💻 computer science

A Hybrid Complex Quantum U-Net for Enhanced Medical Polyp Image Segmentation

本文提出了一种混合复数量子 U-Net 架构，该架构集成了 ResNet-50、复值卷积和八比特量子变分层，旨在实现多个医学影像数据集上最先进的息肉分割性能，其表现优于 Attention U-Net 和 SegFormer 等传统深度学习基准模型。

原作者： Mario Jojoa-Acosta, Cristian Castillo-Olea, Rubén M. Lorenzo, Giovanni Hernandez, Alfonso Bahillo

发布于 2026-09-30

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Mario Jojoa-Acosta, Cristian Castillo-Olea, Rubén M. Lorenzo, Giovanni Hernandez, Alfonso Bahillo

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在寂静而高风险的医学影像世界中，医生依赖计算机来观察人类肉眼可能忽略的细节。其中一项最关键的任务是发现息肉——即结肠内壁上的微小增生物，如果不及早治疗，它们可能会演变成癌症。多年来，这项工作的标准工具是一种被称为神经网络的人工智能，它学习识别图像模式的方式，就像人类大脑学习识别面孔一样。这些系统通常被设计为仅使用实数来处理图像，这是一种描述亮度和色彩的数学语言，却忽略了一个被称为“相位”的隐藏信息层。相位是波的一种属性，承载着关于结构和纹理的微妙细节，而这些细节在数据被简化时往往会丢失。虽然这些标准系统效果良好，但有时在面对人体内部复杂多变的纹理时会显得力不从心。与此同时，一个利用量子物理学的奇异规则以传统计算机无法实现的方式处理信息的新兴计算领域正在兴起。研究人员开始思考，将这两个世界——复杂的波状信号与量子力学强大的概率逻辑——结合起来，是否能创造出一种更智能的疾病检测方式。

一支研究团队采取了大胆的举措来回答这个问题，他们构建了一种专门用于发现结肠息肉的新型人工智能。他们创建了一个混合系统，结合了三种不同的数据思考方式：大多数计算机使用的标准实数、能够同时追踪大小和波状相位的复数，以及一个利用量子力学原理处理信息的模拟量子电路。其目标并非用量子技术取代整个系统（因为量子技术仍处于起步阶段），而是将一个小型且专门的量子层编织进一个经过验证的医学影像框架之中。其结果是，该模型表现得像一名训练有素的专家：它使用熟悉的结构来扫描图像，但在关键点停顿，利用更高级的多维透镜来分析数据，随后做出最终决策。

研究人员从一种名为 U-Net 的知名架构入手，这种架构形状类似于字母 U，以其“提取图像特征并重建以突出特定区域”的能力而闻名。在他们的版本中，他们用一个强大的预训练系统替换了标准的起始点，该系统充当过滤器，从结肠镜图像中提取最重要的细节。他们没有将这些细节通过简单的实数过滤器，而是将其送入一个复数值模块。这个系统部分将图像数据视为一种“波”，同时保留了其强度和相位。通过保留这些相位信息，模型能够留住那些其他系统经常丢弃的关于息肉纹理和边缘的微妙线索。

在这个网络的中心位置，即图像被简化为最核心特征的地方，研究人员插入了一个独特的组件：一个模拟量子电路。这个电路充当了一个“全局观察者”。它获取复数波信息的摘要——具体来说是特征的平均大小和相位——并将其压缩成一个小的八维向量。随后，这个向量被输入到一个量子处理器中，该处理器是在标准计算机上运行的数学模拟，但遵循量子力学的规则。量子处理器分析这些统计数据并向网络发送信号，有效地告诉它：“观察大局；这就是全局背景应如何影响局部细节。”这个信号会对特征进行调制，调整它们以更好地符合息肉的整体形状和语境，随后网络再重建最终图像。

团队在三组不同的医学图像集上测试了这个新的混合系统，其中包括他们自行创建的 246 张高质量结肠镜照片，以及包含总计一千多张图像的两组大型公开数据集。他们将这个混合模型与两种现有的最强方法进行了对比：一种是标准的先进神经网络，另一种是因擅长理解图像中长程连接而闻名的新型 Transformer 系统。结果非常明确。在自定义数据集上，该混合模型的轮廓匹配准确度得分达到了 79.36%，显著超过了标准网络。它在另外两个数据集上也取得了更高的分数，证明了该方法即使在处理从未见过的图像时也同样有效。研究人员发现，一旦移除复数值模块或量子层，性能都会下降，这证实了这两个部分对于成功都是至关重要的。

研究表明，性能的提升源于模型能够看到超越亮度的信息。通过保留相位信息，系统能够更好地分辨出息肉粗糙不规则的边缘与周围平滑组织之间的区别。量子层增加了一层全局理解，帮助模型理解整个图像的语境，而不仅仅是孤立地观察微小的局部。尽管该系统的量子部分是模拟的，并未在真实的量子硬件上运行，但结果表明，即使是一个精心放置的小型量子模块也能为医学诊断提供实质性的提升。研究人员承认，他们的工作仍处于实验阶段，现实世界的量子计算机尚不足以处理实时医学数据的噪声和复杂性。然而，这些发现提供了一条充满希望的前行之路，表明融合经典、复数和量子方法可以创造出更准确、更可靠的疾病早期检测工具。

技术摘要：用于增强医学息肉图像分割的混合复数-量子 U-Net

问题陈述
准确分割结肠息肉对于早期发现和预防结直肠癌（全球癌症死亡的主要原因之一）至关重要。然而，由于结肠镜图像中息肉具有多样化的外观、变化的尺寸、复杂的纹理以及遮挡现象，自动化分割仍然具有挑战性。尽管卷积神经网络（CNN）和基于 Transformer 的模型（如 U-Net、SegFormer）已成为标准，但它们仅在实值域内运行。这种局限性限制了它们捕捉与生物医学数据中固有的相位、频率及复杂关系相关的信号结构的能力。此外，现有的混合方法很少通过集成量子启发式计算来增强特征表示。

方法论
作者提出了一种新型混合架构——混合复数-量子 U-Net，它统一了三种计算范式：实值编码、复数值处理和量子变分学习。该架构结构如下：

编码器（实值）： 模型利用预训练的 ResNet-50 作为骨干网络，从 512×512 的 RGB 输入图像中提取层次化的实值特征。
瓶颈层（复数值）： 实值特征被转换为复数值张量。随后应用一个复数卷积块，其卷积核被分为实部（ $W_r$ ）和虚部（ $W_i$ ）。这种操作保留了相位和幅度信息，而这些信息在标准 CNN 中通常会被丢弃。
量子模块（变分）： 通过全局平均化，从复数瓶颈层提取全局空间描述符（幅度 $m$ $m$ 和相位 $\phi$ $ϕ$ ）。这些描述符通过学习到的线性投影压缩为一个 8 维向量。该向量作为 8-qubit 变分量子电路 (VQC) 的输入。
- VQC 采用使用 $RY$ 旋转的数据编码策略，并使用由 $L=1$ 个重复的 $Z-Y-Z$ 欧拉旋转（每个 qubit 有 $p=3$ 个参数）组成的变分层。
- 在此实现中，电路在不使用纠缠门的情况下运行，输出 Pauli-Z 可观测量的期望值。
- 量子输出被投影回瓶颈层的通道维度，并添加到复数特征图的实部中，起到全局调制信号的作用。
解码器： 架构遵循标准的 U-Net 解码器，带有注意力门控上采样块以及来自编码器的跳跃连接，以重建原始分辨率下的分割掩码。

数据集与实验设置
模型在三个数据集上进行了评估：

PolipSet： 一个包含 246 幅人工标注的结肠镜图像的自定义数据集（60% 训练集，20% 验证集，20% 测试集），采集自蒂华纳医院（Hospital de Tijuana）。
Kvasir-SEG： 1,000 幅息肉图像。
CVC-ClinicDB： 612 幅图像。

基准模型包括 Attention U-Net（使用 ResNet-50 编码器）和 SegFormer（包括预训练版本和从头训练版本）。训练使用了 ADAM 优化器，并为每个模型调整了特定的超参数（例如，混合模型为 40 个 epoch）。

关键结果
在主要的 PolipSet 基准测试中，混合复数-量子 U-Net 的表现优于所有基准模型：

IoU： 79.36%（对比 Attention U-Net 的 75.93% 和 SegFormer 的 72.97%）。
Dice 系数： 88.38%（对比 Attention U-Net 的 82.94% 和 SegFormer 的 80.86%）。

跨数据集评估展示了强大的泛化能力：

Kvasir-SEG： 78.29% IoU，87.51% Dice。
CVC-ClinicDB： 85.07% IoU，91.63% Dice。

消融实验
作者进行了消融实验以隔离各组件的贡献：

Hybrid-no-complex（无复数混合）： 去除复数瓶颈层后，IoU 降至 74.40%，凸显了保留相位/幅度信息的重要性。
Hybrid-no-quantum（无量子混合）： 去除量子层后，IoU 降至 77.30%，表明量子模块提供了互补的全局上下文增益。
计算成本： 完整的混合模型每样本产生约 64.83 GFLOPs，这与 Attention U-Net（~~72.0 GFLOPs）相当，且显著高于 SegFormer（~~22.0 GFLOPs），但其准确率最高。

意义与主张
本文声称，将复数值层和量子层集成到深度学习流水线中，为增强医学图像分析提供了一条可行的路径。该工作的意义在于：

协同集成： 证明了在单个 U-Net 框架内结合实值、复数和量子范式可以提高分割精度，特别是通过保留相位信息和建模全局统计依赖关系。
模块化设计： 该架构采用模块化设计，允许将复数瓶颈层和量子层嵌入到其他先进框架（如 TransUNet、Swin-UNet）中。
务实的混合方法： 通过将量子处理限制在瓶颈激活值的紧凑 8 维摘要中，该模型可以通过标准 GPU 硬件进行训练，避免了全量子模拟带来的指数级成本，同时仍能利用量子启发式的特征调制。

承认的局限性
作者坦诚地指出了以下约束：

量子电路是模拟的，并未考虑实际 NISQ（噪声中等规模量子）设备中存在的硬件噪声、退相干或门保真度问题。
目前的 VQC 实现使用的是可分离旋转且不含纠缠门，限制了量子模块的表达能力。
评估依赖于规模有限的数据集，这可能会限制研究结果的泛化性。
未来的工作需要探索纠缠电路、优化量子超参数，并在真实的量子硬件上进行测试。

技术摘要：用于增强医学息肉图像分割的混合复数-量子 U-Net

类似论文