一种结合小波变换和张量网络的医学图像分类方法

摘要

本发明涉及医学图像分类技术领域，具体公开了一种结合小波变换和张量网络的医学图像分类方法，提出了一种粗粒化网络，该粗粒化网络结合了小波变换和MERA，即将D4小波编码到MERA中，形成一个内部参数固定的waveletMERA模型，并且还构建了一个如全连接层般的张量分类网络。本发明使用MNIST数据集、Covid‑19数据集和LIDC数据集进行多维验证，结果表明waveletMERA的准确率稳定居高，比CNNs的深度神经网络具有更好的粗粒化能力，使waveletMERA能够在保证精度的同时，更大程度上减少模型的参数量。结果表明waveletMERA不仅在分类上优于当前主流的深度神经网络，而且在数据预处理方面也优于普通小波变换。不仅如此，waveletMERA还具有张量网络本身的可解释性优势。