CQ-CNN:一个轻量级的混合经典-量子卷积神经网络用于阿尔茨海默病的检测,使用3D结构性大脑MRI

科学领域:

• 医疗成像医学成像
• 量子计算是一种量子计算.
• 人工智能的人工智能

背景情况:

• 从3DMRI数据中检测阿尔茨海默氏病 (AD) 是复杂的,传统上使用经典的CNN.
• 量子计算的兴起需要探索基于量子的AD检测系统.
• 当前的经典量子架构需要对其能力和局限性进行调查.

研究的目的:

• 开发使用量子计算的自动化阿尔茨海默病检测系统.
• 评估AD检测的混合经典-量子神经网络的性能和局限性.
• 引入一种新的预处理框架和一个量子增强的CNN模型.

主要方法:

• 一个预处理框架将3DMRI数据转换为2D切片.
• CQ-CNN:使用参数化量子电路 (PQC) 的轻量级混合经典-量子卷积神经网络.
• 在OASIS-2数据集上进行的实验.

主要成果:

• 混合经典-量子模型面临与相似图像类 (例如,中度痴呆症与非痴呆症) 的融合问题,导致梯度失败.
• 当实现融合时,量子模型显示出量子优势,在显著减少参数的情况下达到最先进的精度.
• 一个7-3量子比特模型在13.7K参数下实现了97.5%的准确性,超过了经典模型的5.67%.

结论:

• 当前的混合经典-量子架构在优化AD检测方面存在局限性.
• 量子模型在医学成像的准确性和参数效率方面提供了有前途的量子优势.
• 量子优化方法的进一步进步对于在AD检测中的实际部署至关重要.