Compression-Driven Anomaly Detection in Brain MRI Using an Interpretable Quantum Autoencoder

Sintesi Tecnica: Rilevamento di Anomalie Basato sulla Compressione in MRI Cerebrali mediante un Autoencoder Quantistico Interpretabile

Definizione del Problema
Il documento affronta la sfida del rilevamento non supervisionato di anomalie nell'imaging medico, specificamente per l'identificazione di tumori cerebrali in scansioni MRI. Gli approcci tradizionali di deep learning richiedono spesso un numero elevato di parametri, ingenti risorse computazionali e mancano di interpretabilità. Inoltre, il rilevamento di anomalie basato su autoencoder standard si affida tipicamente all'errore di ricostruzione, che può risultare ambiguo nel distinguere tra variazioni normali e deviazioni patologiche. Gli autori propongono di indagare se architetture ibride classico-quantistiche possano apprendere rappresentazioni significative da dati di imaging medico realistici per rilevare deviazioni da un manifold "normale" attraverso una compressione controllata delle informazioni piuttosto che tramite un'esplicita ottimizzazione della ricostruzione.

Metodologia
Lo studio impiega un Autoencoder Quantistico (QAE) basato sul framework proposto da Romero et al. [48], adattato per dati DICOM di MRI cerebrali in scala di grigi ad alta risoluzione.

• Elaborazione dei Dati: Il dataset consiste in file DICOM pubblici contenenti scansioni cerebrali normali e tumorose. Le immagini sono pre-elaborate a una risoluzione di 128 × 128, normalizzate e decomposte in patch sovrapposte di 2 × 2. Ogni patch è stata appiattita in un vettore a 4 dimensioni ed codificata in uno stato quantistico a 4 qubit tramite codifica angolare (rotazioni $R_y$).
• Architettura: Il QAE comprende un encoder parametrizzato ($U_\theta$) e un decoder ($V_\phi$) con topologia identica ma parametri indipendenti. Il registro a 4 qubit è partizionato in 2 qubit latenti e 2 qubit ausiliari "trash" (scarti).
• Obiettivo di Addestramento: Il modello è addestrato esclusivamente su patch normali (non tumorose). L'obiettivo è apprendere trasformazioni unitarie che comprimano l'informazione di input nello spazio latente, spingendo al contempo i qubit "trash" verso uno stato di riferimento fisso ($|00\rangle$).
  • Funzione di Perdita: L'addestramento minimizza una "perdita trash" (trash loss), definita come $1 - p_{good}$, dove $p_{good}$ è la probabilità che i qubit trash vengano misurati nello stato $|00\rangle$.
  • Regolarizzazione Contrastiva: Per prevenire una compressione banale, vengono generate pseudo-anomalie tramite corruzione delle feature (dropout), e un termine contrastivo penalizza l'alta comprimibilità su questi campioni corrotti.
• Scoring delle Anomalie: Durante l'inferenza, lo score di anomalia deriva dall'incomprimibilità dell'input. Nello specifico, lo score si basa sulla probabilità che i qubit trash non riescano a resettarsi allo stato $|00\rangle$. Viene utilizzato uno score calibrato $s(x) = (1 - p_{good}(x))^\tau$, dove $\tau$ è ottimizzato su un set di validazione.
• Aggregazione: Poiché i tumori occupano solo una frazione di una fetta MRI, gli score a livello di patch vengono aggregati a livello di fetta utilizzando una strategia di top-$k$ pooling, selezionando le patch con lo score più elevato per rappresentare la fetta.
• Baseline: Il QAE viene confrontato con un autoencoder classico (CAE) e con la PCA (Principal Component Analysis) con dimensioni latenti corrispondenti.

Contributi Chiave
Il documento delinea quattro contributi primari:

1. Applicazione Empirica: Questo è uno dei primi studi che applica un QAE al rilevamento di anomalie in MRI cerebrali utilizzando dati DICOM ad alta risoluzione, raggiungendo un ROC-AUC a livello di fetta di ~0.95 e un ROC-AUC a livello di patch di ~0.813.
2. Novità Metodologica: L'approccio utilizza qubit trash per una compressione esplicita dell'informazione. A differenza dei metodi classici basati sull'errore di ricostruzione, gli score di anomalia qui riflettono il grado in cui gli input resistono alla compressione rispetto al manifold normale appreso.
3. Interpretabilità e Analisi Meccanicistica: Lo studio fornisce un'analisi meccanicistica dei parametri quantistici appresi. Rivela una pronunciata asimmetria encoder-decoder: il rilevamento efficace delle anomalie deriva da una compressione strutturata dell'informazione all'interno dell'encoder (specificamente l'organizzazione dei parametri per livello) piuttosto che da un aumento della magnitudo dei parametri o dell'espressività del decoder.
4. Localizzazione Spaziale: Il framework genera heatmap di anomalia spazialmente localizzate che si allineano con le regioni tumorali, estendendo il QAE da un modello astratto di spazio latente a uno strumento praticamente interpretabile per l'analisi di immagini mediche.

Risultati

• Performance: Il QAE ha superato sia l'autoencoder classico che le baseline PCA. Il ROC-AUC a livello di fetta ha raggiunto circa lo 0.95, mentre l'AUC a livello di patch era di 0.813. Al contrario, le baseline classiche mostravano distribuzioni di score fortemente sovrapposte con AUC intorno a 0.56–0.64.
• Trade-off Compressione-Ricostruzione: L'addestramento ha mostrato una chiara frontiera di Pareto tra la perdita trash (compressione) e l'infedeltà della ricostruzione. È stato identificato un punto di funzionamento "knee" (ginocchio) (all'epoca 2), che rappresenta un regime bilanciato in cui un'ulteriore compressione produce rendimenti decrescenti nella ricostruzione. Questo "knee" ha fornito una base rigorosa per la selezione della soglia.
• Analisi dei Parametri: L'analisi dell'energia per livello ha mostrato che l'encoder concentra l'energia dei parametri nel primo strato parametrizzato, mentre il decoder distribuisce l'energia uniformemente. I parametri del decoder sono rimasti fortemente concentrati vicino allo zero, indicando una minima ricostruzione correttiva, mentre l'encoder ha esplorato attivamente lo spazio dei parametri per implementare la compressione.
• Statistiche a livello di Qubit: Le distribuzioni della magnitudo $L_2$ per qubit hanno mostrato una separazione coerente tra campioni normali e anomali attraverso tutti i quattro qubit, suggerendo che il segnale di anomalia è distribuito nella rappresentazione latente piuttosto che localizzato in un singolo qubit.
• Validazione Visiva: La valutazione qualitativa ha confermato che le heatmap di anomalia generate evidenziavano specifiche regioni anatomiche corrispondenti ai tumori, piuttosto che indicare variazioni di intensità globali diffuse.

Significatività e Rivendicazioni
Il documento afferma che gli autoencoder quantistici forniscono un meccanismo interpretabile e controllabile per il rilevamento di anomalie basato sull'incomprimibilità rispetto a una rappresentazione latente appresa.

• Rilevamento Fondato su Principi: La separazione esplicita tra compressione (qubit trash) e ricostruzione permette un trade-off controllato e un chiaro regime operativo, facilitando una selezione rigorosa della soglia.
• Insight Meccanicistico: Lo studio dimostra che le prestazioni del rilevamento di anomalie nei QAE sono legate all'organizzazione strutturata dei parametri dell'encoder, offrendo una spiegazione a livello di circuito per il trade-off compressione-ricostruzione che è meno accessibile nelle architetture classiche.
• Utilità Clinica: Sebbene gli autori dichiarino esplicitamente di non rivendicare un "vantaggio quantistico" in termini di velocità o efficienza delle risorse, pongono i QAE come uno strumento promettente per studiare la dinamica della compressione nel machine learning quantistico. Le heatmap localizzate spazialmente suggeriscono un potenziale utilizzo come strumento di supporto decisionale per il triage e lo screening nei flussi di lavoro di imaging medico, aiutando i clinici nell'identificazione delle regioni tumorali.
• Limitazioni: Gli autori riconoscono che lo studio è stato condotto su un simulatore di stato vettoriale privo di rumore con un numero limitato di qubit e rappresentazioni basate su patch. Inquadrano il lavoro come una dimostrazione concettuale, notando che il lavoro futuro dovrà affrontare la scalabilità, la robustezza sotto modelli di rumore realistici e la valutazione su hardware quantistico reale.