.png){kind=icon}
返回
Quantum splitting convolutional neural network-based distributed quantum disease detection model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131410.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子计算利用叠加和纠缠特性，能够从医学图像中实现高维特征提取，展示了其提升疾病检测准确率的潜力。然而，实际应用仍受限于当前量子硬件的性能瓶颈，并受到过多纠缠门操作的影响。本研究提出了一种基于量子分割卷积神经网络的分布式量子疾病检测（DQDD）模型。DQDD采用混合量子卷积神经网络（QCNN）捕获医学图像中的低维和高维特征。我们将量子电路分割技术引入模型，重构了一个5量子比特的8量子比特QCNN，同时减少了各子电路中的纠缠操作。该模型包含两个核心组件：为提取关键特征而设计的“信息蒸馏机制”（Information Distillation mechanism）和用于消除无关模式的“非显著性过滤机制”（Non-saliency Filtering mechanism）。这两个组件协同工作，促进在单个或多个量子计算设备上的并行计算。在ISIC2017和HAM10000皮肤癌数据集上的评估表明，本模型在皮肤癌检测中优于现有量子模型，且参数更少。通过在MedMNIST数据集上的跨域测试进一步验证了其卓越的泛化能力。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
Analyzing Quantum Feature Engineering and Balancing Strategies Effect on Liver Disease Classification分析量子特征工程与平衡策略对肝病分类的影响
PREAI
分享收藏A hybrid feature fusion deep learning framework for multi-source medical image analysis面向多源医学图像分析的混合特征融合深度学习框架
PREAI
分享收藏分享收藏
查看更多内容