論文の概要: Medical Imaging Classification with Cold-Atom Reservoir Computing using Auto-Encoders and Surrogate-Driven Training

• arxiv url: http://arxiv.org/abs/2605.06727v1
• Date: Thu, 07 May 2026 11:26:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.491556
• Title: Medical Imaging Classification with Cold-Atom Reservoir Computing using Auto-Encoders and Surrogate-Driven Training
• Title（参考訳）: オートエンコーダとサロゲート駆動トレーニングを用いたコールド原子貯留層計算による医用画像分類
• Authors: Nuno Batista, Ana Morgado, Oscar Ferraz, Sagar Silva Pratapsi, Jorge Lobo, Gabriel Falcao,
• Abstract要約: 医用画像分類のための中性原子貯水池計算に基づくハイブリッド量子古典パイプラインを提案する。 このパイプラインは、量子貯水池計算にも適している画像データのコンパクトで差別的な表現を学習する。
• 参考スコア（独自算出の注目度）: 1.5865523067585527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a hybrid quantum-classical pipeline, based on neutral-atom reservoir computing, for medical image classification, focusing on the binary classification task of polyp detection. To deal effectively with the high dimensionality, we integrate a guided auto-encoder. This pipeline learns compact and discriminative representations of image data that are also well-suited for quantum reservoir computing. A key challenge in such systems is the non-differentiable nature of quantum measurements, which creates a 'gradient barrier' for standard training. We overcome this barrier by incorporating a differentiable surrogate model that emulates the quantum layer, enabling end-to-end backpropagation through the entire system. This guided training process is jointly optimized for classification accuracy and for faithful image recovery from the auto-encoder. The learned latent representations are encoded as pulse detuning parameters within a Rydberg Hamiltonian, and quantum embeddings are subsequently obtained through expectation values. These embeddings are then passed to a linear classifier. Our simulations show that this method outperforms some traditional approaches that use PCA or unguided autoencoders. We also conduct ablation studies to assess the impact of various quantum and training parameters, demonstrating the robustness and flexibility of our proposed pipeline for real-world medical imaging applications, even in the current NISQ era.
• Abstract（参考訳）: 医用画像分類のための中性原子貯水池計算に基づくハイブリッド量子古典パイプラインを導入し,ポリプ検出のバイナリ分類タスクに着目した。 高次元性に効果的に対処するために、ガイド付きオートエンコーダを統合する。 このパイプラインは、量子貯水池計算にも適している画像データのコンパクトで差別的な表現を学習する。 このようなシステムにおける重要な課題は、量子測定の微分不可能な性質である。 我々は、量子層をエミュレートし、システム全体を通してエンドツーエンドのバックプロパゲーションを可能にする、微分可能なサロゲートモデルを組み込むことで、この障壁を克服する。 このガイド付きトレーニングプロセスは、分類精度とオートエンコーダからの忠実な画像回復のために共同最適化される。 学習された潜在表現は、リドベルク・ハミルトニアン内のパルスデチューニングパラメータとして符号化され、量子埋め込みは期待値によって得られる。 これらの埋め込みは線形分類器に渡される。 本手法は,PCAや非誘導型オートエンコーダを用いた従来の手法よりも優れていることを示す。 我々はまた、様々な量子およびトレーニングパラメータの影響を評価するためのアブレーション研究を行い、現在のNISQ時代においても、実世界の医療画像への応用のために提案したパイプラインの堅牢性と柔軟性を実証している。

関連論文リスト

• Lightweight Quantum-Enhanced ResNet for Coronary Angiography Classification: A Hybrid Quantum-Classical Feature Enhancement Framework [0.0]
  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。
  論文  参考訳（メタデータ） (2026-01-22T11:15:18Z)
• 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)
• Pathology Image Compression with Pre-trained Autoencoders [52.208181380986524]
  デジタル病理学における全スライド画像は、記憶、伝達、計算効率の面で大きな課題をもたらす。 JPEGのような標準的な圧縮手法はファイルサイズを小さくするが、下流のタスクに不可欠な微細な表現型の詳細を保存できない。 本研究では,遅延拡散モデル用に設計されたオートエンコーダ(AE)を,病理画像の効率的な学習圧縮フレームワークとして再利用する。
  論文  参考訳（メタデータ） (2025-03-14T17:01:17Z)
• 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)
• 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)
• 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)
• 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)

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。