Automatic regularization parameter choice for tomography using a double model approach

Technische Samenvatting: Automatische keuze van regularisatieparameters voor tomografie via een dubbel model-aanpak

1. Het Probleem: Ill-posedness en Parameterselectie

Beeldreconstructie in X-ray CT (Computed Tomography) is een klassiek ill-posed invers probleem. Wanneer de beschikbare data beperkt of ruizig is, is regularisatie noodzakelijk om de oplossing te stabiliseren. De effectiviteit hiervan hangt volledig af van de keuze van de regularisatieparameter ($\alpha$).

• Te kleine $\alpha$: De reconstructie wordt gedomineerd door ruis en artefacten.
• Te grote $\alpha$: De reconstructie wordt te glad (over-smoothing), waardoor belangrijke details verloren gaan.

Traditionele methoden voor het kiezen van $\alpha$ (zoals de L-curve of de Discrepancy Principle) hebben beperkingen: ze vereisen vaak een schatting van het ruisniveau of zijn gevoelig voor instabiele kenmerkdetectie. Bovendien proberen ze vaak een "mathematisch optimaal" punt te vinden, wat niet altijd overeenkomt met de visuele of klinische behoeften van de gebruiker.

2. Methodologie: Closed-Loop Control en het Dubbele Model

De auteurs stellen een innovatieve methode voor waarbij de selectie van $\alpha$ wordt behandeld als een closed-loop feedback control probleem. In plaats van een statische schatting, wordt $\alpha$ dynamisch aangepast om een door de gebruiker opgegeven kwaliteitsnorm te halen.

De kerncomponenten zijn:

• Double Model Strategy: Het probleem wordt op twee verschillende computationele roosters (grids) opgelost: een primair rooster ($A$) en een secundair rooster dat geroteerd is ($A_\theta$). Omdat discretisatiefouten afhankelijk zijn van de geometrie van het rooster, zullen onder-geregulariseerde reconstructies op beide roosters verschillende artefacten vertonen.
• Sensing Signal (Inter-grid Consistency): De mate van overeenkomst tussen de twee reconstructies wordt gemeten met de Structural Similarity Index (SSIM). Naarmate $\alpha$ toeneemt, worden de rooster-specifieke artefacten onderdrukt en convergeren de twee oplossingen naar een gemeenschappelijke, rooster-onafhankelijke representatie. Deze stijgende consistentie dient als het feedbacksignaal.
• P-Controller (Proportional Control): Een controller past $\alpha$ iteratief aan in het logaritmische domein. De update-regel is gebaseerd op de fout tussen de gemeten SSIM en een door de gebruiker ingestelde doelwaarde ($S_{ref}$).

3. Belangrijkste Bijdragen

• Van optimalisatie naar regulatie: De focus verschuift van het zoeken naar een universeel optimaal $\alpha$ naar het handhaven van een door de gebruiker gewenste balans tussen stabiliteit en detail.
• Gebruik van discretisatiefouten: Het paper zet een unieke wending toe door discretisatiefouten (die normaal als numerieke fouten worden gezien) te gebruiken als een bruikbare informatiebron voor controle.
• Gebruikersgestuurde precisie: Door de gebruiker een doelwaarde voor consistentie ($S_{ref}$) te laten kiezen, kan de methode transparant worden afgestemd op de specifieke taak (bijv. hoge detailgraad vs. lage ruis).

4. Resultaten

De methode is getest op twee datasets (Walnut en Pine Cone) met verschillende regularisaties (Total Variation en Tikhonov):

• Convergentie en Stabiliteit: De controller convergeerde stabiel naar de doelwaarde zonder dat handmatige tuning van de controller-parameters nodig was.
• Solver-agnostisch: De methode werkt consistent met zowel TV (behoudt scherpe randen) als Tikhonov (geeft gladdere texturen).
• Vergelijking met baselines: In vergelijking met de L-curve en het Discrepancy Principle bleek de controller superieur in het behouden van details. Waar traditionele methoden vaak te conservatief zijn (hoge consistentie, maar verlies van detail), opereert de controller op de "knee" van de curve: een punt waar een minimale afname in consistentie leidt tot een maximale winst in beeldinformatie.

5. Betekenis en Conclusie

Dit werk biedt een robuust en intuïtief framework voor automatische parameterselectie in complexe inverse problemen. De belangrijkste implicatie is dat het de gebruiker in staat stelt om de fundamentele afweging tussen stabiliteit (ruisonderdrukking) en resolutie (detailbehoud) principieel te beheren. De methode is toepasbaar zonder dat er een "ground truth" (perfecte afbeelding) of exacte kennis van het ruisniveau nodig is, wat het zeer praktisch maakt voor echte medische CT-toepassingen.