論文の概要: Domain Generalization with Quantum Enhancement for Medical Image Classification: A Lightweight Approach for Cross-Center Deployment

• arxiv url: http://arxiv.org/abs/2601.17862v1
• Date: Sun, 25 Jan 2026 14:43:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.493647
• Title: Domain Generalization with Quantum Enhancement for Medical Image Classification: A Lightweight Approach for Cross-Center Deployment
• Title（参考訳）: 医用画像分類のための量子エンハンスメントを用いた領域一般化:クロスセンター展開のための軽量アプローチ
• Authors: Jingsong Xia, Siqi Wang,
• Abstract要約: 本稿では,量子化協調学習を用いた軽量なドメイン一般化フレームワークを提案する。 MobileNetV2ベースのドメイン不変エンコーダは、3つのキーコンポーネントで構築され、最適化される。 シミュレーションされたマルチセンター医療画像データセットの実験により,提案手法がベースラインモデルを大幅に上回ることを示す。
• 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: Medical image artificial intelligence models often achieve strong performance in single-center or single-device settings, yet their effectiveness frequently deteriorates in real-world cross-center deployment due to domain shift, limiting clinical generalizability. To address this challenge, we propose a lightweight domain generalization framework with quantum-enhanced collaborative learning, enabling robust generalization to unseen target domains without relying on real multi-center labeled data. Specifically, a MobileNetV2-based domain-invariant encoder is constructed and optimized through three key components: (1) multi-domain imaging shift simulation using brightness, contrast, sharpening, and noise perturbations to emulate heterogeneous acquisition conditions; (2) domain-adversarial training with gradient reversal to suppress domain-discriminative features; and (3) a lightweight quantum feature enhancement layer that applies parameterized quantum circuits for nonlinear feature mapping and entanglement modeling. In addition, a test-time adaptation strategy is employed during inference to further alleviate distribution shifts. Experiments on simulated multi-center medical imaging datasets demonstrate that the proposed method significantly outperforms baseline models without domain generalization or quantum enhancement on unseen domains, achieving reduced domain-specific performance variance and improved AUC and sensitivity. These results highlight the clinical potential of quantum-enhanced domain generalization under constrained computational resources and provide a feasible paradigm for hybrid quantum--classical medical imaging systems.
• Abstract（参考訳）: 医用画像人工知能モデルは、シングルセンタやシングルデバイス設定で高いパフォーマンスを達成することが多いが、その有効性は、ドメインシフトによる現実世界のクロスセンタ展開において頻繁に悪化し、臨床の一般化性が制限される。 この課題に対処するために,量子強化協調学習を用いた軽量なドメイン一般化フレームワークを提案する。 特に、MobileNetV2ベースのドメイン不変エンコーダは、(1)輝度、コントラスト、シャープニング、ノイズ摂動を用いたマルチドメインイメージングシフトシミュレーションを用いて、不均一な取得条件をエミュレートし、(2)ドメイン識別特性を抑えるために勾配逆転によるドメイン逆トレーニングを行い、(3)非線形特徴マッピングとエンタングルメントモデリングにパラメータ化量子回路を適用した軽量な量子特徴強調層を構築し、最適化する。 さらに、推論中にテスト時間適応戦略を用いて、分散シフトをさらに緩和する。 シミュレーションされたマルチセンター医療画像データセットの実験により、提案手法はドメインの一般化や未確認領域の量子化を伴わずにベースラインモデルを大幅に上回り、ドメイン固有のパフォーマンスのばらつきを低減し、AUCと感度を改善した。 これらの結果は、制約された計算資源下での量子強調領域一般化の臨床的可能性を強調し、ハイブリッドな量子古典医療イメージングシステムの実現可能なパラダイムを提供する。

関連論文リスト

• A Lightweight Medical Image Classification Framework via Self-Supervised Contrastive Learning and Quantum-Enhanced Feature Modeling [11.167221101488229]
  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。
  論文  参考訳（メタデータ） (2026-01-23T10:08:37Z)
• The 1st Solution for CARE Liver Task Challenge 2025: Contrast-Aware Semi-Supervised Segmentation with Domain Generalization and Test-Time Adaptation [23.156209918252838]
  CoSSeg-TTA は nnU-Netv2 上に構築された GED4 (Gd-EOB-DTPA 拡張肝胆道相MRI) のコンパクトセグメンテーションフレームワークである。 ドメイン適応モジュールは、ランダム化されたヒストグラムスタイルの外観伝達関数とトレーニング可能なコントラスト対応ネットワークを組み込んで、ドメインの多様性を強化し、センター間の変動を緩和する。
  論文  参考訳（メタデータ） (2025-10-05T15:18:53Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• Self-supervised Vision Transformer are Scalable Generative Models for Domain Generalization [0.13108652488669734]
  病理組織像における領域一般化のための新しい生成法を提案する。 本手法では,画像パッチの特徴を動的に抽出するために,生成型自己教師型視覚変換器を用いる。 2つの異なる病理組織学的データセットを用いて行った実験は,提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2024-07-03T08:20:27Z)
• A Novel Cross-Perturbation for Single Domain Generalization [54.612933105967606]
  単一ドメインの一般化は、モデルが単一のソースドメインでトレーニングされたときに未知のドメインに一般化する能力を高めることを目的としている。 トレーニングデータの限られた多様性は、ドメイン不変の特徴の学習を妨げ、結果として一般化性能を損なう。 トレーニングデータの多様性を高めるために,CPerbを提案する。
  論文  参考訳（メタデータ） (2023-08-02T03:16:12Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)

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。