量子网络:使用经典深度学习-量子转移学习的增强型糖尿病视网膜病变检测模型
Manish Bali1, Ved Prakash Mishra1, Anuradha Yenkikar1,2
1School of Engineering, Amity University Dubai Campus, Dubai, 25314, UAE.
MethodsX
|February 21, 2025
概括
量子Net是一种混合深度学习和量子计算模型,显著提高了糖尿病视网膜病变 (DR) 检测准确度. 这种先进的方法为这种与糖尿病相关的眼睛疾病提供了更有效,更精确的诊断工具.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 量子计算是一种量子计算.
背景情况:
- 糖尿病视网膜病变 (DR) 是一种与糖尿病相关的眼睛疾病,会损害视网膜血管,可能导致视力丧失.
- 早期和准确的DR诊断至关重要,但由于微妙和多样化的症状,具有挑战性.
- 经典的深度学习 (DL) 模型在资源效率和DR检测准确性方面存在局限性.
研究的目的:
- 介绍QuantumNet,一种新的混合模型,将经典DL与量子转移学习相结合,用于增强DR检测.
- 评估量子网的性能与已建立的经典DL模型相比.
- 展示量子计算在改善医学成像诊断方面的潜力.
主要方法:
- 经典的DL模型 (CNN,ResNet50,MobileNetV2) 在APTOS 2019数据集上进行了评估.
- 性能最好的经典模型与QuantumNet.Net的变量量子分类器集成在一起.
- 使用量子转移学习,使用统计指标和Google Cirq.进行验证.
主要成果:
- 量子网络在DR检测中实现了94.11%的准确性.
- 这比现有的经典DL模型改进了11.93个百分点.
- 混合模型表现出高精度和高资源效率.
结论:
- 量子网络为准确和高效的糖尿病视网膜病变检测提供了一个变革性的解决方案.
- 这项研究强调了混合量子-经典方法在医学成像中的巨大潜力.
- 量子网络为量子计算在医疗诊断中的更广泛应用铺平了道路.
