Quantum Compressed Sensing CT Reconstruction Algorithm Based on Penalized Weighted Least Squares and Guided Total Variation

Stellen Sie sich vor, Sie versuchen, ein riesiges Puzzle mit 1.600 Teilen zu lösen, aber jemand hat 90 % der Teile weggeworfen und den Rest durch eine Tüte glitzerndes Konfetti ersetzt. Das ist das Problem, mit dem Ärzte konfrontiert sind, wenn sie versuchen, ein CT-Bild aus sehr wenigen Röntgenaufnahmen (sogenanntes „Sparse-View“-Imaging) zu erstellen. Das Ziel ist es, in den Körper hineinzusehen, ohne den Patienten mit zu viel Strahlung zu belasten, aber bei so wenig Daten wird das Bild normalerweise verschwommen, streifig oder voller Rauschen.

Lange Zeit haben Wissenschaftler versucht, dieses Puzzle mit superschnellen Quantencomputern zu lösen. Sie verwandeln das Bild in ein riesiges mathematisches Problem, das als QUBO (Quadratic Unconstrained Binary Optimization) bezeichnet wird. Stellen Sie sich das wie ein Spiel vor, bei dem jeder Pixel im Bild ein Lichtschalter ist, der nur AN oder AUS sein kann. Die Aufgabe des Computers ist es, die Schalter in der perfekten Kombination umzulegen, damit das Bild richtig aussieht.

Die alte Art, dieses Spiel zu spielen, hatte jedoch zwei große Mängel, und dieses neue Paper von Zhang und seinem Team behebt diese.

Die zwei großen Fehler im alten Spiel

1. Der „Gleiches Vertrauen“-Fehler
In der alten Version behandelte der Computer jede einzelne Röntgenmessung so, als wäre sie gleichermaßen vertrauenswürdig. Aber in der Realität funktionieren Röntgenstrahlen wie ein Fangspiel mit Murmeln. Wenn Sie eine Handvoll Murmeln fangen (hohe Photonenzahl), sind Sie sich ziemlich sicher, dass Sie sie haben. Wenn Sie nur ein oder zwei fangen (niedrige Photonenzahl), haben Sie vielleicht einige verpasst, also ist diese Messung wackelig.
Die alte Mathematik ignorierte dies. Sie gab den wackeligen Messungen mit niedriger Zählung das gleiche Gewicht wie den soliden Messungen mit hoher Zählung. Dieses Paper argumentiert, dass man den wackeligen Daten nicht so sehr vertrauen sollte. Das Team führte eine neue Regel namens PWLS (Penalized Weighted Least Squares) ein. Jetzt hört der Computer genau auf die „lauten, klaren“ Signale und blendet die „schwachen, knisternden“ aus.

2. Der „Einheitsmaß“-Glättungsfehler
Um zu verhindern, dass das Bild wie das statische Rauschen auf einem alten Fernseher aussieht, verwendete die alte Methode eine Technik namens TV (Total Variation). Stellen Sie sich vor, Sie glätten einen unebenen Teppich. Die alte Methode nutzte eine schwere Walze, die überall mit exakt demselben Druck nach unten drückte.
Das Problem war: Sie glättete die Unebenheiten (Rauschen) und die wichtigen Muster (wie die Kante eines Knochens oder eines Tumors) mit derselben schweren Hand. Dies ließ das Bild zu glatt erscheinen und ließ wichtige Details verloren gehen.
Das Team ersetzte dies durch GTV (Guided Total Variation). Anstatt einer schweren Walze verwendeten sie einen „intelligenten Führer“. Sie schauten sich zuerst einen groben Entwurf des Bildes an. Wenn der Führer in dem Entwurf eine scharfe Kante sah, wusste er, dass er dort vorsichtig sein muss, damit die Kante nicht verschwimmt. Wenn er eine flache, leere Fläche sah, drückte er stärker, um das Rauschen zu glätten. Es ist wie ein Bildhauer, der genau weiß, wann er vorsichtig und wann er grob sein muss.

Der große Test: Funktioniert das neue Spiel?

Das Team testete ihre neue „Intelligenter Führer + Gewichtetes Vertrauen“-Methode gegen die alten Wege. Sie verwendeten vier verschiedene CT-Bilder (einen Brustkorb, einen Bauchraum und zwei Gehirne) und simulierten einen sehr verrauschten Niedrigdosis-Röntgenscan mit nur 10 Ansichten (sehr wenige Winkel).

Hier ist das, was sie herausfanden:

• Der „kontinuierliche“ Solver versagte: Sie versuchten, das mathematische Problem mit einer Standardmethode namens Gradient Descent (GD) zu lösen, die glatt verläuft. Es war, als würde man versuchen, das Puzzle zu lösen, indem man die Teile auf einem rutschigen Tisch hin und her schiebt. Da die Puzzleteile (Pixel) gezwungen waren, strikt „AN“ oder „AUS“ (binär) zu sein, blieb die glatte Methode in einem Chaos aus Rauschen stecken. Das Ergebnis war ein Bild mit einem PSNR von nur 7,94 dB, was im Gruglich ein verrauschtes Durcheinander ist.
• Der „Quanten“-Solver war erfolgreich: Als sie den Quantum Annealer (einen echten Quantencomputer von D-Wave) und einen klassischen „Simulated Annealing“-Solver verwendeten, behandelten sie das Problem als echtes binäres Spiel. Die Ergebnisse waren beeindruckend. Die neue PWLS-GTV-Methode erzeugte ein Bild mit einem PSNR von 36,64 dB.
  • Um das in Perspektive zu setzen: Die alte Standardmethode (SART) erreichte 22,48 dB. Die neue Methode war nicht nur besser; sie hat sie förmlich zerschmettert.
  • Die Bildqualität war so gut, dass die Fehlerkarten (Bilder, die zeigen, was falsch war) fast unsichtbar waren.

Das „Quanten“ vs. „Klassik“-Duell

Einer der interessantesten Teile des Papers ist, wie sie überprüften, ob der Quantencomputer tatsächlich gute Arbeit leistet. Sie ließen dasselbe Problem 10 Mal auf der echten Quantenmaschine laufen.

• Die Ergebnisse waren unglaublich stabil. Der Qualitätswert (PSNR) schwankte um die 32,76 ± 0,93 dB.
• Selbst der „schlechteste“ Durchlauf auf dem Quantencomputer war immer noch viel besser als das beste Ergebnis der alten Standardmethoden.
• Vor allem entsprachen die Ergebnisse des echten Quantencomputers fast perfekt den Ergebnissen eines klassischen „Simulated Annealing“-Solvers. Dies deutet darauf hin, dass das mathematische Modell (das QUBO) der eigentliche Held hier ist, und es auf einer Quantenmaschine genauso gut funktioniert wie auf einer klassischen, vorausgesetzt, man verwendet den richtigen „binären“ Ansatz.

Was das bedeutet (und was es nicht bedeutet)

Das Paper zeigt, dass man durch das Respektieren der Physik von Röntgenstrahlen (Gewichtung der Daten) und durch intelligentes Glätten des Bildes (unter Verwendung des Führers) viel klarere Bilder aus sehr wenigen Röntgenaufnahmen erhalten kann.

Es gibt jedoch Grenzen. Das Paper stellt explizit fest, dass dies an kleinen, 40 × 40 Pixel großen Bildern getestet wurde. Warum so klein? Weil aktuelle Quantencomputer nur eine bestimmte Anzahl von Schaltern (Qubits) gleichzeitig verarbeiten können. Wenn man versucht, das Bild größer zu machen, explodiert die Größe des mathematischen Problems. Außerdem simulierte das Team nur Poisson-Rauschen (die natürliche Zufälligkeit von Röntgenstrahlen); sie testeten nicht für andere reale Fehler wie Detektorfehler oder Streulicht.

Obwohl dies kein Zauberstab ist, der morgen sofort jeden CT-Scan in einem Krankenhaus repariert, beweist es einen entscheidenden Punkt: Wenn man Quantencomputer für die medizinische Bildgebung nutzen will, muss man das mathematische Problem auf die richtige Weise aufbauen. Man kann nicht einfach die alten Formeln auf eine Quantenmaschine werfen und hoffen, dass es gut geht. Man muss seine Daten gewichten und seine Glättung führen, sonst liefert der Quantencomputer nur ein verrauschtes, verschwommenes Bild, genau wie die alten Methoden.