論文の概要: Application of Quantum Convolutional Neural Networks for MRI-Based Brain Tumor Detection and Classification

• arxiv url: http://arxiv.org/abs/2509.02582v1
• Date: Thu, 28 Aug 2025 01:14:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.225966
• Title: Application of Quantum Convolutional Neural Networks for MRI-Based Brain Tumor Detection and Classification
• Title（参考訳）: 量子畳み込みニューラルネットワークのMRI脳腫瘍検出・分類への応用
• Authors: Sugih Pratama Nugraha, Ariiq Islam Alfajri, Tony Sumaryada, Duong Thanh Tai, Nissren Tamam, Abdelmoneim Sulieman, Sitti Yani,
• Abstract要約: この研究では、MRI画像を用いた脳腫瘍分類への量子畳み込みニューラルネットワーク(QCNN)の適用について検討した。 データは80%のトレーニングと20%のテストに分割され、オーバーサンプリング技術がクラス不均衡に対応している。 バイナリモデルは88%の精度でデータバランシング後の89%に改善され、マルチクラスモデルは52%の精度でオーバーサンプリング後の62%に向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study explores the application of Quantum Convolutional Neural Networks (QCNNs) for brain tumor classification using MRI images, leveraging quantum computing for enhanced computational efficiency. A dataset of 3,264 MRI images, including glioma, meningioma, pituitary tumors, and non-tumor cases, was utilized. The data was split into 80% training and 20% testing, with an oversampling technique applied to address class imbalance. The QCNN model consists of quantum convolution layers, flatten layers, and dense layers, with a filter size of 2, depth of 4, and 4 qubits, trained over 10 epochs. Two models were developed: a binary classification model distinguishing tumor presence and a multiclass classification model categorizing tumor types. The binary model achieved 88% accuracy, improving to 89% after data balancing, while the multiclass model achieved 52% accuracy, increasing to 62% after oversampling. Despite strong binary classification performance, the multiclass model faced challenges due to dataset complexity and quantum circuit limitations. These findings suggest that QCNNs hold promise for medical imaging applications, particularly in binary classification. However, further refinements, including optimized quantum circuit architectures and hybrid classical-quantum approaches, are necessary to enhance multiclass classification accuracy and improve QCNN applicability in clinical settings.
• Abstract（参考訳）: 本研究では,MRI画像を用いた脳腫瘍分類への量子畳み込みニューラルネットワーク(QCNN)の適用について検討した。 グリオーマ,髄膜腫,下垂体腫瘍,非腫瘍例を含む3,264個のMRI画像を用いた。 データは80%のトレーニングと20%のテストに分割され、オーバーサンプリング技術がクラス不均衡に対応している。 QCNNモデルは、量子畳み込み層、平らな層、密度の高い層で構成され、フィルタサイズは2、深さは4、4キュービットで、10エポック以上で訓練されている。 腫瘍の存在を識別するバイナリ分類モデルと,腫瘍タイプを分類するマルチクラス分類モデルという2つのモデルが開発された。 バイナリモデルは88%の精度でデータバランシング後の89%に改善され、マルチクラスモデルは52%の精度でオーバーサンプリング後の62%に向上した。 強いバイナリ分類性能にもかかわらず、マルチクラスモデルは、データセットの複雑さと量子回路の制限のために困難に直面した。 これらの結果から,QCNNは医療画像への応用,特にバイナリ分類において有望であることが示唆された。 しかし、マルチクラス分類の精度を高め、臨床環境でのQCNN適用性を向上させるためには、最適化された量子回路アーキテクチャやハイブリッド古典量子アプローチを含むさらなる改良が必要である。

関連論文リスト

• HQCM-EBTC: A Hybrid Quantum-Classical Model for Explainable Brain Tumor Classification [0.0]
  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
  論文  参考訳（メタデータ） (2025-06-27T06:16:57Z)
• Fibonacci-Net: A Lightweight CNN model for Automatic Brain Tumor Classification [1.5705429611931057]
  本研究では,MRIデータセットからの脳腫瘍の自動分類のための,非常に軽量なモデル"Fibonacci-Net"と,新しいプール技術を提案する。 実験の結果、提案されたFibonacci-Netを使用した結果、96.2%の精度、97.17%の精度、95.9%のリコール、96.5%のF1スコア、そして最も困難な44クラスのMRIデータセットの99.9%の特異性を達成した。
  論文  参考訳（メタデータ） (2025-03-18T05:47:02Z)
• Pediatric TSC-Related Epilepsy Classification from Clinical MR Images Using Quantum Neural Network [17.788579893962492]
  本研究では,従来の畳み込みニューラルネットワークと量子ニューラルネットワークをシームレスに統合した新しいディープラーニングモデルQResNetを紹介する。 TSCMRI画像分類において,従来の3D-ResNetモデルと比較してQResNetの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-08T14:11:06Z)
• Brain Tumor Diagnosis Using Quantum Convolutional Neural Networks [0.0]
  本研究では、量子特徴符号化回路と深度的に分離可能な畳み込み層を統合するハイブリッド量子畳み込みニューラルネットワーク(HQCNN)を提案する。 HQCNNは99.16%のトレーニング精度と91.47%の検証精度を達成した。
  論文  参考訳（メタデータ） (2024-01-28T23:27:06Z)
• 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)
• 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)
• 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)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)

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。