Quantum-enhanced unsupervised image segmentation for medical images analysis

要約

乳がんは依然として世界中の女性のがん関連死亡の主な原因であり、異常な病変を特徴付けるために放射線科医によるマンモグラムの綿密な検査が必要です。
この手動プロセスは高い精度を必要とし、多くの場合、時間とコストがかかり、エラーが発生しやすくなります。
人工知能を使用した自動画像セグメンテーションは、このワークフローを合理化する有望な代替手段を提供します。
ただし、既存の手法のほとんどは監視されており、常に利用できるわけではない、専門的に注釈が付けられた大規模なデータセットが必要であり、一般化に関する重大な問題が発生します。
したがって、教師なし学習モデルを画像セグメンテーションに活用できますが、精度が低下するか、または大量の計算リソースが必要になります。
この論文では、性能精度と計算要件のバランスをとった教師なしマンモグラフィ医用画像セグメンテーションのための、最初のエンドツーエンドの量子強化フレームワークを提案します。
まず、セグメンテーション マスクの初期近似として機能する、量子にヒントを得た画像表現を導入します。
次に、セグメンテーション タスクは QUBO 問題として定式化され、背景と腫瘍領域の間のコントラストを最大化しながら、接続されたコンポーネントが最小限に抑えられた凝集性のあるセグメンテーション マスクを確保することを目的としています。
私たちは、量子および量子にインスピレーションを得た画像セグメンテーション手法の広範な評価を実施し、量子アニーリングと変分量子回路が古典的な最適化手法に匹敵するパフォーマンスを達成することを実証しました。
特に、私たちの実験では、量子アニーリングは古典的な最適化手法よりも一桁速いことが示されています。
私たちの調査結果は、このフレームワークが UNet ベースのアーキテクチャを含む最先端の教師あり手法に匹敵するパフォーマンスを達成し、乳がん画像セグメンテーションの実行可能な教師なし代替手段を提供することを示しています。

要約(オリジナル)

Breast cancer remains the leading cause of cancer-related mortality among women worldwide, necessitating the meticulous examination of mammograms by radiologists to characterize abnormal lesions. This manual process demands high accuracy and is often time-consuming, costly, and error-prone. Automated image segmentation using artificial intelligence offers a promising alternative to streamline this workflow. However, most existing methods are supervised, requiring large, expertly annotated datasets that are not always available, and they experience significant generalization issues. Thus, unsupervised learning models can be leveraged for image segmentation, but they come at a cost of reduced accuracy, or require extensive computational resourcess. In this paper, we propose the first end-to-end quantum-enhanced framework for unsupervised mammography medical images segmentation that balances between performance accuracy and computational requirements. We first introduce a quantum-inspired image representation that serves as an initial approximation of the segmentation mask. The segmentation task is then formulated as a QUBO problem, aiming to maximize the contrast between the background and the tumor region while ensuring a cohesive segmentation mask with minimal connected components. We conduct an extensive evaluation of quantum and quantum-inspired methods for image segmentation, demonstrating that quantum annealing and variational quantum circuits achieve performance comparable to classical optimization techniques. Notably, quantum annealing is shown to be an order of magnitude faster than the classical optimization method in our experiments. Our findings demonstrate that this framework achieves performance comparable to state-of-the-art supervised methods, including UNet-based architectures, offering a viable unsupervised alternative for breast cancer image segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google