論文の概要: Quantum Generative Learning for High-Resolution Medical Image Generation

• arxiv url: http://arxiv.org/abs/2406.13196v1
• Date: Wed, 19 Jun 2024 04:04:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 23:19:11.921664
• Title: Quantum Generative Learning for High-Resolution Medical Image Generation
• Title（参考訳）: 高分解能医用画像生成のための量子生成学習
• Authors: Amena Khatun, Kübra Yeter Aydeniz, Yaakov S. Weinstein, Muhammad Usman,
• Abstract要約: 既存のQGAN(Quantum Generative Adversarial Network)は、パッチベースのピクセル単位の学習アプローチのため、高品質な画像を生成することができない。 高品質な医用画像生成のための量子画像生成学習(QIGL)手法を提案する。
• 参考スコア（独自算出の注目度）: 1.189046876525661
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integration of quantum computing in generative machine learning models has the potential to offer benefits such as training speed-up and superior feature extraction. However, the existing quantum generative adversarial networks (QGANs) fail to generate high-quality images due to their patch-based, pixel-wise learning approaches. These methods capture only local details, ignoring the global structure and semantic information of images. In this work, we address these challenges by proposing a quantum image generative learning (QIGL) approach for high-quality medical image generation. Our proposed quantum generator leverages variational quantum circuit approach addressing scalability issues by extracting principal components from the images instead of dividing them into patches. Additionally, we integrate the Wasserstein distance within the QIGL framework to generate a diverse set of medical samples. Through a systematic set of simulations on X-ray images from knee osteoarthritis and medical MNIST datasets, our model demonstrates superior performance, achieving the lowest Fr\'echet Inception Distance (FID) scores compared to its classical counterpart and advanced QGAN models reported in the literature.
• Abstract（参考訳）: 生成機械学習モデルにおける量子コンピューティングの統合は、トレーニングスピードアップや優れた特徴抽出といったメリットを提供する可能性がある。 しかし、QGAN(Quantum Generative Adversarial Network)は、パッチベースの画素単位の学習アプローチのため、高品質な画像を生成することができない。 これらの手法は局所的な詳細のみを捉え、画像のグローバル構造や意味情報を無視する。 本研究では、高品質な医用画像生成のための量子画像生成学習(QIGL)アプローチを提案することにより、これらの課題に対処する。 提案する量子発生器は、画像から主成分をパッチに分割する代わりに抽出することにより、スケーラビリティ問題に対処する変動量子回路アプローチを利用する。 さらに、QIGLフレームワーク内にWasserstein距離を統合し、多様な医療サンプルを生成する。 変形性膝関節症およびMNISTデータセットからのX線画像のシステマティックなシミュレーションにより,本研究はFr'echet Inception Distance(FID)スコアを従来のものと比較し,優れた成績を示した。

関連論文リスト

• Quantum Latent Diffusion Models [65.16624577812436]
  本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。 これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。 この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
  論文  参考訳（メタデータ） (2025-01-19T21:24:02Z)
• A Distributed Hybrid Quantum Convolutional Neural Network for Medical Image Classification [1.458255172453241]
  本稿では,量子回路分割に基づく分散ハイブリッド量子畳み込みニューラルネットワークを提案する。 量子回路分割に基づく分散技術を統合することにより、8量子ビットQCNNは5量子ビットのみを用いて再構成できる。 本モデルは,2次・複数分類タスクの3つのデータセットにまたがる高い性能を実現する。
  論文  参考訳（メタデータ） (2025-01-07T11:58:40Z)
• Photonic quantum generative adversarial networks for classical data [0.0]
  生成学習では、ターゲットデータの分布に従う新しいサンプルを作成するためにモデルが訓練される。 線形光回路とフォック空間符号化に基づく量子GANを提案する。 単一光子量子プロセッサ上で実験的にモデルのエンドツーエンドをトレーニングすることで,モデルが画像を生成することを実証する。
  論文  参考訳（メタデータ） (2024-05-09T18:00:10Z)
• Digital-analog quantum convolutional neural networks for image classification [3.7691369315275693]
  我々は、中性原子量子プロセッサにおけるネイティブIsing相互作用から生じる多部結合アナログブロックについて考察する。 ハードウェアの制約に応じて量子ビット接続を可変させることにより、複数の量子カーネルを適用する。 非トレーニング可能な量子カーネルと標準的な畳み込みニューラルネットワークを組み合わせたアーキテクチャは、現実的な医療画像の分類に使用される。
  論文  参考訳（メタデータ） (2024-05-01T14:43:20Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Hybrid Quantum-Classical Generative Adversarial Network for High Resolution Image Generation [14.098992977726942]
  量子機械学習(QML)は、古典的な機械学習手法を様々な問題で上回る可能性を秘め、注目を集めている。 QML手法のサブクラスは量子生成逆数ネットワーク(QGAN)であり、古典的なGANの量子対数として研究されている。 ここでは、古典的および量子的手法を統合し、新しいハイブリッド量子古典的GANフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-22T11:18:35Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。