의료 영상 분류(Medical image classification)는 종종 제한된 라벨링 데이터로 인해 제약을 받으며, 이는 생성적 증강(generative augmentation)의 동기가 됩니다. 최근 이러한 목적을 위해 양자 생성 모델(quantum generative models)이 제안되었으며, 빈번하게 정확도 향상을 보고하고 있습니다. 그러나 이러한 주장들은 대개 단일 학습 실행(single training runs)에 기반하고 있으며, 양자 및 고전적 생성기(quantum and classical generators)의 파라미터 예산(parameter budgets)을 일치시키지 않으며, 어떠한 이점이 나타나는 데이터 영역(data regime)을 규정하지 않습니다. 우리는 뇌 MRI 증강에 대한 양자 생성기의 기여도를 분리하여 분석하는 통제된 벤치마크(controlled benchmark)를 제시합니다. 이미지는 KL 정규화된 잠재 공간(KL-regularized latent space)으로 인코딩되며, 이 공간에서 그래디언트 페널티를 적용한 조건부 Wasserstein GAN(conditional Wasserstein GAN with gradient penalty)이 변분 양자 생성기(variational quantum generator) 또는 거의 동일한 파라미터 수(1648 대 1632)를 가진 고전적 생성기(classical generator)를 사용하여 학습됩니다. 합성된 샘플들은 디코딩되어 5%에서 100% 사이의 라벨링 데이터 비율에 걸쳐 사전 학습된 분류기(pretrained classifier)를 증강하는 데 사용되며, 쌍체 유의성 검정(paired significance testing, 다중 비교 교정 포함)과 집합 내 다양성(intraset diversity) 및 잠재 분포(latent-distribution) 분석을 통해 8개의 무작위 시드(random seeds)에 대해 평가됩니다. 모든 데이터 비율에 걸쳐, 어떤 증강 변형도 실제 데이터만 사용한 학습(real-data-only training)을 유의미하게 능가하지 못했으며, 양자 생성기와 고전적 생성기는 통계적으로 구별할 수 없었습니다. 데이터가 부족할 때 나타나는 어떠한 이점도 충실한 데이터 확장(faithful data expansion)이라기보다는 정규화(regularization)처럼 작동합니다. 즉, 합성 샘플은 데이터가 부족한 지점에서 분포를 벗어나 있으며(off distribution) 심각한 모드 붕괴(mode collapse)를 보였고, 양자 생성기는 고전적 대응물보다 더 다양하지 않았습니다. 우리는 의료 영상 분야에서 양자 생성적 증강(quantum generative augmentation)에 대한 엄격한 평가를 위한 테스트베드(testbed)로서 이 프로토콜을 공개합니다.