論文の概要: Lightweight Quantum-Enhanced ResNet for Coronary Angiography Classification: A Hybrid Quantum-Classical Feature Enhancement Framework
- arxiv url: http://arxiv.org/abs/2601.18814v1
- Date: Thu, 22 Jan 2026 11:15:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-28 15:26:50.986405
- Title: Lightweight Quantum-Enhanced ResNet for Coronary Angiography Classification: A Hybrid Quantum-Classical Feature Enhancement Framework
- Title（参考訳）: 冠動脈造影分類のための軽量量子強調ResNet:ハイブリッド量子古典的特徴強調フレームワーク
- Authors: Jingsong Xia,
- Abstract要約: 冠動脈造影画像のバイナリ分類のための軽量量子強化レスネット(LQER)を提案する。
独立したテストセットでは、提案されたLQERが古典的なResNet18ベースライン、AUC、F1スコアを上回り、90%を超えるテスト精度を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Coronary angiography (CAG) is the cornerstone imaging modality for evaluating coronary artery stenosis and guiding interventional decision-making. However, interpretation based on single-frame angiographic images remains highly operator-dependent, and conventional deep learning models still face challenges in modeling complex vascular morphology and fine-grained texture patterns.Methods: We propose a Lightweight Quantum-Enhanced ResNet (LQER) for binary classification of coronary angiography images. A pretrained ResNet18 is employed as a classical feature extractor, while a parameterized quantum circuit (PQC) is introduced at the high-level semantic feature space for quantum feature enhancement. The quantum module utilizes data re-uploading and entanglement structures, followed by residual fusion with classical features, enabling end-to-end hybrid optimization with a strictly controlled number of qubits.Results: On an independent test set, the proposed LQER outperformed the classical ResNet18 baseline in accuracy, AUC, and F1-score, achieving a test accuracy exceeding 90%. The results demonstrate that lightweight quantum feature enhancement improves discrimination of positive lesions, particularly under class-imbalanced conditions.Conclusion: This study validates a practical hybrid quantum--classical learning paradigm for coronary angiography analysis, providing a feasible pathway for deploying quantum machine learning in medical imaging applications.
- Abstract（参考訳）: 背景:冠動脈造影(CAG)は冠動脈狭窄の評価と介入決定の導出のための基礎像である。
しかし, 単一フレームの血管造影画像に基づく解釈は依然として操作者に依存しており, 従来のディープラーニングモデルでは, 複雑な血管形態や微細なテクスチャパターンをモデル化する上で, 依然として課題に直面している。
ResNet18は古典的特徴抽出器として、パラメータ化量子回路(PQC)は量子特徴強調のための高レベルな意味的特徴空間に導入されている。
量子モジュールはデータ再読み込みと絡み合い構造を利用し、続いて古典的な特徴と残りの融合を行い、厳密に制御されたキュービット数でエンドツーエンドのハイブリッド最適化を可能にする。
結論: 本研究は, 冠動脈血管造影解析のための実用的なハイブリッド量子-古典的学習パラダイムを検証し, 医用画像に量子機械学習を展開するための有効な経路を提供する。
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) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification [0.0]
本稿では、BreastMNISTデータセットのバイナリ分類のために設計されたハイブリッド量子古典畳み込みニューラルネットワーク(QCNN)アーキテクチャを提案する。
この結果から, ハイブリッドQCNNアーキテクチャは, 絡み合いと量子的特徴融合を利用して, 医用画像分類タスクを強化することができることがわかった。
論文 参考訳（メタデータ） (2025-11-29T17:47:14Z) - Leveraging Quantum-Based Architectures for Robust Diagnostics [0.0]
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。
論文 参考訳（メタデータ） (2025-11-15T23:36:58Z) - 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) - 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) - Towards Transfer Learning for Large-Scale Image Classification Using
Annealing-based Quantum Boltzmann Machines [7.106829260811707]
本稿では,Quantum Annealing (QA) を用いた画像分類手法を提案する。
本稿では,アニール型量子ボルツマンマシンをハイブリッド量子古典パイプラインの一部として用いることを提案する。
提案手法は,テスト精度とAUC-ROC-Scoreの点で,古典的ベースラインを一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2023-11-27T16:07:49Z) - 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) - 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)
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。