論文の概要: Leveraging Quantum-Based Architectures for Robust Diagnostics

• arxiv url: http://arxiv.org/abs/2511.12386v1
• Date: Sat, 15 Nov 2025 23:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.009353
• Title: Leveraging Quantum-Based Architectures for Robust Diagnostics
• Title（参考訳）: ロバスト診断のための量子ベースアーキテクチャの活用
• Authors: Shabnam Sodagari, Tommy Long,
• Abstract要約: 本研究の目的は, 腎臓のCT画像を用いて腎臓結石, 嚢胞, 腫瘍の診断と鑑別を行うことである。 我々は、事前訓練されたResNet50エンコーダと量子畳み込みニューラルネットワーク(QCNN)を組み合わせて、量子支援診断を探索する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The objective of this study is to diagnose and differentiate kidney stones, cysts, and tumors using Computed Tomography (CT) images of the kidney. This study leverages a hybrid quantum-classical framework in this regard. We combine a pretrained ResNet50 encoder, with a Quantum Convolutional Neural Network (QCNN) to explore quantum-assisted diagnosis. We pre-process the kidney images using denoising and contrast limited adaptive histogram equalization to enhance feature extraction. We address class imbalance through data augmentation and weighted sampling. Latent features extracted by the encoder are transformed into qubits via angle encoding and processed by a QCNN. The model is evaluated on both 8-qubit and 12-qubit configurations. Both architectures achieved rapid convergence with stable learning curves and high consistency between training and validation performance. The models reached a test accuracy of 0.99, with the 12-qubit configuration providing improvements in overall recall and precision, particularly for Cyst and Tumor detection, where it achieved perfect recall for Cysts and a tumor F1-score of 0.9956. Confusion matrix analysis further confirmed reliable classification behavior across all classes, with very few misclassifications. Results demonstrate that integrating classical pre-processing and deep feature extraction with quantum circuits enhances medical diagnostic performance.
• Abstract（参考訳）: 本研究の目的は, 腎臓のCT画像を用いて腎臓結石, 嚢胞, 腫瘍の診断と鑑別を行うことである。 本研究は、この点においてハイブリッド量子古典的枠組みを活用する。 我々は、事前訓練されたResNet50エンコーダと量子畳み込みニューラルネットワーク(QCNN)を組み合わせて、量子支援診断を探索する。 結節とコントラストを限定した適応ヒストグラム等化法を用いて, 腎臓像を前処理し, 特徴抽出を増強した。 データ拡張と重み付きサンプリングによるクラス不均衡に対処する。 エンコーダによって抽出された潜在特徴は、角符号化によりキュービットに変換され、QCNNで処理される。 モデルは8キュービット構成と12キュービット構成の両方で評価される。 両方のアーキテクチャは、安定した学習曲線と、トレーニングとバリデーションパフォーマンスの間の高い一貫性で、急速に収束した。 テスト精度は0.99に達し、全体的なリコールと精度の改善、特にシストと腫瘍検出のために12ビット構成が提供され、シストのリコールと腫瘍のF1スコアは0.9956となった。 コンフュージョンマトリクス解析により、すべてのクラスで信頼性の高い分類挙動が確認され、誤分類はほとんどなかった。 その結果,古典的前処理と深部特徴抽出を量子回路と組み合わせることで診断性能が向上した。

関連論文リスト

• Application of Quantum Convolutional Neural Networks for MRI-Based Brain Tumor Detection and Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2025-08-28T01:14:34Z)
• 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)
• Hybrid Deep Learning Framework for Classification of Kidney CT Images: Diagnosis of Stones, Cysts, and Tumors [1.3749490831384266]
  本研究では,プレトレーニングされたResNet101とカスタムCNNを統合して腎臓CT画像の分類を行うハイブリッドディープラーニングモデルを提案する。 12,446枚のCT画像と高度な特徴マッピング技術のデータセットを使用して、ハイブリッドCNNモデルはスタンドアロンのResNet101より優れています。
  論文  参考訳（メタデータ） (2025-02-05T08:38:35Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Comparative Analysis of Image Enhancement Techniques for Brain Tumor Segmentation: Contrast, Histogram, and Hybrid Approaches [0.0]
  この研究は、画像強調技術が畳み込みニューラルネットワーク(CNN)ベースの脳腫瘍に与える影響を系統的に研究した。 CNNベースのU-Netアーキテクチャ、トレーニング、検証プロセスの詳細な分析を行う。 比較分析は、精度、損失、MSE、IoU、DSCといったメトリクスを利用しており、ハイブリッドアプローチのCLAHE-HEは、他よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-04-08T09:27:42Z)
• 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)
• Convolutional Neural Generative Coding: Scaling Predictive Coding to Natural Images [79.07468367923619]
  畳み込み型神経生成符号化(Conv-NGC)を開発した。 我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。 本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
  論文  参考訳（メタデータ） (2022-11-22T06:42:41Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。