量智信息中心_量科网

该团队研究了一种量子自编码器（QAE），用于脑部MRI数据中基于压缩驱动的异常检测。该方法利用角度编码将图像块映射为量子态，随后通过一个变分编码器-解码器架构进行训练，该架构利用辅助丢弃量子比特丢弃信息来丢弃信息。异常分数反映了输入相对于正常数据抵抗压缩的程度，分数越高表示偏离已学习的正常流形。在公开可用的脑部MRI DICOM数据集上进行评估，该方法在切片级别的ROC-AUC达到了约0.95，在图像块级别的ROC-AUC达到了约0.813，优于经典的自编码器和PCA基线方法。对学习参数的分析揭示了显著的编码器-解码器不对称性，其中有效的异常检测源于编码器内的结构化信息压缩，而非参数幅度的增加或解码器的表达能力。这产生了一种受控的压缩-重建权衡，并存在一个明确的工作区间，支持基于原则的阈值选择。定性评估进一步表明，QAE生成了与肿瘤区域对齐的空间定位异常热图。这些结果，加上有前景的基线性能，证明了量子自编码器基于不可压缩性相对于学习到的潜在表示，提供了一种可解释且可控的异常检测机制。该工作突显了量子自编码器作为研究量子机器学习中压缩动力学的一种原则性工具的潜力，并对医学影像工作流程中的决策支持具有前景的意义。