論文の概要: HQCM-EBTC: A Hybrid Quantum-Classical Model for Explainable Brain Tumor Classification

• arxiv url: http://arxiv.org/abs/2506.21937v1
• Date: Fri, 27 Jun 2025 06:16:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.104282
• Title: HQCM-EBTC: A Hybrid Quantum-Classical Model for Explainable Brain Tumor Classification
• Title（参考訳）: HQCM-EBTC:説明可能な脳腫瘍分類のためのハイブリッド量子古典モデル
• Authors: Marwan Ait Haddou, Mohamed Bennai,
• Abstract要約: HQCM-EBTCはMRI画像を用いた脳腫瘍の自動分類のためのハイブリッド量子古典モデルである。 健常者,髄膜腫,グリオーマ,下垂体等を対象とし,7,576回の検診を行った。 HQCM-EBTCは96.48%の精度を達成し、従来のベースライン(86.72%)を大幅に上回った
• 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: We propose HQCM-EBTC, a hybrid quantum-classical model for automated brain tumor classification using MRI images. Trained on a dataset of 7,576 scans covering normal, meningioma, glioma, and pituitary classes, HQCM-EBTC integrates a 5-qubit, depth-2 quantum layer with 5 parallel circuits, optimized via AdamW and a composite loss blending cross-entropy and attention consistency. HQCM-EBTC achieves 96.48% accuracy, substantially outperforming the classical baseline (86.72%). It delivers higher precision and F1-scores, especially for glioma detection. t-SNE projections reveal enhanced feature separability in quantum space, and confusion matrices show lower misclassification. Attention map analysis (Jaccard Index) confirms more accurate and focused tumor localization at high-confidence thresholds. These results highlight the promise of quantum-enhanced models in medical imaging, advancing both diagnostic accuracy and interpretability for clinical brain tumor assessment.
• Abstract（参考訳）: MRI画像を用いた脳腫瘍の自動分類のためのハイブリッド量子古典モデルHQCM-EBTCを提案する。 HQCM-EBTCは、正常、髄膜腫、グリオーマ、下垂体クラスをカバーする7,576スキャンのデータセットに基づいて訓練され、5量子ビットの深さ2量子層と5つの並列回路を統合し、AdamWによって最適化され、クロスエントロピーとアテンションの一貫性をブレンドした複合損失を合成する。 HQCM-EBTCは96.48%の精度を達成し、従来のベースライン(86.72%)を大幅に上回っている。 精度が高く、特にグリオーマ検出のためにF1スコアを提供する。 t-SNEプロジェクションは量子空間における特徴分離性の向上を示し、混乱行列は誤分類の低減を示す。 注意マップ解析 (Jaccard Index) により, 高信頼閾値でより正確で集結した腫瘍の局在が確認できる。 これらの結果は、臨床脳腫瘍評価における診断精度と解釈可能性の両方を向上する、医療画像における量子強化モデルの可能性を浮き彫りにしている。

関連論文リスト

• Light Weight CNN for classification of Brain Tumors from MRI Images [0.0]
  本研究では,脳腫瘍のマルチクラス分類のための畳み込みニューラルネットワーク(CNN)に基づくアプローチを提案する。 グリオーマ,髄膜腫,下垂体腫瘍,腫瘍の4つの分類に分類したMRI画像を含む公開データセットを用いて検討した。 実験により, 本モデルが98.78%の分類精度を達成し, 臨床現場での診断支援の可能性を示した。
  論文  参考訳（メタデータ） (2025-04-29T21:45:11Z)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Self-calibrated convolution towards glioma segmentation [45.74830585715129]
  我々は,nnU-Netネットワークの異なる部分における自己校正畳み込みを評価し,スキップ接続における自己校正加群が,拡張腫瘍と腫瘍コアセグメンテーションの精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-02-07T19:51:13Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Multi-class Brain Tumor Segmentation using Graph Attention Network [3.3635982995145994]
  この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。 このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
  論文  参考訳（メタデータ） (2023-02-11T04:30:40Z)
• A deep learning approach for brain tumor detection using magnetic resonance imaging [0.0]
  脳腫瘍は、子供や成人で最も危険な疾患の1つと考えられている。 MRI画像から脳腫瘍を検出するための畳み込みニューラルネットワーク(CNN)に基づく図解が提案されている。 提案したモデルでは98.6%の精度と97.8%の精度でクロスエントロピー速度が低い。
  論文  参考訳（メタデータ） (2022-10-25T10:13:29Z)
• A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI [0.28675177318965034]
  磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案 第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。 第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
  論文  参考訳（メタデータ） (2022-01-14T10:24:47Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)

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。