验分布和先验置信度、先验分布的乘积成反比。
在一些具体的实施例中，后验分布和先验置信度成正比，且后验分布和先验置信度、先验分布的乘积成反比的步骤，包括：
根据 计算可训练电路权重参数的后验分布。
在这个框架下，我们首先定义了一个由可学习权重ω参数化的变分量子电路，其能够根据输入/>调整变分量子电路的行为。这种变分量子电路的设计能够将经典数据映射到量子态上，并通过量子计算进行处理。
接着，变分量子电路参数ω的先验分布，先验分布反映了在观察任何数据之前对参数可能值的预先理解。此外，还定义了预测能力的先验置信度/>，其表示在给定输入数据集/>和参数ω的情况下，模型预测输出y的能力。最后，关注的焦点是参数ω的后验分布/>，
；
这是在观察到数据集D后，对参数ω的更新理解。数据集D是通过结合先验分布和从输入数据集中获得的证据来计算的，数据集D不仅提示哪些参数值（先验分布和先验置信度）更可能，而且还提示关于这些参数值（先验分布和先验置信度）的不确定性。
在一些实施例中，根据后验分布和变分量子电路将输入数据集进行处理得到量子态数据的步骤，包括：
变分量子电路()具有数据编码电路(/>)和可训练电路(/>)；
数据编码电路由输入数据参数化；
可训练电路由后验分布参数化。
在一些具体的实施例中，变分量子电路具有数据编码电路和可训练电路；数据编码电路由输入数据参数化；可训练电路由后验分布参数化的步骤，包括，变分量子电路的总体设计解释为：
。
量子神经网络的核心思想是利用量子电路来执行类似于传统神经网络中神经元的功能。在量子神经网络中，每个量子电路都可以看作是一个“神经元”，其通过可调节的参数来最小化 目标损失函数。这种设计使得量子近似优化算法能够在模拟机器上验证量子机器学习算法的有效性。
对于一组在经典数据空间中观察到的随机变量集合/>，以及一组相关的目标变量/>。
基于电路的量子机器学习模型通过将这些经典数据映射到高维希尔伯特空间来处理它们。
基于电路的量子机器学习模型被解释为变分量子电路，其中ω是具有实现的经典可训练参数。
从数学上来说，输入数据的映射定义为：
；
；
其中 是输入/>在高维量子希尔伯特空间中的量子表示。变分量子电路的构造涉及数据编码电路/>和可训练电路/>的M个相同子架构的堆栈。量子分类器的结构包括N个可变量子电路的堆叠，其中/>由输入特征参数化，而/>由模型的权重参数化。特别地，/>由具有exp(-ixH)形式的门形成，其中H是生成数据编码的时间演化的哈密顿量（总能量）。
因此，可以将量子电路的总体设计解释为：
；
量子模型的统一表示法可以写为：
；
其中是量子态的密度矩阵，/>和/>是对应于与测量相关的量子可观测量的厄米算子。
在一些实施例中，从图像数据集获取输入数据集的步骤，包括：
输入数据集具有在经典数据空间中观察到的随机变量集合，以及与随机变量集合发生映射的目标变量集合。
在一些实施例中，将量子态数据分类形成输出数据集的步骤，包括：
量子态数据基于福克空间、且通过光子数表示，将光子数分类形成输出集合。
量子分类器的输出是基于福克空间（Fock space）的表示。福克空间是量子力学中用于描述量子态的一种数学框架，特别是在处理光子或其他玻色子的量子态时。在福克空间中，量子态可以用光子数（或其他玻色子的数量）来表示。
在这个框架中，量子分类器的结构基于光子数测量。由于输出固定在福克基础上，例如将“健康儿童”类别分配给第一模式中的单光子，而第二模式对应于“结节性硬化症患者”类别。
在一些实施例中，根据后验分布和变分量子电路将输入数据集进行处理得到量子态数据的步骤，包括：
变分量子电路由基本单模高斯门构成，且在变分量子电路的架构末端设有非高斯门。
与离散变量量子模型的设计相反，用于连续变量量子门的基本单模高斯门包括相空间挤压门S(r)，N模式干涉仪，位移/>。架构末端的Kerr门K(k)是一个非高斯门，其实现了非线性和通用性。
在一些实施例中，从图像数据集获取输入数据集的步骤，包括：
将输入数据集通过经典多层感知机进行处理，简化输入数据集以获得低维特征向量输入数据。
在一些具体的实施例中，将输入数据集通过经典多层感知机进行处理，简化输入数据集以获得低维特征向量输入数据，包括，低维特征向量输入数据中的每个数据可解释为：
；
其中，是/>+1层的激活值，/>是激活函数，/>是第/>层的权重矩阵，/>是第/>层的激活值，/>是第/>层的偏置向量。
这个网络架构由两个主要部分组成。第一部分是经典的多层感知器（MLP）。MLP由多个层组成，每个层包含了大量神经元，这些神经元能够从输入数据中捕捉和学习特征。每个神经元都执行以下计算：
；
这里是/>+1层的激活值，/>是激活函数，/>是第/>层的权重矩阵，/>是第层的激活值，而/>是第/>层的偏置向量。
这种经典的多层感知器用于提取原始数据并将其转换为低维表示形式。这种低维表示形式通常被称为特征向量，其封装了输入数据的关键信息。例如，请参考图2，多层感知器输出一个14维的特征向量。然后，这个向量被用作变分量子电路中参数化量子门的输入参数（输入数据集中的输入参数）。
在本说明书的描述中，若出现术语″实施例一″、″本实施例″、″在一个实施例中″等描述，意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于发明或发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例；而且，所描述的具体特征、结构、材料或特点可以在任何一个或多个实施例或示例中以恰当的方式结合。
在本说明书的描述中，术语″连接″、″安装″、″固定″、″设置″、″具有″等均做广义理解，例如，″连接″可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
在本说明书的描述中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述对实施例的描述是为了便于该技术领域的普通技术人员能够理解和应用本案技术，熟悉本领域技术的人员显然可轻易对这些实例做出各种修改，并把在此说明的一般原理应用到其它实施例中而不必经过创造性的劳动。因此，本案不限于以上实施例，对于以下几种情形的修改，都应该在本案的保护范围内：①以本发明技术方案为基础并结合现有公知常识所实施的新的技术方案，该新的技术方案所产生的技术效果并没有超出本发明技术效果之外；②采用公知技术对本发明技术方案的部分特征的等效替换，所产生的技术效果与本发明技术效果相同；③以本发明技术方案为基础进行可拓展，拓展后的技术方案的实质内容没有超出本发明技术方案之外；④利用本发明说明书及附图内容所作的等效变换，直接或间接运用在其他相关的技术领域。
Claims (10)
1.一种基于量子贝叶斯神经网络的磁共振图像分类方法，其特征在于，包括：
从图像数据集获取输入数据集；
选择可训练电路权重参数的先验分布和先验置信度；
根据输入数据集、先验分布和先验置信度计算可训练电路权重参数的后验分布；
更新先验分布和先验置信度；
根据后验分布和变分量子电路将输入数据集进行处理得到量子态数据；
将量子态数据分类形成输出数据集。
2.根据权利要求1所述的一种基于量子贝叶斯神经网络的磁共振图像分类方法，其特征在于，根据输入数据集、先验分布和先验置信度计算可训练电路权重参数的后验分布，更新先验分布和先验置信度的步骤，包括：
后验分布和先验置信度成正比，且后验分布和先验置信度、先验分布的乘积成反比。
3.根据权利要求2所述的一种基于量子贝叶斯神经网络的磁共振图像分类方法，其特征在于，后验分布和先验置信度成正比，且后验分布和先验置信度、先验分布的乘积成反比的步骤，包括：
根据 计算可训练电路权重参数的后验分布。
4.根据权利要求1所述的一种基于量子贝叶斯神经网络的磁共振图像分类方法，其特征在于，根据后验分布和变分量子电路将输入数据集进行处理得到量子态数据的步骤，包括：
变分量子电路具有数据编码电路/>和可训练电路/>；
数据编码电路由输入数据参数化；
可训练电路由后验分布参数化。
5.根据权利要求4所述的一种基于量子贝叶斯神经网络的磁共振图像分类方法，其特征在于，变分量子电路具有数据编码电路和可训练电路；数据编码电路由输入数据参数化；可训练电路由后验分布参数化的步骤，包括，变分量子电路的总体设计解释为：
。
6.根据权利要求1所述的一种基于量子贝叶斯神经网络的磁共振图像分类方法，其特征在于，从图像数据集获取输入数据集的步骤，包括：
输入数据集具有在经典数据空间中观察到的随机变量集合，以及与随机变量集合发生映射的目标变量集合。
7.根据权利要求1所述的一种基于量子贝叶斯神经网络的磁共振图像分类方法，其特征在于，将量子态数据分类形成输出数据集的步骤，包括：
量子态数据基于福克空间、且通过光子数表示，将光子数分类形成输出集合。
8.根据权利要求1所述的一种基于量子贝叶斯神经网络的磁共振图像分类方法，其特征在于，根据后验分布和变分量子电路将输入数据集进行处理得到量子态数据的步骤，包括：
变分量子电路由基本单模高斯门构成，且在变分量子电路的架构末端设有非高斯门。
9.根据权利要求1至8中任意一项所述的一种基于量子贝叶斯神经网络的磁共振图像分类方法，其特征在于，从图像数据集获取输入数据集的步骤，包括：
将输入数据集通过经典多层感知机进行处理，简化输入数据集以获得低维特征向量输入数据。
10.根据权利要求9所述的一种基于量子贝叶斯神经网络的磁共振图像分类方法，其特征在于，将输入数据集通过经典多层感知机进行处理，简化输入数据集以获得低维特征向量输入数据，包括，低维特征向量输入数据中的每个数据可解释为：
；
其中，是/>+1层的激活值，/>是激活函数，/>是第/>层的权重矩阵，/>是第层的激活值，/>是第/>层的偏置向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410158112.3A CN117689966B (zh) | 2024-02-04 | 2024-02-04 | 一种基于量子贝叶斯神经网络的磁共振图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410158112.3A CN117689966B (zh) | 2024-02-04 | 2024-02-04 | 一种基于量子贝叶斯神经网络的磁共振图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117689966A true CN117689966A (zh) | 2024-03-12 |
| CN117689966B CN117689966B (zh) | 2024-05-24 |
Family
ID=90130544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410158112.3A Active CN117689966B (zh) | 2024-02-04 | 2024-02-04 | 一种基于量子贝叶斯神经网络的磁共振图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689966B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103714536A (zh) * | 2013-12-17 | 2014-04-09 | 深圳先进技术研究院 | 基于稀疏表示的多模态磁共振图像的分割方法及装置 |
| CN104093354A (zh) * | 2011-12-15 | 2014-10-08 | 联邦科学与工业研究组织 | 用于评估医学图像的方法和设备 |
| US20160328253A1 (en) * | 2015-05-05 | 2016-11-10 | Kyndi, Inc. | Quanton representation for emulating quantum-like computation on classical processors |
| US20190073560A1 (en) * | 2017-09-01 | 2019-03-07 | Sri International | Machine learning system for generating classification data and part localization data for objects depicted in images |
| US20190303717A1 (en) * | 2018-03-28 | 2019-10-03 | Kla-Tencor Corporation | Training a neural network for defect detection in low resolution images |
| CN110974170A (zh) * | 2019-12-13 | 2020-04-10 | 中国人民解放军63919部队 | 一种生理参数检测系统 |
| US20200320682A1 (en) * | 2016-05-13 | 2020-10-08 | Basf Se | System and Method for Detecting Plant Diseases |
| CN112313668A (zh) * | 2018-06-15 | 2021-02-02 | 深透医疗公司 | 使用深度学习进行磁共振成像标准化的系统和方法 |
| CN113077001A (zh) * | 2021-04-07 | 2021-07-06 | 西南大学 | 一种基于生成型张量网络的医学图像分类系统 |
| EP3893198A1 (en) * | 2020-04-08 | 2021-10-13 | Siemens Healthcare GmbH | Method and system for computer aided detection of abnormalities in image data |
| CN114223003A (zh) * | 2019-06-14 | 2022-03-22 | 奥特拉有限公司 | 用工程似然函数进行贝叶斯推理以进行稳健幅度估计的混合量子经典计算机 |
| CN115410372A (zh) * | 2022-10-31 | 2022-11-29 | 江苏中路交通发展有限公司 | 基于贝叶斯lstm的高速公路交通流量可靠预测方法 |
| CN116012597A (zh) * | 2021-10-19 | 2023-04-25 | 广州视源电子科技股份有限公司 | 基于贝叶斯卷积的不确定性处理方法、装置、设备和介质 |
| CN116012598A (zh) * | 2021-10-19 | 2023-04-25 | 广州视源电子科技股份有限公司 | 基于贝叶斯线性的图像识别方法、装置、设备和介质 |
| CN116030063A (zh) * | 2023-03-30 | 2023-04-28 | 同心智医科技(北京)有限公司 | Mri图像的分类诊断系统、方法、电子设备及介质 |
| EP4174732A1 (en) * | 2021-10-29 | 2023-05-03 | Phasecraft Limited | Estimating an extremum of the expectation value of a random field |
| CN116152168A (zh) * | 2022-12-13 | 2023-05-23 | 深圳技术大学 | 一种医肺影像病变分类方法和分类装置 |
| CN116644778A (zh) * | 2023-06-08 | 2023-08-25 | 中南大学 | 量子同态神经网络的构建方法及加密图像分类方法 |
-
2024
- 2024-02-04 CN CN202410158112.3A patent/CN117689966B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104093354A (zh) * | 2011-12-15 | 2014-10-08 | 联邦科学与工业研究组织 | 用于评估医学图像的方法和设备 |
| CN103714536A (zh) * | 2013-12-17 | 2014-04-09 | 深圳先进技术研究院 | 基于稀疏表示的多模态磁共振图像的分割方法及装置 |
| US20160328253A1 (en) * | 2015-05-05 | 2016-11-10 | Kyndi, Inc. | Quanton representation for emulating quantum-like computation on classical processors |
| US20200320682A1 (en) * | 2016-05-13 | 2020-10-08 | Basf Se | System and Method for Detecting Plant Diseases |
| US20190073560A1 (en) * | 2017-09-01 | 2019-03-07 | Sri International | Machine learning system for generating classification data and part localization data for objects depicted in images |
| US20190303717A1 (en) * | 2018-03-28 | 2019-10-03 | Kla-Tencor Corporation | Training a neural network for defect detection in low resolution images |
| CN112313668A (zh) * | 2018-06-15 | 2021-02-02 | 深透医疗公司 | 使用深度学习进行磁共振成像标准化的系统和方法 |
| CN114223003A (zh) * | 2019-06-14 | 2022-03-22 | 奥特拉有限公司 | 用工程似然函数进行贝叶斯推理以进行稳健幅度估计的混合量子经典计算机 |
| CN110974170A (zh) * | 2019-12-13 | 2020-04-10 | 中国人民解放军63919部队 | 一种生理参数检测系统 |
| EP3893198A1 (en) * | 2020-04-08 | 2021-10-13 | Siemens Healthcare GmbH | Method and system for computer aided detection of abnormalities in image data |
| CN113077001A (zh) * | 2021-04-07 | 2021-07-06 | 西南大学 | 一种基于生成型张量网络的医学图像分类系统 |
| CN116012597A (zh) * | 2021-10-19 | 2023-04-25 | 广州视源电子科技股份有限公司 | 基于贝叶斯卷积的不确定性处理方法、装置、设备和介质 |
| CN116012598A (zh) * | 2021-10-19 | 2023-04-25 | 广州视源电子科技股份有限公司 | 基于贝叶斯线性的图像识别方法、装置、设备和介质 |
| EP4174732A1 (en) * | 2021-10-29 | 2023-05-03 | Phasecraft Limited | Estimating an extremum of the expectation value of a random field |
| CN115410372A (zh) * | 2022-10-31 | 2022-11-29 | 江苏中路交通发展有限公司 | 基于贝叶斯lstm的高速公路交通流量可靠预测方法 |
| CN116152168A (zh) * | 2022-12-13 | 2023-05-23 | 深圳技术大学 | 一种医肺影像病变分类方法和分类装置 |
| CN116030063A (zh) * | 2023-03-30 | 2023-04-28 | 同心智医科技(北京)有限公司 | Mri图像的分类诊断系统、方法、电子设备及介质 |
| CN116644778A (zh) * | 2023-06-08 | 2023-08-25 | 中南大学 | 量子同态神经网络的构建方法及加密图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| FANSHI LI 等: "Developing a Dynamic Graph Network for Interpretable Analysis of Multi-Modal MRI Data in Parkinson\'s Disease Diagnosis", IEEE, 11 November 2023 (2023-11-11), pages 1 - 4 * |
| 赵昀睿 等: "迭代式的深度PU学习与类别先验估计框架", vol. 45, no. 12, 31 December 2022 (2022-12-31), pages 2667 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117689966B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghosh et al. | Steer: Simple temporal regularization for neural ode | |
| CN111539941B (zh) | 帕金森病腿部灵活性任务评估方法及系统、存储介质及终端 | |
| Rajesh et al. | An evolutionary block based network for medical image denoising using Differential Evolution | |
| Duanmu et al. | Quantifying visual image quality: A bayesian view | |
| CN111738363A (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
| Malmir et al. | Deep active object recognition by joint label and action prediction | |
| Fathabadi et al. | Box-trainer assessment system with real-time multi-class detection and tracking of laparoscopic instruments, using CNN | |
| Kaur et al. | A complete review on image denoising techniques for medical images | |
| Lee et al. | Application of domain-adaptive convolutional variational autoencoder for stress-state prediction | |
| Zhan et al. | Deep model compression via two-stage deep reinforcement learning | |
| Carvalho et al. | COVID-19 diagnosis in CT images using CNN to extract features and multiple classifiers | |
| Seo et al. | Graph neural networks and implicit neural representation for near-optimal topology prediction over irregular design domains | |
| Jiang et al. | Graph attention in attention network for image denoising | |
| CN117689966B (zh) | 一种基于量子贝叶斯神经网络的磁共振图像分类方法 | |
| Sheikhjafari et al. | A training-free recursive multiresolution framework for diffeomorphic deformable image registration | |
| S. P et al. | Image restoration model using Jaya‐Bat optimization‐enabled noise prediction map | |
| Prabhushankar et al. | Stochastic surprisal: An inferential measurement of free energy in neural networks | |
| Bhalla et al. | Basic principles of AI simplified for a Medical Practitioner: Pearls and Pitfalls in Evaluating AI algorithms | |
| Khanzadi et al. | Robust fuzzy rough set based dimensionality reduction for big multimedia data hashing and unsupervised generative learning | |
| Tiwari et al. | Leveraging Advanced Machine Learning Methods to Enhance Multilevel Fusion Score Level Computations | |
| Runkel et al. | Learning Posterior Distributions in Underdetermined Inverse Problems | |
| Borhen Eddine et al. | Blind image quality assessment method based on a particle swarm optimization support vector regression fusion scheme | |
| CN113807421B (zh) | 基于脉冲发送皮层模型的注意力模块的特征图处理方法 | |
| Manjula et al. | Processing of Medical Images from Large Datasets using Convolutional Neural Network | |
| Shimoo Firdous | A REVIEW ON MACHINE LEARNING APPROACHES IN HEALTH CARE AND CLINICAL MANAGEMENT |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |