Hybrid Quantum–Classical Classification of Chest X-rays and Digital Star-Shot Isocenter Verification for Proton Therapy

Abstract

This work brings together two independent studies at different stages of the medical-physics clinical workflow: a hybrid quantum–classical convolutional neural network （HQC-CNN） for multiclass chest X-ray classification, and an automated digital metrology platform for verifying the proton therapy isocenter. They share no common methodology, yet each returns a quantitatively defined result at a separate point along the route from diagnosis to treatment delivery. Study I asked whether attaching a 4-qubit variational quantum circuit to a pretrained convolutional feature extractor changes accuracy on the five-way discrimination of thoracic findings （COVID-19, Normal, Bacterial Pneumonia, Viral Pneumonia, and Tuberculosis）. Four classical backbones （EfficientNetV2-S, ConvNeXt-Small, DenseNet121, and ResNet50） were crossed with six quantum execution backends, all software simulators spanning ideal and hardware-noise models, giving 24 configurations trained on the same 7,135 chest radiographs under matched hyperparameters and a common optimizer. The accuracy change attributable to the quantum module depended on the backbone and backend jointly, not on either alone. The EfficientNetV2-S × Qiskit GPU configuration reached 89.4% test accuracy against 86.5% for the matched classical baseline （a difference of 2.9 percentage points）. To separate any quantum contribution from the effect of simply adding parameters, the variational circuit was replaced by a topology-matched classical block of identical trainable-parameter count, the classical-equivalent （CE） control, rerun across five random seeds on the two cells with the strongest paired effect. The HQC-CNN exceeded every CE seed on both cells, and the pooled paired McNemar test against the CE control was significant in each case （𝑝 = 0.0004 for EfficientNetV2-S × Qiskit GPU; 𝑝 = 0.033 for ConvNeXt-Small × IonQ Ideal）. Partitioning the total improvement into a branch effect （CE minus classical baseline） and a quantum-specific effect （HQC minus CE） revealed a backbone-dependent reversal: on EfficientNetV2-S the variational circuit accounted for the larger share （55% of the +2.93-percentage-point total）, whereas on ConvNeXt-Small the auxiliary classical branch dominated （69% of the +2.79-percentage-point total）, so the two cells reached similar gains through different mechanisms. The largest class-specific change appeared in Viral Pneumonia, the category the classical baseline handled least well, where the area under the receiver operating characteristic curve （AUC） rose from 0.913 to 0.943; categories already separated at near-unity AUC showed no statistically distinguishable shift. Density-matrix simulation under hardware-noise models cost up to 661 times classical training, fixing a practical ceiling on systematic backend comparison on commodity hardware. Study II covers the design and validation of a digital star-shot system for verifying the proton therapy isocenter, the geometric point toward which beams entering at different gantry angles are designed to converge. The star-shot test characterizes it by recording beams across a span of gantry angles and analyzing how tightly their central axes cluster. The apparatus combines a plastic scintillator sheet, a Raspberry Pi camera module, and a steel-ball fiducial in a single acrylic phantom: proton beams register as optical tracks on the scintillator, automated image analysis extracts each beam centerline, and the radius 𝑅min of the smallest circle tangent to all centerlines serves as the figure of merit for rotation-axis geometry. The same camera locates the steel ball in orthogonal kV radiographs, placing the imaging chain in a common reference frame so the radiation-to-imaging isocenter offset is read directly, without the intermediate coordinate transformations that film-based procedures require. On a clinical pencil-beam scanning gantry, the digital system returned 𝑅min = 0.29 mm against 0.41 mm for EBT3 radiochromic film under identical delivery, a 27% reduction. The mean systematic radiation-to-imaging offset was 0.27 mm, comfortably within the 1 mm tolerance set by the American Association of Physicists in Medicine （AAPM） Task Group 224 （TG-224） for proton QA. End to end, the digital workflow ran 22% faster than its film-based counterpart and can be assembled from commodity components at a fraction of the cost of comparable commercial systems. Both results hold within their respective settings rather than generalizing across them. In chest radiograph classification, the quantum module’s benefit is tied to the backbone–backend pairing rather than being general, a pattern referred to here as contingent quantum utility. In proton-gantry verification, a phantom built from a commodity scintillator and camera reaches sub-millimeter geometric accuracy comparable to radiochromic film. Each finding sits at a separate stage between diagnosis and delivery, the analysis of diagnostic radiographs and the geometric verification of the therapeutic beam, where a physics-based method yields a quantified result.;본 학위논문은 의학물리학 임상 워크플로의 서로 다른 단계에 위치하는 두 편의 독립적인 연구, 곧 다중 클래스 흉부 X선 영상 분류를 위한 하이브리드 양자–고전 합성곱 신경망（HQC-CNN）과 양성자 치료의 등중심점 검증을 위한 자동화된 디지털 계측 플랫폼을 다룬다. 두 연구는 방법론을 공유하지 않으나, 각각 진단에서 치료 전달에 이르는 과정의 서로 다른 지점에서 정량적으로 정의된 결과를 산출한다. 연구 I에서는 사전 학습된 합성곱 특징 추출기에 4큐비트 변분 양자 회로를 결합하였을 때 다섯 가지 흉부 범주（코로나 19, 정상, 세균성 폐렴, 바이러스성 폐렴, 결핵）에 대한 다중 클래스 분류 정확도가 달라지는지를 검토하였다. 네 종류의 백본（EfficientNetV2-S, ConvNeXt-Small, DenseNet121, ResNet50）을 여섯 가지 양자 실행 백엔드（모두 이상적 모델과 하드웨어 잡음 모델을 아우르는 소프트웨어 시뮬레이터）와 교차하여 총 24개의 조합을 요인 설계로 구성하였으며, 각 조합은 동일한 7,135장의 흉부 X선 영상에 대해 동일한 하이퍼파라미터와 최적화기로 학습하였다. 양자 모듈에 의한 정확도 변화는 백본이나 백엔드 어느 한쪽이 아니라 두 요인의 조합에 의존하였다. EfficientNetV2-S × Qiskit GPU 조합은 정합된 고전 기준 모델의 86.5%에 대해 89.4%의 테스트 정확도를 보였으며（차이 2.9%포인트）, 단순히 파라미터를 추가한 효과로부터 양자 고유의 기여를 분리하기 위해 변분 양자 회로를 동일한 학습 가능 파라미터 수와 토폴로지를 갖춘 고전 등가（CE） 블록으로 치환한 대조를 두었다. 이 대조는 가장 강한 짝지은 효과를 보인 두 조합에 대해 5개의 독립적인 난수 시드로 반복하였다. HQC-CNN은 두 조합 모두에서 다섯 개의 CE 시드 각각을 상회하였으며, CE 대조에 대한 풀링된 짝지은 McNemar 검정도 두 조합 모두에서 유의하였다（EfficientNetV2-S × Qiskit GPU에서 𝑝 = 0.0004, ConvNeXt-Small × IonQ Ideal에서 𝑝 = 0.033）. 총 향상을 분기 효과（CE에서 고전 기준을 뺀 값）와 양자 특이 효과（HQC에서 CE를 뺀 값）로 분할하면 백본에 따라 우세한 성분이 뒤바뀌었다. EfficientNetV2-S에서는 변분 양자 회로가 더 큰 비중을 차지하였고（총 +2.93%포인트의 55%）, ConvNeXt-Small에서는 보조 고전 분기가 우세하여（총 +2.79%포인트의 69%）, 두 조합은 서로 다른 메커니즘으로 비슷한 크기의 총 향상에 도달하였다. 범주별로는 고전 기준이 가장 낮은 성능을 보였던 바이러스성 폐렴에서 변화가 가장 컸으며, 수신자 조작 특성 곡선 아래 면적（AUC）이 0.913에서 0.943으로 상승하였다. 고전 모델이 이미 AUC가 1에 가깝게 분리하던 범주에서는 통계적으로 구별되는 변화가 없었다. 하드웨어 잡음 모델을 적용한 밀도행렬 시뮬레이션의 연산 비용은 고전 학습의 최대 661배에 이르러, 일반 연구용 하드웨어에서 수행 가능한 체계적 백엔드 비교의 규모에 실질적 상한을 설정한다. 연구 II는 양성자 치료의 등중심점, 곧 서로 다른 갠트리 각도에서 입사하는 모든 방사선 빔이 수렴하도록 설계된 기하학적 기준점을 검증하기 위한 디지털 스타샷 측정 시스템의 설계와 검증을 다룬다. 스타샷 시험은 여러 각도에서 빔을 기록하여 그 중심축이 얼마나 좁게 모이는지를 분석함으로써 이를 정량화한다. 본 장치는 플라스틱 섬광체 시트, Raspberry Pi 카메라 모듈, 강철 구슬 기준 마커를 하나의 아크릴 팬텀에 통합한 것으로, 여러 각도에서 조사된 양성자 빔이 섬광체 위에 광학적 궤적으로 기록되면 자동 영상 분석으로 각 빔의 중심선을 추출하고, 모든 중심선에 접하는 최소외접원의 반경 𝑅min을 회전축 기하학적 정확도의 측정 지표로 삼는다. 동일한 카메라가 직교 kV 방사선 영상에서 강철 구슬의 위치를 식별하여 영상 시스템을 같은 좌표계에 고정하므로, 필름 기반 절차에서 필요한 중간 좌표 변환 없이 방사선 등중심점과 영상 등중심점 사이의 오프셋을 직접 측정할 수 있다. 임상용 펜슬빔 스캐닝 갠트리에서 동일한 빔 조사 조건으로 비교한 결과, 디지털 시스템은 𝑅min = 0.29 mm를, EBT3 방사선 변색 필름은 0.41 mm를 보였으며, 이는 27%의 상대적 감소에 해당한다. 방사선과 영상 등중심점 사이의 체계적 평균 오프셋은 0.27 mm로, 미국 의학물리학회（AAPM） Task Group 224 （TG-224）가 양성자 QA에 대해 규정한 1 mm 허용 한계보다 충분히 작았다. 전 과정을 통틀어 디지털 절차의 소요 시간은 필름 기반 절차보다 22% 짧았으며, 같은 목적의 상용 장비에 비해 적은 비용으로 일반 하드웨어를 사용하여 구축할 수 있다. 두 연구의 결과는 각각의 실험 맥락에 한정된다. 흉부 X선 영상 분류에서 양자 모듈의 이점은 보편적이지 않고 백본–백엔드 조합에 의존하며, 본 논문은 이를 조건부 양자 유용성으로 규정한다. 양성자 갠트리 검증에서는 일반 하드웨어로 구성한 섬광체–카메라 팬텀이 방사선 변색 필름에 준하는 밀리미터 미만의 기하학적 정확도를 달성하였다. 두 결과는 각각 진단용 방사선 영상의 분석과 치료 빔 전달의 기하학적 검증이라는 서로 다른 단계에 대응하며, 그 지점에서 물리학 기반 방법이 정량적 기여를 한다.