[論文レビュー] Diabetic Retinopathy Detection Using Quantum Transfer Learning

Ankush Jain, Rinav Gupta+1 more|arXiv (Cornell University)|May 2, 2024

Retinal Imaging and Analysis被引用数 4

ひとこと要約

本稿では、糖尿病網膜症（DR）検出のためのハイブリッド量子古典的転移学習モデルを提案する。事前学習済みのResNetアーキテクチャを特徴抽出に、変分量子分類器を分類に用いる。最適化された量子ゲートを用いたInception V3を用いることで、最大98.5％の正確性を達成し、古典的モデルに比べて量子強化された性能を示した。

ABSTRACT

Diabetic Retinopathy (DR), a prevalent complication in diabetes patients, can lead to vision impairment due to lesions formed on the retina. Detecting DR at an advanced stage often results in irreversible blindness. The traditional process of diagnosing DR through retina fundus images by ophthalmologists is not only time-intensive but also expensive. While classical transfer learning models have been widely adopted for computer-aided detection of DR, their high maintenance costs can hinder their detection efficiency. In contrast, Quantum Transfer Learning offers a more effective solution to this challenge. This approach is notably advantageous because it operates on heuristic principles, making it highly optimized for the task. Our proposed methodology leverages this hybrid quantum transfer learning technique to detect DR. To construct our model, we utilize the APTOS 2019 Blindness Detection dataset, available on Kaggle. We employ the ResNet-18, ResNet34, ResNet50, ResNet101, ResNet152 and Inception V3, pre-trained classical neural networks, for the initial feature extraction. For the classification stage, we use a Variational Quantum Classifier. Our hybrid quantum model has shown remarkable results, achieving an accuracy of 97% for ResNet-18. This demonstrates that quantum computing, when integrated with quantum machine learning, can perform tasks with a level of power and efficiency unattainable by classical computers alone. By harnessing these advanced technologies, we can significantly improve the detection and diagnosis of Diabetic Retinopathy, potentially saving many from the risk of blindness. Keywords: Diabetic Retinopathy, Quantum Transfer Learning, Deep Learning

研究の動機と目的

• 古典的ディープラーニングモデルがDR検出において直面する限界、すなわち高い保守コストと複雑な網膜病変における最適でない性能を是正すること。
• 量子コンピューティングと転移学習の統合を検討し、医療画像における診断正確性の向上を図ること。
• 複数のDR病変タイプを同時に局在化し、5段階のDRグレーディングを実行できる完全自動化されたシステムの開発。
• 異なるゲートセット（例：アダマール、CNOT、RX、CZ）を用いた量子回路が分類性能に与える影響を評価すること。
• プロトタイプアプリケーションを通じて、臨床的眼科分野における量子機械学習の実用的妥当性を示すこと。

提案手法

• 前処理では、APTOS 2019 盲目的検出データセットの網膜フンダス画像を標準化された入力にリサイズする。
• 初期特徴抽出には、古典的畳み込みニューラルネットワーク（ResNet18, ResNet34, ResNet50, ResNet101, ResNet152, Inception V3）を用いる。
• 最終分類には変分量子分類器（VQC）を採用し、アダマール、CNOT、RX、CZ、SWAP、CRXなどのパラメトリック量子ゲートを用いて量子回路を実装する。
• 量子回路は、SおよびS†（ダガー）ゲートを含む異なるゲート構成を用いて最適化され、モデル性能に与える影響を評価する。
• ハイブリッドモデルは、古典的特徴と量子分類を統合し、量子並列性ともつれを活用してパターン認識を強化する。
• 標準指標を用いて性能を評価する：複数のResNetと量子ゲートの組み合わせにおける正確性、適合率、再現率、F1スコア、特異度。

Figure 1: Normal Eye Retina

実験結果

リサーチクエスチョン

• RQ1 量子転移学習は、古典的転移学習モデルと比較して、糖尿病網膜症検出の正確性を顕著に向上させることができるか？
• RQ2 異なる量子ゲート構成（例：アダマール＋CNOT と RX＋CRX）は、ハイブリッド量子古典モデルの分類性能にどのように影響するか？
• RQ3 事前に抽出された深層ResNetアーキテクチャからの特徴にファインチューニングされた場合、変分量子分類器は古典的分類器をどの程度上回るか？
• RQ4 提案されたハイブリッドモデルは、5段階に分かれる異なるDR病変タイプを効果的に局在化・分類できるか？
• RQ5 現在の量子コンピューティングハードウェアの実用的限界は、このようなモデルを実世界の医療画像データセットに展開する上でどのような影響を及えるか？

主な発見

• ハイブリッド量子古典モデルは、バックボーンにInception V3、量子回路にRX＋CRXゲートを用いることで、ピーク正確性98.5％を達成した。
• すべての古典的対応モデルを上回り、ResNet18単体では85.3％の正確性であったのに対し、量子強化版では97.2％に向上した。
• 量子回路にRXおよびCRXゲートを用いることで、全テスト構成の中で最高のF1スコア（98.4％）と正確性（98.5％）を達成した。
• 量子分類を古典モデルに統合することで、正確性、F1スコア、適合率、再現率のすべての指標で一貫した向上が見られた。
• 最適化された量子ゲートを用いたResNet152を特徴抽出器として用いることで、98.2％の正確性と98.3％のF1スコアを達成した。
• 本研究は、量子強化された転移学習が、糖尿病網膜症のような複雑で多段階の疾患において、診断性能を顕著に向上させられることを確認した。

Figure 2: Infected Eye Retina