《Digital Signal Processing》：Brain magnetic resonance imaging classification with a hybrid quantum-classical neural network
编辑推荐：
•混合量子-经典神经网络提升脑肿瘤分类性能。•双旋转角编码增强量子特征映射与表征能力。•全量子比特纠缠增强分类任务中的耦合与泛化能力。引言脑肿瘤是最致命且最复杂神经系统疾病之一，需要准确及时的诊断以制定有效的治疗计划。在此背景下，磁共振成像（MRI）因其高软组织分辨率 [1]
- •
混合量子-经典神经网络提升脑肿瘤分类性能。
- •
双旋转角编码增强量子特征映射与表征能力。
- •
全量子比特纠缠增强分类任务中的耦合与泛化能力。
引言
脑肿瘤是最致命且最复杂神经系统疾病之一，需要准确及时的诊断以制定有效的治疗计划。在此背景下，磁共振成像（MRI）因其高软组织分辨率 [1]，已成为脑肿瘤检测与分析的重要成像手段。尽管MRI能提供详细的空间和结构信息，但肿瘤区域固有的低对比度和高度复杂的形态纹理使得准确的边界 delineation 极具挑战性。尝试使用高度参数化的经典深度学习模型来捕捉这些高阶的细微纹理依赖性，往往会导致严重的过拟合问题，而标注医学数据集的有限可用性进一步加剧了这一问题。为在不产生过高计算成本的情况下缓解维度灾难，近期研究积极探索了聚合鲁棒多模态特征的集成学习方法 [2]、针对医学影像优化的超轻量级神经网络 [3]，以及利用新颖注意力机制实现高效肿瘤分类的创新CNN架构（如ShallowMRI）[4]。尽管这些经典创新在平衡计算开销的同时实现了令人印象深刻的诊断准确性，但有效建模超高维非线性纹理依赖性仍然颇具挑战。这一局限性促使人们探索具有潜在更强表征能力的替代计算范式。
量子计算利用叠加和纠缠原理将复杂经典特征映射到指数级广阔的希尔伯特空间，提供了一种有前景的替代方案。量子神经网络（QNNs）在小数据场景下展现出良好的泛化能力，从而有助于缓解过拟合问题 [5]。叠加和纠缠等量子特性使高维信息的高效表征与处理成为可能，为量子图像处理奠定了[6]基础，并吸引人们对量子-深度学习融合的日益关注 [7]、[8]。在脑肿瘤识别领域，混合量子-经典架构已应运而生，将经典特征提取器与量子电路相结合以提升模型表达力与泛化性 [9]、[10]、[11]、[12]。然而，现有方法仍受限于浅层量子电路设计以及表达力不足的经典到量子编码方案，这可能限制其捕捉复杂特征交互的能力，进而影响分类性能。因此，在保持电路效率的同时提升量子模型表达能力，仍是这一新兴研究方向面临的关键挑战。
基于上述分析，本文提出了一种新颖的混合量子-经典神经网络DRFQNet，该网络以量子处理为核心，解决了以下两个关键挑战：如何在将高维MRI特征编码到量子状态空间时增强语义表征，以及如何提升量子比特间的交互能力以获取更具表达力的量子特征。本文的主要贡献总结如下：
（1）我们设计了双旋转角编码（DRAE）模块，通过将经典特征同时编码到振幅和相位分量中，高效地将经典特征映射为量子状态，从而避免经典到量子转换过程中的信息丢失，增强语义表征。
（2）我们提出了一种两阶段全量子比特纠缠（FQE）模块，引入相位-振幅纠缠，系统性地捕捉局部和全局高阶特征相关性，以精确表征复杂的肿瘤纹理并提升分类性能。
（3）我们提出了一种新颖的混合量子-经典架构DRFQNet，将多尺度CNN与DRAE和FQE模块相结合，利用量子叠加和纠缠实现改进的MRI脑肿瘤分类，性能优于现有最先进方法。
本文其余部分组织为四个章节。第2节回顾了与研究任务相关的现有技术。第3节详细介绍了所提混合量子-经典神经网络的实现及方法设计。第4节介绍了脑肿瘤MRI图像数据集、实验设置及一系列验证实验。最后，第5节总结全文并探讨未来研究方向。
章节摘要
相关工作
本节回顾了混合量子-经典神经网络在医学图像分类（特别是脑肿瘤诊断）领域的最新进展，并介绍了所提模型所依赖的量子计算基础概念。
架构概述
本文提出的DRFQNet整体架构如图3所示。首先，使用经典神经网络作为特征提取器处理输入的脑部MRI图像，生成高维特征向量。考虑到脑部MRI特征的高维性和复杂性，以及当前量子硬件的可行性，我们构建了一个8量子比特电路。接下来，双角度旋转编码模块将提取的特征进行编码……
实验
为评估所提模型，我们在多个脑肿瘤MRI数据集上开展实验，并将其性能与经典深度学习基线方法及替代量子电路设计进行比较。此外，还进行了消融实验以检验各个组件的贡献。
结论
本文提出了DRFQNet，一种混合量子-经典神经网络，旨在解决脑肿瘤MRI分类中高维复杂特征建模的挑战。通过结合经典神经网络进行有效特征提取与能够捕捉复杂非线性关系的量子神经网络，DRFQNet充分发挥了两种范式的优势。双旋转角编码和全量子比特纠缠模块进一步增强了量子……
CRediT作者贡献声明
朱晓科：调查研究、方法学、验证、初稿撰写、审阅与编辑。张天翔：调查研究、方法学、验证、审阅与编辑。陈晓盼：调查研究、方法学、概念设计。齐富民：资源、经费获取、监督指导。景晓远：项目管理、监督指导。
利益冲突声明
作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。
朱晓科|张天翔|陈晓盼|齐富民|景晓远
