Hybrid ABBA-GMRES for Unmatched Backprojectors in Large Scale X-Ray Computerized Tomography

Resumo Técnico: Métodos Híbridos AB- e BA-GMRES para Tomografia Computadorizada com Retroprojetores Não Correspondentes

1. O Problema

Na Tomografia Computadorizada (TC) de grande escala, a reconstrução de imagens é formulada como um problema de mínimos quadrados lineares ($Ax \approx b$). Devido ao custo proibitivo de armazenar explicitamente a matriz do sistema $A$, utilizam-se métodos iterativos "livres de matriz" que dependem de operadores de projeção (frente) e retroprojeção (adjunto).

O desafio central abordado neste trabalho é o uso de pares de projetores não correspondentes (unmatched projector pairs). Na prática, para otimizar o tempo de computação e o uso de hardware (especialmente em GPUs), os projetores forward ($A$) e os retroprojetores ($B$) são frequentemente implementados com discretizações ou aproximações diferentes, de modo que $B \neq A^T$.

• Consequência: Essa incompatibilidade viola a suposição de adjunção necessária para solvers de mínimos quadrados clássicos (como CGLS, LSQR ou LSMR).
• Comportamento Indesejado: Solvers adaptados para este cenário, como AB-GMRES e BA-GMRES, sofrem de semi-convergência. Inicialmente, o erro de reconstrução diminui, mas após um certo número de iterações, o ruído e erros de modelagem são amplificados, degradando a qualidade da imagem. A escolha do momento de parada (critério de parada) torna-se crítica e difícil de automatizar.

2. Metodologia

Os autores propõem o desenvolvimento de métodos híbridos AB- e BA-GMRES. A ideia central é incorporar a regularização de Tikhonov diretamente dentro das iterações do subespaço de Krylov, em vez de depender apenas da parada precoce para regularização implícita.

• Formulação Híbrida: Em vez de resolver o problema de mínimos quadrados projetado padrão em cada iteração $k$, o método resolve um problema regularizado de Tikhonov no subespaço de dimensão reduzida:
  $$y_k = \arg \min_y \left\| \begin{pmatrix} H_k \\ \lambda I \end{pmatrix} y - \begin{pmatrix} \|r_0\|_2 e_1 \\ 0 \end{pmatrix} \right\|_2^2$$
  Onde $H_k$ é a matriz de Hessenberg gerada pelo processo de Arnoldi, e $\lambda$ é o parâmetro de regularização.
• Seleção Automática de Parâmetros: O método permite a seleção automática e adaptativa de $\lambda$ a cada iteração, utilizando critérios como:
  • Curva-L (L-curve): Analisa o compromisso entre a norma do resíduo e a norma da solução.
  • Validação Cruzada Generalizada (GCV): Minimiza uma estimativa de erro preditivo sem exigir conhecimento prévio do nível de ruído.
• Critérios de Parada: São avaliados o Princípio da Discrepância (DP), o Periodograma Cumulativo Normalizado (NCP) e a Estagnação da Norma do Resíduo (RNS).
• Reinício (Restarting): Para problemas de grande escala, o método utiliza reinícios periódicos (após $p$ iterações) para controlar o uso de memória e custo computacional, mantendo a estabilidade através da regularização explícita em cada ciclo.

3. Contribuições Principais

1. Novos Algoritmos: Formulação de variantes híbridas de AB-GMRES e BA-GMRES que integram Tikhonov diretamente na iteração de Krylov para pares de projetores não correspondentes.
2. Análise Teórica de Equivalência:
   • Demonstra-se que, no caso de projetores correspondentes ($B = A^T$), o Híbrido BA-GMRES é equivalente ao Híbrido LSMR.
   • Demonstra-se que o Híbrido AB-GMRES NÃO é equivalente ao Híbrido LSQR. Isso ocorre porque os métodos propostos seguem a lógica "projetar-então-regularizar", que não é equivalente a "regularizar-então-projetar" neste contexto específico.
3. Estratégias Automatizadas: Proposta de estratégias para seleção automática de parâmetros de regularização (Curva-L e GCV) que mitigam a dependência de critérios de parada heurísticos.
4. Validação Experimental: Avaliação extensiva em cenários sintéticos e realistas usando aceleradores GPU (ASTRA Toolbox), comparando desempenho, estabilidade e custo computacional.

4. Resultados Experimentais

Os experimentos foram realizados em problemas 2D de TC, variando de pequenos exemplos sintéticos a problemas realistas com resolução de 1024x1024 pixels.

• Estabilidade e Qualidade: Os métodos híbridos mitigaram consistentemente a semi-convergência observada nas versões não híbridas. Eles produziram reconstruções de maior qualidade (menor Erro de Reconstrução Relativa - RRE e maior SSIM) e foram mais robustos a ruídos e erros de modelagem.
• Comportamento de Parada: A introdução da regularização explícita reduziu a sensibilidade dos métodos às escolhas de critérios de parada. O método de Parada por Discrepância (DP) mostrou-se eficaz, enquanto a Estagnação da Norma do Resíduo (RNS) tendeu a parar tarde demais (embora sem degradar a qualidade devido à regularização).
• Seleção de Parâmetros:
  • A Curva-L geralmente produziu as reconstruções mais eficientes e estáveis.
  • O GCV ofereceu uma alternativa totalmente automática com desempenho competitivo, embora às vezes subestime ligeiramente o parâmetro em casos de ruído correlacionado.
• Eficiência Computacional:
  • O custo adicional de resolver o problema regularizado no subespaço pequeno é desprezível comparado ao custo das operações de projeção e retroprojeção.
  • O uso de reinício (restart) reduziu significativamente o uso de memória e o tempo de execução, especialmente em problemas de grande escala, sem sacrificar a qualidade da reconstrução.
  • Em geral, o AB-GMRES mostrou-se mais eficiente em tempo e memória que o BA-GMRES para sistemas subdeterminados (comuns em TC com poucos ângulos de visão).

5. Significância e Conclusão

Este trabalho fornece uma solução robusta e escalável para um problema prático comum na TC moderna: a incompatibilidade entre projetores forward e retroprojetores devido a otimizações de hardware.

A principal contribuição é a demonstração de que a regularização híbrida transforma os métodos AB-/BA-GMRES em solvers estáveis que não dependem criticamente de uma parada manual precisa para evitar a amplificação de ruído. Isso permite a implementação de pipelines de reconstrução mais automatizados e confiáveis em sistemas de grande escala. O framework proposto é particularmente valioso para aplicações que utilizam GPUs e ferramentas como ASTRA ou TIGRE, onde a precisão matemática exata do adjunto é frequentemente sacrificada em prol da velocidade, desde que a reconstrução final mantenha alta fidelidade.

O estudo conclui que os métodos híbridos AB-/BA-GMRES representam uma abordagem superior para reconstrução tomográfica com operadores não correspondentes, equilibrando estabilidade, qualidade de imagem e eficiência computacional.