量子科技中心_量科网

背景：冠状动脉造影（CAG）是评估冠状动脉狭窄和指导介入治疗决策的关键影像学手段。然而，基于单帧造影图像的判读仍高度依赖操作者经验，传统深度学习模型在复杂血管形态和细粒度纹理模式建模方面仍面临挑战。方法：该研究团队提出一种轻量级量子增强残差网络（LQER）用于冠状动脉造影图像二分类。采用预训练的ResNet18作为经典特征提取器，同时在高层语义特征空间引入参数化量子电路（PQC）进行量子特征增强。该量子模块利用数据重上传和纠缠结构，通过与经典特征的残差融合，实现了严格可控量子比特数条件下的端到端混合优化。结果：在独立测试集上，所提出的LQER模型在准确率、AUC和F1分数上均优于经典ResNet18基线，测试准确率超过90%。结果表明轻量级量子特征增强可提升阳性病变的鉴别能力，尤其在类别不平衡条件下表现突出。结论：该工作验证了冠状动脉造影分析中实用的量子-经典混合学习范式，为量子机器学习在医学影像应用中的部署提供了可行路径。