MAQNet: An Efficient Hybrid Quantum–Classical Model for Brain Tumor Classification

Abstract

자기공명영상(MRI)을 이용한 정확한 뇌종양 분류는 종양 형태의 복잡성으로 인해 여전히 어려운 과제로 남아있다. 심층 신경망(Deep neural network)이 뇌종양 분류 기술을 발전시켰음에도 불구하고, 모델의 큰 규모는 실용적인 적용에 한계점으로 작용한다. 이러한 문제를 해결하기 위해, 본 연구에서는 MobileNetV2의 역 잔차 블록(Inverted residual block)에 기반한 경량 하이브리드 고전-양자 모델인 MAQNet을 제안한다. 이 모델은 어텐션 메커니즘(Attention mechanism)과 변분 양자 회로(Variational quantum circuit)를 결합하여 특징 학습(Feature learning) 능력을 향상시킨다. MAQNet은 대부분의 기존 합성곱 신경망(Convolutional neural network)보다 더 적은 130만 개의 파라미터만을 유지하면서도, 지역적 및 전역적 맥락 정보를 효과적으로 포착하도록 설계되었다. 제안하는 모델의 성능을 검증하고 공정한 비교를 위해, ResNet-50, MobileNetV2, EfficientNet-B0, DenseNet121, InceptionNetV3 등 기존의 주요 CNN 기반 모델들과 동일한 학습 구성 하에서 MAQNet을 평가하였으며, 평가 결과, MAQNet은 세 번의 학습 실행에서 평균 97.98%의 정확도를 달성하여, 예측 성능과 계산 효율성 간의 탁월한 균형을 성공적으로 입증하였다.|Accurately classifying brain tumors using magnetic resonance imaging (MRI) remains challenging due to the complex nature of tumor morphology. Although deep neural networks have advanced brain tumor classification, their large model sizes often limit their practical application. To address this issue, we propose MAQNet: a lightweight, hybrid quantum-classical model based on MobileNetV2's inverted residual blocks. This model combines attention mechanisms with a variational quantum circuit (VQC) to enhance feature learning. MAQNet is designed to capture local and global contextual information while maintaining a remarkably low parameters of just 1.3 million—an order of magnitude smaller than most conventional convolutional neural networks (CNNs). To validate its performance and ensure a fair comparison, we evaluated MAQNet alongside several established CNN baselines, including ResNet-50, MobileNetV2, EfficientNet-B0, DenseNet121, and InceptionNetV3 in identical training configurations. Through this evaluation, MAQNet achieved an average accuracy of 97.98% across three training runs, demonstrating its exceptional balance between predictive performance and computational efficiency.