論文の概要: A Lightweight Medical Image Classification Framework via Self-Supervised Contrastive Learning and Quantum-Enhanced Feature Modeling

• arxiv url: http://arxiv.org/abs/2601.16608v1
• Date: Fri, 23 Jan 2026 10:08:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.626692
• Title: A Lightweight Medical Image Classification Framework via Self-Supervised Contrastive Learning and Quantum-Enhanced Feature Modeling
• Title（参考訳）: 自己監督型コントラスト学習と量子強調特徴モデリングによる軽量医用画像分類フレームワーク
• Authors: Jingsong Xia, Siqi Wang,
• Abstract要約: MobileNetV2は、コンパクトなバックボーンとして使われ、ラベルなし画像のSimCLRスタイルの自己管理パラダイムを用いて事前訓練されている。 軽量パラメタライズド量子回路(PQC)は、量子特徴拡張モジュールとして組み込まれ、ハイブリッド古典量子アーキテクチャを形成する。
• 参考スコア（独自算出の注目度）: 11.167221101488229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intelligent medical image analysis is essential for clinical decision support but is often limited by scarce annotations, constrained computational resources, and suboptimal model generalization. To address these challenges, we propose a lightweight medical image classification framework that integrates self-supervised contrastive learning with quantum-enhanced feature modeling. MobileNetV2 is employed as a compact backbone and pretrained using a SimCLR-style self-supervised paradigm on unlabeled images. A lightweight parameterized quantum circuit (PQC) is embedded as a quantum feature enhancement module, forming a hybrid classical-quantum architecture, which is subsequently fine-tuned on limited labeled data. Experimental results demonstrate that, with only approximately 2-3 million parameters and low computational cost, the proposed method consistently outperforms classical baselines without self-supervised learning or quantum enhancement in terms of Accuracy, AUC, and F1-score. Feature visualization further indicates improved discriminability and representation stability. Overall, this work provides a practical and forward-looking solution for high-performance medical artificial intelligence under resource-constrained settings.
• Abstract（参考訳）: インテリジェントな医用画像解析は臨床診断支援に不可欠であるが、少ないアノテーション、制約された計算資源、最適以下のモデル一般化によって制限されることが多い。 これらの課題に対処するために、自己教師付きコントラスト学習と量子化機能モデリングを統合する軽量な医用画像分類フレームワークを提案する。 MobileNetV2は、コンパクトなバックボーンとして使われ、ラベルなし画像のSimCLRスタイルの自己管理パラダイムを用いて事前訓練されている。 軽量パラメタライズド量子回路 (PQC) は量子特徴拡張モジュールとして組み込まれ、後に制限付きラベル付きデータに基づいて微調整されたハイブリッド古典量子アーキテクチャを形成する。 実験結果から,約2～3百万のパラメータと計算コストの低い手法で,自己教師付き学習や量子エンハンスメントのない古典的ベースラインを精度,AUC,F1スコアで一貫して上回る結果が得られた。 特徴視覚化はさらに、識別性と表現安定性の向上を示している。 全体として、この研究は、リソース制約された環境下での高性能な医療人工知能のための実用的で先進的なソリューションを提供する。

関連論文リスト

• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Q2SAR: A Quantum Multiple Kernel Learning Approach for Drug Discovery [39.58317527488534]
  本研究は、QSAR分類を強化するために、量子多重カーネル学習フレームワークを成功させたことを実証する。 本手法をDYRK1Aキナーゼ阻害剤を同定するためのデータセットに適用する。 古典的なグラディエントブースティングモデルに対してQMKL-SVMをベンチマークすることにより、量子化アプローチがより優れたAUCスコアを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-17T19:00:47Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• 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)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)

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。