使用可解释量子自编码器的脑MRI压缩驱动异常检测

arXiv cs.AI 论文
quantum-autoencoder anomaly-detection brain-mri compression interpretability quantum-machine-learning

摘要

本文提出了一种用于脑MRI压缩驱动异常检测的量子自编码器，实现了高ROC-AUC分数，优于经典基线方法，并提供了可解释的异常热力图。

arXiv:2606.27411v1 公告类型: 交叉 摘要：我们研究了一种用于脑MRI数据压缩驱动异常检测的量子自编码器（QAE）。该方法利用角度编码将图像块映射为量子态，随后采用变分编码器-解码器架构，通过辅助垃圾量子比特训练以丢弃信息。异常分数反映了输入相对于正常数据的抗压缩程度，分数越高表示偏离所学正常流形越远。在公开的脑MRI DICOM数据集上评估，该方法在切片级别实现了约0.95的ROC-AUC，在图像块级别实现了约0.813的ROC-AUC，优于经典自编码器和PCA基线。对学习参数的分析揭示出明显的编码器-解码器不对称性，有效的异常检测源于编码器内部的结构化信息压缩，而非参数幅度或解码器表达能力的增加。这导致了一种受控的压缩-重建权衡，具有清晰的工作区间，支持原则性的阈值选择。定性评估进一步表明，QAE可生成与肿瘤区域对齐的空间局部异常热力图。这些结果在良好基线性能的支持下，展示了量子自编码器基于所学潜在表示的不压缩性提供可解释且可控的异常检测机制。这项工作凸显了量子自编码器作为量子机器学习中压缩动力学研究的原则性工具的潜力，对医学影像工作流中的决策支持具有良好前景。
查看原文
查看缓存全文

缓存时间: 2026/06/29 05:28 

# 基于压缩驱动的脑部MRI异常检测：可解释量子自编码器方法
来源：https://arxiv.org/abs/2606.27411
查看PDF (https://arxiv.org/pdf/2606.27411)

> 摘要:我们研究了一种量子自编码器（QAE），用于基于压缩驱动的脑部MRI数据异常检测。该方法利用角度编码将图像块映射为量子态，随后采用变分编码器-解码器架构，通过辅助垃圾量子位训练以丢弃信息。异常分数反映了输入相对于正常数据在压缩时的抵抗程度，分数越高表明偏离学习到的正常流形越远。在公开的脑部MRI DICOM数据集上评估，该方法在切片级别实现了约0.95的ROC-AUC，在图像块级别实现了约0.813的ROC-AUC，优于经典自编码器和PCA基线。对学习参数的分析揭示了显著的编码器-解码器不对称性：有效的异常检测来源于编码器内结构化的信息压缩，而非参数幅度的增大或解码器的表达能力。这导致了可控的压缩-重建权衡，具有明确的工作区间，支持有原则的阈值选择。定性评估进一步表明，QAE能生成与肿瘤区域对齐的空间局部化异常热图。这些结果在基线性能支持下，证明了量子自编码器能够根据学习到的潜在表示提供基于不可压缩性的可解释且可控的异常检测机制。本工作凸显了量子自编码器作为研究量子机器学习中压缩动力学原理性工具的潜力，并为医学影像工作流程中的决策支持带来了有前景的启示。

## 提交历史

来自：Santanu Ganguly [通过电子邮件查看](https://arxiv.org/show-email/4c55448e/2606.27411)  
**[v1]** 2026年6月25日星期四 12:56:20 UTC（1,423 KB）

相似文章

BrainG3N: 一种用于可控3D脑部MRI生成的双用途分词器

arXiv cs.AI

介绍了BrainG3N，一种用于3D脑部MRI潜在扩散的双用途分词器，它使用冻结的掩码自编码器（MAE）编码器生成临床信息丰富的嵌入表示，并使用CNN解码器进行重建，在23个任务的基准测试中达到了最先进性能，并实现了可控生成和纵向预测。