Soft Tuy-Completeness for Robust Projection Selection in Cone-Beam CT

Resumo Técnico: Completude Suave de Tuy para Seleção Robusta de Projeções em CT de Feixe Cônico

Declaração do Problema
Na Tomografia Computadorizada de Feixe Cônico (CBCT), particularmente para imageamento focado em Região de Interesse (ROI), trajetórias circulares ou helicoidais padrão frequentemente falham em satisfazer a condição de completude de dados de Tuy. Esta condição exige que todo plano que intersecta o objeto também intersecte o caminho da fonte de raios X. Embora teoricamente elegante, a completude clássica de Tuy é binária: uma trajetória é completa ou não é. Esta natureza "acerta ou erra" não fornece um gradiente para guiar a otimização, tornando difícil projetar trajetórias sob restrições práticas como tamanho finito do detector, limites mecânicos e orçamentos de dose de radiação. Além disso, aproximações discretas existentes frequentemente dependem de heurísticas gananciosas sem garantias de otimalidade ou falham em contabilizar suporte direcional graduado e efeitos de atenuação. O desafio central abordado é como formular a seleção de projeções como um problema de otimização contínuo e consciente da resolução que preenche a lacuna entre a teoria da completude geométrica e a qualidade prática de reconstrução de imagem.

Metodologia
Os autores propõem um framework fundamentado na teoria de Tuy, mas reformulado para otimização discreta e restrita:

1. Pontuação de Near-Ortogonalidade Suave: A condição binária de Tuy é substituída por uma pontuação "suave", contínua e diferenciável. Em vez de uma decisão 0/1, o método calcula uma medida graduada de quão próximo um raio da fonte está de ser ortogonal a um normal de plano de Radon amostrado. Esta pontuação decai linearmente de 1 (ortogonalidade perfeita) para 0 (o limiar binário), permitindo um cenário de otimização suave.
2. Cobertura Saturada Consciente da Resolução: A função objetivo maximiza a "cobertura saturada", que acumula contribuições parciais de múltiplas visões para uma dada direção, mas limita o total a 1. Esta formulação integra requisitos de amostragem angular baseados em Nyquist (ligando o tamanho do recurso a lacunas angulares) e restrições de validade baseadas em atenuação (filtrando raios com atenuação excessiva).
3. Análise de Complexidade: O artigo define formalmente o Problema de Otimização de Trajetória de CT Baseado em ROI (ROI-CTTOP). Ele prova que a variante de decisão deste problema é NP-completa via redução em tempo polinomial do problema de Cobertura de Conjuntos. Consequentemente, as variantes de otimização são NP-difíceis.
4. Algoritmos de Otimização:
   • Algoritmo Ganancioso: Aproveitando a estrutura submodular da função objetivo de cobertura, um algoritmo ganancioso de ganho marginal é empregado. Ele oferece uma garantia de aproximação provável de $(1 - 1/e)$ e executa em tempo $O(kmn)$.
   • Programação Linear Inteira Mista (MILP): Uma formulação exata de MILP é desenvolvida para fornecer limites de otimalidade certificados. Os autores utilizam o MILP não como um otimizador competitivo para uso em tempo real, mas como um "certificado de qualidade" para avaliar a solução gananciosa.
   • Extensão Multi-ROI: O framework estende-se a múltiplas ROIs agrupando alvos e otimizando conjuntamente um conjunto de visões compartilhado, lidando com conflitos geométricos através de objetivos ponderados.
5. Métrica de Validação (ESR): Uma nova métrica, Resolução Espacial Efetiva (ESR), é introduzida. Ela mapeia lacunas de amostragem direcional diretamente para tamanhos de recursos resolvíveis (em mm) sem exigir reconstrução de imagem, servindo como uma ferramenta de diagnóstico baseada em física.

Contribuições Principais

• Formulação Contínua: Substitui a condição binária de Tuy por uma pontuação suave e diferenciável de near-ortogonalidade e uma função objetivo de cobertura saturada, permitindo otimização graduada.
• Garantias Teóricas: Estabelece a NP-completude do ROI-CTTOP e fornece um algoritmo ganancioso com uma garantia de aproximação de $(1 - 1/e)$.
• Certificação de Otimalidade: Demonstra que o algoritmo ganancioso é quase ótimo na prática, utilizando MILP para certificar que a lacuna entre o ganancioso e o ótimo global é negligenciável para as instâncias estudadas.
• Interpretabilidade Física: Introduz o ESR como uma métrica agnóstica à tarefa que correlaciona lacunas de amostragem geométrica com tamanhos de recursos alcançáveis, conectando a etapa de seleção e o domínio da imagem.

Resultados Experimentais
Experimentos foram conduzidos em um componente de alumínio simulado com seis ROIs alvo sob quatro condições de oclusão (nenhuma, leve, moderada, severa).

• Ganancioso vs. Exato: Em 240 comparações emparelhadas, a mediana agrupada da razão entre a função objetivo gananciosa suave e o ótimo suave de MILP foi 0,998. Em 30% dos casos, a solução gananciosa foi certificada como globalmente ótima. Isso confirma que o algoritmo ganancioso é quase ótimo para esta função objetivo específica.
• Suave vs. Binário: Formulações suaves superaram significativamente formulações binárias. Com um orçamento de 100 projeções, métodos suaves alcançaram um PSNR de ROI de ~36 dB, enquanto métodos binários (tanto ganancioso quanto MILP) alcançaram ~24 dB. O desempenho do modelo binário degradou drasticamente sob oclusão (ESR subindo de ~2,7 mm para ~14,5 mm), ao passo que métodos suaves permaneceram estáveis (ESR < 0,81 mm).
• Correlação ESR: O ESR mostrou forte correlação com a qualidade de reconstrução (MSE e PSNR), particularmente sob oclusão onde restrições de validade estavam ativas. A métrica previu com sucesso tendências de qualidade de imagem sem exigir reconstrução.
• Multi-ROI: O framework lidou com sucesso com múltiplas ROIs, com estratégias de fusão ponderadas por distância superando a ponderação uniforme.

Significado e Alegações
O artigo alega que o fator limitante na qualidade da trajetória é representacional, não computacional. A natureza binária da completude clássica de Tuy descarta informações graduadas valiosas, levando a trajetórias subótimas, especialmente sob restrições de atenuação. Ao adotar uma função objetivo de cobertura contínua e suave:

1. A otimização torna-se tratável e quase ótima: O algoritmo ganancioso, frequentemente visto como uma heurística, é mostrado como quase ótimo para esta estrutura de problema específica, validado por certificados exatos de MILP.
2. Robustez a restrições: A formulação suave é robusta a restrições de validade baseadas em atenuação, ao passo que modelos binários sofrem um "efeito de limiar" onde visões válidas são perdidas, causando quedas catastróficas na cobertura.
3. Ponte Prática: O ESR fornece um elo prático e livre de reconstrução entre a seleção geométrica e a qualidade da imagem, permitindo uma avaliação fundamentada da suficiência da trajetória.

Os autores concluem que, embora a formulação binária ofereça uma garantia de completude rígida, a formulação suave contínua é superior para CBCT focado em ROI na prática, proporcionando maior qualidade de reconstrução e estabilidade sob restrições de aquisição realistas. O trabalho muda o paradigma de "encontrar a solução binária perfeita" para "otimizar uma métrica de cobertura contínua e consciente da resolução".