⚡ electrical engineering

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

Este artículo propone un algoritmo de reconstrucción de TC de compresión cuántica que integra mínimos cuadrados ponderados penalizados y variación total guiada en un marco unificado de QUBO, demostrando una calidad de imagen y supresión de ruido superiores en escenarios de vistas dispersas en comparación con los métodos convencionales y otros métodos basados en optimización.

Autores originales: Yuwen Zhang, Yujie Liu, Ao Wang, Yikuang Yuluo, Shuangyang Zhong, Haijun Yu, Yixing Huang

Publicado 2026-07-14

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yuwen Zhang, Yujie Liu, Ao Wang, Yikuang Yuluo, Shuangyang Zhong, Haijun Yu, Yixing Huang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando resolver un rompecabezas gigante de 1,600 piezas, pero alguien ha tirado a la basura el 90% de las piezas y las ha reemplazado con una bolsa de confeti brillante. Eso es lo que enfrentan los médicos cuando intentan construir una imagen de una tomografía computarizada (CT) a partir de muy pocas tomas de rayos X (imágenes de "vista dispersa" o sparse-view). El objetivo es ver el interior del cuerpo sin bombardear al paciente con demasiada radiación, pero con tan pocos datos, la imagen suele salir borrosa, con rayas o llena de ruido.

Durante mucho tiempo, los científicos han intentado usar computadoras cuánticas superrápidas para resolver este rompecabezas. Convierten la imagen en un gran problema matemático llamado QUBO (Optimización Binaria Cuadrática sin Restricciones). Piensa en esto como un juego donde cada píxel de la imagen es un interruptor de luz que solo puede estar en ENCENDIDO o APAGADO. El trabajo de la computadora es cambiar los interruptores en la combinación perfecta para que la imagen se vea bien.

Sin embargo, la vieja forma de jugar a este juego tenía dos grandes fallas, y este nuevo artículo de Zhang y su equipo las corrige.

Los dos grandes errores del viejo juego

1. El error de la "Confianza Igualitaria"
En la versión antigua, la computadora trataba cada medición de rayos X como si fuera igualmente digna de confianza. Pero en la vida real, los rayos X funcionan como un juego de atrapar canicas. Si atrapas un puñado de canicas (alto conteo de fotones), estás bastante seguro de que las tienes. Si solo atrapas una o dos (bajo conteo de fotones), es posible que hayas perdido algunas, por lo que esa medición es inestable.
La matemática antigua ignoraba esto. Le daba a las mediciones inestables y de bajo conteo el mismo peso que a las sólidas y de alto conteo. Este artículo argumenta que no deberías confiar tanto en los datos inestables. El equipo introdujo una nueva regla llamada PWLS (Mínimos Cuadrados Pesados Penalizados). Ahora, la computadora escucha atentamente las señales "fuertes y claras" y sintoniza fuera las "tenues y crujientes".

2. El error de "Talla Única" para el Suavizado
Para evitar que la imagen parezca estática de un televisor antiguo, el método antiguo utilizaba una técnica llamada TV (Variación Total). Imagina que estás alisando una alfombra rugosa. El método antiguo usaba un rodillo pesado que presionaba hacia abajo con la misma fuerza en todas partes.
¿El problema? Aplataba tanto los bultos (ruido) como los patrones importantes (como el borde de un hueso o un tumor) con la misma mano pesada. Esto hacía que la imagen se viera demasiado suave y perdiera los detalles nítidos.
El equipo reemplazó esto con GTV (Variación Total Guiada). En lugar de un rodillo pesado, usaron un "guía inteligente". Primero miraron un borrador de la imagen. Si el guía veía un borde nítido en el borza, sabía que debía ser suave allí para que el borde no se borrara. Si veía un espacio plano y vacío, presionaba más fuerte para suavizar el ruido. Es como un escultor que sabe exactamente dónde ser cuidadoso y dónde ser brusco.

La Gran Prueba: ¿Funciona el Nuevo Juego?

El equipo probó su nuevo método de "Guía Inteligente + Confianza Ponderada" contra las formas antiguas. Utilizaron cuatro imágenes de CT diferentes (un pecho, una cintura y dos cerebros) y simularon una exploración de rayos X muy ruidosa y de baja dosis con solo 10 vistas (muy pocos ángulos).

Esto es lo que encontraron:

El Solucionador "Continuo" Falló: Intentaron resolver el problema matemático utilizando un método estándar y suave llamado Descenso de Gradiente (GD). Fue como intentar resolver el rompecabezas deslizando las piezas sobre una mesa resbaladiza. Debido a que las piezas del rompecabezas (píxeles) estaban forzadas a ser estrictamente "ENCENDIDAS" o "APAGADAS" (binarias), el método suave se quedó atrapado en un caos de ruido. El resultado fue una imagen con un PSNR de solo 7.94 dB, que es básicamente un desastre ruidoso.
El Solucionador "Cuántico" Triunfó: Cuando utilizaron el Recocido Cuántico (una computadora cuántica real de D-Wave) y un solucionador clásico de "Recocido Simulado", trataron el problema como un verdadero juego binario. Los resultados fueron asombrosos. El método PWLS-GTV produjo una imagen con un PSBR (PSNR) de 36.64 dB.
- Para ponerlo en perspectiva: el método estándar antiguo (SART) obtuvo 22.48 dB. El nuevo método no solo ganó; los aplastó.
- La calidad de la imagen era tan buena que los mapas de error (imágenes que muestran qué estaba mal) eran casi invisibles.

El Enfrentamiento "Cuántico" vs. "Clásico"

Una de las partes más interesantes del artículo es cómo verificaron si la computadora cuántica realmente estaba haciendo un buen trabajo. Ejecutaron el mismo problema 10 veces en la máquina cuántica real.

Los resultados fueron increíblemente estables. La puntuación de calidad (PSNR) rondó los 32.76 ± 0.93 dB.
Incluso la ejecución "peor" en la computadora cuántica fue mucho mejor que el mejor resultado de los métodos estándar antiguos.
Lo más importante es que los resultados de la verdadera computadora cuántica coincidieron casi perfectamente con los resultados de un solucionador clásico de "Recocido Simulado". Esto sugiere que el modelo matemático (el QUBO) es el verdadero héroe aquí, y funciona tan bien en una máquina cuántica como en una clásica, siempre que utilices el enfoque "binario" correcto.

Lo Que Esto Significa (Y Lo Que No)

El artículo demuestra que, al respetar la física de los rayos X (ponderando los datos) y ser inteligentes sobre dónde suavizar la imagen (usando el guía), se pueden obtener imágenes mucho más claras con muy pocos rayos X.

Sin embargo, existen límites. El artículo establece explícitamente que esto se probó en imágenes pequeñas de 40 × 40 píxeles. ¿Por qué tan pequeñas? Porque las computadoras cuánticas actuales solo pueden manejar un cierto número de interruptores (cúbits) a la vez. Si intentas hacer la imagen más grande, el problema matemático explota en tamaño. Además, el equipo solo simuló ruido de Poisson (la aleatoriedad natural de los rayos X); no probaron para otros errores del mundo real como errores del detector o luz dispersa.

Así que, aunque esto no es una varita mágica que arreglará instantáneamente cada tomografía en un hospital mañana, demuestra un punto vital: Si quieres usar computadoras cuánticas para imágenes médicas, tienes que construir el problema matemático de la manera correcta. No puedes simplemente lanzar las fórmulas viejas a una máquina cuántica y esperar lo mejor. Necesitas ponderar tus datos y guiar tu suavizado, o la computadora cuántica solo te dará una imagen ruidosa y borrosa, igual que las anteriores.

Resumen Técnico: Reconstrucción de TC mediante Compressive Sensing Cuántico Basada en PWLS y Variación Total Guiada

Planteamiento del Problema
La reconstrucción de Tomografía Computarizada (TC) bajo condiciones de vistas dispersas (sparse-view) y baja dosis es un problema inverso severamente mal planteado debido a los datos de proyección incompletos y la contaminación por ruido. Si bien los métodos de reconstrucción iterativa han mejorado respecto a los algoritmos convencionales como la Retroproyección Filtrada (FBP), lograr resultados robustos sigue siendo un desafío. Esfuerzos recientes para aplicar computación cuántica, específicamente el recocido cuántico (quantum annealing), a la reconstrucción de TC han formulado el problema como un modelo de Optimización Binaria Cuadrática No Restringida (QUBO). Sin embargo, los marcos de reconstrucción cuántica existentes, como la Reconstrucción de TC de Compressive Sensing Cuántico (QCSTR), sufren de dos limitaciones principales:

Ignorancia de la Heterogeneidad Estadística: Típicamente emplean Mínimos Cuadrados (LS) no ponderados para la fidelidad de los datos, asumiendo que todas las mediciones de proyección tienen una fiabilidad idéntica. Esto contradice la realidad física de la TC de rayos X, donde el conteo de fotones sigue una estadística de Poisson, lo que significa que las mediciones con pocos conteos poseen una mayor varianza y una menor relación señal-ruido.
Regularización Uniforme: Dependen de la regularización de Variación Total (TV) estándar, que aplica una fuerza de suavizado uniforme en toda la imagen. Esto a menudo provoca un sobre-suavizado de los bordes anatómicos e introduce artefactos de "escalonamiento" (staircase) en las regiones homogéneas.

Metodología
Los autores proponen un marco unificado basado en QUBO que integra Mínimos Cuadrados Ponderados Penalizados (PWLS) y Variación Total Guiada (GTV), preservando al mismo tiempo la estructura cuadrática requerida para el recocido cuántico.

Fidelidad de Datos (PWLS): En lugar de LS estándar, el término de fidelidad de datos se pondera mediante una matriz diagonal $W$ , donde los pesos son proporales a los conteos de fotones detectados para cada rayo. Esto informa estadísticamente al modelo, enfatizando las mediciones de alta fiabilidad y penalizando las proyecciones de bajo conteo y alto ruido.
Regularización (GTV): El término de regularización utiliza una imagen previa (reconstruida mediante un algoritmo convencional rápido como SART) para generar pesos espacialmente adaptativos. La magnitud de los gradientes en la imagen previa determina el peso: los bordes fuertes en la previa reciben pesos de regularización más bajos para preservar la estructura, mientras que las regiones homogéneas reciben pesos más altos para suprimir el ruido.
Formulación QUBO: Tanto el término PWLS como el término GTV se expresan como funciones cuadráticas de un vector binario $q$ (que representa los valores de los píxeles codificados en binario). Al sustituir la codificación binaria $\mu = Bq$ en la función objetivo, los autores derivan una única función de energía QUBO $F(q) = q^T Q q + h^T q + c$ . Esto permite que el complejo problema de optimización ponderada sea resuelto directamente por recocedores cuánticos o solucionadores híbridos sin alterar la naturaleza cuadrática del modelo.

Contribuciones Clave

Integración de la Estadística de Fotones: Este trabajo introduce el término de fidelidad de datos PWLS en el marco de reconstrucción de TC basado en QUBO, permitiendo que el modelo de optimización binaria tenga en cuenta la fiabilidad del conteo de fotones y la estadística de ruido dependiente de la medición.
Regularización Espacial Adaptativa: Los autores desarrollan un término GTV que aprovecha la información del gradiente de la imagen previa para ajustar adaptativamente la fuerza de suavizado. Este enfoque tiene como objetivo mejorar la preservación de los bordes mientras se suprime eficazmente el ruido en áreas homogéneas.
Validación del Marco: Experimentos extensos bajo condiciones de ruido y vistas dispersas (geometría de haz en abanico de 10 vistas) demuestran que el modelo PWLS-GTV propuesto supera a los algoritmos convencionales (FBP, SART, SIRT, EM) y a las variantes QUBO existentes (LS, LS-TV, PWLS-TV, etc.).

Resultados Experimentales
El estudio evaluó cuatro imágenes de TC (tórax, cintura y dos escaneos cerebrales) redimensionadas a $40 \times 40$ píxeles con codificación de 2 bits, utilizando 10 vistas de proyección con ruido de Poisson.

Métricas de Desempeño: El método PWLS-GTV alcanzó la mayor Relación Señal-Ruido de Pico (PSNR), Índice de Similitud Estructural (SSIM) y el menor Error Cuadrático Medio (RMSE) entre todos los métodos probados. Para un caso representativo, alcanzó un PSNR de 36.64 dB y un SSIM de 0.985, superando significativamente al mejor método convencional (SART, 22.48 dB PSNR).
Análisis de Componentes:
- Reemplazar LS con PWLS mejoró la calidad de la reconstrucción, con un beneficio que aumenta al combinarse con la regularización (una ganancia de 2.44 dB en PSNR para PWLS-GTV sobre LS-GTV).
- Reemplazar TV con GTV mejoró aún más el desempeño, produciendo una mejora de 3.78 dB en PSNR sobre PWLS-TV.
Comparación de Solucionadores:
- Descenso de Gradiente (GD): Resolver el mismo objetivo PWLS-GTV en el dominio continuo mediante GD resultó en reconstrucciones deficientes dominadas por ruido de sal y pimienta (PSNR ~7.94 dB), lo que indica que la optimización continua falla bajo fuertes restricciones de cuantización y vistas dispersas.
- Recocido Simulado (SA) vs. Solucionador Cuántico Híbrido: Tanto el SA clásico como el solucionador híbrido cuántico-clásico de D-Wave produjeron reconstrucciones de alta calidad y consistentes. El solucionador D-Wave demostró estabilidad a través de 10 ejecuciones independientes con una desviación estándar de PSNR de solo 0.93 dB.

Significancia
El artículo sostiene que la ponderación estadística de fotones y la regularización espacial guiada por la imagen previa pueden incorporarse con éxito en la reconstrucción de TC basada en QUBO sin romper la estructura cuadrática necesaria para la optimización basada en recocido. Los resultados sugieren que la formulación discreta QUBO, junto con los solucionadores de recocido, es esencial para manejar el problema de la TC cuantizada y de vistas dispersas, ya que los métodos continuos basados en gradientes son ineficaces en este régimen específico. Este trabajo proporciona una base fundamental para futuras investigaciones en la reconstrucción de TC asistida por computación cuántica que modele mejor la estadística de ruido físico y la heterogeneidad anatómica.

Los dos grandes errores del viejo juego

La Gran Prueba: ¿Funciona el Nuevo Juego?

El Enfrentamiento "Cuántico" vs. "Clásico"

Lo Que Esto Significa (Y Lo Que No)

Más como este