Saliency-Aware Hybrid Quantum Image Representation (SAHQR), görüntüdeki bütün bölgeleri aynı hassasiyetle kuantum durumuna kodlamak yerine klasik gradient-tabanlı saliency analiziyle yapısal olarak öne çıkan bölgeleri belirleyen ve kuantum kodlama hassasiyetini bu bölgesel önem bilgisine göre değiştiren hibrit bir kuantum görüntü temsil yöntemidir. Çalışmada salient bölgeler 8-bit tam hassasiyetle, non-salient bölgeler ise 4-bit sıkıştırılmış hassasiyetle temsil edilir; ayrıca bölgenin salient olup olmadığını işaretlemek için bir saliency kübiti kullanılır. Yöntem, on mevcut kuantum görüntü temsil yöntemiyle karşılaştırılmış ve 6097 MINC tıbbi görüntüsü, 2000 Synthetic Aperture Radar (SAR) tile'ı ve 2298 Brain Tumor MRI görüntüsü olmak üzere toplam 10.395 görüntü üzerinde değerlendirilmiştir.
MINC deneylerinde bütün görüntüler 16×16 piksele ve 8-bit gri seviyeye dönüştürülmüştür. Bu çözünürlükte SAHQR 17 kübit kullanır: sekiz position qubit, sekiz color qubit ve bir saliency flag qubit. Kaynakta MINC görüntülerinin ortalama salient-piksel oranı %29,85 olarak raporlanır. Bu nedenle görüntünün yaklaşık %30'u tam 8-bit hassasiyetle, yaklaşık %70'i ise 4-bit sıkıştırılmış kodlamayla temsil edilir. Yazarların teorik gate-count modeli bu yapı için yaklaşık 1329,6 gate hesaplar; Qiskit decomposition ve optimization sonrasında raporlanan deneysel ortalama ise 346,12 gate, ortalama circuit depth 339,12 ve ortalama circuit-construction/encoding süresi 33,15 ms'dir.
Ancak SAHQR bütün kaynak ölçütlerinde en iyi yöntem değildir. Örneğin 2D-QSNA ve QPIE yalnız sekiz kübit kullanır; 2D-QSNA'nın ortalama encoding time değeri 0,82 ms ve kaynak tablosundaki compression değeri 256'dır. SAHQR'nin özgün katkısı minimum kübit, minimum depth veya minimum gate sayısını elde etmek değil; görüntünün içeriğine göre kodlama hassasiyetini değiştirebilen bir kaynak tahsis mekanizması eklemektir. Kaynak da çalışmanın evrensel olarak optimal bir görüntü temsili değil, saliency-aware quantum encoding için proof of concept olarak yorumlanması gerektiğini açıkça belirtir.
Çalışmadaki kuantum devreleri gerçek kuantum işlemcide yürütülmemiştir. Ana hesaplamalar Qiskit 0.45.0 statevector simulator ile Google Colab üzerinde gerçekleştirilmiş, depolarizing noise, amplitude damping ve readout error analizleri ise Qiskit Aer noise model simülasyonlarıyla yapılmıştır. Gerçek IBM Quantum, IonQ veya Rigetti cihazlarında doğrulama çalışma kapsamında değildir ve yazarlar bunu gelecek çalışma olarak belirtir. Bu nedenle elde edilen sonuçlar gerçek quantum-hardware üstünlüğü veya klinik kullanım kanıtı olarak yorumlanmamalıdır.
Tıbbi uygulama açısından bir başka önemli sınır, kullanılan saliency mekanizmasının bir doktor veya segmentasyon modeli tarafından tanımlanan klinik önem haritası olmamasıdır. Saliency, Sobel gradient büyüklüğüne dayanır ve temel olarak kenar, sınır ve yerel kontrastı yakalar. Dolayısıyla “salient” etiketi kaynakta “tanısal olarak kesinlikle önemli tümör bölgesi” ile eş anlamlı değildir. Yazarlar da klinik önem için uzman anotasyonları veya segmentation mask'leriyle ayrıca doğrulama gerektiğini belirtir.
Araştırmanın temel problemi
Kuantum görüntü işlemede ilk sorun görüntünün kendisini kuantum durumuna nasıl temsil edeceğimizdir. Klasik bir bilgisayarda bir piksel değeri ve konumu doğrudan bit dizileriyle saklanabilir. Kuantum bilgisayarda ise görüntünün konumu, yoğunluğu, rengi veya başka özellikleri kübitlerin computational basis durumlarına, probability amplitude'larına veya rotation angle'larına kodlanabilir.
Mevcut yöntemlerin çoğu görüntü içeriğine bakmadan bütün pikselleri eşit biçimde işler. Kaynak çalışmanın araştırma sorusu şudur: görüntünün yapısal olarak önemli bölgelerini önceden belirleyip kuantum kaynaklarının daha büyük kısmını bu bölgelere tahsis etmek mümkün müdür?
SAHQR'nin cevabı hibrit bir yapıdır. Saliency detection klasik bilgisayarda yapılır; elde edilen saliency mask daha sonra kuantum görüntü kodlamasında hangi pikselin tam veya azaltılmış hassasiyetle temsil edileceğini kontrol eder.
Kuantum Görüntü Temsili Nedir?
Kuantum görüntü temsili, klasik bir dijital görüntüdeki konum, yoğunluk veya renk bilgisinin belirli bir kuantum durumunun basis durumlarına, genliklerine ya da dönme açılarına kodlanmasını sağlayan eşlemedir; amaç yalnız az sayıda kübit kullanmak değil, görüntüyü sonraki kuantum işlemlerinde kullanılabilir biçimde hazırlarken state-preparation, circuit depth, gate count, retrieval ve fidelity maliyetlerini de kontrol etmektir.
Kübit nedir?
Kaynak bir tek-kübit saf durumunu
şeklinde verir.
Burada \(\alpha\) ve \(\beta\) kompleks olasılık genlikleridir ve
normalizasyon koşulunu sağlar. Ölçüm yapıldığında \(|0\rangle\) sonucunun olasılığı \(|\alpha|^2\), \(|1\rangle\) sonucunun olasılığı ise \(|\beta|^2\)'dir.
Öğretici sınır: \(n\) kübitin durum uzayının boyutunun \(2^n\) olması, tek bir ölçümde \(2^n\) klasik değerin tamamının okunabileceği anlamına gelmez. Kuantum görüntü temsilinin gerçek maliyetini değerlendirirken state preparation ve measurement/retrieval maliyetleri de önemlidir.
FRQI: Piksel yoğunluğunu açıya kodlama
Flexible Representation of Quantum Images (FRQI), \(2^n\times2^n\) gri seviye görüntüyü
biçiminde temsil eder.
\(g_i\), 0–255 arasındaki gri seviyedir. Piksel konumu \(2n\) position qubit ile, yoğunluk ise bir color qubit'in rotation angle'ıyla temsil edilir.
Kaynak FRQI için \(2n+1\) kübit, \(O(2^{2n})\) kontrollü rotation gate ve en kötü durumda \(O(2^{2n})\) circuit depth verir.
NEQR: Piksel yoğunluğunu computational basis'e kodlama
\(|C_{yx}\rangle\), pikselin \(q\)-bit gri seviye değerini computational basis üzerinde taşır. NEQR'nin FRQI'ye göre önemli farkı, yoğunluğu rotation angle yerine açık bit dizisi şeklinde temsil etmesidir.
Kaynak NEQR için \(2n+q\) kübit ve yaklaşık \(O(q\,2^{2n})\) gate/depth karmaşıklığı bildirir.
GQIR: Keyfi görüntü boyutları
Generalized Quantum Image Representation (GQIR), yalnız ikinin kuvveti olan kare görüntüler yerine genel \(M\times N\) boyutlarını desteklemeyi amaçlar.
MCQI: RGB kanallarının ayrı temsili
Multi-Channel Quantum Image (MCQI), kırmızı, yeşil ve mavi kanalları ayrı kuantum register'larında taşır. Bunun karşılığı kaynak kullanımının artmasıdır.
QRMW: Çok dalga boylu görüntüler
\(K\), spectral-band sayısını gösterir. QRMW multi-spectral/hyperspectral bilgi için ek band-selection register kullanır.
EFRQI: Genlik ve fazı birlikte kullanma
Enhanced FRQI, görüntü bilgisini hem \(\theta_i\) hem de \(\phi_i\) parametrelerine taşıyan genişletilmiş açı/faz kodlaması kullanır.
2D-QSNA: Amplitude encoding
Burada klasik piksel değerleri normalize edilerek doğrudan quantum-state amplitude'larına yerleştirilir. Kaynak 256 piksel için sekiz kübitlik temsil verir; ancak amplitude encoding'de state preparation maliyetinin teorik formüllerde soyutlanabilmesi, yöntemler arası gate-count karşılaştırmasını dikkatli yorumlamayı gerektirir. Makale de bu sınırlılığı kendi cost-model bölümünde belirtir.
INEQR
Kaynak INEQR'yi NEQR ailesindeki renk-kanalı kodlamasının geliştirilmiş bir biçimi olarak ele alır.
QPIE: Olasılık-genliği temsili
burada \(p_i\), piksel yoğunluklarından normalize edilmiş olasılık değeridir.
QLR: Log-polar koordinatlar
Quantum Log-Polar Representation (QLR), görüntüyü Kartezyen konum yerine log-polar koordinatlarda temsil ederek rotation-invariant işlemler için uygun yapı sağlamayı amaçlar.
| Yöntem | Kübit | Gate karmaşıklığı | Depth |
|---|---|---|---|
| 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 | \(2n+q\) | \(O(q2^{2n})\) | \(O(2^{2n})\) |
Genel kuantum görüntü eşlemesi
Çalışma genel bir \(2^n\)-boyutlu saf kuantum durumunu
olarak tanımlar ve quantum image representation'ı klasik görüntü \(I\)'yi bir kuantum durumu \(|I\rangle\)'ye dönüştüren
eşlemesi olarak çerçeveler.
Çok amaçlı optimizasyon problemi
Formül neyi hesaplar? Quantum image representation seçiminin yalnız tek bir metriğe göre değil; kübit, circuit depth, gate count ve encoding time arasında ağırlıklı maliyet dengesiyle ele alınmasını sağlar.
\(Q\): gerekli kübit sayısıdır. \(D\): circuit depth'tir. \(G\): gate count'tur. \(T\): encoding time'dır. \(\lambda_1,\ldots,\lambda_4\) ise bu maliyetlerin göreli önemini belirleyen ağırlıklardır.
Kaynak sınırı: Makale deneylerinde bu \(\lambda_i\) ağırlıkları için belirli optimize edilmiş sayısal değerler raporlamaz. Denklem daha çok formal problem tanımıdır.
Fidelity kısıtı
\(g_{yx}\) özgün piksel değeri, \(\widetilde g_{yx}\) yeniden elde edilen piksel değeri ve \(\tau\) kabul edilebilir minimum fidelity eşiğidir. Bu fidelity tanımı quantum-state fidelity ile birebir aynı kavram değildir; kaynak burada piksel yeniden yapılandırma doğruluğu üzerinden tanımlanmış görüntü-fidelity ölçütü kullanır.
Saliency-ağırlıklı fidelity
Bu denklem görüntünün her pikseline eşit ağırlık vermek yerine yüksek saliency değerine sahip piksellerdeki hatayı daha önemli hale getirir. Yani SAHQR'nin matematiksel hedefi “her yerde aynı kalite” değil, önemli kabul edilen bölgelerde kaliteyi daha güçlü korumaktır.
Kuantum devresi
Circuit depth, girişten çıkışa en uzun gate-layer yoludur; gate count ise devredeki elementary operation sayısıdır.
Kaynağın compression-ratio tanımı
Bu tanım klasik görüntünün \(M\times N\times q\) bitlik nominal büyüklüğünü, kuantum temsilindeki \(n\) kübit sayısına oranlar.
Önemli yorum sınırı: Bu oran bir quantum computer'ın fiziksel belleğinin klasik RAM'den aynı oranda küçük olduğuna dair doğrudan donanım ölçümü değildir. Bir quantum state'in hazırlanması, kontrol edilmesi ve klasik olarak okunması ayrıca maliyetlidir. Denklem, çalışmanın kendi representation-resource metriğidir.
Kaynak-içi sayı sorunu: Denklem (18) ve Tablo 5 bu tanımı verirken sonuç Tablo 7'deki “Compress.” sayıları bu formülle doğrudan uyuşmamaktadır. Ayrıca SAHQR için Tablo 7'de 3,18, klasik sıkıştırma Tablo 10'da 9:1 raporlanır. Kaynak bu farklı değerlerin aynı veya farklı compression tanımlarından kaynaklanıp kaynaklanmadığını yeterince açıklamaz. Bu nedenle bu değerler birbirine dönüştürülmemelidir.
Scalability factor
Bu, makaleye özgü basit bir kaynak metriğidir: daha az kübit kullanan representation daha yüksek scalability score alır. Evrensel bir kuantum ölçeklenebilirlik ölçütü değildir; topology, gate fidelity, connectivity, state-preparation cost ve error correction gibi başka donanım etkilerini içermez.
SAHQR Nedir ve Kuantum Kaynaklarını Nasıl Dağıtır?
SAHQR, Sobel gradient'larından elde edilen saliency haritasıyla görüntüyü salient ve non-salient bölgelere ayıran; salient pikselleri 8-bit tam hassasiyetli, non-salient pikselleri 4-bit sıkıştırılmış kodlamayla temsil eden ve bu iki kodlama yolunu bir saliency flag qubit üzerinden kuantum devresinde koşullandıran içerik-duyarlı hibrit bir kuantum görüntü temsilidir.
Salient ve non-salient bölgelerin matematiksel ayrımı
\(\Omega_S\) salient piksel kümesini, \(\Omega_N\) non-salient piksel kümesini ve \(\theta_s\) saliency threshold'u gösterir.
SAHQR kuantum durumu
Son kübit saliency flag'dir. \(|1\rangle\), salient bölgeyi; \(|0\rangle\), non-salient bölgeyi gösterir. Böylece aynı quantum state içinde iki farklı precision regime bulunur.
Saliency nasıl hesaplanıyor?
\(S(y,x)\), 0 ile 1 arasında normalize edilmiş saliency değeridir.
Yatay Sobel operatörü:
Dikey Sobel operatörü:
\(*\), görüntü ile kernel arasındaki convolution işlemini gösterir. Sobel gradient büyük olduğunda o konumda yoğunluk hızlı değişmektedir; bu genellikle kenar veya sınır anlamına gelir.
Klinik sınır: Gradient büyüklüğü bir patolog, radyolog veya uzman segmentasyonunun yerine geçmez. Bir sınırın görsel olarak belirgin olması onun mutlaka tanısal olarak en önemli bölge olduğu anlamına gelmez.
Adaptif threshold
\(\mu_S\), saliency değerlerinin ortalaması; \(\sigma_S\), standart sapmasıdır. Kaynak default olarak \(\alpha=0\) verir.
Kaynak-içi açıklık sorunu: Dataset-statistics bölümünde ayrıca “saliency threshold \(\theta_s=0.5\) (adaptive)” ifadesi vardır. Method bölümündeki Denklem (26) ise default \(\alpha=0\) için threshold'u görüntünün mean saliency değerine bağlar. Kaynak bu iki threshold ifadesinin bütün görüntülerde nasıl uzlaştırıldığını ayrıntılı olarak açıklamamaktadır.
Salient bölgenin 8-bit kodlaması
Bu bölümde \(q=8\) olduğu için 0–255 aralığındaki gri seviye sekiz bit üzerinden temsil edilir.
Non-salient bölgenin 4-bit kodlaması
Kaynak algoritması sıkıştırılmış değeri
olarak hesaplar. Bu işlem 0–255 aralığını 0–15 aralığındaki 16 seviyeye indirir. Dolayısıyla non-salient piksellerde dört bitlik quantization uygulanır.
Koşullu kuantum kodlama
\(U_{\mathrm{full}}\) tam hassasiyetli; \(U_{\mathrm{comp}}\) sıkıştırılmış position-controlled encoding unitary'sidir.
17 kübit nasıl elde ediliyor?
16×16 görüntü için her ekseni göstermek üzere \(n=4\) bit gerekir. \(x\) ve \(y\) konumları toplam sekiz position qubit kullanır. Sekiz adet color qubit ve bir saliency qubit eklenince toplam 17 kübit elde edilir.
Teorik gate-count modeli
\(r\), salient-piksel oranıdır:
Kaynak deneyinde
Böylece:
1329,6'nın kesirli olması fiziksel bir devrede “0,6 gate” bulunduğu anlamına gelmez; ortalama salient oranından hesaplanan beklenen gate-count tahmini olduğu için sonuç kesirli çıkmaktadır.
Teorik gate sayısı neden 1329,6 iken ölçülen ortalama 346,12?
Kaynak, teorik hesabı pre-decomposition düzeyinde verir. Daha sonra bütün yöntemler Qiskit ile \(\{u3,cx\}\) basis gate setine transpile edilir ve optimization level 3 uygulanır. Gate cancellation, merging ve redundant controlled-operation kaldırma işlemleri nedeniyle sonuç değişir.
| Aşama | Gate sayısı |
|---|---|
| Ham / pre-decomposition teorik değer | 1329,6 |
| Decomposition sonrası | 1872 |
| Optimization sonrası ortalama | 346,12 |
Decomposition sonrası gate sayısının önce artması normaldir; büyük/çok kontrollü logical operation'lar daha küçük basis gate'lere ayrılır. Daha sonra transpiler bu gate'lerin önemli bölümünü birleştirir veya iptal eder.
Circuit depth ölçeklemesi
MINC veri setinde kaynak ortalama circuit depth'i 339,12 olarak verir. Tek tek devrelerin depth'i tam sayı olsa da 6097 görüntü üzerindeki ortalama kesirli olabilir.
Çalışmanın Yöntemi ve Bulguları
Veri setleri
| Veri alanı | Görüntü sayısı | Kaynak biçimi / özellik | Kuantum değerlendirme çözünürlüğü |
|---|---|---|---|
| MINC Medical | 6097 | 13 klasörden tıbbi MINC görüntüleri | 16×16, 8-bit gri seviye |
| ICEYE SAR | 2000 | 256×256 tile'lara ayrılmış 16-bit SAR amplitude verisi | 16×16, 8-bit gri seviye |
| Brain Tumor MRI | 2298 | T1-weighted contrast-enhanced; glioma, meningioma, pituitary | 512×512'den 16×16'ya |
Üç veri alanındaki toplam görüntü sayısı:
MINC ön işleme
- MINC dosyaları nibabel ile yüklenir.
- Volumetric görüntülerden 2B slice çıkarılır.
- Intensity değerleri 0–255 aralığına normalize edilir.
- Görüntüler 16×16 piksele yeniden boyutlandırılır.
- Veri unsigned 8-bit integer formatına çevrilir.
MINC veri seti için kaynak ortalama intensity \(\mu=127.3\), standart sapma \(\sigma=58.7\), intensity range 0–255 ve toplam işlenen piksel sayısı 1.560.832 verir.
Saliency dağılımı
MINC üzerinde ortalama salient oranı:
Salient-ratio standart sapması kaynakta:
olarak raporlanır. Bu düşük dağılım, söz konusu 6097 preprocessed MINC görüntüsünde gradient-tabanlı saliency mask büyüklüğünün oldukça benzer olduğunu gösterir.
Hesaplama ortamı
| Bileşen | Değer |
|---|---|
| Platform | Google Colab, Ubuntu 22.04 |
| GPU | NVIDIA Tesla T4 |
| Programlama dili | Python 3.10 |
| Kuantum framework | Qiskit 0.45.0 |
| Image processing | NumPy 1.26.4, SciPy 1.11.4, nibabel 5.2.0 |
| Görselleştirme | Matplotlib 3.8.2 |
| Ana quantum backend | Statevector simulator |
Toplam deney sayısı
6097 MINC görüntüsünün 11 yöntemle değerlendirilmesi:
encoding operation üretir. Sonuçlar her 500 görüntüde checkpoint edilmiştir.
On değerlendirme ölçütü
| ID | Ölçüt | Kaynak hesaplama biçimi |
|---|---|---|
| P1 | Gerekli kübit | circuit.num_qubits |
| P2 | Circuit depth | circuit.depth() |
| P3 | Gate count | len(circuit.data) |
| P4 | Encoding time | Wall-clock time, ms |
| P5 | Scalability factor | \(100/n\) |
| P6 | Information loss | \(1-\mathrm{SSIM}(I,\widetilde I)\) |
| P7 | Compression ratio | \(M\times N\times q/n\) |
| P8 | Memory overhead | \(100n/n_{\mathrm{FRQI}}\) |
| P9 | Gate complexity | Gate count / num_qubits |
| P10 | Implementation score | Algoritmik karmaşıklık, 1–5 |
Kaynak notu: Abstract “ten criteria” demesine rağmen oradaki kelimelik listede gate count ayrı bir öğe olarak görünmez; Table 2 ve Table 5 ise on ölçütü açıkça P1–P10 biçiminde tanımlar. Verianla yöntem tablolarını esas almıştır.
MINC üzerinde 11 yöntemin ana sonuçları
| Yöntem | Kübit | Gate, ort. ± ss | Depth | Süre (ms) | Kaynak “Compress.” | Gate complexity | Memory (%) | Implementation |
|---|---|---|---|---|---|---|---|---|
| FRQI | 9 | 121.61 ± 15.60 | 113.61 | 1.66 | 2.06 | 13.51 | 100.0 | 2 |
| NEQR | 16 | 312.38 ± 67.26 | 305.38 | 31.10 | 0.45 | 19.52 | 177.8 | 3 |
| GQIR | 12 | 97.96 ± 36.37 | 90.96 | 9.79 | 2.41 | 8.16 | 133.3 | 3 |
| MCQI | 18 | 923.13 ± 201.77 | 914.13 | 92.24 | 0.13 | 51.28 | 200.0 | 4 |
| QRMW | 18 | 1977.72 ± 254.19 | 312.16 | 20.62 | 0.37 | 109.87 | 200.0 | 4 |
| EFRQI | 9 | 87.97 ± 20.80 | 79.97 | 1.54 | 3.15 | 9.77 | 100.0 | 3 |
| 2D-QSNA | 8 | 3.74 ± 0.49 | 1.00 | 0.82 | 256.0 | 0.47 | 88.9 | 4 |
| INEQR | 16 | 341.69 ± 84.11 | 334.69 | 40.52 | 0.51 | 21.35 | 177.8 | 3 |
| QPIE | 8 | 4.21 ± 0.84 | 1.00 | 0.95 | 256.0 | 0.53 | 88.9 | 4 |
| QLR | 18 | 1944.38 ± 312.11 | 310.15 | 20.15 | 0.38 | 108.02 | 200.0 | 4 |
| SAHQR | 17 | 346.12 ± 71.30 | 339.12 | 33.15 | 3.18 | 21.63 | 177.8 | 3 |
Bu tablo SAHQR'nin neden “her bakımdan en iyi” diye sunulmaması gerektiğini açıkça gösterir. Kübit, gate, depth ve encoding time açısından çok daha ucuz yöntemler vardır. SAHQR'nin ayırt edici özelliği content-aware differential precision mekanizmasıdır.
Şekil 14–17'nin bilimsel mesajı
Kaynak Şekil 14, on performans metriğini 11 yöntem için yan yana karşılaştırır; SAHQR'nin dengeli fakat her eksende optimum olmayan bir profil gösterdiği belirtilir. Şekil 15 aynı karşılaştırmayı 0–1 normalize edilmiş radar grafiğine dönüştürür. Şekil 16 yöntemlerin metrik profilleri arasındaki korelasyonu gösterir ve kaynak SAHQR ile NEQR ailesi arasında yaklaşık 0,90 korelasyon bildirir. Şekil 17 ise salient ratio dağılımını, gate-count ilişkisini, SAHQR–NEQR gate karşılaştırmasını ve 13 MINC klasörü arasındaki davranışı gösterir.
Bu grafiklerin bütün ham nokta dizileri makale metninde tablo halinde verilmediği için Verianla pikselden yeni ara değer çıkarmamaktadır.
İstatistiksel analiz
Kaynak descriptive statistics, independent t-test, significance threshold ve Cohen's \(d\) effect size kullandığını belirtir. Table 9'daki karşılaştırmaların tamamı
olarak işaretlenmiştir.
| Karşılaştırma | Metrik | t | Cohen's d | Kaynakta verilen %95 CI |
|---|---|---|---|---|
| SAHQR – FRQI | Gate count | −215.72 | 0.85 | [0.82, 0.88] |
| SAHQR – FRQI | Circuit depth | −216.85 | 0.86 | [0.83, 0.89] |
| SAHQR – FRQI | Encoding time | −193.38 | 0.78 | [0.75, 0.81] |
| SAHQR – GQIR | Gate count | −218.95 | 0.88 | [0.85, 0.91] |
| SAHQR – MCQI | Gate count | 224.21 | 0.92 | [0.89, 0.95] |
| SAHQR – EFRQI | Gate count | −248.88 | 0.95 | [0.92, 0.97] |
| SAHQR – 2D-QSNA | Gate count | −358.29 | 1.10 | [1.05, 1.15] |
Yorum sınırı: Tablo 9 t-istatistiğinin pozitif/negatif yönünün hangi subtraction order ile üretildiğini açık biçimde tanımlamaz. Bu nedenle Verianla t işaretinden bağımsız “SAHQR daha iyi” sonucu üretmemektedir. Yöntemlerin gerçek gate/depth/time yönü doğrudan Tablo 7 ortalamalarından okunmalıdır.
Kaynak \(d\geq0.8\) değerlerini büyük etki olarak yorumlar. Ancak istatistiksel olarak anlamlı fark ile uygulamada avantajlı yön aynı kavram değildir; yüksek örnek sayılarında küçük veya maliyet açısından olumsuz farklar da istatistiksel olarak anlamlı olabilir.
Gürültü simülasyonları
| Noise modeli | Kaynak düzey etiketi | Fidelity | PSNR (dB) |
|---|---|---|---|
| Depolarizing | Low | 0.95 | 32.1 |
| Depolarizing | High | 0.82 | 27.4 |
| Amplitude damping | Medium | 0.88 | 29.6 |
| Readout error | Medium | 0.90 | 30.2 |
Tablo daha yüksek gürültünün özellikle depolarizing durumda fidelity ve PSNR'yi düşürdüğünü gösterir. Fakat kaynak “Low”, “Medium” ve “High” etiketlerinin sayısal error probability değerlerini tabloda veya ilgili açıklamada belirtmez. Bu nedenle sonuçlar belirli bir gerçek kuantum işlemcinin hata oranına doğrudan eşlenemez.
SAHQR Gerçek Kuantum Donanımında Doğrulandı mı?
Hayır; çalışmadaki SAHQR devreleri Qiskit statevector simulator ve Qiskit Aer noise modelleri altında değerlendirilmiştir, gerçek IBM Quantum, IonQ, Rigetti veya başka bir fiziksel kuantum işlemci üzerinde yürütülmüş donanım deneyi kaynakta bulunmaz ve gerçek-hardware doğrulaması gelecek çalışma olarak listelenir.
Klasik JPEG karşılaştırması
| Yöntem | Kaynak compression ratio | PSNR (dB) | SSIM |
|---|---|---|---|
| JPEG | 10:1 | 30.5 | 0.89 |
| Saliency-based classical compression | 12:1 | 31.8 | 0.91 |
| SAHQR | 9:1 | 32.6 | 0.93 |
Kaynağa göre SAHQR bu karşılaştırmada daha düşük compression ratio karşılığında daha yüksek PSNR ve SSIM üretir; yani amaç maksimum sıkıştırma değil, görüntü kalitesini daha iyi koruyan trade-off'tur.
Kaynak-içi tutarsızlık: Buradaki SAHQR compression ratio 9:1'dir; Tablo 7'de 3,18 raporlanmaktadır. Makale bu iki değerin farklı metodolojik tanımlara mı ait olduğunu açıkça açıklamaz. Bu nedenle Verianla değerlerden birini diğerinin yerine kullanmaz.
Geometrik dönüşümler
Kaynak 90°, 180° ve 270° rotasyonlar ile horizontal/vertical flip işlemlerini SAHQR sonrası görüntüler üzerinde gösterir ve uzaysal yapıların korunduğunu bildirir. Bu deney, representation'ın temel geometrik image-processing işlemleriyle uyumlu olabileceğini destekler; ancak 16×16 çözünürlüğe indirgenmiş görüntüler üzerinde yapılmıştır.
Cross-domain değerlendirme
| Veri seti | Görüntü | Kübit | Gate ort. | Depth ort. | Süre (ms) | Kaynak compression ratio | Scalability |
|---|---|---|---|---|---|---|---|
| MINC Medical | 6097 | 17 | 346.12 | 339.12 | 33.15 | 3.18 | 5.88 |
| SAR (ICEYE) | 2000 | 17 | 348.15 | 341.33 | 33.42 | 3.18 | 5.88 |
| Brain Tumor MRI | 2298 | 17 | 347.88 | 340.20 | 33.26 | 3.18 | 5.88 |
Bu tablo, üç alan arasında kullanılan kübit sayısının sabit, ortalama gate/depth/time değerlerinin ise birbirine yakın olduğunu gösterir.
Kaynak-içi tutarsızlık: 9.11.6 metni Brain Tumor görüntüleri için yaklaşık 400, SAR için yaklaşık 540 gate ifadesini kullanırken Tablo 12 sırasıyla 347,88 ve 348,15 verir. Verianla kaynak tablosundaki kesin ortalamaları korur ve metindeki yaklaşık 400/540 değerlerini aynı sonuçmuş gibi birleştirmez.
SAR veri hazırlama
Kaynak ICEYE Complex Spotlight görüntüsünü 4 Eylül 2024 tarihli veri olarak tanımlar. Özgün görüntü 16.384×24.576 piksel ve 16-bit amplitude verisidir. Görüntü 2000 adet non-overlapping 256×256 tile'a ayrılır; %30'dan az geçerli piksel içeren tile'lar elenir. Her tile için 2. ve 98. percentile kullanılarak dynamic-range normalization uygulanır, veri 16-bit'ten 8-bit grayscale'e çevrilir ve son olarak 16×16 piksele yeniden boyutlandırılır.
Brain Tumor MRI veri hazırlama
Kaynak 2298 adet T1-weighted contrast-enhanced MRI scan kullanır. Görüntüler glioma, meningioma ve pituitary tumor örneklerini içerir ve MATLAB HDF5 formatındadır. Özgün 512×512 görüntüler kuantum kodlama değerlendirmesi için 16×16 piksele indirilir.
Bu veri setinde gerçek hasta görüntülerinin kullanılmış olması SAHQR'nin klinik tanı sistemi olarak doğrulandığı anlamına gelmez. Çalışma görüntü representation/resource ölçütlerini değerlendirir; radyolog tanı doğruluğu, sensitivity, specificity veya klinik outcome değerlendirilmemiştir.
Maliyet–fayda dengesi
| Ölçüt | Baseline | SAHQR |
|---|---|---|
| Gate count | Daha düşük | Orta düzey artış |
| Circuit depth | Daha düşük | Daha yüksek |
| Compression efficiency | Orta | Daha yüksek |
| Saliency preservation | Sınırlı | İyileştirilmiş |
Kaynak SAHQR'yi özellikle görüntü bölgelerinin farklı önem taşıdığı, salient feature preservation'ın uniform compression'dan daha önemli olduğu ve küçük/orta ölçekli kuantum implementasyonlarının hedeflendiği durumlar için konumlandırır.
Implementation score tutarsızlığı
Kaynak Tablo 7 SAHQR için implementation değeri 3 verir. Buna karşılık 9.12.6 bölümü hybrid yapının “higher implementation complexity (score 5)” oluşturduğunu yazar. Kaynak bu iki değerin farklı scoring bağlamına ait olup olmadığını açıklamaz. Bu nedenle Verianla bunlardan birini sessizce düzeltmez.
Çalışmanın desteklediği sonuçlar
- SAHQR görüntü içeriğine göre iki farklı kodlama hassasiyeti kullanan saliency-aware hibrit bir quantum image representation yaklaşımıdır.
- MINC veri setindeki preprocessed görüntülerde ortalama salient ratio yaklaşık %29,85'tir.
- 16×16 ve 8-bit SAHQR devresi kaynak formülüne göre 17 kübit kullanır.
- Qiskit optimization sonrasında MINC üzerindeki ortalama gate count 346,12 ve ortalama depth 339,12 olarak raporlanmıştır.
- SAHQR'nin kaynak kullanım profili 6097 MINC, 2000 SAR ve 2298 Brain Tumor MRI görüntüsünde benzer kalmıştır.
- Aer noise simülasyonunda artan gürültü fidelity ve PSNR'yi düşürmektedir.
- SAHQR'nin temel özgünlüğü bütün görüntüye uniform encoding yerine saliency-controlled differential precision kullanmasıdır.
- Çalışma içerik-duyarlı kuantum görüntü kodlaması için proof-of-concept desteği sağlar.
Çalışmanın desteklemediği sonuçlar
- SAHQR'nin bütün quantum image representation yöntemlerinden her metrikte üstün olduğu gösterilmemiştir.
- Gerçek kuantum donanımında SAHQR performansı gösterilmemiştir.
- Quantum computational advantage veya classical compression'a karşı wall-clock quantum speedup kanıtlanmamıştır.
- 17 kübitlik temsil, fiziksel belleğin klasik görüntüden Denklem (18)'deki oran kadar daha az olduğu anlamına gelmez.
- Gradient saliency'nin klinik olarak önemli tümör veya anatomik bölgeyi güvenilir biçimde belirlediği kanıtlanmamıştır.
- 16×16 sonuçlar yüksek çözünürlüklü klinik MRI, CT veya SAR deployment performansını kanıtlamaz.
- Noise-model simülasyonu gerçek quantum-hardware noise validation değildir.
- PSNR ve SSIM sonuçları klinik tanı başarısı anlamına gelmez.
- Expert annotation, segmentation mask veya radyolog değerlendirmesiyle klinik saliency doğrulaması yapılmamıştır.
Çalışmanın başlıca sınırlılıkları
Yazarlar bütün görüntülerin 16×16 piksele küçültülmesinin gerçek görüntülerdeki yapısal ve semantik ayrıntıyı önemli ölçüde azalttığını açıkça kabul eder. Bu durum özellikle tıbbi görüntüler ve SAR için kritiktir; yüksek çözünürlükte küçük lezyonlar, ince sınırlar veya radar dokuları birkaç piksele indirgenebilir.
Gradient tabanlı saliency yalnız yapısal prominence üretir. Yazarlar domain-informed saliency, expert annotation veya segmentation mask ile klinik doğrulamanın gelecek çalışmada yapılması gerektiğini belirtir.
Gerçek quantum hardware üzerinde noise, connectivity, transpilation, calibration, readout ve sampling maliyeti test edilmemiştir. Qiskit Aer sonuçları bu donanım problemlerini tam olarak temsil edemez.
Gelecek çalışma yönleri
Kaynak daha yüksek çözünürlük, block/patch-based quantum image representation, image-specific adaptive threshold, deep-learning saliency, filtering/transformation/edge-detection gibi sonraki quantum image operations, multi-scale encoding, gerçek quantum hardware validation ve expert-annotation tabanlı klinik doğrulama önerir.
Kaynak ve Yöntem Notu
Özgün başlık: A Hybrid Quantum-Classical Framework for Saliency-Aware Medical Image Encoding.
Yazarlar ve sıra: Vrushali Nikam; Trupti Atre; Lavanya Santhosh; Asha Konasagara Nagaraja; Praveena Mydolalu Veerappa.
Corresponding author: Vrushali Nikam.
Kurum 1: Computer Engineering, MET's Institute of Engineering—Bhujbal Knowledge City, Nashik 422003, India.
Kurum 2: Computer Engineering, Gokhale Education Society's, R H Sapat College of Engineering Management Studies and Research, Nashik 422005, India.
Kurum 3: CSE Programme, School of CSE, Dr. Ambedkar Institute of Technology, Bengaluru 560056, India.
Eş katkı: Yüklenen kaynakta eş birinci yazarlık/eş katkı işareti görünmemektedir.
Dergi: Quantum Reports.
Yayınevi: MDPI, Basel, Switzerland.
Cilt / sayı / makale numarası: 8 / 2 / 46.
DOI: 10.3390/quantum8020046.
Received: 10 Mart 2026.
Revised: 13 Nisan 2026.
Accepted: 2 Mayıs 2026.
Published: 7 Mayıs 2026.
Kaynak türü: Hakemli araştırma makalesi.
Hakemlik durumu: Hakemli dergi yayınıdır.
Lisans: Creative Commons Attribution, CC BY 4.0; telif hakkı yazarlarda kalmaktadır.
Academic Editor: Mingxing Luo.
Ana bilimsel yöntem: Klasik gradient/Sobel saliency detection + saliency-controlled differential quantum image encoding + Qiskit statevector simulation + on quantum-image representation yöntemiyle karşılaştırmalı resource evaluation.
Ana veri büyüklüğü: 6097 MINC + 2000 SAR + 2298 Brain Tumor MRI = 10.395 görüntü.
MINC deney operasyonları: 6097 görüntü × 11 yöntem = 67.067 encoding operation.
Kuantum donanımı: Fiziksel quantum processor kullanılmamıştır. Ana quantum circuit analizi statevector simulation'dır; noise testleri Qiskit Aer simulation'dır.
Klasik hesaplama ortamı: Google Colab, Ubuntu 22.04, NVIDIA Tesla T4, Python 3.10.
Quantum software: Qiskit 0.45.0.
Qiskit transpilation: Karşılaştırmalı circuit resource ölçümleri standart \(\{u3,cx\}\) basis gate setine decomposition ve optimization level 3 kullanılarak yapılmıştır.
İstatistiksel yöntem: Descriptive statistics, independent t-tests ve Cohen's d effect size. Kaynak metni bazı bölümlerde ANOVA'dan da söz eder ancak sonuç bölümünde ayrıntılı ANOVA istatistiği raporlanmamaktadır. Pairwise tablolar \(p<0.001\) threshold'u verir; exact p değerleri ayrı ayrı gösterilmez.
Finansman: Çalışma external funding almadığını bildirir.
Çıkar çatışması: Yazarlar conflict of interest olmadığını beyan eder.
Yazar katkıları: Conceptualization, methodology, software, validation, visualization, supervision ve project administration ağırlıklı olarak Vrushali Nikam tarafından; formal analysis, investigation, data curation ve yazım çeşitli ortak yazarlar tarafından gerçekleştirilmiştir. Funding acquisition Trupti Atre, Lavanya Santhosh, Asha Konasagara Nagaraja ve Praveena Mydolalu Veerappa olarak belirtilmiştir.
Veri/kod erişilebilirliği: Kaynak MINC, Brain Tumor ve ICEYE veri kaynaklarının açık erişilebilir olduğunu ve implementation code ile experimental results'ın kamuya açık bir GitHub repository'sinde bulunduğunu belirtir. Data Availability Statement içinde üçüncü veri setinin etiketi yanlışlıkla ikinci kez “Brain Tumor dataset” olarak yazılmış görünmesine rağmen çalışma boyunca üçüncü domain ICEYE SAR olarak tanımlanır.
Yapay zekâ kullanım beyanı: Acknowledgments bölümünde Claude 3.5 Sonnet'in LaTeX formatting ve technical-writing refinements için kullanıldığı, yayın içeriğinin sorumluluğunun yazarlarda olduğu belirtilir.
Temel yöntemsel sınır: Bütün görüntüler 16×16 çözünürlüğe indirgenmiştir. Gerçek yüksek çözünürlüklü deployment, gerçek quantum hardware ve klinik validation yapılmamıştır.
Saliency sınırı: Sobel-gradient saliency yapısal prominence ölçer; domain-specific veya expert-validated diagnostic importance ölçümü değildir.
Kaynak-içi tutarsızlık 1: Denklem (18)/Tablo 5 compression ratio tanımı ile Tablo 7'deki “Compress.” değerleri doğrudan numerik olarak uyuşmamaktadır.
Kaynak-içi tutarsızlık 2: SAHQR compression değeri Tablo 7'de 3,18 iken JPEG karşılaştırması Tablo 10'da 9:1 olarak verilir; kaynak farkı açıkça uzlaştırmaz.
Kaynak-içi tutarsızlık 3: Tablo 7 SAHQR implementation score değerini 3, 9.12.6 metni ise 5 olarak verir.
Kaynak-içi tutarsızlık 4: Cross-domain Tablo 12 SAR ve Brain Tumor ortalama gate count değerlerini yaklaşık 348 olarak verirken 9.11.6 metni yaklaşık 540 ve 400 değerlerini kullanır.
Kaynak-içi açıklık sorunu 5: Dataset statistics \(\theta_s=0.5\) ifadesini verirken method bölümü adaptive threshold'u \(\theta_s=\mu_S+\alpha\sigma_S\), default \(\alpha=0\) olarak tanımlar; iki kullanım ayrıntılı biçimde uzlaştırılmaz.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir