基于自监督对比学习与量子增强特征建模的轻量级医学图像分类框架
计算机视觉与模式识别
2026-01-26 v1 机器学习
摘要
智能医学图像分析是临床决策支持的关键任务，但常受标注稀缺、计算资源受限以及模型泛化性不足的限制。为此，我们提出一种轻量级医学图像分类框架，集成自监督对比学习与量子增强特征建模。采用 MobileNetV2 作为紧凑型骨干网络，并基于 SimCLR 风格的自监督范式在无标签图像上进行预训练。嵌入轻量参数量子电路 (PQC) 作为量子特征增强模块，构建混合经典-量子体系结构，在有限标注数据上进行微调。实验结果表明，仅需约 2-3 百万参数且计算成本低，该方法在准确率 (Accuracy)、AUC 和 F1-score 等指标上持续优于无自监督学习或量子增强的经典基线方法。特征可视化进一步表明判别性和表示稳定性得到提升。总体而言，本工作为资源受限环境下的高性能医学人工智能提供了一种实用且前瞻的解决方案。
引用
@article{arxiv.2601.16608,
title = {A Lightweight Medical Image Classification Framework via Self-Supervised Contrastive Learning and Quantum-Enhanced Feature Modeling},
author = {Jingsong Xia and Siqi Wang},
journal= {arXiv preprint arXiv:2601.16608},
year = {2026}
}