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

Resumo Técnico: CT Quântico via Codificação de Intervalo Dinâmico e Reconstrução QUBO com Equilíbrio de Priori

Definição do Problema
A Tomografia Computadorizada (CT) baseada em Otimização Binária Quadrática Não Restrita (QUBO) reformula a reconstrução de imagens como um problema quadrático binário solucionável por quantum annealing ou solvers híbridos quânticos-clássicos. No entanto, existe um gargalo crítico para a CT em tons de cinza: o "orçamento de variáveis binárias".

• Codificação Global Fixa: Abordagens tradicionais atribuem uma codificação de plano de bits global fixa a cada pixel. À medida que a precisão do nível de cinza (profundidade de bits) aumenta, o número de variáveis binárias, acoplamentos quadráticos e intervalos de coeficientes cresce rapidamente, tornando a instância QUBO grande demais para o hardware atual.
• Codificação de Baixo Bit: Por outro lado, o uso de codificações globais de baixo bit introduz erros de quantização substanciais, falhando em capturar os coeficientes de atenuação contínuos e as transições estruturais sutis inerentes às imagens em tons de cinza.
  O artigo identifica a necessidade de equilibrar a expressividade do nível de cinza com as restrições do orçamento de variáveis binárias disponível em uma única rodada de otimização QUBO.

Metodologia
Os autores propõem um framework de reconstrução que substitui a codificação global fixa pela Codificação de Intervalo Dinâmico combinada com Otimização de Equilíbrio de Priori. O processo opera em rodadas de refinamento iterativo:

1. Codificação de Intervalo Dinâmico:

   • Em vez de um código de livro (codebook) global, cada pixel ativo é codificado usando um conjunto de candidatos locais centrado em sua estimativa atual ($c_p^{(t)}$).
   • Dentro de um intervalo de busca local $[c_p^{(t)} - r_p^{(t)}, c_p^{(t)} + r_p^{(t)}]$, o valor do pixel é representado por um vetor binário de baixo bit (ex: 2 bits), gerando quatro valores candidatos discretos.
   • Isso permite que o sistema utilize um número compacto de variáveis por rodada, mantendo uma alta resolução efetiva através de atualizações iterativas.

2. Atualização de Intervalo Guiada pelo Toque na Fronteira:

   • Após resolver a otimização binária, o centro do intervalo é atualizado para o valor do pixel decodificado.
   • A largura do intervalo ($r_p$) é ajustada adaptativamente com base em se a solução atingiu a fronteira do intervalo local atual:
     • Toque na Fronteira (Boundary Hit): Se a solução estiver na extremidade do intervalo, isso sugere cobertura insuficiente. O intervalo é resetado para a largura de busca inicial ($r_{init}$) para expandir a busca.
     • Toque no Interior (Interior Hit): Se a solução estiver dentro dos limites, o intervalo é contraído (encolhido) para refinar a precisão local.

3. Construção de QUBO Equilibrada:

   • A função objetivo combina um termo de fidelidade de dados (consistência de projeção) e um prior quadrático de preservação de bordas.
   • Para garantir a estabilidade, o método emprega normalização baseada em percentis para equilibrar as escalas de coeficientes dos termos de dados e de prior antes de formar a matriz QUBO final. Isso evita que coeficientes extremos dominem a otimização.
   • O prior utiliza pesos de borda adaptativos derivados de uma imagem de referência para preservar transições estruturais sem penalizá-las excessivamente.

Principais Contribuições

1. Codificação de Intervalo Dinâmico: Os autores introduzem um mecanismo para melhorar a expressividade efetiva do nível de cinza sem aumentar a profundidade de bits por rodada. Ao atualizar intervalos locais ao longo das rodadas, o método evita os problemas de escalabilidade das codificações globais de alto bit fixas.
2. Mecanismo de Atualização Adaptativa: Uma regra guiada pelo toque na fronteira foi desenvolvida para alternar dinamicamente entre expansão de busca e refinamento local, garantindo que o algoritmo não fique preso em mínimos locais ou falhe em cobrir o verdadeiro espaço de solução.
3. Otimização de Equilíbrio de Priori: O framework integra consistência de dados no domínio de projeção com um prior de preservação de bordas, utilizando uma estratégia de normalização para estabilizar a otimização conjunta desses termos concorrentes.
4. Validação de Hardware: A formulação é validada no solver D-Wave hybrid binary quadratic model (BQM), demonstrando executabilidade em um backend híbrido quântico-clássico baseado em hardware.

Resultados Experimentais
O método foi avaliado em tarefas de CT de visão esparsa (9 e 18 visões) e ângulo limitado de feixe em leque (fan-beam) usando imagens de 32×32 (e um phantom de 72×72 para teste de escalabilidade).

• Desempenho: O método proposto (tanto as variantes de Simulated Annealing quanto as de D-Wave Hybrid) superou significativamente as linhas de base analíticas (FBP), iterativas (SART, CGN), variacionais (SART-TV, TV-PDHG) e baseadas em representação (Gaussian, Spener).
  • Em experimentos de visão esparsa, a variante Hybrid alcançou um PSNR médio de 40,63 dB e NRMSE de 0,0097, comparado a 33,55 dB e 0,0217 para a melhor linha de base convencional (TV-PDHG).
  • O método recuperou estruturas e distribuições de níveis de cinza de forma mais fiel, reduzindo artefatos de listras (streaks) e erros residuais.
• Análise de Expressividade: Comparações mostraram que a codificação dinâmica de 2 bits superou codificações globais fixas variando de 2 a 5 bits. A abordagem dinâmica alcançou um PS تمر (PSNR) de 51,88 dB em um teste representativo, enquanto a codificação fixa de 5 bits atingiu apenas 30,72 dB, destacando a eficiência da estratégia de intervalo local.
• Estudos de Ablação: A remoção do prior de preservação de bordas ou do mecanismo de equilíbrio de termos levou a uma degradação significativa na continuidade estrutural e na qualidade da reconstrução, confirmando a necessidade de ambos os componentes.
• Escalabilidade: O método reconstruiu com sucesso um phantom de 72×72 (4.460 variáveis binárias) usando tanto solvers locais quanto híbridos, embora a dificuldade de otimização tenha aumentado com o tamanho da imagem.

Significância e Alegações
O artigo alega que o framework proposto aborda o gargalo fundamental de representação na reconstrução de CT via QUBO em tons de cinza. Ao desacoplar o requisito de profundidade de bits global do orçamento de variáveis por rodada através de codificação local dinâmica, o método permite a reconstrução de alta fidelidade em tons de cinza em hardware quântico e híbrido atual.

• Os autores enfatizam que os ganhos de desempenho decorrem principalmente da representação efetiva do nível de cinza e do acoplamento estável de fidelidade de dados–prior, e não de comportamentos específicos do solver.
• O trabalho serve como uma prova de conceito, demonstrando que o design de representação é central para a reconstrução de CT compatível com computação quântica.
• O artigo nota modestamente que, embora o método funcione em instâncias maiores (72×72), a reconstrução de CT via QUBO em larga escala continua sendo um desafio devido às restrições de variáveis binárias e profundidade de bits, identificando isso como uma direção chave para trabalhos futuros envolvendo dados ruidosos e medidos.