Akademik tadqiqotlar, tushunarli til

Verianla | O‘zbekcha akademik tadqiqotlar va ilm-fan

18 Noyabr 2026, Chorshanba
VERİANLA Mustaqil ilmiy nashriyot
Menyuni ochish yoki yopish
...
Bosh sahifa / Sog‘liqni saqlash fanlari / Tibbiy tadqiqotlar / Saliency-Sezgir Tibbiy Tasvir Kodlash uchun Gibrid Kvant-Klassik Doira
Tibbiy tadqiqotlar

Saliency-Sezgir Tibbiy Tasvir Kodlash uchun Gibrid Kvant-Klassik Doira

Saliency-Aware Hybrid Quantum Image Representation (SAHQR) tasvirdagi barcha hududlarni bir xil aniqlikda kvant holatiga kodlash o‘rniga, klassik gradientga asoslangan saliency tahlili orqali tuzilmaviy jihatdan ajralib turuvchi hududlarni aniqlaydigan va kvant kodlash aniqligini shu hududiy ahamiyat ma’lumotiga ko‘ra o‘zgartiradigan gibrid kvant tasvirni ifodalash usulidir.

15/11/2026  Veri Anla  156 marta ko‘rildi
Saliency-Sezgir Tibbiy Tasvir Kodlash uchun Gibrid Kvant-Klassik Doira

Saliency-Aware Hybrid Quantum Image Representation (SAHQR) — tasvirdagi barcha hududlarni bir xil aniqlikda kvant holatiga kodlash o‘rniga, klassik gradientga asoslangan saliency tahlili orqali tuzilmaviy jihatdan ajralib turuvchi hududlarni aniqlaydigan va kvant kodlash aniqligini shu hududiy ahamiyat ma’lumotiga ko‘ra o‘zgartiradigan gibrid kvant tasvirni ifodalash usulidir. Tadqiqotda salient hududlar 8-bit to‘liq aniqlikda, non-salient hududlar esa 4-bit siqilgan aniqlikda ifodalanadi; bundan tashqari, hudud salient yoki yo‘qligini belgilash uchun bitta saliency kubiti ishlatiladi. Usul mavjud o‘nta kvant tasvirni ifodalash usuli bilan taqqoslangan va 6097 MINC tibbiy tasviri, 2000 Synthetic Aperture Radar (SAR) tile’i hamda 2298 Brain Tumor MRI tasviri, jami 10.395 tasvirda baholangan.

MINC tajribalarida barcha tasvirlar 16×16 piksel va 8-bit kulrang darajaga o‘tkazilgan. Bu aniqlikda SAHQR 17 kubitdan foydalanadi: sakkiz position qubit, sakkiz color qubit va bitta saliency flag qubit. Manbada MINC tasvirlarining o‘rtacha salient-piksel ulushi %29,85 deb beriladi. Shuning uchun tasvirning taxminan %30 qismi to‘liq 8-bit aniqlikda, taxminan %70 qismi esa 4-bit siqilgan kodlash bilan ifodalanadi. Mualliflarning nazariy gate-count modeli bu tuzilma uchun taxminan 1329,6 gate hisoblaydi; Qiskit decomposition va optimizationdan keyin berilgan eksperimental o‘rtacha qiymat esa 346,12 gate, o‘rtacha circuit depth 339,12 va o‘rtacha circuit-construction/encoding vaqti 33,15 ms.

Biroq SAHQR manbadagi barcha mezonlar bo‘yicha eng yaxshi usul emas. Masalan, 2D-QSNA va QPIE faqat sakkiz kubitdan foydalanadi; 2D-QSNAning o‘rtacha encoding time qiymati 0,82 ms, manba jadvalidagi compression qiymati esa 256. SAHQRning o‘ziga xos hissasi minimal kubit, minimal depth yoki minimal gate soniga erishish emas; tasvir mazmuniga qarab kodlash aniqligini o‘zgartira oladigan resurs taqsimoti mexanizmini qo‘shishdir. Manba ham tadqiqotni universal optimal tasvir ifodasi emas, saliency-aware quantum encoding uchun proof of concept sifatida talqin qilish kerakligini ochiq aytadi.

Tadqiqotdagi kvant sxemalari haqiqiy kvant protsessorida bajarilmagan. Asosiy hisob-kitoblar Qiskit 0.45.0 statevector simulator bilan Google Colabda amalga oshirilgan, depolarizing noise, amplitude damping va readout error tahlillari esa Qiskit Aer noise model simulyatsiyalari orqali bajarilgan. Haqiqiy IBM Quantum, IonQ yoki Rigetti qurilmalarida tekshirish tadqiqot doirasiga kirmaydi va mualliflar buni kelajakdagi ish sifatida ko‘rsatadi. Shu sababli natijalarni haqiqiy quantum-hardware ustunligi yoki klinik qo‘llanish isboti sifatida talqin qilish mumkin emas.

Tibbiy qo‘llanish nuqtai nazaridan yana bir muhim cheklov shuki, ishlatilgan saliency mexanizmi shifokor yoki segmentatsiya modeli belgilagan klinik ahamiyat xaritasi emas. Saliency Sobel gradient kattaligiga asoslanadi va asosan chekka, chegara hamda lokal kontrastni ushlaydi. Demak, manbadagi “salient” yorlig‘i “diagnostik jihatdan mutlaqo muhim o‘sma hududi” bilan bir xil ma’noni anglatmaydi. Mualliflar ham klinik ahamiyatni ekspert annotatsiyalari yoki segmentation mask’lar bilan alohida tekshirish zarurligini bildiradi.

Tadqiqotning asosiy muammosi

Kvant tasvirni qayta ishlashdagi birinchi muammo — tasvirning o‘zini kvant holatida qanday ifodalashdir. Klassik kompyuterda piksel qiymati va joylashuvi to‘g‘ridan-to‘g‘ri bit qatorlari bilan saqlanishi mumkin. Kvant kompyuterida esa tasvirning joylashuvi, intensivligi, rangi yoki boshqa xususiyatlari kubitlarning computational basis holatlariga, probability amplitude’lariga yoki rotation angle’lariga kodlanishi mumkin.

Mavjud usullarning ko‘pi tasvir mazmuniga qaramasdan barcha piksellarni bir xil tarzda qayta ishlaydi. Manba tadqiqotning savoli quyidagicha: tasvirning tuzilmaviy jihatdan muhim hududlarini oldindan aniqlab, kvant resurslarining kattaroq qismini shu hududlarga ajratish mumkinmi?

SAHQRning javobi gibrid tuzilma. Saliency detection klassik kompyuterda bajariladi; olingan saliency mask keyin kvant tasvir kodlashida qaysi piksel to‘liq yoki kamaytirilgan aniqlikda ifodalanishini boshqaradi.

Kvant Tasvirni Ifodalash Nima?

Kvant tasvirni ifodalash — klassik raqamli tasvirdagi joylashuv, intensivlik yoki rang ma’lumotini ma’lum kvant holatining basis holatlariga, amplitudalariga yoki aylanish burchaklariga kodlaydigan moslashdir; maqsad faqat kam kubit ishlatish emas, tasvirni keyingi kvant amallarida foydalanish uchun tayyorlash jarayonida state-preparation, circuit depth, gate count, retrieval va fidelity xarajatlarini ham nazorat qilishdir.

Kubit nima?

Manba bitta kubitning sof holatini

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

ko‘rinishida beradi.

Bu yerda \(\alpha\) va \(\beta\) kompleks ehtimollik amplitudalari bo‘lib,

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

normalizatsiya shartini qanoatlantiradi. O‘lchov o‘tkazilganda \(|0\rangle\) natijasining ehtimoli \(|\alpha|^2\), \(|1\rangle\) natijasining ehtimoli esa \(|\beta|^2\) bo‘ladi.

O‘rgatuvchi chegara: \(n\) kubit holat fazosining o‘lchami \(2^n\) bo‘lishi bitta o‘lchovda \(2^n\) klassik qiymatning barchasini o‘qish mumkinligini anglatmaydi. Kvant tasvir ifodasining haqiqiy xarajatini baholashda state preparation va measurement/retrieval xarajatlari ham muhim.

FRQI: Piksel intensivligini burchakka kodlash

Flexible Representation of Quantum Images (FRQI), \(2^n\times2^n\) kulrang darajali tasvirni

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

ko‘rinishida ifodalaydi.

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

\(g_i\) 0–255 oralig‘idagi kulrang darajadir. Piksel joylashuvi \(2n\) position qubit bilan, intensivlik esa bitta color qubitning rotation angle’i bilan ifodalanadi.

Manba FRQI uchun \(2n+1\) kubit, \(O(2^{2n})\) boshqariladigan rotation gate va eng yomon holatda \(O(2^{2n})\) circuit depth beradi.

NEQR: Piksel intensivligini computational basisga kodlash

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

\(|C_{yx}\rangle\) pikselning \(q\)-bit kulrang daraja qiymatini computational basisda saqlaydi. NEQRning FRQIdan muhim farqi — intensivlikni rotation angle o‘rniga ochiq bit qatori shaklida ifodalashidir.

Manba NEQR uchun \(2n+q\) kubit va taxminan \(O(q\,2^{2n})\) gate/depth murakkabligini bildiradi.

GQIR: Ixtiyoriy tasvir o‘lchamlari

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

Generalized Quantum Image Representation (GQIR) faqat ikki darajasidagi kvadrat tasvirlar o‘rniga umumiy \(M\times N\) o‘lchamlarini qo‘llab-quvvatlashni maqsad qiladi.

MCQI: RGB kanallarini alohida ifodalash

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

Multi-Channel Quantum Image (MCQI) qizil, yashil va ko‘k kanallarni alohida kvant registerlarida saqlaydi. Buning evaziga resurs sarfi ortadi.

QRMW: Ko‘p to‘lqin uzunlikli tasvirlar

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

\(K\) spectral-band sonini bildiradi. QRMW multi-spectral/hyperspectral ma’lumot uchun qo‘shimcha band-selection registerdan foydalanadi.

EFRQI: Amplituda va fazani birgalikda ishlatish

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

Enhanced FRQI tasvir ma’lumotini ham \(\theta_i\), ham \(\phi_i\) parametrlariga joylashtiruvchi kengaytirilgan burchak/faza kodlashidan foydalanadi.

2D-QSNA: Amplitude encoding

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

Bu yerda klassik piksel qiymatlari normallashtirilib, to‘g‘ridan-to‘g‘ri quantum-state amplitude’lariga joylashtiriladi. Manba 256 piksel uchun sakkiz kubitli ifodani beradi; biroq amplitude encodingda state preparation xarajati nazariy formulalarda abstraktlashtirilishi mumkinligi sababli, usullar o‘rtasidagi gate-count taqqoslashini ehtiyotkor talqin qilish kerak. Maqola ham bu cheklovni o‘zining cost-model bo‘limida qayd etadi.

INEQR

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

Manba INEQRni NEQR oilasidagi rang-kanal kodlashining takomillashtirilgan ko‘rinishi sifatida ko‘radi.

QPIE: Ehtimollik-amplituda ifodasi

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

bu yerda \(p_i\) piksel intensivliklaridan normallashtirilgan ehtimollik qiymatidir.

QLR: Log-polar koordinatalar

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

Quantum Log-Polar Representation (QLR) tasvirni Dekart joylashuvi o‘rniga log-polar koordinatalarda ifodalab, rotation-invariant amallar uchun qulay tuzilma yaratishni maqsad qiladi.

UsulKubitGate murakkabligiDepth
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\(2n+q\)\(O(q2^{2n})\)\(O(2^{2n})\)

Umumiy kvant tasvir moslash

Tadqiqot umumiy \(2^n\)-o‘lchamli sof kvant holatini

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

deb ta’riflaydi va quantum image representationni klassik tasvir \(I\)ni kvant holati \(|I\rangle\)ga aylantiruvchi

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

moslash sifatida ifodalaydi.

Ko‘p maqsadli optimallashtirish muammosi

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

Formula nimani hisoblaydi? Quantum image representation tanlovini faqat bitta metrikaga ko‘ra emas, kubit, circuit depth, gate count va encoding time orasidagi vaznli xarajat muvozanati orqali ko‘rib chiqish imkonini beradi.

\(Q\): kerakli kubit soni. \(D\): circuit depth. \(G\): gate count. \(T\): encoding time. \(\lambda_1,\ldots,\lambda_4\) esa bu xarajatlarning nisbiy ahamiyatini belgilovchi vaznlardir.

Manba chegarasi: Maqola tajribalarida bu \(\lambda_i\) vaznlari uchun aniq optimallashtirilgan sonli qiymatlar berilmaydi. Tenglama asosan formal muammo ta’rifidir.

Fidelity cheklovi

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

\(g_{yx}\) asl piksel qiymati, \(\widetilde g_{yx}\) qayta olingan piksel qiymati va \(\tau\) qabul qilinadigan minimal fidelity chegarasidir. Bu fidelity ta’rifi quantum-state fidelity bilan aynan bir tushuncha emas; manba bu yerda pikselni qayta tiklash aniqligiga asoslangan tasvir-fidelity o‘lchovidan foydalanadi.

Saliency-vaznli 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 tenglama tasvirning har bir pikseliga teng vazn berish o‘rniga saliency qiymati yuqori piksellardagi xatoni muhimroq qiladi. Ya’ni SAHQRning matematik maqsadi “hamma joyda bir xil sifat” emas, muhim deb hisoblangan hududlarda sifatni kuchliroq saqlashdir.

Kvant sxemasi

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

Circuit depth — kirishdan chiqishgacha bo‘lgan eng uzun gate-layer yo‘li; gate count esa sxemadagi elementary operation sonidir.

Manbaning compression-ratio ta’rifi

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

Bu ta’rif klassik tasvirning \(M\times N\times q\) bitlik nominal hajmini kvant ifodasidagi \(n\) kubit soniga bo‘ladi.

Muhim talqin chegarasi: Bu nisbat quantum computerning fizik xotirasi klassik RAMdan xuddi shu nisbatda kichik degan bevosita apparat o‘lchovi emas. Kvant holatini tayyorlash, boshqarish va klassik tarzda o‘qish ham alohida xarajat talab qiladi. Tenglama tadqiqotning o‘z representation-resource metrikasidir.

Manba ichidagi son muammosi: Tenglama (18) va Jadval 5 bu ta’rifni bergan bo‘lsa-da, natija Jadval 7dagi “Compress.” sonlari bu formula bilan bevosita mos kelmaydi. Bundan tashqari, SAHQR uchun Jadval 7da 3,18, klassik siqish Jadval 10da 9:1 deb berilgan. Manba bu turli qiymatlar bir xil yoki turli compression ta’riflaridan kelib chiqqanini yetarlicha tushuntirmaydi. Shu sababli bu qiymatlarni bir-biriga aylantirish kerak emas.

Scalability factor

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

Bu maqolaga xos oddiy resurs metrikasi: kamroq kubit ishlatgan representation yuqoriroq scalability score oladi. Bu universal kvant masshtablanuvchanlik o‘lchovi emas; topology, gate fidelity, connectivity, state-preparation cost va error correction kabi boshqa apparat ta’sirlarini qamramaydi.

SAHQR Nima va Kvant Resurslarini Qanday Taqsimlaydi?

SAHQR — Sobel gradientlaridan olingan saliency xaritasi bilan tasvirni salient va non-salient hududlarga ajratadigan; salient piksellarni 8-bit to‘liq aniqlikda, non-salient piksellarni 4-bit siqilgan kodlash bilan ifodalaydigan va bu ikki kodlash yo‘lini bitta saliency flag qubit orqali kvant sxemasida shartlaydigan mazmunga sezgir gibrid kvant tasvir ifodasidir.

Salient va non-salient hududlarni matematik ajratish

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

\(\Omega_S\) salient piksel to‘plamini, \(\Omega_N\) non-salient piksel to‘plamini va \(\theta_s\) saliency thresholdni bildiradi.

SAHQR kvant holati

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

Oxirgi kubit saliency flag hisoblanadi. \(|1\rangle\) salient hududni; \(|0\rangle\) non-salient hududni bildiradi. Shunday qilib, bir quantum state ichida ikki xil precision regime mavjud bo‘ladi.

Manba tadqiqotining 1-rasm va 12-rasmdagi ilmiy aloqalariga asoslanib Verianla uchun tayyorlangan source-derived, masshtabsiz sxema. Tasvir anatomiyasi yoki saliency shakli haqiqiy bemor ma’lumoti emas; faqat resurs taqsimoti mexanizmini ko‘rsatadi.

Saliency qanday hisoblanadi?

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

\(S(y,x)\) — 0 dan 1 gacha normallashtirilgan saliency qiymati.

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

Gorizontal Sobel operatori:

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

Vertikal Sobel operatori:

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

\(*\) tasvir bilan kernel orasidagi convolution amalini bildiradi. Sobel gradient katta bo‘lsa, o‘sha joyda intensivlik tez o‘zgaradi; bu odatda chekka yoki chegara degani.

Klinik chegara: Gradient kattaligi patolog, radiolog yoki ekspert segmentatsiyasining o‘rnini bosa olmaydi. Chegaraning vizual jihatdan ravshan bo‘lishi uning albatta diagnostik jihatdan eng muhim hudud ekanini anglatmaydi.

Adaptiv threshold

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

\(\mu_S\) — saliency qiymatlarining o‘rtachasi; \(\sigma_S\) — standart og‘ish. Manba default sifatida \(\alpha=0\) beradi.

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

Manba ichidagi aniqlik muammosi: Dataset-statistics bo‘limida yana “saliency threshold \(\theta_s=0.5\) (adaptive)” iborasi bor. Method bo‘limidagi Tenglama (26) esa default \(\alpha=0\) uchun thresholdni tasvirning mean saliency qiymatiga bog‘laydi. Manba bu ikki threshold ifodasi barcha tasvirlarda qanday uyg‘unlashtirilganini batafsil tushuntirmaydi.

Salient hududning 8-bit kodlanishi

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

Bu bo‘limda \(q=8\) bo‘lgani uchun 0–255 oralig‘idagi kulrang daraja sakkiz bit orqali ifodalanadi.

Non-salient hududning 4-bit kodlanishi

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

Manba algoritmi siqilgan qiymatni

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

deb hisoblaydi. Bu amal 0–255 oralig‘ini 0–15 oralig‘idagi 16 darajaga tushiradi. Demak, non-salient piksellarda to‘rt bitli quantization qo‘llanadi.

Shartli kvant kodlash

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

\(U_{\mathrm{full}}\) to‘liq aniqlikdagi; \(U_{\mathrm{comp}}\) siqilgan position-controlled encoding unitarydir.

Manba 12-rasm va 13-rasmda ta’riflangan SAHQR arxitekturasidan Verianla uchun qayta yaratilgan source-derived usul sxemasi. Sxema topologiyasi o‘rgatuvchi tarzda soddalashtirilgan; nashr rasmining piksel nusxasi emas.

17 kubit qanday olinadi?

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

16×16 tasvir uchun har bir o‘qni ko‘rsatish uchun \(n=4\) bit kerak. \(x\) va \(y\) joylashuvlari jami sakkiz position qubitdan foydalanadi. Sakkiz color qubit va bitta saliency qubit qo‘shilganda jami 17 kubit olinadi.

Nazariy gate-count modeli

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

\(r\) — salient-piksel ulushi:

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

Manba tajribasida

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

Shunday qilib:

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

1329,6ning kasr bo‘lishi fizik sxemada “0,6 gate” borligini anglatmaydi; o‘rtacha salient ulushidan hisoblangan kutiladigan gate-count bahosi bo‘lgani uchun natija kasr chiqadi.

Nazariy gate soni 1329,6 bo‘lsa, nega o‘lchangan o‘rtacha 346,12?

Manba nazariy hisobni pre-decomposition darajasida beradi. Keyin barcha usullar Qiskit yordamida \(\{u3,cx\}\) basis gate setiga transpile qilinadi va optimization level 3 qo‘llanadi. Gate cancellation, merging va redundant controlled-operationlarni olib tashlash natijani o‘zgartiradi.

BosqichGate soni
Xom / pre-decomposition nazariy qiymat1329,6
Decompositiondan keyin1872
Optimizationdan keyingi o‘rtacha346,12

Decompositiondan keyin gate sonining dastlab ortishi normal; katta/ko‘p boshqariladigan logical operationlar kichikroq basis gate’larga ajratiladi. So‘ng transpiler bu gate’larning katta qismini birlashtiradi yoki bekor qiladi.

Circuit depth masshtablanishi

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

MINC ma’lumot to‘plamida manba o‘rtacha circuit depthni 339,12 deb beradi. Alohida sxemalarning depthi butun son bo‘lsa-da, 6097 tasvir bo‘yicha o‘rtacha kasr bo‘lishi mumkin.

Tadqiqot Usuli va Natijalari

Ma’lumot to‘plamlari

Ma’lumot sohasiTasvir soniManba formati / xususiyatiKvant baholash aniqligi
MINC Medical609713 papkadan tibbiy MINC tasvirlari16×16, 8-bit kulrang daraja
ICEYE SAR2000256×256 tile’larga bo‘lingan 16-bit SAR amplitude ma’lumoti16×16, 8-bit kulrang daraja
Brain Tumor MRI2298T1-weighted contrast-enhanced; glioma, meningioma, pituitary512×512dan 16×16ga

Uch ma’lumot sohasidagi jami tasvir soni:

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

MINC oldindan ishlov berish

  1. MINC fayllari nibabel bilan yuklanadi.
  2. Hajmli tasvirlardan 2B slice olinadi.
  3. Intensity qiymatlari 0–255 oralig‘iga normallashtiriladi.
  4. Tasvirlar 16×16 pikselga qayta o‘lchamlanadi.
  5. Ma’lumot unsigned 8-bit integer formatiga o‘tkaziladi.

MINC ma’lumot to‘plami uchun manba o‘rtacha intensity \(\mu=127.3\), standart og‘ish \(\sigma=58.7\), intensity range 0–255 va jami qayta ishlangan piksel soni 1.560.832 deb beradi.

Saliency taqsimoti

MINCda o‘rtacha salient ulushi:

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

Salient-ratio standart og‘ishi manbada:

\[ \sigma_r=0.30\% \]

deb beriladi. Bu past tarqalish ushbu 6097 preprocessed MINC tasvirida gradientga asoslangan saliency mask o‘lchami ancha o‘xshashligini ko‘rsatadi.

Hisoblash muhiti

KomponentQiymat
PlatformGoogle Colab, Ubuntu 22.04
GPUNVIDIA Tesla T4
Dasturlash tiliPython 3.10
Kvant frameworkQiskit 0.45.0
Image processingNumPy 1.26.4, SciPy 1.11.4, nibabel 5.2.0
VizualizatsiyaMatplotlib 3.8.2
Asosiy quantum backendStatevector simulator

Jami tajriba soni

6097 MINC tasvirining 11 usul bilan baholanishi:

\[ 6097\times11=67067 \]

encoding operation hosil qiladi. Natijalar har 500 tasvirda checkpoint qilingan.

O‘nta baholash mezoni

IDMezonManbadagi hisoblash shakli
P1Kerakli 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 scoreAlgoritmik murakkablik, 1–5

Manba izohi: Abstract “ten criteria” desa-da, undagi so‘zli ro‘yxatda gate count alohida band sifatida ko‘rinmaydi; Table 2 va Table 5 esa o‘nta mezonni aniq P1–P10 ko‘rinishida belgilaydi. Verianla usul jadvallarini asos qilib olgan.

MINCda 11 usulning asosiy natijalari

UsulKubitGate, o‘rt. ± ssDepthVaqt (ms)Manba “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 jadval SAHQR nega “har jihatdan eng yaxshi” deb taqdim etilmasligi kerakligini aniq ko‘rsatadi. Kubit, gate, depth va encoding time bo‘yicha ancha arzon usullar mavjud. SAHQRning farqlovchi xususiyati content-aware differential precision mexanizmidir.

14–17-rasmlarning ilmiy mazmuni

Manba 14-rasmda o‘nta performance metrikani 11 usul uchun yonma-yon taqqoslaydi; SAHQR muvozanatli, ammo har bir o‘q bo‘yicha optimal bo‘lmagan profil ko‘rsatishi aytiladi. 15-rasm shu taqqoslashni 0–1 normallashtirilgan radar grafikiga aylantiradi. 16-rasm usullarning metrik profillari orasidagi korrelyatsiyani ko‘rsatadi va manba SAHQR bilan NEQR oilasi o‘rtasida taxminan 0,90 korrelyatsiya beradi. 17-rasm esa salient ratio taqsimotini, gate-count bog‘lanishini, SAHQR–NEQR gate taqqoslashini va 13 MINC papkasi orasidagi xatti-harakatni ko‘rsatadi.

Bu grafiklarning barcha xom nuqta qatorlari maqola matnida jadval holida berilmagani uchun Verianla pikseldan yangi oraliq qiymat chiqarmaydi.

Statistik tahlil

Manba descriptive statistics, independent t-test, significance threshold va Cohen's \(d\) effect size ishlatganini bildiradi. Table 9dagi barcha taqqoslashlar

\[ p\lt0.001 \]

deb belgilangan.

TaqqoslashMetrikatCohen's dManbada berilgan %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]

Talqin chegarasi: Jadval 9 t-statistikasining musbat/manfiy yo‘nalishi qaysi subtraction order bilan olinganini aniq belgilamaydi. Shu sababli Verianla t ishorasidan “SAHQR yaxshiroq” degan xulosa chiqarmaydi. Usullarning haqiqiy gate/depth/time yo‘nalishi to‘g‘ridan-to‘g‘ri Jadval 7 o‘rtachalaridan o‘qilishi kerak.

Manba \(d\geq0.8\) qiymatlarini katta effekt sifatida talqin qiladi. Ammo statistik ahamiyatli farq bilan amalda afzal yo‘nalish bir xil tushuncha emas; namunalar soni katta bo‘lganda kichik yoki xarajat nuqtai nazaridan noqulay farqlar ham statistik jihatdan ahamiyatli bo‘lishi mumkin.

Shovqin simulyatsiyalari

Noise modeliManba daraja yorlig‘iFidelityPSNR (dB)
DepolarizingLow0.9532.1
DepolarizingHigh0.8227.4
Amplitude dampingMedium0.8829.6
Readout errorMedium0.9030.2

Jadval yuqoriroq shovqin, ayniqsa depolarizing holatda, fidelity va PSNRni pasaytirishini ko‘rsatadi. Biroq manba “Low”, “Medium” va “High” yorliqlarining sonli error probability qiymatlarini jadvalda yoki tegishli izohda bermaydi. Shuning uchun natijalarni ma’lum bir haqiqiy kvant protsessorining xato darajasiga to‘g‘ridan-to‘g‘ri moslab bo‘lmaydi.

SAHQR Haqiqiy Kvant Qurilmasida Tekshirilganmi?

Yo‘q; tadqiqotdagi SAHQR sxemalari Qiskit statevector simulator va Qiskit Aer noise modellari ostida baholangan, haqiqiy IBM Quantum, IonQ, Rigetti yoki boshqa fizik kvant protsessorida bajarilgan apparat tajribasi manbada yo‘q va real-hardware tekshiruvi kelajakdagi ish sifatida ko‘rsatilgan.

Klassik JPEG bilan taqqoslash

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

Manbaga ko‘ra, SAHQR bu taqqoslashda pastroq compression ratio evaziga yuqoriroq PSNR va SSIM beradi; ya’ni maqsad maksimal siqish emas, tasvir sifatini yaxshiroq saqlovchi trade-off.

Manba ichidagi nomuvofiqlik: Bu yerda SAHQR compression ratio 9:1; Jadval 7da 3,18 deb berilgan. Maqola bu ikki qiymat turli metodologik ta’riflarga tegishlimi yoki yo‘qligini aniq tushuntirmaydi. Shu sababli Verianla bir qiymatni boshqasining o‘rniga ishlatmaydi.

Geometrik o‘zgartirishlar

Manba 90°, 180° va 270° aylantirishlar hamda horizontal/vertical flip amallarini SAHQRdan keyingi tasvirlarda ko‘rsatib, fazoviy tuzilmalarning saqlanishini bildiradi. Bu tajriba representationning asosiy geometrik image-processing amallari bilan mos kelishi mumkinligini qo‘llab-quvvatlaydi; biroq 16×16 aniqlikkacha kamaytirilgan tasvirlarda bajarilgan.

Cross-domain baholash

Ma’lumot to‘plamiTasvirKubitGate o‘rt.Depth o‘rt.Vaqt (ms)Manba 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 jadval uch sohada ishlatilgan kubit soni doimiy, o‘rtacha gate/depth/time qiymatlari esa bir-biriga yaqin ekanini ko‘rsatadi.

Manba ichidagi nomuvofiqlik: 9.11.6 matni Brain Tumor tasvirlari uchun taxminan 400, SAR uchun taxminan 540 gate iborasini ishlatsa, Jadval 12 mos ravishda 347,88 va 348,15 beradi. Verianla manba jadvalidagi aniq o‘rtachalarni saqlaydi va matndagi taxminiy 400/540 qiymatlarni bir xil natija sifatida birlashtirmaydi.

SAR ma’lumotlarini tayyorlash

Manba ICEYE Complex Spotlight tasvirini 4-sentabr 2024 sanasidagi ma’lumot sifatida ta’riflaydi. Asl tasvir 16.384×24.576 piksel va 16-bit amplitude ma’lumotidan iborat. Tasvir 2000 ta non-overlapping 256×256 tilega bo‘linadi; %30dan kam yaroqli pikselga ega tilelar chiqarib tashlanadi. Har bir tile uchun 2-va 98-percentile ishlatilib dynamic-range normalization qo‘llanadi, ma’lumot 16-bitdan 8-bit grayscalega o‘tkaziladi va oxirida 16×16 pikselga qayta o‘lchamlanadi.

Brain Tumor MRI ma’lumotlarini tayyorlash

Manba 2298 ta T1-weighted contrast-enhanced MRI scan ishlatadi. Tasvirlarda glioma, meningioma va pituitary tumor namunalar mavjud va ular MATLAB HDF5 formatida. Asl 512×512 tasvirlar kvant kodlash bahosi uchun 16×16 pikselga tushiriladi.

Bu ma’lumot to‘plamida haqiqiy bemor tasvirlaridan foydalanilgani SAHQR klinik diagnostika tizimi sifatida tasdiqlanganini anglatmaydi. Tadqiqot tasvir representation/resource mezonlarini baholaydi; radiolog diagnostika aniqligi, sensitivity, specificity yoki klinik outcome baholanmagan.

Xarajat–foyda muvozanati

MezonBaselineSAHQR
Gate countPastroqO‘rta darajadagi oshish
Circuit depthPastroqYuqoriroq
Compression efficiencyO‘rtachaYuqoriroq
Saliency preservationCheklanganYaxshilangan

Manba SAHQRni ayniqsa tasvir hududlari turli ahamiyatga ega bo‘lgan, salient feature preservation uniform compressiondan muhimroq bo‘lgan va kichik/o‘rta masshtabdagi kvant implementationlari maqsad qilingan holatlar uchun joylashtiradi.

Implementation score nomuvofiqligi

Manba Jadval 7da SAHQR uchun implementation qiymatini 3 deb beradi. Bunga qarshi 9.12.6 bo‘limida gibrid tuzilma “higher implementation complexity (score 5)” hosil qilishi yozilgan. Manba bu ikki qiymat turli scoring kontekstiga tegishli yoki yo‘qligini tushuntirmaydi. Shu sababli Verianla ulardan birini jimlik bilan tuzatmaydi.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

  • SAHQR tasvir mazmuniga qarab ikki xil kodlash aniqligidan foydalanadigan saliency-aware gibrid quantum image representation yondashuvidir.
  • MINC ma’lumot to‘plamidagi preprocessed tasvirlarda o‘rtacha salient ratio taxminan %29,85.
  • 16×16 va 8-bit SAHQR sxemasi manba formulasiga ko‘ra 17 kubitdan foydalanadi.
  • Qiskit optimizationdan keyin MINCda o‘rtacha gate count 346,12 va o‘rtacha depth 339,12 deb berilgan.
  • SAHQRning resursdan foydalanish profili 6097 MINC, 2000 SAR va 2298 Brain Tumor MRI tasvirida o‘xshash qolgan.
  • Aer noise simulyatsiyasida shovqinning ortishi fidelity va PSNRni pasaytiradi.
  • SAHQRning asosiy yangiligi butun tasvirga uniform encoding o‘rniga saliency-controlled differential precision qo‘llashidir.
  • Tadqiqot mazmunga sezgir kvant tasvir kodlash uchun proof-of-concept qo‘llovini beradi.

Tadqiqot qo‘llab-quvvatlamaydigan natijalar

  • SAHQR barcha quantum image representation usullaridan har bir metrikada ustun ekani ko‘rsatilmagan.
  • Haqiqiy kvant qurilmasida SAHQR ishlashi ko‘rsatilmagan.
  • Quantum computational advantage yoki classical compressionga nisbatan wall-clock quantum speedup isbotlanmagan.
  • 17 kubitli ifoda fizik xotira klassik tasvirdan Tenglama (18)dagi nisbat darajasida kam degani emas.
  • Gradient saliency klinik jihatdan muhim o‘sma yoki anatomik hududni ishonchli aniqlashi isbotlanmagan.
  • 16×16 natijalar yuqori aniqlikdagi klinik MRI, CT yoki SAR deployment ishlashini isbotlamaydi.
  • Noise-model simulyatsiyasi haqiqiy quantum-hardware noise validation emas.
  • PSNR va SSIM natijalari klinik diagnostika muvaffaqiyatini anglatmaydi.
  • Expert annotation, segmentation mask yoki radiolog baholashi bilan klinik saliency tekshiruvi o‘tkazilmagan.

Tadqiqotning asosiy cheklovlari

Mualliflar barcha tasvirlarni 16×16 pikselga kichraytirish haqiqiy tasvirlardagi tuzilmaviy va semantik tafsilotlarni sezilarli kamaytirishini ochiq tan oladi. Bu ayniqsa tibbiy tasvirlar va SAR uchun muhim; yuqori aniqlikdagi kichik lezyonlar, nozik chegaralar yoki radar teksturalari bir necha pikselga tushishi mumkin.

Gradientga asoslangan saliency faqat tuzilmaviy prominence hosil qiladi. Mualliflar domain-informed saliency, expert annotation yoki segmentation mask bilan klinik tekshiruv kelajakdagi ishda amalga oshirilishi kerakligini bildiradi.

Haqiqiy quantum hardwareda noise, connectivity, transpilation, calibration, readout va sampling xarajatlari sinovdan o‘tkazilmagan. Qiskit Aer natijalari bu apparat muammolarini to‘liq ifodalay olmaydi.

Kelajakdagi ish yo‘nalishlari

Manba yuqori aniqlik, block/patch-based quantum image representation, image-specific adaptive threshold, deep-learning saliency, filtering/transformation/edge-detection kabi keyingi quantum image operations, multi-scale encoding, haqiqiy quantum hardware validation va expert-annotation asosidagi klinik tekshiruvni taklif qiladi.

Manba va Usul Haqida Izoh

Asl sarlavha: A Hybrid Quantum-Classical Framework for Saliency-Aware Medical Image Encoding.

Mualliflar va tartib: Vrushali Nikam; Trupti Atre; Lavanya Santhosh; Asha Konasagara Nagaraja; Praveena Mydolalu Veerappa.

Corresponding author: Vrushali Nikam.

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

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

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

Teng hissa: Yuklangan manbada teng birinchi mualliflik/teng hissa belgisi ko‘rinmaydi.

Jurnal: Quantum Reports.

Nashriyot: MDPI, Basel, Switzerland.

Jild / son / maqola raqami: 8 / 2 / 46.

DOI: 10.3390/quantum8020046.

Received: 10 mart 2026.

Revised: 13 aprel 2026.

Accepted: 2 may 2026.

Published: 7 may 2026.

Manba turi: Taqrizdan o‘tgan tadqiqot maqolasi.

Taqriz holati: Taqrizdan o‘tgan jurnal nashri.

Litsenziya: Creative Commons Attribution, CC BY 4.0; mualliflik huquqi mualliflarda qoladi.

Academic Editor: Mingxing Luo.

Asosiy ilmiy usul: Klassik gradient/Sobel saliency detection + saliency-controlled differential quantum image encoding + Qiskit statevector simulation + o‘nta quantum-image representation usuli bilan qiyosiy resource evaluation.

Asosiy ma’lumot hajmi: 6097 MINC + 2000 SAR + 2298 Brain Tumor MRI = 10.395 tasvir.

MINC tajriba amallari: 6097 tasvir × 11 usul = 67.067 encoding operation.

Kvant qurilmasi: Fizik quantum processor ishlatilmagan. Asosiy quantum circuit tahlili statevector simulation; noise testlari Qiskit Aer simulation.

Klassik hisoblash muhiti: Google Colab, Ubuntu 22.04, NVIDIA Tesla T4, Python 3.10.

Quantum software: Qiskit 0.45.0.

Qiskit transpilation: Qiyosiy circuit resource o‘lchovlari standart \(\{u3,cx\}\) basis gate setiga decomposition va optimization level 3 yordamida amalga oshirilgan.

Statistik usul: Descriptive statistics, independent t-tests va Cohen's d effect size. Manba matni ayrim bo‘limlarda ANOVAni ham tilga oladi, lekin natija bo‘limida batafsil ANOVA statistikasi berilmaydi. Pairwise jadvallar \(p<0.001\) threshold beradi; exact p qiymatlar alohida ko‘rsatilmaydi.

Moliyalashtirish: Tadqiqot external funding olmaganini bildiradi.

Manfaatlar to‘qnashuvi: Mualliflar conflict of interest yo‘qligini bildiradi.

Muallif hissalari: Conceptualization, methodology, software, validation, visualization, supervision va project administration asosan Vrushali Nikam tomonidan; formal analysis, investigation, data curation va yozish turli hammualliflar tomonidan bajarilgan. Funding acquisition Trupti Atre, Lavanya Santhosh, Asha Konasagara Nagaraja va Praveena Mydolalu Veerappa sifatida ko‘rsatilgan.

Ma’lumot/kod mavjudligi: Manba MINC, Brain Tumor va ICEYE ma’lumot manbalari ochiq ekanini va implementation code bilan experimental results ommaviy GitHub repositoryda borligini bildiradi. Data Availability Statement ichida uchinchi ma’lumot to‘plami yorlig‘i xato ravishda ikkinchi marta “Brain Tumor dataset” deb yozilgandek ko‘rinsa-da, tadqiqot bo‘ylab uchinchi domain ICEYE SAR sifatida belgilanadi.

Sun’iy intellektdan foydalanish bayonoti: Acknowledgments bo‘limida Claude 3.5 Sonnet LaTeX formatting va technical-writing refinements uchun ishlatilgani, nashr mazmuni uchun mas’uliyat mualliflarda ekanligi aytiladi.

Asosiy metodologik cheklov: Barcha tasvirlar 16×16 aniqlikkacha tushirilgan. Haqiqiy yuqori aniqlikdagi deployment, haqiqiy quantum hardware va klinik validation amalga oshirilmagan.

Saliency cheklovi: Sobel-gradient saliency tuzilmaviy prominence o‘lchaydi; domain-specific yoki expert-validated diagnostic importance o‘lchovi emas.

Manba ichidagi nomuvofiqlik 1: Tenglama (18)/Jadval 5 compression ratio ta’rifi bilan Jadval 7dagi “Compress.” qiymatlari son jihatdan bevosita mos kelmaydi.

Manba ichidagi nomuvofiqlik 2: SAHQR compression qiymati Jadval 7da 3,18 bo‘lsa, JPEG taqqoslashidagi Jadval 10da 9:1 deb beriladi; manba farqni aniq uyg‘unlashtirmaydi.

Manba ichidagi nomuvofiqlik 3: Jadval 7 SAHQR implementation score qiymatini 3, 9.12.6 matni esa 5 deb beradi.

Manba ichidagi nomuvofiqlik 4: Cross-domain Jadval 12 SAR va Brain Tumor o‘rtacha gate count qiymatlarini taxminan 348 deb bersa, 9.11.6 matni taxminan 540 va 400 qiymatlaridan foydalanadi.

Manba ichidagi aniqlik muammosi 5: Dataset statistics \(\theta_s=0.5\) ifodasini beradi, method bo‘limi esa adaptive thresholdni \(\theta_s=\mu_S+\alpha\sigma_S\), default \(\alpha=0\) deb ta’riflaydi; ikki foydalanish batafsil tarzda uyg‘unlashtirilmaydi.


Ulashish:

Izohlar ko‘rib chiqilgandan keyin e’lon qilinadi. Izohingiz tasdiqlash jarayoniga yuboriladi va ma’qullangach ko‘rinadi.

Izoh qoldiring

E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan