[論文レビュー] Superiorization of Preconditioned Conjugate Gradient Algorithms for Tomographic Image Reconstruction

Elias S. Helou, Gábor T. Herman+2 more|arXiv (Cornell University)|Jul 26, 2018

Numerical methods in inverse problems参考文献 11被引用数 7

ひとこと要約

本稿では、高速で反復的なPCG法に優化化を統合することで、トモグラフィー画像再構成の品質を向上させる、新しいアルゴリズムである優化化前処理共役勾配法（SupPCG）を提案する。反復点を摂動させることで全 Variation を最小化しながらデータ整合性を維持することで、SupPCG は、ユーザーが指定したデータ不整合性の上限内での有限時間収束を理論的に保証しつつ、迅速に高品質な再構成を達成する。

ABSTRACT

Properties of Superiorized Preconditioned Conjugate Gradient (SupPCG) algorithms in image reconstruction from projections are examined. Least squares (LS) is usually chosen for measuring data-inconsistency in these inverse problems. Preconditioned Conjugate Gradient algorithms are fast methods for finding an LS solution. However, for ill-posed problems, such as image reconstruction, an LS solution may not provide good image quality. This can be taken care of by superiorization. A superiorized algorithm leads to images with the value of a secondary criterion (a merit function such as the total variation) improved as compared to images with similar data-inconsistency obtained by the algorithm without superiorization. Numerical experimentation shows that SupPCG can lead to high-quality reconstructions within a remarkably short time. A theoretical analysis is also provided.

研究の動機と目的

• 不適切なトモグラフィー再構成問題における標準的な最小二乗解がもたらす低品質な画像を是正すること。
• データ整合性を損なわずに、二次的基準（具体的には全 Variation）を最小化することで画像品質を向上させること。
• 前処理共役勾配法の高速性と優化化を組み合わせた、計算的に効率的なアルゴリズムを開発すること。
• 現実的な問題条件下で、優化化共役勾配法の収束に対する理論的保証を提供すること。
• 再構成品質と計算効率の面で、従来の手法に比べて優れた性能を示す SupPCG の優位性を実証すること。

提案手法

• 前処理共役勾配（PCG）アルゴリズムに優化化を適用し、新たな手法である優化化PCG（SupPCG）を生成する。
• 最小二乗残差で測定されるデータ整合性を保ちながら、全 Variation を低減するようにPCG反復点に摂動を導入する。
• 目的関数（例：全 Variation）を用いて摂動プロセスをガイドし、視覚的・構造的品質の高い解へ向かってアルゴリズムを誘導する。
• 標準的なPCG更新と、二次的基準の改善を図るための優化化ステップからなる二段階反復を実装する。
• ラドン行列 R、その転置、および前処理子 N を含む行列演算としてアルゴリズムを定式化し、計算効率を確保する。
• ユーザー定義のデータ不整合閾値に基づく終了条件を確立することで、SupPCG の有限収束を証明する。

実験結果

リサーチクエスチョン

• RQ1 優化化は、トモグラフィー再構成における前処理共役勾配法に効果的に適用可能か？
• RQ2 SupPCG は、標準的な PCG や ART に基づく手法と比較して、より速い収束とより優れた画像品質を達成するか？
• RQ3 データ整合性と二次的基準最小化の観点から、優化化共役勾配法の収束に対してどのような理論的保証を設定できるか？
• RQ4 画像品質と計算時間の観点から、SupPCG の性能は他の再構成手法と比べてどのように異なるか？
• RQ5 優化化フレームワークは、トモグラフィー再構成で生じる大規模かつスパースな線形方程式系に対しても、効率的に適用可能か？

主な発見

• SupPCG は、標準的な PCG や ART 手法と比較して、ノイズ低減とエッジの良好な保持という点で顕著に向上した高品質なトモグラフィー再構成を実現する。
• アルゴリズムは非常に短い計算時間でこれらの結果を達成しており、実世界の応用において実用的な効率性を示している。
• 数値実験により、SupPCG が全 Variation を効果的に低減するとともに、ユーザーが指定した許容範囲内に近いデータ整合性を維持していることが確認された。
• 理論的分析により、ユーザー定義のデータ不整合閾値 ε が最小可能な残差 ε₀ を超える場合、SupPCG が有限回の反復内で終了することが証明された。
• SupPCG と優化化共役勾配変種（SupCG）との間の同等性が確立され、アルゴリズムの収束特性が裏付けられた。
• アルゴリズムは頑健でスケーラブルであり、反復的かつ前処理構造を有するため、大規模なトモグラフィー再構成問題に適している。