[论文解读] Software Implementation of the Krylov Methods Based Reconstruction for the 3D Cone Beam CT Operator

Vojtěch Kulvait, Georg Rose|arXiv (Cornell University)|Oct 26, 2021

Medical Imaging Techniques and Applications参考文献 16被引用 4

一句话总结

本文提出了一种基于C++和OpenCL的开源实现，用于3D锥束CT重建的Krylov子空间方法——具体为CGLS和LSQR，采用高效的射线追踪投影算子。结果表明，CGLS的收敛速度显著快于PSIRT（一种最先进的基于ART的方法），使得Krylov方法在现代GPU硬件上成为大规模3D CT重建的高效且可行的替代方案。

ABSTRACT

Krylov subspace methods are considered a standard tool to solve large systems of linear algebraic equations in many scientific disciplines such as image restoration or solving partial differential equations in mechanics of continuum. In the context of computer tomography however, the mostly used algebraic reconstruction techniques are based on classical iterative schemes. In this work we present software package that implements fully 3D cone beam projection operator and uses Krylov subspace methods, namely CGLS and LSQR to solve related tomographic reconstruction problems. It also implements basic preconditioning strategies. On the example of the cone beam CT reconstruction of 3D Shepp-Logan phantom we show that the speed of convergence of the CGLS clearly outperforms PSIRT algorithm. Therefore Krylov subspace methods present an interesting option for the reconstruction of large 3D cone beam CT problems.

研究动机与目标

• 开发一种基于Krylov子空间方法的高性能、开源3D锥束CT重建软件包。
• 评估CGLS和LSQR在3D CBCT中相对于经典迭代方法（如PSIRT）的收敛速度和精度。
• 通过基于算子的计算避免系统矩阵的显式存储，实现在大规模3D重建中的高效性。
• 探索将Krylov方法作为临床CT中解析重建的实用替代方案的可行性。
• 评估基本预条件策略对3D CBCT问题中收敛性和稳定性的影响。

提出的方法

• 软件使用Siddon射线投射法、投影轮廓法以及一种新颖的切割体素投影器，实现了完全的3D锥束投影算子，以精确计算射线-体素相交。
• CGLS和LSQR算法通过延迟残差计算实现，每轮迭代减少一次投影和反投影操作，从而提高效率。
• 通过共轭梯度法求解正规方程 AᵀAx = Aᵀb，避免显式存储大型非方阵A。
• 通过近似AᵀA的对角线，应用基本的Jacobi预条件，以改善收敛性，但其效果受限于锥形边界处较小的对角值。
• 通过OpenCL实现GPU加速，以加速投影和反投影操作，从而实现快速的迭代重建。
• 在默认配置下，算法避免了残差向量的重新正交化，因为发现数值误差累积可忽略不计（10轮迭代内低于0.0001%）。

实验结果

研究问题

• RQ1 Krylov子空间方法（如CGLS和LSQR）在3D锥束CT重建中，其收敛速度是否显著优于经典基于ART的方法（如PSIRT）？
• RQ2 在典型3D CT数据中，CGLS与LSQR在数值稳定性和重建精度方面的性能表现如何？
• RQ3 在大规模3D CBCT问题中，基本的Jacobi预条件在多大程度上改善了收敛性？
• RQ4 基于算子的Krylov方法是否能够避免基于矩阵的代数重建在3D中的内存和计算瓶颈？
• RQ5 是否有可能将有序子集策略扩展至Krylov方法，同时不牺牲收敛性或稳定性？

主要发现

• 在3D Shepp-Logan幻像上，CGLS的收敛速度显著快于PSIRT，达到相同重建精度所需迭代次数明显更少。
• CGLS的收敛速度远快于PSIRT，表明Krylov方法是大规模3D CBCT问题中更高效的替代方案。
• LSQR与CGLS产生几乎相同的重建结果，表明LSQR在数值稳定性方面的优势对典型CT数据并非关键。
• 默认的CGLS配置无需对残差进行重新正交化，因为误差累积可忽略不计（10轮迭代内低于0.0001%）。
• 通过优化投影器（尤其是切割体素投影器），软件性能得到显著提升，使中等规模问题的重建可在数分钟内完成。
• 作者识别出通过将有序子集方法扩展至Krylov方法，有望实现进一步提速，但需进一步研究以保持正交性和稳定性。