Quantum measurement learning for medical image classification

Abstract

Deep neural networks are the state-of-the-art for medical image classification. However, these models require large data sets to be trained, and they lack some interpretability on their predictions. In recent years, there has been a growing interests of using the statistical machinery of quantum mechanics to built novel machine learning models, which may run on classical or quantum computers. One of such models is the recently proposed method quantum measurement classification (QMC) [1]. In this thesis, we present various classical-quantum machine learning strategies that combine convolutional neural networks (CNNs) with methods based on QMC [2] to the task of learning medical images in a supervised manner. We first approach the problem with a deep probabilistic regression model, showing that is competitive, and more interpretable compared to conventional deep learning architectures. We then present a representation learning technique based on CNNs which maps medical images to pure and mixed quantum states, and show that its competitive with other representation learning strategies. In addition, we propose a quantum implementation of two QMC-based models on a high-dimensional quantum computer, we demonstrate that it is possible to perform classification and density estimation in a quantum computer.

Las redes neuronales profundas están a la vanguardia para la clasificación de imágenes médicas. Sin embargo, estos modelos requieren para su entrenamiento conjuntos de datos muy grandes, y a sus predicciones les falta interpretabilidad. Recientemente, se han propuesto varios métodos de inteligencia artificial basados en la mecánica cuántica, los cuales pueden ser implementados en computadores clásicos o cuánticos. Uno de estos métodos es el recientemente propuesto \textit{Quantum Measurement Classification} (QMC) [1]. En este trabajo de tesis, presentamos diferentes estrategias clásicas y cuánticas de aprendizaje automático, las cuales combinan las redes neuronales convolucionales (CNNs) y algunos métodos basados en QMC [2] para la tarea de aprendizaje supervisado de imagenes medicas. En primer lugar, planteamos el problema de clasificación con un modelo de regresión profundo y probabilístico, mostrando que es competitivo y más interpretable en comparación a arquitecturas convencionales de aprendizaje profundo. En segundo lugar, presentamos un método de aprendizaje de la representación basado en CNNs del cual se obtienen características de las imágenes médicas en forma de estados cuánticos puros y mezclados, y mostramos que los resultados del método son competitivos con otras estrategias de representación. Adicionalmente, proponemos una implementación cuántica de dos métodos de aprendizaje automático basados en QMC en un computador cuántico de altas dimensiones, mostrando que es posible el aprendizaje supervisado y la estimación de la densidad en un computador cuántico. (Texto tomado de la fuente)