[论文解读] Accelerated gradient methods for total-variation-based CT image reconstruction

Jakob Sauer Jørgensen, Tobias Lindstrøm Jensen+4 more|arXiv (Cornell University)|May 20, 2011

Medical Imaging Techniques and Applications参考文献 18被引用 22

一句话总结

本文提出两种加速梯度方法——GPBB 和 UPN，用于基于全变差（TV）的 3D CT 图像重建，与标准梯度方法相比，显著减少了迭代次数。这些方法实现了更快的收敛速度和高精度重建，尤其在稀疏视角条件下表现优异，其中 UPN 在非强凸、少视角设置下表现更优。

ABSTRACT

Total-variation (TV)-based Computed Tomography (CT) image reconstruction has shown experimentally to be capable of producing accurate reconstructions from sparse-view data. In particular TV-based reconstruction is very well suited for images with piecewise nearly constant regions. Computationally, however, TV-based reconstruction is much more demanding, especially for 3D imaging, and the reconstruction from clinical data sets is far from being close to real-time. This is undesirable from a clinical perspective, and thus there is an incentive to accelerate the solution of the underlying optimization problem. The TV reconstruction can in principle be found by any optimization method, but in practice the large-scale systems arising in CT image reconstruction preclude the use of memory-demanding methods such as Newton's method. The simple gradient method has much lower memory requirements, but exhibits slow convergence. In the present work we consider the use of two accelerated gradient-based methods, GPBB and UPN, for reducing the number of gradient method iterations needed to achieve a high-accuracy TV solution in CT image reconstruction. The former incorporates several heuristics from the optimization literature such as Barzilai-Borwein (BB) step size selection and nonmonotone line search. The latter uses a cleverly chosen sequence of auxiliary points to achieve a better convergence rate. The methods are memory efficient and equipped with a stopping criterion to ensure that the TV reconstruction has indeed been found. An implementation of the methods (in C with interface to Matlab) is available for download from http://www2.imm.dtu.dk/~pch/TVReg/. We compare the proposed methods with the standard gradient method, applied to a 3D test problem with synthetic few-view data. We find experimentally that for realistic parameters the proposed methods significantly outperform the gradient method.

研究动机与目标

• 解决基于全变差（TV）的 CT 图像重建中存在的计算瓶颈问题，该问题因大规模非光滑优化问题而进展缓慢。
• 克服标准梯度投影（GP）方法在 3D CT 重建中，特别是在少视角和有限角数据情况下的收敛缓慢问题。
• 开发内存效率高、收敛迅速的优化算法，实现在用户指定容差下的高精度 TV 重建。
• 确保在非强凸情形（如少视角数据）下的可靠收敛判据，此类情况下标准方法难以收敛。
• 在真实 3D CT 成像场景中，展示 GPBB 和 UPN 相较于标准梯度方法在加速高精度 TV 重建方面的有效性。

提出的方法

• 应用 GPBB 方法，结合 Barzilai-Borwein 步长选择与非单调线搜索，以提升标准梯度方法的收敛性能。
• 实现 UPN（最优梯度方法）算法，通过自适应序列的辅助点实现更快的收敛速率，该方法最初专为强凸问题设计。
• 采用基于梯度映射的停止准则：当梯度映射的范数 $ \|G_{\nu}(x^{(k)})\|_2/N \leq \epsilon $ 时终止迭代，其中 $ \epsilon $ 设为 $ 10^{-8} $，以确保高精度解。
• 将基于 TV 的重建表述为约束最小化问题：$ x^* = \arg\min_{x \in \mathcal{Q}} \left( \frac{1}{2}\|Ax - b\|_2^2 + \alpha\|x\|_{\mathrm{TV}} \right) $，其中 $ \mathcal{Q} = \mathbb{R}_+^{64^3} $ 用于强制非负性。
• 使用离散全变差 $ \|x\|_{\mathrm{TV}} = \sum_{j=1}^N \|D_j x\|_2 $，其中 $ D_j $ 近似体素 $ j $ 处的梯度，以促进分段常数解。
• 在 C 语言中实现两种算法，并提供 MATLAB 接口，代码发布于 http://www2.imm.dtu.dk/~pch/TVReg/，便于在临床与科研环境中实际应用。

实验结果

研究问题

• RQ1 与标准梯度方法相比，GPBB 和 UPN 等加速梯度方法是否能显著减少高精度基于 TV 的 3D CT 重建所需的迭代次数？
• RQ2 在非强凸情形（如少视角 CT 重建）下，GPBB 和 UPN 的表现如何，此时标准收敛假设不成立？
• RQ3 基于梯度映射的停止准则是否能可靠检测到病态、欠定问题（如稀疏视角 CT）中的收敛？
• RQ4 在挑战性少视角场景下，UPN 是否在收敛速度和精度方面优于 GPBB 和标准 GP 方法？
• RQ5 在存在噪声和数据受限的真实 3D 成像问题中，这些方法在加速重建的同时，能在多大程度上保持重建精度？

主要发现

• 在多视角和少视角数据中，UPN 均在 2000 次迭代内实现收敛，而标准梯度方法（GP）在少视角情况下未能在相同迭代次数内收敛。
• 在多视角场景中，GPBB 和 UPN 均显著优于 GP，且两者的收敛速率相近。
• 在少视角场景中，UPN 显著快于 GP 和 GPBB，凸显其在非强凸、不适定设置下的优越性。
• 所有方法的梯度映射范数衰减均与目标函数衰减高度一致，验证了停止准则 $ \|G_{\nu}(x^{(k)})\|_2/N \leq 10^{-8} $ 的有效性。
• 使用 UPN 的少视角重建准确恢复了 FORBILD 头部体模的大部分特征，仅缺失两个小特征，表明重建保真度高。
• 尽管 UPN 最初为强凸问题设计，但在少视角 CT 的欠定、非强凸情形下仍表现出稳健且高效，展现出广泛适用性。