[論文レビュー] Hybrid Classical-Quantum method for Diabetic Foot Ulcer Classification

Azadeh Alavi, Hossein Akhoundi|arXiv (Cornell University)|Oct 5, 2021

Spectroscopy Techniques in Biomedical and Chemical Research参考文献 14被引用数 4

ひとこと要約

本論文は、転移学習とマルチクラス変動量子回路を組み合わせたハイブリッド古典量子分類器（CQC）を提案し、糖尿病性足部潰瘍（DFU）の分類に応用する。微調整された変更版Xceptionネットワークを用いて深層特徴を抽出し、各クラスごとに個別の変動量子回路に供給することで、DFUC2021の盲検査セットにおいて、マクロF1スコアが0.5587（古典的転移学習のみの結果：0.5067）で4.2%の絶対的向上を達成し、全クラスで高いAUCを示した。これは、単独の古典的転移学習に比べて優れた性能を示している。

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.

研究の動機と目的

• 糖尿病性足部潰瘍の早期発見の課題に対処すること。早期に診断されない場合、切断に至る可能性がある。
• 4つのカテゴリ（感染症、虚血、両者、なし）に分類できる自己モニタリング型モバイルアプリケーションの開発。
• DFU画像分類におけるハイブリッド古典量子分類器（CQC）の性能を、古典的転移学習ベースラインと比較して評価すること。
• 実臨床データを用いた医療画像解析における量子機械学習の統合可能性を検討すること。

提案手法

• ImageNetの重みを用いた事前学習済みXceptionネットワークを、最終層を置き換え、全結合層（128および2ユニット）を追加することで、マルチクラスDFU分類用に微調整する。
• 微調整済みXceptionネットワークの'dense-2'層（128次元ベクトル）から深層特徴を抽出し、画像表現とする。
• 4つのクラスそれぞれに対応する1対すべての分類器として機能する4つの別個の変動量子回路を用いて、マルチクラス変動量子分類器を実装する。
• 回転ゲート（RX、RY、RZ）とCNOTエンタングルメントゲートを用いて量子回路を構築し、勾配ベースの最適化によりパラメータを最適化する。
• すべてのクラスにおける誤分類を最小化するため、マージナル損失関数を用いて量子分類器を訓練する。スコアは[-1, 1]に正規化する。
• Xceptionの微調整段階では検証損失を、量子分類器の訓練段階では分類精度に基づいて早期停止を適用する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド古典量子分類器は、4つの異なるカテゴリに分類する糖尿病性足部潰瘍に対して、古典的転移学習モデルを上回る性能を示せるか？
• RQ2 事前学習済み畳み込みニューラルネットワークと量子機械学習を統合することで、医療画像分類タスクの性能にどのような影響を与えるか？
• RQ3 訓練目的（精度対検証損失）の選択が、ハイブリッド量子古典フレームワークにおけるモデルの一般化性能に与える影響は何か？
• RQ4 実世界の医療画像ベンチマークにおいて、基本的な変動量子回路が古典モデルに比べて有意義な性能向上を達成できる程度はどの程度か？

主な発見

• 提案されたハイブリッドCQC手法は、DFUC2021の盲検査セットでマクロF1スコア0.5587を達成し、変更版XceptionモデルのマクロF1スコア0.5067に対して4.2%の絶対的向上を示した。
• CQCモデルは全クラスで高いAUCスコアを達成した：両者（0.7344）、なし（0.7282）、感染症（0.6743）、虚血（0.7163）で、Xceptionの0.6483、0.7215、0.6438、0.7331と比較して優れている。
• 特に『両者』および『感染症』クラスにおいて改善が顕著で、複雑または重複する病態の識別が向上していることが示唆された。
• 『虚血』クラスではXceptionに比べてやや性能が低く、これは量子段階で分類精度を早期停止の基準として使用したのに対し、古典段階では検証損失を用いたためと推定される。
• 結果から、量子強化された特徴表現が、正則化および適切な訓練目的を組み合わせることで、古典的転移学習を上回る分類性能を実現できることが示唆された。
• 本研究は、ハイブリッド量子古典モデルが医療画像解析において潜在的であることを確認したが、量子回路設計および訓練プロトコルのさらなる最適化が今後必要である。