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

Resumo Técnico: Métodos GKB para Tomografia Computadorizada de Raios X com um Retroprojetor Desemparelhado

Definição do Problema
Na tomografia computadorizada (CT) de raios X em larga escala, a reconstrução de uma imagem $x$ a partir de dados medidos $b$ é formulada como um problema inverso linear $Ax \approx b$. Em implementações práticas, o projetor direto ($A$) e o retroprojetor ($B$) são frequentemente gerados utilizando esquemas de discretização distintos baseados em aproximações físicas. Consequentemente, $B$ não é equivalente à transposta de $A$ ($B \neq A^\top$), criando um "par de projetores desemparelhados".

Essa discrepância leva a equações normais inconsistentes. Solucionadores iterativos padrão, como o Gradiente Conjugado (CG) e o Método de Mínimos Resíduos Generalizado (GMRES), quando aplicados à formulação de mínimos quadrados desses sistemas desemparelhados, frequentemente falham em produzir reconstruções significativas. Embora variantes de GMRES pré-condicionadas (AB-GMRES e BA-GMRES) tenham sido propostas para lidar com esses sistemas, elas sofrem de "semiconvergência". Neste fenômeno, a solução converge inicialmente em direção à imagem verdadeira, mas subsequentemente diverge conforme as iterações continuam, amplificando o ruído devido à inclusão de componentes associados a pequenos valores singulares. Além disso, os sistemas projetados em GMRES envolvem matrizes de Hessenberg superior, que podem ser computacionalmente dispendiosas para decompor conforme a dimensão do subespaço de Krylov cresce.

Metodologia
O artigo propõe dois novos algoritmos, AB-GKB e BA-GKB, que adaptam o método de Bidiagonalização de Golub–Kahan (GKB) para lidar com pares de projetores desemparelhados. Diferente do GMRES, que projeta o problema em um subespaço resultando em uma matriz de Hessenberg superior, o GKB projeta o problema em um subespaço de menor dimensão resultando em uma matriz bidiagonal inferior esparsa ($C_k$).

Os métodos propostos funcionam da seguinte forma:

• AB-GKB: Aplica o processo GKB ao sistema $ABx = Bb$ (tratando $B$ como um pré-condicionador à direita). A solução é recuperada via $x = BQ_k u_k$, onde $Q_k$ é uma base ortogonal e $u_k$ é a solução do sistema bidiagonal projetado.
• BA-GKB: Aplica o processo GKB ao sistema $BAx = Bb$ (tratando $B$ como um pré-condicionador à esquerda). A solução é recuperada via $x = Q_k u_k$.

Ambos os algoritmos evitam a formação explícita dos operadores compostos $AB$ ou $BA$, baseando-se em vez disso em multiplicações sucessivas de matriz por vetor com $A$, $B$ e suas transpostas. Os problemas projetados de pequena escala são resolvidos usando a Decomposição em Valores Singulares (SVD) da matriz bidiagonal esparsa $C_k$. Os autores investigam dois critérios de parada para mitigar a semiconvergência: o Princípio da Discrepância (DP) e a Estagnação da Norma do Resíduo (RNS).

Principais Contribuições

1. Proposta Algorítmica: A introdução do AB-GKB e BA-GKB como formas pré-condicionadas de GKB especificamente desenhadas para problemas de CT com retroprojetores desemparelhados.
2. Análise de Complexidade Teórica: Uma comparação detalhada de operações de ponto flutuante (FLOPS) entre os métodos GKB propostos e os métodos AB/BA-GMRES existentes. A análise revela que, embora os métodos GMRES sejam computacionalmente mais rápidos por iteração (exigindo menos operações), os métodos GKB geram uma matriz projetada mais esparsa ($C_k$) em comparação com a matriz de Hessenberg $H_k$ no GMRES. A SVD da matriz bidiagonal $C_k$ é significativamente mais barata ($O(k^3)$) do que a da Hessenberg $H_k$ ($O(k^4)$).
3. Validação Numérica: Testes extensivos em três exemplos de fantomas de CT (128x128, 180x180 e 256x256) com níveis de ruído variados e dimensões de sistema distintas (subdeterminados e sobredeterminados).
4. Avaliação de Critérios de Parada: Uma avaliação comparativa de DP e RNS, demonstrando que o DP encerra consistentemente as iterações próximo ao erro de reconstrução relativo (RRE) mínimo.

Resultos
Experimentos numéricos em vários cenários de CT produziram as seguintes observações:

• Comportamento de Semiconvergência: Os métodos GKB propostos demonstraram maior resiliência contra a semiconvergência em comparação com AB-GMRES e BA-GMRES. Enquanto os métodos GMRES frequentemente divergiam rapidamente após poucas iterações (ex: 7–10 iterações), os métodos GKB estabilizaram por um período mais longo (ex: 40–100 iterações) antes que a amplificação do ruído se tornasse dominante.
• Qualidade da Reconstrução: Em termos de Erro de Reconstrução Relativo (RRE), os métodos GKB geralmente alcançaram taxas de erro menores do que os métodos GMRES, particularmente em iterações tardias, desde que a iteração fosse interrompida corretamente.
• Custo Computacional: Consistente com a análise teórica, os métodos GMRES foram mais rápidos em termos de tempo de execução total. Para um número fixo de iterações, o GMRES exigiu menos FLOPS. Especificamente, o AB-GMRES exigiu aproximadamente 3/5 do custo do AB-GKB, e o BA-GMRES exigiu cerca de metade do custo do BA-GKB.
• Critérios de Parada: O Princípio da Discrepância (DP) provou ser superior ao RNS. O DP interrompeu consistentemente as iterações próximo ao RRE ideal para todos os métodos, enquanto o RNS frequentemente terminava cedo demais ou tarde demais, dependendo do algoritmo, levando a uma qualidade de reconstrução subótima.
• Dimensionalidade do Sistema: A eficiência relativa das formulações AB vs. BA dependeu de se o sistema era sobredeterminado ($m > n$) ou subdeterminado ($m < n$). Em casos sobredeterminados, os métodos baseados em BA foram geralmente mais rápidos; em casos subdeterminados, os métodos baseados em AB foram mais caros.

Significância e Alegações
O artigo alega que, embora os algoritmos AB-GKB e BA-GKB incorram em um custo computacional por iteração mais elevado do que as abordagens baseadas em GMRES, eles oferecem uma vantagem distinta em estabilidade e qualidade da solução para problemas de projetores desemparelhados. Ao aproveitar a esparsidade da matriz bidiagonal gerada pelo GKB, os métodos fornecem uma alternativa robusta que retarda o início da semiconvergência, permitindo reconstruções mais estáveis sem sacrificar o potencial de precisão dos métodos de subespaço de Krylov.

Os autores enfatizam que a eficácia desses métodos depende fortemente da escolha de um critério de parada; o Princípio da Discrepância é identificado como o mecanismo mais confiável para encerrar as iterações antes que a corrupção pelo ruído degrade a solução. O trabalho conclui que esses algoritmos são eficazes para entregar soluções estáveis em problemas inversos de CT de larga escala onde projetores correspondentes não estão disponíveis, embora trabalhos futuros possam focar na integração de técnicas avançadas de regularização para aumentar ainda mais a eficiência.