Quantum CT via Dynamic Interval Encoding and Prior-Balanced QUBO Reconstruction

Sintesi Tecnica: CT Quantistica tramite Codifica di Intervallo Dinamica e Ricostruzione QUBO Bilanciata dai Prior

Definizione del Problema
La tomografia computerizzata (CT) basata su ottimizzazione binaria quadratica non vincolata (QUBO) riformula la ricostruzione d'immagine come un problema quadratico binario risolvibile tramite quantum annealing o solver ibridi quantistico-classici. Tuttavia, esiste un collo di bottiglia critico per la CT a scala di grigi: il "budget delle variabili binarie".

• Codifica Globale Fissa: Gli approcci tradizionali assegnano una codifica a piano di bit globale fissa a ogni pixel. All'aumentare della precisione dei livelli di grigio (profondità di bit), il numero di variabili binarie, le accoppiate quadratiche e gli intervalli dei coefficienti crescono rapidamente, rendendo l'istanza QUBO troppo grande per l'hardware attuale.
• Codifica a Basso Bit: Al contrario, l'uso di codifiche globali a basso bit introduce errori di quantizzazione sostanziali, fallendo nel catturare i coefficienti di attenuazione continui e le sottili transizioni strutturali inerenti alle immagini in scala di grigi.
  Il documento identifica la necessità di bilanciare l'espressività dei livelli di grigio con i vincoli del budget di variabili binarie disponibile in un singolo round di ottimizzazione QUBO.

Metodologia
Gli autori propongono un framework di ricostruzione che sostituisce la codifica globale fissa con la Codifica di Intervallo Dinamica combinata con l'Ottimizzazione Bilanciata dai Prior. Il processo opera in round di raffinamento iterativo:

1. Codifica di Intervallo Dinamica:

   • Invece di un codicebook globale, ogni pixel attivo è codificato utilizzando un insieme di candidati locali centrato attorno alla sua stima corrente ($c_p^{(t)}$).
   • All'interno di un intervallo di ricerca locale $[c_p^{(t)} - r_p^{(t)}, c_p^{(t)} + r_p^{(t)}]$, il valore del pixel è rappresentato da un vettore binario a basso bit (ad esempio, 2 bit), che produce quattro valori candidati discreti.
   • Ciò consente al sistema di utilizzare un numero compatto di variabili per round, mantenendo al contempo un'elevata risoluzione effettiva attraverso aggiornamenti iterativi.

2. Aggiornamento dell'Intervallo Guidato dal Contatto con il Confine (Boundary-Hit-Guided):

   • Dopo aver risolto l'ottimizzazione binaria, il centro dell'intervallo viene aggiornato al valore del pixel decodificato.
   • La larghezza dell'intervallo ($r_p$) viene regolata adattivamente in base al fatto che la soluzione colpisca il confine dell'attuale intervallo locale:
     • Contatto con il Confine (Boundary Hit): Se la soluzione si trova al bordo dell'intervallo, ciò suggerisce una copertura insufficiente. L'intervallo viene resettato alla larghezza di ricerca iniziale ($r_{init}$) per espandere la ricerca.
     • Contatto Interno (Interior Hit): Se la soluzione si trova entro i limiti, l'intervallo viene contratto (ridotto) per raffinare la precisione locale.

3. Costruzione QUBO Bilanciata:

   • La funzione obiettivo combina un termine di fedeltà ai dati (coerenza di proiezione) e un prior quadratico preservante i bordi.
   • Per garantire la stabilità, il metodo impiega una normalizzazione basata sui percentili per bilanciare le scale dei coefficienti dei termini di dati e prior prima di formare la matrice QUBO finale. Ciò evita che coefficienti estremi dominino l'ottimizzazione.
   • Il prior utilizza pesi di bordo adattivi derivati da un'immagine di riferimento per preservare le transizioni strutturali senza penalizzarle eccessivamente.

Contributi Chiave

1. Codifica di Intervallo Dinamica: Gli autori introducono un meccanismo per migliorare l'espressività effettiva dei livelli di grigio senza aumentare la profondità di bit per round. Aggiornando gli intervalli locali attraverso i round, il metodo evita i problemi di scalabilità delle codifiche globali ad alto bit fisse.
2. Meccanismo di Aggiornamento Adattivo: Viene sviluppata una regola guidata dal contatto con il confine per passare dinamicamente tra l'espansione della ricerca e il raffinamento locale, garantendo che l'algoritmo non rimanga intrappolato in minimi locali o fallisca nel coprire lo spazio di soluzione reale.
3. Ottimizzazione Bilanciata dai Prior: Il framework integra la coerenza dei dati nel dominio della proiezione con un prior preservante i bordi, utilizzando una strategia di normalizzazione per stabilizzare l'ottimizzazione congiunta di questi termini competitivi.
4. Validazione Hardware: La formulazione è validata sul solver D-Wave hybrid binary quadratic model (BQM), dimostrando l'eseguibilità su un backend ibrido quantistico-classico supportato da hardware.

Risultati Sperimentali
Il metodo è stato valutato su compiti di CT a vista sparsa (9 e 18 viste) e fan-beam ad angolo limitato utilizzando immagini 32×32 (e un fantoma 72×72 per i test di scalabilità).

• Prestazioni: Il metodo proposto (sia nelle varianti Simulated Annealing che D-Wave Hybrid) ha superato significativamente le basi analitiche (FBP), iterative (SART, CGN), variazionali (SART-TV, TV-PDHG) e basate sulla rappresentazione (Gaussian, Spener).
  • Negli esperimenti a vista sparsa, la variante Hybrid ha raggiunto un PSNR medio di 40,63 dB e un NRMSE di 0,0097, rispetto a 33,55 dB e 0,0217 per il miglior baseline convenzionale (TV-PDHG).
  • Il metodo ha recuperato le strutture e le distribuzioni dei livelli di grigio in modo più fedele, riducendo gli artefatti da strisciamento (streak artifacts) e gli errori residui.
• Analisi dell'Espressività: I confronti hanno mostrato che la codifica dinamica a 2 bit ha superato le codifiche globali fisse che variavano da 2 a 5 bit. L'approccio dinamico ha raggiunto un PSolo PSNR di 51,88 dB in un test rappresentativo, mentre la codifica fissa a 5 bit ha raggiunto solo 30,72 dB, evidenziando l'efficienza della strategia di intervallo locale.
• Studi di Ablazione: Rimuovere il prior preservante i bordi o il meccanismo di bilanciamento dei termini ha portato a un degrado significativo nella continuità strutturale e nella qualità della ricostruzione, confermando la necessità di entrambi i componenti.
• Scalabilità: Il metodo ha ricostruito con successo un fantoma 72×72 (4.460 variabili binarie) utilizzando sia i solver locali che quelli ibridi, sebbene la difficoltà di ottimizzazione aumentasse con la dimensione dell'immagine.

Significatività e Rivendicazioni
Il documento afferma che il framework proposto affronta il fondamentale collo di bottiglia della rappresentazione nella ricostruzione CT QUBO a scala di grigi. Decoupling (disaccoppiando) il requisito globale della profondità di bit dal budget di variabili per round attraverso la codifica locale dinamica, il metodo consente una ricostruzione ad alta fedeltà dei livelli di grigio su hardware quantistici e ibridi attuali.

• Gli autori sottolineano che i guadagni di prestazione derivano principalmente dalla rappresentazione effettiva dei livelli di grigio e dall'accoppiamento stabile fedeltà-dati/prior, piuttosto che dai comportamenti specifici del solver.
• Il lavoro funge da prova di concetto, dimostrando che il design della rappresentazione è centrale per la ricostruzione CT compatibile con il calcolo quantistico.
• Il documento nota con modestia che, sebbene il metodo funzioni su istanze più grandi (72×72), la ricostruzione CT QUBO su larga scala rimane una sfida a causa dei vincoli delle variabili binarie e della profondità di bit, identificando questo come un ambito chiave per il lavoro futuro riguardante dati rumorosi e misurati.