基于量子测量可靠性约束调制的医学多模态分类方法
本发明涉及医学人工智能、多模态数据融合及量子机器学习领域,尤其涉及一种基于量子测量可靠性约束调制的医学多模态分类方法。
背景技术:
1、医学图像分类是计算机辅助医学图像分析中的重要任务,广泛应用于病灶识别、疾病筛查、病理图像分析以及影像辅助诊断等场景。随着深度学习技术的发展,基于卷积神经网络、视觉transformer网络等模型的医学图像分类方法已得到广泛应用,能够自动提取医学图像特征并完成分类。在真实临床场景中,疾病状态或病灶类别不仅与医学图像表现相关,还与患者基本信息、病史及检查指标等结构化临床元数据相关。将医学图像与结构化临床元数据进行多模态融合,有助于利用不同模态之间的互补信息,提高分类模型的分类准确性和鲁棒性。
2、现有医学图像与结构化临床元数据的多模态融合方法包括特征拼接、特征加权、门控残差融合、注意力融合以及分类结果融合等方式。上述方法虽然能够在一定程度上利用不同模态之间的互补信息,但结构化临床元数据存在字段类型异质、缺失值和噪声记录较多、类别变量和连续变量混合等特点,且其与医学图像特征在数据形态、特征尺度和语义层级上存在差异。因此,传统拼接、加权或普通门控融合方式对复杂非线性临床因素及其组合关系的表达能力有限,容易导致模态间信息交互不充分,并可能使噪声信息对分类结果产生不利影响。
3、量子机器学习中的参数化量子线路能够通过量子态编码、线路演化和测量统计形成非线性特征映射,为结构化临床元数据的特征表达提供新的技术途径。现有量子经典混合学习方法通常基于参数化量子线路生成量子特征,并将其与经典神经网络提取的图像特征结合,以完成分类任务。
4、但是,在医学图像与临床元数据多模态分类场景中,引入量子特征仍面临量子测量稳定性和融合可靠性问题。量子测量统计信息可能受到有限采样次数、量子设备噪声及线路参数扰动等因素影响而产生波动。若量子特征直接参与特征拼接、模态融合或分类决策,则其中的不稳定成分可能在后续网络中被放大,导致分类结果对量子测量波动较为敏感,从而影响模型在医学应用场景中的稳定性和鲁棒性。
5、此外,现有量子经典混合多模态分类方法通常侧重量子特征的生成以及量子特征与经典特征的融合,而较少对量子测量统计信息的稳定性进行显式评估,也较少根据量子特征可靠性程度对其在特征调制、模态融合或分类决策过程中的作用强度进行约束。当量子测量统计信息不稳定或量子特征可靠性较低时,现有方法难以及时抑制量子特征对分类结果的不利影响。若直接利用量子特征生成融合门控系数或控制多模态融合比例,则融合过程可能过度依赖不稳定的量子输出,从而降低医学分类模型的可靠性和可解释性。
6、因此,亟需一种医学多模态分类方法,能够在利用量子特征增强结构化临床元数据非线性表达能力的同时,对量子测量统计信息的稳定性进行评估,并根据量子特征的可靠性对其在后续特征交互过程中的作用强度进行约束,从而降低量子测量波动对多模态融合和分类决策的不利影响,提高分类模型的稳定性和准确性。
技术实现思路
1、针对现有医学多模态分类方法在结构化临床元数据的复杂非线性表达、量子测量可靠性约束以及多模态融合鲁棒性方面存在不足的问题,本发明提供一种基于量子测量可靠性约束调制的医学多模态分类方法。该方法适用于医学图像与结构化临床元数据的多模态分类场景,能够降低量子测量波动对多模态融合和分类结果的不利影响,提高医学多模态分类的稳定性和准确性。
2、为了实现上述目的,本发明采用的技术方案如下:
3、一种基于量子测量可靠性约束调制的医学多模态分类方法,包括以下步骤:
4、s100、获取待处理对象的医学图像和结构化临床元数据,并分别进行预处理;得到预处理后的医学图像和结构化临床元数据;
5、s200、基于预处理后的医学图像提取原始图像特征;基于预处理后的结构化临床元数据提取临床元数据特征,对所述临床元数据特征进行分组处理,得到多个临床特征分组;
6、s300、基于临床特征分组采用参数化量子线路生成量子测量统计信息和量子特征;
7、s400、根据量子测量统计信息生成量子可靠性权重,并利用所述量子可靠性权重对所述量子特征进行可靠性加权约束;
8、s500、基于可靠性约束后的量子特征生成量子调制参数,并利用所述量子调制参数对原始图像特征进行残差式仿射调制,得到调制图像特征;
9、s600、通过门控网络对调制图像特征和原始图像特征进行门控残差融合,得到融合特征;
10、s700、将融合特征输入分类网络,得到医学分类结果。
11、具体地,在步骤s200中,对所述临床元数据特征进行分组处理,得到多个临床特征分组。所述分组处理包括基于临床字段类别、数据类型、临床作用属性或其组合,对临床元数据特征进行划分。
12、具体地,在步骤s300中,将临床特征分组输入对应的分组前置映射网络,生成与各临床特征分组对应的分组量子编码参数;将所述分组量子编码参数分配至参数化量子线路中对应的量子比特子集,并通过所述参数化量子线路进行量子态编码、变分演化和量子测量,得到量子测量统计信息;将所述量子测量统计信息输入后置映射网络,生成量子特征。
13、优选地,在步骤s300中,所述参数化量子线路包括多层参数化量子线路结构,每层包括分组重上传量子编码子层、参数化旋转子层、组内纠缠子层和组间纠缠子层。所述分组重上传量子编码子层用于加载与临床特征分组对应的分组量子编码参数;所述参数化旋转子层用于对量子态进行变分演化;所述组内纠缠子层用于建立同一临床特征分组内部的关联;所述组间纠缠子层用于建立不同临床特征分组之间的关联。
14、优选地,在步骤s400中,基于所述量子测量统计信息生成稳定性指标,并根据所述稳定性指标生成量子可靠性权重;其中,所述稳定性指标基于多个测量子集对应的量子测量统计信息之间的差异计算得到。
15、优选地,在步骤s400中,所述量子可靠性权重根据稳定性指标生成,用于表征量子特征的可信程度;当量子测量统计信息的稳定性降低时,所述量子可靠性权重降低,以减小量子特征对原始图像特征的调制作用。
16、优选地,在步骤s500中,所述量子调制参数包括量子缩放调制参数和量子偏移调制参数,并用于对所述原始图像特征进行缩放调制和偏移调制。
17、优选地,在步骤s600中,融合门控系数由门控网络生成,门控网络输入包括原始图像特征和调制图像特征,且不包括量子特征、可靠性约束后的量子特征以及量子调制参数。
18、与现有技术相比,本发明具有以下有益效果:
19、第一,本发明将结构化临床元数据生成量子特征,能够提高结构化临床元数据对复杂疾病因素及其组合关系的非线性表征能力。
20、第二,本发明基于量子测量统计信息计算稳定性指标,并据此对量子特征进行可靠性约束,能够降低不稳定量子特征在后续调制过程中的作用强度,抑制量子测量波动对分类结果的不利影响。
21、第三,本发明利用可靠性约束后的量子特征对原始图像特征进行残差式仿射调制,并通过融合门控系数与原始图像特征进行门控残差融合,能够在保留原始图像信息的同时引入量子调制信息,提高多模态融合的稳定性和鲁棒性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com