风险器官和瘤细分模型的灵活混合量子古典训练框架用于辐射治疗规划
Qian Sun1,2,3,4, Jiale Chen5,2,4, Yuqing Fan1,2,4
1Department of Radiology, The First Affiliated Hospital of Bengbu Medical University, Bengbu, 233004, China.
Scientific reports
|February 16, 2026
概括
这项研究介绍了一种混合量子-经典训练框架 (HQC-TF),以改善放射治疗的医学图像细分. 新方法显著提高了细分精度,同时减少了对大型数据集和计算资源的需求.
科学领域:
- 医疗成像医学成像
- 辐射治疗计划 辐射治疗计划
- 人工智能在医学中的应用
背景情况:
- 对于有风险的器官 (OAR) 和瘤细分的深度学习对于放射治疗至关重要.
- 深度学习模型中的过度参数化需要大量的数据集,这些数据集在医疗环境中通常是不可用的.
- 现有的参数减小方法可以限制模型的表达力和性能.
研究的目的:
- 开发一种新的培训框架,减少医疗图像细分的深度学习模型中的可训练参数.
- 提高辐射疗法规划中的细分精度和效率,特别是在小样本医疗数据方面.
- 为近期临床应用提出一个实用且可扩展的解决方案.
主要方法:
- 提出了使用量子参数生成 (QPG) 的混合量子-经典训练框架 (HQC-TF).
- 实现了独立的变量量子电路 (VQC) 每个通道,以保持通道独立性.
- 在培训过程中开发了对参数矩阵的自适应性等级确定,以保持表示灵活性.
主要成果:
- 与经典方法相比,HQC-TF显著提高了与较少参数的细分性能.
- 使用HQC-TF的UNetPP模型在脏瘤细分方面实现了6.77%的IOU和3.09%的DSC改善.
- 该框架在训练期间使用浅量子电路运行,确保实用性和可扩展性.
结论:
- HQC-TF提供了一个参数效率高的方法,用于医学图像细分的深度学习.
- 这种量子经典混合方法解决了临床辐射治疗规划中有限数据的挑战.
- 该框架提供了一个实用且可扩展的解决方案,用于改善近期临床使用中的细分精度.
