High-Fidelity ROI CT Reconstruction with Limited Quantum Resources via Hybrid Classical-Quantum Refinement

Riepilogo Tecnico: Ricostruzione CT ad Alta Fedeltà di ROI con Risorse Quantistiche Limitate tramite Affinamento Ibrido Classico-Quantistico

Enunciato del Problema
L'ottimizzazione quantistica per la ricostruzione tomografica computerizzata (CT), in particolare quando formulata come problema di ottimizzazione binaria quadratica senza vincoli (QUBO), affronta vincoli significativi di scalabilità. Il numero di variabili binarie necessarie per rappresentare un'immagine cresce rapidamente con la risoluzione, rendendo la ricostruzione quantistica diretta dell'intera immagine non fattibile per oggetti di grandi dimensioni o strutturalmente complessi, date le attuali limitazioni hardware. Inoltre, in scenari pratici come la CT ad angolo limitato o a viste sparse, i metodi iterativi classici (ad esempio SART) e i metodi analitici (ad esempio FBP) soffrono spesso di artefatti e di una perdita di dettaglio locale fine, specialmente quando il problema inverso è mal posto. La sfida consiste nel raggiungere una ricostruzione ad alta fedeltà in specifiche Regioni di Interesse (ROI) — come lesioni o difetti sospetti — senza richiedere che l'intera immagine venga elaborata da solver quantistici ad alta intensità di risorse.

Metodologia
Gli autori propongono un framework ibrido di affinamento della Regione di Interesse (ROI) progettato per operare entro risorse quantistiche limitate. La pipeline consta di due fasi distinte:

1. Ricostruzione Globale Grezza: Una stima globale dell'immagine viene inizialmente generata utilizzando uno dei tre metodi: Ricostruzione Tomografica Quantistica (QTR), Ricostruzione Tomografica a Sensing Compresso Quantistico (QCSTR), Retroproiezione Filtrata (FBP) o la Tecnica di Ricostruzione Algebrica Simultanea (SART).

   • Se QTR/QCSTR viene utilizzato per questa fase, viene eseguito su una griglia a risoluzione ridotta per adattarsi ai budget di qubit, quindi viene ricampionato e levigato.
   • Se viene utilizzato FBP o SART, la ricostruzione viene eseguita direttamente alla risoluzione target.
   • Questa fase produce una stima globale grezza ($I_{global}$) intesa a catturare la struttura di sfondo piuttosto che servire come soluzione finale ad alta fedeltà.

2. Proiezione del Residuo e Affinamento della ROI:

   • I pixel della ROI nella stima grezza vengono azzerati per creare un'immagine contenente solo lo sfondo ($I_{global \setminus ROI}$).
   • Viene calcolata un'immagine di proiezione del residuo ($P_{res}$) sottraendo la proiezione di quest'immagine di sfondo dai dati di proiezione sperimentali misurati ($P$).
   • Viene formulata un'ottimizzazione QUBO di seconda fase esclusivamente per la ROI. I pixel della ROI vengono codificati utilizzando una rappresentazione discreta basata sulla differenza del Coefficiente di Assorbimento di Massa (MAC), dove i valori dei pixel sono espressi come somme di variabili binarie.
   • L'obiettivo è minimizzare la differenza al quadrato tra l'immagine di proiezione del residuo e la proiezione generata dalle variabili della ROI codificate in binario.
   • Questo problema QUBO viene risolto utilizzando un solver ibrido D-Wave, e la ROI ottimizzata viene reinserita nella stima globale grezza per produrre la ricostruzione finale.

Contributi Chiave

• Architettura Ibrida: Il documento introduce una strategia che riserva l'ottimizzazione quantistica strettamente per l'affinamento locale, utilizzando metodi classici per stabilizzare lo sfondo globale. Questo approccio disaccoppia il compito di modellazione globale dal compito di recupero locale ad alta fedeltà.
• Formulazione del Residuo: Formulando il problema quantistico attorno all'immagine di proiezione del residuo (la discrepanza tra i dati misurati e lo sfondo grezzo), il metodo riduce la dimensione effettiva del problema QUBO e concentra le risorse quantistiche sui dettagli strutturali più critici.
• Analisi Comparativa: Lo studio confronta sistematicamente pipeline completamente quantistiche (QTR+QTR) con pipeline ibride (FBP+QTR e SART+QTR) attraverso dimensioni di immagine e complessità strutturali variabili in impostazioni a viste ridotte (60 viste).

Risultati Sperimentali
Gli esperimenti sono stati condotti su tre campioni fantasma sintetici: due a risoluzione 120×120 e uno a 180×180, tutti con una ROI di 60×60.

• Campioni di Dimensione Moderata (120×120): Sia la pipeline completamente quantistica (QTR+QTR) che la pipeline ibrida SART+QTR hanno raggiunto una ricostruzione accurata della ROI con basso Errore Quadratico Medio (RMSE) ed Errore Assoluto Medio (MAE).
• Campione Complesso (180×180): All'aumentare della complessità strutturale e della dimensione dell'immagine, la pipeline completamente quantistica (QTR+QTR) ha faticato, producendo artefatti puntiformi e fallendo nel recuperare dettagli fini (RMSE della ROI: 0,5367). Al contrario, la pipeline ibrida SART+QTR, che ha utilizzato una ricostruzione SART classica per la fase grezza (utilizzando anche un campionamento più denso a 180 viste per la fase grezza in questo caso specifico), ha raggiunto una ricostruzione della ROI quasi perfetta (RMSE della ROI: 0,0000).
• Qualità della Fase Grezza: Interessantemente, mentre le immagini grezze FBP spesso presentavano metriche di errore non-ROI inferiori rispetto a SART, la pipeline SART+QTR ha costantemente superato FBP+QTR in termini di accuratezza finale della ROI. Gli autori attribuiscono ciò alla stabilità strutturale e alla natura "con segno" della proiezione del residuo; SART ha fornito una stima dello sfondo più coerente che ha minimizzato le distorsioni nel segnale residuo utilizzato per l'ottimizzazione QUBO, nonostante presentasse un errore medio non-ROI leggermente superiore.

Significato e Affermazioni
Il documento afferma che il vantaggio pratico della ricostruzione CT assistita da quantistica non risiede nel sostituire l'intera pipeline di ricostruzione con metodi quantistici, ma nell'identificare fasi specifiche in cui l'ottimizzazione quantistica è più efficace. Gli autori sostengono che una strategia ibrida a compiti separati è superiore: la ricostruzione classica dovrebbe essere utilizzata per fornire uno sfondo globale affidabile e stabile, mentre l'ottimizzazione quantistica è riservata all'affinamento locale mirato.

Lo studio suggerisce che per immagini più grandi e complesse, il fattore critico non è necessariamente ridurre le viste di proiezione in ogni fase, bensì garantire una stima stabile dello sfondo globale prima di applicare l'affinamento quantistico. Questo approccio consente una ricostruzione localizzata ad alta fedeltà anche quando l'immagine globale viene ricostruita sotto severe limitazioni di dati, offrendo un percorso fattibile per flussi di lavoro di imaging focalizzati sulla precisione in cui solo specifiche regioni diagnostiche richiedono un'ultra-alta fedeltà. Il lavoro funge da prova di fattibilità per la ricostruzione localizzata ad alta fedeltà sotto le attuali limitazioni hardware quantistiche.