CN117710513A - 基于量子卷积神经网络的磁共振成像方法、装置 - Google Patents
基于量子卷积神经网络的磁共振成像方法、装置 Download PDFInfo
- Publication number
- CN117710513A CN117710513A CN202410169910.6A CN202410169910A CN117710513A CN 117710513 A CN117710513 A CN 117710513A CN 202410169910 A CN202410169910 A CN 202410169910A CN 117710513 A CN117710513 A CN 117710513A
- Authority
- CN
- China
- Prior art keywords
- quantum
- neural network
- convolution
- layer
- magnetic resonance
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 46
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 239000002096 quantum dot Substances 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 abstract description 17
- 238000004891 communication Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005610 quantum mechanics Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001646 magnetic resonance method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000005233 quantum mechanics related processes and functions Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提供了一种基于量子卷积神经网络的磁共振成像方法、装置,涉及磁共振成像领域。其中,该方法包括:获取量子卷积层;将所述量子卷积层将卷积神经网络中的卷积层替换获取对应的量子卷积神经网络,其中,卷积神经网络包括全连接层、卷积层和最后的反卷积层;获取欠采样K空间图像,并将所述欠采样K空间图像输入到量子卷积神经网络获取对应的全采样重建图像。本申请解决了相关技术中成像上的效率偏低的问题。
Description
技术领域
本申请涉及磁共振成像领域,具体而言,本申请涉及一种基于量子卷积神经网络的磁共振成像方法、装置、电子设备及存储介质。
背景技术
磁共振利用静磁场和射频磁场对人体组织成像,它不仅提供了丰富的组织对比度,且对人体无害,因此成为医学临床诊断的一种强有力的工具。但是,成像速度慢一直是制约其快速发展的一大瓶颈,如何在成像质量为临床可接受的前提下,提高扫描速度,从而减少扫描时间尤为重要。
自深度学习出现以来,利用深度神经网络加速磁共振影像重建已经成为了研究快速磁共振成像的主流方法。深度学习算法利用神经网络,从大量训练数据中学习重建所需的最优参数或者直接学习从欠采数据到全采图像之间的映射关系,从而取得比传统并行成像或者压缩感知方法更好的成像质量和更高的加速倍数。
传统并行成像利用线圈的敏感度信息来进行加速,加速倍数有限,且随着加速倍数的增加,图像会出现噪声放大的现象;压缩感知技术由于采用非线性重建往往需要较长的重建时间,且重建参数较难选择;深度学习的方法尽管弥补了传统快速成像方法的不足,但同时也存在一些问题,例如数据驱动的深度学习缺乏理论指导,往往需要大量的训练数据才能获得较好的效果,而仅学习重建参数的模型驱动深度学习算法虽然需要的训练数据量较少,但是成像质量不会特别高。
由此可知,传统的深度神经网络需要大量的训练数据才能保证成像质量,从而导致成像上的效率偏低,对此情况有待进一步改善。
发明内容
本申请提供了一种基于量子卷积神经网络的磁共振成像方法、装置、电子设备及存储介质,可以解决相关技术中存在的成像上的效率偏低的问题。所述技术方案如下:
根据本申请的一个方面,一种基于量子卷积神经网络的磁共振成像方法,包括:获取量子卷积层;将所述量子卷积层将卷积神经网络中的卷积层替换获取对应的量子卷积神经网络,其中,卷积神经网络包括全连接层、卷积层和最后的反卷积层;获取欠采样K空间图像,并将所述欠采样K空间图像输入到量子卷积神经网络获取对应的全采样重建图像。
根据本申请的一个方面,一种基于量子卷积神经网络的磁共振成像装置,包括:
量子卷积层获取模块,用于获取量子卷积层;
量子卷积神经网络获取模块,将所述量子卷积层将卷积神经网络中的卷积层替换用于获取对应的量子卷积神经网络,其中,卷积神经网络包括全连接层、卷积层和最后的反卷积层;
重建图像获取模块,获取欠采样K空间图像,并将所述欠采样K空间图像输入到量子卷积神经网络用于获取对应的全采样重建图像。
在一示例性实施例中,装置还包括但不限于:
函数获取模块,用于获取双曲正切函数;
激活函数确定模块,用于将所述双曲正切函数确定为激活函数;
替换模块,在所述量子卷积神经网络训练过程时,获取均方误差,并用于将均方误差替换损失函数。
在一示例性实施例中,装置还包括但不限于:
所述量子卷积神经网络包括三层所述全连接层、两层所述量子卷积层和一层所述反卷积层。
在一示例性实施例中,装置还包括但不限于:在量子卷积核接收到由所述欠采样K空间图像提取到的特征数据之后,所述量子卷积层按照感受野以及步幅遍历特征数据,然后用所述量子卷积层编码模块将数值化后的特征数据编码到量子比特的量子态上,纠缠后的量子态经测量获取特征图。
在一示例性实施例中,装置还包括但不限于:所述步幅大小为1,量子卷积核为采用2x2的大小。
根据本申请的一个方面,一种电子设备,包括至少一个处理器以及至少一个存储器,其中,所述存储器上存储有计算机可读指令;所述计算机可读指令被一个或多个所述处理器执行,使得电子设备实现如上所述的基于量子卷积神经网络的磁共振成像方法。
根据本申请的一个方面,一种存储介质,其上存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行,以实现如上所述的基于量子卷积神经网络的磁共振成像方法。
根据本申请的一个方面,一种计算机程序产品,计算机程序产品包括计算机可读指令,计算机可读指令存储在存储介质中,电子设备的一个或多个处理器从存储介质读取计算机可读指令,加载并执行该计算机可读指令,使得电子设备实现如上所述的基于量子卷积神经网络的磁共振成像方法。
本申请提供的技术方案带来的有益效果是:相比于传统的深度网络,量子卷积神经网络中的量子卷积操作是一种可逆操作,它将输入态映射到输出态,并且可以通过调节权重来实现不同的变换,引入的量子卷积层利用量子力学的概念,如纠缠、叠加和干涉,做到了更快、更强大的处理能力,从而在加快磁共振成像时的计算能力,提高磁共振成像的效率。
在上述技术方案中,通过获取量子卷积层,然后将所述量子卷积层将卷积神经网络中的卷积层替换获取对应的量子卷积神经网络,在确定量子卷积神经网络之后,可以将获取的欠采样K空间图像输入到量子卷积神经网络获取对应的全采样重建图像,通过量子卷积核的纠缠、叠加和干涉,做到了更快、更强大的处理能力,可以提高磁共振成像的成像效率,从而能够有效地解决相关技术中存在的成像上的效率偏低的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请所涉及的实施环境的示意图;
图2是根据一示例性实施例示出的一种基于量子卷积神经网络的磁共振成像方法的流程图;
图3是根据一示例性实施例示出的一种基于量子卷积神经网络的磁共振成像方法中S111到S113的流程图;
图4是一种基于量子卷积神经网络的磁共振成像方法中量子卷积核的示意图;
图5是一种基于量子卷积神经网络的磁共振成像方法中量子卷积核的数据处理的示意图;
图6是根据一示例性实施例示出的另一种基于量子卷积神经网络的磁共振成像方法中量子卷积神经网络的结构图;
图7是根据一示例性实施例示出的一种基于量子卷积神经网络的磁共振成像装置的结构框图;
图8是根据一示例性实施例示出的一种电子设备的结构框图。
具体实施方式
下面详细描述本申请的实施例,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元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本公开的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
如前所述,传统的深度神经网络需要大量的训练数据才能保证成像质量,往往需要大量的训练数据才能获得较好的效果,学习重建参数的模型驱动深度学习算法虽然需要的训练数据量较少,但是成像质量不会特别高相关技术中仍存在成像上的效率偏低的缺陷。
为此,本申请提供的基于量子卷积神经网络的磁共振成像方法,能够有效地提升基于量子卷积神经网络的磁共振成像的准确率,相应地,该基于量子卷积神经网络的磁共振成像方法适用于基于量子卷积神经网络的磁共振成像装置,该基于量子卷积神经网络的磁共振成像装置可部署于电子设备,
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
图1为一种基于量子卷积神经网络的磁共振成像方法所涉及的实施环境的示意图。需要说明的是,该种实施环境只是一个适配于本发明的示例,不能认为是提供了对本发明的使用范围的任何限制。该实施环境包括采集端110和服务端130。
具体地,采集端110,也可以认为是图像采集设备,包括但不限于摄像头、相机、摄录机等具有拍摄功能的电子设备。
服务端130,该服务端130可以是台式电脑、笔记本电脑、服务器等等电子设备,还可以是由多台服务器构成的计算机集群,甚至是由多台服务器构成的云计算中心。其中,服务端130用于提供后台服务,例如,后台服务包括但不限于磁共振成像服务等等。
服务端130与采集端110之间通过有线或者无线等方式预先建立网络通信连接,并通过该网络通信连接实现服务端130与采集端110之间的数据传输。传输的数据包括但不限于:欠采样K空间图像等等。
在一应用场景中,通过采集端110与服务端130的交互,采集端110得到欠采样K空间图像,并将该欠采样K空间图像上传至服务端130,以请求服务端130提供磁共振成像服务。
请参阅图2,本申请实施例提供了一种基于量子卷积神经网络的磁共振成像方法,该方法适用于电子设备,该电子设备可以是图1所示出实施环境中的服务端130。
在下述方法实施例中,为了便于描述,以该方法各步骤的执行主体为电子设备为例进行说明,但是并非对此构成具体限定。
如图2所示,该方法可以包括以下步骤:
S100,获取量子卷积层;
其中,量子卷积层与经典卷积层相比,量子卷积层具有一些独特的性质,在量子卷积层中,可以使用量子叠加和量子纠缠等量子力学现象来处理输入数据。
S110,将量子卷积层将卷积神经网络中的卷积层替换获取对应的量子卷积神经网络;
其中,卷积神经网络包括全连接层、卷积层和最后的反卷积层,并且在获取量子卷积神经网络期间,在将卷积神经网络的卷积层替换为量子卷积层时,在这里需要指出的是,在量子卷积神经网络中,包括三层全连接层、两层量子卷积层和一层反卷积层。
并且在获取量子卷积神经网络的过程中,还需要同时确定量子卷积神经网络的参数,请参阅图3,所以方法还包括:
S111,获取双曲正切函数;
S112,将双曲正切函数确定为量子卷积神经网络的激活函数;
S113,在量子卷积神经网络训练过程时,获取均方误差,并将均方误差替换损失函数。
在上述过程中,在通过可以确定量子卷积神经网络,在确定激活函数以及用均方误差替换损失函数后,便可以确定量子卷积神经网络的参数。
S120,获取欠采样K空间图像,并将所述欠采样K空间图像输入到量子卷积神经网络获取对应的全采样重建图像。
在量子卷积核接收到由欠采样K空间图像提取到的特征数据之后,量子卷积层按照感受野以及步幅遍历特征数据,这里需要指出的是,在本申请实施例中,步幅大小为1,量子卷积核大小为2×2,
然后用所述量子卷积层编码模块将数值化后的特征数据编码到量子比特的量子态上,然后纠缠模块的门操作含有可训练的权重,纠缠后的量子态经测量获取特征图,并且每个量子比特的输出单独成一个通道的特征图,另外,量子卷积核的示意图如图4所示;参照图5,其中,F(x)由输入特征参数化,F(x)通常表示一个量子电路或量子操作,它依赖于输入数据x,G(w)由模型权值参数化,G(w)可以被看作是量子卷积层的一部分,负责执行特定的量子变换。
因此,加入了量子卷积神经网络的流形近似自动变换的结构可以表示为图6;该量子卷积神经网络与卷积神经网络保持一致以欠采样k空间数据作为输入,网络结构为三层全连接层、两层量子卷积层和最后的反卷积层,网络的输出结果为全采样重建影像。其中采用双曲正切函数作为激活函数,由于量子卷积层的引入,训练过程中的损失函数可以更改为均方误差进行训练,相关的表达如下:
;
其中N表示元素数目,表示量子卷积层的输出。
下述为本申请装置实施例,可以用于执行本申请所涉及的基于量子卷积神经网络的磁共振成像方法。对于本申请装置实施例中未披露的细节,请参照本申请所涉及的基于量子卷积神经网络的磁共振成像方法的方法实施例。
请参阅图7,本申请实施例中提供了一种基于量子卷积神经网络的磁共振成像装置,包括但不限于:
量子卷积层获取模块200,用于获取量子卷积层;
量子卷积神经网络获取模块210,将所述量子卷积层将卷积神经网络中的卷积层替换用于获取对应的量子卷积神经网络,其中,卷积神经网络包括全连接层、卷积层和最后的反卷积层;
重建图像获取模块220,获取欠采样K空间图像,并将所述欠采样K空间图像输入到量子卷积神经网络用于获取对应的全采样重建图像。
在一示例性实施例中,装置还包括但不限于:
函数获取模块300,用于获取双曲正切函数;
激活函数确定模块310,用于将所述双曲正切函数确定为激活函数;
替换模块320,在所述量子卷积神经网络训练过程时,获取均方误差,并用于将均方误差替换损失函数。
在一示例性实施例中,装置还包括但不限于:
所述量子卷积神经网络包括三层所述全连接层、两层所述量子卷积层和一层所述反卷积层。
在一示例性实施例中,装置还包括但不限于:在量子卷积核接收到由所述欠采样K空间图像提取到的特征数据之后,量子卷积层按照感受野以及步幅遍历特征数据,然后用所述量子卷积层编码模块将数值化后的特征数据编码到量子比特的量子态上,纠缠后的量子态经测量获取特征图。
在一示例性实施例中,装置还包括但不限于:所述步幅大小为1,量子卷积核为采用2x2的大小。
需要说明的是,上述实施例所提供的基于量子卷积神经网络的磁共振成
像装置在进行基于量子卷积神经网络的磁共振成像时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即基于量子卷积神经网络的磁共振成像装置的内部结构将划分为不同的功能模块,以完成以上描述的全部或者部分功能。
另外,上述实施例所提供的基于量子卷积神经网络的磁共振成像装置与基于量子卷积神经网络的磁共振成像方法的实施例属于同一构思,其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。
请参阅图8,本申请实施例中提供了一种电子设备4000,该电子设备400可以包括:台式电脑、笔记本电脑、服务器等。
在图8中,该电子设备4000包括至少一个处理器4001以及至少一个存储器4003。
其中,处理器4001和存储器4003之间的数据交互,可以通过至少一个通信总线4002实现。该通信总线4002可包括一通路,用于在处理器4001和存储器4003之间传输数据。通信总线4002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(Extended Industry Standard Architecture,扩展工业标准结构)总线等。通信总线4002可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,电子设备4000还可以包括收发器4004,收发器4004可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序指令或代码并能够由电子设备400存取的任何其他介质,但不限于此。
存储器4003上存储有计算机可读指令,处理器4001可以通过通信总线4002读取存储器4003中存储的计算机可读指令。
该计算机可读指令被一个或多个处理器4001执行以实现上述各实施例中的基于量子卷积神经网络的磁共振成像方法。
此外,本申请实施例中提供了一种存储介质,该存储介质上存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行,以实现如上所述的基于量子卷积神经网络的磁共振成像方法。
本申请实施例中提供了一种计算机程序产品,计算机程序产品包括计算机可读指令,计算机可读指令存储在存储介质中,电子设备的一个或多个处理器从存储介质读取计算机可读指令,加载并执行该计算机可读指令,使得电子设备实现如上所述的基于量子卷积神经网络的磁共振成像方法。
相比于传统的深度网络,量子卷积神经网络中的量子卷积操作是一种可逆操作,它将输入态映射到输出态,并且可以通过调节权重来实现不同的变换,引入的量子卷积层利用量子力学的概念,如纠缠、叠加和干涉,做到了更快、更强大的处理能力,从而在加快磁共振成像时的计算能力,提高磁共振成像的效率。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于量子卷积神经网络的磁共振成像方法,其特征在于,包括:
获取量子卷积层;
将所述量子卷积层将卷积神经网络中的卷积层替换获取对应的量子卷积神经网络,其中,卷积神经网络包括全连接层、卷积层和最后的反卷积层;
获取欠采样K空间图像,并将所述欠采样K空间图像输入到量子卷积神经网络获取对应的全采样重建图像。
2.如权利要求1所述的方法,其特征在于,在所述获取对应的量子卷积神经网络的方法中,所述方法还包括:
获取双曲正切函数;
将所述双曲正切函数作为激活函数;
在所述量子卷积神经网络训练过程时,获取均方误差,并将均方误差替换损失函数。
3.如权利要求1所述的方法,其特征在于,在所述获取对应的量子卷积神经网络的方法中,所述量子卷积神经网络包括三层所述全连接层、两层所述量子卷积层和一层所述反卷积层。
4.如权利要求1所述的方法,其特征在于,在所述将所述欠采样K空间图像输入到量子卷积神经网络获取对应的全采样重建图像的方法中,所述方法还包括:
在量子卷积核接收到由所述欠采样K空间图像提取到的特征数据之后,所述量子卷积层按照感受野以及步幅遍历特征数据,然后用所述量子卷积层编码模块将数值化后的特征数据编码到量子比特的量子态上,纠缠后的量子态经测量获取特征图。
5.如权利要求4所述的方法,其特征在于,在所述量子卷积层按照野大小以及步幅大小遍历特征数据的方法中,所述方法还包括:所述步幅大小为1,量子卷积核为采用2x2的大小。
6.一种基于量子卷积神经网络的磁共振成像装置,其特征在于,包括:
量子卷积层获取模块,用于获取量子卷积层;
量子卷积神经网络获取模块,将所述量子卷积层将卷积神经网络中的卷积层替换用于获取对应的量子卷积神经网络,其中,卷积神经网络包括全连接层、卷积层和最后的反卷积层;
重建图像获取模块,获取欠采样K空间图像,并将所述欠采样K空间图像输入到量子卷积神经网络用于获取对应的全采样重建图像。
7.如权利要求6所述的装置,其特征在于,所述装置还包括:
函数获取模块,用于获取双曲正切函数;
激活函数确定模块,用于将所述双曲正切函数确定为激活函数;
替换模块,在所述量子卷积神经网络训练过程时,获取均方误差,并用于将均方误差替换损失函数。
8.如权利要求7所述的装置,其特征在于,所述装置还包括:所述量子卷积神经网络包括三层所述全连接层、两层所述量子卷积层和一层所述反卷积层。
9.一种电子设备,其特征在于,包括:至少一个处理器以及至少一个存储器,其中,
所述存储器上存储有计算机可读指令;
所述计算机可读指令被一个或多个所述处理器执行,使得电子设备实现如权利要求1至5中任一项所述的基于量子卷积神经网络的磁共振成像方法。
10.一种存储介质,其上存储有计算机可读指令,其特征在于,所述计算机可读指令被一个或多个处理器执行,以实现如权利要求1至5中任一项所述的基于量子卷积神经网络的磁共振成像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410169910.6A CN117710513B (zh) | 2024-02-06 | 2024-02-06 | 基于量子卷积神经网络的磁共振成像方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410169910.6A CN117710513B (zh) | 2024-02-06 | 2024-02-06 | 基于量子卷积神经网络的磁共振成像方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117710513A true CN117710513A (zh) | 2024-03-15 |
CN117710513B CN117710513B (zh) | 2024-06-11 |
Family
ID=90148426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410169910.6A Active CN117710513B (zh) | 2024-02-06 | 2024-02-06 | 基于量子卷积神经网络的磁共振成像方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710513B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190108904A1 (en) * | 2017-10-06 | 2019-04-11 | Canon Medical Systems Corporation | Medical image processing apparatus and medical image processing system |
CN109712119A (zh) * | 2018-12-13 | 2019-05-03 | 深圳先进技术研究院 | 一种磁共振成像及斑块识别方法和装置 |
WO2020134826A1 (zh) * | 2018-12-24 | 2020-07-02 | 深圳先进技术研究院 | 磁共振并行成像方法及相关设备 |
CN111383741A (zh) * | 2018-12-27 | 2020-07-07 | 深圳先进技术研究院 | 医学成像模型的建立方法、装置、设备及存储介质 |
US20200410675A1 (en) * | 2018-12-13 | 2020-12-31 | Shenzhen Institutes Of Advanced Technology | Method and apparatus for magnetic resonance imaging and plaque recognition |
US20210383189A1 (en) * | 2018-10-05 | 2021-12-09 | President And Fellows Of Harvard College | Quantum convolutional neural networks |
CN115828999A (zh) * | 2022-10-21 | 2023-03-21 | 中国人民解放军战略支援部队信息工程大学 | 基于量子态振幅变换的量子卷积神经网络构建方法及系统 |
CN116664931A (zh) * | 2023-05-29 | 2023-08-29 | 重庆师范大学 | 基于量子向经典迁移学习的膝骨关节炎分级方法 |
-
2024
- 2024-02-06 CN CN202410169910.6A patent/CN117710513B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190108904A1 (en) * | 2017-10-06 | 2019-04-11 | Canon Medical Systems Corporation | Medical image processing apparatus and medical image processing system |
US20210383189A1 (en) * | 2018-10-05 | 2021-12-09 | President And Fellows Of Harvard College | Quantum convolutional neural networks |
CN109712119A (zh) * | 2018-12-13 | 2019-05-03 | 深圳先进技术研究院 | 一种磁共振成像及斑块识别方法和装置 |
US20200410675A1 (en) * | 2018-12-13 | 2020-12-31 | Shenzhen Institutes Of Advanced Technology | Method and apparatus for magnetic resonance imaging and plaque recognition |
WO2020134826A1 (zh) * | 2018-12-24 | 2020-07-02 | 深圳先进技术研究院 | 磁共振并行成像方法及相关设备 |
CN111383741A (zh) * | 2018-12-27 | 2020-07-07 | 深圳先进技术研究院 | 医学成像模型的建立方法、装置、设备及存储介质 |
CN115828999A (zh) * | 2022-10-21 | 2023-03-21 | 中国人民解放军战略支援部队信息工程大学 | 基于量子态振幅变换的量子卷积神经网络构建方法及系统 |
CN116664931A (zh) * | 2023-05-29 | 2023-08-29 | 重庆师范大学 | 基于量子向经典迁移学习的膝骨关节炎分级方法 |
Non-Patent Citations (3)
Title |
---|
HAIRONG ZHENG ET AL.: "Self-supervised learning for MRI reconstruction with a parallel network training framework", 《ARXIV》, 26 September 2021 (2021-09-26), pages 1 - 10 * |
JIN ZHENG ET AL.: "Design of a quantum convolutional neural network on quantum circuits", 《JOURNAL OF THE FRANKLIN INSTITUTE》, 31 December 2023 (2023-12-31), pages 1 - 17 * |
RUDRAJIT CHOUDHURI ET AL.: "Brain MRI tumour classification using quantum classical convolutional neural net architecture", 《NEURAL COMPUTING AND APPLICATIONS》, 22 October 2022 (2022-10-22), pages 4467 - 4478 * |
Also Published As
Publication number | Publication date |
---|---|
CN117710513B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308200B (zh) | 神经网络的搜索方法及装置 | |
CN109712119B (zh) | 一种磁共振成像及斑块识别方法和装置 | |
US11756191B2 (en) | Method and apparatus for magnetic resonance imaging and plaque recognition | |
CN113674172B (zh) | 一种图像处理方法、系统、装置及存储介质 | |
CN111915691B (zh) | 基于神经网络的图像处理系统、方法、终端、及介质 | |
CN113538281B (zh) | 图像去噪方法、装置、计算机设备和存储介质 | |
CN110874855B (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
CN111968137A (zh) | 头部ct图像分割方法、装置、电子设备及存储介质 | |
CN111127575A (zh) | 图像重建方法、计算机可读介质及计算机设备 | |
CN117710513B (zh) | 基于量子卷积神经网络的磁共振成像方法、装置 | |
CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
CN112329920A (zh) | 磁共振参数成像模型的无监督训练方法及无监督训练装置 | |
CN116912556A (zh) | 图片分类方法、装置、电子设备及存储介质 | |
CN111882499B (zh) | Pet图像的降噪方法、装置以及计算机设备 | |
CN114972570A (zh) | 图像重建方法及设备 | |
WO2021184350A1 (zh) | 一种基于神经网络的网格化磁共振图像重建方法和装置 | |
CN114359419A (zh) | 一种基于注意力机制的图像压缩感知重建方法 | |
CN111597096A (zh) | 一种基准测试方法、系统及终端设备 | |
WO2020118616A1 (zh) | 一种基于深度先验学习的头颈联合成像方法和装置 | |
CN111832692A (zh) | 数据处理方法、装置、终端及存储介质 | |
CN117710514B (zh) | 动态磁共振成像方法、模型训练方法、装置、设备及介质 | |
CN117710761A (zh) | 基于量子卷积神经网络的磁共振影像分类方法、装置 | |
CN113610704B (zh) | 图像生成方法、装置、设备和可读存储介质 | |
CN117437110A (zh) | 一种基于存内索引的图像超分辨率重建硬件加速方法及系统 | |
US20210305999A1 (en) | Generic compression ratio adapter for end-to-end data-driven compressive sensing reconstruction frameworks |
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 | ||
GR01 | Patent grant |