Soft Tuy-Completeness for Robust Projection Selection in Cone-Beam CT

Resumen Técnico: Completitud Suave de Tuy para la Selección Robusta de Proyecciones en CT de Haz Cónico

Enunciado del Problema
En la Tomografía Computarizada de Haz Cónico (CT de Haz Cónico), particularmente para imágenes centradas en la Región de Interés (ROI), las trayectorias circulares o helicoidales estándar a menudo no satisfacen la condición de completitud de datos de Tuy. Esta condición requiere que todo plano que interseque el objeto también interseque la trayectoria de la fuente de rayos X. Aunque teóricamente elegante, la completitud clásica de Tuy es binaria: una trayectoria es completa o no lo es. Esta naturaleza de "acierta o falla" no proporciona un gradiente para guiar la optimización, lo que dificulta el diseño de trayectorias bajo restricciones prácticas como el tamaño finito del detector, los límites mecánicos y los presupuestos de dosis de radiación. Además, las aproximaciones discretas existentes a menudo dependen de heurísticas codiciosas sin garantías de optimalidad o no tienen en cuenta el soporte direccional graduado y los efectos de atenuación. El desafío central abordado es cómo formular la selección de proyecciones como un problema de optimización continuo y consciente de la resolución que cierre la brecha entre la teoría de completitud geométrica y la calidad práctica de la reconstrucción de imágenes.

Metodología
Los autores proponen un marco fundamentado en la teoría de Tuy, pero reformulado para una optimización discreta y restringida:

1. Puntuación de Cuasi-Ortogonalidad Suave: La condición binaria de Tuy se reemplaza con una puntuación "suave" continua y diferenciable. En lugar de una decisión 0/1, el método calcula una medida graduada de qué tan cerca está un rayo de la fuente de ser ortogonal a una normal de plano de Radon muestreada. Esta puntuación decae linealmente de 1 (ortogonalidad perfecta) a 0 (el umbral binario), permitiendo un paisaje de optimización suave.
2. Cobertura Saturada Consciente de la Resolución: La función objetivo maximiza la "cobertura saturada", que acumula contribuciones parciales de múltiples vistas para una dirección dada, pero limita el total a 1. Esta formulación integra los requisitos de muestreo angular basados en Nyquist (vinculando el tamaño de la característica con los huecos angulares) y las restricciones de validez basadas en la atenuación (filtrando rayos con atenuación excesiva).
3. Análisis de Complejidad: El artículo define formalmente el Problema de Optimización de Trayectoria de CT Basado en ROI (ROI-CTTOP). Demuestra que la variante de decisión de este problema es NP-completa mediante reducción en tiempo polinomial desde el problema de Cobertura de Conjuntos. En consecuencia, las variantes de optimización son NP-difíciles.
4. Algoritmos de Optimización:
   • Algoritmo Codicioso: Aprovechando la estructura submodular del objetivo de cobertura, se emplea un algoritmo codicioso de ganancia marginal. Ofrece una garantía de aproximación demostrable de $(1 - 1/e)$ y se ejecuta en tiempo $O(kmn)$.
   • Programación Lineal Entera Mixta (MILP): Se desarrolla una formulación MILP exacta para proporcionar límites de optimalidad certificados. Los autores utilizan el MILP no como un optimizador competitivo para uso en tiempo real, sino como un "certificado de calidad" para comparar la solución codiciosa.
   • Extensión Multi-ROI: El marco se extiende a múltiples ROIs agrupando objetivos y optimizando conjuntamente un conjunto de vistas compartido, manejando conflictos geométricos mediante objetivos ponderados.
5. Métrica de Validación (ESR): Se introduce una nueva métrica, la Resolución Espacial Efectiva (ESR). Mapea los huecos de muestreo direccional directamente a tamaños de características resolubles (en mm) sin requerir reconstrucción de imágenes, sirviendo como una herramienta de diagnóstico basada en física.

Contribuciones Clave

• Formulación Continua: Reemplaza la condición binaria de Tuy con una puntuación de cuasi-ortogonalidad suave y diferenciable y un objetivo de cobertura saturada, permitiendo una optimización graduada.
• Garantías Teóricas: Establece la NP-completitud del ROI-CTTOP y proporciona un algoritmo codicioso con una garantía de aproximación de $(1 - 1/e)$.
• Certificación de Optimalidad: Demuestra que el algoritmo codicioso es casi óptimo en la práctica, utilizando MILP para certificar que la brecha entre la solución codiciosa y la óptima global es insignificante para las instancias estudiadas.
• Interpretabilidad Física: Introduce la ESR como una métrica agnóstica a la tarea que correlaciona los huecos de muestreo geométrico con los tamaños de características alcanzables, cerrando la brecha entre la etapa de selección y el dominio de la imagen.

Resultados Experimentales
Los experimentos se realizaron en un componente de aluminio simulado con seis ROIs objetivo bajo cuatro condiciones de oclusión (ninguna, leve, moderada, severa).

• Codicioso vs. Exacto: En 240 comparaciones emparejadas, la mediana agrupada de la relación entre el objetivo codicioso suave y el óptimo MILP suave fue 0.998. En el 30% de los casos, la solución codiciosa fue certificada como globalmente óptima. Esto confirma que el algoritmo codicioso es casi óptimo para este objetivo específico.
• Suave vs. Binario: Las formulaciones suaves superaron significativamente a las formulaciones binarias. Con un presupuesto de 100 proyecciones, los métodos suaves lograron una PSNR de ROI de ~36 dB, mientras que los métodos binarios (tanto codiciosos como MILP) lograron ~24 dB. El rendimiento del modelo binario se degradó drásticamente bajo oclusión (la ESR aumentó de ~2.7 mm a ~14.5 mm), mientras que los métodos suaves permanecieron estables (ESR < 0.81 mm).
• Correlación ESR: La ESR mostró una fuerte correlación con la calidad de la reconstrucción (MSE y PSNR), particularmente bajo oclusión donde las restricciones de validez estaban activas. La métrica predijo con éxito las tendencias de calidad de la imagen sin requerir reconstrucción.
• Multi-ROI: El marco manejó con éxito múltiples ROIs, con estrategias de fusión ponderadas por distancia superando a la ponderación uniforme.

Significado y Afirmaciones
El artículo afirma que el factor limitante en la calidad de la trayectoria es representacional, no computacional. La naturaleza binaria de la completitud clásica de Tuy descarta información graduada valiosa, lo que conduce a trayectorias subóptimas, especialmente bajo restricciones de atenuación. Al adoptar un objetivo de cobertura continuo y suave:

1. La optimización se vuelve tratable y casi óptima: El algoritmo codicioso, a menudo visto como una heurística, se muestra como casi óptimo para esta estructura de problema específica, validado por certificados MILP exactos.
2. Robustez ante restricciones: La formulación suave es robusta ante restricciones de validez basadas en la atenuación, mientras que los modelos binarios sufren un "efecto umbral" donde se pierden vistas válidas, causando caídas catastróficas en la cobertura.
3. Puente Práctico: La ESR proporciona un vínculo práctico y libre de reconstrucción entre la selección geométrica y la calidad de la imagen, permitiendo una evaluación fundamentada de la suficiencia de la trayectoria.

Los autores concluyen que, aunque la formulación binaria ofrece una garantía de completitud estricta, la formulación suave continua es superior para la CT de Haz Cónico centrada en ROI en la práctica, proporcionando una mayor calidad de reconstrucción y estabilidad bajo restricciones de adquisición realistas. El trabajo cambia el paradigma de "encontrar la solución binaria perfecta" a "optimizar una métrica de cobertura continua y consciente de la resolución".