一种基于经典—量子混合机器学习的医学图像分类方法与流程

本发明属于计算机视觉领域，具体涉及一种基于经典—量子混合机器学习的医学图像分类方法。

背景技术：

1、近年来，人们基于人工智能(ai)技术对医学诊断和疾病识别进行了深入探索，相关应用出现了前所未有的激增。传统算法和人工方法通常具有劳动密集和耗时长的特点，而人工智能通过高效和高性能的图像分类，彻底改变了疾病诊断和管理的方式。在这些算法中，深度神经网络(dnn)使用大量的标记图像进行训练，并取得了出色的结果。

2、传统的深度神经网络(dnn)方法消耗巨大的计算资源。dnn模型通过极大地增加神经网络深度，很容易获得精度的提高，同时在网络中引入了更多的参数，需要更多的内存和计算资源。在对延迟敏感的应用程序中，模型通常通过分割、蒸馏或量化进行压缩，从而降低了在医学诊断中的准确性，但是这恰恰是医学诊断中最重要的。

3、全球数据量指数增长(每两年翻一番)，但是摩尔定律却逼近极限，即经典计算芯片算力提升已经遇到瓶颈。量子计算用量子态的纯粹演化取代了矩阵的密集计算，极大地降低了增加神经网络深度的成本。量子机器学习已经有了各种各样的算法，其中很多都是基于harrow-hassidim-lloyd算法，即基于量子相位估计通过高深度的量子线路在量子计算机上执行基本的矩阵运算，量子卷积神经网络(qcnn)和量子光学神经网络(qonn)是将经典神经网络转化为量子表示的两种方法。考虑到目前的量子计算水平被描述为噪声中等规模量子(nisq)时代，如此深度的量子神经网络在真正的量子计算机上部署是不可实现的，而引入经典—量子混合机器学习神经网络可以促使真实的量子计算机在应用中落地。

4、本专利意在提供一种基于经典—量子混合机器学习的医学图像分类方法。

技术实现思路

1、(一)要解决的技术问题

2、本发明要解决的技术问题是如何提供一种基于经典—量子混合机器学习的医学图像分类方法，以解决使用量子计算进行医学图像分类的问题。

3、(二)技术方案

4、为了解决上述技术问题，本发明提出一种基于经典—量子混合机器学习的医学图像分类方法，该方法包括：

5、步骤一、经典预处理将输入的图像都经过主成分分析法(pca)粗略压缩到低维，得到m维经典向量xi；

6、步骤二、将输入的m维经典向量xi经量子编码器编码为量子初态|ψin>，|ψin>为一个m维的量子态向量，通过将量子态与酉变换u(xi)相互作用计算得到，从而完成量子编码：

7、

8、步骤三、量子分类：构建参数化的量子纠缠网络u(θ)作为量子分类器完成分类任务，通过量子编码后的量子初态由参数化的量子门操作，对输入图像的类型进行预测，得到输出量子态：

9、|ψout(xi,θ)>＝uθ)|ψin>

10、步骤四、量子态转化为经典态：输出量子态的期望值需要将每个量子比特线路中添加泡利算子集进行测量，由泡利算子集构建的输出函数为f，将输出量子态转变为经典概率预测值yi：

11、yi＝y(xi,θ)＝f(<bj(xi,θ)>)

12、步骤五，经典优化：在对图像进行预测后，将纠缠网络的输出量子态转变为经典概率预测值，通过计算均方误差(mse)损失函数l，并使用基于梯度的优化方法更新量子分类器的参数θ，经过多次迭代，函数收敛，得到一个训练好的诊断模型

13、

14、(三)有益效果

15、本发明提出一种基于经典—量子混合机器学习的医学图像分类方法，本发明结合量子线路编辑和经典神经网络算法的基本思想，构造了基于经典—量子混合机器学习的医学图像分类方法。量子纠缠网络相比与经典神经网络能够大幅减少网络参数的数量，从而极大地降低了增加神经网络深度的成本。对延迟敏感的应用而言，参数的数量的减少避免了模型通常通过分割、蒸馏或量化进行压缩，从而保证了在医学诊断中的准确性，使得本发明具有科研前沿性和创新性。

技术特征：

1.一种基于经典—量子混合机器学习的医学图像分类方法，其特征在于，该方法包括：

2.如权利要求1所述的基于经典—量子混合机器学习的医学图像分类方法，其特征在于，所述步骤一具体包括：将待测图片样本写为一维向量，把所有的一维向量堆叠成一个矩阵m，通过主成分分析法(pca)粗略压缩，将图片信息下采样至m行的矩阵n，m为该量子自动编码器中的量子线路数；矩阵n的每一列为低维向量xi。

3.如权利要求1所述的基于经典—量子混合机器学习的医学图像分类方法，其特征在于，所述步骤二的量子编码器中，每条线代表一个量子位，量子编码器的每条线路包括：rz、ry和rz门，每一个rz、ry和rz门组成一个通用旋转门，将输入的量子态沿着bloch球的z轴、y轴、z轴旋转任何角度。

4.如权利要求1所述的基于经典—量子混合机器学习的医学图像分类方法，其特征在于，所述步骤三中，量子分类器为深度为3的重复结构，每个结构包含cnot门及其后面的一列r(y)门。

5.如权利要求4所述的基于经典—量子混合机器学习的医学图像分类方法，其特征在于，量子分类器中，用于分类的纠缠网络u(θ)包括3条线路，第一条线路中依次包括：受控非门、ry门、受控非门、ry门、受控非门和ry门，第一条线路中的受控非门还连接到第三条线路；第二条线路中依次包括：受控非门、ry门、受控非门、ry门、受控非门和ry门，第二条线路中的受控非门还连接到第一条线路；第三条线路中依次包括：受控非门、ry门、受控非门、ry门、受控非门和ry门，第三条线路中的受控非门还连接到第二条线路。

6.如权利要求1所述的基于经典—量子混合机器学习的医学图像分类方法，其特征在于，所述步骤四中，泡利算子i是单位矩阵，泡利算子x将自旋向上和向下翻过来；泡利算子y也是将自旋向上和向下翻过来，但是会加一个相反的相位；泡利算子z，不改变自旋向上，但是自旋向下加一个相位；三种泡利算子x、y、z会对量子比特的状态进行改变。

7.如权利要求6所述的基于经典—量子混合机器学习的医学图像分类方法，其特征在于，输出函数f是指包含泡利算符、xi、参数θ的一系列变换，用于将量子态转化成标量及经典态预测值。

8.如权利要求1所述的基于经典—量子混合机器学习的医学图像分类方法，其特征在于，所述步骤五中，使用经典的backward算法，通过调整参数θ，来最小化损失函数。

9.如权利要求1所述的基于经典—量子混合机器学习的医学图像分类方法，其特征在于，该方法使用medmnist11数据集的一个子集——pneumoniamnist作为测试集，该数据集由5,856张灰度儿童胸部x射线图像组成，分辨率为28×28，针对肺炎和正常病例的分类。

10.如权利要求8所述的基于经典—量子混合机器学习的医学图像分类方法，其特征在于，将5,232张图像的训练数据集分成8:1的训练集和测试集，然后用训练集去训练量子分类器，由于训练集自带标签，经过经典优化，调整参数θ，使得量子分类器能准确预测图片。

技术总结
本发明涉及一种基于经典—量子混合机器学习的医学图像分类方法，属于计算机视觉领域。本发明经典预处理将输入的图像都经过主成分分析法(PCA)粗略压缩到低维，将输入的低维向量经量子编码器编码为量子初态，构建参数化的量子纠缠网络作为量子分类器完成分类任务，输出量子态的期望值需要将每个量子比特线路中添加泡利算子集进行测量，由泡利算子集构建的输出函数，将输出量子态转变为经典概率预测值，通过计算均方误差(MSE)损失函数，并使用基于梯度的优化方法更新量子分类器的参数。本发明极大地降低了增加神经网络深度的成本。

技术研发人员：姚鹏,张悦枫,李昱江,王浩枫,高彤,任建新,赵漫菲
受保护的技术使用者：北京计算机技术及应用研究所
技术研发日：
技术公布日：2024/1/15