Améliorer la précision de la classification de l'image OCT (tomographie par cohérence optique) en 2D et 3D de 2,5% à 5% grâce à des algorithmes quantiques d'IA qui surpassent les algorithmes conventionnels utilisés jusqu'à présent, en réduisant le nombre de 100 faux négatifs et faux positifs.

Réduire le temps de traitement des images médicales de 15% à 30%. Le traitement peut impliquer soit des transformations effectuées sur l'image (changement de couleur ou de texture), soit alimenter un algorithme (changement de résolution). Pour comprendre correctement l'ampleur de cette réduction, il faut penser à un ordre de grandeur de traitement supérieur à 10 000 images.

Comprendre le fonctionnement et la logique des réseaux neuronaux quantiques pour aller au-delà de l'état de l'art et identifier les techniques qui donnent les meilleurs résultats dans le domaine de l'imagerie médicale et plus particulièrement dans l'imagerie OCT. Pour cela, on étudiera les circuits quantiques dans le domaine de l'IA à partir de techniques existantes telles que l'apprentissage automatique quantique, le réseau neuronal convolutif hybride ou le réseau neuronal quantique, entre autres, et on effectuera des comparaisons en utilisant différents ensembles de données d'images médicales qui entraîneront des variations dans les résultats des métriques. La sélection des techniques les plus appropriées permettra d'augmenter l'efficacité du processus de lecture d'images, de transformation ou d'extraction de caractéristiques et de chargement dans les algorithmes.

Optimiser l'efficacité énergétique. L'IA quantique a le potentiel d'accélérer les algorithmes de segmentation car elle peut explorer plusieurs solutions simultanément, grâce à la superposition des états de probabilité (mélange entre 0 et 1), améliorant ainsi l'efficacité computationnelle de la recherche de régions d'intérêt. Cette augmentation de l'efficacité énergétique bénéficiera directement à l'environnement et permettra également une attention médicale plus efficace.