論文の概要: Generative Quantum Machine Learning Methods for Cancer Detection using Augmented Datasets

• arxiv url: http://arxiv.org/abs/2610.15110v1
• Date: Sat, 10 Oct 2026 18:33:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:32:05.109293
• Title: Generative Quantum Machine Learning Methods for Cancer Detection using Augmented Datasets
• Title（参考訳）: 拡張データセットを用いたがん検出のための生成量子機械学習手法
• Abstract要約: AI手法と画像データベースを用いたがん検出にはいくつかの課題がある。 制限付き不均衡なイメージデータセット、長いアルゴリズムトレーニング時間、高複雑さの特徴生成。 本稿では, 乳房超音波画像データセット(BUSI)に生成QML法を用いて合成画像を生成することを提案する。 特に、リアル、合成、およびリアルおよび合成画像の組み合わせで畳み込みニューラルネットワークを訓練する。
• 参考スコア（独自算出の注目度）: 2.990313798111672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer detection using AI methods and image databases faces several challenges, including limited and imbalanced image datasets, long algorithm training times, and high-complexity feature generation. In particular, many cancer image datasets contain very few malignant examples compared to benign ones, limiting the amount of minority-class data available for training. Although classical AI and especially deep learning methods have had some success in providing cancer diagnostics, Quantum Machine Learning (QML) methods may offer advantages through high-dimensional feature representations, generative data augmentation, and the exploitation of feature correlations through quantum properties such as entanglement. In this paper, we propose using a generative QML method on the compressed breast ultrasound image dataset (BUSI) to generate synthetic images and hence augmented datasets for classifier training. In particular, we train a convolutional neural network with real, synthetic, and a combination of real and synthetic images. We test the algorithm on real images and provide comparative results for all three training cases. Our results show that the classifier trained entirely on synthetic images achieved an AUC-ROC of 0.802 (80.2%), compared with 0.760 (76.0%) for the real-data baseline.
• Abstract（参考訳）: AIメソッドとイメージデータベースを使用したがん検出は、制限付き不均衡なイメージデータセット、長いアルゴリズムトレーニング時間、高複雑さの特徴生成など、いくつかの課題に直面している。 特に、多くのがん画像データセットは良性に比較して悪性例をほとんど含んでおらず、訓練に使えるマイノリティクラスデータの量を制限している。 古典的なAIや、特にディープラーニングの手法は、がんの診断を提供するのに多少成功したが、量子機械学習(QML)の手法は、高次元の特徴表現、生成データ拡張、およびエンタングルメントのような量子的性質による特徴相関の活用を通じて利点をもたらす可能性がある。 本稿では, 圧縮乳房超音波画像データセット(BUSI)に生成QML法を適用して, 合成画像を生成する。 特に、リアル、合成、およびリアルおよび合成画像の組み合わせで畳み込みニューラルネットワークを訓練する。 このアルゴリズムを実画像上でテストし,3つの訓練事例すべてに対して比較結果を提供する。 その結果,AUC-ROCは0.802 (80.2%) であり, 実データベースラインは0.760 (76.0%) であった。

関連論文リスト

• Generated Images Are Easier to Forget: A Machine Unlearning Perspective for Synthetic Image Detection [107.62647907393377]
  Webスケールデータセットに事前トレーニングされた大規模ビジョンモデル(LVM)は、例外的な一般化能力を示している。 1)データアクセスなしで未学習を誘発するデータフリー検出法,2)LVMを生成画像に関連付けられた未学習の知識に最適化するデータ駆動検出法,である。
  論文  参考訳（メタデータ） (2026-08-01T15:33:15Z)
• PixCell: A generative foundation model for digital histopathology images [49.00921097924924]
  PixCellは,病理組織学における最初の拡散ベース生成基盤モデルである。 われわれはPanCan-30MでPixCellをトレーニングした。
  論文  参考訳（メタデータ） (2025-06-05T15:14:32Z)
• CO-SPY: Combining Semantic and Pixel Features to Detect Synthetic Images by AI [58.35348718345307]
  実際の画像とAI生成画像を区別する現在の取り組みには、一般化が欠如している可能性がある。 既存のセマンティック機能を強化した新しいフレームワークCo-Spyを提案する。 また、5つの実画像データセットと22の最先端生成モデルからなる包括的データセットであるCo-Spy-Benchを作成します。
  論文  参考訳（メタデータ） (2025-03-24T01:59:29Z)
• Evaluation of Vision Transformers for Multimodal Image Classification: A Case Study on Brain, Lung, and Kidney Tumors [0.0]
  この研究は、MRIおよびCTスキャンのいくつかのデータセットにおいて、Swin TransformerやMaxViTを含むVision Transformersアーキテクチャのパフォーマンスを評価する。 その結果、Swin Transformerは高い精度を示し、個々のデータセットの平均で99%、組み合わせたデータセットで99.4%の精度を実現した。
  論文  参考訳（メタデータ） (2025-02-08T10:35:51Z)
• Local-to-Global Self-Supervised Representation Learning for Diabetic Retinopathy Grading [0.0]
  本研究では,自己指導型学習と知識蒸留を用いた新しいハイブリッド学習モデルを提案する。 我々のアルゴリズムでは、自己教師型学習および知識蒸留モデルの中で初めて、テストデータセットがトレーニングデータセットよりも50%大きい。 類似の最先端モデルと比較すると,より高精度で効率的な表現空間が得られた。
  論文  参考訳（メタデータ） (2024-10-01T15:19:16Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• 3-D PET Image Generation with tumour masks using TGAN [3.60592937283653]
  我々は,時間的GAN(TGAN)アーキテクチャを用いて,現実的な頭頸部PET画像を生成することができることを示す。 合成画像の有用性をテストするために,合成画像を用いたセグメンテーションモデルを訓練する。 その後、各データセットの区切られた腫瘍体積に対して様々な放射能特性が計算される。
  論文  参考訳（メタデータ） (2021-11-02T19:53:13Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。