摘要
在医疗领域中，医学成像作为一种非侵入式的技术现已成为临床诊断中必不可少的工具。近年来，深度学习方法逐渐参与到临床诊断和治疗中，特别是在医学图像分类任务中，卷积神经网络（Convolutional Neural Network,CNN）逐渐成为最先进的方法。但越来越多研究者发现卷积运算的局域性限制了CNN的全局识别能力，且难以被解决。自2020年以来，Vision Transformer（ViT）逐渐被作为一种CNN的替代方案，因其具有捕捉长距离空间依赖性的能力。但与CNN一样，ViT也存在依赖大规模数据集、缺乏可解释性以及计算复杂度过高等问题。而医学图像分类任务需要模型的决策有据可循，且医学图像数据通常较少。 量子张量网络近年来被用于机器学习任务当中取得了蓬勃的发展。张量网络是一种轻量级的网络模型，在高维希尔伯特空间中做线性运算，因此更容易进行理论分析，更具可解释性。多尺度纠缠重整化拟设（Multi-scale Entanglement Renormalization Ansatz,MERA）是一种量子张量网络，与CNN在结构上具有相似性，且具有捕捉长程纠缠的能力。此外，CNN、小波变换和MERA都具有粗粒化的思想，在物理中被称为重整化群。因此，本文提出一种结合小波变换和MERA的轻量级量子张量网络算法用于在医学图像分类任务中，尝试规避CNN和ViT在医学图像分类任务中存在的问题。具体来说，本文的主要工作如下: （1）构建结合Daubechies D4小波变换和MERA的waveletMERA张量网络算法。结合小波变换与MERA的思想最早来源于小波与重整化群间的联系，相关研究者以此建立起了小波与量子电路之间的对应关系，再将这种关系映射到小波与MERA之间。本文以这些研究的思想为基础构建起了waveletMERA张量网络算法模型，并在MNIST数据集上对waveletMERA的图像分类能力进行初步验证，能够达到96％的分类准确率。 （2）将waveletMERA应用到两种医学图像分类任务当中。在肺炎检测任务当中，waveletMERA通过学习肺炎阳性和阴性的胸部X-ray图像，以具备针对肺炎的分类能力，在CXR测试集上达到了98.22％的分类准确率。此外，为提高waveletMERA的诊断决策的可解释性，本文使用U-Net在胸部X-ray图像中分割出独立的肺部区域，从而减少图像中的冗余特征，将模型的判断依据集中在肺部区域。在分割后的图像数据集中，waveletMERA在测试集上达到了99.50％的分类准确率。在恶性肺结节检测任务当中，将胸部CT图像中的肺结节提取出来训练waveletMERA，使其具备分类良性和恶性肺结节的能力，在测试集上达到98.53％的分类准确率。同时，通过与其他优秀的张量网络模型和深度学习模型的对比实验，进一步展现了waveletMERA在医学图像分类任务当中的有效性。 （3）设计并实现一个可用于辅助诊断肺炎和恶性肺结节的智能CAD系统，该系统基于B/S机构，通过Vue.js等前端技术设计实现交互页面，使用基于Python的Flask框架构建后端控制服务，以waveletMERA作为核心运算中心，意在为当前市面上的医疗管理软件提供可直接嵌入式的辅助诊断功能。经测试，系统功能正常且运行稳定，达到预期设计目标。
NETL