CQ CNN: 一种基于扩散生成与U-Net分割3D MRI的阿尔茨海默病检测经典量子混合卷积神经网络
量子物理
2025-03-05 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
从临床MRI数据中检测阿尔茨海默病 (AD) 是医学成像领域的活跃研究方向。量子计算的最新进展，特别是参数化量子电路 (PQCs) 与经典机器学习架构的集成，为开发可能超越传统方法的模型提供了新机遇。然而，量子机器学习 (QML) 仍处于早期阶段，需要进一步的实验分析来更好地理解其行为与局限性。本文提出了一种端到端的经典量子混合卷积神经网络 (CQ CNN)，用于基于临床格式3D MRI数据的AD检测。我们的方法涉及开发一个使3D MRI数据可用于机器学习的框架，设计和训练一个脑组织分割模型 (Skull Net)，以及训练一个扩散模型来为少数类生成合成图像。我们的收敛模型展现出潜在的量子优势，在更少的epoch中实现了更高的准确率。所提出的beta8 3量子比特模型实现了97.50%的准确率，超越了现有最优 (SOTA) 模型，同时显著减少了计算资源需求。特别地，该架构仅包含13K参数 (0.48 MB)，与当前SOTA模型相比参数数量减少了超过99.99%。此外，用于训练量子模型的扩散生成数据与真实样本相结合，保持了临床结构标准，这在QML领域尚属首次。我们得出结论，CQCNN架构的模型若在梯度优化技术上进一步改进，可能成为AD检测的可行方案，甚至是在数据有限和资源受限的临床环境中的潜在替代方案。
引用
@article{arxiv.2503.02345,
title = {CQ CNN: A Hybrid Classical Quantum Convolutional Neural Network for Alzheimer's Disease Detection Using Diffusion Generated and U Net Segmented 3D MRI},
author = {Mominul Islam and Mohammad Junayed Hasan and M. R. C. Mahdy},
journal= {arXiv preprint arXiv:2503.02345},
year = {2025}
}
备注
Application of hybrid quantum-classical machine learning for (early stage) disease detection