⚛️ 量子物理

Quantum-Inspired and Optimization-Based CT Reconstruction Through Spin-Error

本文介绍了一种应用于模拟退火算法的自旋误差缓解优化（SEMO）技术，该技术在稀疏视图和正弦图受损条件下，显著降低了量子启发式 CT 成像中的重建误差，在不改变底层 QUBO 目标函数的情况下，实现了与混合量子-经典求解器相当甚至更优的精度。

原作者： Hyunju Lee, Jeonghwa Lee, Yushuang Sam Yang, Clement Chu, Anthony B. Murphy, Kyungtaek Jun

发布于 2026-10-27

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Hyunju Lee, Jeonghwa Lee, Yushuang Sam Yang, Clement Chu, Anthony B. Murphy, Kyungtaek Jun

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

医学成像通常依赖于一种被称为计算机断层扫描（CT）的技术，它通过从许多不同角度进行 X 射线测量，来构建人体详细的横截面图像。为了创建清晰的图像，计算机必须解开一个巨大的谜题，即根据 X 射线光线通过了多少，来确定体内每一个微小点的密度。这通常由强大的经典计算机来完成，但科学家们正在探索量子启发式方法是否能更快或更准确地解决这些谜题，尤其是在数据不完整或存在噪声的情况下。挑战在于，随着图像变得更大、更详细，数学问题会变得如此复杂，以至于即使是最先进的量子硬件也难以应对。描述图像所需的变量增长得非常快，导致目前的机器耗尽了容量，迫使研究人员寻找新的方法，在不需要更多硬件的情况下优化所得答案。

一个研究小组通过将标准计算机模拟与一种新的纠错技术相结合，向解决这一规模化问题迈出了重要一步。他们专注于一种用于重建 CT 图像的特定数学模型，其目标是找到最符合 X 射线数据的像素值最佳排列方式。他们没有试图将整个问题强加给量子机器，而是使用了一种称为模拟退火的经典方法来生成一个粗略的解。这种方法模仿了金属冷却以达到稳定状态的过程，但在本例中，它是在寻找一个代表良好图像的低能量配置。然而，由于为了测试效率而保持较低的计算预算，这些初始图像往往包含错误，即一些像素显示了错误的密度。

研究人员随后对这些粗略草稿应用了一个称为“自旋误差缓解优化”的过程。可以将这个过程想象成一位仔细的编辑在审阅一份故事初稿。编辑并不会从头开始重写整个故事；相反，他们会观察一小组词汇，将其前后翻转，并检查这种改变是否让故事读起来更通顺。同样地，该软件查看重建图像中的一小簇像素，翻转它们的数值，并检查新的排列是否更符合 X 射线数据。这种精炼过程完全在标准的桌面计算机上完成，无需使用量子处理器。团队在包括胸部图像和标准测试图案在内的几种场景下测试了这种方法，使用的是干净的数据以及被模拟探测器误差破坏的数据。

结果表明，这种两步走的方法可以显著提高图像质量。在涉及一个 60x60 像素感兴趣区域的一组测试中，初始的低预算计算机模拟生成的图像包含数十个错误像素。经过误差缓解步骤后，错误数量大幅下降。在一种特定情况下，该过程纠正了全部 38 个错误，实现了完美的重建。在另一种情况下，它将 54 个错误减少到了仅剩 15 个。研究人员发现，即使在输入数据缺失信息或包含噪声（例如当 20% 的探测器行被损坏时）的情况下，这种方法依然有效。在其中一些困难案例中，精炼后的图像非常准确，甚至与真实情况完全匹配，错误像素为零。

有趣的是，这项研究还揭示了数学上的完美与视觉上的准确性之间一个微妙但重要的区别。计算机通过计算一个“能量值”来衡量解的质量，其中较低的数值通常意味着与数据的拟合度更高。研究人员发现，有时误差缓解过程可以进一步降低这个能量值，但生成的图像与真实物体相比仍会有一些错误的像素。在一个实例中，最终图像虽然比原始图像错误更少，但仍包含 15 个错误像素，尽管其数学能量得分比完美图像还要低。这是因为用于引导搜索的数学模型并不是真实图像的完美镜像，尤其是在数据缺失的情况下。这表明，仅仅让数学模型变得“更好”并不总是能保证图像变得“更正确”，这一细微差别在处理不完整的医疗数据时至关重要。

团队还将该方法应用于由混合量子-经典求解器（一种结合了经典计算与量子处理资源的工具）生成的解。当他们将误差缓解步骤应用于这些混合求解方案时，看到了进一步的改进。在一种情况下，混合求解器生成的图像中的错误像素从 78 个降至仅 1 个。这表明该精炼技术具有通用性，可以润色不同类型优化器的输出，而不局限于简单的模拟。虽然目前的测试仅限于 60x60 像素的小型图像，但研究人员将其视为处理更大问题的概念验证。他们的目标是最终将这一工作流扩展到处理超过 10 万个变量的图像，这将允许重建人体内更大、更详细的区域。

该研究并未声称已经解决了大规模量子 CT 重建的问题，也没有承诺这种方法会立即取代现有的临床工具。相反，它为如何通过软件层面的精炼在不改变底层数学模型或不需要更昂贵硬件的情况下提升图像质量提供了一个具体的基准。通过展示一个简单的后处理步骤如何将一个粗略的、低预算的解转化为高度准确的图像，这项工作提供了一条切实可行的路径。它表明，量子启发式医学成像的未来可能不在于等待更大的量子机器出现，而在于开发更聪明的方法来清理我们现有的答案。

技术摘要：通过自旋误差缓解实现量子启发式与基于优化的 CT 重建

问题陈述
基于量子优化的计算机断层扫描（CT）重建在稀疏视图和受损正弦图场景下，通过将重建任务建模为二次无约束二进制优化（QUBO）问题，已展现出优于经典方法的准确性。然而，将该方法扩展到更大规模的图像仍是一个显著的瓶颈。目前的 CT 类 QUBO 方案需要高密度的二进制变量和二元交互；例如，一个仅为 60 × 60 区域（ROI）且具有四个离散强度能级的场景就需要 10,800 个二进制变量。物理量子处理器（QPU）面临着关于量子比特数量和连通性的硬件限制，而混合量子-经典求解器以及经典模拟退火（SA）算法也会随着问题规模的增加而产生巨大的计算成本。现有的策略（如迭代区域感兴趣模型精炼）在应对投影域数据保真度引入的优化工作量时仍然显得吃力。作者指出，需要一种基于软件的策略，能够在不改变底层 QUBO 目标函数或要求立即进行硬件扩容的前提下，提高解的质量。

方法论
本研究调查了一种结合了低预算模拟退火（SA）与一种称为“自旋误差缓解优化”（SEMO）的后采样精炼技术的软件工作流。核心方法包括：

CT-QUBO 公式化： 重建问题通过结合正弦图一致性目标（数据保真度）与空间正则化项进行建模。像素强度采用相邻能级差异方案进行编码，其中每个像素由三个二进制变量表示，以支持四个离散强度能级（{0, 1, 2, 3}）。
初始优化： 使用“低预算”设置（例如 20 次读取，50 次扫描）生成候选解，以模拟有限的计算资源。
SEMO 后处理： SEMO 在不修改原始 QUBO 系数或优化器的情况下应用于 SA 输出。SEMO 的运作方式是选择一个参考变量，并与耦合变量（具有非零二次系数的变量）形成簇。它对这些簇执行“测试翻转”（test-flips），以评估它们对目标函数的影响。如果翻转降低了能量，则更新配置。该过程重复进行，直到每个变量都曾作为参考变量两次。
评估指标： 解的评估使用两种不同的指标：
- 优化域： QUBO 能量降低值 ( $\Delta E$ )。
- 图像域： 与地面真值图像相比，错误重建像素的数量 ( $N_{wrong}$ ) 以及平均绝对误差 (MAE)。
测试平台： 该工作流在两类问题上进行了评估：
- ROI-QCSTR： 三个 54 视图重建实例，使用源自合成及胸部 CT 幻影的 60 × 60 ROI（10,800 个变量）。
- 环状伪影重建： 针对 20% 和 30% 检测器行损坏（模拟环状伪影）的稀疏视图（9 个角度）重建。

核心贡献

SEMO 作为后采样精炼技术： 本文证明了 SEMO 可以在不改变 QUBO 公式或初始优化器的情况下，显著提高 CT-QUBO 问题的重建准确度。
实例依赖型改进： 研究提供了一个基准，表明低预算 SA 结合 SEMO 可以达到或超过更高预算 SA 运行以及选定的 D-Wave 混合求解器输出的重建准确度。
能量与准确度的解耦： 研究强调了 CT 重建中一个关键的区别：降低 QUBO 能量并不保证图像域准确度的提升，特别是在投影数据不完整或受损时。在某些情况下，由于正弦图一致性和空间正则化权重的特定分配，地面真值图像可能具有更高的 QUBO 能量。

结果

ROI 重建（54 视图）：
- 对于三个 10,800 变量的实例，SEMO 将低预算 SA 输出的错误像素数（分别为 13、38 和 54 个错误）分别减少至 1、0 和 15 个错误。
- 在样本 2 中，SEMO 从初始的 38 个错误实现了精确重建（0 错误）。
- SA–SEMO 的结果匹配或超过了更高预算 SA（300 次读取，1000 次扫描）以及未经过缓解处理的混合求解器输出。
- 值得注意的是，在样本 3 中，经 SEMO 缓解后的解虽然保留了 15 个错误，但其 QUBO 能量比地面真值更低，这说明优化目标并不总是能完美对齐像素级的完美重建。
受损正弦图重建：
- 在 20% 检测器行损坏的情况下，四个选定的 SA–SEMO 组合中的三个实现了精确重建。
- 在 30% 损坏情况下，SEMO 在大多数情况下减少了错误，尽管未实现精确重建。
- 一个特定案例显示，QUBO 能量虽有下降，但图像域误差却略有增加，这进一步证实了能量最小化与重建保真度之间存在非单调关系。
混合求解器应用： 将 SEMO 应用于样本 1 的混合求解器输出，使错误数从 78 个减少到 1 个，证明了该方法在不同优化后端上的适用性。

意义与主张
作者将这项工作定位为“初步步骤”和“解质量基准”，而非大规模能力或计算加速的演示。其主要意义在于验证了一种软件工作流，该工作流可以在不依赖即时硬件进步的情况下，提高现有问题规模（高达 10,800 个变量）的重建质量。

论文声称 SA–SEMO 方法为未来的可扩展性提供了可行路径。通过在采样后精炼候选解，它可以减少对高昂的初始采样预算或混合求解器资源的依赖。作者明确表示，长期目标是通过并行化的 C/CUDA 实现和内存高效的 QUBO 表示，将此工作流扩展到涉及 100,000 或更多二进制变量的问题（例如 150 × 150 或 200 × 200 的 ROI）。研究结论指出，虽然 SEMO 提高了解的质量，但必须仔细管理 QUBO 能量与图像准确度之间的关系，尤其是在病态或受损数据的情景下。

类似论文