Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
04–05 2022 15 www medicaldesign news Panorama Priv -Doz Dr habil Jeanette Lorenz Senior Scientist am Fraunhofer IKS Radiologie am Klinikum der Ludwig-Maximilians-Universität München den Einsatz von QCCNNs für Klassifikationsaufgaben in der medizinischen Bildgebung Beispielaufgaben sind die Klassifikation von Tumoren in 2D-Ultraschall-Bildern der Brust oder von Knoten in der Lunge auf 3D-CT-Bildern als gutartig oder bösartig Im Falle von 2D-Bilddaten kann hierbei eine relativ einfache Architektur des QCCNNs gewählt werden Bild wo ein klassischer Convolutional Layer direkt durch einen Quantum Convolutional Layer ersetzt wird Bei geeigneter Wahl der Architektur der Quantum Convolutional Layer zeigen erste Ergebnisse für 2D-Ultraschallbilder der Brust dass bei weniger Parametern höhere Genauigkeiten erzielt werden als in der klassischen Alternative Da es sich hierbei noch dazu um einen Datensatz mit weniger als 600 Bildern handelt ist dies sehr beachtlich Die 3D-CT-Bilder der Lunge können aufgrund der Größe von 128 x 128 x 64 Pixel nicht direkt in einen Quantum Convolutional Layer eingelesen werden – die Laufzeiten wären gegenwärtig noch zu lang Vielversprechende Ergebnisse zeigen sich aber bereits für einen etwas veränderten Algorithmus in dem zunächst eine Datenkompression durch klassische Convolutional Layer vorgenommen wird bevor ein Quantum Convolutional Layer eingesetzt wird Dies ist das erste Mal dass für ein reales Anwendungsproblem ein QCCNN für dreidimensionale Bilddaten entwickelt wurde Diese ersten Ergebnisse sind sehr ermutigend und lassen erhoffen dass sich zukünftig QCunterstützte KI-Algorithmen auch in Situationen mit wenig Trainingsdaten zuverlässig einsetzen lassen – wie in der medizinischen Diagnostik uh ■ Ultra-High Precision Thin Film Chip Resistor Networks Down to 1ppm Kin relative TCR Susumu Deutschland GmbH www susumu de Frankfurter Str 63 - 69 | 65760 Eschborn | +49 0 6196 96 98 407 | info@susumu de Susumu Format 1 4 Seite Design Elektronik 105 x 143 mm + 5 mm rechts unten » Predictive Maintenance » Remote Monitoring Internet of Medical Things with Bi ld Fra un ho fe r IK S