論文の概要: Enhancing Blood Cells Classification using Hybrid Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2605.23324v1
• Date: Fri, 22 May 2026 07:39:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.244993
• Title: Enhancing Blood Cells Classification using Hybrid Quantum Neural Networks
• Title（参考訳）: ハイブリッド量子ニューラルネットワークを用いた血液細胞分類の強化
• Authors: Guilherme Cruz, Nouhaila Innan, Alberto Marchisio, Gabriel Falcao, Muhammad Shafique,
• Abstract要約: 本稿では,事前学習したResNet-50バックボーンと低次元遅延ボトルネックと変動量子回路を組み合わせたモジュラーアーキテクチャを提案する。 HQNNは、評価指標間の優れた、あるいはよりバランスの取れたパフォーマンスを一貫して達成します。
• 参考スコア（独自算出の注目度）: 2.6922241225158774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate classification of microscopic blood cells is still a critical task in medical image analysis, where subtle variations and limited data can challenge conventional deep learning models. As such, we investigate in this work the potential of Hybrid Quantum-Classical Neural Networks (HQNNs) to enhance feature representation and improve classification performance in this domain. We propose a modular architecture combining a pre-trained ResNet-50 backbone with a low-dimensional latent bottleneck and a variational quantum circuit, enabling a direct comparison between quantum-enhanced and purely classical transformation mechanisms. To isolate the contribution of the quantum component, we evaluate three architectures: a HQNN model, a Classical Matched Model with an additional nonlinear transformation layer of comparable capacity, and a baseline model without an intermediate transformation stage. Experiments conducted on two publicly available blood cell datasets, namely the Blood Cell Images dataset and the PBC dataset, demonstrate that HQNNs consistently achieve superior or more balanced performance across evaluation metrics. In the Blood Cell Images Dataset, the proposed approach improves macro F1-score by up to 3.7% compared to classical baselines, while improving the F1-score from 98.54% to 98.69% in the more challenging 8-class scenario with near-saturated performance. Additional evaluation on IBM quantum hardware shows that the model remains robust under noise, with only a modest performance degradation relative to simulated results. These results indicate that quantum feature transformations can enhance discriminative representations, particularly in challenging classification scenarios, and highlight the practical potential of HQNN models for medical imaging tasks.
• Abstract（参考訳）: 微視的血液細胞の正確な分類は医療画像解析において依然として重要な課題であり、微妙な変化と限られたデータが従来のディープラーニングモデルに挑戦する可能性がある。 そこで本研究では,特徴表現の強化と分類性能の向上を目的として,Hybrid Quantum-Classical Neural Networks (HQNN) の可能性を検討する。 本稿では,事前学習したResNet-50バックボーンと低次元潜在ボトルネックと変分量子回路を組み合わせたモジュラーアーキテクチャを提案する。 量子成分の寄与を分離するために、HQNNモデル、同等容量の非線形変換層を付加した古典的マッチングモデル、中間変換段階のないベースラインモデルという3つのアーキテクチャを評価した。 Blood Cell ImagesデータセットとPBCデータセットという2つの公開可能な血液細胞データセットで実施された実験は、HQNNが評価指標全体で優れた、あるいはバランスの取れたパフォーマンスを一貫して達成していることを示している。 血液細胞画像データセットでは、提案手法は古典的なベースラインに比べてマクロF1スコアを最大3.7%改善し、F1スコアを98.54%から98.69%に改善する。 IBMの量子ハードウェアに関するさらなる評価は、モデルがノイズの下で頑健であり、シミュレーション結果に対してわずかにパフォーマンスが劣化していることを示している。 これらの結果は、量子特徴変換が差別的表現、特に難しい分類シナリオにおいて向上し、医療画像タスクのためのHQNNモデルの実用可能性を強調していることを示している。

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)
• Quantum Implicit Neural Representations for 3D Scene Reconstruction and Novel View Synthesis [42.13843953705695]
  入射神経表現(INR)は連続信号モデリングと3次元シーン再構成の強力なパラダイムとなっている。 ニューラルラディアンス場レンダリングのための最初のハイブリッド量子古典的フレームワークである量子ニューラルラディアンス場(Q-NeRF)を提案する。
  論文  参考訳（メタデータ） (2025-12-14T13:24:11Z)
• 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)
• HQCNN: A Hybrid Quantum-Classical Neural Network for Medical Image Classification [0.0]
  本稿では,二進分類と多進分類のための新しいハイブリッド量子古典ニューラルネットワーク(HQCNN)を提案する。 HQCNNのアーキテクチャは、5層の古典的畳み込みバックボーンと4ビットの変動量子回路を統合している。 このモデルを6つのMedMNIST v2ベンチマークデータセットで評価する。
  論文  参考訳（メタデータ） (2025-09-16T08:02:53Z)
• BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
  モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。 本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。 提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
  論文  参考訳（メタデータ） (2025-03-04T08:35:01Z)
• Lean classical-quantum hybrid neural network model for image classification [12.353900068459446]
  本稿では,変分回路の4層のみを用いて,効率的な分類性能を実現するLan Classical-Quantum Hybrid Neural Network (LCQHNN)を提案する。 我々の実験は、LCQHNNがMNIST、FashionMNIST、CIFAR-10データセットの100%、99.02%、85.55%の分類精度を達成することを示した。
  論文  参考訳（メタデータ） (2024-12-03T00:37:11Z)
• Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images [0.5892638927736115]
  本稿では,古典的・古典的ハイブリッド畳み込みニューラルネットワーク(CNN)と,ランダム化された古典的・量子的ニューラルネットワーク(NN)の性能を比較した。 これらのアプローチを,複雑性を増大させる3つのデータセット上で評価する。 クロスデータセット性能解析では、異なる分類タスク間の量子モデルの限られた転送可能性を示した。
  論文  参考訳（メタデータ） (2024-11-28T17:13:45Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• 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)

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。