एक क्वांटम-उन्नत कृत्रिम तंत्रिका नेटवर्क मॉडल प्रभावी चिकित्सा चित्र संकुचन के लिए

उच्च-रिज़ॉल्यूशन छवियों जैसे कि MRI और CT स्कैन को गुणवत्ता खोए बिना प्रभावी रूप से संग्रहित और संचालित करने की क्षमता चिकित्सा इमेजिंग को आधुनिक बनाने के लिए महत्वपूर्ण है। पारंपरिक संकुचन विधियाँ आवश्यक चिकित्सा छवि डेटा खोने का जोखिम उठाती हैं, जिसके लिए निदान के लिए पूर्ण विवरण की आवश्यकता होती है। क्वांटम एल्गोरिदम सुपरपोज़िशन और उलझाव का उपयोग तेजी से संकुचन के लिए करते हैं, जबकि महत्वपूर्ण जानकारी को संरक्षित रखते हैं। यह शोध एक क्वांटम-उन्नत कृत्रिम तंत्रिका नेटवर्क (QANN) मॉडल प्रस्तुत करता है, जो छवि संकुचन में सुधार के लिए क्वांटम विशेषता निष्कर्षण को प्राचीन तंत्रिका नेटवर्क टोपोलॉजी के साथ जोड़ता है। हमारी विधि मानकीकृत प्राचीन डेटा को क्वांटम राज्यों में परिवर्तित करने, इन राज्यों को पैरामीटरयुक्त क्वांटम सर्किट का उपयोग करके नियंत्रित करने और प्राप्त राज्यों को मापने के लिए है ताकि उन्नत विशेषता वेक्टर उत्पन्न कर सकें। क्वांटम-उन्नत विशेषताएँ छवि संकुचन के लिए एक पारंपरिक तंत्रिका नेटवर्क में डाली जाती हैं। प्रयोगात्मक परिणाम स्पष्ट रूप से दिखाते हैं कि हमारा QANN ढांचा सटीक पुनर्निर्मित छवियों, आकार में कमी, और विशेषकर बड़े और जटिल डेटा सेट संभालने में जगह बचाने के प्रतिशत में मानक मॉडलों से बेहतर प्रदर्शन करता है। QANN मॉडल यह दर्शाता है कि कैसे क्वांटम कंप्यूटिंग चिकित्सा छवि प्रसंस्करण समाधानों की प्रभावशीलता को महत्वपूर्ण रूप से बढ़ा सकती है। Kaggle मस्तिष्क CT और MRI डेटासेट और COVID-CXNet छाती एक्स-रे छवियाँ उपयोग की गई हैं। प्रस्तावित QANN मॉडल पीक सिग्नल-टू-नॉइज़ अनुपात (PSNR) और संरचनात्मक समानता सूचकांक (SSIM) में सुधार करता है। क्वांटम तकनीक का उपयोग करके, MRI (73.3 %), X-रे (74.1%), और CT-SCAN (71.8%) के लिए छवि के आकार को कम किया गया है ताकि स्थान बचाया जा सके।