Multilevel Stochastic Plug-and-Play for Sparse-View CT Reconstruction

Resumen Técnico: PnP Estocástico Multinivel para la Reconstrucción de TC de Vista Escasa

Planteamiento del Problema
La tomografía computarizada de vista escasa (SVCT, por sus siglas en inglés) tiene como objetivo reducir la exposición a la radiación y el tiempo de adquisición limitando el número de proyecciones. Sin embargo, esta reducción convierte el problema de reconstrucción de imagen en uno severamente mal planteado, lo que provoca artefactos de rayas intensos cuando se utilizan métodos analíticos tradicionales como la retroproyección filtrada (FBP). Aunque los métodos de reconstrucción iterativa basados en modelos (MBIR) y los métodos Plug-and-Play (PnP) basados en aprendizaje profundo han mejorado la calidad de la reconstrucción al incorporar prioris de imagen aprendidos, enfrentan desafíos computacionales significativos. Específicamente, los métodos PnP estocásticos (por ejemplo, SNORE, Prox-SNORE) mejoran la robustez al igualar la distribución de entrada del denoiser mediante el re-ruido, pero a menudo requieren muchas iteraciones para converger, lo que limita su eficiencia práctica en entornos clínicos. Además, extender la optimización multinivel (que acelera la convergencia resolviendo problemas en resoluciones más gruesas) al PnP estocástico no es trivial, ya que imponer la coherencia del prior entre niveles de resolución requiere típicamente una estimación precisa de los gradientes del prior a nivel fino, lo cual es computacionalmente costoso debido a la naturaleza estocástica de los pasos de denosing.

Metodología
Los autores proponen el PnP Estocástico Multinivel (ML-SPnP), un nuevo algoritmo que acelera la reconstrucción PnP estocástica para SVCT operando dentro de un marco de Análisis Multirresolución (MRA) basado en wavelets.

1. Formulación de MRA de Wavelets: El método construye una jerarquía de espacios de aproximación utilizando wavelets de Haar 2-D. El dominio de la imagen se descompone en coeficientes de aproximación gruesos y coeficientes de detalle finos.
2. Cancelación de Coherencia de Prior Estocástico: Una contribución teórica central es la observación de que imponer la coherencia del prior entre niveles en un entorno estocástico suele requerir la estimación del gradiente del prior estocástico, lo que implica evaluaciones de Monte Carlo costosas. Los autores proponen realizar los pasos multinivel en los espacios de MRA de wavelets. Bajo un Supuesto de Independencia de Aproximación-Detalle (donde las aproximaciones gruesas y los detalles finos se tratan como independientes), demuestran que el término de corrección de coherencia del prior estocástico se anula en la esperanza.
   • Consecuentemente, el algoritmo solo necesita calcular la corrección de coherencia de fidelidad de datos determinista, reduciendo significativamente la sobrecarga computacional.
3. Actualizaciones Multinivel con Recocido (Annealed): El algoritmo emplea un esquema de recocido donde el nivel de ruido ($\sigma_k$) disminuye a lo largo de las iteraciones. Niveles de ruido altos en las iteraciones iniciales inducen un denosing fuerte para correcciones estables en el nivel grueso, mientras que niveles de ruido más bajos en las iteraciones posteriores recuperan los detalles finos.
4. Flujo del Algoritmo: El método activa las actualizaciones multinivel solo durante una fase de "calentamiento" ($K_{ML}$ iteraciones). Durante esta fase, el algoritmo atraviesa una jerarquía de resoluciones (ciclo en V), resolviendo problemas gruesos de forma aproximada mediante pasos de punto fijo estocásticos. Después del calentamiento, el algoritmo procede con las actualizaciones estándar de PnP estocástico de nivel fino (específicamente Prox-SNORE), heredando sus garantías de convergencia.

Contribuciones Clave

• Primer PnP Multinivel Estocástico: El artículo introduce el primer algoritmo de reconstrucción multinivel basado específicamente en la regularización PnP estocástica.
• Perspectiva Teórica sobre la Coherencia: Los autores identifican la corrección de coherencia del prior estocástico como el principal cuello de botella para combinar la optimización multinivel con el PnP estocástico eficiente. Al reformular el problema en espacios de MRA de wavelets, demuestran que esta corrección se anula en la esperanza, dejando solo la corrección determinista de fidelidad de datos.
• Reconstrucción Eficiente de SVCT: El método propuesto logra una calidad de reconstrucción comparable a los métodos PnP estocásticos de vanguardia, reduciendo sustancialmente el tiempo de ejecución.

Resultados Experimentales
El método fue evaluado en dos conjuntos de datos de CT médica: el conjunto de datos de Linfonodos (Lymph Nodes) y el conjunto de datos de Head CQ500, bajo condiciones de vista escasa (20, 30, 40 y 50 proyecciones).

• Desempeño Cuantitativo: ML-SPnP logró puntuaciones de PSNR, SSIM y LPIPS casi idénticas a los métodos PnP estocásticos de referencia (Prox-SNORE y Annealed Prox-SNORE).
• Eficiencia Computacional: El método proporcionó aceleraciones sustanciales. En el conjunto de datos de Linfonodos, el tiempo de ejecución se redujo aproximadamente un 58–67% en comparación con Prox-SNORE y un 20–52% en comparación con Annealed Prox-SNORE. En el conjunto de datos CQ500, las reducciones fueron aproximadamente del 41–57% y 6–32%, respectivamente.
• Comparación con Difusión y PnP Determinístico:
  • Comparado con los resolvedores basados en difusión (DiffPIR, DDS), ML-SPnP ofreció una calidad perceptual superior (menor LPIPS) y menos estructuras alucinadas, particularmente en regímenes altamente mal planteados (20–30 vistas).
  • Comparado con el PnP multinivel determinístico (Prox-ML-PnP), ML-SPnP a veces mostró un PSNR/SSIM ligeramente inferior, pero mejores puntuaciones de LPIPS y una mejor preservación visual de los detalles anatómicos locales, evitando el sobresuavizado observado en la variante determinística.
• Estudios de Ablación:
  • Costo de Coherencia del Prior: Simular una formulación multinivel estándar sin la cancelación de wavelets requería múltiples evaluaciones del denoiser (NFE) para estimar el gradiente del prior, aumentando drásticamente el tiempo de ejecución. ML-SPnP evitó esto por completo.
  • Recocido (Annealing): El uso de un esquema de ruido decreciente (recocido) durante la fase multinivel mejoró consistentemente la calidad de la reconstrucción en comparación con las actualizaciones multinivel de ruido fijo.

Significancia y Afirmaciones
El artículo afirma que ML-SPnP ofrece un equilibrio favorable entre precisión y costo computacional para la reconstrucción de CT de vista escasa. Al aprovechar la estructura de las descomposiciones de wavelets para eliminar la necesidad de una estimación costosa del gradiente del prior estocástico, el método permite el uso de priors PnP estocásticos robustos en un marco multinivel sin las penalizaciones de convergencia habituales.

Los autores posicionan la fase multinivel como un mecanismo de arranque en caliente (warm-start) efectivo en lugar de una garantía de convergencia independiente, señalando que las propiedades de convergencia asintótica son heredadas del algoritmo PnP estocástico de nivel fino subyacente. Concluyen que el PnP estocástico multinivel es una dirección prometedora para la reconstrucción de SVCT eficiente y confiable, aunque reconocen limitaciones respecto a la idealización del supuesto de independencia y la necesidad de validación en datos clínicos reales.