一种基于量子贝叶斯神经网络的磁共振图像分类方法

本发明涉及磁共振图像分类技术，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：

1、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。

2、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。

技术实现思路

1、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。

2、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：

3、从图像数据集获取输入数据集；

4、选择可训练电路权重参数的先验分布和先验置信度；

5、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；

6、更新先验分布和先验置信度；

7、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；

8、将量子态数据分类形成输出数据集。

9、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：

10、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。

11、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：

12、根据 计算可训练电路权重参数的后验分布。

13、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：

14、变分量子电路具有数据编码电路和可训练电路；

15、数据编码电路由输入数据参数化；

16、可训练电路由后验分布参数化。

17、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：

18、。

19、优选的，从图像数据集获取输入数据集的步骤，包括：

20、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。

21、优选的，将量子态数据分类形成输出数据集的步骤，包括：

22、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。

23、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：

24、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。

25、优选的，从图像数据集获取输入数据集的步骤，包括：

26、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。

27、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：

28、 ；

29、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。

30、与现有技术相比，本发明具有以下有益效果：

31、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。

32、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。

技术特征：

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：

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：

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：

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：

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：

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：

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：

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：

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：

技术总结
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。

技术研发人员：郑海荣,梁栋,王海峰,李烨,周谊航,林凌,李凡诗
受保护的技术使用者：中国科学院深圳先进技术研究院
技术研发日：
技术公布日：2024/3/12