Editorial ilmu komputer
Open AccessOA2026
QUBO Berbasis Superpiksel untuk Segmentasi Citra Medis Skala Besar yang Diperkuat Kuantum
Reduksi masalah secara hierarkis melalui superpiksel SLIC memungkinkan segmentasi citra mamografi resolusi penuh yang kompatibel dengan quantum annealer
Mohammad Chalhoub; Mahdi Chehimi; Laia Domingo; Omar Alhussein; Ahmed Farouk; Saif Al-Kuwari· 2026· DOI 10.48550/arXiv.2607.24288
Masalah inti
Quadratic unconstrained binary optimization (QUBO) telah muncul sebagai kerangka kerja yang kuat untuk masalah komputasi medis, di mana variabel keputusan biner secara alami merepresentasikan pilihan klinis dan terpetakan dengan baik ke perangkat keras quantum annealing. Namun, tantangan skalabilitas yang mendasar membatasi penerapan praktis: ukuran masalah tumbuh dengan cepat seiring dimensi masukan. Dalam segmentasi citra medis, formulasi QUBO tingkat piksel menciptakan lebih dari 65.000 variabel untuk citra 256×256, memaksa pendekatan yang ada untuk melakukan downsampling ke resolusi 42×42 dan membuang 97% informasi piksel. Makalah ini mengatasi tantangan tersebut melalui reduksi masalah secara hierarkis, yang didemonstrasikan pada segmentasi kanker payudara dalam citra mamografi. Pertanyaan penelitian utamanya adalah apakah pengelompokan wilayah yang bermakna secara perseptual dapat mempertahankan kualitas segmentasi sekaligus mengecilkan QUBO ke ukuran yang kompatibel dengan batas konektivitas quantum annealer saat ini.
Inovasi
Pada citra mamografi INbreast, QUBO berbasis superpiksel mencapai mean IoU 0,76 versus 0,73 untuk baseline tingkat piksel, peningkatan 4,2% pada kualitas segmentasi. Waktu komputasi turun dari 21,97s menjadi 0,67s, percepatan 33×. Ukuran masalah turun 97,3%, dari 1764 menjadi 48 variabel. Yang krusial, keuntungan ini diperoleh sambil memproses citra resolusi penuh alih-alih versi yang di-downsample, yang berarti 97% informasi piksel yang dibuang oleh pendekatan sebelumnya tetap dipertahankan. Ukuran masalah yang tereduksi juga muat dalam batas konektivitas quantum annealer saat ini, menghilangkan overhead embedding yang selama ini menghambat penerapan langsung segmentasi QUBO tingkat piksel pada perangkat keras kuantum.
Quadratic unconstrained binary optimization (QUBO) telah muncul sebagai kerangka kerja yang kuat untuk masalah komputasi medis, di mana variabel keputusan biner secara alami merepresentasikan pilihan klinis dan terpetakan dengan baik ke perangkat keras quantum annealing. Namun, tantangan skalabilitas yang mendasar membatasi penerapan praktis: ukuran masalah tumbuh dengan cepat seiring dimensi masukan. Dalam segmentasi citra medis, formulasi QUBO tingkat piksel menciptakan lebih dari 65.000 variabel untuk citra 256×256, memaksa pendekatan yang ada untuk melakukan downsampling ke resolusi 42×42 dan membuang 97% informasi piksel. Makalah ini mengatasi tantangan tersebut melalui reduksi masalah secara hierarkis, yang didemonstrasikan pada segmentasi kanker payudara dalam citra mamografi. Pertanyaan penelitian utamanya adalah apakah pengelompokan wilayah yang bermakna secara perseptual dapat mempertahankan kualitas segmentasi sekaligus mengecilkan QUBO ke ukuran yang kompatibel dengan batas konektivitas quantum annealer saat ini.
Kerangka kerja yang diusulkan menggunakan simple linear iterative clustering (SLIC) untuk mengelompokkan piksel menjadi superpiksel yang bermakna secara perseptual, lalu memformulasikan segmentasi sebagai QUBO pada region adjacency graph (RAG). Fungsi objektif menggabungkan suku min-cut dan suku smoothness:
Mengapa penting
Hasil ini menunjukkan bahwa reduksi masalah secara hierarkis melalui superpiksel merupakan strategi yang efektif untuk membuat segmentasi citra medis berbasis QUBO dapat ditangani pada quantum annealer jangka pendek. Dengan beroperasi pada wilayah yang bermakna secara perseptual alih-alih piksel individual, formulasi ini mempertahankan struktur yang relevan secara klinis sekaligus mengurangi jumlah variabel secara drastis. Masalah dengan 48 variabel cukup kecil untuk menghindari overhead embedding yang mendominasi pendekatan tingkat piksel, yang mengisyaratkan jalur menuju eksekusi langsung pada perangkat keras kuantum. Percepatan 33× dan peningkatan IoU 4,2% pada data INbreast menunjukkan bahwa keuntungan skalabilitas tidak harus mengorbankan kualitas segmentasi. Batasannya meliputi validasi pada satu dataset mamografi dan ketergantungan pada hyperparameter SLIC; pekerjaan selanjutnya dapat memperluas kerangka kerja ini ke modalitas pencitraan lain dan tugas segmentasi multi-kelas.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…