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

당신이 1,600조각짜리 거대한 직소 퍼즐을 맞추려 한다고 상상해 보세요. 그런데 누군가 조각의 90%를 버리고 남은 조각들을 반짝이는 글리터 종이 가루(컨페티)로 바꿔치기했습니다. 이것이 바로 아주 적은 수의 X선 촬영(이를 '희소 뷰(sparse-view)' 영상이라고 합니다)으로 CT 스캔 이미지를 구축하려는 의사들이 직면하는 상황입니다. 목표는 환자에게 너무 많은 방사선을 쏘지 않으면서도 몸 내부를 보는 것입니다. 하지만 데이터가 너무 적으면 결과물은 보통 흐릿하거나, 줄무늬가 생기거나, 노이즈로 가득 차게 됩니다.

오랫동안 과학자들은 이 퍼즐을 풀기 위해 초고속 양자 컴퓨터를 사용하려고 노력해 왔습니다. 그들은 이미지를 QUBO(이차 무제약 이진 최적화)라는 거대한 수학 문제로 변환합니다. 이것을 이미지의 모든 픽셀이 ON 또는 OFF 상태만 가질 수 있는 전등 스위치라고 생각하는 게임이라고 해봅시다. 컴퓨터의 임드는 이 스위치들을 완벽한 조합으로 조절하여 그림이 제대로 보이도록 만드는 것입니다.

하지만 기존 방식에는 두 가지 큰 결함이 있었고, 장(Zhang) 교수와 그의 팀이 쓴 이 논문은 이를 해결했습니다.

기존 게임의 두 가지 실수

1. "동등한 신뢰"의 실수
기존 버전에서 컴퓨터는 모든 X선 측정값을 똑같이 신뢰할 수 있는 것으로 취급했습니다. 하지만 현실에서 X선은 구슬을 주고받는 캐치볼과 같습니다. 구슬을 한 움큼 잡았다면(높은 광자 수), 당신은 그것을 확실히 잡았다고 확신할 수 있습니다. 하지만 구슬을 한두 개밖에 못 잡았다면(낮은 광자 수), 몇 개를 놓쳤을 수도 있으므로 그 측정값은 불확실합니다.
기존의 수학은 이 점을 무시했습니다. 흔들리는 낮은 수치의 측정값에 견고하고 높은 수치의 측정값과 똑같은 무게를 부여했습니다. 이 논문은 흔들리는 데이터를 덜 신뢰해야 한다고 주장합니다. 연구팀은 PWLS(가중치 적용 펜널라이즈드 최소 제곱법)라는 새로운 규칙을 도입했습니다. 이제 컴퓨터는 "크고 명확한" 신호에는 귀를 기울이고, "희미하고 지직거리는" 신호는 걸러냅니다.

2. "일률적인" 평활화(Smoothing)의 실수
이미지가 옛날 TV의 정적처럼 보이는 것을 막기 위해, 기존 방식은 TV(전변동, Total Variation)라는 기술을 사용했습니다. 이것은 울퉁불퉁한 카펫을 평평하게 만드는 것과 같습니다. 기존 방식은 모든 곳에 똑같은 힘으로 누르는 무거운 롤러를 사용했습니다.
문제는 이 방식이 노이즈(울퉁불퉁함)뿐만 아니라 중요한 패턴(뼈의 가장자리나 종양 같은 것)까지 똑같이 무거운 손길로 뭉개버린다는 것이었습니다. 이로 인해 이미지는 너무 매끄러워지고 세부적인 디테일은 사라지게 되었습니다.
연구팀은 이를 GTV(가이드형 전변동)로 교체했습니다. 무거운 롤러 대신 "스마트한 가이드"를 사용한 것입니다. 그들은 먼저 이미지의 초안을 살펴봅니다. 만약 가이드가 초안에서 날카로운 경계선을 발견하면, 그 경계가 흐릿해지지 않도록 부드럽게 다룹니다. 반대로 평평하고 빈 공간을 발견하면, 노이즈를 없애기 위해 더 강하게 누릅니다. 이는 마치 어디에서 조심해야 하고 어디에서 거칠게 작업해야 하는지 아는 조각가와 같습니다.

대규모 테스트: 새로운 게임은 작동하는가?

연구팀은 자신들의 새로운 "스마트 가이드 + 가중치 신뢰" 방식을 기존 방식들과 비교 테스트했습니다. 그들은 네 가지 다른 CT 이미지(흉부, 복부, 그리고 두 개의 뇌 이미지)를 사용했고, 단 10개의 뷰(매우 적은 각도)만을 가진 매우 노이즈가 심한 저선량 X선 스캔을 시뮬레이션했습니다.

결과는 다음과 같습니다:

• "연속형" 솔버의 실패: 그들은 **경사 하강법(Gradient Descent, GD)**이라는 표준적이고 매끄러운 방식으로 수학 문제를 풀려고 시도했습니다. 이것은 미끄러운 테이블 위에서 퍼즐 조각들을 미끄러뜨리며 맞추려는 것과 같았습니다. 픽셀(퍼즐 조각)들이 엄격하게 "ON" 또는 "OFF"여야 했기 때문에, 이 매끄러운 방식은 노이즈의 늪에 빠져버렸습니다. 그 결과, PSNR이 7.94 dB에 불과한, 사실상 노이즈 덩어리인 이미지가 나왔습니다.
• "양자" 솔버의 성공: 그들이 양자 어닐러(D-Wave의 실제 양자 컴퓨터)와 고전적인 "시뮬레이티드 어닐링(Simulated Annealing)" 솔버를 사용하여 문제를 진정한 이진 게임으로 다루었을 때, 결과는 놀라웠습니다. 새로운 PWLS-GTV 방식은 PSR 36.64 dB의 이미지를 만들어냈습니다.
  • 이를 비교해 보자면, 기존 표준 방식(SART)은 22.48 dB를 기록했습니다. 새로운 방식은 단순히 이긴 것이 아니라 압도했습니다.
  • 이미지 품질은 매우 좋아서, 오류 맵(무엇이 잘못되었는지 보여주는 그림)이 거의 보이지 않을 정도였습니다.

"양자" vs "클래식"의 대결

이 논문의 가장 흥러운 부분 중 하나는 양자 컴퓨터가 실제로 잘 작동하는지 확인하는 방법입니다. 그들은 실제 양자 기기에서 동일한 문제를 10번 실행했습니다.

• 결과는 매우 안정적이었습니다. 품질 점수(PSNR)는 32.76 ± 0.93 dB 근처에서 머물렀습니다.
• 양자 컴퓨터에서의 "최악"의 실행 결과조차 기존의 표준 방식들 중 "최선"의 결과보다 훨씬 뛰어났습니다.
• 가장 중요한 점은, 실제 양자 컴퓨터의 결과가 고전적인 "시뮬레이티드 어닐링" 솔버의 결과와 거의 완벽하게 일치했다는 것입니다. 이는 수학 모델(QUBO)이 진정한 주인공이며, 올바른 "이진(binary)" 접근 방식을 사용한다면 양자 기기에서든 고전 기기에서든 똑같이 잘 작동한다는 것을 시사합니다.

이것이 의미하는 바 (그리고 그렇지 않은 것)

이 논문은 X선의 물리적 특성을 존중하고(데이터 가중치 부여), 이미지의 어디를 매끄럽게 할지 스마트하게 결정함으로써(가이드 사용), 매우 적은 X선으로도 훨씬 선명한 이미지를 얻을 수 있음을 보여줍니다.

하지만 한계도 있습니다. 논문은 이 테스트가 작은 40 × 40 픽셀 이미지에서 수행되었음을 명시하고 있습니다. 왜 이렇게 작을까요? 현재의 양자 컴퓨터는 한 번에 처리할 수 있는 스위치(큐비트)의 수가 제한되어 있기 때문입니다. 이미지를 더 크게 만들려고 하면 수학 문제가 폭발적으로 커집니다. 또한, 연구팀은 오직 포아송 노이즈(X선의 자연스러운 무작위성)만을 시뮬레이션했을 뿐, 검출기 오류나 산란광과 같은 실제 세계의 다른 결함들은 테스트하지 않았습니다.

따라서, 이것이 내일 당장 병원의 모든 CT 스캔을 해결해 줄 마법 지팡이는 아닐지라도, 한 가지 중요한 점을 증명합니다. 만약 의료 영상 처리에 양자 컴퓨터를 사용하고 싶다면, 수학 문제를 올바른 방식으로 설계해야 한다는 것입니다. 기존의 공식들을 양자 기기에 그냥 던져 넣고 잘 되기를 바랄 수는 없습니다. 데이터를 가중치 있게 다루고 평활화를 가이드하지 않는다면, 양자 컴퓨터는 기존 방식처럼 노이즈가 많고 흐릿한 이미지만 내놓을 뿐입니다.