[论文解读] 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 4

一句话总结

本文提出了一种混合经典-量子分类器（CQC），用于糖尿病足溃疡（DFU）分类，结合迁移学习与多类别变分量子电路。通过微调修改后的 Xception 网络以提取深层特征，并将这些特征输入每个类别的独立变分量子电路，该方法在 DFUC2021 盲测数据集上实现了宏平均 F1 分数 4.2% 的绝对提升（0.5587 vs. 0.5067），且所有类别 AUC 均更高，证明其性能优于仅使用经典迁移学习的方法。

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.

研究动机与目标

• 为解决糖尿病足溃疡早期检测的挑战，若未被诊断可能导致截肢。
• 开发一种自监测移动应用程序，能够将 DFU 分类为四种类别：感染、缺血、两者均有或无。
• 评估混合经典-量子分类器（CQC）相较于经典迁移学习基线在 DFU 图像分类中的性能。
• 探索将量子机器学习与真实临床数据的医学影像分析相结合的可行性。

提出的方法

• 通过替换最后的全连接层并添加两个全连接层（128 和 2 个单元）来微调预训练的 ImageNet 权重 Xception 网络，用于多类别 DFU 分类。
• 从微调后的 Xception 网络的 'dense-2' 层（128 维向量）中提取深层特征作为图像表征。
• 使用四个独立的变分量子电路实现多类别变分量子分类器，每个电路对应一个针对四种类别 DFU 的一对多多分类器。
• 使用旋转门（RX、RY、RZ）和 CNOT 纠缠门构建量子电路，通过基于梯度的训练优化参数。
• 使用边缘损失函数训练量子分类器，以最小化所有类别中的误分类，将得分归一化至 [-1, 1]。
• 在量子分类器训练期间基于分类准确率应用早停策略，而在 Xception 微调阶段使用验证损失进行早停。

实验结果

研究问题

• RQ1 混合经典-量子分类器是否能在将糖尿病足溃疡分类为四种类别的任务中，优于仅使用经典迁移学习的模型？
• RQ2 将量子机器学习与预训练卷积神经网络结合，对医学图像分类任务的性能有何影响？
• RQ3 训练目标的选择（准确率 vs. 验证损失）在混合量子-经典框架中对模型泛化能力有何影响？
• RQ4 在真实世界医学影像基准中，基础变分量子电路在多大程度上能实现对经典模型的有意义性能提升？

主要发现

• 所提出的混合 CQC 方法在 DFUC2021 盲测数据集上实现了 0.5587 的宏平均 F1 分数，相较于微调后的 Xception 模型的宏平均 F1 分数 0.5067，绝对提升了 4.2%。
• CQC 模型在所有类别中均获得了更高的 AUC 分数：Both 类为 0.7344，None 类为 0.7282，Infection 类为 0.6743，Ischaemia 类为 0.7163，而 Xception 的对应分数分别为 0.6483、0.7215、0.6438 和 0.7331。
• 在 'Both' 和 'Infection' 类别中提升最为显著，表明对复杂或重叠病理状态的判别能力更强。
• 与 Xception 相比，该模型在 'Ischaemia' 类别上的表现略低，归因于量子阶段使用分类准确率进行早停，而经典阶段使用验证损失进行早停。
• 结果表明，量子增强的特征表示可使分类性能超越经典迁移学习，尤其是在结合适当的正则化和训练目标时。
• 本研究证实了混合量子-经典模型在医学图像分析中的潜力，尽管仍需进一步优化量子电路设计与训练协议。