論文の概要: QuantumBoostNet: A Hybrid Classical-Quantum Architecture for Enhanced Accuracy in Cardiac Ultrasound View Identification

• arxiv url: http://arxiv.org/abs/2608.27302v1
• Date: Thu, 27 Aug 2026 16:06:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.482607
• Title: QuantumBoostNet: A Hybrid Classical-Quantum Architecture for Enhanced Accuracy in Cardiac Ultrasound View Identification
• Title（参考訳）: QuantumBoostNet: 心エコービュー同定における精度向上のためのハイブリッド古典量子アーキテクチャ
• Abstract要約: QuantumBoostNetは、古典的量子ハイブリッドアーキテクチャである。 心臓超音波検査では、最先端の古典的およびハイブリッドな古典的量子モデルよりも一貫して優れている。 これらの知見は、医療用医用イメージング用ハイブリッド古典量子モデルの開発を継続する上で有効である。
• 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: Accurate identification of the correct view or angle in cardiac ultrasound (echocardiogram) is a critical component of cardiologic imaging. This step is essential for precise anatomical interpretation, reliable measurement, and the reduction of clinical errors. Although computer vision has advanced significantly, most state-of-the-art models perform well on standard benchmarks but often yield suboptimal results in specialized medical imaging tasks due to the high level of noise present in the data. QuantumBoostNet, a hybrid classical-quantum architecture, is introduced to address these challenges. This model integrates a classical backbone with two heads: one classical and one quantum, with the quantum head implemented as a parametrized 10-qubit quantum circuit. Training occurs in two stages, with an adaptive transition between heads governed by a mixing parameter that monitors loss dynamics. Extensive experiments indicate that, despite the limited number of qubits that can be simulated, QuantumBoostNet consistently outperforms state-of-the-art classical and hybrid classical-quantum models in cardiac ultrasound view identification, achieving a relative improvement over the best competitor. QuantumBoostNet also demonstrates superior performance on established image classification benchmarks and exhibits robustness to noise. These findings support the continued development of hybrid classical-quantum models for specialized medical imaging applications.
• Abstract（参考訳）: 心エコー法(心エコー法)における正しい視線や角度の正確な同定は、心臓画像の重要な要素である。 このステップは、正確な解剖学的解釈、信頼性の測定、臨床エラーの低減に不可欠である。 コンピュータビジョンは著しく進歩しているが、ほとんどの最先端モデルは標準ベンチマークでよく機能するが、データに高レベルのノイズがあるため、特殊な医療画像タスクにおいて、しばしば準最適結果をもたらす。 ハイブリッド古典量子アーキテクチャであるQuantumBoostNetは、これらの課題に対処するために導入された。 このモデルは古典的バックボーンを2つの頭、古典的1つと量子的1つに統合し、量子ヘッドはパラメタライズされた10量子ビット量子回路として実装される。 トレーニングは2段階で行われ、損失ダイナミクスを監視するミキシングパラメータによって支配されるヘッド間の適応的な遷移がある。 拡張実験は、シミュレーション可能な量子ビットの数が限られているにもかかわらず、QuantumBoostNetは、最先端の古典的およびハイブリッドな古典的量子モデルを心臓超音波の視認において一貫して上回り、最高の競合相手よりも相対的に改善していることを示している。 QuantumBoostNetは、確立された画像分類ベンチマークよりも優れたパフォーマンスを示し、ノイズに対する堅牢性を示す。 これらの知見は、医療用医用イメージング用ハイブリッド古典量子モデルの開発を継続する上で有効である。

関連論文リスト

• Do emulated quantum circuits change what CNNs look at? Performance and explainability comparison in medical image classification [0.879504058268139]
  本研究では, 量子回路の小型化が複雑モデルにおいて有意義な役割を果たすかどうかを考察する。 本稿では、パラメータマッチング型古典畳み込みニューラルネットワーク(CNN)と比較して、ハイブリッド量子インスパイアされた畳み込みニューラルネットワーク(HQiCNN)の有効性に関する体系的研究を行う。 HQiCNNは中間データレシエーションで最大のゲインを達成し、CNNは両方のデータセットで最大のトレーニングセットで最高のアキュラティに達する。
  論文  参考訳（メタデータ） (2026-07-23T11:15:35Z)
• Quantum-classical crossover in fault-tolerant quantum dynamics simulation [56.198154828333685]
  我々は、コヒーレントな観測可能推定と非クリフォード回転の時空間効率実装を組み合わせたスケーラブルなフォールトトレラントフレームワークを提案する。 最先端テンソルネットワークと変分モンテカルロアルゴリズムに対するベンチマークでは、混合場イジングダイナミクスのための具体的なクロスオーバーが明らかにされている。
  論文  参考訳（メタデータ） (2026-07-17T16:54:25Z)
• 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)
• 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)
• 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)
• Low Cost Bayesian Experimental Design for Quantum Frequency Estimation with Decoherence [45.74830585715129]
  WES: 低コスト適応型ベイズ実験設計のためのウィンドウ拡張戦略を紹介する。 我々は、最適化のオーバーヘッドを低く抑え、スケーリング問題を抑え、高い並列性を実現するために、実証的なコスト削減技術を採用している。 数値シミュレーションにより、WESはハイゼンベルク限界を飽和させ、最も信頼性の高い性能と学習速度を提供することが示された。
  論文  参考訳（メタデータ） (2025-08-09T23:41:58Z)
• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• 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)
• HQViT: Hybrid Quantum Vision Transformer for Image Classification [48.72766405978677]
  本稿では,モデル性能を向上しつつ,モデルトレーニングを高速化するHybrid Quantum Vision Transformer(HQViT)を提案する。 HQViTは振幅エンコーディングによる全画像処理を導入し、位置エンコーディングを追加せずにグローバルな画像情報をよりよく保存する。 様々なコンピュータビジョンデータセットの実験により、HQViTは既存のモデルよりも優れており、最大10.9%(MNIST 10-classification task)の改善を実現している。
  論文  参考訳（メタデータ） (2025-04-03T16:13:34Z)
• Digital-analog quantum convolutional neural networks for image classification [3.7691369315275693]
  我々は、中性原子量子プロセッサにおけるネイティブIsing相互作用から生じる多部結合アナログブロックについて考察する。 ハードウェアの制約に応じて量子ビット接続を可変させることにより、複数の量子カーネルを適用する。 非トレーニング可能な量子カーネルと標準的な畳み込みニューラルネットワークを組み合わせたアーキテクチャは、現実的な医療画像の分類に使用される。
  論文  参考訳（メタデータ） (2024-05-01T14:43:20Z)
• 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)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• 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)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)

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。