論文の概要: Advancements and Challenges in Quantum Machine Learning for Medical Image Classification: A Comprehensive Review

• arxiv url: http://arxiv.org/abs/2504.13910v1
• Date: Sun, 23 Mar 2025 16:10:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.65557
• Title: Advancements and Challenges in Quantum Machine Learning for Medical Image Classification: A Comprehensive Review
• Title（参考訳）: 医用画像分類における量子機械学習の進歩と課題
• Authors: Md Farhan Shahriyar, Gazi Tanbhir,
• Abstract要約: 量子機械学習(QML)は、医療画像分類のための有望なソリューションを提供する。 量子コンピューティングの並列化は、疾患の検出と診断のスピードと精度を大幅に向上させることができる。 シミュレーションから実際の量子コンピュータへの移行を強調し、ノイズの多い量子ビットのような課題に対処する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Quantum technologies are rapidly advancing as image classification tasks grow more complex due to large image volumes and extensive parameter updates required by traditional machine learning models. Quantum Machine Learning (QML) offers a promising solution for medical image classification. The parallelization of quantum computing can significantly improve speed and accuracy in disease detection and diagnosis. This paper provides an overview of recent studies on medical image classification through a structured taxonomy, highlighting key contributions, limitations and gaps in current research. It emphasizes moving from simulations to real quantum computers, addressing challenges like noisy qubits and suggests future research to enhance medical image classification using quantum technology.
• Abstract（参考訳）: 画像分類タスクは、画像量が大きくなり、従来の機械学習モデルで必要とされるパラメータが大幅に更新されるため、急速に進歩している。 量子機械学習(QML)は、医療画像分類のための有望なソリューションを提供する。 量子コンピューティングの並列化は、疾患の検出と診断のスピードと精度を大幅に向上させることができる。 本稿では, 構造分類学による最近の医学画像分類研究の概要について概説し, 現状研究における重要な貢献, 限界, ギャップについて概説する。 シミュレーションから実際の量子コンピュータへの移行を強調し、ノイズの多い量子ビットのような課題に対処し、量子技術を用いた医療画像の分類を強化するための将来の研究を提案する。

関連論文リスト

• Benchmarking MedMNIST dataset on real quantum hardware [1.874615333573157]
  量子機械学習(QML)は、複雑な分類タスクを解決するために量子システムの計算能力を活用する、有望な領域として登場した。 MedMNISTは、127量子ビットの実際のIBM量子ハードウェア上での医療画像データセットの多種多様なコレクションである。 本研究では、デバイス対応量子回路、エラー抑制、医用画像分類の緩和など、最近の量子コンピューティングの進歩について検討する。
  論文  参考訳（メタデータ） (2025-02-18T17:02:41Z)
• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• Machine Learning and Quantum Intelligence for Health Data Scenarios [0.0]
  従来の機械学習アルゴリズムは、高次元または限られた品質のデータセットでしばしば課題に直面している。 量子機械学習は、重ね合わせや絡み合いなどの量子特性を活用し、パターン認識と分類を強化する。 本稿では、QMLの医療への応用について検討し、心疾患予測とCOVID-19検出のための量子カーネル法とハイブリッド量子古典的ネットワークに焦点を当てた。
  論文  参考訳（メタデータ） (2024-10-28T01:04:43Z)
• Quantum Generative Learning for High-Resolution Medical Image Generation [1.189046876525661]
  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。
  論文  参考訳（メタデータ） (2024-06-19T04:04:32Z)
• Hybrid Quantum Machine Learning Assisted Classification of COVID-19 from Computed Tomography Scans [0.8098766536552447]
  我々は,実世界データと実際に関係のある問題に対して,ハイブリッド量子機械学習アプローチを適用した。 より具体的には、肺の大きなCTスキャンを、COVID-19、CAP、または正常に分類する。 量子画像埋め込みとハイブリッド量子機械学習を議論し、様々な量子回路と埋め込み技術を用いて量子転送学習のいくつかのアプローチを評価する。
  論文  参考訳（メタデータ） (2023-10-04T11:37:58Z)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• From Quantum Graph Computing to Quantum Graph Learning: A Survey [86.8206129053725]
  まず、量子力学とグラフ理論の相関関係について、量子コンピュータが有用な解を生成できることを示す。 本稿では,その実践性と適用性について,一般的なグラフ学習手法について概説する。 今後の研究の触媒として期待される量子グラフ学習のスナップショットを提供する。
  論文  参考訳（メタデータ） (2022-02-19T02:56:47Z)
• Medical image classification via quantum neural networks [5.817995726696436]
  医用画像分類のための2つの異なる量子ニューラルネットワーク技術について検討する。 本手法は,網膜色眼底像と胸部X線像の2つの異なる画像モダリティについてベンチマークを行った。
  論文  参考訳（メタデータ） (2021-09-04T09:41:15Z)
• Advantages and Bottlenecks of Quantum Machine Learning for Remote Sensing [63.69764116066747]
  本稿では,量子コンピュータの概要を説明し,量子画像分類手法の既存手法を考察し,これらのアルゴリズムを現在利用可能なオープンソースプラットフォーム上で実行する際のボトルネックについて考察する。 次のステップでは、量子隠蔽層のサイズを拡大し、さまざまな出力イメージオプションを拡大する。
  論文  参考訳（メタデータ） (2021-01-26T09:31:46Z)
• Fast and robust quantum state tomography from few basis measurements [65.36803384844723]
  本稿では、上記の全てのリソースを精度に悪影響を及ぼすことなく最適化するオンライントモグラフィーアルゴリズムを提案する。 このプロトコルは、状態コピー、測定設定、メモリのランクと寸法で証明可能なパフォーマンスを初めて提供する。 量子コンピュータ上でアルゴリズムを実行し、量子状態トモグラフィーのための量子スピードアップを提供することにより、さらなる改善が可能となる。
  論文  参考訳（メタデータ） (2020-09-17T11:28:41Z)

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。