[논문 리뷰] Diabetic Retinopathy Detection Using Quantum Transfer Learning

Ankush Jain, Rinav Gupta외 1명|arXiv (Cornell University)|2024. 05. 02.

Retinal Imaging and Analysis인용 수 4

한 줄 요약

이 논문은 당뇨성 망막병증(DR) 진단을 위한 하이브리드 양자-고전적 전이 학습 모델을 제안한다. 사전 훈련된 ResNet 아키텍처를 사용해 특징을 추출하고, 변량 양자 분류기(variational quantum classifier)를 사용해 분류한다. 최적화된 양자 게이트를 사용한 Inception V3를 활용할 경우 최대 98.5%의 정확도를 기록하며, 고전적 모델 대비 양자 강화 성능을 입증한다.

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

연구 동기 및 목표

• 고전적 딥 러닝 모델이 복잡한 망막 병변에 대해 높은 유지보수 비용과 최적화되지 않은 성능을 보이는 데 기인한 한계를 해결하기 위해.
• 의료 영상 진단 정확도 향상을 위해 양자 컴퓨팅과 전이 학습의 통합을 탐색하기 위해.
• 다양한 DR 병변 유형을 동시에 국소화하고 다섯 단계의 DR 등급을 동시에 평가할 수 있는 완전 자동화된 시스템을 개발하기 위해.
• 다양한 게이트 세트(Hadamard, CNOT, RX, CZ 등)를 사용한 양자 회로가 분류 성능 향상에 미치는 영향을 평가하기 위해.
• 프로토타입 응용을 통해 양자 기계 학습이 임상 산모과학 분야에서 실용적으로 가능한지를 입증하기 위해.

제안 방법

• 전처리 단계에서는 APTOS 2019 실명 탐지 데이터셋의 망막 후면도 영상을 표준화된 입력 형식에 맞게 크기 조정한다.
• 초기 특징 추출을 위해 고전적 합성곱 신경망(ResNet18, ResNet34, ResNet50, ResNet101, ResNet152, Inception V3)을 사용한다.
• 최종 분류를 위해 변량 양자 분류기(VQC)를 활용하며, 양자 회로는 Hadamard, CNOT, RX, CZ, SWAP, CRX와 같은 매개변수 조절 가능한 양자 게이트로 구현된다.
• 양자 회로는 S 및 S†(디거) 게이트를 포함한 다양한 게이트 구성으로 최적화되어 성능에 미치는 영향을 평가한다.
• 하이브리드 모델은 고전적 특징과 양자 분류를 융합하여 양자 병렬성과 얽힘을 활용해 향상된 패턴 인식 성능를 달성한다.
• 정확도, 정밀도, 재현율, F1-스코어, 특이도 등의 표준 지표를 사용해 다양한 ResNet 및 양자 게이트 조합에 대한 성능을 평가한다.

Figure 1: Normal Eye Retina

실험 결과

연구 질문

• RQ1 양자 전이 학습이 고전적 전이 학습 모델 대비 당뇨성 망막병증 진단 정확도를 상당히 향상시킬 수 있는가?
• RQ2 다양한 양자 게이트 구성(Hadamard + CNOT 대비 RX + CRX 등)이 하이브리드 양자-고전 모델의 분류 성능에 어떤 영향을 미치는가?
• RQ3 사전 추출된 Deep ResNet 아키텍처의 특징에 대해 미세조정된 변량 양자 분류기가 고전적 분류기보다 얼마나 뛰어나게 성능을 발휘할 수 있는가?
• RQ4 제안된 하이브리드 모델은 다섯 단계의 다양한 DR 병변을 효과적으로 국소화하고 분류할 수 있는가?
• RQ5 현재의 양자 컴퓨팅 하드웨어는 이러한 모델을 실제 의료 영상 데이터셋에 구현할 때 어떤 실용적 한계를 지니는가?

주요 결과

• Inception V3를 기반으로 하고 양자 회로에 RX + CRX 게이트를 사용한 하이브리드 양자-고전 모델이 최고 98.5%의 정확도를 기록했다.
• 모든 고전적 모델 대비 뛰어난 성능을 보였으며, ResNet18만으로도 85.3%의 정확도를 기록한 반면, 양자 강화 버전은 97.2%의 정확도를 기록했다.
• 양자 회로에 RX 및 CRX 게이트를 사용한 구성이 모든 테스트 구성 중에서 가장 높은 F1-스코어(98.4%)와 정확도(98.5%)를 기록했다.
• 양자 분류를 고전적 모델에 통합함에 따라 정확도, F1-스코어, 정밀도, 재현율 등 모든 지표에서 일관된 향상이 관찰되었다.
• 최적화된 양자 게이트를 사용한 ResNet152를 특징 추출기로 활용한 제안된 시스템은 98.2%의 정확도와 98.3%의 F1-스코어를 달성했다.
• 본 연구는 양자 강화 전이 학습이 복잡하고 다단계적인 질환인 당뇨성 망막병증과 같은 의료 영상 진단 성능을 상당히 향상시킬 수 있음을 확인한다.

Figure 2: Infected Eye Retina