論文の概要: Generative Diffusion Augmentation with Quantum-Enhanced Discrimination for Medical Image Diagnosis

• arxiv url: http://arxiv.org/abs/2601.18556v1
• Date: Mon, 26 Jan 2026 15:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.88499
• Title: Generative Diffusion Augmentation with Quantum-Enhanced Discrimination for Medical Image Diagnosis
• Title（参考訳）: 医用画像診断における量子化による拡散増強
• Authors: Jingsong Xia, Siqi Wang,
• Abstract要約: 本稿では,SDA-QECを提案する。SDA-QECは,単純化された拡散に基づくデータ拡張と量子化特徴の識別を統合する革新的なフレームワークである。 本フレームワークは98.33%の感度と98.33%の特異性を同時に達成し,臨床展開に不可欠なバランス性能を実現する。
• 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: In biomedical engineering, artificial intelligence has become a pivotal tool for enhancing medical diagnostics, particularly in medical image classification tasks such as detecting pneumonia from chest X-rays and breast cancer screening. However, real-world medical datasets frequently exhibit severe class imbalance, where positive samples substantially outnumber negative samples, leading to biased models with low recall rates for minority classes. This imbalance not only compromises diagnostic accuracy but also poses clinical misdiagnosis risks. To address this challenge, we propose SDA-QEC (Simplified Diffusion Augmentation with Quantum-Enhanced Classification), an innovative framework that integrates simplified diffusion-based data augmentation with quantum-enhanced feature discrimination. Our approach employs a lightweight diffusion augmentor to generate high-quality synthetic samples for minority classes, rebalancing the training distribution. Subsequently, a quantum feature layer embedded within MobileNetV2 architecture enhances the model's discriminative capability through high-dimensional feature mapping in Hilbert space. Comprehensive experiments on coronary angiography image classification demonstrate that SDA-QEC achieves 98.33% accuracy, 98.78% AUC, and 98.33% F1-score, significantly outperforming classical baselines including ResNet18, MobileNetV2, DenseNet121, and VGG16. Notably, our framework simultaneously attains 98.33% sensitivity and 98.33% specificity, achieving a balanced performance critical for clinical deployment. The proposed method validates the feasibility of integrating generative augmentation with quantum-enhanced modeling in real-world medical imaging tasks, offering a novel research pathway for developing highly reliable medical AI systems in small-sample, highly imbalanced, and high-risk diagnostic scenarios.
• Abstract（参考訳）: バイオメディカルエンジニアリングにおいて、人工知能は、特に胸部X線からの肺炎の検出や乳癌検診などの医療画像分類タスクにおいて、医療診断を強化する重要なツールとなっている。 しかし、現実の医療データセットは、正のサンプルが負のサンプルよりもかなり多く、少数クラスのリコール率の低いモデルに偏りが生じる、深刻なクラス不均衡を示すことが多い。 この不均衡は診断精度を損なうだけでなく、臨床的誤診のリスクを引き起こす。 この課題に対処するため,SDA-QEC(Simplified Diffusion Augmentation with Quantum-Enhanced Classification)を提案する。 本手法では, マイノリティクラスのための高品質な合成サンプルを生成するために, 軽量拡散増幅器を用いて, トレーニング分布を再バランスする。 その後、MobileNetV2アーキテクチャに埋め込まれた量子特徴層は、ヒルベルト空間における高次元の特徴マッピングを通じてモデルの識別能力を高める。 冠動脈造影画像分類に関する総合的な実験により、SDA-QECは98.33%の精度、98.78%のAUC、98.33%のF1スコアを獲得し、ResNet18、MobileNetV2、DenseNet121、VGG16などの古典的ベースラインを著しく上回っている。 特に,本フレームワークは感度98.33%,特異度98.33%を同時に達成し,臨床展開において重要なバランス性能を実現する。 提案手法は,高信頼な医療用AIシステムを小型で不均衡で高リスクの診断シナリオで開発するための新たな研究経路を提供する。

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)
• One-shot synthesis of rare gastrointestinal lesions improves diagnostic accuracy and clinical training [45.49415063761575]
  EndoRareは、単一の参照画像から多種多様な高忠実度病変を合成する、ワンショットでリトレーニング不要な生成フレームワークである。 われわれはこの枠組みを4つの稀な病理から検証した。 これらの結果は, コンピュータ支援診断と臨床教育の両方において, 希少なギャップを埋める実践的でデータ効率のよい方法を確立している。
  論文  参考訳（メタデータ） (2025-12-30T15:07:09Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• Diagnosis for Less-Prevalent Thyroid Carcinoma Subtype Using a Dual-Branch Attention Deep Network with Ultrasound Images [5.558034869630433]
  非均一な形態的特徴とデータ不均衡は、超音波画像を用いたまれな甲状腺癌の分類において重要な課題である。 本稿では,マルチタスク学習フレームワークであるChannel-Spatial Attention Synergy Network (CSASN)を提案する。
  論文  参考訳（メタデータ） (2025-05-04T18:23:03Z)
• GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis [44.99833362998488]
  本稿では,2次元ガウススプラッティングとTransformer UNetアーキテクチャを組み合わせた皮膚癌自動診断手法を提案する。 セグメンテーションと分類の精度は著しく向上した。 この統合は、新しいベンチマークをこの分野に設定し、マルチタスク医療画像解析手法のさらなる研究の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-23T23:28:47Z)
• A Cascaded Dilated Convolution Approach for Mpox Lesion Classification [0.0]
  Mpoxウイルスは、他の皮膚疾患と視覚的に類似しているため、重要な診断上の課題を呈する。 深層学習に基づく皮膚病変分類のアプローチは、有望な代替手段を提供する。 本稿では,これらの課題に対処するためのCascaded Atrous Group Attentionフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-12-13T12:47:30Z)
• D-Cube: Exploiting Hyper-Features of Diffusion Model for Robust Medical Classification [9.237437350215897]
  本稿では拡散型診断(D-Cube)について紹介する。これは拡散モデルから高機能と対照的な学習を併用して癌診断を改善する新しいアプローチである。 D-Cubeは拡散モデルの堅牢な表現能力を利用する高度な特徴選択技術を採用している。 D-CubeはCT,MRI,X線など,複数の医用画像モダリティに対して有効であることが実験的に検証された。
  論文  参考訳（メタデータ） (2024-11-17T14:30:50Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。