编辑推荐：
为解决传统卷积神经网络（CNNs）收敛慢、复杂度高，量子启发神经网络（QINNs）限于灰度分割等问题，研究人员开展 3D-QTRNet 网络用于医学图像分割研究。结果显示该模型性能优越，为量子计算与医学影像结合提供新方案。
在医学研究和医疗保健领域，医学图像的三维（3D）分割至关重要。它能够将 3D 医学图像依据强度、纹理或形状等特征，划分成不同区域，帮助人们清晰地了解图像中的组织结构、器官、组织以及异常细节 。然而，手动分割大量的 3D 医学图像既困难又耗时，还需要专业知识，且难以保证结果的准确性。于是，自动图像分割技术应运而生。传统的基于区域和边缘的分割方法，因复杂度高、对噪声敏感，无法提供足够的准确性。随着深度学习的发展，卷积神经网络（CNN）被引入医学图像分割领域 。2D-CNN 能对图像进行切片分割，提高了准确性，但仅限于 2D 数据，无法捕捉 3D 信息。3D-CNN 虽能解决这一问题，可又面临收敛慢、梯度消失和过拟合等挑战。量子启发神经网络（QINNs）的出现，为解决这些问题带来了新希望，它融合了深度学习和量子计算，能更高效地处理信息，但也存在收敛慢、仅适用于灰度图像分割等局限。在这样的背景下，为了突破现有技术的瓶颈，来自印度国家技术学院（NIT Kurukhetra）等多个机构的研究人员开展了一项极具创新性的研究。
研究人员提出了一种名为 3D-QTRNet 的新型量子启发神经网络，专门用于体积医学图像分割。该研究的关键技术方法主要有以下几点：一是采用 qutrit 编码，利用三能级量子系统对数据进行编码，相比传统的二进制编码，能提供更高维度的信息表达；二是运用张量环分解，这是一种高效的数据压缩技术，可优化权重矩阵的表示，减少模型的计算复杂度；三是构建独特的网络架构，包括输入层、中间隐藏层和输出层，通过三阶邻域设计连接，有效捕捉体素间的复杂关系 。研究使用了两个重要的数据集，即 BRATS19（多模态脑肿瘤图像分割）数据集和 Spleen 数据集。
在研究结果部分，首先是数据集描述。BRATS19 数据集包含 315 个 MRI 脑肿瘤图像体积，涵盖高等级胶质瘤和低等级胶质瘤，具有多种模态图像；Spleen 数据集包含 61 个 CT 扫描数据，用于肝脏化疗患者的研究，每个 CT 扫描体积的切片数量和分辨率各不相同。其次是实验设置，研究人员在配备 GPU 的超级计算机上，使用 3D-QTRNet 对 MR 脑图像和 Spleen 数据集进行实验，采用多类别的体素 sigmoid 激活函数，设置特定的学习率和邻域像素数量等参数，并使用 Dice 相似性等多种评估指标来衡量模型性能。最后是实验结果，3D-QTRNet 在脾脏分割和脑肿瘤预测方面表现出色，在准确性（AC）、阳性预测值（PV）、敏感性（SS）、Dice 相似性系数（DS）等评估指标上，优于传统的卷积模型，如 3D-UNet、VoxResNet、3D-QNet 和 DRINet 。
研究结论表明，3D-QTRNet 是一种完全自监督的网络，其架构中的 S 连接邻域拓扑结构，能有效处理脑肿瘤（MR）和脾脏（CT）体积图像的体素信息。通过在 BRATS-2021 和 Spleen 数据集上的验证，该模型在自动分割体积图像方面，比其他先进技术更具优势，可立即应用于实际场景 。不过，受硬件限制和量子计算领域尚未完全探索的影响，在分割多层次数据时，该模型还无法达到最佳效果 。研究人员表示将继续扩展和升级 3D-QTRNet 模型，以获得更优的分割结果。这项研究的重要意义在于，它成功地将量子计算与医学影像相结合，为医学图像分割提供了一种新的、更高效的解决方案，推动了智能医疗系统的发展，有望在未来的临床诊断和治疗中发挥重要作用。
