Reconstrucción Tomográfica

Imágenes médicas

Núcleo de Ingenierı́a Biomédica

Facultades de Medicina e Ingenierı́a
http://www.nib.fmed.edu.uy

2 de mayo de 2013 / Imágenes Médicas

TOM
Tomografı́a

TOM
Proyección

La reconstrucción de imágenes a partir de proyecciones es el

proceso de obtener una imagen de una distribución en dos
dimensiones (usualmente de una propiedad fı́sica) desde
estimativos de sus integrales de lı́nea a lo largo de un número finito
de lı́neas conocidas.
La propiedad fı́sica en este caso es el de la atenuación lineal de
rayos X.
Tejidos diferentes tienen coeficientes de atenuación diferentes, por
lo que pueden ser diferenciados.

TOM
Tomógrafo

TOM
Método

TOM
Método

TOM
Sinogramas

TOM
Tomografı́a por Impedancias Eléctricas

Sistema de recolección de Imagen reconstruida

datos

TOM
Hardware

TOM
Introducción al problema

Ω, subconjunto de tres dimensiones cerrado y acotado, con un

borde regular ∂Ω.
Conductividad σ función de la variable espacial x.
El potencial escalar es φ y el campo eléctrico E = −∇φ.
La densidad de corriente es J = −σ∇φ.
Como no hay fuentes de corrientes internas, la ley de Kirchoff
de corrientes queda ∇ · σ∇φ = 0.
La densidad de corriente en el borde j = −J · n = σ∇φ · n.
R
Por conservación de la corriente ∂Ω j = 0.

TOM
Condiciones de borde

Condición de borde de Dirichlet

Dado σ, especificando el potencial en el borde φ|∂Ω es suficiente
para determinar de forma única la solución φ.

Condición de borde de Neumann

Dado σ, especificando la densidad de corriente en el borde j es
suficiente para determinar φ a menos de una constante.

Mapeo Dirichlet a Neumann

Λσ : φ|∂Ω → j (1)
El problema inverso consiste en recuperar σ de Λσ (Λσ → σ).

TOM
Problema a Resolver

Problema Inverso
d ∈ D 7→ m ∈ M.
D ⊆ H 1/2 siendo H 1/2 el espacio de Sobolev de orden 1/2.
M = {m ∈ L∞ tal que essı́nf m > 0}.

Problema Directo
h : M 7→ D.
d = h(m) No lineal.
d = Hm Lineal.

TOM
Problema Inverso Mal Condicionado

h(m) − d = 0
Existen errores en medidas y en modelado.
Problema Mal Condicionado según Hadamard
La solución no existe, ó
La solución no es única, ó
La solución no es continua en los datos, de forma que
pequeñas perturbaciones en los datos llevan a errores
arbitrariamente grandes en el modelo reconstruido.

TOM
Mı́nimos Cuadrados

mMC = arg mı́n kHm − dk2

N (H) = {m ∈ M : Hm = 0}

Descomposición en Valores Singulares

H ∈ RD×M .
Pq
H = UΣV T = T
i=1 ui λi vi .
Donde U = (u1 , ..., uD ) ∈ RD×D y
V = (v1 , ..., vM ) ∈ RM×M son matrices ortonormales.
Σ = diag(λ1 , ..., λq ) ∈ RD×M , λ1 ≥ λ2 ≥ ... ≥ λq ≥ 0.

TOM
Decaimiento Valores Singulares

Utilizando la ortonormalidad de V :
r
X
d= λi (vT
i m)ui (2)
i=1

λ1 ≥ ... ≥ λz ≥ µ > λz+1 ≥ ... ≥ λw ≥  > λw +1 ≥ ... ≥

λr > 0 = λr +1 = ... = λq .
µ es el umbral de precisión dado por los instrumentos.
 es el umbral para los cuales las observaciones son
consideradas numéricamente nulas.

TOM
Decaimiento Valores Singulares

Se pueden categorizar los diferentes subespacios de M generados

por los vectores singulares vi :
{v1 , ..., vz } da lugar a observaciones que son confiables.
{vz+1 , ..., vw } da lugar a observaciones que tienen una
pequeña amplitud, sensibles a errores en las medidas.
{vw +1 , ..., vq } da lugar a observaciones que son nulas
numéricamente, no unicidad de las soluciones, información
adicional es necesaria para recuperar m.

Número de Condición de H
λ1
cond(H) = (3)
λr

TOM
Solución al Problema de Mı́nimos Cuadrados

mMC = arg mı́n kHm − dk2 .

kH(m+∂m)−dk2 −kHm−dk2
0 = lı́m∂m→0 k∂mk .
mMC = H † d.
H † = (H T H)−1 H T Es la inversa de Moore Penrose de H.

En términos de la SVD
M
X uT di
mMC = vi (4)
λi
i=1

TOM
Regularización

Regularización TSVD
z
X uT d i
mTSVD = vi (5)
λi
i=1

TOM
Regularización de Tijonov

mα = arg mı́n kHm − dk2 + αF (m) (6)

α > 0 es el parámetro de regularización o factor de Tijonov.

F (m) ≥ 0 es un funcional de regularización, puede tomar la
forma:
F (m) = kL(m − m0 )k2 (7)
L es la matriz de regularización, y m0 es un estimado de m.

El Problema Inverso queda:

m(α,L,m0 ) = arg mı́n kHm − dk2 + αkL(m − m0 )k2 (8)

TOM
Estimador Maximum a Posteriori

El Estimador MAP está dado por:

mMAP = máx Π(m|d) (9)

m∈M

Utilizando el teorema de Bayes:

Π(d|m)Π(m)
Π(m|d) = (10)
Π(d)

Π(d|m) el modelo directo, que contiene la información que

vincula al modelo con las medidas.
Π(d) la densidad de probabilidad de las observaciones para
d ∈ D.
Π(m) el conocimiento previo que tengamos del modelo m.

TOM
Estimador Maximum a Posteriori

Error aditivo d = h(m) + ν.

m y ν son estadı́sticamente independientes.
Πruido es la distribución de las incertidumbres.
Si fijamos m:

Π(d|m) = Πruido (d − h(m)). (11)

Incertidumbres gaussianas, con media cero y covarianza Cruido .

 
1 T −1
Π(d|m) ∝ exp − (d − h(m)) Cruido (d − h(m)) (12)
2

TOM
Estimador Maximum a Posteriori

Modelo también es gaussiano con media m0 y covarianza Cm .

Como tenemos las medidas d consideramos Π(d) constante.
 
1 T −1
Π(m|d) ∝ exp − (d − h(m)) Cruido (d − h(m)) · (13)
2
 
1 T −1
exp − (m − m0 )) Cm (m − m0 )
2

la maximización de Π(m|d) es el estimador MAP:

1 −1
mMAP = arg mı́n [(d − h(m))T Cruido (d − h(m)) + (14)
2
−1
(m − m0 )T Cm (m − m0 )]

TOM
Regularización de Tijonov

Solución Regularizada
m(α,L,m0 ) = (H T H + αLT L)−1 (H T d + αLT Lm0 ) (15)

Regularización de Tijonov Estándar

L = I y m0 = 0 La solución al problema lineal inverso es:

m(α,I ) = (H T H + αI )−1 H T d, (16)

Aplicando la descomposición SVD de H:

M
X λ2i uT
i d
m(α,I ) = vi . (17)
λ2i + α λi
i=1

TOM
Regularización de Tijonov

Regularización de Tijonov NOSER

√
L = diag( J T J).
∂d
J es la matriz jacobiana, cuyos elementos ∂m en EIT indican
las derivadas de los voltajes medidos respecto de variaciones
en la conductividad.
M
X λ2i uT
i d
m(α,NOSER) = 2 2
vi (18)
λi + αli λi
i=1

li son los elementos diagonales de L.

uT
i d
Los términos multiplicativos en frente de λi v i son llamados
factores de filtro.

TOM
Variación Total

Derivada Distribucional
Sea Ω un subconjunto acotado de Rn .
u una función en L1 (Ω).
Z Z
|Du| = sup{ udivϕdx; (19)
Ω Ω
ϕ = (ϕ1 , ϕ2 , ..., ϕn ) ∈ C01 (Ω)N , |ϕ|L∞ (Ω) ≤ 1}
PN ∂ϕi
divϕ = i=1 ∂xi (x).
dx es la medida de Lebesgue.
C01 (Ω)N es el conjunto de funciones continuas diferenciables
con soporte compacto en Ω.
qP
|ϕ|L∞ (Ω) = supx 2
i ϕi (x).

TOM
Variación Total

Conjunto de Funciones de Variación Acotada

 Z 
1
BV (Ω) = u ∈ L (Ω); |Du| < ∞ (20)
Ω

Variación Total de u
Z
TV (u) = |Du| (21)
Ω

B
f1 (x)

f2 (x) f3 (x)
A

TOM
Variación Total

Regularización por Variación Total

mα = arg mı́n kh(m) − dk2 + αTV (m). (22)

Algoritmo de Chambolle

TOM
Datos Simulados

Malla circular de 1024 elementos.

Se agregan perturbaciones circulares de 0,1 respecto al radio
de la circunferencia.
Número de electrodos y método de medida igual al descrito
anteriormente.
Se suman 15dB de ruido a las medidas.
Para la reconstrucción se toma una malla de 576 elementos.

TOM
Figura: Modelo del que partimos para simular los datos

TOM
Regularización por TSVD

Se debe controlar el parámetro z número de valores singulares a

utiilzar.
1 Se calcula la matriz jacobiana J alrededor de una imagen base.
2 Se realiza la SVD de J obteniendo la matrices Σ, U y V .
3 Se normalizan los valores singulares λNi = λi /λ1 .
4 Se toma un porcentaje de los valores singulares
{λNi } = {λNi /λNi ≥ z/100}.
5 Se recontruye la matriz RM = V ΣλN U T .
6 Se realiza la recontrucción como mREC = RM(d2 − d1 ).

TOM
 (a) 2 % de valores los singulares (b) 10 % de valores los singulares
Figura: Regularización mediante TSVD, reconstrucción del modelo sin
ruido en las medidas

TOM
 (a) 2 % de valores los singulares (b) 10 % de valores los singulares
Figura: Regularización mediante TSVD, reconstrucción del modelo con
ruido en las medidas

TOM
Regularización por Tijonov

Tijonov Estándar
Como matriz de regularización se utiliza la Identidad L = I .
RM = (J T J + αI )−1 J T .
mREC = RM(d2 − d1 ).
α = 1 × 10−2 .

NOSER
√
L = L = diag( J T J).
RM = (J T J + αLT L)−1 J T .
mREC = RM(d2 − d1 ).
α = 1 × 10−1 .

TOM
(a) Sin ruido en las medidas (b) Con ruido en las medidas
Figura: Regularización mediante Tijonov, método estándar

TOM
(a) Sin ruido en las medidas (b) Con ruido en las medidas
Figura: Regularización mediante Tijonov, método NOSER

TOM
Regularización por TV

Se utiliza método PD-IPM.

Dualidad y Optimización Convexa.
Iterativo, parámetro de control α.

TOM
 (a) 2 iteraciones (b) 10 iteraciones
Figura: Regularización mediante Variación Total, reconstrucción del
modelo sin ruido en las medidas.

TOM
 (a) 2 iteraciones (b) 10 iteraciones
Figura: Regularización mediante Variación Total, reconstrucción del
modelo con ruido en las medidas.

TOM
Datos Reales

Banco de datos Montreal Data 1995.

Número de electrodos y método de medida igual al descrito
anteriormente.
Ciclo respiratorio, a una frecuencia de 7 frames por segundo.
Parámetros: Tijonov estándar: α = 0,1, NOSER: α = 1,
TSVD: 10 % y TV: α = 1 × 10−3 y 10 iteraciones.

TOM
 (a) Método de Tijonov estándar (b) Método NOSER
Figura: Reconstrucción de secuencia de respiración, comparación de
métodos.

TOM
 (a) Método TSVD (b) Método TV
Figura: Reconstrucción de secuencia de respiración, comparación de
métodos.

TOM
 (a) Método de Tijonov estándar (b) Método NOSER
Figura: Reconstrucción en el momento final de la inspiración,
comparación de métodos.

TOM
 (a) Método TSVD (b) Método TV
Figura: Reconstrucción en el momento final de la inspiración,
comparación de métodos.

TOM