利用混合量子神经网络提升血细胞分类性能
计算机视觉与模式识别
2026-05-25 v1 量子物理
摘要
微scopic血细胞的精确分类仍是医学图像分析中的关键任务，细微差异和有限数据量常挑战传统深度学习模型。因此，本文考察了混合量子-经典神经网络（HQNN）在该领域增强特征表示和提升分类性能的潜力。我们提出了一种模块化架构，将预训练的ResNet-50主干网络与低维潜在瓶颈相结合，再接上变分量子电路，从而实现对量子增强与纯经典变换机制的直接比较。为隔离量子组件的贡献，我们评估了三种架构：一种是HQNN模型，一种是带额外非线性变换层（容量相当）的经典匹配模型，以及一种无中间变换阶段的基线模型。在两个公开可用的血细胞数据集上进行实验，分别是血细胞图像数据集和PBC数据集，结果显示HQNN在评估指标上始终实现优异或更平衡的性能。在血细胞图像数据集中，所提出的方法相较于经典基线提高了最高3.7个百分点的宏F1分数；在更具挑战性的8类场景中，F1分数从98.54%提升至98.69%，接近饱和性能。此外，在IBM量子硬件上的额外评估表明，该模型在噪声环境下仍保持稳健，仅比模拟结果略有性能下降。这些结果表明，量子特征变换可提升判别性表征，尤其在具有挑战性的分类场景中，突显了HQNN模型在医学影像任务中的实际潜力。
引用
@article{arxiv.2605.23324,
title = {Enhancing Blood Cells Classification using Hybrid Quantum Neural Networks},
author = {Guilherme Cruz and Nouhaila Innan and Alberto Marchisio and Gabriel Falcao and Muhammad Shafique},
journal= {arXiv preprint arXiv:2605.23324},
year = {2026}
}
备注
11 pages, 13 figures