用于冠状动脉造影分类的轻量级量子增强ResNet：一种混合量子-经典特征增强框架
量子物理
2026-01-28 v1 人工智能
机器学习
摘要
背景：冠状动脉造影（CAG）是评估冠状动脉狭窄并指导介入决策的基石性成像方式。然而，基于单帧造影图像的判读仍高度依赖于操作者，且传统深度学习模型在建模复杂血管形态与细粒度纹理模式方面仍面临挑战。方法：我们提出了一种轻量级量子增强ResNet（LQER），用于冠状动脉造影图像的二分类。采用预训练的ResNet18作为经典特征提取器，同时在高级语义特征空间引入参数化量子线路（PQC）以进行量子特征增强。量子模块利用数据重上传与纠缠结构，随后与经典特征进行残差融合，在严格受限的量子比特数量下实现端到端混合优化。结果：在独立测试集上，所提出的LQER在准确率、AUC和F1分数上均优于经典ResNet18基线，测试准确率超过90%。结果表明，轻量级量子特征增强提高了对阳性病变的区分能力，尤其是在类别不平衡条件下。结论：本研究验证了一种用于冠状动脉造影分析的实用混合量子-经典学习范式，为在医学成像应用中部署量子机器学习提供了可行途径。
引用
@article{arxiv.2601.18814,
title = {Lightweight Quantum-Enhanced ResNet for Coronary Angiography Classification: A Hybrid Quantum-Classical Feature Enhancement Framework},
author = {Jingsong Xia},
journal= {arXiv preprint arXiv:2601.18814},
year = {2026}
}