GKB Methods for X-Ray Computed Tomography with an Unmatched Back Projector

तकनीकी सारांश: बेमेल बैक प्रोजेक्टर के साथ X-रे कंप्यूटेड टोमोग्राफी के लिए GKB विधियाँ

समस्या विवरण
बड़े पैमाने पर X-रे कंप्यूटेड टोमोग्राफी (CT) में, मापे गए डेटा $b$ से एक छवि $x$ का पुनर्निर्माण एक रैखिक व्युत्क्रम समस्या (linear inverse problem) के रूप में तैयार किया जाता है, जिसे $Ax \approx b$ के रूप में दर्शाया जाता है। व्यावहारिक कार्यान्वयन में, फॉरवर्ड प्रोजेक्टर ($A$) और बैक प्रोजेक्टर ($B$) को अक्सर भौतिक सन्निकटन (physical approximations) पर आधारित विभिन्न विविक्तीकरण योजनाओं (discretization schemes) का उपयोग करके बनाया जाता है। फलस्वरूप, $B$, $A$ के ट्रांसपोज़ के समान नहीं होता है ($B \neq A^\top$), जो एक "बेमेल प्रोजेक्टर युग्म" (unmatched projector pair) बनाता है।

यह विसंगति असंगत सामान्य समीकरणों (inconsistent normal equations) को जन्म देती है। जब मानक पुनरावृत्ति सॉल्वर जैसे कि कॉन्जुगेट ग्रेडिएंट (CG) और जनरलाइज्ड मिनिमल रेसिडुअल (GMRES) को इन बेमेल प्रणालियों के लीस्ट-स्क्वायर फॉर्मूलेशन पर लागू किया जाता है, तो वे अक्सर सार्थक पुनर्निर्माण करने में विफल रहते हैं। जबकि बेमेल प्रणालियों को संभालने के लिए प्रीकंडीशनड GMRES वेरिएंट (AB-GMRES और BA-GMRES) प्रस्तावित किए गए हैं, वे "सेमीकनवर्जेंस" (semiconvergence) से ग्रस्त होते हैं। इस घटना में, समाधान शुरू में वास्तविक छवि की ओर अभिसरित (converge) होता है, लेकिन जैसे-जैसे पुनरावृत्ति जारी रहती है, यह शोर (noise) को बढ़ाते हुए विचलित होने लगता है, क्योंकि इसमें छोटे सिंगुलर मानों (singular values) से जुड़े घटक शामिल हो जाते हैं। इसके अतिरिक्त, GMRES में अनुमानित प्रणालियों में ऊपरी हेसेनबर्ग मैट्रिक्स (upper Hessenberg matrices) शामिल होते हैं, जिन्हें क्रायलोव सबस्पेस (Krylov subspace) का आयाम बढ़ने पर विघटित करना कम्प्यूटेशनल रूप से महंगा हो सकता है।

कार्यप्रणाली (Methodology)
यह शोध पत्र दो नए एल्गोरिदम, AB-GKB और BA-GKB का प्रस्ताव करता है, जो बेमेल प्रोजेक्टर युग्मों को संभालने के लिए गोलब-काहन बिडायगोनलाइजेशन (Golub–Kahan Bidiagonalization - GKB) विधि को अनुकूलित करते हैं। GMRES के विपरीत, जो समस्या को एक ऐसे सबस्पेस पर प्रोजेक्ट करता है जिससे एक ऊपरी हेसेनबर्ग मैट्रिक्स प्राप्त होता है, GKB समस्या को एक निम्न-आयामी सबस्पेस पर प्रोजेक्ट करता है जिससे एक विरल निम्न-द्वि-विकर्णित मैट्रिक्स (sparse lower bidiagonal matrix - $C_k$) प्राप्त होता है।

प्रस्तावित विधियाँ इस प्रकार कार्य करती हैं:

• AB-GKB: यह $ABx = Bb$ प्रणाली पर GKB प्रक्रिया लागू करता है (यहाँ $B$ को राइट प्रीकंडीशनर के रूप में माना गया है)। समाधान को $x = BQ_k u_k$ के माध्यम से प्राप्त किया जाता है, जहाँ $Q_k$ एक ऑर्थोगोनल बेसिस है और $u_k$ प्रोजेक्टेड बिडायगोनल सिस्टम का समाधान है।
• BA-GKB: यह $BAx = Bb$ प्रणाली पर GKB प्रक्रिया लागू करता है (यहाँ $B$ को लेफ्ट प्रीशनडर के रूप में माना गया है)। समाधान को $x = Q_k u_k$ के माध्यम से प्राप्त किया जाता है।

दोनों एल्गोरिदम $AB$या$BA$के कंपोजिट ऑपरेटर्स को स्पष्ट रूप से बनाए बिना,$A$, $B$ और उनके ट्रांसपोज़ के साथ क्रमिक मैट्रिक्स-वेक्टर गुणन पर निर्भर करते हैं। प्रोजेक्टेड लघु-स्तरीय समस्याओं को विरल बिडायगोनल मैट्रिक्स $C_k$ के सिंगुलर वैल्यू डीकंपोजिशन (SVD) का उपयोग करके हल किया जाता है। लेखक सेमीकनवर्जेंस को कम करने के लिए दो स्टॉपिंग क्राइटेरिया (stopping criteria) की जांच करते हैं: डिस्क्रिपेंसी प्रिंसिपल (DP) और रेसिड्यूअल नॉर्म स्टैग्नेशन (RNS)।

मुख्य योगदान

1. एल्गोरिद्मिक प्रस्ताव: बेमेल बैक प्रोजेक्टर वाली CT समस्याओं के लिए विशेष रूप से डिज़ाइन किए गए प्रीकंडीशनड GKB रूपों के रूप में AB-GKB और BA-GKG का परिचय।
2. सैद्धांतिक जटिलता विश्लेषण: मौजूदा AB/BA-GMRES विधियों के बीच फ्लोटिंग-पॉइंट ऑपरेशंस (FLOPS) का विस्तृत तुलनात्मक विश्लेषण। विश्लेषण से पता चलता है कि जबकि GMRES विधियाँ प्रति पुनरावृत्ति अधिक तेज़ होती हैं (कम ऑपरेशन की आवश्यकता होती है), GKB विधियाँ एक अधिक विरल प्रोजेक्टेड मैट्रिक्स ($C_k$) उत्पन्न करती हैं, जो GMRES के हेसेनबर्ग मैट्रिक्स ($H_k$) की तुलना में भिन्न है। बिडायगोनल $C_k$ का SVD, हेसेनबर्ग $H_k$ के SVD ($O(k^4)$) की तुलना में काफी सस्ता ($O(k^3)$) है।
3. संख्यात्मक सत्यापन: तीन CT फैंटम उदाहरणों (128x128, 180x180, और 256x256) पर व्यापक परीक्षण, जिसमें शोर के विभिन्न स्तर और सिस्टम के आयाम (अंडरडिटरमाइंड और ओवरडिटरमाइंड) शामिल हैं।
4. स्टॉपिंग क्राइटेरिया मूल्यांकन: DP और RNS का तुलनात्मक मूल्यांकन, जो दर्शाता है कि DP लगातार न्यूनतम सापेक्ष पुनर्निर्माण त्रुटि (RRE) के पास समाप्त होता है।

परिणाम
विभिन्न CT परिदृश्यों में संख्यात्मक प्रयोगों से निम्नलिखित अवलोकन प्राप्त हुए:

• सेमीकनवर्जेंस व्यवहार: प्रस्तावित GKB विधियों ने AB-GMRES और BA-GMRES की तुलना में सेमीकनवर्जेंस के प्रति अधिक लचीलापन प्रदर्शित किया। जहाँ GMRES विधियाँ अक्सर कुछ पुनरावृत्तियों (जैसे 7-10) के बाद तेजी से विचलित हो जाती हैं, वहीं GKB विधियाँ शोर के प्रभुत्व के कारण होने वाली विफलता से पहले लंबे समय तक (जैसे 40-100 पुनरावृत्तियाँ) स्थिर रहती हैं।
• पुनर्निर्माण की गुणवत्ता: सापेक्ष पुनर्निर्माण त्रुटि (RRE) के संदर्भ में, GKB विधियों ने आमतौर पर GMRES विधियों की तुलना में कम त्रुटि दर प्राप्त की, विशेष रूप से बाद की पुनरावृत्तियों में, बशर्ते कि पुनरावृत्ति को सही ढंग से रोका गया हो।
• कम्प्यूटेशनल लागत: सैद्धांतिक विश्लेषण के अनुरूप, GMRES विधियाँ कुल रनटाइम के मामले में तेज़ थीं। निश्चित संख्या में पुनरावृत्तियों के लिए, GMRES को कम FLOPS की आवश्यकता थी। विशेष रूप से, AB-GMRES को AB-GKB की लागत का लगभग 3/5 भाग और BA-GMRS को BA-GKB की लागत का लगभग आधा भाग आवश्यक था।
• स्टॉपिंग क्राइटेरिया: डिस्क्रिपेंसी प्रिंसिपल (DP), RNS की तुलना में श्रेष्ठ सिद्ध हुआ। DP ने सभी विधियों के लिए इष्टतम RRE के पास पुनरावृत्तियों को सफलतापूर्वक रोका, जबकि RNS एल्गोरिदम के आधार पर बहुत जल्दी या बहुत देर से समाप्त हो गया, जिससे उप-इष्टतम (suboptimal) पुनर्निर्माण गुणवत्ता प्राप्त हुई।
• सिस्टम आयामीता (Dimensionality): AB बनाम BA फॉर्मूलेशन की सापेक्ष दक्षता इस बात पर निर्भर थी कि सिस्टम ओवरडिटरमाइंड ($m > n$) था या अंडरडिटरमाइंड ($m < n$)। ओवरडिटरमाइंड मामलों में, BA-आधारित विधियाँ आम तौर पर तेज़ थीं; अंडरडिटरमाइंड मामलों में, AB-आधारित विधियाँ अधिक महंगी थीं।

महत्व और दावे
शोध पत्र का दावा है कि हालांकि प्रस्तावित AB-GKB और BA-GKB एल्गोरिदम में GMRES-आधारित दृष्टिकोणों की तुलना में प्रति पुनरावृत्ति उच्च कम्प्यूटेशनल लागत आती है, लेकिन वे बेमेल प्रोजेक्टर समस्याओं के लिए स्थिरता और समाधान की गुणवत्ता में एक विशिष्ट लाभ प्रदान करते हैं। GKB द्वारा उत्पन्न बिडायगोनल मैट्रिक्स की विरलता (sparsity) का लाभ उठाकर, ये विधियाँ सेमीकनवर्जेंस की शुरुआत को विलंबित करती हैं, जिससे क्रायलोव सबस्पेस विधियों की सटीकता क्षमता से समझौता किए बिना अधिक स्थिर पुनर्निर्माण संभव होता है।

लेखक इस बात पर जोर देते हैं कि इन विधियों की प्रभावशीलता काफी हद तक स्टॉपिंग क्राइटेरिया के चयन पर निर्भर करती है; डिस्क्रिपेंसी प्रिंसिपल को शोर के कारण समाधान खराब होने से पहले पुनरावृत्तियों को रोकने के लिए सबसे विश्वसनीय तंत्र के रूप में पहचाना गया है। कार्य यह निष्कर्ष निकालता है कि ये एल्गोरिदम उन बड़े पैमाने की CT व्युत्क्रम समस्याओं के लिए स्थिर समाधान प्रदान करने में प्रभावी हैं जहाँ मैच किए गए प्रोजेक्टर उपलब्ध नहीं हैं, हालांकि भविष्य के कार्य दक्षता बढ़ाने के लिए उन्नत नियमितीकरण (regularization) तकनीकों को एकीकृत करने पर ध्यान केंद्रित कर सकते हैं।