用于复杂成像环境皮肤癌检测的量子蚁群优化增强深度特征学习框架

《Microchemical Journal》:Quantum ant optimization–enhanced deep feature learning framework for skin Cancer detection in complex imaging environments

【字体: 大 中 小 】 时间:2026年09月30日 来源:Microchemical Journal 5.2

编辑推荐:

   •提出了一种结合量子蚁群优化(QAO)的新型深度特征学习框架,以改进皮肤癌检测。 •引入了利用量子隧穿效应的 QAO,以避免局部极小值并在复杂成像环境中增强特征选择。 •与 QPSO、ACO、DBN 和 LSTM 模型相比,实现了更高的分类准确率和更低的假阳性率。 •展示了更

  

•提出了一种结合量子蚁群优化(QAO)的新型深度特征学习框架,以改进皮肤癌检测。
•引入了利用量子隧穿效应的 QAO,以避免局部极小值并在复杂成像环境中增强特征选择。
•与 QPSO、ACO、DBN 和 LSTM 模型相比,实现了更高的分类准确率和更低的假阳性率。
•展示了更快的收敛速度和计算效率,使其适用于实时医疗成像应用。
•在公共皮肤癌数据集上进行了验证,在多样化和有噪声的病变图像上表现出稳健的性能。

引言
早期检测皮肤癌是提高患者生存机会和获得良好预后的主要途径之一。皮肤癌是全球最常见的癌症形式,占癌症病例的很大一部分。紫外线暴露增加和人口老龄化是皮肤癌病例上升的贡献因素。尽管诊断方法有所改进,但自动检测皮肤癌仍然是一个巨大挑战,特别是在医疗成像方面 [1]。有时,早期病变可能非常轻微,使用几种简单的图像处理和机器学习方法很难将其与其他病变区分开来。医疗图像的复杂性加剧了这一挑战,这可能带来各种问题,包括噪声、低分辨率以及病变大小、形状和纹理的差异。这些困难需要更高级和精密的图像分析技术来检测复杂成像场景中的癌性病变 [2]。

近年来,受自然启发的算法在解决传统机器学习模型的缺点方面变得引人注目。这些算法已证明在搜索高维解空间以及识别最优或近最优解方面非常高效 [6]。然而,这些算法已被用于不同的应用中,它们在复杂和噪声成像中的适用性一直是研究重点。这些算法是随机的,这意味着有时它们可能会根据输入产生不同的输出,尤其是在存在噪声或其他成像伪影时。此外,在实时诊断系统 [7] 中,一些优化方法(如 ACO)表现出收敛速度慢,使其在实际应用中不可行。

为了应对这些挑战,本研究文章提出了一种新型量子蚁群优化(QAO)框架,以改进处理复杂图像时的皮肤癌检测应用中的深度特征学习过程。QAO 算法是旧算法(即 ACO)的演进,它利用了量子力学原理。所提出的 QAO 和量子粒子群优化(QPSO)[8] 为算法增加了量子特性,如叠加和隧穿。这种受量子启发的行为与蚁群优化方法相结合,实现了深度网络中特征选择和参数调优的高效性 [9]。提出结合 QAO 使用深度特征学习,提高了其速度和准确性。

QAO 是对经典优化算法的增强,利用量子效应加速优化问题高维解空间的探索 [10]。虽然经典搜索优化算法以纯粹的概率方式搜索搜索空间,但 QAO 利用量子隧穿有效地在复杂搜索空间中回溯,从而将陷入局部最优的风险降至最低。重要的是,QAO 可以通过实施特征选择和网络优化来有效解决基于深度学习的皮肤癌检测系统的分类准确性问题,这受到了量子计算思想的启发 [11]。在另一个独特的方式上,QAO 也擅长快速收敛到最优解,这意味着它非常适合实时应用,例如严重依赖快速准确诊断的医疗成像应用。

除了这一点之外,本研究文章的另一个重要贡献是将 QAO 框架与四种现有算法进行比较:QPSO、ACO、DBN 和 LSTM [12]。所有这些算法都已被用于医疗成像的不同优化和分类问题,代表了从经典到受量子启发以及深度学习算法的不同方法。由于 QPSO 在探索和开发之间具有良好的平衡,它被发现对各种优化应用非常有用。相比之下,ACO 提供了一种受蚂蚁觅食行为启发的经典优化方法,然而,在噪声环境中收敛时间慢使其不适合实时系统 [13]。DBN 和 LSTM 是两种广泛使用的深度学习技术,用于特征提取和序列建模。

经过大量实验,本研究文章发现这些算法与 QAO 框架相比并不具优势,QAO 框架还实现了显著更高的分类准确性和计算速度 [14]。此外,QAO 框架在高维特征空间中显示出强大的能力,它利用受量子启发的优化算法优化特征,使选择过程更准确有效。此外,QAO 框架显示出比 ACO 和 QPSO 更高的收敛率,这使其更可行用于诊断目的的实时应用 [15]。本文进行的实验结果清楚地表明了 QAO 框架的有效性,特别是针对复杂和噪声成像数据,这往往是癌症诊断(特别是皮肤癌)中提出的问题 [16]。

虽然文献中可以找到几种受量子计算启发的优化方法,例如量子粒子群优化(QPSO)、量子进化算法(QEA)和量子蚁群优化(QACO)的改进,但这些算法的主要用途一直是全局优化或参数调优。迄今为止,常用的方法要么利用量子概率分布来增加搜索多样性,要么将量子算子引入已知的群优化中。然而,它们通常不考虑在单个医疗图像分析框架中联合优化深度特征选择和分类器参数适应。

所提出的量子蚁群优化(QAO)框架与当前方法之间存在几个显著差异。首先,与以前的方法不同,所提出的方法在信息素引导的搜索过程中进一步实现了隧穿现象的特殊量子特性:局部最优解可以概率性地逃逸,同时保留信息素强化的开发功能。其次,在 ResNet-50 深度特征提取中,所提出的 QAO 直接与高维深度表示的优化紧密耦合,而不是使用手工制作的图像描述符。第三,在与自适应网络参数优化配合下,QAO 通过尝试基于包装器的子集构建来优化一组特征,允许分类器学习更具判别力的特征表示,同时丢弃冗余深度特征。最后,不同于与深度学习流水线不相关的现有优化技术,所提出的方案在深度特征学习和受量子启发的优化之间实现了协调互动,实现了高分类准确性和计算效率。

因此,这里描述的工作的新颖性不在于引入新的量子力学或取代经典优化理论,而在于提出了一种新颖的系统级集成机制:在皮肤癌诊断的单一系统中,结合量子力学提出的概率探索、蚁群信息素强化和深度特征优化。

研究的主要贡献
1.提出了一种新型受量子启发的蚁群优化框架,通过结合概率量子隧穿与信息素引导搜索,以高效探索高维特征空间。
2.创建了一种混合深度学习架构,使用 ResNet-50 提取分层病变表示,并使用基于包装器的深度特征子集优化结合 QAO 优化深度病变特征。
3.提出了一种协调优化方法,以同时选择特征和调整网络参数,以获得更好的诊断性能。
4.在 HAM10000 和 ISIC 2018 数据集上进行了广泛的实验,采用多种评估指标,包括准确率、灵敏度、特异性、MCC、平衡准确率、Cohen's Kappa、G-Mean 和 AUC。
5.实验结果证实,所提出的优化方法比标准优化方法和深度学习方案具有更好的分类准确性、更快的收敛速度和更低的计算复杂性。

章节片段
相关工作
医疗成像在皮肤癌检测方面的应用从机器学习和深度学习技术的进步中受益匪浅。皮肤癌检测起着至关重要的作用,但在复杂成像环境(如患有皮肤癌的皮肤)中检测癌性病变是一个挑战,因为一些环境因素如噪声、对比度以及病变外观的变化 [17]。以前的基于机器学习的方法用于分类癌性皮肤病变,基于

提出的方法论
本研究中提出的量子蚁群优化(QAO)算法结合了受量子启发的动力学优势和蚁群优化(ACO)算法,这是一种非常强大的特征选择和优化算法。在 QAO 中,量子隧穿和概率探索的基本原理与 ACO 在信息素方面的行为相结合。基于蚂蚁的觅食行为,经典 ACO 按以下方式运行:

实验设置与结果
本研究中提出的量子蚁群优化(QAO)框架用于皮肤癌检测任务的实验基础设施旨在允许该框架在各种数据集上进行测试,并与几种最先进算法竞争。在本节中,将介绍研究中使用的数据集、预处理方法、实现工具、指标和比较算法。

局限性
尽管 QAO 展示了改进的分类性能,但仍存在几个局限性。
与端到端 CNN 模型相比,优化阶段引入了额外的计算开销。
性能取决于优化参数的适当调整,包括蚂蚁种群大小、信息素蒸发率和隧穿系数。
当考虑极高维特征空间时,所提出的基于包装器的特征选择会变得计算成本高昂。
由于 QAO

结论
本研究文章所呈现的研究证明了量子蚁群优化(QAO)框架作为复杂成像环境中皮肤癌检测的高级解决方案的有效性。传统机器学习和优化技术虽然在医疗成像中广泛应用,但在处理高维数据、特征选择和计算效率方面面临局限性。本研究将 QAO 与深度特征学习集成以解决这些

未来工作
量子蚁群优化(QAO)框架为进一步发展提供了激动人心的机会,特别是通过与新兴技术的集成和扩展其应用范围。未来需要研究将 QAO 与区块链技术相结合,以保护医疗成像数据的安全。这种集成将在医院和诊所之间共享数据的医疗保健环境中特别有用,在那里数据安全是一个关键问题。该

作者贡献
所有作者对本工作贡献平等。
CRediT 作者贡献声明
Pavithra Gunasekaran:原创草稿撰写、概念化。Palanisamy Chenniappan:项目管理、方法论。
伦理批准和参与同意
本实施过程中没有人类参与。
人类和动物权利
不涉及违反人类和动物权利。
资金
本工作不涉及资金。
未引用的参考文献
[3], [4], [5], [25], [26], [27], [28]
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系,这些可能被认为影响了本文报告的工作。
致谢
本工作不涉及致谢。
Pavithra Gunasekaran|Palanisamy Chenniappan
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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