Millorar l'exactitud de la classificació de la imatge OCT tomografia de coherència òptica) en 2D i 3D entre un 2,5% i un 5% a partir d'algoritmes quàntics d'IA que millorin els algoritmes convencionals emprats fins al moment, reduint el nombre de 100 falsos negatius i falsos positius.

Reduir el temps de processament d'imatges mèdiques entre un 15% i un 30%. El processament pot implicar o bé transformacions que es facin sobre la imatge (canvi de color o textura) bé alimentar un algorisme (canvi de resolució). Per entendre correctament la magnitud d'aquesta reducció cal pensar en un ordre de magnitud de processament superior a les 10.000 imatges.

Comprendre el funcionament i la lògica de les xarxes neuronals quàntiques per anar més enllà de l'estat de l'art i identificar les tècniques que millor resultat donin en l'àmbit de la imatge mèdica i més en concret en imatge OCT. Per a això, s'investigarà sobre circuits quàntics en l'àmbit de la IA a partir de tècniques existents com Quantum Machine Learning, Hybrid Convolutional Neural Network o Quantum Neural Network, entre altres i es realitzaran comparacions utilitzant diferents datasets d'imatges mèdiques que donaran lloc a variacions en els resultats de les mètriques. La selecció de les tècniques més adequades permetrà un augment en l'eficiència del procés de lectura d'imatges, transformació o extracció de característiques i càrrega en algoritmes.

Optimitzar l'eficiència energètica. La IA quàntica té el potencial d'accelerar els algorismes de segmentació ja que es poden explorar múltiples solucions simultàniament, gràcies a la superposició de probabilitat d'estats (barreja entre 0 i 1), millorant l'eficiència computacional de cerca de regions d'interès. Aquest increment en eficiència energètica beneficiarà directament al medi ambient i, a més, permetrà una atenció mèdica també més eficient.