Akademik tədqiqatlar, aydın dil

Verianla | Akademik Araştırmalardan Türkçe Ekonomi ve Bilim İçerikleri

18 noyabr 2026, çərşənbə
VERİANLA Müstəqil elmi yayımçılıq
Menyunu açın və ya bağlayın
...
Home / Səhiyyə Elmləri / Tibbi Tədqiqatlar / Saliency-Duyarlı Tibbi Təsvir Kodlaması üçün Hibrid Kvant-Klassik Çərçivə
Tibbi Tədqiqatlar

Saliency-Duyarlı Tibbi Təsvir Kodlaması üçün Hibrid Kvant-Klassik Çərçivə

Saliency-Aware Hybrid Quantum Image Representation (SAHQR), təsvirdəki bütün bölgələri eyni dəqiqliklə kvant halına kodlamaq əvəzinə klassik gradient-əsaslı saliency analizi ilə struktur baxımından önə çıxan bölgələri müəyyən edən və kvant kodlama dəqiqliyini bu regional əhəmiyyət məlumatına görə dəyişən hibrid kvant təsvir təqdimetmə üsuludur.

15/11/2026  Veri Anla  155 baxış
Saliency-Duyarlı Tibbi Təsvir Kodlaması üçün Hibrid Kvant-Klassik Çərçivə

Saliency-Aware Hybrid Quantum Image Representation (SAHQR), təsvirdəki bütün bölgələri eyni dəqiqliklə kvant halına kodlamaq əvəzinə klassik gradient-əsaslı saliency analizi ilə struktur baxımından önə çıxan bölgələri müəyyən edən və kvant kodlama dəqiqliyini bu regional əhəmiyyət məlumatına görə dəyişən hibrid kvant təsvir təqdimetmə üsuludur. Tədqiqatda salient bölgələr 8-bit tam dəqiqliklə, non-salient bölgələr isə 4-bit sıxılmış dəqiqliklə təqdim edilir; əlavə olaraq, bölgənin salient olub-olmadığını işarələmək üçün bir saliency kubiti istifadə olunur. Üsul on mövcud kvant təsvir təqdimetmə üsulu ilə müqayisə edilmiş və 6097 MINC tibbi təsviri, 2000 Synthetic Aperture Radar (SAR) tile-ı və 2298 Brain Tumor MRI təsviri olmaqla ümumilikdə 10.395 təsvir üzərində qiymətləndirilmişdir.

MINC təcrübələrində bütün təsvirlər 16×16 pikselə və 8-bit boz səviyyəyə çevrilmişdir. Bu ayırdetmədə SAHQR 17 kubit istifadə edir: səkkiz position qubit, səkkiz color qubit və bir saliency flag qubit. Mənbədə MINC təsvirlərinin orta salient-piksel nisbəti %29,85 olaraq bildirilir. Buna görə təsvirin təxminən %30-u tam 8-bit dəqiqliklə, təxminən %70-i isə 4-bit sıxılmış kodlama ilə təqdim edilir. Müəlliflərin nəzəri gate-count modeli bu quruluş üçün təxminən 1329,6 gate hesablayır; Qiskit decomposition və optimization sonrasında bildirilən eksperimental orta isə 346,12 gate, orta circuit depth 339,12 və orta circuit-construction/encoding müddəti 33,15 ms-dir.

Lakin SAHQR bütün mənbə ölçütlərində ən yaxşı üsul deyil. Məsələn, 2D-QSNA və QPIE yalnız səkkiz kubit istifadə edir; 2D-QSNA-nın orta encoding time dəyəri 0,82 ms və mənbə cədvəlindəki compression dəyəri 256-dır. SAHQR-nin orijinal töhfəsi minimum kubit, minimum depth və ya minimum gate sayını əldə etmək deyil; təsvirin məzmununa görə kodlama dəqiqliyini dəyişə bilən resurs bölgüsü mexanizmi əlavə etməkdir. Mənbə də tədqiqatın universal şəkildə optimal bir təsvir təqdimatı deyil, saliency-aware quantum encoding üçün proof of concept kimi şərh edilməli olduğunu açıq şəkildə bildirir.

Tədqiqatdakı kvant dövrələri real kvant prosessorunda işlədilməmişdir. Əsas hesablamalar Qiskit 0.45.0 statevector simulator ilə Google Colab üzərində aparılmış, depolarizing noise, amplitude damping və readout error analizləri isə Qiskit Aer noise model simulyasiyaları ilə həyata keçirilmişdir. Real IBM Quantum, IonQ və ya Rigetti cihazlarında doğrulama tədqiqatın əhatəsinə daxil deyil və müəlliflər bunu gələcək iş kimi göstərirlər. Buna görə əldə edilən nəticələr real quantum-hardware üstünlüyü və ya klinik istifadə sübutu kimi şərh edilməməlidir.

Tibbi tətbiq baxımından digər mühüm məhdudiyyət istifadə edilən saliency mexanizminin həkim və ya segmentasiya modeli tərəfindən müəyyən edilmiş klinik əhəmiyyət xəritəsi olmamasıdır. Saliency Sobel gradient moduluna əsaslanır və əsasən kənar, sərhəd və lokal kontrastı tutur. Buna görə “salient” etiketi mənbədə “diaqnostik baxımdan mütləq əhəmiyyətli şiş bölgəsi” ilə eyni məna daşımır. Müəlliflər də klinik əhəmiyyət üçün ekspert annotasiyaları və ya segmentation mask-lərlə ayrıca doğrulama lazım olduğunu bildirirlər.

Tədqiqatın əsas problemi

Kvant təsvir emalında ilk problem təsvirin özünü kvant halında necə təqdim etməkdir. Klassik kompüterdə piksel dəyəri və mövqeyi birbaşa bit ardıcıllıqları ilə saxlanıla bilər. Kvant kompüterində isə təsvirin mövqeyi, intensivliyi, rəngi və ya digər xüsusiyyətləri kubitlərin computational basis hallarına, probability amplitude-larına və ya rotation angle-larına kodlana bilər.

Mövcud üsulların çoxu təsvir məzmununa baxmadan bütün pikselləri eyni şəkildə emal edir. Mənbə tədqiqatın araşdırma sualı budur: təsvirin struktur baxımından mühüm bölgələrini əvvəlcədən müəyyən edib kvant resurslarının daha böyük hissəsini bu bölgələrə ayırmaq mümkündürmü?

SAHQR-nin cavabı hibrid quruluşdur. Saliency detection klassik kompüterdə aparılır; əldə edilən saliency mask daha sonra kvant təsvir kodlamasında hansı pikselin tam və ya azaldılmış dəqiqliklə təqdim ediləcəyini idarə edir.

Kvant Təsvir Təqdimatı Nədir?

Kvant təsvir təqdimatı klassik rəqəmsal təsvirdəki mövqe, intensivlik və ya rəng məlumatının müəyyən kvant halının basis hallarına, amplitudalarına və ya fırlanma bucaqlarına kodlanmasını təmin edən uyğunlaşdırmadır; məqsəd yalnız az sayda kubit istifadə etmək deyil, təsviri sonrakı kvant əməliyyatlarında istifadəyə hazırlayarkən state-preparation, circuit depth, gate count, retrieval və fidelity xərclərini də nəzarətdə saxlamaqdır.

Kubit nədir?

Mənbə tək-kubit saf halını

\[ |\psi\rangle=\alpha|0\rangle+\beta|1\rangle \tag{1} \]

şəklində verir.

Burada \(\alpha\) və \(\beta\) kompleks ehtimal amplitudalarıdır və

\[ |\alpha|^2+|\beta|^2=1 \]

normallaşdırma şərtini ödəyir. Ölçmə aparıldıqda \(|0\rangle\) nəticəsinin ehtimalı \(|\alpha|^2\), \(|1\rangle\) nəticəsinin ehtimalı isə \(|\beta|^2\)-dir.

Öyrədici sərhəd: \(n\) kubitin hal fəzasının ölçüsünün \(2^n\) olması bir ölçmədə \(2^n\) klassik dəyərin hamısının oxuna biləcəyi demək deyil. Kvant təsvir təqdimatının real xərcini qiymətləndirərkən state preparation və measurement/retrieval xərcləri də vacibdir.

FRQI: Piksel intensivliyini bucağa kodlama

Flexible Representation of Quantum Images (FRQI), \(2^n\times2^n\) boz səviyyəli təsviri

\[ |I\rangle_{\mathrm{FRQI}} = \frac{1}{2^n} \sum_{i=0}^{2^{2n}-1} \left( \cos\theta_i|0\rangle+ \sin\theta_i|1\rangle \right)\otimes|i\rangle \tag{2} \]

şəklində təqdim edir.

\[ \theta_i= \frac{\pi}{2}\frac{g_i}{255}. \]

\(g_i\), 0–255 arasındakı boz səviyyədir. Piksel mövqeyi \(2n\) position qubit ilə, intensivlik isə bir color qubit-in rotation angle-ı ilə təqdim olunur.

Mənbə FRQI üçün \(2n+1\) kubit, \(O(2^{2n})\) idarə olunan rotation gate və ən pis halda \(O(2^{2n})\) circuit depth verir.

NEQR: Piksel intensivliyini computational basis-ə kodlama

\[ |I\rangle_{\mathrm{NEQR}} = \frac{1}{2^n} \sum_{y=0}^{2^n-1} \sum_{x=0}^{2^n-1} |C_{yx}\rangle\otimes|y\rangle\otimes|x\rangle. \tag{3} \]

\(|C_{yx}\rangle\), pikselin \(q\)-bit boz səviyyə dəyərini computational basis üzərində daşıyır. NEQR-nin FRQI-dən mühüm fərqi intensivliyi rotation angle əvəzinə açıq bit ardıcıllığı kimi təqdim etməsidir.

Mənbə NEQR üçün \(2n+q\) kubit və təxminən \(O(q\,2^{2n})\) gate/depth mürəkkəbliyi bildirir.

GQIR: İxtiyari təsvir ölçüləri

\[ |I\rangle_{\mathrm{GQIR}} = \frac{1}{\sqrt{MN}} \sum_{y=0}^{M-1} \sum_{x=0}^{N-1} |f(y,x)\rangle|y\rangle|x\rangle. \tag{4} \]

Generalized Quantum Image Representation (GQIR), yalnız ikinin qüvvəti olan kvadrat təsvirlər əvəzinə ümumi \(M\times N\) ölçülərini dəstəkləməyi hədəfləyir.

MCQI: RGB kanallarının ayrı təqdimatı

\[ |I\rangle_{\mathrm{MCQI}} = \frac{1}{2^n} \sum_{i=0}^{2^{2n}-1} |R_i\rangle|G_i\rangle|B_i\rangle\otimes|i\rangle. \tag{5} \]

Multi-Channel Quantum Image (MCQI), qırmızı, yaşıl və mavi kanalları ayrı kvant register-lərində daşıyır. Bunun qarşılığı resurs istifadəsinin artmasıdır.

QRMW: Çox dalğa uzunluqlu təsvirlər

\[ |I\rangle_{\mathrm{QRMW}} = \frac{1}{\sqrt{2^{2n}K}} \sum_{k=0}^{K-1} \sum_{i=0}^{2^{2n}-1} |C_i^k\rangle\otimes|k\rangle\otimes|i\rangle. \tag{6} \]

\(K\), spectral-band sayını göstərir. QRMW multi-spectral/hyperspectral məlumat üçün əlavə band-selection register istifadə edir.

EFRQI: Amplituda və fazadan birlikdə istifadə

\[ |I\rangle_{\mathrm{EFRQI}} = \frac{1}{2^n} \sum_{i=0}^{2^{2n}-1} \left( \cos\theta_i|0\rangle+ e^{i\phi_i}\sin\theta_i|1\rangle \right)\otimes|i\rangle. \tag{7} \]

Enhanced FRQI təsvir məlumatını həm \(\theta_i\), həm də \(\phi_i\) parametrlərinə daşıyan genişləndirilmiş bucaq/faza kodlamasından istifadə edir.

2D-QSNA: Amplitude encoding

\[ |I\rangle_{\mathrm{2D-QSNA}} = \sum_{i=0}^{N-1}\alpha_i|i\rangle, \qquad \alpha_i= \frac{g_i}{ \sqrt{\sum_j g_j^2} }. \tag{8} \]

Burada klassik piksel dəyərləri normallaşdırılaraq birbaşa quantum-state amplitude-larına yerləşdirilir. Mənbə 256 piksel üçün səkkiz kubitlik təqdimat verir; lakin amplitude encoding-də state preparation xərcinin nəzəri formullarda abstraktlaşdırıla bilməsi üsullararası gate-count müqayisəsinin ehtiyatla şərh edilməsini tələb edir. Məqalə də bu məhdudiyyəti öz cost-model bölməsində qeyd edir.

INEQR

\[ |I\rangle_{\mathrm{INEQR}} = \frac{1}{2^n} \sum_{y=0}^{2^n-1} \sum_{x=0}^{2^n-1} |C_{yx}^{R}\rangle |C_{yx}^{G}\rangle |C_{yx}^{B}\rangle |y\rangle|x\rangle. \tag{9} \]

Mənbə INEQR-ni NEQR ailəsində rəng-kanalı kodlamasının təkmilləşdirilmiş forması kimi nəzərdən keçirir.

QPIE: Ehtimal-amplituda təqdimatı

\[ |I\rangle_{\mathrm{QPIE}} = \sum_{i=0}^{N-1} \sqrt{p_i}|i\rangle, \tag{10} \]

burada \(p_i\), piksel intensivliklərindən normallaşdırılmış ehtimal dəyəridir.

QLR: Log-polar koordinatlar

\[ |I\rangle_{\mathrm{QLR}} = \frac{1}{2^n} \sum_{\rho=0}^{2^n-1} \sum_{\theta=0}^{2^n-1} |f(\rho,\theta)\rangle |\rho\rangle|\theta\rangle. \tag{11} \]

Quantum Log-Polar Representation (QLR), təsviri Kartezyen mövqe əvəzinə log-polar koordinatlarda təqdim edərək rotation-invariant əməliyyatlar üçün uyğun quruluş təmin etməyi hədəfləyir.

ÜsulKubitGate mürəkkəbliyiDepth
FRQI\(2n+1\)\(O(2^{2n})\)\(O(2^{2n})\)
NEQR\(2n+q\)\(O(q2^{2n})\)\(O(q2^{2n})\)
GQIR\(2n+q\)\(O(MN)\)\(O(MN)\)
MCQI\(2n+3q\)\(O(3q2^{2n})\)\(O(3\cdot2^{2n})\)
QRMW\(2n+\log K+q\)\(O(Kq2^{2n})\)\(O(K2^{2n})\)
EFRQI\(2n+1\)\(O(2^{2n})\)\(O(2^{2n})\)
2D-QSNA\(\log N\)\(O(N)\)\(O(\log N)\)
INEQR\(2n+3q\)\(O(3q2^{2n})\)\(O(2^{2n})\)
QPIE\(\log N\)\(O(N)\)\(O(N)\)
QLR\(2n+q\)\(O(q2^{2n})\)\(O(2^{2n})\)

Ümumi kvant təsvir uyğunlaşdırması

Tədqiqat ümumi \(2^n\)-ölçülü saf kvant halını

\[ |\psi\rangle= \sum_{i=0}^{2^n-1} \alpha_i|i\rangle, \qquad \sum_{i=0}^{2^n-1}|\alpha_i|^2=1 \tag{12} \]

kimi müəyyən edir və quantum image representation-ı klassik təsvir \(I\)-ni kvant halına \(|I\rangle\) çevirən

\[ \mathcal R:I\rightarrow|I\rangle \]

uyğunlaşdırma kimi çərçivələndirir.

Çoxməqsədli optimallaşdırma problemi

\[ \min_{\mathcal R} \mathcal L(\mathcal R) = \lambda_1Q(\mathcal R) + \lambda_2D(\mathcal R) + \lambda_3G(\mathcal R) + \lambda_4T(\mathcal R). \tag{13} \]

Formula nəyi hesablayır? Quantum image representation seçiminin yalnız bir metrikə görə deyil; kubit, circuit depth, gate count və encoding time arasında çəkili xərc tarazlığı ilə qiymətləndirilməsini təmin edir.

\(Q\): tələb olunan kubit sayıdır. \(D\): circuit depth-dir. \(G\): gate count-dur. \(T\): encoding time-dır. \(\lambda_1,\ldots,\lambda_4\) isə bu xərclərin nisbi əhəmiyyətini müəyyən edən çəkilərdir.

Mənbə sərhədi: Məqalə təcrübələrində bu \(\lambda_i\) çəkiləri üçün konkret optimallaşdırılmış ədədi dəyərlər bildirilmir. Tənlik daha çox formal problem tərifidir.

Fidelity məhdudiyyəti

\[ F(I,\widetilde I) = \frac{1}{MN} \sum_{y=0}^{M-1} \sum_{x=0}^{N-1} \left( 1- \frac{ |g_{yx}-\widetilde g_{yx}| }{ 2^q-1 } \right) \geq\tau. \tag{14} \]

\(g_{yx}\) orijinal piksel dəyəri, \(\widetilde g_{yx}\) yenidən əldə edilmiş piksel dəyəri və \(\tau\) qəbul edilən minimum fidelity həddidir. Bu fidelity tərifi quantum-state fidelity ilə tam eyni anlayış deyil; mənbə burada piksel yenidənqurma dəqiqliyi üzərindən müəyyən edilmiş təsvir-fidelity ölçütündən istifadə edir.

Saliency-çəkili fidelity

\[ F_S(I,\widetilde I) = \frac{ \sum_{y,x} s_{yx} \left( 1- \frac{ |g_{yx}-\widetilde g_{yx}| }{ 2^q-1 } \right) }{ \sum_{y,x}s_{yx} }. \tag{15} \]

Bu tənlik təsvirin hər pikselinə eyni çəki vermək əvəzinə yüksək saliency dəyərinə malik piksellərdəki xətanı daha əhəmiyyətli edir. Yəni SAHQR-nin riyazi məqsədi “hər yerdə eyni keyfiyyət” deyil, əhəmiyyətli qəbul edilən bölgələrdə keyfiyyəti daha güclü qorumaqdır.

Kvant dövrəsi

\[ C= U_LU_{L-1}\cdots U_2U_1, \tag{16} \]
\[ |I\rangle= C|0\rangle^{\otimes n}. \tag{17} \]

Circuit depth girişdən çıxışa ən uzun gate-layer yoludur; gate count isə dövrədəki elementary operation sayıdır.

Mənbənin compression-ratio tərifi

\[ CR= \frac{ M\times N\times q }{ n }. \tag{18} \]

Bu tərif klassik təsvirin \(M\times N\times q\) bitlik nominal ölçüsünü kvant təqdimatındakı \(n\) kubit sayına bölür.

Mühüm şərh sərhədi: Bu nisbət quantum computer-ın fiziki yaddaşının klassik RAM-dan eyni nisbətdə kiçik olduğuna dair birbaşa aparat ölçümü deyil. Kvant halının hazırlanması, idarə edilməsi və klassik şəkildə oxunması ayrıca xərc tələb edir. Tənlik tədqiqatın öz representation-resource metrikidir.

Mənbədaxili rəqəm problemi: Tənlik (18) və Cədvəl 5 bu tərifi versə də, nəticə Cədvəl 7-dəki “Compress.” rəqəmləri bu formulla birbaşa uyğun gəlmir. Bundan əlavə, SAHQR üçün Cədvəl 7-də 3,18, klassik sıxışdırma Cədvəl 10-da 9:1 bildirilir. Mənbə bu fərqli dəyərlərin eyni və ya fərqli compression təriflərindən qaynaqlanıb-qaynaqlanmadığını kifayət qədər izah etmir. Buna görə bu dəyərlər bir-birinə çevrilməməlidir.

Scalability factor

\[ SF= \frac{1}{n}\times100. \tag{19} \]

Bu, məqaləyə xas sadə resurs metrikidir: daha az kubit istifadə edən representation daha yüksək scalability score alır. Universal kvant miqyaslana bilmə ölçütü deyil; topology, gate fidelity, connectivity, state-preparation cost və error correction kimi digər aparat təsirlərini ehtiva etmir.

SAHQR Nədir və Kvant Resurslarını Necə Paylayır?

SAHQR, Sobel gradient-lərindən alınan saliency xəritəsi ilə təsviri salient və non-salient bölgələrə ayıran; salient pikselləri 8-bit tam dəqiqliklə, non-salient pikselləri 4-bit sıxılmış kodlama ilə təqdim edən və bu iki kodlama yolunu bir saliency flag qubit üzərindən kvant dövrəsində şərtləndirən məzmun-duyarlı hibrid kvant təsvir təqdimatıdır.

Salient və non-salient bölgələrin riyazi ayrılması

\[ \Omega_S= \{(y,x):s_{yx}\geq\theta_s\}, \qquad \Omega_N= \{(y,x):s_{yx}\lt\theta_s\}. \tag{20} \]

\(\Omega_S\) salient piksel çoxluğunu, \(\Omega_N\) non-salient piksel çoxluğunu və \(\theta_s\) saliency threshold-u göstərir.

SAHQR kvant halı

\[ |I\rangle_{\mathrm{SAHQR}} = \frac{1}{ \sqrt{|\Omega_S|+|\Omega_N|} } \left( \sum_{(y,x)\in\Omega_S} |C^{\mathrm{full}}_{yx}\rangle |y\rangle|x\rangle|1\rangle + \sum_{(y,x)\in\Omega_N} |C^{\mathrm{comp}}_{yx}\rangle |y\rangle|x\rangle|0\rangle \right). \tag{21} \]

Son kubit saliency flag-dir. \(|1\rangle\) salient bölgəni; \(|0\rangle\) non-salient bölgəni göstərir. Beləliklə, eyni quantum state daxilində iki fərqli precision regime olur.

Mənbə tədqiqatın Şəkil 1 və Şəkil 12-dəki elmi əlaqələrinə əsasən Verianla üçün hazırlanmış source-derived, miqyassız sxem. Təsvir anatomiyası və ya saliency forması real xəstəyə aid məlumat deyil; yalnız resurs bölgüsü mexanizmini göstərir.

Saliency necə hesablanır?

\[ S(y,x) = \frac{ |\nabla I(y,x)| }{ \max_{y',x'}|\nabla I(y',x')| }. \tag{22} \]

\(S(y,x)\), 0 ilə 1 arasında normallaşdırılmış saliency dəyəridir.

\[ |\nabla I| = \sqrt{G_x^2+G_y^2}. \tag{23} \]

Üfüqi Sobel operatoru:

\[ G_x= \begin{bmatrix} -1&0&1\\ -2&0&2\\ -1&0&1 \end{bmatrix} *I. \tag{24} \]

Şaquli Sobel operatoru:

\[ G_y= \begin{bmatrix} -1&-2&-1\\ 0&0&0\\ 1&2&1 \end{bmatrix} *I. \tag{25} \]

\(*\), təsvir ilə kernel arasındakı convolution əməliyyatını göstərir. Sobel gradient böyük olduqda həmin mövqedə intensivlik sürətlə dəyişir; bu adətən kənar və ya sərhəd deməkdir.

Klinik sərhəd: Gradient modulu patoloq, radioloq və ya ekspert segmentasiyasını əvəz etmir. Sərhədin vizual olaraq qabarıq olması onun mütləq diaqnostik baxımdan ən vacib bölgə olduğu demək deyil.

Adaptiv threshold

\[ \theta_s= \mu_S+\alpha\sigma_S. \tag{26} \]

\(\mu_S\), saliency dəyərlərinin ortalaması; \(\sigma_S\), standart sapmasıdır. Mənbə default olaraq \(\alpha=0\) verir.

\[ \Omega_S= \{(y,x):S(y,x)\geq\theta_s\}, \tag{27} \]
\[ \Omega_N= \{(y,x):S(y,x)\lt\theta_s\}. \tag{28} \]

Mənbədaxili açıqlıq problemi: Dataset-statistics bölməsində əlavə olaraq “saliency threshold \(\theta_s=0.5\) (adaptive)” ifadəsi var. Method bölməsindəki Tənlik (26) isə default \(\alpha=0\) üçün threshold-u təsvirin mean saliency dəyərinə bağlayır. Mənbə bu iki threshold ifadəsinin bütün təsvirlərdə necə uzlaşdırıldığını ətraflı izah etmir.

Salient bölgənin 8-bit kodlaması

\[ |C_{yx}^{\mathrm{full}}\rangle = |c^7_{yx}c^6_{yx}c^5_{yx}c^4_{yx} c^3_{yx}c^2_{yx}c^1_{yx}c^0_{yx}\rangle. \tag{29} \]

Bu bölmədə \(q=8\) olduğuna görə 0–255 aralığındakı boz səviyyə səkkiz bit üzərindən təqdim edilir.

Non-salient bölgənin 4-bit kodlaması

\[ |C_{yx}^{\mathrm{comp}}\rangle = |c^3_{yx}c^2_{yx}c^1_{yx}c^0_{yx}\rangle. \tag{30} \]

Mənbə alqoritmi sıxılmış dəyəri

\[ g'_{yx} = \left\lfloor \frac{g_{yx}}{16} \right\rfloor \]

kimi hesablayır. Bu əməliyyat 0–255 aralığını 0–15 aralığındakı 16 səviyyəyə endirir. Beləliklə, non-salient piksellərdə dörd bitlik quantization tətbiq olunur.

Şərtli kvant kodlaması

\[ U_{\mathrm{SAHQR}} = \prod_{(y,x)\in\Omega_S} U^{yx}_{\mathrm{full}} \cdot \prod_{(y,x)\in\Omega_N} U^{yx}_{\mathrm{comp}}. \tag{31} \]

\(U_{\mathrm{full}}\) tam dəqiqlikli; \(U_{\mathrm{comp}}\) sıxılmış position-controlled encoding unitary-sidir.

Mənbə Şəkil 12 və Şəkil 13-də təsvir olunan SAHQR arxitekturasından Verianla üçün yenidən qurulmuş source-derived metod sxemi. Dövrə topologiyası öyrədici şəkildə sadələşdirilib; nəşr fiqurunun piksel surəti deyil.

17 kubit necə əldə edilir?

\[ n_{\mathrm{SAHQR}} = 2n+q+1 = 2\cdot4+8+1 = 17. \tag{32} \]

16×16 təsvir üçün hər oxu göstərmək üçün \(n=4\) bit lazımdır. \(x\) və \(y\) mövqeləri cəmi səkkiz position qubit istifadə edir. Səkkiz color qubit və bir saliency qubit əlavə ediləndə cəmi 17 kubit alınır.

Nəzəri gate-count modeli

\[ G_{\mathrm{SAHQR}} = rMNq+ (1-r)MNq'. \tag{33} \]

\(r\), salient-piksel nisbətidir:

\[ r= \frac{|\Omega_S|}{MN}. \]

Mənbə təcrübəsində

\[ r=0.2985, \qquad M=N=16, \qquad q=8, \qquad q'=4. \]

Beləliklə:

\[ G_{\mathrm{SAHQR}} = 0.2985\cdot256\cdot8 + 0.7015\cdot256\cdot4 \tag{34} \]
\[ = 611.3+718.3 = 1329.6 \quad\text{gate (teorik)}. \tag{35} \]

1329,6-nın kəsrli olması fiziki dövrədə “0,6 gate” olduğu demək deyil; orta salient nisbətindən hesablanan gözlənilən gate-count təxmini olduğuna görə nəticə kəsrli çıxır.

Nəzəri gate sayı niyə 1329,6 ikən ölçülən orta 346,12-dir?

Mənbə nəzəri hesabı pre-decomposition səviyyəsində verir. Sonra bütün üsullar Qiskit ilə \(\{u3,cx\}\) basis gate setinə transpile edilir və optimization level 3 tətbiq olunur. Gate cancellation, merging və redundant controlled-operation aradan qaldırma əməliyyatları səbəbindən nəticə dəyişir.

MərhələGate sayı
Xam / pre-decomposition nəzəri dəyər1329,6
Decomposition sonrası1872
Optimization sonrası orta346,12

Decomposition sonrası gate sayının əvvəlcə artması normaldır; böyük/çox idarə olunan logical operation-lar daha kiçik basis gate-lərə ayrılır. Daha sonra transpiler bu gate-lərin əhəmiyyətli hissəsini birləşdirir və ya ləğv edir.

Circuit depth miqyaslanması

\[ D_{\mathrm{SAHQR}} = O(MN) = O(2^{2n}). \tag{36} \]

MINC məlumat dəstində mənbə orta circuit depth-i 339,12 olaraq verir. Ayrı-ayrı dövrələrin depth-i tam ədəd olsa da, 6097 təsvir üzrə orta kəsrli ola bilər.

Tədqiqatın Metodu və Nəticələri

Məlumat dəstləri

Məlumat sahəsiTəsvir sayıMənbə formatı / xüsusiyyətKvant qiymətləndirmə ayırdetməsi
MINC Medical609713 qovluqdan tibbi MINC təsvirləri16×16, 8-bit boz səviyyə
ICEYE SAR2000256×256 tile-lara bölünmüş 16-bit SAR amplitude məlumatı16×16, 8-bit boz səviyyə
Brain Tumor MRI2298T1-weighted contrast-enhanced; glioma, meningioma, pituitary512×512-dən 16×16-ya

Üç məlumat sahəsindəki ümumi təsvir sayı:

\[ 6097+2000+2298=10395. \]

MINC ilkin emalı

  1. MINC faylları nibabel ilə yüklənir.
  2. Həcmli təsvirlərdən 2B slice çıxarılır.
  3. Intensity dəyərləri 0–255 aralığına normallaşdırılır.
  4. Təsvirlər 16×16 pikselə yenidən ölçüləndirilir.
  5. Məlumat unsigned 8-bit integer formatına çevrilir.

MINC məlumat dəsti üçün mənbə orta intensity \(\mu=127.3\), standart sapma \(\sigma=58.7\), intensity range 0–255 və ümumi emal edilmiş piksel sayı 1.560.832 verir.

Saliency paylanması

MINC üzrə orta salient nisbəti:

\[ \bar r=29.85\%. \]

Salient-ratio standart sapması mənbədə:

\[ \sigma_r=0.30\% \]

kimi bildirilir. Bu aşağı paylanma həmin 6097 preprocessed MINC təsvirində gradient-əsaslı saliency mask ölçüsünün olduqca oxşar olduğunu göstərir.

Hesablama mühiti

KomponentDəyər
PlatformGoogle Colab, Ubuntu 22.04
GPUNVIDIA Tesla T4
Proqramlaşdırma diliPython 3.10
Kvant frameworkQiskit 0.45.0
Image processingNumPy 1.26.4, SciPy 1.11.4, nibabel 5.2.0
VizuallaşdırmaMatplotlib 3.8.2
Əsas quantum backendStatevector simulator

Ümumi təcrübə sayı

6097 MINC təsvirinin 11 üsulla qiymətləndirilməsi:

\[ 6097\times11=67067 \]

encoding operation yaradır. Nəticələr hər 500 təsvirdə checkpoint edilmişdir.

On qiymətləndirmə ölçütü

IDÖlçütMənbə hesablama forması
P1Tələb olunan kubitcircuit.num_qubits
P2Circuit depthcircuit.depth()
P3Gate countlen(circuit.data)
P4Encoding timeWall-clock time, ms
P5Scalability factor\(100/n\)
P6Information loss\(1-\mathrm{SSIM}(I,\widetilde I)\)
P7Compression ratio\(M\times N\times q/n\)
P8Memory overhead\(100n/n_{\mathrm{FRQI}}\)
P9Gate complexityGate count / num_qubits
P10Implementation scoreAlqoritmik mürəkkəblik, 1–5

Mənbə qeydi: Abstract “ten criteria” desə də, oradakı söz siyahısında gate count ayrıca maddə kimi görünmür; Table 2 və Table 5 isə on ölçütü açıq şəkildə P1–P10 kimi müəyyən edir. Verianla metod cədvəllərini əsas götürüb.

MINC üzərində 11 üsulun əsas nəticələri

ÜsulKubitGate, orta ± ssDepthMüddət (ms)Mənbə “Compress.”Gate complexityMemory (%)Implementation
FRQI9121.61 ± 15.60113.611.662.0613.51100.02
NEQR16312.38 ± 67.26305.3831.100.4519.52177.83
GQIR1297.96 ± 36.3790.969.792.418.16133.33
MCQI18923.13 ± 201.77914.1392.240.1351.28200.04
QRMW181977.72 ± 254.19312.1620.620.37109.87200.04
EFRQI987.97 ± 20.8079.971.543.159.77100.03
2D-QSNA83.74 ± 0.491.000.82256.00.4788.94
INEQR16341.69 ± 84.11334.6940.520.5121.35177.83
QPIE84.21 ± 0.841.000.95256.00.5388.94
QLR181944.38 ± 312.11310.1520.150.38108.02200.04
SAHQR17346.12 ± 71.30339.1233.153.1821.63177.83

Bu cədvəl SAHQR-nin niyə “hər baxımdan ən yaxşı” kimi təqdim edilməməli olduğunu aydın göstərir. Kubit, gate, depth və encoding time baxımından xeyli daha ucuz üsullar var. SAHQR-nin fərqləndirici xüsusiyyəti content-aware differential precision mexanizmidir.

Şəkil 14–17-nin elmi mesajı

Mənbə Şəkil 14 on performans metrikini 11 üsul üçün yanaşı müqayisə edir; SAHQR-nin tarazlı, lakin hər ox üzrə optimal olmayan profil göstərdiyi bildirilir. Şəkil 15 eyni müqayisəni 0–1 normallaşdırılmış radar qrafikinə çevirir. Şəkil 16 üsulların metrik profilləri arasındakı korrelyasiyanı göstərir və mənbə SAHQR ilə NEQR ailəsi arasında təxminən 0,90 korrelyasiya bildirir. Şəkil 17 isə salient ratio paylanmasını, gate-count əlaqəsini, SAHQR–NEQR gate müqayisəsini və 13 MINC qovluğu arasındakı davranışı göstərir.

Bu qrafiklərin bütün xam nöqtə ardıcıllıqları məqalə mətnində cədvəl şəklində verilmədiyinə görə Verianla pikseldən yeni aralıq dəyərlər çıxarmır.

Statistik analiz

Mənbə descriptive statistics, independent t-test, significance threshold və Cohen's \(d\) effect size istifadə etdiyini bildirir. Table 9-dakı müqayisələrin hamısı

\[ p\lt0.001 \]

kimi işarələnib.

MüqayisəMetriktCohen's dMənbədə verilən %95 CI
SAHQR – FRQIGate count−215.720.85[0.82, 0.88]
SAHQR – FRQICircuit depth−216.850.86[0.83, 0.89]
SAHQR – FRQIEncoding time−193.380.78[0.75, 0.81]
SAHQR – GQIRGate count−218.950.88[0.85, 0.91]
SAHQR – MCQIGate count224.210.92[0.89, 0.95]
SAHQR – EFRQIGate count−248.880.95[0.92, 0.97]
SAHQR – 2D-QSNAGate count−358.291.10[1.05, 1.15]

Şərh sərhədi: Cədvəl 9 t-statistikasının müsbət/mənfi istiqamətinin hansı subtraction order ilə yaradıldığını açıq şəkildə müəyyən etmir. Buna görə Verianla t işarəsindən asılı “SAHQR daha yaxşıdır” nəticəsi çıxarmır. Üsulların real gate/depth/time istiqaməti birbaşa Cədvəl 7 ortalamalarından oxunmalıdır.

Mənbə \(d\geq0.8\) dəyərlərini böyük effekt kimi şərh edir. Lakin statistik olaraq əhəmiyyətli fərq ilə tətbiqdə üstün istiqamət eyni anlayış deyil; böyük nümunə saylarında kiçik və ya xərc baxımından əlverişsiz fərqlər də statistik baxımdan əhəmiyyətli ola bilər.

Səs-küy simulyasiyaları

Noise modeliMənbə səviyyə etiketiFidelityPSNR (dB)
DepolarizingLow0.9532.1
DepolarizingHigh0.8227.4
Amplitude dampingMedium0.8829.6
Readout errorMedium0.9030.2

Cədvəl daha yüksək səs-küyün xüsusilə depolarizing halda fidelity və PSNR-ni azaltdığını göstərir. Lakin mənbə “Low”, “Medium” və “High” etiketlərinin ədədi error probability dəyərlərini cədvəldə və ya əlaqəli izahda bildirmir. Buna görə nəticələr konkret real kvant prosessorunun xəta dərəcəsinə birbaşa uyğunlaşdırıla bilməz.

SAHQR Real Kvant Aparatında Doğrulanıbmı?

Xeyr; tədqiqatdakı SAHQR dövrələri Qiskit statevector simulator və Qiskit Aer noise modelləri altında qiymətləndirilib, real IBM Quantum, IonQ, Rigetti və ya başqa fiziki kvant prosessorunda işlədilmiş aparat təcrübəsi mənbədə yoxdur və real-hardware doğrulaması gələcək iş kimi sadalanır.

Klassik JPEG müqayisəsi

ÜsulMənbə compression ratioPSNR (dB)SSIM
JPEG10:130.50.89
Saliency-based classical compression12:131.80.91
SAHQR9:132.60.93

Mənbəyə görə SAHQR bu müqayisədə daha aşağı compression ratio müqabilində daha yüksək PSNR və SSIM yaradır; yəni məqsəd maksimum sıxışdırma deyil, təsvir keyfiyyətini daha yaxşı qoruyan trade-off-dur.

Mənbədaxili uyğunsuzluq: Buradakı SAHQR compression ratio 9:1-dir; Cədvəl 7-də 3,18 bildirilir. Məqalə bu iki dəyərin fərqli metodoloji təriflərə aid olub-olmadığını açıq şəkildə izah etmir. Buna görə Verianla dəyərlərdən birini digərinin yerinə istifadə etmir.

Həndəsi çevirmələr

Mənbə 90°, 180° və 270° rotasiyalar ilə horizontal/vertical flip əməliyyatlarını SAHQR sonrası təsvirlər üzərində göstərir və məkan quruluşlarının qorunduğunu bildirir. Bu təcrübə representation-ın əsas həndəsi image-processing əməliyyatları ilə uyğun ola biləcəyini dəstəkləyir; lakin 16×16 ayırdetməyə endirilmiş təsvirlər üzərində aparılıb.

Cross-domain qiymətləndirmə

Məlumat dəstiTəsvirKubitGate ortaDepth ortaMüddət (ms)Mənbə compression ratioScalability
MINC Medical609717346.12339.1233.153.185.88
SAR (ICEYE)200017348.15341.3333.423.185.88
Brain Tumor MRI229817347.88340.2033.263.185.88

Bu cədvəl üç sahə arasında istifadə edilən kubit sayının sabit, orta gate/depth/time dəyərlərinin isə bir-birinə yaxın olduğunu göstərir.

Mənbədaxili uyğunsuzluq: 9.11.6 mətni Brain Tumor təsvirləri üçün təxminən 400, SAR üçün təxminən 540 gate ifadəsini işlədir, Cədvəl 12 isə müvafiq olaraq 347,88 və 348,15 verir. Verianla mənbə cədvəlindəki dəqiq ortalamaları qoruyur və mətndəki təxminən 400/540 dəyərlərini eyni nəticə kimi birləşdirmir.

SAR məlumatının hazırlanması

Mənbə ICEYE Complex Spotlight təsvirini 4 sentyabr 2024 tarixli məlumat kimi müəyyən edir. Orijinal təsvir 16.384×24.576 piksel və 16-bit amplitude məlumatıdır. Təsvir 2000 ədəd non-overlapping 256×256 tile-a bölünür; %30-dan az etibarlı piksel olan tile-lar çıxarılır. Hər tile üçün 2-ci və 98-ci percentile istifadə edilərək dynamic-range normalization tətbiq edilir, məlumat 16-bit-dən 8-bit grayscale-ə çevrilir və sonda 16×16 pikselə yenidən ölçüləndirilir.

Brain Tumor MRI məlumatının hazırlanması

Mənbə 2298 ədəd T1-weighted contrast-enhanced MRI scan istifadə edir. Təsvirlər glioma, meningioma və pituitary tumor nümunələrini ehtiva edir və MATLAB HDF5 formatındadır. Orijinal 512×512 təsvirlər kvant kodlama qiymətləndirilməsi üçün 16×16 pikselə endirilir.

Bu məlumat dəstində real xəstə təsvirlərinin istifadə olunması SAHQR-nin klinik diaqnostika sistemi kimi doğrulandığı demək deyil. Tədqiqat təsvir representation/resource ölçütlərini qiymətləndirir; radioloq diaqnostika dəqiqliyi, sensitivity, specificity və ya klinik outcome qiymətləndirilməyib.

Xərc–fayda tarazlığı

ÖlçütBaselineSAHQR
Gate countDaha aşağıOrta səviyyəli artım
Circuit depthDaha aşağıDaha yüksək
Compression efficiencyOrtaDaha yüksək
Saliency preservationMəhdudYaxşılaşdırılmış

Mənbə SAHQR-ni xüsusilə təsvir bölgələrinin fərqli əhəmiyyət daşıdığı, salient feature preservation-ın uniform compression-dan daha vacib olduğu və kiçik/orta miqyaslı kvant implementasiyalarının hədəfləndiyi hallar üçün mövqeləndirir.

Implementation score uyğunsuzluğu

Mənbə Cədvəl 7 SAHQR üçün implementation dəyərini 3 verir. Bununla yanaşı, 9.12.6 bölməsi hibrid quruluşun “higher implementation complexity (score 5)” yaratdığını yazır. Mənbə bu iki dəyərin fərqli scoring kontekstinə aid olub-olmadığını izah etmir. Buna görə Verianla bunlardan birini səssizcə düzəltmir.

Tədqiqatın dəstəklədiyi nəticələr

  • SAHQR təsvir məzmununa görə iki fərqli kodlama dəqiqliyindən istifadə edən saliency-aware hibrid quantum image representation yanaşmasıdır.
  • MINC məlumat dəstindəki preprocessed təsvirlərdə orta salient ratio təxminən %29,85-dir.
  • 16×16 və 8-bit SAHQR dövrəsi mənbə formuluna görə 17 kubit istifadə edir.
  • Qiskit optimization sonrasında MINC üzərində orta gate count 346,12 və orta depth 339,12 olaraq bildirilmişdir.
  • SAHQR-nin resurs istifadə profili 6097 MINC, 2000 SAR və 2298 Brain Tumor MRI təsvirində oxşar qalmışdır.
  • Aer noise simulyasiyasında artan səs-küy fidelity və PSNR-ni azaldır.
  • SAHQR-nin əsas orijinallığı bütün təsvirə uniform encoding əvəzinə saliency-controlled differential precision tətbiq etməsidir.
  • Tədqiqat məzmun-duyarlı kvant təsvir kodlaması üçün proof-of-concept dəstəyi verir.

Tədqiqatın dəstəkləmədiyi nəticələr

  • SAHQR-nin bütün quantum image representation üsullarından hər metrikdə üstün olduğu göstərilməyib.
  • Real kvant aparatında SAHQR performansı göstərilməyib.
  • Quantum computational advantage və ya classical compression-a qarşı wall-clock quantum speedup sübut edilməyib.
  • 17 kubitlik təqdimat fiziki yaddaşın klassik təsvirdən Tənlik (18)-dəki nisbət qədər az olduğu demək deyil.
  • Gradient saliency-nin klinik əhəmiyyətli şiş və ya anatomik bölgəni etibarlı şəkildə müəyyən etdiyi sübut edilməyib.
  • 16×16 nəticələr yüksək ayırdetməli klinik MRI, CT və ya SAR deployment performansını sübut etmir.
  • Noise-model simulyasiyası real quantum-hardware noise validation deyil.
  • PSNR və SSIM nəticələri klinik diaqnostika uğuru demək deyil.
  • Expert annotation, segmentation mask və ya radioloq qiymətləndirilməsi ilə klinik saliency doğrulaması aparılmayıb.

Tədqiqatın əsas məhdudiyyətləri

Müəlliflər bütün təsvirlərin 16×16 pikselə kiçildilməsinin real təsvirlərdə struktur və semantik detalları əhəmiyyətli dərəcədə azaltdığını açıq şəkildə qəbul edirlər. Bu xüsusilə tibbi təsvirlər və SAR üçün kritikdir; yüksək ayırdetmədə kiçik lezyonlar, incə sərhədlər və ya radar teksturaları bir neçə pikselə endirilə bilər.

Gradient əsaslı saliency yalnız struktur prominence yaradır. Müəlliflər domain-informed saliency, expert annotation və ya segmentation mask ilə klinik doğrulamanın gələcək işdə aparılmalı olduğunu bildirirlər.

Real quantum hardware üzərində noise, connectivity, transpilation, calibration, readout və sampling xərcləri sınaqdan keçirilməyib. Qiskit Aer nəticələri bu aparat problemlərini tam şəkildə təmsil edə bilməz.

Gələcək iş istiqamətləri

Mənbə daha yüksək ayırdetmə, block/patch-based quantum image representation, image-specific adaptive threshold, deep-learning saliency, filtering/transformation/edge-detection kimi sonrakı quantum image operations, multi-scale encoding, real quantum hardware validation və expert-annotation əsaslı klinik doğrulama təklif edir.

Mənbə və Metod Qeydi

Orijinal başlıq: A Hybrid Quantum-Classical Framework for Saliency-Aware Medical Image Encoding.

Müəlliflər və sıra: Vrushali Nikam; Trupti Atre; Lavanya Santhosh; Asha Konasagara Nagaraja; Praveena Mydolalu Veerappa.

Corresponding author: Vrushali Nikam.

Qurum 1: Computer Engineering, MET's Institute of Engineering—Bhujbal Knowledge City, Nashik 422003, India.

Qurum 2: Computer Engineering, Gokhale Education Society's, R H Sapat College of Engineering Management Studies and Research, Nashik 422005, India.

Qurum 3: CSE Programme, School of CSE, Dr. Ambedkar Institute of Technology, Bengaluru 560056, India.

Bərabər töhfə: Yüklənmiş mənbədə bərabər birinci müəlliflik/bərabər töhfə işarəsi görünmür.

Jurnal: Quantum Reports.

Nəşriyyat: MDPI, Basel, Switzerland.

Cild / say / məqalə nömrəsi: 8 / 2 / 46.

DOI: 10.3390/quantum8020046.

Received: 10 mart 2026.

Revised: 13 aprel 2026.

Accepted: 2 may 2026.

Published: 7 may 2026.

Mənbə növü: Rəyli tədqiqat məqaləsi.

Rəy statusu: Rəyli jurnal nəşridir.

Lisenziya: Creative Commons Attribution, CC BY 4.0; müəllif hüquqları müəlliflərdə qalır.

Academic Editor: Mingxing Luo.

Əsas elmi metod: Klassik gradient/Sobel saliency detection + saliency-controlled differential quantum image encoding + Qiskit statevector simulation + on quantum-image representation üsulu ilə müqayisəli resource evaluation.

Əsas məlumat həcmi: 6097 MINC + 2000 SAR + 2298 Brain Tumor MRI = 10.395 təsvir.

MINC təcrübə əməliyyatları: 6097 təsvir × 11 üsul = 67.067 encoding operation.

Kvant avadanlığı: Fiziki quantum processor istifadə edilməyib. Əsas quantum circuit analizi statevector simulation-dır; noise testləri Qiskit Aer simulation-dır.

Klassik hesablama mühiti: Google Colab, Ubuntu 22.04, NVIDIA Tesla T4, Python 3.10.

Quantum software: Qiskit 0.45.0.

Qiskit transpilation: Müqayisəli circuit resource ölçmələri standart \(\{u3,cx\}\) basis gate setinə decomposition və optimization level 3 istifadə edilərək aparılmışdır.

Statistik metod: Descriptive statistics, independent t-tests və Cohen's d effect size. Mənbə mətni bəzi bölmələrdə ANOVA-dan da bəhs edir, lakin nəticə bölməsində ətraflı ANOVA statistikası bildirilmir. Pairwise cədvəllər \(p<0.001\) threshold-u verir; exact p dəyərləri ayrıca göstərilmir.

Maliyyələşmə: Tədqiqat external funding almadığını bildirir.

Maraqlar toqquşması: Müəlliflər conflict of interest olmadığını bəyan edirlər.

Müəllif töhfələri: Conceptualization, methodology, software, validation, visualization, supervision və project administration əsasən Vrushali Nikam tərəfindən; formal analysis, investigation, data curation və yazı müxtəlif həmmüəlliflər tərəfindən həyata keçirilmişdir. Funding acquisition Trupti Atre, Lavanya Santhosh, Asha Konasagara Nagaraja və Praveena Mydolalu Veerappa olaraq göstərilib.

Məlumat/kod əlçatanlığı: Mənbə MINC, Brain Tumor və ICEYE məlumat mənbələrinin açıq əlçatan olduğunu və implementation code ilə experimental results-ın ictimai GitHub repository-də olduğunu bildirir. Data Availability Statement daxilində üçüncü məlumat dəstinin etiketi səhvən ikinci dəfə “Brain Tumor dataset” kimi yazılmış görünsə də, tədqiqat boyunca üçüncü domain ICEYE SAR kimi müəyyən edilir.

Süni intellekt istifadə bəyanatı: Acknowledgments bölməsində Claude 3.5 Sonnet-in LaTeX formatting və technical-writing refinements üçün istifadə edildiyi, nəşr məzmununun məsuliyyətinin müəlliflərdə olduğu bildirilir.

Əsas metodoloji məhdudiyyət: Bütün təsvirlər 16×16 ayırdetməyə endirilib. Real yüksək ayırdetməli deployment, real quantum hardware və klinik validation aparılmayıb.

Saliency məhdudiyyəti: Sobel-gradient saliency struktur prominence ölçür; domain-specific və ya expert-validated diagnostic importance ölçümü deyil.

Mənbədaxili uyğunsuzluq 1: Tənlik (18)/Cədvəl 5 compression ratio tərifi ilə Cədvəl 7-dəki “Compress.” dəyərləri birbaşa ədədi olaraq uyğun gəlmir.

Mənbədaxili uyğunsuzluq 2: SAHQR compression dəyəri Cədvəl 7-də 3,18 ikən JPEG müqayisəsi Cədvəl 10-da 9:1 olaraq verilir; mənbə fərqi açıq şəkildə uzlaşdırmır.

Mənbədaxili uyğunsuzluq 3: Cədvəl 7 SAHQR implementation score dəyərini 3, 9.12.6 mətni isə 5 olaraq verir.

Mənbədaxili uyğunsuzluq 4: Cross-domain Cədvəl 12 SAR və Brain Tumor orta gate count dəyərlərini təxminən 348 olaraq verir, 9.11.6 mətni isə təxminən 540 və 400 dəyərlərindən istifadə edir.

Mənbədaxili açıqlıq problemi 5: Dataset statistics \(\theta_s=0.5\) ifadəsini verir, method bölməsi adaptive threshold-u \(\theta_s=\mu_S+\alpha\sigma_S\), default \(\alpha=0\) kimi müəyyən edir; iki istifadə ətraflı şəkildə uzlaşdırılmır.


Paylaşın:

Şərhlər yoxlandıqdan sonra yayımlanır. Şərhiniz təsdiq prosesinə daxil ediləcək və uyğun hesab olunduqda görünəcək.

Şərh yazın

E-poçt ünvanınız yayımlanmayacaq. Məcburi sahələr * ilə işarələnib