論文の概要: A Hybrid Quantum Classical Pipeline for X Ray Based Fracture Diagnosis

• arxiv url: http://arxiv.org/abs/2505.14716v1
• Date: Mon, 19 May 2025 06:38:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.645586
• Title: A Hybrid Quantum Classical Pipeline for X Ray Based Fracture Diagnosis
• Title（参考訳）: X線によるフラクチャー診断のためのハイブリッド量子古典パイプライン
• Authors: Sahil Tomar, Rajeshwar Tripathi, Sandeep Kumar,
• Abstract要約: 骨骨折は世界中で致死率と障害の主な原因である。 従来のX線解釈は時間を消費し、エラーを起こしやすい。 既存の機械学習とディープラーニングソリューションは、しばしば広範な機能エンジニアリングを必要とする。
• 参考スコア（独自算出の注目度）: 2.5686697584463025
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Bone fractures are a leading cause of morbidity and disability worldwide, imposing significant clinical and economic burdens on healthcare systems. Traditional X ray interpretation is time consuming and error prone, while existing machine learning and deep learning solutions often demand extensive feature engineering, large, annotated datasets, and high computational resources. To address these challenges, a distributed hybrid quantum classical pipeline is proposed that first applies Principal Component Analysis (PCA) for dimensionality reduction and then leverages a 4 qubit quantum amplitude encoding circuit for feature enrichment. By fusing eight PCA derived features with eight quantum enhanced features into a 16 dimensional vector and then classifying with different machine learning models achieving 99% accuracy using a public multi region X ray dataset on par with state of the art transfer learning models while reducing feature extraction time by 82%.
• Abstract（参考訳）: 骨骨折は世界中で致死性や障害の主な原因であり、医療システムに重大な臨床および経済的な負担をもたらす。 従来のX線解釈は時間がかかりエラーが発生しやすいが、既存の機械学習およびディープラーニングソリューションでは、広範な機能エンジニアリング、大規模で注釈付きデータセット、高い計算資源が要求されることが多い。 これらの課題に対処するために,まず主成分分析(PCA)を次元化に応用し,次に4量子ビット量子振幅符号化回路を特徴エンリッチメントに利用する分散ハイブリッド量子古典パイプラインを提案する。 8つのPCA派生した特徴と8つの量子強化された特徴を16次元ベクトルに融合させ、その後、パブリックマルチリージョンX線データセットを使用して99%の精度で異なる機械学習モデルに分類することで、特徴抽出時間を82%短縮する。

関連論文リスト

• CompressedMediQ: Hybrid Quantum Machine Learning Pipeline for High-Dimensional Neuroimaging Data [1.3359321655273804]
  本稿では,新しいハイブリッド量子古典型機械学習パイプラインであるCompressedMediQを紹介する。 高次元のマルチクラス・ニューロイメージングデータ解析に関連する計算課題に対処する。
  論文  参考訳（メタデータ） (2024-09-13T07:03:01Z)
• Quantum Machine Learning with Application to Progressive Supranuclear Palsy Network Classification [0.0]
  進行性核上麻痺(PSP)の診断のための量子機械学習モデルを提案する。 その結果、量子機械学習は古典的なフレームワークよりも顕著に進歩し、性能を上回っていることが示唆された。 特に,IBM量子プラットフォームの量子シミュレータと実チップの両面において,本モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2024-07-06T14:16:31Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• SynthEnsemble: A Fusion of CNN, Vision Transformer, and Hybrid Models for Multi-Label Chest X-Ray Classification [0.6218519716921521]
  我々は,異なる疾患に対応する胸部X線パターンの同定に深層学習技術を採用している。 最も優れた個人モデルはCoAtNetで、受信機の動作特性曲線(AUROC)の84.2%の領域を達成した。
  論文  参考訳（メタデータ） (2023-11-13T21:07:07Z)
• Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
  Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。 従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。 これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。 本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:38:42Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。