机构名称：
¥ 1.0
摘要背景：在医学诊断和临床实践中，早期诊断疾病对于准确治疗至关重要，减轻了对医疗保健系统的压力。在医学成像研究中，图像处理技术对于高准确性分析和解决疾病往往至关重要。本文通过模拟技术建立了一种新的图像分类和分割方法，该技术是对印度共同19岁患者的图像进行的，并在医学实践中引入了量子机学习（QML）的使用。方法：本研究建立了用于对Covid-19进行分类的原型模型，将其与计算机断层扫描（CT）图像中的非旋转肺炎信号进行了比较。模拟工作评估了量子机学习算法的使用，同时评估了图像分类问题的深度学习模型的功效，从而确定了在处理具有较高偏见的复杂临床图像数据时，需要提高预测率所需的性能质量。结果：研究考虑了一种新型算法实现，利用了量子神经网络（QNN）。所提出的模型的表现优于特定分类任务的常规深度学习模型。由于量子模拟的效率和更快的收敛性属性解决了用于网络培训的优化问题，因此是显而易见的。 在量子优化硬件上观察到的模型运行时间为52分钟，而在K80 GPU硬件上，对于类似的样本量，为1 h 30分钟。是显而易见的。在量子优化硬件上观察到的模型运行时间为52分钟，而在K80 GPU硬件上，对于类似的样本量，为1 h 30分钟。模拟表明，QNN的表现优于DNN，CNN，2D CNN的准确度量度超过2.92％，平均召回率约为97.7％。
量子算法，用于更快的临床预后分析
主要关键词
相关文件推荐
