論文の概要: Superpixel-Based QUBO for Scalable Quantum-Enhanced Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2607.24288v1
- Date: Mon, 27 Jul 2026 11:37:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.40304
- Title: Superpixel-Based QUBO for Scalable Quantum-Enhanced Medical Image Segmentation
- Title（参考訳）: 拡張量子化医療画像分割のための超画素ベースQUBO
- Abstract要約: 二次的非拘束バイナリ最適化(QUBO)は、医療コンピューティング問題の強力なフレームワークとして登場した。
本稿では,医用画像のセグメンテーションにおいて示すように,階層的問題削減による課題に対処する。
超ピクセルベースのQUBOフレームワークは、単純な線形反復クラスタリングを用いて、ピクセルを知覚的に意味のある領域にグループ化する。
- 参考スコア（独自算出の注目度）: 4.308188815612659
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quadratic unconstrained binary optimization (QUBO) has emerged as a powerful framework for medical computing problems. Binary decision variables naturally represent clinical choices, making QUBO formulations well-suited for quantum annealing hardware. However, a fundamental scalability challenge limits practical deployment: problem size grows rapidly with input dimensionality, creating computational bottlenecks that restrict applications to simplified scenarios. This paper addresses this challenge through hierarchical problem reduction, as demonstrated in medical image segmentation, where pixel-level QUBO formulations create over 65,000 variables for a 256x256 image, forcing existing approaches to downsample to 42x42 resolution and discard 97% of pixel information. A superpixel-based QUBO framework is proposed using simple linear iterative clustering (SLIC) to group pixels into perceptually meaningful regions, then formulate segmentation as QUBO over a region adjacency graph (RAG) combining min-cut and smoothness objectives. Validation on INbreast mammography breast cancer images demonstrates a 4.2% improvement in segmentation quality (mean IoU 0.76 vs 0.73) with 33 computational speedup (0.67s vs 21.97s) and a 97.3% reduction in problem size (1764 to 48 variables), all achieved while processing full-resolution images rather than downsampled versions. The reduced problem size also fits well within current quantum annealer connectivity limits, removing the embedding overhead that has historically blocked direct deployment of pixel-level QUBO segmentation on quantum hardware.
- Abstract（参考訳）: 二次的非拘束バイナリ最適化(QUBO)は、医療コンピューティング問題の強力なフレームワークとして登場した。
バイナリ決定変数は自然に臨床選択を表し、QUBOの定式化は量子アニールハードウェアに適している。
問題のサイズは入力次元によって急速に増大し、単純化されたシナリオにアプリケーションを制限する計算のボトルネックを生み出します。
医用画像セグメンテーションにおいて, 256x256画像に対して, 画素レベルのQUBO定式化で65,000変数が生成され, 既存のアプローチでは42x42解像度にダウンサンプルし, 97%の画素情報を破棄するという, この課題に対処する。
スーパーピクセルベースのQUBOフレームワークは,単純な線形反復クラスタリング(SLIC)を用いて知覚的に意味のある領域に画素を分類し,最小カットと滑らかさの目的を組み合わせた領域隣接グラフ(RAG)上のQUBOとしてセグメンテーションを定式化する。
Inbreast mmography 乳がん画像のバリデーションでは、セグメンテーションの品質が4.2%向上し(平均IoU 0.76 vs 0.73)、33の計算スピードアップ(0.67s vs 21.97s)、問題サイズが97.3%減少した(1764から48変数)。
問題の縮小は現在の量子アニール接続限界にも適しており、歴史的に量子ハードウェアへのピクセルレベルのQUBOセグメンテーションの直接配置をブロックした埋め込みオーバーヘッドを取り除く。
関連論文リスト
- Square Superpixel Generation and Representation Learning via Granular Ball Computing [97.99956628286243]
スーパーピクセルは、オブジェクト境界と局所構造を保存する、コンパクトな領域ベースの表現を提供する。
既存のスーパーピクセルアルゴリズムの多くは不規則な形状の領域を生成しており、畳み込みのような通常の演算子とうまく一致しない。
グラニュラル・ボール・コンピューティングの適応表現とカバレッジ特性に動機付けられて,正方形スーパーピクセル・ジェネレーション・アプローチを開発した。
論文 参考訳（メタデータ） (2026-03-31T09:06:58Z) - Generative Latent Coding for Ultra-Low Bitrate Image Compression [61.71793017252801]
本稿では,生成ベクトル量子化変分自動エンコーダ(VQ-VAE)の潜時空間で変換符号化を行う生成潜時符号化アーキテクチャを提案する。
生成潜伏空間は、より空間性が高く、より豊かな意味を持ち、人間の知覚との整合性が良く、高現実性および高忠実性圧縮を達成するのに有利である。
論文 参考訳（メタデータ） (2025-12-23T09:35:40Z) - Superpixel Boundary Correction for Weakly-Supervised Semantic Segmentation on Histopathology Images [12.002538365135642]
弱教師付きセマンティックセグメンテーション (WSSS) は、ピクセルレベルのものの代わりに画像レベルのラベルを使用することで、アノテーションの要求を減らす。
クラスアクティベーションマップ(CAM)ベースの手法は依然として空間分解能が低く、境界が不明瞭である。
本稿では,スーパーピクセルクラスタリングとフラッドフィルを用いてCAM境界を改良するマルチレベルスーパーピクセル補正アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-01-07T15:54:03Z) - Accelerating Image Super-Resolution Networks with Pixel-Level Classification [29.010136088811137]
Pixel-level for Single Image SuperResolutionは、ピクセルレベルで計算資源を適応的に分配する新しい手法である。
提案手法では,再学習を伴わない推論における性能と計算コストのバランスが可能である。
論文 参考訳（メタデータ） (2024-07-31T08:53:10Z) - Accurate Gigapixel Crowd Counting by Iterative Zooming and Refinement [90.76576712433595]
GigaZoomは画像の最も密度の高い領域を反復的にズームし、より詳細な粗い密度マップを洗練します。
ギガZoomは,ギガピクセルの群衆計数のための最先端技術を取得し,次のベストメソッドの精度を42%向上させることを示す。
論文 参考訳（メタデータ） (2023-05-16T08:25:27Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - Class Balanced PixelNet for Neurological Image Segmentation [20.56747443955369]
画素レベルの畳み込みニューラルネットワーク(CNN)を用いた自動脳腫瘍分割法(PixelNetなど)を提案する。
提案モデルは脳腫瘍と虚血性脳梗塞のセグメンテーションデータセットにおいて有望な結果を得た。
論文 参考訳（メタデータ） (2022-04-23T10:57:54Z) - Generating Superpixels for High-resolution Images with Decoupled Patch
Calibration [82.21559299694555]
Patch Networks (PCNet) は高解像度のスーパーピクセルセグメンテーションを効率的かつ正確に実装するように設計されている。
DPCは高解像度画像から局所パッチを取得し、動的にバイナリマスクを生成し、ネットワークを領域境界に集中させる。
特に、DPCは高解像度画像からローカルパッチを取り、動的にバイナリマスクを生成して、ネットワークを領域境界に集中させる。
論文 参考訳（メタデータ） (2021-08-19T10:33:05Z) - Superpixel Segmentation Based on Spatially Constrained Subspace
Clustering [57.76302397774641]
独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。
従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。
本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
論文 参考訳（メタデータ） (2020-12-11T06:18:36Z) - Robust superpixels using color and contour features along linear path [5.746869663956391]
リニアパス(SCALP)を用いた輪郭アヒーレンス付き高精度で正規なスーパーピクセルを提供するフレームワークを提案する。
また、画素をスーパーピクセルに関連付ける際に、画像境界の交差を防止するために、輪郭前も使用される。
SCALPは、標準セグメンテーションデータセット上で広範囲に評価され、得られた結果は最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2019-03-17T23:00:13Z)
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。