医疗图像诊断基于自适应混合量子CNN CNN
Naim Ajlouni1,2,3,4, Adem Özyavaş5, Mustafa Takaoğlu6
1Faculty of Engineering, Istanbul Atlas University, 34295, Istanbul, Türkiye. naim.ajlouni@atlas.edu.tr.
BMC medical imaging
|September 14, 2023
概括
混合量子卷积神经网络 (CNN) 与经典方法相比,为医学图像分类提供了更高的准确性和速度. 适应性优化器进一步提高了性能,为诊断中先进的人工智能铺平了道路.
科学领域:
- 量子机器学习 (QML) 是一种
- 医疗成像中的人工智能 (AI)
- 混合量子-古典计算 混合量子-古典计算
背景情况:
- 医学图像分类的经典卷积神经网络 (CNN) 需要大量的计算资源,限制了研究人员的可访问性.
- 量子机器学习 (QML) 为克服计算局限性和提高分类准确性提供了一个有希望的替代方案.
- 混合量子-经典方法将量子电路与经典算法相结合,以提高性能.
研究的目的:
- 为了评估混合量子CNN (HQCNN) 与传统CNN的性能,用于医学图像分类.
- 调查自适应优化器修改对HQCNN和经典CNN性能的影响.
- 探索QML在使高级图像分类更容易获取方面的潜力.
主要方法:
- 开发和比较四个算法:CNN,量子CNN (QCNN),CNN与自适应优化器,和QCNN与自适应优化器.
- 实现混合量子-经典CNN使用参数化量子电路进行特征提取.
- 在Kaggle大脑数据集上测试算法,其中包含超过7000个样本.
主要成果:
- 混合量子电路算法与传统的CNN相比,表现出更高的性能.
- 适应性优化器的修改导致了混合和经典CNN算法的进一步性能改进.
- 开发的自适应优化器,基于损失适应动量,增强了模型的准确性.
结论:
- 混合量子-经典CNN显示了彻底改变医学图像分类的巨大潜力.
- 适应性优化器可以进一步提高量子增强和经典图像分类模型的性能.
- 这种方法为医疗AI提供了比传统的高性能计算更容易获得和更有效的替代方案.
