[논문 리뷰] Hybrid Classical-Quantum method for Diabetic Foot Ulcer Classification

Azadeh Alavi, Hossein Akhoundi|arXiv (Cornell University)|2021. 10. 05.

Spectroscopy Techniques in Biomedical and Chemical Research참고 문헌 14인용 수 4

한 줄 요약

이 논문은 전이 학습과 다중 클래스 변동형 양자 회로를 조합한 하이브리드 고전-양자 분류기(CQC)를 제안하여 당뇨병성 발부상(DFU) 분류를 수행한다. 수정된 Xception 네트워크를 미세 조정하여 깊은 특징을 추출하고, 이를 각 클래스별로 개별적인 변동형 양자 회로에 입력함으로써, DFUC2021 블라인드 테스트 세트에서 매크로 F1 점수 0.5587(고전적 전이 학습 대비 4.2% 절대 향상, 0.5067 대비)과 모든 클래스에서 높은 AUC를 기록하여 고전적 전이 학습보다 뛰어난 성능을 입증한다.

ABSTRACT

Diabetes is a raising problem that affects many people globally. Diabetic patients are at risk of developing foot ulcer that usually leads to limb amputation, causing significant morbidity, and psychological distress. In order to develop a self monitoring mobile application, it is necessary to be able to classify such ulcers into either of the following classes: Infection, Ischaemia, None, or Both. In this work, we compare the performance of a classical transfer-learning-based method, with the performance of a hybrid classical-quantum Classifier on diabetic foot ulcer classification task. As such, we merge the pre-trained Xception network with a multi-class variational classifier. Thus, after modifying and re-training the Xception network, we extract the output of a mid-layer and employ it as deep-features presenters of the given images. Finally, we use those deep-features to train multi-class variational classifier, where each classifier is implemented on an individual variational circuit. The method is then evaluated on the blind test set DFUC2021. The results proves that our proposed hybrid classical-quantum Classifier leads to considerable improvement compared to solely relying on transfer learning concept through training the modified version of Xception network.

연구 동기 및 목표

• 조기 진단이 이루어지지 않을 경우 절단으로 이어질 수 있는 당뇨병성 발부상의 조기 탐지 문제를 해결하기 위해.
• 4가지 클래스인 감염, 혈행장애, 둘 다, 또는 없음으로 분류할 수 있는 자가 모니터링 모바일 애플리케이션을 개발하기 위해.
• 고전적 전이 학습 기반 모델과 비교하여 하이브리드 고전-양자 분류기(CQC)의 성능을 평가하기 위해.
• 실제 임상 데이터를 활용하여 양자 기반 기계 학습을 의료 영상 분석에 통합할 수 있는 가능성을 탐색하기 위해.

제안 방법

• 다중 클래스 DFU 분류를 위해 최종 레이어를 교체하고, 128개 및 2개의 유닛을 가진 두 개의 완전 연결 레이어를 추가하여 ImageNet 가중치를 가진 사전 훈련된 Xception 네트워크를 미세 조정한다.
• 미세 조정된 Xception 네트워크의 'dense-2' 레이어(128차원 벡터)에서 깊은 특징을 추출하여 이미지 표현으로 사용한다.
• 4개의 별도의 변동형 양자 회로를 사용하여 다중 클래스 변동형 양자 분류기를 구현하며, 각 회로는 4개의 DFU 클래스에 대한 일대다 분류기로 대응한다.
• 회전 게이트(RX, RY, RZ)와 CNOT 얽힘 게이트를 사용하여 양자 회로를 구성하고, 기울기 기반 훈련을 통해 파라미터를 최적화한다.
• 모든 클래스에서의 잘못된 분류를 최소화하기 위해 마진 손실 함수를 사용하여 양자 분류기를 훈련하며, 점수는 [-1, 1] 범위로 정규화한다.
• Xception의 미세 조정 동안 검증 손실을 기반으로, 양자 분류기 훈련 동안 분류 정확도를 기반으로 조기 정지 기법을 적용한다.

실험 결과

연구 질문

• RQ1 하이브리드 고전-양자 분류기가 당뇨병성 발부상의 4가지 다른 카테고리로 분류하는 데 있어 고전적 전이 학습 모델을 능가할 수 있는가?
• RQ2 사전 훈련된 컨volutional 신경망과의 융합이 의료 영상 분류 작업에서 양자 기반 기계 학습의 성능에 어떤 영향을 미치는가?
• RQ3 학습 목표(정확도 대비 검증 손실)의 선택이 하이브리드 양자-고전 프레임워크에서 모델 일반화에 어떤 영향을 미치는가?
• RQ4 기초적인 변동형 양자 회로가 실생활 의료 영상 기준 평가에서 고전 모델 대비 의미 있는 성능 향상을 달성할 수 있는가?

주요 결과

• 제안된 하이브리드 CQC 방법은 DFUC2021 블라인드 테스트 세트에서 매크로 F1 점수 0.5587을 기록하여 수정된 Xception 모델의 매크로 F1 점수 0.5067 대비 4.2% 절대 향상된 성과를 보였다.
• CQC 모델은 모든 클래스에서 높은 AUC 점수를 기록했으며, 각각 '둘 다'(0.7344), '없음'(0.7282), '감염'(0.6743), '혈행장애'(0.7163)였고, Xception의 0.6483, 0.7215, 0.6438, 0.7331과 비교하여 높았다.
• 성능 향상은 특히 '둘 다'와 '감염' 클래스에서 가장 두드러졌으며, 이는 복잡하거나 겹치는 병리학적 특징을 더 잘 구분할 수 있음을 시사한다.
• 양자 단계에서 분류 정확도를 기반으로 조기 정지를 적용한 반면, 고전 단계에서는 검증 손실을 사용하여 '혈행장애' 클래스에서 성능이 다소 떨어진 것으로 보이며, 이는 이에 기인한 것으로 분석된다.
• 결과적으로, 양자 강화 특징 표현이 고전적 전이 학습을 초월하여 분류 성능을 향상시킬 수 있으며, 특히 적절한 정규화와 학습 목표와의 조합에서 그러한 효과가 두드러진다.
• 이 연구는 하이브리드 양자-고전 모델이 의료 영상 분석에서 잠재력을 지닌다는 것을 확인했지만, 향후 양자 회로 설계 및 훈련 프로토콜의 최적화가 더 필요하다.