[发明专利]一种基于生成型张量网络的医学图像分类系统

说明书

本发明涉及医学图像处理领域，具体公开了一种基于生成型张量网络的医学图像分类系统，该系统对生成型张量网络分类器进行训练和测试，以对即时医学图像进行二分类(区分正常图像和病变图像)乃至多分类(区分正常图像、第一类病变图像、第二类……)，张量网络将机器学习和量子多体态联系起来，兼具准确性和可解释性的优势，可为医生提供更有针对性和更有效的意见，从而减轻医疗压力和医患之间的冲突，进一步推动智能医疗保健的发展。以Covid‑19肺炎检测为例，经测试集测试，本系统二分类(Covid‑19肺炎和正常)的准确率高达99.3％，三分类(Covid‑19肺炎、病毒性肺炎和正常)的准确度高达94％，均具有较高的分类精度。

技术领域

本发明涉及医学图像处理领域，尤其涉及一种基于生成型张量网络的医学图像分类系统。

背景技术

某些疾病的医学检测需要依赖于扫描图像比如CT和X射线图像等医学图像进行诊断分类，判断是否患病。目前各项研究通常采用从深度学习中衍生出的各种系统来处理分类任务，比如迁移CNN的预训练模型、CNN体系结构的变体等。尽管这些研究在实验中取得了很好的效果，但它们都基于复杂的深度学习黑盒模型，非常不利于理解。并且这些不透明的黑盒模型在应用中也造成了很多意外的结果，例如“专注于文本”和“场景消亡”。因此在实际情况中，尤其是在医学和医疗保健领域，应该更加关注医疗需求，而不仅仅是建模需求。

此外，为了训练出复杂但性能卓越的CNN网络，不可避免地要收集大规模的数据集、搜索超参数值的最佳组合以及提供足够的计算和存储资源，尽管可以通过标准的批处理、数据并行技术和分布式系统来减少CNN模型的训练时间和能耗。但分布式计算会带来大量的电力消耗，并给数据安全带来巨大的挑战。

发明内容

本发明提供一种基于生成型张量网络的医学图像分类系统，解决的技术问题在于：如何利用小规模数据集对医学图像进行快速、精准分类，并同时满足高精度和可解释性。

为解决以上技术问题，本发明提供一种基于生成型张量网络的医学图像分类系统，包括数据集处理模块、模型训练模块、模型测试模块和模型应用模块；

所述数据集处理模块用于对医学图像源数据集中各种标签的图像样本进行预处理，并将其划分为训练集和测试集；

所述模型训练模块用于采用训练集对生成型张量网络分类器进行训练，直到参数收敛，得到对应于各种标签的矩阵乘积状态；

所述模型测试模块用于采用测试集对训练完成的生成型张量网络分类器进行测试；

所述模型应用模块用于将即时医学图像进行如图像样本相同的预处理后输入测试完成的生成型张量网络分类器，该测试完成的生成型张量网络分类器用于将各种分类标签的矩阵乘积状态分别与即时医学图像在Hilbert空间的像素向量进行内积，获得其在Hilbert空间中的多个保真度，并将保真度最大的类别作为标签分类的结果。

本系统对生成型张量网络分类器进行训练和测试，以对即时医学图像进行二分类(区分正常图像和病变图像)乃至多分类(区分正常图像、第一类病变图像、第二类……)，张量网络将机器学习和量子多体态联系起来，兼具准确性和可解释性的优势，可为医生提供更有针对性和更有效的意见，从而减轻医疗压力和医患之间的冲突，进一步推动智能医疗保健的发展。以Covid-19肺炎检测为例，经测试集测试，本系统二分类(Covid-19肺炎和正常)的准确率高达99.3％，三分类(Covid-19肺炎、病毒性肺炎和正常)的准确度高达94％，均具有较高的分类精度。且生成型张量网络分类器无需利用任何深度学习技巧，具有更少的超参数、更高的效率。

优选的，所述数据集处理模块包括采样压缩单元、灰度转化单元、归一化单元和数据集划分单元；

所述采样压缩单元用于对医学图像源数据集中所有图像样本进行降采样压缩；

所述灰度转化单元用于将压缩后的所有图像样本转换为灰度图；