噪声自适应量子-经典混合注意力网络用于条件医学图像去噪
《IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems》:Noise-Adaptive Quantum Attention Network (NAQAN): A Hybrid Quantum-Classical Framework for Medical Image Denoising
【字体:
大
中
小
】
时间:2026年10月14日
来源:IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems 3.6
编辑推荐:
摘要:医学图像去噪仍然具有挑战性,因为成像模态和采集条件会产生异质性和非平稳噪声。尽管最近的基于深度学习和扩散模型的方法取得了强劲的恢复性能,但许多方法依赖固定的变换或需要大量的计算资源。本工作提出了噪声自适应量子注意力网络(NAQAN),这是一种用于噪声条件医学图像去噪的
摘要:
医学图像去噪仍然具有挑战性,因为成像模态和采集条件会产生异质性和非平稳噪声。尽管最近的基于深度学习和扩散模型的方法取得了强劲的恢复性能,但许多方法依赖固定的变换或需要大量的计算资源。本工作提出了噪声自适应量子注意力网络(NAQAN),这是一种用于噪声条件医学图像去噪的量子-经典混合框架。NAQAN 将轻量级卷积编码器-解码器与八量子比特变分量子注意力机制相结合,其电路参数由指定的噪声水平条件变量动态调制。特征级线性调制(FiLM)提供互补的经典条件控制,而残差学习用于图像重建。当前实现是噪声条件化的而非完全盲去噪的;相应的噪声水平在训练和评估期间都会提供给模型。在 RetinaMNIST、OCTMNIST、糖尿病视网膜病变和 BraTS MRI 上,采用高斯、斑点和泊松噪声的腐蚀实验表明,NAQAN 在不同的成像模态和噪声条件下具有一致的恢复性能。在 BraTS MRI 上,NAQAN 实现了 39.11 dB 的 PSNR 和 0.9548 的 SSIM。与经典去噪基线和参数匹配的经典注意力变体的对照比较进一步评估了所提出的量子注意力机制的贡献。NAQAN 通过单次前向推理完成去噪;然而,与匹配的经典变体相比,量子电路的模拟引入了额外的计算开销。这些结果表明了噪声条件量子-经典注意力在医学图像恢复中的潜力,同时激发了在物理量子硬件和面向临床的下游任务上的进一步评估。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号