Multilevel Stochastic Plug-and-Play for Sparse-View CT Reconstruction

Resumo Técnico: PnP Estocástico Multinível para Reconstrução de CT de Visão Esparsa

Definição do Problema
A tomografia computadorizada de visão esparsa (SVCT) visa reduzir a exposição à radiação e o tempo de aquisição limitando o número de vistas de projeção. No entanto, essa redução torna o problema de reconstrução de imagem severamente mal posto, levando a artefatos de estrias severos quando se utilizam métodos analíticos tradicionais, como a retroprojeção filtrada (FBP). Embora os métodos de reconstrução iterativa baseados em modelos (MBIR) e os métodos Plug-and-Play (PnP) baseados em aprendimento profundo tenham melhorado a qualidade da reconstrução ao incorporar priors de imagem aprendidos, eles enfrentam desafios computacionais significativos. Especificamente, os métodos PnP estocásticos (ex: SNORE, Prox-SNORE) melhoram a robustez ao igualar a distribuição de entrada do denoiser por meio de re-ruído, mas frequentemente exigem muitas iterações para convergir, limitando sua eficiência prática em ambientes clínicos. Além disso, estender a otimização multinível (que acelera a convergência resolvendo problemas em resoluções mais grosseiras) para o PnP estocástico não é trivial, pois impor a coerência do prior entre níveis de resolução normalmente exige a estimativa precisa dos gradientes do prior em nível fino, o que é computacionalmente caro devido à natureza estocástica das etapas de denoising.

Metodologia
Os autores propõem o ML-SPnP (Multilevel Stochastic Plug-and-Play), um novo algoritmo que acelera a reconstrução PnP estocástica para SVCT operando dentro de uma estrutura de Análise Multiresolução (MRA) baseada em wavelets.

1. Formulação de MRA de Wavelet: O método constrói uma hierarquia de espaços de aproximação usando wavelets de Haar 2-D. O domínio da imagem é decomposto em coeficientes de aproximação grosseiros e coeficientes de detalhe finos.
2. Cancelamento de Coerência de Prior Estocástico: Uma contribuição teórica central é a observação de que impor a coerência do prior entre níveis em um cenário estocástico geralmente exige estimar o gradiente do prior estocástico, o que envolve avaliações de Monte Carlo dispendiosas. Os autores propõem realizar etapas multiníveis nos espaços MRA de wavelet. Sob uma Suposição de Independência Aproximação-Detalhe (onde aproximações grosseiras e detalhes finos são tratados como independentes), eles provam que o termo de correção de coerência do prior estocástico desaparece em expectativa.
   • Consequentemente, o algoritmo só precisa calcular a correção de coerência de fidelidade de dados determinística, reduzindo significavelmente o overhead computacional.
3. Atualizações Multiníveis com Recozimento (Annealing): O algoritmo emprega um cronograma de recozimento onde o nível de ruído ($\sigma_k$) diminui ao longo das iterações. Níveis de ruído elevados nas iterações iniciais induzem um denoising forte para correções estáveis em nível grosseiro, enquanto níveis de ruído mais baixos em iterações posteriores recuperam detalhes finos.
4. Fluxo do Algoritmo: O método ativa atualizações multiníveis apenas durante uma fase de "aquecimento" ($K_{ML}$ iterações). Durante esta fase, o algoritmo percorre uma hierarquia de resoluções (ciclo-V), resolvendo problemas grosseiros de forma aproximada usando etapas de ponto fixo estocásticas. Após o aquecimento, o algoritmo prossegue com as atualizações padrão de PnP estocástico de nível fino (especificamente, Prox-SNORE), herdando suas garantias de convergência.

Principais Contribuições

• Primeiro PnP Multinível Estocástico: O artigo introduz o primeiro algoritmo de reconstrução multinível baseado especificamente em regularização PnP estocástica.
• Insight Teórico sobre Coerência: Os autores identificam a correção de coerência do prior estocástico como o principal gargalo para combinar otimização multinível com PnP estocástico eficiente. Ao reformular o problema nos espaços MRA de wavelet, eles demonstram que esta correção desaparece em expectativa, restando apenas a correção determinística de fidelidade de dados.
• Reconstrução Eficiente de SVCT: O método proposto alcança uma qualidade de reconstrução comparável aos métodos PnP estocásticos de última geração (state-of-the-art) enquanto reduz substancialmente o tempo de execução.

Resultos Experimentais
O método foi avaliado em dois conjuntos de dados de CT médica: o conjunto de dados de Linfonodos (Lymph Nodes) e o conjunto de dados Head CQ500, sob condições de visão esparsa (20, 30, 40 e 50 vistas de projeção).

• Desempenho Quantitativo: O ML-SPnP alcançou pontuações de PSNR, SSIM e LPIPS quase idênticas aos métodos PnP estocásticos de base (Prox-SNORE e Annealed Prox-SNORE).
• Eficiência Computacional: O método proporcionou acelerações substanciais. No conjunto de dados de Linfonodos, o tempo de execução foi reduzido em aproximadamente 58–67% em comparação com o Prox-SNORE e 20–52% em comparação com o Annealed Prox-SNORE. No conjunto de dados CQ500, as reduções foram de aproximadamente 41–57% e 6–32%, respectivamente.
• Comparação com Difusão e PnP Determinístico:
  • Comparado a solvers baseados em difusão (DiffPIR, DDS), o ML-SPnP ofereceu qualidade perceptual superior (LPIPS menor) e menos estruturas alucinadas, particularmente em regimes altamente mal postos (20–30 vistas).
  • Comparado ao PnP multinível determinístico (Prox-ML-PnP), o ML-SPnP às vezes mostrou PSNR/SSIM ligeiramente menores, mas pontuações LPIPS e preservação visual de detalhes anatômicos locais significativamente melhores, evitando o excesso de suavização observado na variante determinística.
• Estudos de Ablação:
  • Custo de Coerência de Prior: Simular uma formulação multinível padrão sem o cancelamento de wavelet exigiu múltiplas avaliações do denoiser (NFE) para estimar o gradiente do prior, aumentando drasticamente o tempo de execução. O ML-SPnP evitou isso inteiramente.
  • Recozimento (Annealing): O uso de um cronograma de ruído decrescente (recozimento) durante a fase multinível melhorou consistentemente a qualidade da reconstrução em comparação com atualizações multiníveis de ruído fixo.

Significância e Alegações
O artigo afirma que o ML-SPnP oferece um compromisso favorável entre precisão e custo computacional para a reconstrução de CT de visão esparsa. Ao aproveitar a estrutura das decomposições de wavelet para eliminar a necessidade de estimativa cara do gradiente do prior estocástico, o método permite o uso de priors PnP estocásticos robustos em uma estrutura multinível sem as penalidades usuais de convergência.

Os autores posicionam a fase multinível como um mecanismo de warm-start eficaz, em vez de uma garantia de convergência autônoma, observando que as propriedades de convergência assintótica são herdadas do algoritmo de PnP estocástico de nível fino subjacente. Eles concluem que o PnP estocástico multinível é uma direção promissora para uma reconstrução de SVCT eficiente e confiável, embora reconheçam limitações quanto à idealização da suposição de independência e à necessidade de validação em dados clínicos reais.