研究方法•INBREAST数据集审查和呈现•数据增强:通过旋转和对比度调整,人为地增加培训数据集的多样性;通过模型改善概括来提高诊断精度•量子信息处理(QIP)研究/UNET研究和审查•U-NET:卷积神经网络专门针对生物医学图像分割,具有更高的精度,由编码器编码器结构组成。•量子过滤器:过滤和处理量子信息,导致图像的澄清和去除•使用和不使用量子过滤器的训练收敛性:这改变了图像深度和对象在图像中的位置。这意味着更改图像以揭示它们在原始数据中可能无法观察到的独特功能。•测试和调试:在增强中尝试不同的参数,并根据输出选择适当的测试用例,并调试现有方法,代码块,以确保过滤器的无错误应用。我们认为的参数将是关于图像中噪声,分辨率和剩余文物的参数。Inbreast数据集相对毫无噪音,并且是高质量的,因此使用掩码清理数据中的人工制品对于调试至关重要。
主要关键词