受 qutrit 启发的全自监督浅层量子学习网络用于脑肿瘤分割
量子物理
2022-05-03 v1 计算机视觉与模式识别
摘要
经典自监督网络由于强制终止而存在收敛问题和分割精度下降。量子神经网络模型通常由量子比特或双能级量子位描述。本文提出一种新颖的自监督浅层学习网络模型,利用被称为量子全自监督神经网络(QFS-Net)的复杂三能级 qutrit 启发量子信息系统,用于脑 MR 图像的自动分割。QFS-Net 模型由通过参数化阿达马门使用 8 连通二阶邻域拓扑相互连接的 qutrit 分层结构三位一体组成。qutrit 状态的非线性变换使底层量子神经网络模型能够编码量子态,从而在无监督情况下实现这些态在层间的更快自组织反向传播。所提出的 QFS-Net 模型针对从 Nature 存储库收集的 Cancer Imaging Archive (TCIA) 数据集进行了定制和广泛验证,并与最先进的监督模型(U-Net 和 URes-Net 架构)以及自监督 QIS-Net 模型进行了比较。结果在骰子相似度和精度方面显示出有前景的肿瘤检测分割效果,且最少的人为干预和计算资源。
引用
@article{arxiv.2009.06767,
title = {Qutrit-inspired Fully Self-supervised Shallow Quantum Learning Network for Brain Tumor Segmentation},
author = {Debanjan Konar and Siddhartha Bhattacharyya and Bijaya K. Panigrahi and Elizabeth Behrman},
journal= {arXiv preprint arXiv:2009.06767},
year = {2022}
}