Auf der »LASER World of Photonics« in München zeigt das Fraunhofer IKS, wie klassische Computer kombiniert mit Quantenrechnern in Zukunft die Bilderkennung durch neuronale Netze deutlich präzisieren könnten. Anwendungsbeispiel ist die bildgestützte Diagnostik in der Medizin.
14. April 2022
© iStock/Olga Gavrilova
Künstliche Intelligenz in Form von Machine Learning (ML) nimmt in der medizinischen Diagnostik immer breiteren Raum ein. Entscheidend dabei ist, dass ML verlässliche und genaue Ergebnisse liefert, etwa in der bildgestützten Diagnostik.
Dazu ist es bislang notwendig, das ML-System mit einer sehr großen Datenmenge zu trainieren. In der Medizin stehen jedoch häufig nur Trainingsdatensätze mit 100 oder 1000 Bildern zur Verfügung.
Auf der »World of Quantum«, einer Sonderhalle der Weltleitmesse für Optik und Photonik »LASER World of Photonics« (26. - 29. April 2022 in München), präsentiert das Fraunhofer-Institut für Kognitive Systeme IKS einen Ansatz, dieses Problem zu lösen: Ein Quantencomputing-gestützter Algorithmus soll dafür sorgen, das Training auch mit kleinen Datensätzen zu ermöglichen und trotzdem genaue Ergebnisse in der Bildauswertung zu liefern.
Erfahren Sie mehr über den Messeauftritt des Fraunhofer IKS und der Fraunhofer-Gesellschaft auf der »World of Quantum«, einer Sonderhalle der »LASER World of Photonics« vom 26. bis 29. April 2022 auf der Messe München.
Ein hybrides Quantum-Klassisches Convolutional Neuronales Netz steht für diesen Ansatz. Der Grundgedanken ist, den Bildauswertungsprozesse zu optimieren und zu beschleunigen, indem klassische und quantenbasierte Rechenleistung abwechselnd hintereinander geschaltet werden. Das hat den grundsätzlichen Vorteil, dass das ML-Modell mit weniger Parametern auskommt und damit effizienter arbeiten kann.
Als beispielhaftes Anwendungszenario für das Verfahren dient die Entdeckung von Brustkrebs in Ultraschall-Aufnahmen.
Andrea Matic, Maureen Monnet und Jeanette Lorenz haben für das Fraunhofer IKS ein Pre-Print zum Thema verfasst mit dem Titel »Quantum-classical convolutional neural networks in radiological image classification«. Es soll im Zuge des Auftritts auf der »World of Quantum« veröffentlicht werden.
