Hybrid ABBA-GMRES for Unmatched Backprojectors in Large Scale X-Ray Computerized Tomography

1. Planteamiento del Problema

En la tomografía computarizada (TC) de rayos X a gran escala, la reconstrucción de imágenes se formula como un problema de mínimos cuadrados lineales $Ax \approx b$. Debido al tamaño masivo de la matriz del sistema $A$, es prohibitivo almacenarla explícitamente; en su lugar, se utilizan operadores de proyección (hacia adelante) y retroproyección (hacia atrás) que calculan productos matriz-vector de forma implícita.

El desafío central abordado en este trabajo es el desajuste entre proyectores y retroproyectores (unmatched projector pairs). En la práctica, los retroproyectores ($B$) a menudo no son la transpuesta exacta del proyección hacia adelante ($A^T$) debido a:

• Diferentes discretizaciones geométricas.
• Aproximaciones para acelerar el cálculo en hardware específico (ej. GPUs).
• Optimizaciones de memoria (como en las cajas de herramientas ASTRA o TIGRE).

Cuando $B \neq A^T$, las ecuaciones normales clásicas pierden simetría. Los solucionadores iterativos estándar (como CGLS, LSQR o LSMR) asumen que $B = A^T$ y, al aplicarse en este contexto de desajuste, pueden fallar o producir reconstrucciones de baja calidad. Aunque métodos como AB-GMRES y BA-GMRES han sido propuestos para manejar estos sistemas cuadrados no simétricos ($AB$y$BA$), sufren de un fenómeno conocido como semi-convergencia: el error de reconstrucción disminuye inicialmente pero luego aumenta drásticamente a medida que las iteraciones posteriores amplifican el ruido y los errores de modelado.

2. Metodología Propuesta

Los autores proponen una nueva familia de métodos: Métodos Híbridos AB-GMRES y BA-GMRES. La idea central es incorporar regularización de Tikhonov directamente dentro de las iteraciones del subespacio de Krylov, en lugar de depender únicamente del criterio de parada para regularizar el problema.

• Formulación Híbrida: En lugar de resolver el problema de mínimos cuadrados proyectado estándar en cada iteración $k$, se resuelve un problema regularizado de Tikhonov en el subespacio de dimensión reducida:
  $$y_k^h = \arg \min_y \left\| \begin{pmatrix} H_k \\ \lambda I \end{pmatrix} y - \|r_0\|_2 \begin{pmatrix} e_1 \\ 0 \end{pmatrix} \right\|_2^2$$
  Donde $H_k$ es la matriz de Hessenberg generada por el proceso de Arnoldi y $\lambda$ es el parámetro de regularización.
• Selección Automática de Parámetros: Se implementan estrategias automáticas para seleccionar $\lambda$ en cada iteración, basadas en:
  • La Curva L (L-curve): Busca el punto de compromiso entre la norma del residuo y la norma de la solución.
  • Validación Cruzada Generalizada (GCV): Un método estadístico automático que minimiza una estimación de error predictivo sin requerir conocimiento previo del nivel de ruido.
• Criterios de Parada: Se evalúan tres criterios: Principio de Discrepancia (DP), Periodograma Acumulado Normalizado (NCP) y Estancamiento de la Norma del Residuo (RNS).
• Reinicio (Restarting): Para problemas a gran escala, se utiliza el reinicio del método cada $p$ iteraciones para controlar el uso de memoria y el costo computacional, manteniendo la estabilidad gracias a la regularización explícita.

3. Contribuciones Clave

1. Desarrollo de Métodos Híbridos: Formulación de variantes híbridas de AB-GMRES y BA-GMRES que integran regularización de Tikhonov explícita para mitigar la semi-convergencia en pares de proyectores desajustados.
2. Análisis Teórico de Equivalencia:
   • Se demuestra que, en el caso de proyectores ajustados ($B=A^T$), el Híbrido BA-GMRES es algebraicamente equivalente al Híbrido LSMR.
   • Sin embargo, el Híbrido AB-GMRES NO es equivalente al Híbrido LSQR. Esto se debe a que estos métodos siguen una estrategia de "proyectar-entonces-regularizar", que no es conmutativa con "regularizar-entonces-proyectar" en el contexto de GMRES.
3. Estrategias de Parámetros Automáticas: Implementación y análisis de la Curva L y GCV dentro del marco de Krylov, demostrando su viabilidad para seleccionar $\lambda$ adaptativamente sin costo computacional significativo adicional.
4. Validación Experimental a Gran Escala: Evaluación exhaustiva utilizando proyectores acelerados por GPU (ASTRA Toolbox) en escenarios realistas de TC, superando las limitaciones de los métodos no híbridos.

4. Resultados Numéricos

Los experimentos se realizaron en tres problemas: un ejemplo sintético pequeño (para validar teoría), un fantoma Shepp-Logan (128x128) y un fantoma Logan (1024x1024) con ruido gaussiano.

• Estabilidad y Calidad de Imagen: Los métodos híbridos eliminaron la semi-convergencia observada en las versiones estándar. Mientras que los métodos no híbridos veían degradarse la imagen después de cierto número de iteraciones, los híbridos estabilizaron el error de reconstrucción (RRE) y mantuvieron altos índices de similitud estructural (SSIM).
• Selección de Parámetros:
  • La Curva L mostró consistentemente la mayor eficiencia computacional y estabilidad en la selección de parámetros.
  • GCV ofreció un rendimiento competitivo y totalmente automático, aunque en algunos casos requirió más tiempo de cálculo.
• Eficiencia Computacional:
  • El costo adicional de resolver el problema regularizado proyectado es insignificante comparado con el costo dominante de las operaciones de proyección y retroproyección.
  • El uso de reinicio (ej. cada 10 iteraciones) redujo significativamente el uso de memoria RAM y aceleró el tiempo de ejecución sin sacrificar la calidad de la reconstrucción.
  • En sistemas altamente subdeterminados, AB-GMRES (y su versión híbrida) fue generalmente más eficiente que BA-GMRES debido a la menor dimensión de los sistemas cuadrados intermedios.
• Criterios de Parada: El criterio de Estancamiento de la Norma del Residuo (RNS) demostró ser más robusto y consistente que el Principio de Discrepancia (que requiere estimar el ruido) o el NCP (que a veces detiene demasiado pronto), especialmente cuando se combina con la regularización explícita.

5. Significancia e Impacto

Este trabajo es fundamental para la reconstrucción de imágenes en TC moderna, donde el uso de aceleradores de hardware (GPUs) y aproximaciones numéricas hace inevitable el desajuste entre proyectores y retroproyectores.

• Robustez: Proporciona un marco robusto que no depende de un ajuste manual fino de parámetros de parada, reduciendo la sensibilidad a errores de modelado y ruido.
• Escalabilidad: Demuestra que es posible aplicar regularización explícita en problemas de gran escala sin incurrir en costos computacionales prohibitivos, gracias a la naturaleza de los subespacios de Krylov.
• Aplicabilidad Práctica: Ofrece una guía práctica para la implementación en sistemas de imagen reales, validando que los métodos híbridos superan a los solucionadores clásicos (LSQR/LSMR) y a los métodos GMRES estándar cuando se trabaja con operadores no adjuntos exactos.

En conclusión, los autores establecen que los Métodos Híbridos AB/BA-GMRES son una solución superior, estable y escalable para la reconstrucción tomográfica con retroproyectores desajustados, equilibrando eficazmente la fidelidad de los datos y la regularización del modelo.