[论文解读] 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 7

一句话总结

本文提出了一种新型算法——优越化预条件共轭梯度法（SupPCG），通过将优越化技术整合到快速、迭代的PCG方法中，显著提升了断层扫描成像中的图像重建质量。通过在保持数据一致性的前提下对迭代点进行扰动以最小化总变差，SupPCG 能够在有限时间内快速实现高质量重建，并具备在用户指定的数据不一致性边界内收敛的理论保证。

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.

研究动机与目标

• 解决在病态断层扫描重建问题中，标准最小二乘解通常产生的图像质量差的问题。
• 通过最小化次要准则（具体为总变差）来提升图像质量，同时不牺牲数据一致性。
• 开发一种计算高效的算法，结合预条件共轭梯度法的速度与优越化技术，实现实际图像重建应用。
• 在现实问题条件下，为优越化 PCG 算法提供理论收敛保证。
• 在重建质量与计算效率方面，证明 SupPCG 相较于传统方法的优越性。

提出的方法

• 将优越化应用于预条件共轭梯度（PCG）算法，生成一种新方法——优越化 PCG（SupPCG）。
• 对 PCG 迭代点引入扰动，以减少总变差，同时保持由最小二乘残差衡量的数据一致性。
• 使用一个目标函数（例如总变差）引导扰动过程，使算法朝向具有更好视觉与结构质量的解方向演进。
• 通过两步迭代方式实现算法：先执行标准 PCG 更新，再执行一个优越化步骤，以调整解以优化次要准则。
• 以涉及 Radon 矩阵 R 及其转置和预条件子 N 的矩阵运算形式表述算法，确保计算效率。
• 通过将其与一种优越化共轭梯度变体关联，证明 SupPCG 的有限收敛性，并基于用户定义的数据不一致性阈值建立终止条件。

实验结果

研究问题

• RQ1 优越化能否有效应用于预条件共轭梯度方法，以提升断层扫描中图像重建的质量？
• RQ2 与标准 PCG 和基于 ART 的方法相比，SupPCG 算法是否实现更快的收敛速度和更高的图像质量？
• RQ3 在数据一致性与次要准则最小化方面，能否为优越化 PCG 算法的收敛性建立理论保证？
• RQ4 在图像质量与计算时间方面，SupPCG 的性能与其它重建技术相比如何？
• RQ5 优越化框架能否被有效适配，以高效处理断层扫描成像中出现的大规模稀疏线性系统？

主要发现

• 与标准 PCG 和 ART 方法相比，SupPCG 生成的断层扫描重建图像质量显著提升，尤其在降噪和边缘保持方面表现更优。
• 该算法在极短的计算时间内实现上述效果，展现出在实际应用中的高效性。
• 数值实验表明，SupPCG 有效降低了总变差，同时将数据一致性保持在用户指定容差范围内。
• 理论分析证明，当用户定义的数据不一致性阈值 ε 超过最小可能残差 ε₀ 时，SupPCG 能在有限次迭代内终止。
• 建立了 SupPCG 与一种优越化共轭梯度变体（SupCG）之间的等价性，验证了该算法的收敛特性。
• 该算法具有鲁棒性和可扩展性，由于其迭代与预条件结构，适用于大规模断层扫描重建问题。