[论文解读] Brain Tumor Diagnosis Using Quantum Convolutional Neural Networks

Muhammad Al-Zafar Khan, Abdullah Al Omar Galib+2 more|arXiv (Cornell University)|Jan 28, 2024

Brain Tumor Detection and Classification被引用 6

一句话总结

本文开发了一个量子卷积神经网络（QCNN）混合模型，用于对脑肿瘤 MRI 图像进行分类，在一个三类数据集上达到 99.67% 的准确率，并验证了量子增强的医学影像应用。

ABSTRACT

Accurate classification of brain tumors from MRI scans is critical for effective treatment planning. This study presents a Hybrid Quantum Convolutional Neural Network (HQCNN) that integrates quantum feature-encoding circuits with depth-wise separable convolutional layers to analyze images from a publicly available brain tumor dataset. Evaluated on this dataset, the HQCNN achieved 99.16% training accuracy and 91.47% validation accuracy, demonstrating robust performance across varied imaging conditions. The quantum layers capture complex, non-linear relationships, while separable convolutions ensure computational efficiency. By reducing both parameter count and circuit depth, the architecture is compatible with near-term quantum hardware and resource-constrained clinical environments. These results establish a foundation for integrating quantum-enhanced models into medical-imaging workflows with minimal changes to existing software platforms. Future work will extend evaluation to multi-center cohorts, assess real-time inference on quantum simulators and hardware, and explore integration with surgical-planning systems.

研究动机与目标

• 推动将量子机器学习（QML）用于医学图像诊断，并解决经典 CNN 的局限性。
• 提出并实现用于脑肿瘤分类的 QCNN 混合架构。
• 在一个规模较大的脑肿瘤 MRI 数据集上展示高准确性和泛化能力。
• 展示在实际 ML 流水线中实现量子图像处理的可行性。
• 突出 QCNN 在医学影像领域的潜在临床影响及未来研究方向。

提出的方法

• 描述 QCNN 架构及将经典图像编码为量子态的数据编码。
• 应用量子卷积和量子池化，使用 U*、RX 门、CRZ/CRX 门、CZ纠缠与测量。
• 使用 2x2 的量子补丁方案和基于 SWAP 测试的池化机制。
• 在 QCNN 框架中集成一个经典 CNN 形成混合模型。
• 用量子处理后的图像训练得到的网络，并使用 CNN 分类器（Conv2D、MaxPooling、全连接层）获得最终分类分数。
• 在 20 个训练/验证轮次上评估性能，并给出准确率和损失图。

Figure 1 : Architecture of a classical CNN.

实验结果

研究问题

• RQ1 与经典方法相比，QCNN-混合模型是否能在脑肿瘤分类上实现高准确率？
• RQ2 量子图像处理如何影响医学影像的特征表示与泛化能力？
• RQ3 数据集规模和类别分布对 QCNN 在脑肿瘤上的性能有何影响？
• RQ4 在当前的 NISQ 计算约束下，混合 QCNN-CNN 架构是否实用？
• RQ5 哪些肿瘤类型最难以用 QCNN 特征区分？

主要发现

• 该 QCNN 的峰值验证准确率为 99.67%。
• 该模型在 20 个时期内展现出鲁棒的训练，损失逐步下降。
• 报告的混淆矩阵中垂体腺瘤病例被完美分类。
• 误判主要发生在脑膜瘤与胶质瘤类别之间，表明改进的方向。
• 该方法使用混合量子-经典框架和量子模拟器，在性能上实现了相对于经典基线的 QCNN 改进。
• 数据集包含来自 233 名患者的 3,064 张 T1 加权 MRI 切片，覆盖三种肿瘤类型（脑膜瘤、胶质瘤、垂体瘤）。

Figure 2 : Hypothetical architecture of QCNNs model.