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

Technische Samenvatting: GKB-methoden voor X-ray Computertomografie met een Ongeëvenaarde Back Projector

Probleemstelling
In grootschalige X-ray Computertomografie (CT) wordt de reconstructie van een beeld $x$ uit gemeten gegevens $b$ geformuleerd als een lineair invers probleem $Ax \approx b$. In praktische implementaties worden de forward projector ($A$) en de back projector ($B$) vaak gegenereerd met behulp van verschillende discretisatieschema's gebaseerd op fysieke benaderingen. Bijgevolg is $B$ niet gelijk aan de transponte van $A$ ($B \neq A^\top$), wat resulteert in een "onafgestemde projectorpaar" (unmatched projector pair).

Deze discrepantie leidt tot inconsistente normale vergelijkingen. Standaard iteratieve oplosmethoden zoals Conjugate Gradient (CG) en Generalized Minimal Residual (GMRES), wanneer toegepast op de kleinste-kwadratenformulering van deze onafgestemde systemen, falen vaak in het produceren van betekenisvolle reconstructies. Hoewel gepréconditioneerde GMRES-varianten (AB-GMRES en BA-GMRES) zijn voorgesteld om deze systemen aan te pakken, lijden zij aan "semiconvergentie". In dit fenomeen convergeert de oplossing aanvankelijk naar het ware beeld, maar divergeert deze vervolgens naarmate de iteraties voortschrijden, waarbij ruis wordt versterkt door de inclusie van componenten die geassocieerd zijn met kleine singuliere waarden. Bovendien zijn de geprojecteerde systemen in GMRES gebaseerd op boven Hessenberg-matrices, die computationeel kostbaar kunnen zijn om te ontbinden naarmate de dimensie van de Krylov-subruimte groeit.

Methodologie
Het artikel stelt twee nieuwe algoritmen voor, AB-GKB en BA-GKB, die de Golub–Kahan Bidiagonalization (GKB) methode aanpassen om onafgestemde projectorparen te verwerken. In tegenstelling tot GMRES, dat het probleem projecteert op een subruimte die een boven Hessenberg-matrix oplevert, projecteert GKB het probleem op een lager-dimensionale subruimte die een ijle (sparse) onderste bidiagonale matrix ($C_k$) oplevert.

De voorgestelde methoden functioneren als volgt:

• AB-GKB: Past het GKB-proces toe op het systeem $ABx = Bb$ (waarbij $B$ wordt behandeld als een rechter preconditioner). De oplossing wordt hersteld via $x = BQ_k u_k$, waarbij $Q_k$ een orthogonale basis is en $u_k$ de oplossing is van het geprojecteerde bidiagonale systeem.
• BA-GKB: Past het GKB-proces toe op het systeem $BAx = Bb$ (waarbij $B$ wordt behandeld als een linker preconditioner). De oplossing wordt hersteld via $x = Q_k u_k$.

Beide algoritmen vermijden het expliciet vormen van de samengestelde operatoren $AB$ of $BA$, en vertrouwen in plaats daarvan op opeenvolgende matrix-vector vermenigvuldigingen met $A$, $B$ en hun transponaten. De geprojecteerde kleinschalige problemen worden opgelost met behulp van de Singular Value Decomposition (SVD) van de ijle bidiagonale matrix $C_k$. De auteurs onderzoeken twee stopcriteria om semiconvergentie te mitigeren: het Discrepancy Principle (DP) en Residual Norm Stagnation (RNS).

Belangrijkste Bijdragen

1. Algoritmische Voorstel: De introductie van AB-GKB en BA-GKB als gepréconditioneerde vormen van GKB, specifiek ontworpen voor CT-problemen met onafgestemde back projectors.
2. Theoretische Complexiteitsanalyse: Een gedetailleerde vergelijking van de floating-point operaties (FLOPS) tussen de voorgestelde GKB-methoden en bestaande AB/BA-GMRES-methoden. De analyse laat zien dat hoewel GMRES-methoden computationeel sneller zijn per iteratie (minder operaties vereisen), GKB-methoden een ijlere geprojecteerde matrix ($C_k$) genereren vergeleken met de Hessenberg-matrix ($H_k$) in GMRES. De SVD van de bidiagonale $C_k$ is aanzienlijk goedkoper ($O(k^3)$) dan die van de Hessenberg $H_k$ ($O(k^4)$).
3. Numerieke Validatie: Uitgebreide tests op drie CT-fantoomvoorbeelden (128x128, 180x180, en 256x256) met variërende ruisniveaus en systeemdimensies (ondergedetermineerd en overgedetermineerd).
4. Evaluatie van Stopcriteria: Een vergelijkende beoordeling van DP en RNS, die aantoont dat DP consistent de iteraties beëindigt nabij de minimale relatieve reconstructiefout (RRE).

Resultaten
Numerieke experimenten over diverse CT-scenario's leidden tot de volgende observaties:

• Semiconvergentie Gedrag: De voorgestelde GKB-methoden vertoonden een grotere veerkracht tegen semiconvergentie vergeleken met AB-GMRES en BA-GMRES. Terwijl GMRES-methoden vaak snel divergeerden na enkele iteraties (bijv. 7–10 iteraties), stabiliseerden GKB-methoden gedurende een langere duur (bijv. 40–100 iteraties) voordat ruisversterking dominant werd.
• Reconstructiekwaliteit: Wat betreft de Relatieve Reconstructiefout (RRE), bereikten de GKB-methoden over het algemeen lagere foutpercentages dan de GMRES-methoden, met name in latere iteraties, mits de iteratie correct werd gestopt.
• Computationele Kosten: Consistent met de theoretische analyse waren GMRES-methoden sneller in termen van totale runtime. Voor een vast aantal iteraties vereiste GMRES minder FLOPS. Specifiek vereiste AB-GMRES ongeveer 3/5 van de kosten van AB-GKB, en BA-GMRES ongeveer de helft van de kosten van BA-GKB.
• Stopcriteria: Het Discrepancy Principle (DP) bleek superieur aan RNS. DP beëindigde de iteraties consistent nabij de optimale RRE voor alle methoden, terwijl RNS vaak te vroeg of te laat eindigde afhankelijk van het algoritme, wat leidde tot een suboptimale reconstructiekwaliteit.
• Systeemdimensionaliteit: De relatieve efficiëntie van AB versus BA formuleringen hing af van of het systeem overgedetermineerd ($m > n$) of ondergedetermineerd ($m < n$) was. In overgedetermineerde gevallen waren BA-gebaseerde methoden over het algemeen sneller; in ondergedetermineerde gevallen waren AB-gebaseerde methoden duurder.

Betekenis en Claims
Het artikel claimt dat hoewel de voorgestelde AB-GKB en BA-GKB algoritmen een hogere computationele kosten per iteratie met zich meebrengen vergeleken met GMRES-gebaseerde benaderingen, ze een duidelijk voordeel bieden in stabiliteit en oplossingskwaliteit voor onafgestemde projectorproblemen. Door gebruik te maken van de ijle structuur van de bidiagonale matrix gegenereerd door GKB, bieden de methoden een robuust alternatief dat het begin van semiconvergentie vertraagt, waardoor stabielere reconstructies mogelijk zijn zonder het potentieel voor nauwkeurigheid van Krylov-subruimte methoden op te offeren.

De auteurs benadrukken dat de effectiviteit van deze methoden sterk afhangt van de keuze van een stopcriterium; het Discrepancy Principle wordt geïdentificeerd als het meest betrouwbare mechanisme om iteraties te beëindigen voordat ruiscorruptie de oplossing verslechtert. Het werk concludeert dat deze algoritmen effectief zijn voor het leveren van stabiele oplossingen in grootschalige CT-inverse problemen waar even matching projectors niet beschikbaar zijn, hoewel toekomstig werk zich kan richten op het integreren van geavanceerde regularisatietechnieken om de efficiëntie verder te verbeteren.