放射線治療計画のためのリスクのある臓器と腫瘍のセグメンテーションモデルの柔軟なハイブリッド量子古典的なトレーニングフレームワーク

科学分野:

• メディカルイマージング (医学イメージング)
• 放射線療法計画 放射線療法計画
• 医療における人工知能

背景:

• オルガン・アット・リスク (OAR) と腫瘍セグメンテーションのためのディープ・ラーニングは,放射線治療において極めて重要です.
• ディープラーニングモデルの過度なパラメータ化は,医療環境ではしばしば利用できない大規模なデータセットを必要とします.
• 既存のパラメータ削減方法は,モデルの表現力とパフォーマンスを制限する可能性があります.

研究 の 目的:

• 医療画像セグメンテーションのためのディープラーニングモデルの訓練可能なパラメータを減らす新しいトレーニングフレームワークを開発する.
• 放射線治療の計画におけるセグメンテーションの精度と効率を高めるため,特に小サンプル医療データのために.
• 短期的な臨床適用のための実用的でスケーラブルなソリューションを提案する.

主な方法:

• 量子パラメータ生成 (QPG) を利用したハイブリッド量子-クラシックトレーニングフレームワーク (HQC-TF) を提案しました.
• チャンネル独立性を維持するために,チャンネル毎に独立した変数量子回路 (VQC) を実装しました.
• 表現の柔軟性を維持するために,トレーニング中にパラメーター行列の適応的なランク決定を開発しました.

主要な成果:

• HQC-TFは,古典的な方法と比較して,より少ないパラメータでセグメンテーションパフォーマンスを大幅に改善しました.
• HQC-TFを使用したUNetPPモデルは,腎臓腫瘍セグメンテーションの6.77%のIUと3.09%のDSC改善を達成しました.
• このフレームワークは,訓練中に浅い量子回路を使用して動作し,実用性とスケーラビリティを確保します.

結論:

• HQC-TFは,医療画像セグメンテーションのためのディープラーニングのパラメータ効率的なアプローチを提供します.
• この量子-古典的ハイブリッド法では,臨床放射線療法の計画における限られたデータの課題に対応しています.
• このフレームワークは,短期的な臨床使用においてセグメンテーションの精度を向上させるための実用的でスケーラブルなソリューションを提示しています.