Quantum Diffusion Models for Medical Image Analysis

기술 요약: 의료 영상 분석을 위한 양자 확산 모델 (Quantum Diffusion Models)

문제 정의
생성형 AI, 특히 확산 모델(Diffusion Models, DMs)은 합성 데이터 생성 및 재구성을 포함한 의료 영상 분석 분야에서 최첨단 성능을 달 achievement 했습니다. 그러나 기존의 양자 기계 학습(QML) 접근 방식은 현재의 노이즈가 있는 중간 규모 양자(NISQ) 장치의 제약으로 인해 심각한 한계를 보입니다. 이전의 시도들은 대부분 데이터의 차원을 크게 제한하거나, 역방향(디노이징) 과정만 양자화하고 순방향 확산 과정은 고전적인 방식에 의존하는 하이브리드 프레임워크를 사용했습니다. 또한, 의료 영상에 양자 확산 모델(QDM)을 적용한 이전 연구들은 양자 층을 오직 역방향 과정에만 활용하여 고전적인 U-Net 구조를 강화했을 뿐, 순방향 역학(forward dynamics)을 위한 양자 하드웨어의 고유한 특성을 활용하지 못했습니다.

방법론
저자들은 순방향 확산 과정을 실제 양자 장치에 할당하고, 역방향 디노이징 과정을 고전 학습 모델에 할당하는 독특한 하이브리드 양자 확산 모델을 제안합니다.

1. 양자 순방향 과정 (Quantum Forward Process):

   • 이 방법은 실제 NISQ 장치(구체적으로 IBM ibm_torino 프로세서)에서 실행되는 **이산 시간 양자 워크(Discrete-Time Quantum Walk, DTQW)**를 채택합니다.
   • 입력 영상의 픽셀(또는 복셀)은 강도 레벨($0, \dots, 2^{N_q}-1$)로 이산화되어 양자 상태로 매핑됩니다.
   • 시스템은 "링-체인(ring-chain)" 마르코프 과정 토폴로지를 사용하며, 여기서 양자 워커(walker)는 강도 레벨 체인을 따라 이동합니다. 중첩 상태에 있는 "코인" 큐비트가 이동 방향을 결정합니다.
   • 결정적으로, 저자들은 실제 양자 노이즈를 필수적인 자원으로 활용합니다. 순수한 유니터리 역학(unitary dynamics)은 균일 분포로의 수렴을 방해할 수 있지만, 하드웨어의 자연스러운 결맞음 해제(decoherence)와 노이즈는 필요한 균일 사전 분포($p(x_T)$)로의 전이를 용이하게 합니다.
   • 순방향 역학은 유니터리 진화 $U_t$에 적용되는 양자 채널 $\mathcal{E}$를 통해 구현되며, 이는 $\rho_t = \mathcal{E}(U_t \rho_0 U_t^\dagger)$로 공식화됩니다.
   • 대용량 영상을 처리하기 위해 프로세스는 병렬화됩니다: 각 픽셀/채널은 독립적인 DTQW를 거칩니다. 저자들은 게이트 수를 완화하기 위해 Qiskit 최적화 레벨을 활용하면서, 이전 연구의 8단계보다 증가된 64단계의 강도 레벨을 사용했습니다.

2. 고전 역방향 과정 (Classical Backward Process):

   • 노이즈가 섞인 상태 $x_t$로부터 깨끗한 데이터 $x_{t-1}$을 예측하도록 U-Net 구조를 학습시킵니다.
   • 저자들은 두 가지 구체적인 아키텍처를 제안합니다:
     • 그레이스케일 및 RGB 영상을 위한 2D U-Net: 인코더 층에 타임 임베딩(time embedding)을 포함하고 얕은 보틀넥(bottleneck)을 특징으로 합니다.
     • 볼륨 데이터를 위한 3D U-Net: 인코더와 디코더 층 모두에 타임 임베딩을 포함하고, 더 깊은 보틀넥과 그래디언트 안정성을 위한 SiLU 활성화 함수를 특징으로 합니다.
   • 학습은 참조 노이즈 픽셀 값과 U-Net의 재구성 값 사이의 손실 함수를 최소화하는 방식으로 진행됩니다. BraTS2020 데이터셋의 경우, 픽셀 값 분포를 더 잘 맞추기 위해 교차 엔트로피(Cross-Entropy)와 쿨백-라이블러(KL) 발산을 결합한 하이브리드 손실 함수를 사용합니다.

3. 데이터셋 및 평가:

   • 모델은 세 가지 서로 다른 의료 데이터셋인 BloodMNIST (3,329개 RGB 이미지, $64\times64$), BraTS2020 (484개 그레이스케일 MRI 슬라이스, $190\times190$), FractureMNIST3D (1,370개 3D CT 볼륨, $28\times28\times28$)에 대해 테스트되었습니다.
   • 성능은 세 가지 지표인 KL 발산(분포 정렬), Fréchet Inception Distance (FID)(생성 품질), 구조적 유사도 지수(SSIM)(구조적 충실도)를 통해 평가되었습니다.
   • 실험은 QDM의 고전적 시뮬레이션과 오류 완화 기술을 적용한 실제 양자 장치에서의 실험적 구현을 통해 수행되었습니다.

주요 기여

• 새로운 아키텍처: 양자 층을 역방향 패스에만 사용하는 기존 QDM과 달리, 본 연구는 실제 하드웨어에서 양자 순방향 과정을 구현하여, 장치의 고유한 노이즈를 균일 분포로의 확산을 유도하는 기능적 요소로 활용합니다.
• 실제 데이터로의 확장성: 이 방법은 RGB 이미지 및 3D 볼륨을 포함한 중간 크기의 실제 의료 데이터를 성공적으로 처리함으로써, NISQ 기반 QML의 전형적인 차원 제한 문제를 극복했습니다.
• 방법론적 개선: 본 연구는 이전 연구[50]에 비해 강도 레벨 증가(최대 64), 다양한 양자 노이즈 토폴로지 탐색, 맞춤형 타임 임베딩을 갖춘 고급 U-Net 아키텍처 도입 등 중요한 개선 사항을 도입했습니다.
• 벤치마킹: 본 논문은 고전적 대응 모델(이산 상태 공간 DM)과 엄격한 비교를 제공하며, 이러한 하이브리드 접근 방식이 경쟁력 있는 결과를 낸다는 것을 입증했습니다.

결과

• 성능 지표: 하이브리드 양자 모델은 고전적 베이스라인과 비교하여 경쟁력 있는 성능을 보여주었습니다.
  • FractureMNIST3D에서 양자 모델은 고전 모델보다 낮은 KL 발산 및 FID 점수를 달성했으며, SSIM은 동일했습니다.
  • 세 가지 데이터셋 전체에서 양자 모델은 고전 모델보다 일관되게 높은 SSIM 값을 기록했는데, 이는 양자 순방향 과정이 생성된 데이터의 구조적 특징을 보존하는 데 도움이 될 수 있음을 시사합니다.
  • BloodMNIST와 BraTS2020의 경우, 양자 모델이 더 높은 FID 점수를 보였습니다. 저자들은 이를 일반적인 고품질 데이터에 사전 학습된 네트워크에 의존하는 FID 지표가 특정 양자화 및 해상도 제약이 있는 특수 의료 데이터셋에는 최적화되지 않았을 수 있기 때문이라고 설명합니다.
• 시각적 분석: 질적 분석 결과(PCA 및 KDE 플롯)는 모델이 데이터 분포 모드를 성공적으로 학습했음을 나타냅니다. BloodMNIST의 경우 다중 모드를 포착하였고, BraTS2020의 경우 단일 모드 분포임에도 불구하고 모델 붕괴(model collapse)를 피했습니다. 시각적 샘플은 혈구, 뇌실, 종양 덩어리와 같이 해부학적으로 타당한 구조를 생성함을 보여줍니다.

의의 및 주장
저자들은 본 연구를 의료 분야에서 현재의 NISQ 장치 적용 가능성을 보여주는 **개념 증명(proof of concept)**으로 규정합니다. 그들은 이 접근 방식이 오류 수정 코드가 필요한 필요성을 우회하여, "해로운" 양자 노이즈를 생성 과정의 기능적 구성 요소로 전환한다고 주장합니다.

본 논문은 모델이 초기 단계에 있으며 결과가 기존의 고전적 또는 하이브리드 방식보다 압도적으로 우월하기보다는 대등한 수준이지만, 복잡하고 다차원적인 의료 데이터(RGB 및 3D 볼륨)를 실제 양자 하드웨어에서 처리할 수 있다는 점이 중요한 진전임을 겸허히 주장합니다. 이 연구는 완전한 결함 허용(fault tolerance)을 요구하지 않으면서도, 자원 집약적인 문제에 양자 컴퓨터를 사용하는 의료 애플리케이션의 연구 및 개발에 기여하는 것을 목표로 합니다.