【技术实现步骤摘要】
本专利技术属于计算机视觉、量子计算与迁移学习，具体涉及一种基于变分量子张量网络迁移学习的乳腺癌检测方法。
技术介绍
1、混合经典到量子的迁移学习是量子机器学习领域的最新发展之一。它涉及修改预先训练的经典网络，并将其与变分量子线路组合。
2、研究表明，在相同的训练条件下，变分量子神经网络在参数较少的情况下比经典模型获得更高的分类精度。然而，由于量子线路的规模受到限制，大规模量子模型的一般性能很难进行验证。此外，乳腺癌是全球女性中发病率最高的癌症类型。根据统计，2018年全球共有约263万例乳腺癌新病例，占所有新癌症病例的11.6％，致死率高达23.87％。它也是女性癌症死亡的第二大常见原因，仅次于肺癌。并且由于医疗数据涉及到病人的隐私信息，较难收集，导致了数据量不足的问题，难以用一般的机器学习方法进行有效地训练。因此，本专利技术提出变分量子张量网络的迁移学习方法，利用量子特性来帮助乳腺癌的筛查，并提高其检测准确性。
技术实现思路
1、针对上述问题，本专利技术提出了基于变分量子张量网络迁移学习的乳腺癌检测方法，并实现了三种不同结构的张量网络的迁移学习方案。
2、将迁移学习的方法应用于乳腺癌组织病理学图像，借助量子特性来挖掘深层次的特征，有助于高效、准确地对乳腺癌进行检测，辅助医生完成对乳腺癌患者的病灶识别，进一步进行针对性治疗。
3、为实现上述目的，本专利技术采用的技术方案是：
4、一种基于变分量子张量网络迁移学习的乳腺癌检测方法，包括以
5、s01、经典数据预处理：获取乳腺癌组织病理学图像数据集后，将数据集二八分为测试集和训练集，并对数据进行预处理，包括水平翻转、缩放、居中、裁剪以及归一化等。
6、s02、预训练：使用经典卷积神经网络resnet50作为预训练模型，其源领域数据集da为imagenet数据集。首先，在da数据集上对resnet50进行训练，保存训练得到的权重等参数；接着，删除resnet50的最后一层全连接层，并将学习到的知识迁移到变分量子张量网络中；最后，在乳腺癌组织病理学图像数据集上进行训练，得到分类结果。此过程实际上是将预训练模型resnet50训练后得到的参数作为变分量子张量网络的可训练参数。
7、s03、构建变分量子张量网络。张量网络最近被提出作为一个有吸引力的框架，用于使用量子计算机来发现多体量子系统的基态，其优势包括使用少量量子比特和具有抗噪声能力。具有分层结构的张量网络与神经网络表现出许多相似之处，并且在某些情况下被证明是等效的。本专利技术引入了上述三种不同结构的变分量子张量网络，如图2所示，依次为矩阵积态(mps)、树形张量网络(ttn)以及多尺度纠缠重整化拟态(mera)。
8、s04、构建变分量子张量网络迁移学习模型，如图1所示，首先，对目标领域数据集db，即乳腺癌组织病理学图像数据集，进行经典数据预处理；其次，利用振幅编码方式对数据集db进行量子态编码，获得量子处理器可处理的量子数据；然后，构建变分量子张量网络，将预训练阶段获得的参数作为变分量子张量网络的可训练参数；最后，对量子数据进行测量获得经典处理器能够识别的标量。
9、s05、训练模型。将上个步骤得到的标量传入经典全连接层进行梯度计算以及参数更新。
10、s06、预测。通过上述步骤，获得乳腺癌组织病理学图像的分类结果，采用准确率、精确率、召回率、f1值等分类评估指标对变分量子张量网络迁移学习模型的性能进行评估。
11、本专利技术具有以下有益效果：
12、本专利技术提供了一种变分量子张量网络的迁移学习模型，充分利用参数化量子线路的变分特性，实现了三种不同结构的张量网络的迁移学习方案，并将其应用到乳腺癌检测任务中。该模型使用了矩阵积态、树形张量网络以及多尺度纠缠重整化拟态的结构，以经典卷积神经网络resnet50为预训练模型，将预训练模型的知识迁移到变分量子张量网络中进行训练。相比于经典迁移学习方法，该模型在乳腺癌检测任务中表现出更高的精度，这说明了该模型在应用于真实世界的问题中的实用性和有效性。同时，与传统的量子神经网络迁移学习方法相比，该模型具有更高的精度和更高的运行效率，使用的读出量子比特也更少，大大降低了实际应用中的成本和复杂性。通过对精确率、召回率、f1值等指标进行比较，本研究发现该模型具有更好的泛化能力，表明该模型不仅适用于乳腺癌检测任务，还具有更广泛的应用前景。综上所述，本专利技术能够在提高预测精度的同时减少计算时间和空间，具有很强的实用性和广阔的应用前景。
本文档来自技高网...【技术保护点】
1.一种基于变分量子张量网络迁移学习的乳腺癌检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于变分量子张量网络迁移学习的乳腺癌检测方法，其特征在于，在PennyLane平台上部署，使用Spanhol提供的乳腺癌组织病理学图像数据集BreaKHis进行迁移学习模型的性能评估。
3.根据权利要求1所述的一种基于变分量子张量网络迁移学习的乳腺癌检测方法，其特征在于，在所述步骤(i)中，对乳腺癌组织病理学图像进行水平翻转、缩放、居中、裁剪以及归一化等经典数据预处理。
4.根据权利要求1所述的一种基于变分量子张量网络迁移学习的乳腺癌检测方法，其特征在于，所述步骤(ii)中，选择经典卷积神经网络ResNet50作为预训练模型。
5.根据权利要求1所述的一种基于变分量子张量网络迁移学习的乳腺癌检测方法，其特征在于，在所述步骤(iii)中，通过对比基态编码、角度编码和振幅编码的量子比特数、时间复杂度、空间复杂度，最终确定采用振幅编码作为量子态编码的方式。
6.根据权利要求1所述的一种基于变分量子张量网络迁移学习的乳腺
7.根据权利要求1所述的一种基于变分量子张量网络迁移学习的乳腺癌检测方法，其特征在于，所述步骤(v)或步骤(vi)中，采用随机梯度下降算法对模型参数进行优化，得到分类结果，并通过计算准确率、精确率、召回率、F1值等各项分类评估指标对该方法进行性能评估。
...【技术特征摘要】
1.一种基于变分量子张量网络迁移学习的乳腺癌检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于变分量子张量网络迁移学习的乳腺癌检测方法，其特征在于，在pennylane平台上部署，使用spanhol提供的乳腺癌组织病理学图像数据集breakhis进行迁移学习模型的性能评估。
3.根据权利要求1所述的一种基于变分量子张量网络迁移学习的乳腺癌检测方法，其特征在于，在所述步骤(i)中，对乳腺癌组织病理学图像进行水平翻转、缩放、居中、裁剪以及归一化等经典数据预处理。
4.根据权利要求1所述的一种基于变分量子张量网络迁移学习的乳腺癌检测方法，其特征在于，所述步骤(ii)中，选择经典卷积神经网络resnet50作为预训练模型。
5.根据权利要求1...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。