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

Imaginez que vous essayez de résoudre un immense puzzle de 1 600 pièces, mais que quelqu'un a jeté 90 % des pièces et les a remplacées par un sac de confettis brillants. C'est ce à quoi les médecins sont confrontés lorsqu'ils tentent de reconstruire une image de scanner CT à partir de très peu de clichés de rayons X (ce qu'on appelle l'imagerie à « faible nombre de vues » ou sparse-view). L'objectif est de voir l'intérieur du corps sans bombarder le patient avec trop de radiations, mais avec si peu de données, l'image est généralement floue, striée ou pleine de bruit.

Pendant longtemps, les scientifiques ont essayé d'utiliser des ordinateurs quantiques super rapides pour résoudre ce puzzle. Ils transforment l'image en un immense problème mathématique appelé QUBO (Quadratic Unconstrained Binary Optimization). Voyez cela comme un jeu où chaque pixel de l'image est un interrupteur qui peut seulement être sur ON ou OFF. Le travail de l'ordinateur est de basculer les interrupteurs dans la combinaison parfaite pour que l'image paraisse correcte.

Cependant, l'ancienne façon de jouer à ce jeu présentait deux gros défauts, et ce nouvel article de Zhang et son équipe les corrige.

Les deux grosses erreurs de l'ancien jeu

1. L'erreur de l'« Égalité de Confiance »
Dans l'ancienne version, l'ordinateur traitait chaque mesure de rayons X comme si elle était également digne de confiance. Mais dans la réalité, les rayons X fonctionnent comme un jeu de lancer de billes. Si vous attrapez une poignée de billes (un nombre élevé de photons), vous êtes assez sûr de les avoir. Si vous n'en attrapez qu'une ou deux (un faible nombre de photons), vous avez peut-être raté certaines billes, donc cette mesure est incertaine.
L'ancienne mathématique ignorait cela. Elle donnait le même poids aux mesures incertaines et à faible comptage qu'aux mesures solides et à haut comptage. Cet article soutient que vous ne devriez pas accorder autant de confiance aux données incertaines. L'équipe a introduit une nouvelle règle appelée PWLS (Penalized Weighted Least Squares). Désormais, l'ordinateur écoute attentivement les signaux « forts et clairs » et ignore les signaux « faibles et grésillants ».

2. L'erreur du « Taille Unique » pour le lissage
Pour éviter que l'image ne ressemble à de la neige sur une vieille télévision, l'ancienne méthode utilisait une technique appelée TV (Total Variation). Imaginez que vous lissez un tapis bosselé. L'ancienne méthode utilisait un rouleau lourd qui pressait avec exactement la même force partout.
Le problème ? Cela aplatissait les bosses (le bruit) et les motifs importants (comme le bord d'un os ou d'une tumeur) avec la même main lourde. Cela rendait l'image trop lisse et faisait perdre les détails nets.
L'équipe a remplacé cela par la GTV (Guided Total Variation). Au lieu d'un rouleau lourd, ils ont utilisé un « guide intelligent ». Ils ont d'abord regardé un brouillon de l'image. Si le guide voyait un bord net dans le brouillon, il savait qu'il devait être délicat à cet endroit pour que le bord ne soit pas flouté. S'il voyait un espace plat et vide, il pressait plus fort pour lisser le bruit. C'est comme un sculpteur qui sait exactement où être prudent et où être rude.

Le Grand Test : Est-ce que le nouveau jeu fonctionne ?

L'équipe a testé sa nouvelle méthode « Guide Intelligent + Confiance Pondérée » contre les anciennes méthodes. Ils ont utilisé quatre images de CT différentes (un thorax, un abdomen et deux cerveaux) et ont simulé un scanner de rayons X très bruyant à faible dose avec seulement 10 vues (très peu d'angles).

Voici ce qu'ils ont trouvé :

• Le solveur « Continu » a échoué : Ils ont essayé de résoudre le problème mathématique en utilisant une méthode classique et fluide appelée Descente de Gradient (GD). C'était comme essayer de résoudre le puzzle en faisant glisser les pièces sur une table glissante. Parce que les pièces du puzzle (les pixels) étaient forcées d'être strictement « ON » ou « OFF » (binaires), la méthode fluide s'est retrouvée coincée dans un amas de bruit. Le résultat était une image avec un PSNR de seulement 7,94 dB, ce qui est essentiellement un tas de bruit.
• Le solveur « Quantique » a réussi : Lorsqu'ils ont utilisé l'Anneleur Quantique (un véritable ordinateur quantique de D-Wave) et un solveur classique de « Recuit Simulé » (Simulated Annealing), ils ont traité le problème comme un véritable jeu binaire. Les résultats sont impressionnants. La méthode PWLS-GTV a produit une image avec un PSNR de 36,64 dB.
  • Pour mettre cela en perspective : l'ancienne méthode standard (SART) a obtenu 22,48 dB. La nouvelle méthode n'a pas seulement battu l'ancienne ; elle l'a écrasée.
  • La qualité de l'image était si bonne que les cartes d'erreur (images montrant ce qui n'allait pas) étaient presque invisibles.

Le duel « Quantique » vs « Classique »

L'un des aspects les plus intéressants de l'article est la façon dont ils ont vérifié si l'ordinateur quantique faisait réellement du bon travail. Ils ont exécuté le même problème 10 fois sur la véritable machine quantique.

• Les résultats étaient incroyablement stables. Le score de qualité (PSnr) oscillait autour de 32,76 ± 0,93 dB.
• Même le « pire » essai sur l'ordinateur quantique était bien meilleur que le meilleur résultat des anciennes méthodes standards.
• Plus important encore, les résultats du véritable ordinateur quantique correspondaient presque parfaitement aux résultats d'un solveur classique de « Recuit Simulé ». Cela suggère que le modèle mathématique (le QUBO) est le véritable héros ici, et qu'il fonctionne aussi bien sur une machine quantique que sur une machine classique, à condition d'utiliser le bon approche « binaire ».

Ce que cela signifie (et ce que cela ne signifie pas)

L'article montre qu'en respectant la physique des rayons X (pondération des données) et en étant intelligent sur l'endroit où lisser l'image (en utilisant le guide), on peut obtenir des images beaucoup plus claires à partir de très peu de rayons X.

Cependant, il y a des limites. L'article précise explicitement que cela a été testé sur de petites images de 40 × 40 pixels. Pourquoi si petites ? Parce que les ordinateurs quantiques actuels ne peuvent gérer qu'un certain nombre d'interrupteurs (qubits) à la fois. Si vous essayez de rendre l'image plus grande, le problème mathématique explose en taille. De plus, l'équipe n'a simulé que le bruit de Poisson (l'aléa naturel des rayons X) ; ils n'ont pas testé d'autres problèmes du monde réel comme les erreurs de détecteur ou la lumière diffuse.

Ainsi, bien que cela ne soit pas une baguette magique qui va instantanément corriger chaque scanner CT dans un hôpital demain, cela prouve un point vital : Si vous voulez utiliser des ordinateurs quantiques pour l'imagerie médicale, vous devez construire le problème mathématique de la bonne manière. Vous ne pouvez pas simplement jeter les anciennes formules sur une machine quantique en espérant que cela fonctionne. Vous devez pondérer vos données et guider votre lissage, sinon l'ordinateur quantique ne donnera qu'une image bruitée et floue, tout comme les anciennes méthodes.